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.

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

Parte I PROBABILIDAD .

.

i.2. como siempre lo supondremos. 2. describiendo alguna propiedad conservada por todos los miembros y por los no miembros. EJEMPLO 1. u}. Obsérvese que la sola redistribución de los elementos no cambia el conjunto. u}. o.3._l 'Cupítulo Coniuntos y probqbilidqd EL CONCEPTO DE CONJUNTO 7 El concepto d. el cual es un subconjunto (propio) del conjunto de todos los resultados posibles {L. Sinónimos de conjunto son c/cse. e } es un subconjunto. I a. { 4 o.b. A tenemos A C A. e.escritoAcB6B:Ayleído"AestácontenidoenB"o"BcontieneaA" respectivamente. si esto no es posible. 3. a. denotamos un conjunto por una letra mayúscula A. 3. e. u ) es un subconjunto propio de {o. léase"elconjuntodeloselementos¡talesque¡es una vocal" donde la línea vertical I se lee "tal que" o "dado que". o. grupo y colección. 5.Para que un conjunto seabiendefínido. 6). de {o. i.e conjunto es un pilar fundamental de la probabilidad y la estadística y de la matemática en general. uloporelmétododecomprensióncomo{rlreeunavocal}.6. En general. ¡ |¡ es un triángulo en un plano ) es el conjunto de los triángulos en un plano. 4. escribimos de B.6\. EJEMPLO 1. Sic noperteneceaC escribimos a é C. Si Ac B y B CAllamamosa A y B iguales y escribimos A : B. C.5. EJEMPLO 1. . Si o y b pertenecen aC escribimos a. 4.6}.4. pero no un subconjunto propio. e. b e C. Un conjunto puede considerarse como una colección de objetos. puesto que los dos conjuntos son iguales. y un elemento por una leha minúsculao. o. B. i. El primero se denomina el método de extensión y el segundo el método de comprensión.1. Se sigue que para todos los conjuntos exactamente los mismos elementos. llamados míembros o elernentos del conjunto. El conjunto { Obsérvese que el método de extensión no puede utilizarse aquí. _ Si un elemento a pertenece a un conjunto C escribimos a€ C.4. Un conjunto puede definirse haciendo una lista de sus elementos o. A y B no tienen exactamente los mismos elementos. mientras no se especifique lo contrario. i. SUBCONJUNTOS Si cada elemento de un conjunto A también pertenece a un conjunto B llamamos a A un subconjuntodeB.2. En este caso AyB tienen A+ Si A no es igual a B. es decir si B. debemos estar capacitados para determinar si un objeto específico pertenece o no al conjunto. EJEMPLO 1. El conjunto de las vocales en el alfabeto puede definirse por el método de extensión como { a. u. SiA C B pero A + B llamamos aA un subconjunto propio EJEMPLO 1. 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. Al lanza¡ un dado los resultados posibles cuando el resultado es "par" son elementos del conjunto {2.5. EJEMPLO 1.

1-3). En tal caso los subconjuntos de zt (como A y B indicados y sombreados en la Fig. es un EJEMPLO 1. 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. EJEMPLO 1.2.4. 1-4 2. l -2 Fig. 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 . Si lanzamos un dado. 1 El teorema siguiente es verdadero para cualesq Teorema I-I.7. Si AC B y B CC. el conjunto de todoe los resultados posibles es el universo {L. Fig. EJEMPLO 1. Tales diagramas denominados diagramas de Venn.a CONJUNTOS Y PROBABILTDAD lcAP. o tanto como aB. 5. o simp espacio uniuersal y se denota por u. 6}1. sirven para da¡nos una intuición geométrica respecto a las posibles relaciones entre conjuntos. entonces AC C.9. 1-1) se representan por conjuntos de puntos dentro de los círculos. OPERACIONES ENTRE CONJUNT\OS 1. DIAGRAMAS DE VENN Un r¡niverso u puede representarse geométricamente por el conjunto de puntos dentro de un rectángulo. se llamala unión deA yB y se escribe Au B (región sombreada en la Fig. l-3 Fig.8. El conjunto de loe rcsultados que consisten de las caras 7 u 11 sobre un solo dado es el conjunto nulo. El conjunto de todos los elementos (o puntos) que pertenecen a A o a B. 1-2). CONJUNTO UNIVERSAL Y CONJI. . Unión. Intersección.T.JNTO VACI( Para muchos propósitos restringimos nuestra d fico denominado el uniuerso del discurso. 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. Los elemenr Es útil considerar un conjunto que no tiene r uacío o el conjunto nulo y se denota por p.3.

B (región sombreada en la Fig.4u^B)uC I.4u(anC) = (AuB)n(AuC) A-B = AñB' Si AcB.74).{ = A Primera ley De Morgan Segunda ley De Morgan Para cualquier conjunto generalizarse (véanse Problemas 1. l-5 Fig. Diferencia.esdecir. se B Si A : UB). t-Lzb A YB y 1-13 pueden y 1. entonces A')B' 6 B'c. 4. 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. AnU (AuB)' = A'ñB' (AnB)' = A'UB' A = (AnB)u(AnB') Los teoremas L-Lzo.An(BnC) = (¿nB) nC -.69 AUQ-A.AñB1C An(BuC) = (AnB)u(AnC') . símbolos de inclwión . 3. interrecciones por uniones. se escribe Fig. L'L. el B y lo escri se llama saXl-B Fig. El conjunto que consiste en todos los elementos de A qtlle no pertenecen a B llama la diferencia áe A y B.guenotienenelementoscomunes'sella¡¡ran coniuntos disiuntos. cyf.cAP..AnQ=9 AU'al -. escrita por A . 1'6).11.1l CONJUNTOS Y PROBABILIDAD DosconjuntosáyBtalesqueAnB:p. A y B son disjuntos.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 . l-6 AIGUNOS TEOREMAS RELATIVOS A CONJI. En la Fig.'NTIOS AUB = BUA Au(BuC) : (. 1-4). u el 1/.

SS) caras.CS. si un resultado es divisible por 3. 1-7 donde.11. como en el Ejemplo 1.. o una "cara". Los siguientes son aLgunos ejemplos. entonces el resultado del experimento es el tiempo f en horas que se encuentra en algún intervalo.dsdecirdos EJEMPLO 1. Tales experimentos se denominan experimentos aleatorios. el resultado del experimento es que algunos pueden estar defectuosos.3. donde suponemos que ninguna lámpara eléctrica dura más de 4000 horas. Si elemental o simple. 1. EJEMPLO 1. .16. l-? tos como números naturales 1. Si tenemos una máquina que produce tornillos.1 0. simbolizadaporc(ó1).12) puede dibujarse por puntos en la Fig. Así cuando se produce un tornillo será un miembro del conjunto {defectuoso. se denomina espacio muestral infinito contable. por ejempio. cara la primera y sello la segunda. hay experimentos en los cuales los resultados no son esencialmente los mismos a pesar de que las condiciones sean aproximadamente idénticas. EJEMPLO1. En tal caso es deseable utilizar números en cambio de letras siempre y cuando sea posible. Si un experimento consiste en medir "la vida" de las lámparas eléctricas producidas por una compañía.12. Si un espacio muestrdl tiene un número finito de puntos. = 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.se denomina espacio muestral finito. Un principio fundamental es que si efectuamos tales experimentos repetidamenle bajo condiciones aproximadamente idénticas obtenemos resultados que son esencialmente los mismos.15.2. un espacio o conjunto muestral de todos los resultados posibles se da por {1. si lanzamos una moneda dos veces y utilizamos 0 para represenmr sellos y l para representar caras el espacio muestral (véase Ejemplo 1. Silanzamosunamonedadosveces.6). 4. Un suceso es un subconjunto A del espacio muestral. g. 0 ú :: 4000.esdecirunodeloselementosdelconjuntóíqs)(ó{0. Frecuentemente es útil dibuja-r un espacio muestral gráficamente. . Si tiene tantos punl'ig. por ejemplo. Si lanzamos una moneda eI resultado del experimento es un "sello". Si tiene tantos puntos como hay en algún intervalo en elejer. 'EJEMPLO 5. 4. sedenominaespacio muestral infinito no contable.1 ) representaselloen el primer Ianzamiento y cara en el segundo lanzamien[tr. 1)). es lógico que el último no sería adecuado pan determinar. EJ EMPLO 1 .or . por ejemplo. Si lanzamos un dado.14. si lanzamos un dado el resultado del experimento es uno de los números en el conjunto {L. (0.elresultadopuedeindicarsepor{CC. Obsérvesé que eJ córresponde al conjunto universal. es decir es un conjunto de resultados el resultado'de un experimento es un elemento de A decimos que el suceso A ha ocunido. etc.tal como 0 f r: S 1. simbolizado por S ( ó 0 ). EJEMPLO 1. Unespacio muestral que es finito o infinito contable frecuentemente se denomina espacio muestral discreto. 3. Un suceso que consiste de un solo punto de cJ frecuentemente se llama un sueeso . impar) Sin embargo.13.5. es decir SC. 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.2. 2. 1 EXPERIMENTOS ALEATORIOS Todos estamos familiarizados con Ia importancia de los experimentos en la ciencia y en la ingeniería.en tanto que uno que es infinito no contable'se llama espacio muestral continuo o no discretoSUCESOS posibles. .SC. Sin embargo. no defectuoso}.CONJUNTOS Y PROBABILIDAD [cAP.16.. EJEMPLO 1. 6 | en tanto que otro es lpar.

17. razonarno{¡ que la probabilidad requerida es 112.18.'sello" (suponiendo que la moneda no se pierda ni caiga verticalmente). SC. 2.Puesto que hay dos maneras igualmehte factibles del resultado de la moneda.[ proposicio Fig' 1-8 Empleando las operaciones de conjuntos en sucesos en Así si A y B son sucesos. frecuentemente decimos que los sucesos son mutuamente. Equivale adecirque laprobabilidad contrasu ocurrenciaesdel 75% al25vo o de B ai. diríamos que hay y 26Vo de oportunidad de que ocurra y un 767" de opoitunidad de que no ocurra. si la probabilidád es de 1f4.ad con la que podemos esperar que un suceso ocurra es conveniente asignar un número enhe 0 y 1. EJEMPLO 1. simplemente "cara" y . 1. que se llama el suceso imposible puesto que un elemento de Q no puede ocurrir. y el conjunto vacío Q. Entonces A : {CS. SS } así tenemos A U B: {Cg A': {SSl SC. todos igualmente factibles. Como sucesos particulares tenemos el suceso en sí mismo. 2.esdecirAñB:Q. SS) : eJ A-B- Añ B: {CS} {^SC. B : { CS. CC} EL CONCEPTO DE PROBABILIDAD En. . donde n es muy gmnde. como se indica en la Fig. Por ejemplo. entonces ta próbauilidad del suceó es h/n.B". Esto quiere decir que no pueden ocunir ambos. y de estas dos maneras una cara puede aparecer en una sola manera. Como medida de la oportunidád o plobabilid. excluyentes. Enfoque'clásico o a priori Si un suceso puede ocurrir en h maneras diferentes de un número total de n maneras posibles. un suceso ocurre h veces. En ólgebra de sucesos que coffesponde al álgebra de conjuntos indicada en la e.B es el suceso "A pero no . Al llegar a este resultado suponemos que la moneda es honrado. EJEMPLO 1. entonces la probabilidad del suceso es h/n. SilosconjuntosconespondientesalossucesosAyBsondisjuntos. 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. AU B es el suceso "Aó B o ambos". que es el suceso cíerto o seguro ya que un elemento de eJ debe ocurrii. Supóngase que deseamos la probabilidad de que resulte una cara en un solo lanzamiento de una moneda. si lanzamos una moneda dos veces. entonces podemos obtener otros sucesos en cJ. CC}. A n B es el suceso'qtanto A como B" 3.19. Si después de n repeticiones de un experimento. perosi estamos regutJs de que'el suceso no ocurriú d_e9.cualquier experimento aleatorio siempre hay incertidumb¡e sobre si un suceso específico ocurrirá o no. Flxisten dos procedimientos importantes por medio de los cuales podemos obtener estimativos para la probabilidad de un suceso. 1) y (1. es decir que no está cargado. Enfoque. 0).como frecuencia relativa o a posteriori. A. el suceso que sólo resulte una cara es el subconjunto del espacio muestral que consiste de los puntos (0. 4. CC. Si estamos seguros de que el iuceso ocurrirá decjmos que su probabilídad es 100% ó 1. 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". Esto también se llama laprobabilidad empírica del suceso. A' es el suceso "no A". w tloríá de conjuntos e inversamente. 1.lm9s que su probabilidad es cero. 1l CONJUNTOS Y PROBABILIDAD EJEMPLO 1.cAP. 1-8.

si se satisfacen los axiomas siguientes: Axioma 1..'. (5) Para cada suceso es A 0<P(á) <1 P(9) = O decir la probabilidad de un suceso está entre 0 y 1. Para cualquier número de sucesos mutuamente excluyentes P(AtuAzu '.20. LOS AXIOMAS DE LA PROBABILIDAI) Supóngase que tenemos un espacio muestral e. . Teorema 7-77: Si A' es el complemento de A entonces P(A') Teorema = r-P@) (7) 7-78: Si A = AtUAzU. entonces At. 1 y hallamoe que 532 veces resultan caras estimamos que la Ambos enfoques el clásico y el de frecuencia prcsentan serias dificultades. . y P(A) la probabílidad del suceso A. entonces . (e) En particular. A cada suceso A en la clase C de sucesos asociamos un número real P (A).. P(AL:AI) = P(Ai+P(Ar) ALGUNOS TEOREMAS IMPORTANTES SOBRE PROBABILIDAD (4) De los Teorema Teorema a-r.CONruNTOS Y PROBABILIDAD EJEMPLO 1. Paru el suceso cierto o seguro eJ en la clase C =I At. 7-14: 1-15: Si ár cA2 entonces P(Ai < P(Az) y P(Az. 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. Así P se llama la función de probabilidad. eh la clase C (2) 3.632.. Ar. . . el primero debido a la vaguedad de las palabras "igualmente factibles" y el segundo debido a la vaguedad incluida en un "número muy grande". (d) Teor¡:rna 7-16: es decir el suceso imposible tiene probabilidad cero. . [cAP.) = P(42) - P(A).t. 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. es decir P es una función de valor real definida en f. el espacio muestral.1) + P(A2) + . para solo dos sucesos mutuamente excluyentes At. A causa de estas dificultades los matemáticos en los últimos años se han orientado avn enfoque axiomótico utilizando conjuntos.) - P(/.iomas anteriores podemos demostrar varios teoremas sobre probabilidad que son importantes en el estudio posterior.Á. Az. .UA" y tes. Bz. Para cada suceso A en la clase C P(A) P(eJ) A.:<ioma > 0 (r) Axioma 2. .

3.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. Podríamos lógicamente emplear otros procedimientos para asignar probabilidades..P(AsnA) (rr) + P(Lt\AzñAs) También pueden hacerse generalizaciones a n sucesos. 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... como el de la frecuencia relativa de la página 6. Hallar la probabilidad de que resulte 2 ó 5. entonces P(A¿: '!y si A es k=1. Az.21.. Si asignamosprobabilidades iguales a lospuntos muestrales. Az.... á3 son tres sucesos cualesquiera..5.79..P(üñAz\ - P(A|¡A.cAP.+P(4") = 1 (e) 1-19: Si A y B son dos sucesos cualesquier4 entonces P(AuB) = P(A) + P(B) . si A (10) t.. El espacio muestral es e-I: {1. Ar.entonces P(A) = P(AnAi + P(AñAz) *'.A.4. + P(ánA") (rr) ASIGNACION DE PROBABILIDADES entonces por el Teorema 1-18 Si un espacio muestral el' consiste únicamente de los sucesos elementales Ar. Véase Problema 1. Se lanza solo un dado. entonces 1 6 ...6}..2.) + P(Ar) + P(As\ . entonces P(A:U AzU ¿") : P(....An (1+) P(Ai + P(Az) + .]) .2. En particular. + 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).. si suponemos probabilidades iguales para todos los sucesos simples. esdecir si suponemos que el dado es honrado. 1l CONJUNTOS Y PROBABILTDAD P(Ar) Teorema +P(A2)+. 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.P(A. EJEMPLO 1.B\ Generalizando.4.

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

surgen problemas cuando la cuenta directa se convierte en una imposibiüdad práctica En tales casos se ernplea el anólisís combinntorio. . As son independientes entonces deben ser independientes por parejas. 1l SUCESOS INDEPENDIENTES CONJUNTOS Y PROBABILIDAD Si P(B lA) = P(B). Esto es equivalente a entonces A y B son independientes. que podría llamarse una forma sofisticad. PRINCIPIO FUNDAMENTAL DE CUENTA. Por esta razón con frecuencia se hace referencia al teorema fle Bayes como el teorema sobre laprobabilidad de causs. 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 .. ¡ealiza¡se EJEMPLO 1.. V finalmente una k-ésima cosa puede realiza¡se Qr fl. Az. .2.91 y 1. ??¡ rn?D€rds diferentes. entonces todas las fr cosas pueden realizarse en el orden especüicado en nr rr2 . es decir la probabilidad de que B ocuna no está afectada por la ocurrencia o no ocurrencia de á.¡ maneras diferentes. Si un hombre tiene 2 cami¡as y 4 corbaüac enüoncee tiene y luego una corbata. se emplea frecuente' mente en conexión con el principio anterior. llamado diagrama órbol debido a su apariencia (Fig. Si P(AnBl = P(A)P(B) de (I8). . como se deduce Algunas propiedades de la independencia están dadas en los Problemas 1. P(A¡nAx) = P(á)P(A*) j+lc donde j. 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.k=t.. . Ar. entonces decimos que á y B son sucesos independicnües.cAP. ANALISIS COMBINATORIO la enumeración o cuenta directa de los puntos del muestreo necesa¡ios para obtener las probabili dades no es difícil. Sin embargo.3 (221 'y también debemos tener P(ArñAzñAr) te. . . = P(A)P(Az)P(A) (qsl Ni (22) ni (23) son sufrcientes por sí solo. .a de contar.. Ar. Inversanente. 1-10). . 2' 4 : 8 maneras de eacoger una cami¡a Un diagrama.A1.23. An que pueden causar la ocunencia de á. .92. es decir uno de los sucesos debe ocurrir. si se cumple (2I) (21) Ar. La generclización a más de tres sucesos se hace fácilmen- TEOREMA O REGLA DE BAYES Supóngase que . .. An son sucesos mutuamente excluyentes cuya unión es elespacio muestral ef.en n2 maneras diferentes.

P. 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.l)(n . .P.l. ?a.10 CONJUNTOS Y PROBABILIDAD [cAP.7 manerias r * escoger ét segunaoiU¡e_ to-.1 : nt (26) que se denomina n factorial.34. D. y finalmente n 1 formas dó escoger-el r-ésimo objeto. . n... + . Si las camisas se representan por S¡. 43 y 2p EJEMPLO 1. El número de permutaciones diferentes de las 11 leüras de la palabra u M/SS/SSIPP.. . . . . EJEMPLO 1.6. Así abc es di o lo Sin embargo.. . l-10 (25) .24. -se deduce por el principio fundarnlntal de cuenta que el número de ordenácionás. 41. 52 y las corbatas por ?1. B.P. .26.s de escoger el primer objeto. Para el caso particular cuando r: . Tz. consiste de LM. clr no se Aquí.. Tt. Así el núm&o de permutaciones diferentes (28) Véase Problema 1. . (n . E. Llamamos a .to. y luego de hacer esto n de .5 = 210 . 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. EI número de ordenaciones o permutaciones diferentes que consisten de 3 letras cada una y que pueden forma¡se de las ? letras A. F. lógi tos es Sup n conjunto que consiste de n objetos de los cuales nr son de un nguir entre sí). elnúmero de permutaciones de n objetos lomados de r en r. = . o permutaciones diferentes como generalmente se les Uarnc está dado { 5 6 8 por Fig. Dichas selecciones se llaman combinah misma combinación. C.r + l\ donde se observa que el producto tiene r factores. . son del hnr + nz + . 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. . rr. G es ¡P:t = fi. (25) se conüerte en = n(n-l)(n-z). . en muchos problemas estamos interesados solamenos sin inteiesar su orden. l-10. . I 2 1 Fig. n2 son de un segundo tipo. = n(n.2).

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

ee deci¡ ¡ € A. C' : conjunto de los elementos en 'll que no están en C : {0.6. entonces AcC.o} u {5. Si A = {r l r2=4.3. 1 L.-{r). r. Entonces ya que AC B. n].5)=0 sólosi x:B6x:6.2. (c) (AUB)nC. 1.".üenemosB:{g. {*. (o) (b) (o {rln+ü} -.B: eonjunto de elementos en A que no están en B : [0. ¿Es cierto que {2} : 2? No.{0."áÁ y porüantoBC 1.r} {*. Entonces B.-.0|.L2 CONJUNTOS Y PROBABILIDAD lcAP.-rt. (b) "A es el conjunto de ¡ tal que 12 : 4 y ¡ ) 9'.-4}n{+. Por el Teorema 1-8.-2ly * )9. 2 es wn número re¿l mientras que {2} esw conjunto que consiste del número real 2.Demostrarque BcA.r.2. Demostra¡ que si Ac B y B cC. es deeir B ee un subconjunto de A. aA. r.+..o.sededucequeACB6B)Aylrrpropocición Obaérvese que esto se lee es verdadera- 1.5.. (e) A-8. Otro método. -4} = {+. OPERACIONES ENTRE CONJUNTOS. El error radica en escribi¡ {@} por @. B: {x I x2 -8r+. DIAGRAMAS DE VENN Y TEOREMAS SOBRE CONJT.t.6.0}n {5. Asf. (/) (Bn C). (a) AnB = {-12. Puesto quetambiénBCC. si el universo 'u = {}.--4} n {+. seaA={rl*esunenteroimpar).15:0). (e) A ._\E}. se sigue queA: @. -rt.enconhar(a) AnB.-4}.u C. Determinar cuáles de las proposiciones siguientes son verdaderas y cor¡egir las que son falsas. Yaque x2 -8x * 15:0 ó (r -3)(¡. AsícadaelementodeB perten.6.4 u n = {-fr. (d) B'u C'. Cualquier objeto particular se supone ee igual a sf mismo.-4}n{0.0.lQ}.r)._\E} . tenemosque¡ € C. Aeícadaelemenüodeá esunelemento de C y por tanto A C C.r} = {0.r.r. pertenecen á.-tf2.-qyC = {+.-fr. tenemos x€ B. Entonces {x I x * x} : e.-4} (c) (AuB) n C = {-{2.-4} = t-\ñ} (D) .+. el conjunto vacfo.6}. Sea r cualquier elemenüo de á. entonces B) A. r>g} y B: {fr | r<l}.. -4} y los subconjuntos de u están dados por A : {-\n.4} utilizando el re¡ultado de (b).0. Puestoque el conjuntovacloesunsubconjuntodecualquierconjunto.0.+.8 = {6.-4} = {-18. +. Puesto que no hay un númeror tal que x2 :416x:2. 5. ) La proposición es falsa. üenemoe A-B = AñB'= (f) BñC = {6.+. 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. página 3. = {0. "..o.5.5.5.4. no hay objeto que no sea igual a sí mismo. .5. (s) (AnC) e (Bne.pueotoqueloe elementos 3 y 5 son enterosimpares.-¿}. es decir cada elemento de A eetá en 8.'NT\OS 1.-r/2.5. 0. puesto que {9} es un conjunto no voclo que conriste del conjunto vacío.o.-{2.-4} = Entonces (BnC\' = {0. (d) B' : conjunto de los elementos en t/ quenoestánen g = {0.o} u {0. (b) AUB.-fr}.

En Ia Fig. 1. (b) Ilus- har el resultado de la parüe (c) empleando un diagtama de Venn. l-12 Obsérveee que un diagrama de Venn no suministra una prueba como la dada en la parte (o). y se observa que esta región es igual a la región sombreada de la Fig.2. (sl AnC = {-\/-2.r€B') (b) = A' ^B' El resultado puede extenderse a cualquier número finito de conjuntos (véase Problema 1. 13 el de la parte (d) ilustra la segunda ley De Morgan. 1-11 la región sombreada representa (A U B)'. Ao(BuCl = = = = = l r€A.reB 6 r€A. . 1l CONJUNTOS Y PROBABILIDAD Obsérvese que este re¡ultado conjuntamente con Tborema 1-12b.reBuC} I re A.8. (AuB)' = {r I r4Ar-tB} = {" I rCA. = (AnB) u (AñB'). sirve para euminishar relaciones posibles entre conjuntos que luego pueden probaree por métodos similaree al dado en (o ).9. (o) Tenemoe págrna 3: (A u Bl : A' n B'. l-ll Fig. página 3. {r {" (AnB) u (A nC) 1. Demostra¡ que para cualquier conjunto A y B tenemos A Método 1. Región sombreada = (AUB)' Región doblemente ¡ÜEÉru¡r qvvrs¡¡¡E¡¡w rayada ]_"7. Teorema !-L?tt. En el diagrama de Venn de la Fig. Sea C:8' en el Problem¿ 1.69).nn.-ll .xeB 6 reC} I s€A.-¿l = {+.neB\ = {r I neA'. 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.8') A = (AnB)u(AnB') El resultado puede generalizane (véase Problema 1.-4} Entonces t.cAP.8.@. 1-12. Fig. elconjuntovacío. Demostra¡ laprimeraley distributiva. l reA¡B 6 neAnB'} M6todo 2.0} n {*. página3:Tenemoo An(Bu C) = (AnB)U(AnC).al : (ArtB) u (A^B') : (AñB') u (A¡. (c) Demostrar la primera ley De Morgan. 1-11.-¿} [Vóase pa¡te (f)].reC) @ | reA"'B 6 xeAnC\ {. B n C = {}. Teorema 1-6. Sin embargo. Entonces A n (BuB') A r.7.74). (A¡C\ u(BnC) : @u {*. (AnB) u(AnB') A : {r I reA) = {. Luego At ñ f|' se representa por la región doblemente rayada en donde se encuentran ambos conjuntos de líneas.

L4 . (e) A. .4. . @) AUB'. ESPACIOS MUESTRALES Y SUCESOS 1.). Se extrae una carta aleatoriamente de una baraja de 52 cartas.10. (n A'-3' :{no rey y no "no trébol") : {no rey y trébot}: (cualquier trébol excepto el rey). 1... Luego el espacio muestral consiste de 52 puntoo indicados en la Fig. diamante.n(8. rey de corazones. . 1-13.B -{reyperono trébol} Es lo mismo que A ñ B' . reina. Refiriéndose al experimento del Problema 1. 2. B. 1-13 para describi¡ los s sucesos (a). . . Describir el espacio mueshal (o) no se tiene en consideración el palo (b) si se tiene en cuenta el palo.nB.4 u B. (d) A'U B' : {no rey o no trébol} : {no rey de trébol } También puede considerarse observando : ( cualquier carta pero no el rey de tréboles} que A' V B' : (A ñ B )t y utilizando (ó )..-8.(g) (AnqU (AnB.4 el suceso {se extrae un rey} o sencillamente {rey} y B el suceso (se extrae un trébol} o sencillamente {trébol}. = A.10 sea. . podemos indica¡ una jota de picas por (11.. 3. .2).A. es deci¡ rey (ó) 4 n I : {rey y trébol} : {rey de trébol) de trébol)) (c) Puesto que B Luego A U Bt = {trébol}.11. 1 EXPERIMENTOS ALEATORIOS.1-14. (e) A-8. . I diagrama eden de indicarse A U B. puede indicarse como {1.CONJUNTOS Y PROBABILIDAD [cAP. : (rey o corazón o diamante o pica). (f) A. (b\ A' se 1. . si .). Emplear la Fig. También puede considera¡se observando que A.B. (E) @ nB) U (A ñ B'):{(rey y trébol) o (rey y no trébol)): irey}. picae. diamanües y tréboles. pica}. (d) A. 2. diez. . Describir los sucesos (a) AUB. picas. . de Teorema 1 era simila¡ todos lo¡ obeervarse de la Fig. 1. (o) Si no tenemos en cuenta los pdos el eepacio muestral consiste de as. Denotando corazones.11 com ^ B' .UB. También puede considera¡se observando que (A ñ B) U (A n B') : A. de acu gamas Fig. dos. 13}. diamantes y héboles respectivamente por l. jota. . B': {no trébol} : {corazón. por ejemplo.12. (o) A U B = {o rey o trébol (o ambos. diamantes y tréboles. (q AnB. picar. rey. y (b) Si tenemos en cuenta los paloc el espacio muestral cronsiste del as de corazón.{rey y no trébol}.

42 .Ar ) - 0 por el Axioma 1.42 ) = P(Al ). 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. página 6. también ee rigre queP(. (b) Teorema 1-15. P(Az.A¡ ) en donde . (b) Con anterioridad sabemos que P(A) > 0 por el Arioma 1.13. Así por el Teorema 1-14 [partc (o)] y el Axiom¿ 2 P(A) < 1 primero P(A)=P(¿)=1 (c) Tenemos eJ : eJuQ.At son mutuamente excluyentee. Fig. axioma 3. Para demostrar que observamos que A C et.15. Encontrar la probabiüdad de . 1-15 (1) AUB: AUIB -(. tenemos usando el Axioma 3 y el Teorema 1-14: P (A u B) | i'. (o) Tenemoe Az : At U (Az . 1l TEOREMAS SOBRE PROBABILIDAI) 1.At) = P(Azl .P(Ar) Puesto que P(.77). (o) Tenemos AV A' :s[. (c) Teorema 1-16.14. Una carta se extrae aleatoriamente de una barqia de 52 cartas.4n8)l Entonces puesto que los conjuntos A y B .41 y Az . página 6. Demostrar (a) el Teorema 1-17 y (b) el Teorema 1-19. l-15 (An CALCULO DE PROBABILIDADES 1. asr que Entonces por el P(42\ = P(ár) * P(A2.B) son mutuamente excluyentee. Entonceepuesto gue.(A ñ .Ar. Aunque hemos utilizado el diagrama de Venn el i rlu^') ".Puesto que P(eJ) sfnp = Q se sigue del Axioma P({)) 3 que s = P(d)+P(Q) 6 = 1. Demostra¡ el (c) Teorema 1-14. página 6.^^'rl i' r"u r--' resultado (l ) puede establecerse directarne¡rte (véase Problema 1.cAP.

* h* . D. # -.16 : 36 puntos muestrales en él y cada punto muestral tiene una asignación de probabilidad Il52.13 .la probabilidad requerida es 36/52 = 9/13. 1 que sea (g) un as. 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. 13 pot aa.y 1. (d) un corazón. Determinar la probabilidad de que sea (c) roja. (b) una jota de corazones. P. Pero por el Teorem a 1-t2 (a). 1-16.lsnc) = #. página 6. pica.10(o) en donde cad¿ punto mueehal.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. l-r 1.. diarnante. Empleemoe el espacio muegtral del Problema 1. P(4'^T')= 4(4 U ")'l: L- P(4 U ?¡ : 1. eeto es 1/4.16.sz = Lg Tbmbién había sidq posible conseguir este resultado del espacio mueshal del Problema 1.1l _ 9 . doo. trébol.16 CONJUNTOS Y PROBABILIDAD [cAP.. Asf g n C significa tree de corazoneo. Una bola se extrae aleatoriamente de una caja que contiene 6 bolas rojas. rcy. Así.* (d) P(c):P(ln c 62ñc6. (e) P(C') - 1 .2.10(tr).n. por ejemplo.[P(4) +P(")-P (4 n T)] _. (c) un tres de tréboles o un seis de diamantes.. 4 bolas blancas y 5 bolas azules.L ñD ó 1 n ") =P((1 n c) +P(1 nP) +P (1 nD) +P(1 n r) 11111 = 52. (d) no roja. asignando probabilidades iguales de tl52 : L162. (e) cualquier palo excepto corazones.# = 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. 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. (f) un diez o una pica" (g) ni un cuatro ni un trÉbol. respectivamente. (b) blanca. . en particular "as" tiene una probabilidad de 1/13.52. Por tanto puede denotarse por P(4' ñ ?'). en tanto que S U C significa tres o corazón..4' ñ T' = (4 U ?)'. 1. . Por simplicidad utiücelnos C... Puesto que este complemento tiene 52 . (e) roja o blanca.P(C) = ! P(L0 Ln = ?uti[zando laparte (d)y elTeorema 1-1?. . P(6 n (o) ") P(1): PG^e ó 1nP ó. (c) azul.. t (b) P(11 ñC¡= :- (c) I * -I^ 26 ) +P(6 ñD¡: 62 52 = I " .. ? para indicar coraz6n.

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). 5 ó 6 son 3 resultados de las 6 probabilidadés igualmente factibles) y P(Az): ltO (ya que 7. P(roja o blanca) : P(R u r) : -"""'.1?. P(AroAr) = P(At)P(A2lAr\ -. Método 1. (b) P(B) = 6i+5 = ft porparte(o) (c) P(A) = 6+j+b = # = i =? (d) P(noroja) = P(R") = 1-P(E) = l-? (e) Método 1. Método 2. . un total de factibles. 6 6 6 en el primer lanzamiento V 1.P(At)P(A. Entonces si asignamos probabili' dades iguales Ll15 a cada punto muestral observamos que P(. Entonees L1 (o) P(n)= Mótodo 2. de las 6 maneras en que cae en el segundo lanzamiento.á = | Método 3. Puesto que los sucesos R y B son mutuamente excluyentes se deduce de (4). debido a que hay 6 puntos muestrales que corresponden a "bola rojatt. Hallar la probabilidad de obtener 4. norparte(c).J. B y A los sucesos de extraer una bola roja.3 6 4 en el segundo lanzamiento. ' SeanAl elsuceso "4rS ó 6 enelprimerlanzamiento" y Az elsuceso "7r2. . 2.R ) : 6/15 : 215. 1l CONJUNTOS Y PROBABILIDAD Método 1. página 6. r(RUB)=P(A'): 1-P(A): I .364en elsegundo lanzamiento". . Un dado honesto se Ianza dos veces. 19 1 ..H 10 2 6+4 6+4+5 .cAP.15 . respectivamenüe. que P(nuB):P(R) +P(B):?*# = ? PROBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES 1. Denótese por R. 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. Método 2.) '!' .::"fl'"".4 1) :316 (ya que 4.2. . --6+4+5=1b=s 662 Nuestro espacio muestral corisiste de 6 * 4I 6:15 puntos muestrales. Luego estamos buscando P(Ar ñ A2).42 ocurren.3ó 4 son 4resultadosdelasGprobabilida' des igualmente factibles).'"::. blanca y azul.t""i: .También i"-or usado P(.5 o blanca También puede resolverse l¡tilizando el espacio muestral como en la parte (c). 4: 12 maneras en que tanto A1 como . Cada una de las 6 maneras en las cuales un dado cae en el primer lanzamiento puede asociarse con cada una 6.6:36 maneras. Entonces P(ArnAzl .

l Método 2.42 suoeso "as en la segunda P(Arñ A2): P(A1) P(A2l A t).2 a (6.3) (4. (b) no ambar¡ sean se remplaza. Entonces P(ArnA. .18 coNJUNTos y pRoBABILTDAD lcAP.nA") =+:(.) = (b) Como en la parte (o).6) (2. l) (1. Se extraen dos cartas.tp(A2 A¡\ = (52")(*) = . a (2. I a a aa (r. P(A¡): 4152. Así ambas cartas pueden extraerse en (52 ) ( 51 ) maneras."t (ol La primera carta puede extraerse en una de las 52 maner:u¡ posibles y ya que hay rempl. r) (2.' ( #)l#) == # r\ P(A1l:4152.3) (3. 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. Método 1. si la carta se remplaza para la segunda extracción. aa {) (6. También.18. de una baraja de 52 cartas.3) (8. 6) El espacio muestral para cada lanzamiento de los (r. (2.2) a a aa (5.3) Si A es el suceso "7 u 11" entonces A se indica por Ia porción sombreada en la Fig. 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. /. {) (5. Puesto que se incluyen 8 puntos tenemos que P(A ): 8/36 : 219. todas igualmente factibles.azamiento la segunda ca¡ta también puede extraerse en una de las 52 maneras posibles. todas igualmente factibles. Así que ambas cartas pueden extraerse en (52)(52) maneras. l-17 Utiüzando subíndices t. puesto que también hay 4 ases en las ó2 ca¡tas para la segunda extracción. Encontrar la probabilidad de no obtener un total de 7 u 11 en ningunó de los dos lanzamientos de un par de dados honrados. 1 Esto indica directamente que A 1 y A2 son independientes puesto que . Sea A1 buscando suceso ttas en la primera extracciónt' y . 1-17. . Entonces P(A. Por ejemplo (5.2l a a (6. A. Hallar la probabilidad de que ases si la ca¡ta (c) se remplaza. Puesto que los dados son honestos y hay 36 puntos muestrales asignamos la probabilidad 1/36 para cada uno.)(á) = P(ArP\A2l (2. r'(A.P(Al -- L 27 -::99 1o. 6) ({. entonces P(A2 | A r) : 4152. p(A. así que P(A2l Ar Sin embargo si ocurre un as en la primera extracción quedarán 3 en ) : 3/51."A) = P(A) P(A.1) a Se deduce que la probabiüdad de no dada por ? u 11 está 345 Primer dado P1A'¡ '= | .2) signitica que el resultado del primer dado es b y el del segundo 2.19. 6) a 1.6) a (3. \. extracción". l) (3.2. dados se muestra en la Fig. l'ig.2gara indica¡ y 2o.6) I (¿. oaa (3. 1-17. Entonces estamos (o) Puesto que para la primera extracción hay 4 ases en las 52 cartas. 1. = las 51 cartas restantes.

J requerimos A2: : suceso "4 en el prirner lanzamiento o 4 en el segundo lanzamiento o ambos" suceso t'al menos un 4" A2).42 ocurran : 1 . Así Art. pero Bon independientes.P(ALñ42) = P(A) + P(A!) . entonces los sucesos son independientes y p(. 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). 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+ \=.P(A'rnA'"\ = | . lanzamiento y no 4 en el 2o.Rr n 82 ñ At):p(. blanca y azul si las bolas (a) se remplazan.6 : 36.21. P(ArU Método 1. : guCe¡o (o) Si cada bola se remplaza. Nfrmero total de maneras igualmente factibles en las que ambos dados pueden caer También. Así la probabilidad pedida es (4X3) (52)(51) I 2 1. Si Rl .P(At) P(Az\ 1 r /t\/t\ rr Por üanto. Sea A I: suceso "4 en el primer lanzamiento" y : suceso "4 en el segundo lanzamiento". lanzamiento) = | . por (1Ol V QI ) = 6'u-\ui\u/ * = * Método 2.suceso "roja en la primera extracción". 4 Az 1. Los sucesos A t I Az no son mutuamente excluyentes.P(A')P(A'2| = '! -(8X*) = *" Método 3. A3 "azul en la tercera extracción". Requerimos P(Rl ñ 82 n A!\. Se extraen tres bolas sucesivamente de la caja del Problema 1. P(A'tuA) = P(A) + P(A) . 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.A2 ocurra pero : no At : 5 5 número de maneras en las que tanto A 1 como .Rr ) p(82 lnr )p(A3 In.20. : 6. 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". (b) no se remplazan.16. número de maneras en las que A 1 ocurra pero no Az nf¡mero de maneras en las que . llallar la probabilidad de que se extraigan en el orden roja.P(ningún 4) : 1 -P(no 4 en 1er. P(al menos un 4) Entonces P(al menos un 4) P (ningún 4) = 1 : 1 .cAP.

(b) ambas sean negras. 1 : Ar ó A2 ocurraes- 5 +5+ 1 L. I|2 : süc€so "bola blanca del segundo talego". otro contiene 3 bolas blancas y 5 bolas negras.) .2/ 5 z TEOREMA DE BAYES L25.24 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). 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. fcAP.20 CONJUNTOS Y PROBABILIDAD Luego el número de manera¡ en l¡as cuales por lo menos uno de los sucesos 11. Así la probabilidad de sacar una bola roja P(Rt - P(nP@ Il+P\II\P(RIII¡ = /t\/ I \ /r\/ z (.23) Ay A2. (d) P(BtnBil:P(Br )P(B2lBt):P(Br )P(B) = lt!")/-=) + 5/ = I 4 \4 + 2/ \3 P(B'tñnb:pelp@. Si el suceso .)("+-ri-r:ri ---r:\ \2/\2+8/ \-/\-. Un talego contiene 4 bolas blancas y 2 bolas negras. SeaB¡ : suceso "bola blanca del primer talego". At : I. hallar la probabilidad de que (¿) ambas sean blancas.23 con A: R.24.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. j Dor tanto ". Supóngase en el Problema 7.. Si se obtiene cara se saca una bola de la caja.26.O*' P(A\'Aki \ P1A¡ A¡ = P(A) P(A I Ak) P\Ak^A) = --PÁt ) P(A¡l P(A' Akl 1. An tenemos por el Teorema P(A) = P(AI)P(A Ar) + ' " + P(A. si se obtiene sello se saca una bola de la caja /I. Puesto que una bola roja puede resultar al escoger cualquiera de las cajas podemos em.I. página t.4 debe resultar en uno de los dos sucesos mutuamente excluyentes At. Hallar Ia probabilidad de sacar una bola roja. Demostrar el Teorema 1-23. Por tanto P(.. plear los resultados del Problema 1.. Demostrar el teorema de Bayes (Teorema L-24.píryina9). Az: II.. Extensiones para valores mayores de n se obtienen fácilmente..22. La contiene 3 bolas rojas y 2 azules en tanto que la caja II contiene 2 bolas rojas y 8 azules.23. pero revela que se sacó una bola . página 8. Axioma 3 empleando (I8). Se lanza una moneda honrada. Si se extrae una bola de cada talego. Puesto queA resulta en uno de lossucesos mutuamenüe excluyentes 1-22 (Problema 1. Asípor P(A) = P(AIA)+P(A^AI') = P(A) P(A i A) + P(42\ P(A I A2) 8. 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.\P(A:A. . Demostramos el teorema para el c¡¡so n : 2.41 U Az): 11/36.

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

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 . Obsérvese que cuando | = tr.8. El primer número puede ser cualquiera entre 9 y los tres restantes pueden elegirse de gPa formas.. La segunda puede ser cualquiera entre 9 (no puede ser la que ocupó el primer puesto). Cuando esto se haya hechó hay 4 maneras de llenar la segunda posición. (b) uPo.. 7 : 4586 sonlos númerosque puedenforma¡se. Así pues.336 (b) Pq = 6. Halla¡elvalorde (a) . La segunda. hay 9 formas para ocupar el segundo puesto.2. nPr. 120 Elnhmerodeordenacionesdenobjetosdiferentesenunafilaes=n(n-l)(n-2\.31. es decir hay cinco maneras de llenar la primera posición.. . por tlnto: El número de ordenacionesde lag 5 bolasen una filaes En general. L = b! =.6 . cuando esto está hecho. Entonces I ' 10 ' 10 ' l0 : 9000 son los números que pueden formarse.9si(c)los números pueden repetirse. ¿De cuántas formas pueden sentarse? Los hombrcs pueden sentarse de 5P5 formas y las mujeres de 4Pa formas..2. Se quieren sentar 5 hombres puede asociarse con cada ordenación de las mujeres. 2. puestos). tercera y cuarüa pueden ser cualquiera de las 10. = 5. (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).30. . (o) La primera puede ser cualquiera entre g (el 0 no).Pr.. (n .1 = 6 1.7: 4536son los númerosque pueden formarse. (¿) aP¡ = 8. l. 1.T = - 5040 El número de ordenaciones de n objetos diferentes tomados de r en r ea n = n(n 1) . y finalmente sólo 1 manera de llena¡ la última poeición. ¿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.22 CONJUNTOS Y PROBABILIDAD [cA?.3 = 860 (c) .32. Entonces 9' sPs : I . ¿Cuántosnúmerosdecuatrocifraspuedenformarseconlosl0dÍgitos0. (d) rPr.1.29.. Luego hay 3 maneras de llena¡ la tercera posición.7.28. S para ocupar el tercero y 7 para ocuparel cuarto.8. 1. 4. g. 3.1 =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.oPo = 514! = (lZO)\24) 2gg0 1.r * l) Esto se conoce como el número de permutaciones de n objetos diferentes tomados de r en r y se denota por P.4... 8. = r¡ ! como en el Problem a 1. Cada ordenación de los hombres Elnúmerodeordenacionespedidoes = "Pr. . y 4 mujeres en una fila de modo que las mujeres ocupen los sitios pares. Otro métod<¡. = e 15 (d) ¡P¡ = 3. puestos).3. persona!¡ tomadasde 4en 4es = tC. I . 9 .rP. (b) si los números no pueden rcpetirse. (c) tsPt.5. á maneras de llenar la cuarta posición. Por tanto: El número de ordenacionesde 10 En general. 1 Debemos ordena¡ 5 bolas en 5 posiciones así -. La primera posición puede ocuparse por cualquiera de las cinco bolas.

que lo pueden hacer de 5! formas. COMBINACIONES 1. 6! = Considérense las dos personas que no han de ir juntas como una sola. Entoncesel número de ordenacionespedido será = 9l a! - 8 709 120 1. .. ePz:9 .9 ! formas. es decir. rt. . n2 son iguales. Entonces el número de ordenaciones pedido será = 4't. el número de ordenaciones de 6 person¿N sentadas alrededor de una mesa con 2 determinadas de ellas sentadas juntases de 5! 2! :24O. 1l CONJUNTOS Y PROBABILIDAD La primera cifra puede elegirse entre g. de modo que dos de ellas no estén sentadas juntas es 720 . n#l* 1. 1 n"+ . . Cuatro libros distintos de matemáticas. En todos estos casos los libros de matemáticas están juntos. 23 (c) ' 8'7 : 5O4 Otro método.cAP.34.24O: 480 formas. son iguales.. la segunda entre 8 y la tercera entre ?. (b) solamente ios libros de matemátitas deben estar juntos? (o) Los libros de matemáticas pueden ordenarse entre ellos de aPa: 4! formas. Entonces ' 7 : 504 será el nfrmero pedido. ¿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.34estoes ¡ft - 10'f''8' . ¿De cuántas formas pueden sentarse 7 personas alrededor de una (c) (b) mesa. n¡ En general el número de ordenaciones diferentes de n objetos de los eue ?r¡ Soriguales* donde. ll0. . loslibrosdequímicade2P2:2! formasylostresgruposde3P3:3! formas.36. 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. El primer dígito puede elegirse de 9 maneras y los dos siguientes de gP2 formas. si (o) pueden sentarse de cualquier forma. se tiene el número total de formas en que 6 personas pueden sentarse alrededor de una mesa. Entonces las 6 restantes pueden sentarse de ?20 formas. Se ordenan en una fila 5 bolas rojas. I 1. .PorelProblemal. Multiplicando N por el número de ordenaciones (o ) de las 5 bolas rojas entre sí. 10 ! EntonceslSl 2: 3l)N = t0! y N - 101/(5! 2t Bl). g. Entonces. mediante (o). + tt¡ = n.35. seis diferentes de física y dos diferentes de química se. multiplicando N por 5! 2l 3!) se obtiene el número de ordenaciones de 10 bolas si todas ellas fuesen distintas. (b) si dos personas determinadas no deben estar una al lado de la otra? Considérese una de ellas sentada en cualquier parte. Entonces se tienen 9 libros que pueden ordenarse de 9P9 . colocan en un eslante. que es el total de car¡os que se dan en la ordenación de 7 personas en un círculo. los libros de física de 5p5 :6! formas. Pero los libros de matemáticas pueden ordenarse entre ellos de aPa:4! formas. Así pues. 6l 2l3! - 207 360 (b) Considerar los cuatro libros de matemáticas como un solo libro. Entonces 9 son los números que pueden formarse. ¿De cuántas formas distintas es posibliordena¡los si (c) loslibrosde cada asignatura deben estar todos juntos. Entonces hay 6 personas para sentarse en círculo. (b) de las 2 bolas blancas entre sí y (c) de las 3 bolas azules entte sí (es decir.33. Pero las dos personas consideradas como una sola pueden ordenarse entre sí de 2! formas.

6 uCt=oC1 =6' 5ú ff (c) +Ca es el número de grupos de 4 objetos que se pueden formar con 4 objetoa.24 CONJUNTOS Y PROBABILIDAD lcAP. 2 matemáticos de un total de 5 pueden elegirse de sCz formas. escarola. 5.. 1.1 = o'' --ll (b) oCs = 6 ! = 6. es:25 - 1 : 31 Puedeseleccionarseldelassverduras..CL-l tC2+5Ca+ sC4+ scs : 5 *10+ 10* 6* 1 : 31 .37.6.. lo que es evidentemente 1. 2 físicos restantes de un total de 6 puedtn elegirse de eCz formas. ¿De cuántas formas puede formarse.ur . En general el número de grupos distintos de r objetos que 8e pueden formar con. (c\ eC+ 7. como si se escoge o como si se rechaza. no teniendo en cuenta el orden de los objetos dentro del grupo. Por tanto El número de ensaladas Otro método. 15 = 150 (c) 2 matemáticoe de un total de 3 pueden elegirse de sCz formas.4O.4 = l4. beno y achicoria? Cada verdura puede tratarse de 2 formas. Nfimero total de selecciones posibles = sCz' zCs = l0'35 = 350 (b). (c) dos matemáticos determinados no pueden estar en el comité? (a) 2 matemáticos de un total de 5 pueden elegirse de sCz formas. _ e! _ \s/-sws-BJ]T- e. b! ?. Número toüal de selecciones posibles = sCz. 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. 3 físicos de un total de 7 dan 7C3 formas. (b) un físico determinado debe pertenecer al comité.8.. Entonces tC+:I. 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). n.rl nP' 1. Número total de selecciones posibles = tCz'tCs = 3'35 = 105 L. ae llamanúmerodecorñbinacionesdelosnobjetostomadosderenrysedenotapor. ¿De cuántas formas puede elegirse una comisión de 5 personas de entre 9 personas? /g) = ^c. = #h = I si se define Nótese que formalmente aCa 0! = l.6.2delasSverduras.39.. 3 físicos de un total de 7 pueden elegirse de zCs formas.Olf/Vvienedadopor ^ n"r nl /"\ \r / .SdelasSverduras. Pero las 2s forma¡ incluyen el ca¡o de no seleccionar ninguna verdura.2 = 6.5 71 ^ (ol .5. endibia.5. se forma un corúité de 2 matemáticos y 3 físicos.b = 126 1.Entonceselnúmerorequerido de ensaladas es -. si (c) puede pertenecer a él cualquier matemático y físico.4!B! = 7. Hallar el valor de (a) zCq (b) aCs.C. oCz = 10 .objetos dados.38. ¿Cuánt¿s ensaladas pueden preparañ¡e con lechuga.6. el número de formas de considerar lias cinco verduras es 25 formas. De un total de 5 matemáticos y 7 físicos.rl(n-rll n(n-11"'(n-r+1) r! . 4.

1r .. Si escribimos lo¡ coeficientes de la expaneión binomial de (c * U)" púa n :0.1). Halla¡ el término constan6 en h exDansión de 1r.z..r e =4e6 .r)l (n-r)(n-L)l * r(¿-1)! r! (n .r)'! r! (n .1¡¡ 1" .!2 = 0. 1. .tFV=fr . .43.' \"/ ü/ \ El término conetante corresponde a aquel para el cual 3& .y por tanto eetá dado por /12\ _ \n/= 12. obtenemoa Ia distribución conocida como el trióngulo de Poscal: n=l n=2 n=3 n:4 n=5 n=6 et¿. Aeí10:4I6. 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..r)l (¿-l)! (¿-1)! . Con 7 consonanps y 5-vogaJes diferentes.= xau /rz)'.42.. ee decir k = 4. 4.Cs+ -. ee 1. 1b:10 * 6. ! = 2r-1. de 1. \ r / \r-1l' (n-r*r)(n-1)! r! (n .*-. n0r+ ncz+. .1l CONJUNTOS Y PROBABILIDAD 26 nCn Engeneral.eüc. Entonces: El nhmero de palabrae y las ? letra¡resultantee (4 q 7C1 ' óCa ' ?! : 35 .11)"-.B.11.*. lss 3 vocsles de s0g formac consonantes. 'xl (**!\" = r-:o (1?). Demostrar q"" Tenemos que 11) \r/ = l" ."¡ /¿-r\ /"-r\ \ " )-\"-t) El resultado tiene la siguiente aplicación interesante. 2.t) + f" .cAP.+!\". 10 ' 6040 : 1 ?64 000 COEFICIENTES BINOMIALES 1. 3 vocales) pueden ordena¡¡e entre sf de zPz : ?! forma¡. r0. ¡raracualquier enteropositivo n. De acuerdo al teorema del binomio *'\. ¿cuántas palabras pueden formarse. que consten 4 consonantes y 3 vocales? No es necesario que las patabras tengan significado. La¡ 4 coneonantes pueáen elegirse (!e lC+ formas.41. $ \k /' 3 \& /'.

=t-# =# = !9lff9 = *g (f) P(ertraer l¡¡ bola¡ en o¡den rojo. t'bol. . reinq rey en cualqui. 10. Eotoo"".* "O de cada color) = Ot¡o método. (b) las 3 bolas sean blancas. 3 blancas y 9 azules. roja en L¡ te¡cer¡ ettracciónt'.ocro de ¡rupoe de 3 bola¡ entre 20 =-=-zocs (d) P(ningu¡ablanca) = (¡CzX¡Cr) 7 96 #= ff.B Probabiüdadp€did¡: (D) Empleando el re¡undo método i¡dicado en la parte (o). 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 .26 CONruNTOS Y PROBABILTDAD [cAP. P(almenol blance) (¿) P(tdecadacolor. (c) 2 sean rojas y 1 blanca./e\/ z\/o\ \20l\i0l\18/ Método 2. (f) al menos 1 as. Una cqia contiene 8 bolas rojas. rerpectivarnente. 14 Za. (o) Método 1. @) pedc) = (b') W# = # = u¡fuo P(4eroylrey) = ry . P(8rnP2nBJ = P(Fr) P(^R2 | A1) P(¿s l.B1nR2) .Rt n . Rc lol auceecr "bola roja en la primera erhaccióntt.45. A¡f ..a roja en la aegunda extracción". =g=i| zocs t9. (cl P(2 bolar rojar y 1 blanca) = (gupoc de 2 entre 8 bol¡¡ rojar)(grupoo de 1 entre 3 bola¡ blancas) afir. (c) 3 dieces y 2 jotas. 1 PROBABILIDAD T. determinar la probabüdad de que (c) las 3 bolas sean rojas. Bz. De e¡ta mar¡era tenemo¡ Sean i¡. (d) al menos 1 eea blanca.er orden. Si se extraen 3 bolas aleatoriamente sin renplazamiento. azul. (f) las bolas sean extraídas en el orden rojo. (d) un 9.44. blanco. (li) 4 ases y un rey.= 1140 = zous j_ 296 P(3 bolú blurcas) ' Tambión puede utilizarre el priraer m6todo indic¡do en la parta (o). ezut) . blanco. Se extraen 6 cartas de r¡na barqia de 62 cartas. Halla¡ la probabilidad de extraet (a) 4 ases. (e) 3 de un palo y 2 de otro. jota.[l2 ñ R3 reprerenta el guceso "la¡ 3 "bola bola¡ exhafda¡ con rojEr".TTEIZA}TDO ANALISIS COMBINATORIO 1. (e) se extraiga una de cada color.

á á *. rey) x4crx4crxrcr) (rcr) szCs 64 162 496 (e) P(3 de un palo.por elmiamorazonamientoanüeriorlaprobabiüdaddeobtener r vece¡A en n enaayos independientes ea \n/ 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. Halla¡ la probabiüdad determinados de matemáticas estén juntos.ó En generd.. un dado honrado. Detenninar la probabilidad de tres seises en 5 lanzamientos de Represéntense los lanzamiento¡ del dado por cinco eepacioe no 6 (6').4?. reina. n7 .p"en-' = (n\o'o'-' sip: P(A) y q:1--p:P(A'\. L¿ probabilidad pedida está dada por 8!3! 10! - 1 15 APROXIMACION DE STIRLING A z! 1.\o/ \o/ para todc lo¡ oEo¡ resultado¡ en los cuale¡ ocuren hec 6 y dos no 6./r\3/s\2 = =*é)t1l)'= = I 't 'v. eractamenüe 66.á. = .66. Arf tenemo¡ un üotd de 8 libroe que pueden orden¡¡se enhe ¡f dc 6Ps = 8 ! formas.cAP. Un estante tiene 6 übros de matemáticas y 4 de física. Cada eopacio tendr6 lo¡ ¡uce¡oc 6 o 6.* = (il'eu)' : 10 de ertor nrceeor y pueeto que suponemoe que lor ¡uoesos ron independientee. Asf logN = los(/lofi¡o5o¿-50) 1f = i los100 I |losr * 60 log60 - 50 log¿ . Por tanto aot-t/ffi5oso¿-so:N Para evalua¡ N uüilizamoe logaritmoe de ba¡e 10. Análogamente '" . Supongamos que lo¡ 3 libro¡ determin¡do¡ de m¡temática¡ ee remplazan por 1. Por ejemplo. jota.\6/ \o/ BITT\6i \6i 8888 nc.n"¿-¡.46. de que S libros . Los libros pueden ordenar¡e éntre ef de roPro = 10! formar. (/) P(ningrn *) = # = m./L\'/qY .6ó. etc. diez.66. u (c) (d) P(3 diece¡ y 2 jot¡¡) CONruNTOS Y PROBABILIDAD QCslQCzl 1 szcs 108 290 (4cr P(nueve. LuegoP(al menoa un ar) 1.4E. Hallar el valor de 50! Para n muy grande. Pero hay rCa son mutua¡nente ercluyentes. puesto que hay 4 form¡¡ de eecoger el primer palo y 3 foim¡s de ercoger el regundo. Por tanto la probabilidad pedida e¡ p(666. 2 de otro) = q#@ = ffi = t -.p(6)p(6') .{fi. Pero a su vez io¡ 3 libro¡ de matemótica¡ pueden cden¡r¡e enhe ¡f de 3P3 = 3 ! form¡¡.lf{| = 'ffi.

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. 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. (o ) La probabilidad de obtener 7 en un sólo lanzamiento de una pareja de dados.^.:.íll 36 (d) P(B gane al menos una partida) : 1 .':.04 x 100r. 1-17. Denótese por A B t. Probabiüdad = {¿)(f )($). lanzamiento.4836 N= 3.4343) = 64.50 A y B juegan lanzando alternativamente un par de dados.. luego A o B gane. supuestamente honradoe. A 3 los sucesos " A gana" la 1. t. 1 = ¿los100 | ¡lor3142 + 11 = i(zl * de donde 50 1og50 - 50 log2?18 . 2a. (ó) quien lanza segundo los dados gane. -/¿\/a\1¿\ = le ^ \3/\3/\3/ 27 1. (c) A y B ganen altemativamenie.i :.4972) + 50(1. (b) dos partidas terminen en tablas. Quien obtenga primero un total de 7 q^? el juego.P(B'roBj¡B'r) L .) suponiendo que los resultados de cada partida son independientes de los resultados de la¡ ohas.. luego A. Probabiüdad : 1 /6."u j /t\/r\/t\ * /r\/r \/r\ = \r/\5/\r/ \¡i \zi \¡i 5 .z. es 1/6 como se determinó en el Problema 1. un nfimero que tiene 6b dígitos. luego B. luego gana A. Acuerdan jugar un torneo consistente en 3 partidas. B gana 4 y 2 tnrmrnan en tablas. 1á¡ n gane al menos una partida. y 3a.:'.de2tablasenBpartidases(réase Problema 1. 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) = (. partida respectivamenüe. I|3 los sucesos "B gana" la 1a. . \a) = n /r\2/<\ (c) P(A y B ganen alternaüvamente) : P(A gane. partida respectivamente.P(B no gane ninguna partida) t .6990) - 50(0.) .46) 5 /s\ " \í)o'n'-' = t(. y 3a.49. luego B) == ". Az. (Esta suposición no sería justificable si un jugador fuera influenciad.. 2a.'J?fi '.Asílaprobabilidad.10.. lanzamiento.:. lallar la probabilidad de que (o) quien lanza primero los dados gane. PROBLEMAS DIVERSOS 1.P(B') P(B.. luego pierde B.28 11 CONJUNTOS Y PROBABILIDAD lcAP. A pierde en el ler. Bz.. A y B juegan 12 partidas de ajedrez de las cuales A gana 6.'. Hallar la piobabiüdad de que (o) A gane las tres partidas.) P@.Xt(.18 y Fig.

/s\/¡\/o\/s\/r\ * \6/-\6i \6/\u/ \6i \6/\Bi \u/\6i 1l-.9) = 032 (ó) P(ningunoviva) = P(H'nW') = P(H'\P(W') = (0. Entonces y lI/ son sucesos independientes. Suponemos que . lo cual puede ser o no razonable. P(H): (o) P(ambosüvan) = P(H1W) = P(H)P(W) : (0. P(W) : 0. estén vivos en 20 años. Se extraen dos bolas sucesivamente de la caja sin remplazamiento y se observa. Una caja contiene 5 bolas rojas y 4 blancas. que la segunda es blanca.*/q\'*/q)'* \o/\e/t_' \o/'. l|/ los sucesos que el esposo 0. (b) ninguno viva.53.tJ es cero ya Así iríamos 6 a 5 a que el primero que liance gana.151 y 1.8. De 12 000 tornillos. Este resultado se obtiene así Si P(BJB)='+#=elwq=* Método 2. Nótese que la probabiüdad de un empate que 11 ' 6-5 11 1 Esto no serfa verdadero si el juego fuera limitado.9 respectivamente.8 y 0. respectivamente.cAP. 1.\6/ =5136=5 1 .51. Hallar la probabilidad de que de 600 tornillos seleccionados aleatoriamente 12 sean defectuosos.1) = 0. pierde A. ¿Cuál es la probabilidad de que la primera también sea blanca? Método 1. Las probabilidades de que un esposo y una esposa estén vivos dentro de 20 años están dadas por 0. el 3'/o 6 360 son defectuosos y 11 640 no lo son.' \6/\6/\6/\6/ * = /q\/r\T.(5/6)2 11 . lanzamiento. gana A. de tal manera que la probabilidad es 3/8.F/ y la esposa. "blanca en la segunda extracción". Así la probabilidad de que g.2)(0. pierde B.02 .9. (c) al menos uno viva. Hallar la probabilidad de que en 20 años (a) ambos vivan./l)/q)lq\It\ \6/\6.52. Sean ÁI. Bl. Una rnáquina produce un total deL2 000 tomillos diarios de los cuales en promedio elSVo son defectuosos. Puesto que se sabe que la segunda bola es blanca solamente hay 3 formas de las restantes 8 para que la primera sea blanca. estamos buscando P(Br lB2). respectivamente. 1. : 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) . Véanse Problemas 1.8)(0. 1l CONJUNTOS Y PROBABILIDAD 29 (3) A pierde en el ler. pierde B. I|2 son los suceoos "blanca en la primera extracción". Así Probabiüdad pedida = -H*-P 1.152. gane es /t\ /s\/s\/r\ . Prqbabilidad = (áX8X8X8X+).

\ri )\" " ' " + (-r)^-'l'\l+) = r-fr+i-"'+1-t¡"-'I cz \z/!t!/ Del cálculo sabemoe que (véare Apéndice A) = lf ¡*#.. .#. 'á P(4 ñ A¡ ñ que tienen ) = "r"términos el valor dado por (4)."uAn) = )r(¿*) -)e6'tnl'r) "' * (-t¡"-t P(At^A2¡ " n. lo¡ sucelo¡ primera..4¡ U AzU'.sobre "nto"o' *to '' de los rectantes n- 1 sobres estará (4) p(AtnAzr1A¡) = p(Á.54.1/ =. U A.vAn¡ 1\ t.1) .etc. aefqueparar:-l e-./\ .i/ .. Por tanto la probabilidad pedida es p(ApAzu-.ñA2t : p(At\p(A2lAt\ = (*)("=) aProPi"ao ü.) "1 ó 1.. ='-('-+r.-.../\. -r/\n-2/ (+) = + \..f'.1/ nl (5) Entonces en la suma > Análogamente en E p(A.r) .) p\AztAttp(A.98 1. Por üanto.79) tenemo¡ (1) donde E P(A¡) + )P(AinAinAk) P(áruAru.xt"1B"""ntJfi::::i*il'ff. El resultado ee a¡ombroso ya que la probabilidad permanececasi constante para n ) 10. riamente. página 7. 1 (c) P(al menoc und üYa): 1 -P(ninguno viva): 1 .\ /"\/t\/ I = (l)(t)-l:)/l)l \. 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.(+ll-+ll=+) \. E P(A¡ ñ Ar) es la suma de probabilidadesdeA¡ñA¡conjyhdeedelhastanyh)j. A partir de la generalización de los resultados (10\ y (1 l)..i \.U An y deeeamos hallar P(A¡ U A2V.6321.". (véase Problema 1. n-ésima carta ¡e encuentra en el gobre correcto.A. Tbmbién (E) p(A..02 = 0. .. Hallar la probabilidad de que al menos una de las cartas llegue a la destinación aproDenótensepor A¡.i1-:.lAtnAr) y así aucesivamente.nA2n.0.nA) = ''-n' P(A¡ñ A¡ ) hay (....) Ap) hay ( (+)l=+) \lr/\tt . ..u) las es la ¡uma de las probabilidades de A¡ desde t hasta n.=t \/ ...ri.42.).Tenemosporejemplolosiguiente: (z) P(A)=+ yanálogamente PlAr¡=L ya que de lo¡ n sobres rolamente 1 tendrá la dirección apropiada. Una secretaria ineficiente coloca ncartasdiferentes en n sobres con destinos diferentes aleatopiada.\t/\.. cegunda.* r-e-l I : 0.C2 términos que tienen el valor dado por (3). . 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. Entonce¡ el ¡uceso al menos una carta en el sobre conecto es. finalmenrte .30 CONJUNTOS Y PROBABILIDAD [cAP.

Determinar cuántas personas se necesitan en el Problema 1.(. 12+22 i-. Sea A eI conjunto de los números natwales entre 5 y 15 que son pares.. Denotando la probabiüdad dada por p y tomando logaritmos naturales hallamos (r) @\ (3) lnp tnp =t"(r-#) -r'"(. fótmula 7) que -r) -= --c - T- 3 así que (I ) puede escribirse como = ft+z+ : 2. Por tanto tenemos es (365 - P(n cumpleaños diferentes) = #* # ffi = \'- ' 365 :-l! + 1 1\/'.165/\'.2 -r¿-506 = 0 = 0. Halla¡ Ia probabilidad de que n personas (n < 365) seleccionadas aleatoriamente tengan n días de cumpleaños diferentes."' . Por tanto tenemos n.55. La primera de las n personar¡ tiene lógicamente algún cumpleaños con probabilidad 365/365 : 1.1\:{. suposiciones que no se cumplen genetalmente en la realidad.ln p r¿(rr : - -- 1) ?30 . 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. Describir A de acuerdo al (o) método de extensión. 1.' (Apéndice A' fórmulas 1 y 2) (Ir\ I+2+ "'*(n-1) = @. SeaA = {r r2-3r*2=0}.56.. Suponemos que solamente hay 365 días en el año y que todos loe días de cumpleaños son igualmente probables.-4\ . . asf que una buena aproximación en este Pa¡a (7) p : L12.n(r-l) i30 para n pequeño comparado con 365. 3. Enipleando los hechos de que para n .r)(Zn -r) 6 obtenemos para (3) (5) *::":: 16) rnp = -!!+ñ! .693 6 ln 2 = 6 (n .0.s supletnentarios CONJUNTOS 1. por ejemplo n ( 30. Análoga' mente la probabilidad de que l¿ üerce¡a persona üenga un cumpleaños diferente de las dos primetas es 863/365.693.z\. Problema.-*(n-1)2 - n(n .DeterminarsiACB o no.55 para que la probabiüdad cumpleaños distintos sea menor que U2.. Finalmente.).865 ) de 1. el segundo término y los términos superiores a la ae 1S¡ son dlespreciables comparados con el primer término. la probabilidad de que la n-ésima persona tenga un cumpl'e¡ñoe diferent¿ de las otras n * 1)/365..67. (b) método de comprensión..58. 1l CONJUNTOS Y PROBABILIDAD 31 1. "'+rn(t-#) ln(1 Pero sabemos de cálculo (Apéndice A. debe ocurrir en uno de los otros 364 dlas.. .l.^" --!.-k)." . tnp = .23)(n'l 22) = g asf que n : 23.865)"'\'. si Ia segünda persona tiene un cumpleaños diferente. Así la probabilidad de que la segunda persona tenga un cumpleaños diferente de la primera es 364/365. Entonces. D = {t I 12<16).cAP.

de loe siguientes experimentos aleatorios: (o) 3 lanzamientos de 1. entonce¿A = B. (d') A-8. ei ¿[e como I Sea ci éeeI' o cl¿se de todos loe conjunüoc que no 8on elementos de eUos mi¡mo¡.32 CONJUNTOS Y PROBABILIDAD Demoeürar que para cualquier conjunto [cAP. (s) (AnC)' u B. (c) lanzar un¡ moneda hasta que aparezc¿ un sello.p6gina 3.62.4 u (BnC\ (c) A' n (BuC)' (rt) A . 1. Seaununiver¡o 'Ll:{L.?f . (e\ B-A. (ñ) A . - . página 3. 1. Tborema 1-120.2.B'? Ju¡tificar l¡ ¡olución. 15¡(6.60. B. 0 @uB) . entoncq cJeeJ.uC'). =y..3. 1. (c) A'uB. oPEBACIONES E¡ITBE CON.31.?0.66. formule en palabras el (a't A'. ESPACIOS MUESTBALES Y SUCESOS L.ñ(B.69' 1.} ! B = {rlreounnfimeroprimo. C = {4.o de llamadas recibida¡ en une ce¡ttrat telefónica. B. DIAGBAMAS DE VENN y TEOREMAS SOBBE CONJUNTOS 1. (ü) Teorema l-8. Un erperimento consiste en el lanzamiento de una moneda y un dado. (ü) B'.66.5. Sea'tl el conjunto de todos loi enteros no negativos y conaidérenee loe nrbconjuntoc A = {xl¡e¡unente¡ope¡.73. (Véase Problema 1. Generaliza¡ el recultado del Problema 1. Demo¡harque . (e) A-8.).68. (e) A.2}. página (o) Eemortrar la segunda ley De Morgan. A)8. (bl AnB.9. 1. (e) el número de partícular nucleare¡ que enhan a un contador Geiger. Emplear un diagrama de Venn para dibujar ceda uno de loo conjuntoo eiguientec: (¿) A n (Bucl (ü) .68.?). De¡cribir un espacio muestral para cada uno una moneda. x>y O i Demostra¡ que cualquier aubconjunto del conjunto vacfo debe ser el conjunto vacfo. signifrcadodecadaunadelasoperacionessiguienüee: (f) B A.t B = IA-(AnB)] u ÍB-UnB)l 1. Ilustrar el principio de dudidad haciendo referencie a losteoremas de la pfuina 3. (c) A)8. (d) AnB'. 1.1. (o) Demostrar que (b) Demoetrar que ri p-f Ge[.(AuC). Generdiza¡ las primen y eegunda leyec De Morgan a cualquier número de conjuntos. 1. I-a paradoja descrita se conoce Rusell. (b) (AuB)uC.6?.6 A: falredad de las propoeiciones siguientce. (d\ (AnBlu(AnC). Afirmar -B = @. ¿EE (A - B)' : A' . (c) A'nB'. 1. (c) Teorema 1-4. (d) el númer. L.5}.61. (fllanzat una moneda y un dado.4.(B. página B.5\ yrupóngarequeloerubconjuntoede'll son A:{1.72. (Ó) el nhmero de fum¡dore.76. A tenemo¡ A C A. en un grupo de 600 hombre¡.0(¡=4) Encontra¡ (a) AvB. EXPEBTMENTOS ALEATOBIOS. (fl (A-B) u (B-A). Demo¡trarque (á -A)UA =á ¡ólo srBC A e ilugtrarlo utilizando un diagramade Venn. 1. (c) Añ(BuC).Encontrar (a) Av(BuCl.64.7 o negar: Si A u (Ar\B) eilusha¡loporundiagramadeVenn.ruNTOS. B={2.nC.76.A r. E¡tudiar la verdad o entonces A CB. 1. . 1. y (D) ilustra¡la utilizando un diagrama de Venn. 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.69.(BnC) (e) A' - (BuC)' 1. (o) Si A y B eon dos conjunüos cuáleequiena. 1 1. (ó) Sir yy son do¡ númeroereales sr¡alesquierq entonces x1y. Demostra¡el (a) Teorema l-2.

jota de tréboles o reina de diamantes al extraer una sola carta de una baraja común de 52 ca¡tas.tA'r).42 el suceso "rey en la segunda extracción". (c) una sea roja y la otra azul.. (b) ambas sean rojas.t1. 7. (b) La suma 8 agatezca en un solo lanzamiento de un par de dados honrados. (b\ p(AluA2\.demostrarque pendientes.85.89.87. Demostrar el resultado (1 1).cAP. Resolver el Problema 1. (b ) A' es independiente de A es independiente de B demostrar que (o ) A es independiente de B . L. 12 defectuosos. blanca 1. 1. Se extraen dos bolas sucesivamente de la caja del Problema 1.7t. o un estimador de ella. 1. Demostrar que si P(A ) >P(B ) entonces P(A I B) Si > P(. Hallar la probabilidad de que sea (c) naranja o roja. Hallar la probabilidad de que si dos bolas se extraen aleatoriamenremplazamiento) (o) ambas sean azules. p6gina Generalizar los resultados (I0 ) 30.90.4 ). 20 azules y l5 naranjas.91.1. son inde- . (D ) si las cartas (o) se no se remplazan.80. @) p(A'rr. (¿) roja. 1. (b)AyBñC. (c) ninguna sea naranja. o azul. Explicar el significado de cada una de las siguientes: (a\ P(AroA!r). (b) ni roja ni azul.8t. 1.P(A¡B). B'. Sea A1 el suceso "reyen la primera extracción".86. . y así demostrar eI resultado (l ) del Problema 7. (¡) solamente una sea roja. cartzs 1. as. 1. (h) máximo una sea roja.54. 1. pfuina Demostrar que P(A'uB') = 1 . y (I I ). (e) la segunda no sea azul. (¿) p(A1^A'2ñA\). (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. Completar la demostración en el Problema 1. (c) AyBUC. Halla¡ la probabilidad de que (a) ambas sean blancas.14(b) demostrando (sin emplear el diagrama de Venn) que AUB = AOIB-(AOB)I donde A y B .(A ñ B) son mutuamente excluyentes.página 8. (e) Al menos aparezca una cara en tres lanzamientos de una moneda honrada. 30 blancas. PBOBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES f . (i) la primera sea blanca pero la segunda no.t4. Csonsucesosindependientes. 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). Determinar la probabilidad p. 1. Se exürae una bola aleatoriamente de un caja que contiene 10 bolas rojas. SiA. .83.92.77.84 si no hay remplazamiento después de cada extracción. pfuina ?. para cada uno de Ios sucesos siguientes: (c) La aparición de un rey. (d) sean rojas o blancas o de ambos colores (roja y blanca). (e) pl(A1nAr) u (A"nAr)]. remplazando la bola extraída después de cada extracción. (c) no azul.?9.83.82. 1. (g) al menos una sea azul. B. 1. Hallar la probabilidad de extraer 3 ases aleatoriamente de una ba¡aja de 62 remplazan. (b) la primera sea roja ylasegunda sea blanca. ll CONJUNTOS Y PROBABILIDAD 33 TEOREMAS SOBRE PROBABTLIDAD 1. y A3 el suceso "rey en la tercera extracción". (c)A y B-C. Un experimento consiste en la sucesiva extracción de tres cartas de una baraja. satisface los axiomas de probabilidad en la página 6 y por tanto todos los teoremas sobre probabilidad. üe (sin Una caja contidne 2 bolas rojas y 3 azules.8 I . (d) blanca. CALCULO DE PROBABILTDADES 1.

ANALTSIS COMBINATORIO. ¿De cuántas forma¡ pueden ordena¡se 7 libros en un eEtanüe ei (a) er posible cualquier ordenación. Luego ee extrae una bola de la segunda caja.104. Hallar el valor de (a) rC3.34 CONJUNTOS Y PROBABILIDAD Sea lcAP.98. (c) 2 libros deüerminados deben ocupar lo¡ exüremos? (o ) 1. .cajas reeulta azul. ¿Cuánto¡ números de cinco cifras pueden formarse con los dÍgitos L. Utiliza¡ un diagrama árbol para determin¡r la¡ diferentes poribilidades que pueden suceder. CUENTA Y DTAGNAMAI¡ ARBOL 1. (ó) zPs. Resolver el problema anterior si la8 cifreÁ de los números pueden estar repetidas.93. 3 blancas y 4 negras. Se selecciona una urna aleatoriamente la urna II. 1.96.101.4 doeee y 2 tres€s? 1. (c) cada mujer debe eetarentre dos hombres? COMBINACIONES 1.43 no son independientec.lO2. En cada compartimiento del Begundo joyero hay un reloj de plata. (¿) roC¡.¿Guál es la probabilidad de haberla exbaído de la primera caja? Ttes joyeros idénticos tienen dos compartimiento¡. Hallar la probabilidad de que sea blanca.96. ¿Cuántos números diferentes de 3 cifra¡ pueden formar¡e con 3 cuaEog. . (¿) roP¡. L. A2 = BuG€so "núme¡o impar en el segundo dado". En cada compartimiento del primer joyero hay un reloj de oro. . 1. Hallar la probabiüdad de haber escogido la urna I. (b) doe mujerer determinadas no deben centar¡e juntar. La escoge una bola aleatoriamente de la primera caja y se coloca en la s€gunda c¿ja sin ob¡ervar su color. . (D) 3 libros determinados deben estar juntos. Se TEOREMA O REGLA DE BAYES 1. Una bola extrafda aleatoriamenüe de una de las. 9 ¡i impares. En el tercer joyero eñ un compartimiento hay un reloj de oro. suceso "número impar en el primer dado".9?. 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. ¿Para qué valor de n es . á3 : "total impa¡ en ambos dados". 3. 2.99.10t. 1. .1OO. ¿cuál es la pobabilidad de que el otro compartimiento tenga un reloj de oro? 1. ¿De cuántas maneraa pueden coloca¡se l. Atl At. en tanto que en el oho hay un reloj de piata Si seleccionamos un joyero aleatoriamente. (b) las primeras dos cifras de cada número son pa¡es? lor números deben ser 1. Az.109.+tPt = nPtl. La urna I tiene 2 bola¡ blanca¡ y 3 negras. A3 lon independientes pero que 1. ¿De cuántas formas pueden 5 personas sentarse en un sofá si tiene sol¿mente tres asientos? 1. 1 1.106. ¿De cuántas formas pueden 3 hombres y I mujerec sentarse alrededor de una meea ei (o) no se impone ninguna resüricción. A ¡: auceao At. 1. y una bola ertraída aleatoriamente e¡ blanca. . y lrr urna ffl. I monedae diferentes en 2 posiciones diferentes? PERMUTACIONES 1.94. caja / contiene 3 bolasrojasy Sblancas.106. Hallarelvalor de(a) oP2. AziA2.1O?.1O3. 4 blancae y I nggra. Una caja contiene 3 bolas azules y 2 rojas mienüras que otra caja contiene 2 bola¡ azulee y 5 rojas. abrimos uno de los compartimientoa y hallamos un reloj de plaüa. Se extraen tres cartas aleaüoriamente (sin remplazarniento) de una baraja de 62 ca¡tas. Demostrar que A¡ . Se lanza una moneda tres veces. (b) ¡C¡.ent¿nüoquelacajalfcontiene4bola¡rojasy2blancas.

(b) tres 1. 3 niños y 3 niñas con 6 hombres.4 mujeres. \ r/ 1.rnda carta no sea una figura dadoque la primera eí lo es. 1. (b) la primera ca¡ta sea un aÁ pero la eegunda no. (c) al menos una carta sea un diamante. j=1 = n. ¿De cuántas formas pueden seleccionarse 4 niños y 5 niñas si (o) no determinados? 2 hombres. (e) no más que una carta sea figura (jota. \4 / 1.) = 0. (b) deben seleccionarse un hombre y una mujer 1. Se extraen dos cartas sucesivamente de una baraja de 52 eartas. Hallar el coeficiente de ¡ en lt * ¿)t. ¿Cuántos comités diferentes pueden formarse si (o) no se impone ninguna restricción. reina' rey). La¡ apuestas en favor de A de ganar un juego de ajedrez contraB son 3:2. Hallar la probabilidaddeque (o)laprimera carta no Bea un diez de tréboles o un aa. Si s€ extraen 3 tiquetes de la caja uno a uno' hallar la probabilidad de que alternativamente s€an impar. (d) las cartas no sean del mismo palo. . 1l 1... (b) /11 \ (r-a)4. 1.+ r-''i" 2/ \l )=o \o/ \r/ /"\ * /"\ I 1. (b) dos estadistas determinados deben estar en el comité. 1.t24.115.122. 3 corazones y 1 pica. (h) las cartar son frguras o picas o ambas. Demostrar que (o) É .110.2n-1.(b)almenoe dos lanzamientos de un par de dados honradoe. ¿Para qué CONruNTOS Y PROBABILIDAD valor de n s€ cumple que 35 3' n+rC¡ : 7' nCzl.f 23. (b) un palo completo.126.116../"\ ."".121. Expandir (o) (o+y)6. (d) (rz*21t. 2 héboles. (c) eC¡. (g) la seg. Halla¡ el número de (o) combinacionee y (D) permuüaciones de cuatro letras cada una quepuedenformarse con las letras de la palabra Tennessee. 1.125. +/"\ \2 / /"\ . Con 5 estadistas y 6 economistas quiere formarse un comité de 3 estadistas y 2 economistas.120. Hallarlaprobabilidaddeobtenerunasumade?puntos(o)unavez.119.114. Demostrar que (c) (b) \r¿l \o/ \r / + 1") * '.e cuántas formas puede un grupo de 10 personas dividirse en (o) dos grupos de 7 grupos de 5. (f) la seErnda carta no sea una figura. En un juego de naipee ee reparte a cada uno de loe 4 jugadores 13 cartas de una baraja de 52 cartae. Halla¡ la probabilidad de que uno de loe jugadores obtenga (o) ? diamantea.8 mujeres.C. (b) j=t (-1). t"l kCz\QC¿)/DC. COEFICIENTES BINOMTALES 1. Calcular. (c) un economista determinado no debe estar en el comité? 1.-tj(. (b) en contra de A de perder los prir4eros dos juegos? 1. impar o par' impar' par. ¿f). s€ impone ninguna restricción. lJna caja contiene 9 tiquetes numerados del 1 al 9. ¿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. 3 y 2 personas? y 3 personas. 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.113.cAP.118. par... PROBABILIDAD UTILIZANDO ANALISIS COMBINATORIO 1.( ") .111. (ó) ( ).. (c) (t-r t)s. unavez'(c)dosveces'en 1.117.

l. Una urna contiene 6 bolas rojas y 8 azules.138. Hallar la probabilidad de que ocurta 11 por primera vez en el sexto lanzamiento.reina. Un espacio muestral consiste de 3 puntos muestrales con probabilidadeg a¡ociadas dadas gor 2p.3. .36 CONruNTOS Y PROBABILIDAD lcAP. Az. hallar la probabilidad de que necesiüe 6 disparos. . Demostrar que para cualesquiera sucesos Ar.jota. PROBLEMAS DIVERSOS 1. (b) tn full que consiste en 3 cartas de un valor y 2 de otro (por ejemplo 3 diecer y 2 jotas. (c) todas las letras son diferentes pero dos letras determinadae no puden estar juntas? tes. (o) Hallar la probabilidad de obtener la suma 7 en al menos uno de tres lanzamientos de un par de dador honrados. 1 1. Hallar porcentaje de enor en la fórmula de Stirling para n : 10.136. ¡rara valores de n grandes.'. Cuatro enteros se eligen aleatoriamente entre 0 y 9 inclusive.. 1.uAn) < P(4. ¿Cuál es el menor número de lanzamientos necesarios en el hoblema 1. (b) ¿Cuántos lanzamientos se necesitan para quela probabilidad en (o) eea mayor que 0.13?. Se extraen 3 ca¡üas de una baraja de 52. Demostrar que aproximadamente 2nCn - 22"1\/ñ.133. . 1. .queconsistedediez. (b) máximo dqs sean igualee.I's probabilidad de que un tirador dé en el blanco eede 213. p2 y 4p Halla¡ el valor de p.134. A-(A nf¡: AñB'. Supóngaae que al lanzar una moneda 500 veces hay una secuenci¡ de2(lsnzanientosqueresulüan"carast'.144.l47.5. 1. .145. - L.129. ¿Puede considera¡ee la moneda cómo honrada? Expücar.143.51. 12. 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.95? 1. ¿De cuántas formas pueden selecciona¡se 30 individuos de un total de 100? 1.). 1.141. Un par de dados se lanzan repetidamente. Si diepara al blanco hastaqueledal¡primera vez. ¿Podríamos asignar probabilidadee de 1/11 a cada uno de esos puntos? Explicar. ¿Cuántas palabras pueden formaree con 5 letras si (o) lae letras son diferentes. 1. Halla¡ la probabilidad de que (o) las cartas eean de un palo.139.130. Al lanzar un par de dados la suma puede ser 2. An P(ArvA"u. +P(Á") 1.142. Se extraen cinco bolas aleatoriamente sin remplazamiento. Enunjuegodepókerhallarlaprobabiüdaddeobtener(o)unaescaleraflor. (b) 0. Obüener una aproximación al resultado del Problema 1. rey y as del mismo palo. Demosürarque siACB' entonces AnB:Q.127. 1. (D) 2 letras son idénticas.131. 1.132. 1. 1. Demostrarque 1. (b)al menos dos sean ages.140 para que la probabiüdad de obtener 11 por primera vez sea mayor que (a) 0. APROXIMACION DE STIRLING A n! 1. . (c) ca¡tas diferentes. ..96? 1.. (d) 4 ases. etc. Halla¡ la probabilídad de que (o) sean diferen1. Hallar la probabilidad de que un jugador tenga de 13 cartas g de un mismo palo. Halla¡ la probabilidad de que 3 sean rojas y 2 azules.146. 1.140.135.) + P(A)+ . 1.12E. .

8. Demostrar que la probabiüdad para que la secretaria del Problema 1. (ü) tres jugadores.cAP. CONJUNTOS Y PROBABILIDAD 37 (c) Un estanque contiene 6 compa.1ó3. una interpretáción combinatoria. 1.151.¿De cuántas maneras pueden colocarse 4 bolas idénticas en los compartimientos? (b) Resolver el problema si hay n compartimientos y r bolas.149.:). Un jugador de póker tiene las cartas 2. (c) los cuatro jugadores tengan un palo completo. "dar ¿ letras en los 1.rtimientos separados.155.151._ \r/ (1 + r¡t (1 + o¡"-t y hallar el coeficiente de ¡j en el producto).148. 1l 1.152. Este üipo de problema se presenta en física en conexión eonlaestadística Bose-Einstein.ISrí"r"ncia. (c) trer cincoe. Generaliza¡ el resultado del Problema 1. Desea descartar el 8 y remplazarla por otra carüa que espera sea un 5 (err ese caso obtendrá una "escalera").' Denoüando la probabilidad deseada comopñ (a). Este tipo de problema se presenta en física en conexión con l¡a es tad ísüca Fermi-Diroc. ¿Cuál es la probabilidad de que obtenga el 5 suponiendo que los oüro¡ tres jugadores en conjunto tienen (a) un cinco. 1. Demostrar l") . . 1. 3.)va".150.11)'-* 1i)'-l \"/ \o/ \t/ . que (Sugerencia: Consi¿s¡ar 1. (a) Un estante contiene 6 compartimientos separados. .6. Hallar la probabilidad de que en un juego de bridge (o) dos jugadores.156. 1.50 si el juego se ümita a B lanzamientos. (b) dos cincos. Resolver el Problema 1. ¿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. demostrar que p"(a) = 1 fipn-o (0) y luego emplear el resultado del Problema 1. 4.541. .154. (d) ningfrn 5? ¿Puede resolverse el problema sin saber el número de cincos que tienen los otros jugadores? Expücar. 1.t't .(i)' una interpretación combinatoria.\¡/(.54 obtenga exacüamente I ¿-c / r\k sobres correctos ". Demostrar que /"\ = ! 1t'¡¡" . u¿ fi. 1.

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

r/4 =I r/4 la función de probabilidad está dada en la Tabla 2-2. pata vrta donde obtenerse. (a) Halla¡ la función de probabilidad correepondiente a La variable aleatoria X del Ejemplo 2.) +.. 2-1.+/(r") x. o por un histogromo. Tabla 2-2 =I r f(r) 0 I r/2 . P(X < (8) La función de distribución puede F(rl = P(x=r) -.2-f Eepectro Fíg. como se indica en la Fig.2. Una gráfica de f(¡) se llama grdfica de (b ) EJEMPLO 2.1 y construir la gráfica de probabilidad.6. Fig. r.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 39 donde la suma en 2 se toma sobre los valores posibles de probabilidad.. Recíprocamente la función de probabilidad puede obtenerse de la función de dist¡ibución. lxla . Si X únicamente toma un número finito de valores lct. (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)=. En el ca¡o del hislogama podemos considerar la va¡iable aleatoria X como continua.de la función de probabilidad notando que r es cualquier número rl = F(u) real. En la FA.)f(u) (0 donde la suma a la derecha se toma para todos los valores de z para los cuales u = x.2-2 Histograma FUNCIONES DE DISTRIBUCION PARA VARIABLES ALEATORIAS DISCRETAS varidble aleatoria X se define por La función de distribución acumuhda. es decir . o simplemente la función de dístribución.1 x ( -. Íz rn entonces la función de distribución está dada por 0 f (r') f(rt\ + f(rü F(r\ = -@<fr1It rt3fr1trz rz3fi1rt : (5) /(r.5 y 1. (b) IÁ gráfica de probabilidad puede reprecentarse comoleindica en la Fig.. P(X:1) = P(CSuSC) = p(cs)+ p(sc) = i*i P(X=21 = P(CC) Así.cAP.. por ejemplo X: 1 significa que esüá enüre 0. 2-2. 2-1 la suma de las ordenadas es 1 mientras que en el histograma la suma de l¡¡ áreas rectangulares es 1.

@ e -. f(r\ > 2. DISTRIBUCION DE PROBABILIDAD Si X es una variable aleatoria continu4 la probabilidad de que X tome un valor determinado generalmente es cero.)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 . 2 son LlA. 2-3 frecuentemente se le llama función escalera o función paso.40 EJEMPLO VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD lcAP. Entonces definimos la probabilidad de que X se encuentre entre ¿ y b como P(a<X<b) : Í"' f (n) d. 2. (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. (o) Halar representación gráfica.2. . 2. Debido a la apariencia de la gráfica de la Fig. Este hecho permite obtener la función de probabilidad a paftir de la función de distribución. así el valor en 1 es 314 y no Ll4. deben notan¡e.2 su 2.3. la probabilidad de que su estatura X sea precisamente 147 centímetros sería cero. Por tanto no podemos definir una función de probabilidad en la misma forma que para una va¡iable aleatoria discreta (págrna 38). nos conducen f(r) tal que o a poshrlar la existencia de una función 1. Debido a esto se dice que es vnafunción monotónicamente creciente. A medida que procedemos de izquieida a derecha (es decir subiendo la escalera) la función de distribución permanece igual o aumenta. pagjna 38. El valor de la función én un entero se obtiene del paso superior. Si se selecciona aleatoriamente un individuo de un grupo numeroso de hornbres adultos. Estas ideas y la analogía de las Propiedades 1 y 2. tomando valores desde 0 hasta 1. 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. 1. EJEMPLO 2. 2-3. por ejemplo. Las magnitudes de los saltos en 0" 1.4. 2-1. 1. 714 corresponden exactanrente a las ordenadas en la Fig. 3. Sin embargo hay una probabilidad mayor que cero de que X esté entre 145 y 150 centímetros. Esto se expresa matemáticamente estableciendo que la función de distribución es continua por la derecha en 0. F(r) se mues- Los aspectos siguientes acerca de la función de distribución anterior. que son verdaderos en general. 712.n (6) . la función de distribución para la va¡iable aleatoria X del Ejemplo 2.

'U".ru. = *-h=:h 7 En el caso de que f(r) sea continua.tu. = 13 t'n ¡3 .. (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. Si 0 f: x 13 entonces F(rl Si¡>Sentonces = ou fo' . (a) Ya que f(r) satisface la propiedad 1 si c ? 0. (b) Emplear P(l < r = 2\. Una función f(r) que satisface los requisitos anteriores se llama función de probabilidad o distribución de probabilidad para una variable aleatoria continua.t) = 0. 2] VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 4L Podemos demostrar que esta definición satisface los axiomas de probabilidad dados en la página 6.5. En tal caso podemos remplazar cualquiera o ambos de los signos ( en (6) por Así.5.?1. el (o) Tenemos F(r) = Si P(X = r\ = o" Í__. #f.5. ou + f"'f@)au = fo'!u.r) = P(X=r) f(r). X<2) = P(l<X<2) = P(\<X=Z) = P(l1X<2) = fr a- FUNCIONES DE DISTRIBUCION PARA VARIABLES ALEATORIAS CONTINUAS Por analogía con (4).au f""oou = 1 Por tanto la función de distribución pedida es r(o [o F(r) . en el Ejemplo 2. definimos la función de distribución F(x\ para una uariable leatoria continua por F(.CAP.6. V) En los puntos de continuidad de EJEMPLO 2. .a1X<r) s = J_-" ¡p¡au f' ( si se desea.UU ¡( 0 entonces F(. página 39. Entonces de . lo que supondremos al menos se establezca otfa cosa. debe satisfacer la propiedad 2 para ser una función densidad. EJEMPLO 2. pero con mayor frecuencia se denomina función de densidad de probabilidad o simplementn función de densídad. : P(.1é/27 0<'<3 fr Obsérvese que s>s F(r) aumenta monotónicamente desde 0 hasta 1 como lo requiere una función dedistribución. = # + F(r) = fo" .n* =. 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').'!.l-*Ít'lol' = )ow2dr . (o) HaIIar la constante c para que Ia función f(r¡ = {"^* L0 sea una o.-g ec y puesto que esto debe ser igual a 1 tenemos c: tl9. También debe observarse que F(r) en este caso es continua.f.'" de otra forma " función de densidad y (b) calcular P(l < X < 2). la probabilidad de que X sea igual a cualquier valor determinado es cero. (b) P(1< p(r<x<z) -. n. = Í.

(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"".r.'. la cunra no puede caer por debajo del eje r.i. El área total limitada por la cuwa y el eje ¡ debe ser 1 debido a la propiedad 2 en la págna 40.x)itu donde = f""jl. Puesto que f(r) Z 0.'r(u.'.a# . se representa por el área sombreada de laFig.' T*0" + F(az(a). 2-4. az y F se suponen derivables con respecto a.42 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD [cAP. 2-l .F@t(n). INTERPRETACIONES GRAFICAS es la función de densidad para una variable aleatoria X entonces podemos reptesentar y gráficamente por una curva como en la Fig..2-4.6.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. es deci¡ P(a 1 X < b). 2s137 n La probabilidad de que X se encuentr€ entre r yxt Ax está dada por (8) p(r= xtn+ta) así que si = .2 (ó) Tenemoa P(r<x<2) P(X=21 - P(X=1) f(2) - F(1) n-n como en el Ejemplo 2. : f(x) Si f(r) Fig.ü# (121 at. Geométricamente la probabilidad de que X esté enhe a y b.

!n. f (rz. y f puede toma¡ cualquiera de los n valores !t.Ím f (r-... !2.. 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¡. y es uno. 2-5. f f (rr u..l t@) Í2 a) (rz..a*\ m (161 L.t\ Totole¡ ü f f f (rrai (rz.a) -. Supóngase que X pucde tomar cualquiera de los m valoreg Ít.a) donde (18) 1. También pueden hacerse generalizaciones a más de dos va¡iables.....2.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 43 aumenta desde 0 hasta 1 y se representa por una culva como en la Fig. f(r. Si X. se hacen fácilmente modifrcaciones apropiadas. l(xr. f X\ ü1 Ut u" U¡ 'Yr¡ y. fz(g¡l = t=r 2f@t.cAP.2.'. f ai f (r^.. La probabilidad de que X : *. tz x^.o 2. n estas seindican porlaentradade totalesenlafilao margeninferiordela Tabla 2-B "'. Y : Ar) = f(r¡. a ul ft(s^l 1 Totales - zfu) f zfuz) iz@") e Gran Total . 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. En los casos donde una variable es discreta y la otra conünua... Y puede representarse por una tabla de probabilidad coniunta como en la Tabla 2-3. 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. Consideramos el caso típico de dos variables aleatorias que son ambas discretas o ambas continuas. an) it@zl .U*\ (141 Una función de probabitidad conjunta para X. Entonces la probabilidad del suceso X': qiY : /p está dada por P(X = rj. es decir la suma sobre todos los valores de x. 1.A*) ) n {15) Parai:l. yz) f (t*. Caso discreto.mestasseindicanporlaenhadadetotalesenlacolumnaomargendel se extremo <ierecho como se indica en la Tabla 2-3. y son dos variables aleatorias discretas definimos lafunción de probabilidad conjunta por P(X=r.Y=E) = f(x..

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

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

Teorema 2-3: Sea probabilidad de Uestá dada por g(u) donde X una variable aleatoria continua con densidad de probabiüdad f(r). y) puede expresarse como el producto de una función de r y una función de y (las cuales son las distribuciones marginales de X.a). donde a cada valor de X corresponde uno y solamente un valor de U e inversamente. y\. y estas son las funciones de densidad (marginal) de X. por una función de y.f . o sencilla¡r¡ente el Jacobiano. u) donde $ean X. y). a\) (e2) 2. n. V e inversamente. Entonces la función de probabilidad conjunta de Uy Vestá dada por g(u. Y variables aleatorias discretas que tienen una función de probabilidad conjunta f(x. e. Teorema 2-1: X una variable aleatoria discreta cuya función de probabilidad es f(r). así que X : ú (U).V:0"(X. Y').I) como en el Teorema 2-1.Y: úz(U V). dondeacadaparejadevalores de X. Variables continuas. está dado por . así que X = út(U.Y). entonces X y Y son dependientes. Entonces la función de densidad conjunta de U y V g(u. 1. n como en el Teorema 2-2.46 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAI) lcAP.l't(u.a)ldudal o = f(r. Y: úz (U. Y) donde X: út(U. Supóngase que se define una variable aleatoria discreta U en términos de X por U : ó (X). Y cortesponde una y solamente una pareja de valores U. Y respectivamente.Supóngase que se definen dos variables aleatorias discretas U y V en términos de X. y) no puede expresañ¡e así.(u. Y variables aleatorias continuas que tienen una función de densidad conjunta f(x. (83) (34) 2-4: está dada por g(u. Definamos f/: ór(X. Entonces la función de probabilidad paru U está dada por Sea s(u) Teorema = f[. Variables discretas. I|). V).u) = f l.a).V: Qr(X. 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.rl s@) = r@\l#l= rw@)rv'@)l g(u)ldul Teo¡ema .a)llJ (35) (36) s(u. f por U:0r(X. fz(y). Si F(r. Definamos U = ó (X) donde X : ú ([. Pa¡a va¡iables aleatorias independientes continuas también es cierto que la función de densidad conjunta f(x.a) = f(r. I0.a\lda dy fl+. Entonces la densidad de = f(r)ld. y) es el producto de una función de x.(u.úl#31 = En (Sd) el determinante Jacobiano.t@)] (s1) 2-2: Sean X.2 conjunta F(x. gr(u.(xl.

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

Fis. Y : y) es la fi:nción de probabilidad conjunta probabilidad discreta para X. es pre porcional a K¡. El tipo de suposición empleado define la función de dishibución de probabilidad. fácilmente al caso en que X. 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. entonces (42) P(Y=ulX=r) : f\*'') f donde f(x. la función de densidad condicional de Y dada X ¡1xlu) y f(alr)porfr(rla) I fr@lr)respectiva¡rente. Entonces es razonable suponer que la probabilidad de pegar a la región de área K.AP. supóngase que tenemos un objetivo en la forma de una región plana de área K y una porción de ella con á¡ea K1 .48 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD IC.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). y) es la función de densidad conjunta de X. (r) es la función de densidad marginal de X. etc. Por tanto definimos P(pegar en la región de área K1 ) Kr K Qr¡ donde se supone que la probabilidad de pegar al objetivo es 1. Por ejemplo. Y son variables aleatorias continuas. Y. Por fe1ü = dadoquerlX(r*dres Ll++ r(r¡ I &s¡ donde f(x. puede ser menos probable pegar a áreas externas. yl = P(X : Í. APLICACIONES A LA PROBABILIDAD GEOMETRICA Varios problemas en probabilidad surgen de las consideraciones geométricas o tienen interpretaciones geométricas.Definimos '(r) y fr(r) es la función de f@tr) = y la llamamc y8 ## es ('t g) función de probabilidad condícional de Y dada probabilidad condicional de X dada Y es X.2-7 . (B: Y: J). Por ejemplo. Análogamente la función de r(rlut = Algunasvecesdenota¡emosa @+¡ Estas ideas se amplían ejemplo. Lógicamente pueden plantearse ohas suposiciones. /.

1) así que la probabilidad asociada es 4/36.2) tenemos X : 5. Supóngase que se lanza un par de dados honrados y que la variable aleatoria X denote la suma de-los puntós. así que cada punto muestral tiene probabilidad 1/36.2).La 2 3 4 5 6 7 8 q l0 3i 36 11 t2 1/36 /(r) 1/36 2t36 3/36 4/36 5/36 6/36 o/. Utilizando el hecho de que los 36 puntos muestrales son igualmente probables. (2. (b) Consbuir una gráfica para esta distribución de probabilidad.Po¡ ejemplo.1. obtenemos la Tabla 2-4.s restreltos VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCRETAS 2. 2-8 o en la Fig. (3.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 49 Problerna. garaX:5 corresponden los cuaho puntos muestrales (1. . 2-8 la suma de las ordenodas es 1 en tanto que en la Fig.cAP. Nótese que en la Fig. de acuerdo con si deseamos considerar a X como va¡iable discreta o continua. (c) LospuntosmuestralesparaloslianzamientosdeunpardedadosestándadosenlaFig. (4. variable aleatoria X es la suma de las coordenadas para cada punto.3). 2-9 la suma de todas las óreos rectangulares es 1. Tabla 2-4 'x 1'17'página18. 2'9.Jo 4/36 2/36 (ó) Podemos emplear un espectro o un histograma como los dados en la Fig.4). (a) Obtener la distribución de probabilidad paraX. Así para (3.

A y A'.(.¿6 2r/36 18/3rt 15/36 12/36 9i 36 6/36 3136 . f(r) = .".46 trató el caeo de n intentos mutua¡t¡ente independientes. dependiendo sobre si deseamos considerar a puede representarse como en la Fig. D:3.t-. (a) Hallar la función de distribución F(r) para la variable aleatoria X del Problema 2.)' Tabla 2-6 fr 0 donde la variable ale¿toria X representa el número de niños en la familia. Obsérvese que el cero del eje r se ha desplazado. Enüonces de los resultados del Problema 2.. Este re¡ultado se aplica a este problema bajo la suposición de que los nacimientos eucecivos (loe "intentoe") eon independientes en cuanto se refiere al sexo del hijo.2 2. ip=q:L12. 2-11.".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.L y (b\ repr€sentar gráficamente esta función de distribución. tenemos P(eractamente r niños) = P(X = r) = . (c) Hallar la disgibución de probabilidad de niños y niñas en familias con 3 hijos. suponiendo iguales probabilidades para niños y niñas. Por tanto.c. F(r) 1 33/36 30/36 27 i36 I 24/'. siA e¡eleuceeo"niñott. (Obeérvese que X se define sobre el eepacio muestral de tres inüentos).)"(t'-' = . (b) Représentar gráficamente la distriUución en (o).(. c.1 hallamos F(rl = 0 -e 1r<.JNCIONES DE DISTRIBUCION DISCRETA r/t 2.3.2. 2-10 (o) Tenemos que F'(r) = P(X = tl u=x 2 Ífu¡. Fig. donde cada intento tenfa dos resultados posibles.) 3 se indica en la Tabla 2-5.on probabilidadesp y g: 1-prespectivamente.(i) \-'l /r \3 f(r) r/8 3/8 L/8 (b) La Eráfrca va¡iable X como discreta o continua.2-L2. 2-ll (b) Véase Fig.. La función de probabilidad para X.50 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP. (a ) EI Problema 1. 2-10 o en la la FI. 0123 Número de ¡¡iñoc X = ¡ Fis. Se encontró quelrr probabilidad de obtener eractamente r veoea A en los n intentos es icrp'q. I 3/8 .

Hallar la función de distribución conespondient¿ a la función de densidad del Problema 2.6." r¿*l = ?['*-'(1) .4. z2 = 1 (ü) si* = x2 =t.. t*tantolaprobabilidadpedidaes t(-'lstt oJ-t dn *lft dr IL'rJ¡5.rr_rrl.6.entonces ó -l < x = -f. acf que c=Ur. la constante c. 2-13.2-13 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2. donde -o(ú.cAP. X del Problema 2. f . t:_flu)ttr = 1. (b) Hallar la probabilidad de que f(r)=c/(n2+l)./ -\-'l (* :u.2l VARIABLES ALEATORIAS Y DISIBIBUCIONES DE PROBABILIDAD 51 2.t¿n-r (+)] I = z(z-z\ = 6 6/ "\4 2.<6. I -u.r .e¡décir t-..itan-rc . (c) Hallar la función de distribución F(*) para la va¡iable aleatoria representar gráfrcamente esta función de dishibución.. 1 C" F(r) = )_-t{")a" = i)__ n du _ = !l-t. Un (¿) (a) Debemostener aXtienelafuncióndedensidad o".-.12 + | = "t"r-rrl r-o = "L.(-.2 obtenemo¡ F(rl (ó) L8 gráfica = de la función de distribución de (o) se muestra en la Fig.r12*L =zC' oJ6.\r-. rL t__J = 11h. _. F(¡) I 7t8 6/r 6tE 4/E 3/8 2t8 I UE t Fig./J f = " =.ran-l(--)J = l[r*-' " "if = i.2V @) (o) Uüilizando la Tabla 2-5 del Problema 2.6.'= J-.. )? estÉ entre 1/3 y 1.

(a) tos puntos muestrales (r. debe ser igual a 1.2 2. las probabilidades asociadas con esos puntog dadas por c(2x * y). 0 = U < 3.U\ : 0 de otra forma. Y estÁ dada por f(r. Por defrnición P(X =-21 = )" ze-z"du = -u-r"1.8.62 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP. y) para los cuales las probabilidades son diferentes a crero se indican en la Fig. )-11.42c. (o) Hallar el valor de la constante c. Puesto que el gran total.7. = = F(2) = | . tenemos que c : L142.e-4.du = -e-2"1 = L-e-8 lo l{ Otro método. Y = l). Tabla 2-6 Y X 0 0 0 I c 2 3 Totales ü I 2c 4c 6c 3c 5c 6c I . se indican en la Tabla 2-6.A) = c(2r *y). y (c) la probabilidad de que-3<X<4.y f(r. y pueden tomar todos los valores enteros tales que 0 < n 3 2. (o) . P(-3<X<4) = P(X=4) -P(X<-3) = r'(4) . fir-\ = dt l-F1. (b) Hallar P(X =2..F(-g) = (1 -e-e)-(0) = l-e-B DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2. (b) la probabilidad de que X > 2. La función de probabilidad conjunta de dos variables aleatorias discretas X. donde r. Por tanto.Y s2\.¡l = f2"-u l0 r)0 r10 le-1 (ó) P(X>z) Otro método. (c) Hallar P(X>l. P(X>z) = f -(1 -e-r) = (c) e-4 p(-B<x<4) = ln¡rulou = f_roa"+ ton2r-r. 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.) 2c 4c 6c 3c DC l4c 22c 42c 7c L5c Tota les+ 9c l2c .

Y es f (n. Demostrar que las variables aleatorias X.9. 1<g<5 de otra forma 1o (c) Hallar P(X>3.u) = lcnU 0(r<4.Y=l)=5"=a 42 (c) De la Tabla 2-6 determinamos que P(X>t. 2. 2<Y <3). Si las variables aleatorias. 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. no P(X--2. Y <2).9.10. Y son independientes debemos tener.Y=\ = asr que h P(x=4 = # P(Y=l) = I (2x rr y)142. para todo r. (o) Debemos tener la probabilidad total igual a 1.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD De la Tabla 2-6 determinamos que 53 (b) P(X=2. (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.cAP.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. La función de densidad conjunta de dos variables aleatorias continuas X. es decir | | f@. (b) Hallar P(1< X <2.11.r du = I . Y del Problema 2.Y : A) = P(X = r\ P(Y = Y¡ Pero.8 (b) y 2. puede expresarse como una fi¡nción de ¡ veces una función de y. 2.Y=L) + P(X=21 P(Y=L) E resultado también se deduce del hecho de que la función de probabilidad conjunüa. P(X=2. P(X = t. Hallar las funciones de probabilidad marginal (c) de XV (b)de Yparalasvariablesaleatorias del Problema 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. como se determina de los Problemas 2.8 son dependientes. y. (o) Hallar el valor de la constante c.u) d. De estos vemos que P(Y=Y¡ = verificación:1*3 +!+1 ''7 74'7 t4 fz( =t 2.8..{.

.:o J"=rcnvilxils ft rrs = " J.'uau)a' = *f.r. = = 1 C' 5r. la integral tiene el valor f4 ¡5 J.(a) = 0. (o) L¿ función de di¡t¡ibución marginal para X ¡i 0 < ¡ ( 4 ec Ft@) = p(X=r) = f' ¿u=-4 ¿O=-@ f" fet.=. fi uo = # 1. xaau )clx = "!.'=.r"=.)* = "Í:=rr2adr = "tu*)l'_. Por t¡nto Fr(rl = 1.podrfamocremplazarenlaerpreaiónanüerior(por<.olduclo dudo = P¡re o > ft (s J.Tn' = idt\t/|.frarau = * Í'^='lÍ"'="u aafa' = + f"="#l'"='* L f4 Br.=oL. (ó) Utiliz¿ndo el valor de c hdl¡do en (a) tenemoe P(l <x <2. = e6c Entonces 96c = 1 y c : 1/96.F .o' = "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. y). para 5 < 0.1Í":=. [ Í=."=. Hallar las funciones de distribución marginal (c) de X V(bl de I' del Problema 2.* s /rz11z .r=o(ry-.=o J"=. 4. =y( 5 ec Fzful = P(Y <-vl = Í¿t=_@ f1 ¿ú=l f" f@.2<Y ' (c) <3) = Í.Yl'"=. 1""=140.12. Ft(¡) = 1. 7 ñ J"="To' = ln 2.¡¡'J.o)ctud.Y=z) = í:="í"'=.'=r$l'"-.'=.11.2 Empleando la defrnición de /(.54 vARIABLEs ALEAToRIAs y DrsrRIBUcIoNEs DErRoBABTLTDAD -l IcAp. Oo = #Í:=.- ñ E P(x>s. fv J-"=oJ"'='ffiauao = + .

Yl = rz(az . o 0 ( ¡<4 f de otra forma . podríamos remplazar en la expresión anterior [o u<r : 1.. Fz@) = 1. 2. !""=. J ( por < . Y del Problema 2. 2-15 muesha la definición por trazos de .t : 5. En el Problema 2. la Fig. región sombreada en la Fig. Para U < l.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. Se deduce que X. [f=. t = 1.cAP.¡ ryl96 sobre fi. av = ut-[:.13. En la Fig. Del Problema 2.' *u au)a* Fig. donde J tt.| l rr. l\¡. En efecto. Puesto que f(x. La probabilidad rc.L2. y) : Fr G\ Fz@). Halla¡ la función de distribución conjunta para las variables aleatorias X. Y puede escúbirse como el producto de una función en r veces una función en y. 2-I6 .¿v I < Y < 5 [ 0 de otra forma L/96.Y es diferente de cero. Y son independientes. y) resultante. esta probabilidad está dada por 'í Í"'=.ul = fr(r) f2(y).2l Para y VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD OD = 5. F{A) = 0. 2-15 2. ! c(t = c : F(r. de tal manera que su función de distribución conjunta eetá dada por F(r. 2-16 hemos indicado la región cuadrada 0 ( ¡ ( 4.l\ (r6)(24) Fig. 3. Las distribuciones marginales .F(r.14.LL se observa que la función de densidád conjunta para X. 2-16. 1 < y ( 5 dentro de la cual la función de densidad X. Por tanto Fzfu) Puesto que F2 (y) es continua en y = 4@r-t)tz+ tfy<b a=6 l.11 hallar P(X+ y < conjunta de 3).11.F ¡ (r) V Fzp) se determina¡on en el Problema 2.n ffia.(ul = { (.

Ll Plx = gfu)) = f lv@)l En una manera análoga puede demostrarse el Teorema 2-2. Primero suponemos que a medida que r..= fu ).=o g6.a) a@'a) donde es d\u. La función de probabilidad para U está dada por s(u) = P(Lt ") = Plo(x) .r\uti.2 1 L (" = J. también podemos demostrar que (31) se cumple (véase Problema 2. 2-17 f . donde ry''(u¡ ) 0 (es decir la penCiente es positiva).a).u).rl duda = f"' (''' Ju.2fu. (2) puede Fig. 92fu. 2. 2 lu=rd' CAMBIO DE VARIABLES [r(3-r)z r 'rldr 48 2. podemos demostrar que u y u también crecen. esto es. Por tanto = fI¡rfu.¡. (r) (t tlt(u) es una P(ut LI 1tt"): P(rtlX1rr\ f¡7 (2) Remplazando x escribirse como /'ü: | t\u) titr 'ul |. Demostxar el Teorema 2-4. u) en la integral de la derecha tenemos por un teorema de cálculo flrrtu. y : Ju.u11V1o. Para el caso donde rlr'(u) -< 0. . es decir g(u) _..t'@) Este es un caso especial de (34).v)dud.4v. Análogamente podemos demostrar ('36) para el caso donde . u aumenta a medida que r aumenta (Fig. Ju.. pá$na 46.16 ó P(ut<Uiu. ) O. u) ellacobiano.15.y) fe2 dr dy Remplazando avanzado que r : Út@.. u).z 46..f .o'tlJ J< que es (3ti). Véase Problema 2. = 2. 2-1'7).' ut 12 : ¿ ttt V@) en la integral al lado derecho. pá4ina 46. L es una función decreciente de ¡. pá$na 46. para el caso donde J 0..u . Úz(u. esto es.u. Entonces. como puede deducirse de la figura.1 .a todo u1 y u2 solamente si los integ'andos son idénticos. página 46. | trrr J| s(u. Primero considere el caso donde u : ó@) 6 x : tenemos función creciente. Demostrar el Teorema 2-t. págir.17.1)llJ duda ("' ("'n.56 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP.(' 'u2 l3-' '.66. Demostrar el Teorema 2-3.At<Y<Az) = | fre | l(r.16. Igual que en el Problema 2._-. y crecen.páqina 46.67).\: ?u.fl. "rl "" /{.. Dr P(r1<X1rz. El teorema también se puede demostrar si rl'(u) 0 ó r/'(u) ( 0. ' olü au = ¡'tl f ¡¡gqullv'tu:du Esto es válido pr. Jtl r s(u.

. 2-18. . recfprocamentg.3 y* = 6 rcn u = 6 y u -2re¡I¡ectivamente.16 que la Tbnemosu:tl3(L2-f."1:-. de otra forma . Los valores de r para los cuales.. de probabilidad pedida para U ea ( z-ni i s("! = 1o utilizando el Teorema 2-1.Loe valore¡ de u que correrponden a¡= . o el hoblema 2.)óx:L2-3u.tt¡¡f".¡función u = 2. o por el Probler¡¿ 2.. UyXqtídadapor y8€hatomadol¡raízrealpositiva.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD es 67 2.19.17. página 46.'ll = 1 2. = P(.82..3. 2.I9.3 ( 6 corresponden a los valores para los cualeo 0 S 36 como se muestra en la Fig..sutz¡21 ]. | .3 ¡e deduc.. du ¡5 <tz:_su.2 = _. f(r) = to de otra forma Halla¡ la probabilidad para la va¡iable aleatoria a = X4 + Puesto que l. En este caso no podemos emplear el Teorema 2-4 directamente ¡rero podemor proceder de la manera eiguienüe. Tenemos tL = tr2 ó r = *\ñ.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.A¡íparacadavalorderhayunoydamenteu¡valordeuy función de densidad para U ee s(ut Verificación: = ilt'. La función de es disüribución para U G(ul = P('tlu') Entonces si 0 Fis. Como se obeerva en esta ffuura el intervalo .3 ( ¡ < 3 corresponde a 0 s z s 9 er tanto que 3 (¡( 6 corresponde a 9 ( u ( 36. HaJlar la densidad de probabüdad de la variable aleatoria U = )? donde X es l¡ va¡iable aleatoria del Problema2.Enüonce¡1.2.cAP.!7..18.16. U: * .e por el Teorema 2-3..E2. u= r+11 6 r =n/F1. La función de ptobabiüdad de una variable aleatoria X (2-' ü=1.2O. página 46. 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).. 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 ¡.U<u) = P(-B<X<\fr) = J-s f@lA. Puesto que ú'(u) : dx/du : .+ l larelación entre loe valoreedeuyrdela¡variablesale¿torias donde u:2.

lo1u114 de otra forma . 2 ea - Fig. = 2.IBUCIONES DE PROBABILIDAD Pueeüo que la [cAP. 1 < y ( 5 correeponde a la regiiin 0( u ( 4. ! : ll2(u . le * fil2136 z4B l. Por üa¡¡to la región 0 I r 1 4. 1 tZ _1. uear¡do la regla de c@l Utiüzando la definición dada de = f(r) eeto se convierte en 0<z<9 9. Si las variables aleatorias X. El Jacobiano está dado por Fr 0r J_lr"0o oa lüu la" att lo =l I 1 11 -.=. función de densidad de U = X + ZY.2 < u . = {. Y tienen función de densidad conjunta r(x. función de den¡idad g(u) ee l¡ derivada de G(u) tonemos.-ro 0 6<¿<10 f4 afu. Entonces la ¡olución ¡imultiinea re¡ulta r : u.r'nu ffr:i:0" 'Sea u = t I 2y.2 l*ibníz (12).u). 2-r9 Entonce¡ por el Teorem a 2-4 la función de densidad conjunta de U y V (u(u-t:l/384 21u-o( 10.a) (véase Problema 2. u : r.<¿<36 de otra forma 21rsrz Verificación: zlb. 2-19.ol =#¿" . 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.11) hallar la Método 1.21.1. etcogiendo arbitrariamente l¡r eegunda relación.u 110 que ¡e muesEa eombreada en la Fig.58 VARTABLES ALEAT1ORIAS Y DISTR.

u = x2 y . Si las variables aleatorias & Y tienen la función de densidad conjunta 4' L <s <5 f(r. 2. V = )PY.21.au i*Z=. De¡aroll¡ndo integn' cione¡ encontramog 4)'12304 2<u16 6<¿<10 l0<¿<14 2128112804 de otra forma Puede efectua¡Ee una verificación al demo¡tra¡ que la integrql de g1(u) ee igual a 1.u2 t< 7) uztga-rls < L26'u 6 1 64u 1u2 < Eata región ee muesba eombreada en la Fig.a) : {*''nu de otra forma :':' 0 L = XYz. El Jacobia¡¡o estó dado por .' I":".2-2L 2. Fíg.22. Nlétod.o 2.2l como VARHBLES ALEAI"ORIA"S Y DISTBIBUCIONES DE PROBABILIDAD 69 'lar p determina refiriéndo¡e a lae regioner ¡ombreadas I. Considére¡e u : xy2 .2-2O Fig.ytdrdy " = ÍÍ fta."'' gunoo = Í"::'lW-#fo' + 4)t2304. 2'20 gue la últim¡ integral ee igud a Í"--.11) hallar la función de densidad conjunta de U no uu está dada por o<azlgu-r/t<4 gue son equivalentee a .y=y2/3p-rl3.cAP. Al dividir egüa¡ ecúaciones obtenemoe y/r = u/u aef que y = ut/v.2)2 (u reeultado dd método L para 6 ( u ( 10. I/aimagende0(x14.i 1<c<5 Pa¡¿ 21u ( 6 obserraÍros al r€ferirnoo a la Fig. 2-19. [. Mo ¡oe conducealasolucióneimultánea s=p2/34-r/t. De un¿ manera análoga podemoe obtener el Al deriva¡la con respecto a ¿ 8e encuentra (u . eüc.L(y(Senelpla' (véase Problema 2. IL m de b Flg.a función de di¡tribución de la variable eleatoria X + 2Y erüá dada por P(x *zY É ut = Íl rr2y 3 t@.

y) tomada ¡obrc la región definida pbr * f y s u. página 46. A e¡ta¡ ecuaciones u: x i !. 2-22.. y). Método 2.r f. por el Teorema 24. c¡üo ec G(ul = (( Í@.2 l-lor.-t rsu-ual J .2-22 utilizando la regla de Leibniz (I2) primelo en la integralder y luego en la integral de y. 192 d'l l#'úl = l: -l ee -l Arí por el Teo¡ema 2-4.u-o) págin¡ 46. . que la función de densidad marginal de U c@l = f' f@.xl = {u--''"o-rtsl288 IO CONVOLUCIONES < ilu' tt 1 u2 < l26tt de otra forma 2.to-t. -tuznr-trs I -lu-zrso-zrs A¡f la función de densidad conjunta de U y V es.üdrdu . la función de deneidad conjunta ile (J y V ea g(ü./t=-a f f"-' f' Lnr1¡=-a c@l = ¡1r. Sea LI = Íl-rO. o= Í6 x.60 VAR¡ABLES ALEATORTAS Y DISIR. donde arbitraria¡nente hemo¡ ag€gado la *gunda ecuación.o) = {*O=f3-Io ($u-2t3a-2rt') o2161u' tt de otra forma tt-z 1u2 < l26tt c@.ld. f variables aleatorias qup tienen una función de densidad conjunta f(x. y: u.IBUCIONES DE PROBABILIDAI) [cAP. Demosbar que la función de densidad de U'= X * Y es s@l Método 1.23.u-a)ilo conecponden : X + Y.u-. La función de di¡tribución de U = X + Y es iguql a la integral doble de f(x. Sean X.:v. cer.u-r.u-r)ih F's. vemor que G(u) üo a u e¡tá dada = .o) ..l: l= | f.y¡ay]dr -J La función de den¡idad de U e¡ la derivada de G(u) con re¡pee por ef -a (' l@. El Jacobiano de l¡ tran¡fo¡mación ertá dadopor rSe deduce de (261."u-n. V : X. como ¡e indic¡ por la parte ¡ombreada en lrr Fig.i"au Pue¡to que la región eetá por debajo de l¿ lfnea ¡ * y = u.f(t¡.u.

2.24. 2. así que por el Problema 2.u = (.f 2* f1 (Propiedad 1..<0 L0 ü>o * fg"-to a=o " frfu\ '-\e' =1l0 a<0 Y.olver el hoblema nes de densidad f t@).f2(u-t:ld. En este caso la función de den¡id¡d eonjunüa et f(x.to ¡iu>0yg(u):O¡iu(0. halla¡ la función de densidad de su sumao U = X Por el Problema 2.23 la función s(ul = t'.e-tr¡ f -'.8 y 2.241a función de den¡idad pedida es la convolución de f t y fz y eetá dada por c@) = ft*fz = f' fr(o.fw=n . R'ex. de densidad de U: X * Y e¡ y): f t@) fz(yl.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD 61 2. Y son variables aleatorias independientes que tienenfunciof.f . obtenemos (-' Ítrfz = .f¿ .l) = 6(e-zt . (y) respectivamente. (b) P(Y : 1lX : 2'¡ pan la distribución del Problema 2.u:-dw.8.o{üau = tfo'k-r"-"-rv\d.ar@u . pígna 47\" Tenemos Ít* fz = | /r(") fz@-o) Jo=-a Haciendo fa da u)= a. Y son variables aleatorias independientes que tienen funciones de densidad ft@l =112"-t' .-*) = 1 2.{olf2(u-olito = f t* fz que es la conuolucidn de h y fz.d. Por tanto Cful = | JO f! (2e-2ül(ge-sru-u))do (" = 6"-su.25.cAP. HaJlar (al f(y l2). Si X.26. (o) Empleando los ¡esultado¡ en los Problema¡ 2.9 t¿nemo¡ ftutrt = arf que con ¡ : 2 ffi:*+#t f(ylz\=g#f=+ P(Y=rlX=2\=/(1l3r=*z (ó) .27.23 si X.w) = (" DISTRIBUCIONES CONDICIONALES fz@\lt@-u)dut = fz'ft "/u=-n 2. Ve¡ific¡ción: ao ifui = 6o.rru-u)f2@t)(-d.a J_ú En el integrando f1 se anula cuando u ( 0 y f2 8e anula cuando u ( u. Demostra¡ gue fi t.- u de tal maneraque u = u-u.

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

2-21 Puesto que siempre se hace impacto en el objetivo. 2-24). R es la dista¡rcia del impacto desde el centro del objetivo. Íis. : T zalo lr-(i) Jl.U) Debe anota¡se que no puede deducirse a partir de f(x. Determinar si las variables aleatorias del Problema2. Y son independientes.32. que se supone üene radio b. htotdda -- Ío' 2.. que flr. y) : 8ry. = t. Portanto f(r. ¡ < 1.31. y) puede expresarsecomo una función de r por una función de y.29 son independientes. Ít@l = 4r?.r'lúttr = Í"' fo" &or : .G't = lI 0<¡<1 | 0 de oEa forma f zfu) : tf f 1 ofY=1 o de otra forma Entonces ya que X. b(Boz-br¡ =. = .[t . tenemos ("fr.ls rbF /"\2-1.)¿.21). c es r¡na constante y o es el radio del objetivo (véase Fig. fz(A) : AaQ-A2').2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 63 Verificación: fo' . Puesto que se supone que intenalc igualec tienen probabüdadee iguales.t L \a/ 2. Eeto ¡e debe a la restricción 0 < y < ¡. Jo L /r)'lo' = \a/ --) r de lo cual c = 312a. y a¡í { Y son dependientes. la¡ funcionee de densidad de X.(.30.2-23. = lo'Ar"d. Dos puntos se escogen aleatoriamente en el intervalo 0 < de que la suma de sus cuadrados sea menor que 1.rrrro. fot rrror¿a = fo 4A$-u2lda = | 7 f"'r. + f t@) Í2fu). 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. Entonces la probabilidad de pegar en el blanco es Jo I rb t(.30. Si ecta ee remplazarí pu alguna reshicción en y no dependiente de r (como en el Problema 2.A\ = 8rA. Y están dadas respectivamente por (r) f . La función de deneidad ertá dada por f(r) r_ /r)rl = "Lt . Hallar la probabilidad de pegar en el blanco. la función de densidad estd dada por .(. f(t. Suponer que siempre se hace impacto en el objetivo.r) = . Determinar la probabilidad Denótense por X Y la¡ va¡iables a¡ociadas con lo¡ puntos dados. tal conclusión serfa verdadera- APLICACIONES A LA PROBABILIDAD GEOMETRICA 2.cAP. EnlaregiónsombreadadelaFig.)']0" Aquí.¡ _.

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

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

y). do por U: XY. Hallar la función de densidad de U : Método f Sea .2 Cuando (¡. o<Y<1 de otra forma Suponemoequelafunciónde¡conoeidahestalqueloeinüervalocXSr.vl -| F(r. F(r.ntonc€.a\ - o Fig.yeatarolucióntienelaepropiedadeodeseadas.al + ft@lfzfu) o. 2-2t (h) Las va¡iable¡ aleatorias aon dependientee ya que f(r.yt = d+# F(r. 2. lo que er equivalente F(r. obtenemos oha erpreción.2-28. 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 |.84.3') = g F(z. Xf si la función de densidad conjunta de X. Br2 .Entonce. u: x 6r:u. 2. P(X = di¡tribución deben ¡er igualee. V: X. para 0 ( r.Y es f(.y 1 l.66 VARIABLES ALEATORIAS Y DISTB.36.Y=y:l¡(*)üienenuna correrpondencia uno a uno en una forma continu¡. Por tanto. etc. ala¡cuales correcponde u:Í1. !: u/u. B.¡) = I F(r'Y\ = I F(r.IBUCIONES DE PROBABILIDAD [cAP.yl = F(r.1) ó &: a2 6 PortntoY:*tE.r.al + Fr(r) F2fu). i) ¡e encuentra dentro del rectángulo.2rs = - 2U8 a = h(r) = ¡fi e8 u¡¡a rolución.y) = I 2z2y*xy2-8!-ZV2 420 F(x. Lor result¡dos completoe se muestran en la Frg. Por incpeccióa. r): P(ts< yI e¡ decir la¡ funcione¡ de Jo f " au$ - u) ttu = (u Prt(t Jo BAI t)2) d.8 elJacobiano eetáda- .

Sea X una variable aleatoria que da la distancia del punto medio de ta aguja a la línea más cercana (Fig.ú J _* = J_-.."\ ) aa a partir de La cual se obtiene la función de densidad marginal de U.SeobservaqueXpuedetcmarcualquiervalorentreOyll2.y\<t1¡)ar Derivando con respecto a u utilizando la regla de l. a Fig. Observamos que G(u) = . (Este problema es conocido como el problema de la aguia de Buffon). t". cuando la región de integración está ümitada El mismo resultado se obtiene para u ( trazos en laFig.u) s(u = 6r\". 2-29 Fig. Hallar la probabilidad de que la aguja intersecte una línea..ü d.. La función de distribución de U es = o@.1)* = Í:"ár('.u..:)a.2-29.. obtenerños g(u) : f: (+) .Denotamos porry0cualquiervalordeterminadodeXy@.eibniz.2l VARIABLES ALEATORIAS Y DISTR.f_: t f"-.IBUCIONES DE PROBABILIDAD arl ú .0 la región de integración ge muestra sombreada en la Fig.t-zl | _u-r Por. También @ puede tomar cualquier valor entre 0 y ¡l2. + !o'i. asíque 0 s ¡ < t/2. Un piso tiene líneas paralelas a distancias iguales I entre sí.r du ft t / G(u) = lf ¡gSu Pa¡a u =.r\. s(u) Método 2.. 2-30 2.r\. )0..X)* por la hipérbola a Q.(.anto la función de densidad conjunta de U. Una aguja de longitud a1l cae aleatoriamente al piso.. V es | .Se deduceque .(.la" | J _ l^ tdfr árt l# #l I o 1 | | lo-t -u.'./ . 2-29.36. 2-30 )' Sea @ una variable aleaüoria que da el ángulo agudo entre la aguja (o su prolongación) y la línea.cAP.y¡aylar * [o'll:-' r(r.

2-31. la probabiüdad pedida (e) e(rx - vr É 1) . 2.37. que es igual a t . de las dos personas. M. en tanto que loe dos triánguloe de lar esquinas tienen áreas +(*X*) cada uno. P(c<c=c+dc) =?d. 2-30 ee obeerva que la aguja realmente toca la lfnea cuando este ¡uceso está dada por X = (ol2) s€n @. Comoverificación 9 :de = | JoÍ Jo ¡rl2 I ia'=r L ?ll2 . esdecir. Y son independientes. Dos personas acuerdan encontrarse entre las 2:00 P.R = lf a" au donde R es la región sombreada que se muesha en la Fig. y las 3:00 P.. puesto que X. El lado derecho de (21 es el área de egta región. Y están dadas respectivamenüe por ft@l= lzful = (r 0:<¡=l de otra forma lo lo lr 0=a<L de otra forma Fig.0<a<L de otra forma es Pueeto que 15 minutos de hora.68 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILÍDAD lcAP. Va que el cuadrado tiene área 1. M. . Suponiendo que a intervalos de tiempo iguales corresponden probabilidades de llegada igrales las funciones de densidad de X. La probabilidad de 1 ¡r/2 f(a/2)se { | | li )s=¡ ). la función de densidad conjunta es (r) f(r. M. fr(¡): 2ll. Por tanüo la probabilidad pedida ee 7176. Pue¡to que X y @ son independientes la función de dencidad conjunta ee l(r'c)=?'Z=! ltlt De la Fig. medido en fracciones de hora después de las 2:00 P.{})(}) = ¡!. fz|/) : 2ln.ul = : 1/4 f t@) fzfu) = 1o (l 0S¡SL. con el conveniode que no se esperar¿ln más de 15 minutos. ¿Cuál es la probabilidad de que se encuentren? Sean X. las funciones de densidad de notamos que X y @ están ¿"¿r" po. 2-31 Entonces. Y las va¡iables aleatorias que representan el instante de llegada.2 P(r<X<rIdr) =la.=¡ e drd o = 2A t" se Cuando la expresión anterior se iguala a la frecuencia de caídas observadas en experimentos reales. obtienen valores precisos de Í Esto indica que el modelo de probabilidad descrito es apropiado.

s). 2.on remplazamiento.40. Una variable aleatoria X tiene función de deneidad f(n) = | "r' 1 "r L0 L< aé2 21r13 de otra forma . Obtener l¡ función de dishibución y su gráfica para el (o) Problema 2. Hallar la di¡hibución de probabilidad de Z.38. La Tabla 2-8 muestra la función de distribución de la variable aleatoria X.19. (a) Construir una üabla que muestre la distribución de probabilidad de X V (ü) FUNCIONES DE DISTBIBUCION DISCBETA 2.47. 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. (o) Conetrui¡ una tabla que indique l¿ función de dietribución de X y (b) representar gr6ficarnente e¡ta función de distribución. (b) Problema 2. Sea X la yariable ale¿üoria que representa el número de ases extrafdos aleatoriamente en 4 ca¡tas de una baraja de 62 cart¡¡.4L.41. Resolver el Problema 2. La función de probabilidad de una variable aleatoria X ee muestra en la Tabla 2-7. 2.4O. (dl P(X < 3).2l VARIABLES ALEATORTAS Y DTSTR. probabilidad.18. de digtribución para la variable aleatoria del Problema 2.44.47. (r) P(.46. 2. Una variable aleatoria X tiene función de den¡idad l(x) Ilallar (o ) = 1o = (ce-g" c)0 rso (d) P(X < 1). repreeenüar gráficamente la di¡tribución.39 si s€ extraen las bolas c.39.IBUCIONES DE PROBABILIDAI) 69 Problenra.89.41.cAP.42. 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. describiendo la relación entre ella¡.E¡ suplernenta. (¿) P(X > r.48. (c) P(X >21. Si se extraen doe bolas aleatoriamente sin remplazamienüo y X denoüa el número de bola¡ blancas. (o) hallar la di¡tribución de probabilidad para X V (b) repreeentar gráficamente la distribución.1 y 2. = Determina¡ (o) la función de VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2.rlo s VARIABLES ALEATOBIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCBETAS 2.42. (D) Problema 2. Obtener la función de distribución y su gráfica para el (c) Problema 2. (D) P(l < X g).38. Comparar los re¡ultados con los Ejemplos 2. 2. (c) Problema 2. (ó) P(1 < X < 2). la con¡tante c. 2. (a) construi¡ una tabla que muestre la distribuci6n de probabilidad de X V (b) representar gráfrcamente la di¡tribución. Rnpre*ntar gráfrcamenüe las funciones de densidad y digtribución. Una moneda ¡e lanza tres vece& Si X es l¡ variable aleatoria que indica el número de caras que rerultan. 2. 2. Una urna tiene 5 bolas blancas y 3 neg¡a¡.46. Hallar la función 2.2.

2.60. (c) P(X>l).67. 2.Y = 3). 2 2). (c) P(I<X< 2. (g) P(Y = 3).(c)P(|<X<*).!: L.52. Halla¡ la función de distribución para la variable aleatoria X del Problema 2. X dada Y.ñ. La función de distribución de una va¡iable aleatoria X está dada por 2. (e)siX Ysoninde 2. cerode otra forma.57. Hallar (o)laconstante c. (e\ P\Y < 2). (b) P(X=2. Halla¡ las funciones de distribución 2. Sean 2. X.70 VARTABLES ALEATORIAS Y DISTRIBUCIONES DE Hallar (a) la constante c.69.49. (d\ P(X > 21.64. f(r) = 1o 0=rÉ2 deotraforma Hallar (a) el valor de la constante c. (d) la función de dietribución.56. Halla¡ la función de probabilidad condicional (o) de Problema 2. Y = 2). pendientes. y su función de probabilidad conjunta puede expresarse por el producto de rfna función en ¡ y una función en v. Y son independientes solo si poro todos los uolo¡es de x.3.54. Y variables aleatorias continuae que tienen función de densidad conjunta (c(r2*a2) 0Ér< 1.63. 2. Hallar las funcionee de probabiüdad marginal de (c) X V (b) (c ) y para las va¡iables aleatorias del Problema 2.2. (cl P(llz < X < 3/2).3.56. marginal (a) de X.(d)P(Y<{). 0= ¡=1 deotraforma 2. DISTR¡BUCIONES CONDTCIONALES Y FUNCIONES DE DENSIDAD 2. Demostrar que las variablec aleatoúas di¡ctetas X. y): cxy parar: L. (fl P(X = r). 0< gr< 1 f(r'u) = 1o deotraforma Determina¡(o)laconstantec. (b) P(1-12< X <312). DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2. 2.Y>+). (d) P(l<X<2). E)emo¡trar el resultado del Problema 2.ó8. 2. (c) P(X > 1).54. (D) de Y dada X para la distribución del . La función de probabiüdad conjunta de dos va¡iablee aleatorias discretae )d Y eet6 dada por f(x. (b)lafuncióndedensidad.56 para el caso donde las variables son continuas. SiP(X:3):0hallar(o)laconstantec.(b)P(X<+. (b) P\X'> PROBABILIDAD [CAP. Sea X una variable aleatoria que tiene una función de densidad (r. ¿Puede ser la función (c(I-12) F(r\ = 1o una función de dishibución? Explicar.ót. De'rerminar ¡i X Y son independientes. (b) de Y para la función de dencidad del Problema 2.

(c) r¿. (b ) Iluatrar el re¡ultado en la parte (a) erco$endo f(rl = i: l0 y verificar la solución. (e-(r+u) x>0.2.página46.72. Veúfic¿r que la integral de gr(?r) en el método 1 del Problema 2. (D) Y CAITIBIO DE VARIABLES 2.66. 2.at = 1.2l VARIABLES ALEATORIAS Y DTSTRIBUCIONES DE PROBABTLIDAD 77 2. (bl Xs + 1. (ü) *. 2.rl:j"<s<L Hallar la funcióa de den¡id¡d ondicional de (a) X dada Y.6t. 2. (b) Y dada X.(¿) S 0.ú = { 0 J^ ^¿_.@) < 0. Y.p6gna 46. Hall¡¡ la densidad condicional de (c) X dada Y. -a <a < . (*e-2. < 5 < @. 2.64.2I y verificar su reapuesta. SiXüienefuncióndedenaidad f(r):(2v)-r/2"-érz.69. 2..71.63. Siladen¡idaddeXes f(r)=U"(r2 *1).(ulZ 0.cAP.62.paraloscaso¡ (al g.2L e¿ igual a 1. . hall¡rladensidadde Y = tan-rX. Sea dada X.67. Hallar la función de densidad condicional de (c) Xdada Y. para la digtribución del Problema 2. Sea la den¡idad de X Í@l = Halla¡ l¡ densidad de (¿) 3X (l/2 to -l<r(l deotraforma . hal|arlafuncióndedén¡idad deY=*. l.*. y>0 f@. si f(r. 2. Si X tiene función de densidad f(r) Hallar la función de den¡idad de l"-. 2.66.7O. de otra forma [^ la función de ilen¡idad conjunüa de X. DemostrarelTeorema 2-3.6!. n)0 = to r=o Y: X2. (ü) Y dada X.57 . u >0 n1O 2.. 2. 2. Completar la labor necesa¡ia para hallar gt(u) en el método 2 del Problema2. (o ) Si la función de den¡idad de X es f(r ) hallar la función de densidad de X3 . -. Demo¡tra¡ el Teorema 2-2.

8O.72 VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD Verifica¡ por medio de integración directa [cAP. para hallar la función de den¡idad de U = X + Z.74.a) = (2r\-rs-(r2+Yt).22 pare.79. l¡ función de den¡idad conjunta h¡lloda en el hoblema 2. Hallar la función de dengidad de Z = XY. -e 16 1o. 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. ofrf 1. 2. Sean X.7t. yz0 deotraforma {o = X/Y.2 2. y tienen función de den¡idad onjunta f(r'u) = y tJ (e-(t+vt r>0. Si. Re¡olver el Problema 2. V = X I Y. 2. 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' 2.22.t2. hallar la fi¡nción de den¡idad conjunta de U y V.75.R y @¡ott tt. f. APLICACIONES A LA PROBABILTDAD GEOMETRICA 2. .21 primero efectuando la Ea¡rdormacií¡ 2Y 2. Doc puntor ¡e seleccion¡n aleatoriamente ¡obre un segmento de lfnea cuya longitud a o ) 0. (bl V = XzY.76.77.8E. y:8 ¡enO demoeEarqne la -@ I e¡ ob\=i ¡r"-tz/2 r=0 r'(0 l0 2. Sea l(n'u) = ){ (1. < U < @.emosha¡que (a) lt*(fz*fs)=ft*fz*ft*fs' (b)/rt'(lz+fs) =(/rof)*fs' = Z y lttryo utiliz¿ndo convolucione¡ 2.). thll¡r proübiUd"d la de que lo¡ trec reg¡mentor de lfnea formado¡ de e¡t¿ m¡nora puedan ¡er los lados de un triángulo. 2. Sean función de densidad de X. Sean X.t1. 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.halla¡ la función de den¡id¡d de (a) U : XYz. Y variables aleatorias que tienen función de den¡idad conjunüa Í@.r""""va¡iablesaleatoria¡taleequeX:R co¡O. Si X. osv51 to deotraform¡ la función de densidad conjunta de Y.76. CONVOLUCIONES 2. Emplear el Problema 2.

1. La función de probabilidad de una variable aleatoria X está dada por f(r) dondep es una constante. Dos segmentoe de línea.0 {o deotraforma X. (c) Repreeentar gráficamente la función de probabilidad y la función de distribución. r :1. Supóngase que f(r) : cl3t. (a) Demostrar que para una constante c apropiada. es la función de densidad para una variable aleatoria 2. deotraforma Hallar la función de densidad de la va¡iable aleatoria Y: X2 y verificar ¡u ¡olución.t6.¡¡ue. (d) y (e)? Jurtifrc¡¡ . X. f(r) = ( cre-22 r >. En el Problema 2. encontrar c.. 2.. 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. Dos variables aleatorias independientee. F(rl = 1"0_"_. . (b) Hallar la función de distribución.GlP(x+r>1). AB yCD tienen longitude¡ de 8 y 6unidadesrelpect¡vamente.ln 2)lZ. 2. M. Un¡ pcr-na decide 6 minuto¡. 2. (e) HallarP(2 s X< 3).9L ¿cuil ea la relación en'tre la¡ rcluciones (c).Y=ll.S Y DISTBIBUCIONES DE PROBABILIDAI) 73 2.u r€. y la¡ 3:80 P.92.(d)HallarP(X> 1). (o) Deüerminar a (b) Hallar la función de di¡tribución. < X < 2).9O. Una va¡iable aleatoria X tiene función de densidad l$tr-¡z) o<¡51 f(xl = t.DoopuntosPyQ se escogen aleatoriamente sobre AB y CD reepectivamente. . (d) P(l <x<21.t9.E8.2l VARIABLES ALEATORIA.t¡. e¡ la función deprobabilidadparaunav¡¡iablcdeaüoriaX (o) Determinar c. Halla¡ (o)P(0 < X< 3). P(l<x<2.91. 2. M. (e) H¡tlarP(X > 3). (b)P(X> 1).cAP. (c) Representar gráficamente la función de den¡idad y la función dedistribución. P(r=1). t)o es la (0 rS0 (b ) Determinar P(1 función de distribución para una variable aleatoria X. (d) Hallar P(2 = X ( 5).t7.E4. 2.. Demostrar que la probabilidad dc gue el área de un triángulo de altu¡a AP y base CO sea mayor que 12 unidade¡ cu¿dradas ee igual a (1 . 8i no lo toma. ' PROBLEMAS DIVERSOS 2.86.. tomará el metro. ¿Cuál es la probabiüdad de que tome el meüro? Se sabe 2. Supóngaee que 2. 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.

(u) = ¡1e:r donde l.(d)lafunción Hallar(o)laconstantec.94.99. y < g) = p(X > p(y < +.(c)lafuncióndedensidad 2.96. Un¡ estaca de longitud .(b)P(X>Ll2. (c) Dererminar si X y Yron independienter. ¿Cull er el análogo del teorema de la convolución para variables aleatorias di¡creta¡? Ilustrarlo usando el hoblema 2.103.y> 1/B). 2. . y > 1).y>1).101.79 a tres o má¡ va¡iables. Demo¡trar que la función de den¡idad de X s(u) I @# u=0. 2. + y..ur = {"-'o |. o<Y <2 | c(2r+Y) o(¿(r' o de otra forma I (marginat)deX. /(z) = 2.2.96. (c) HallarP(Y = r). t2<X< l). X Y va¡iable¡ aleatoria¡ que tienen función de den¡idad conjunta f(r. Sean X.93.. Generalizar (o) et hoblemz 2. dada en la Tabla 2-9.101.s7..L. Estudia¡ ¡i considerra que eltar oupoeiciones Bon realistas y cómo podrÍa mejorarlas si no lo son. Y variables aleatoria¡ independientes cada una con función de densidad . Y son independientes.L se rompe en dos parües.74 VARIABLES ALEATORIA"S Y DISTRIBUCIONES DE PROBABILIDAD sean lcAP. (d) Hallar 2. x. En el Problema 2. 2.78 y (b) el Problema 2. u=0. (c) Iüllar p(x<rlz.. (b) Hallar p(X>tlz). ¿por qué? +l En el Problema 2.2 2. Y está dada por I r/9 r/6 r(r.( tt ( -.1ü1.Y<312)..93 ee cumple que P(X > +. Sean -(_ Y vari¡ble¡ aleatori¿¡ independiente¡ di¡tribuidae idénticamente y con función de densidad (2v)-r/2¿-úr2.X2 + Y2.a) = de deruidad (marginal) de Y. La función de probabiüdad conjunta para las va¡iable¡ X. ¿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. -. 0 os¡=2'o<Y=' de otra forma 2 (o) Determinar ei X. Hall¡r ta función de densidad de Z .. (b) ttallarP(l S X< 3. nal de X y f. (D) Hallarp(1 <x<1. 2. (d) Harlar P(Ll2 2.1.0<U<t de otra forma P(X + (a) Determinar ai Y> rl2r.91 halla¡ la funciónde den¡id¿d de (o) X2. Y son independientes.2.). f tienen función de den¡idad conjunta f (r' u) = t o llla 0(¡(U.102. 2. * Y es ) 0. (b) X Si -X. Y está. (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 2.98. Supóngase que la función de probabilidad conjunta de las va¡iables aleatoria¡ X.

109. dada por Ilemochü que la dirtribución s(o) = lcosa 0<c<n/2 deohaforme {o donde 0 es el ángulo que la línea OP (de. la! b€s no son independientes. 0121L o de oha form¡ 1. Z. Demorbar que la probabilidad de que l¡ atuja intersecte al meno¡ un liado. c Fis. 2-32. Un piso ertá con¡huido de cuadrado¡ de l¡do L Una aguia de lon¡itud o1l a lanza al piro.ri"r" dos de esta¡ va¡iables aleatoria¡ eon independientee.s de radio q e dirige haci¡ un obietivo hemi¡férico ABC co¡ centro en O como ¡e indica en la Fig.1O4 para que la probabilidad de intersección ¡ea mádma? Erpücar ru rcluci6n. P(Z<X+Y). Z tienen función de den¡id¡d conjunüa r(r. función de den¡ided conjuata de tres variable¡ aleatoriea X.'"L'. - 2. Y. es decir ¡ur factores funci6n de densidad marginal. . Supóngase que la¡ variable¡ aleatoria¡ X Y.2l VARIABLES ALEATORIAS Y DIÉ¡IT.1O7.10t.IBUCIONES DE PROBABILIDAI) 76 2. (¿) 2. En el Problema 2. 2.2-32 2.¿. r *"loq.106.J'v 1r' o1z. Pa¡a una aguja de longitud dada ¿cull debe ¡er el t¡do del cuadrado en el Problena 2.ede O a cualquier punto P del objetivo) forma con el eje.1O5.z) Demo¡ka¡ que au¡que = ito-""trtcosracos¡rz :. 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. Z> $).a.107 halla¡ la probabiüdad de gue una ¡rarüfcula pegue 8l objetivo entre A = O y0 : Í14. 2. er igral a o(4t o\ltf . Si es l¿ f (r'a' z) = ( 1 rv2zs 01r11. Un haz cilínüico de partícula. Ilallar (o) P(X > Y< +r.cAP.1O4.. 0< y1l.

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

'.f"_rt" -2x'¡f@)dx .) = ) i 2.rrr-z.) /(". Y son variables aleatorias.oO¡f@)dr Generalizaciones a funciones de dos ejemplo si entonces la esperanza de g(X. Si s(r) /(¡) X es una variable aleatoria.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. E'ex2_ zx) .y) r)r d.(i.ables X.= *|. Por tanto en un juego honrado es de eeperarse pagar $5 EJEMPLO 3. entonces - E(X+ y) = E(x) + E(y) entonces (e) Teorema Si X. ..y \7) 3.2. + g(x")f(n"\ (5) = É' s(r.Jf*f g@.r(r)dr = Í.l(ir) a' = * : cE(X) ALGUNOS TEOREMAS SOBRE ESPERANZA Teorema 3-I: 3-2: 3-3: Si c es cualquier constante. Si P(Y=v¡: X es una variable aleatoria discreta con función de probabilidad /(¡).¡0.Entonces Y FTJNCIONES DE VARIABLES ALEATORIAS Sea X una variable : g(X\ también (¡ | s(¡)==y) es una variable aleatoria y se deduce :* 1. E6n : E(X) E(Y) (10) Generalizaciones de estos teoremas se hacen fácilmente.fo" .=+ aleatoria. Así por " -Ur. y\. = Ío'tro. La función de densidad de una variable aleatoria X está dada por f@l = El varor esperado de X es f*u 1. Y son dos variables aleatorias continuas con función de densidad conjunta f(r. Si X es la va¡iable aleatoria del Ejemplo 3.Y)l EJEMPLO " = ¿-.2. entonces (6) Elsul = f.cAP. Y son variables aleatorias independientes..3. Els(X... entonces E[s(x)] : g(n)f(r) + s(rz)Í(r"\ +'.a) f(r. . Se deduce que el jugador puede esperar una ganancia de $5. entonces E(cX) Teorema Si (s) X. Y) se obtiene por aleatorias se hacen fácilmente.con función de densidad f(r). 0<r12 de otra forma E(xt = Í:_.

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

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

(r) .. ¡ri es la r-ésima derivada de M * (ú) evaluada en ü : 0.16(D)l = fi*"Oll. Teorcma 3-I0 (Teorerna de la unicidad): Supóngase queX. En palabras. Entonces X.t"2 lrt = t"L-Bp'rtr * l"t : t't.'NCION GENERATRIZ DE MOMENTOS (27) - 'i|¡'a I-a. 2p" 6¡Ir¡12 tt. AIfUNOS TEOREMAS Teorema SOBRE LA FUNCION GENER ATR. entonces la función generatriz de momentos de (X + a)/b es + Mr*ro.15 (c)] M*(t') : I + tLt * r. Y tienen la misma distribución de probabilidad solo si M.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. = l"L. entonces M**"(t) = Mx(t)MtQ) (3 /r) Generalizaciones del Teorema 3-9 a más de dos variables aleatorias independientes se hacen fácilmente. la función generatnz de la suma de va¡iables aleatorias independientes es igual al producto de sus funciones generatrices de momentos. La denotamos por . FUNCIONES CARACTERISTICAS Si remplazamos ú : i<.función generatríz de momentos se define como Mx$) ee decir = E(e'*) er"f (28) (variables discretas) (2el (30) M*(t) = M"(t) ¡ . (t) respectivamente. Yson variables aleatorias con funciones generatrices de momentos M * (t) y M .3 Como casos especiales tenemos. Donde no exista lugar a confusión escribimos M(ü) por M"(tl. f M " son variables aleatorias con funciones generahices de rnomentos M y "(t) (t) respectivamente. donde i es la unidad imaginaria en la función generatriz de momentos obtenemos una función importante llamada lafunción característíca.r.80 ESPERANZA MATEMATICA lcAP. erf(r\ dr (r) (variables continuas) Podemos demogtra¡ que la expansión en serie de Taylor es [Problema 3.#l+ "' * r:#+''' ¡"i (r 1) Puesto que los coeficientes en esta expansión nos permiten hallar los momentos.r(t\ Teorema = """'**(l) (33\ 3-9: Si X. De la expansión podemos demostrar que [Problema 3. IUI y (t\ idénticamente.=t eo'f(r¡) = 2 ) _.4pip I FI. la justificación del nombre función generatriz de momentos es lógica. utilizando pl = p ygb:1..-" (32) es decir.

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

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

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

. Teorema es una consecuencia interesante de 3. se implica la ley débil. trimodal o multimodcl respectivamente. y.\.25 6 P(lx-pl<2"\ > 0.. lim + X" (n=L.3 3. Moda. =o "( *-" =.. Xz. Así por ejemplo el área a la izquierda de la ordenada eD f... Un resultado más fuerte.) Sn/n (60') Puesto que Sn/n es la media a¡itmética de X1 . 3-2 es c. Mediana La mediana es el valor de r para el cual P(X = x): P(X. . la probabilidad de que X diflera de su media en más de 2 desüaciones típica8 €8 menor que o iEral a 0. 1. variables aleatorias mutuamente independientes (discretas o continuas). Xn. Con li31 frecuencia este resultado se denomtna ley de los grandes números en forma fuerte. .ro sería 0. . La moda es el valor que con mayor frecuencia ocurtre. tiende a cero : g. f(r) es máúma. equivalente.pero cuando n '+ @.6. el ánea a la izquierda de r. cada una con media g y varianza o2 finitas. .25. Cuando se hace referencia a la "ley de los grandes números" sin ninguna especifrcación. . Sean X.q en la Fig. realmente es falso. también se emplean otras dos medidas de centralizaciiln. En el caso de una üstribución discreta puede no existir una mediana única (véase Problema 3. Si h : 2 en la desigualdad de Chebyshev (59 ) vemoo que P(X-pl>2s) í= 0. En tal valor r.19 (LeV de los gnndes números): Entoncessi S. Aunque la ntedia es la más empleada. En tales casos decimos que la distribución es bímodal.34). r): 1l2. este teorema establece que la probabilidad de que la media aritmética S. . PERCENTILAS Con frecuencia es conveniente subdividi¡ el área bajo una curva de densidad empleando ordenadas de manera que el átea a la izquierda de la ordenada sea algún porcentaje del área unidad to tal. Estas son lamoda y lamediana. 2.75.. la probabilidad de que X se encuentre dentro de 2 dewiaciones típicas de su media es rnayor que o igual a 0. 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.10 6lO% y se Fig. la desigualdad de Chebyshev. que esperamos sea verdadero. Los valores que corresponden a tales áreas se llaman uolorcs percentila o simplemente percentíhs.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. tiene la mayor probabilidad de ocurrir. tres o más valores que tienen relativamente grandes probabilidades de octrrrencia.84 EJEMPLO ESPERANZA MATEMATICA lcAP. en contraste. 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. es que p con probabilidad uno. llamado la ley de los grandes números.2.3-2 . : Xt* Xz+ .75 Literalmente./n difiera de su valor esperado ¡¡ por más de e. Por ejemplo. Algunas veces tenemos dos... o en otras palabras. el resultado del Teorema 3-19 se llama ley de los gundes números en forma débil.

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

z.o\El = t7 \o.. |s = i .(*) .86 ESPERANZA MATEMATICA lcAP.'(*) .(+). pero los definidos anteriormente se emplean con mucha frecuencia..41.'(#).977t D(x): (150) (0.s. Véase también Problema 3.. hágase á. 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. Y los puntos que aparecen sobre los dos dados. [.'(+).1.(i). La esperanz¿ de X en pesos es r (pesos) 150 0. El precio justo a pagar por un boleto es 6 peeoo.0005 0 P(X : r\ 0.02) + 750 (0. Sin embargo una lotería gana dinero.. Sean X.002 3000 0. = 1 PorüantoS:2.. el precio del boleto sería más alto. Entoncee Restando..3 que es una cantidad adimensional.002. js = !+ | + á + # +. . 20 premios de $750 y 5 premios de $3000 Suponer que se colocan a la venta 10 000 boletos. s = . ¿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:. 3. que tiene un coeficiente de curtosis igual a 3.s resueltos ESPERANZA DE VARIABLES ALEATORIAS 3. - E(Y) ^/t\ = tll) * \o/ "' .2. En una lotería hay 200 premios de $150. Hallar la esperanza de una variable dada por aleatoria discreta X cuya función de probabilidad está Itrl Tenemos : (i)' (t=r.3.os diferentes valores de X conjuntamente con sue probabilidades se muestran en la Tabla 3-2..(i)" = +../ 'l*)* 7 E(X+Y) = E(X\*E(Y) = 3.9?75) : 6. Comúnmente se compara con la curya nonnal (véase Capítulo 4). Es posible definir coeficientes de sesgo y curtosis utilizando otras medidas de centralización y dispersión. Hallar la esperanza de la suma de puntos al lanza¡ un par de dados honrados.ero que se ganará un boleto.'(*).00 ó 6 pesos..02 750 0. Tenemog E(x) Entonces. por el Teorema 3-2. Problerna..0005) + (0) (0.) E(xt = Para halla¡ esta suma.

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

8.7. = Wa"(X+Y) = 1/g v6 3. con¡iderada di¡creta.*(á) # :%1 Entonces. y. Y ron independientee. por el Teorema 3-4. p6g¡na 78.)'= i o = tFf-var(x) = \E = t r" : Ot¡o ¡nétodo. ea decir. Por tanto Y. y) la función de probabilidad coniunta de X. tenemos E(X): E(Y)= 7 12.r.(. o.. y): f tG) /2 (y). püa todo ¡. Demoshar el Teorema 3-3. Tenerno¡ E'(x ^"' * u' -'u. Y rcn E(XY) = 22 Í!J! --t ra f@.7 Y) = Var (X) (Y) = F (b) ox+).4 l¿ media de X ee ¡t= E(Xl -.4.9. Si la¡ va¡iablec X."*' ""'*"' =i'|í'. por el Teorema 3. de ¡i X.p\zt = '[(* -])'] = l:_ (" _'L)' t*. Halla¡ (a) la varianza y (b) la desviación típica de la suma obtenida al lanzar un par de dados honrados. Hallar (¿) la varianz y (b\ la desviación típica para la variable aleatoria del Problema 3. / .'/'Q)2afztu) .10.1/2.88 ESPERANZA MATEMATICA [cA".y f t@) fz(a) )1.2. var(X) (D) 3. Sea ¡t(¡. puetüo que X.\2 ^a = f-('-L)''"-"0' = i = El(x-r)21 E(xz¡-ll(x))2 = t.)'= * Var y." (')no(')l E(X) E(Y) Si cualquier va¡iable e¡ continua la demoetración ee desarrolla de igual manera. E(x2) = E(vz¡ ='. Obsérvese que la validez de eate teorema gira alrededor de si f(. y) puede expresarae como una función de r multiplicada por una función I. tenemoe f(x.(l) var(X) Var (X * ' . Además. Por el Teorema 3-4. página 77. (o) Del Problema 3. independienteo.(+)-Fr. Entonce¡ l¡ varianza e¡ Var (X) = Etá . = Var(Y) = +-(. Pa¡a va¡i¡blee dependientec generalmente no ee cumple. VARIAT'IZA Y DESVIACION TIPICA 3. Y ¡on independientes.:r:¡:* . con las eumas apropiadae remplazadas por integracioneg.u) = ) ) . (o) Como en el Problema 3.3 3. Demostra¡ el Teorema L4.

)¡..t:. p{ina 79. Pr = El(x-pl'l = nfL x.-iut + "' + (-l)'-t¡ur * (-l)-rnt donde al combin¡r loe do¡ úlüimo¡ término¡ re¡ulta (-l)r-1(?'- 1)p'.í':.tt): E(X). La demo¡tración de (I9).u.ltx.(i\*..n)21 E[(X .t'+ "' + {-r\r\l)r.r. e¡ decir cuando a : ll.(i )/.. Demeshar el resultado (26).o)n = O.3] ESPERANZAMATEMAIICA 89 3. = ..EÍ6 . Y y por tanto X gue al remplaz._i. + (-r\'-'( n . * . Var (X + Y) = E[{(X + Y) - (px + pv))2] = = = = utilizando el hecho de que .pv)l * El(Y EI{(X Var (X) + Var (Y) px)(Y pvl2) El(X - - pv)l = E(X .14. y el hecho de que E[(X tt)z1= 3.pl|. (a) puesüo que E(X) = E(x*t ¡r. página 79..\x..px)(Y . \t / \r/ + .:. Demostrar el Teorema 3-7.)"n'-' + (-t)'p'l J \r-r/.tt)lo es una variable aleatoria normalizadq demostrar que (u) E(X*¡ = 0' (b) Var (X*¡: 1.lt:0. .px) + (Y .r.13." -.ar Y gnr -Y . + r-r¡t('.' . Demostrar el Teorema 3-6.t .px)2 * 2(X .ft\tr*"-. Er(x-'''.-'u \I/ + .2] + zEl(X .u\(Y ..cAP.ttv eon independiente¡. mínimo de El(X-o)'l ocutre cuan- 3.-. página ?9. .. Y .E(x. Si X* : (X ..'tut '\'/ + "' + (-L)'-'( t . * t-t'(T)t1"'-. pág¡na 79. ..12.11.págna79. .pv)}21 EllX ./ /\ /"\ = . MOMENTOS Y FI.P)21 + (P . f)e esto vemos que el valor do (t¡ ..pi E(Y - py) - o ya que X.!^r_':i.py) + (Y .r?2..)t(")u'-l + (-t)rpr \. se ri' y emplear cl Teorema 3-6.i.TNCIONES GENERATRICES DE MOMENTOS 3.a)2 pueeüo que E(X . !¡rw-u¡ = L¡nwl-r) = a' o \ (x*) 0 (b) var = u" (?) = \o¡1x - u¡"1 oz =I utilizando el Teorema 3-5. = t(4=\ / =.

ffirol. 'r"') \ .. Demostra¡ el Teorema B-9.-'.90 EspERANzA MATEMATToA [cAp. For t¡¡to Mx*vQ) = Elet(x+Yr) = E(etxetv¡ : E(etx) E(¿tv¡ = MxG) My(t) 8..1 = .'...._" 3..) * . Y ron independiehtee..+"-.. (b) el resultado (g2). Demoshar (o) el resultado (Br )..r ze<t-Dt : -T=Tlol@ = z li't<2 z-t. = 2 fo'e<t-z>'d. La variable aleatoria X pugd.2'. Todo¡ los momentos impares 6on cero y los pares Eon uno.*#*. Pcto Al comperu Mx(\ tenemog t!:0.*#. Eltt (o) la función genératriz de momentos y (b) lós primeros-cuatro momentos alrededor del origen.. p'+=L. = .* pL=1.16.(. (o) Eqetx¡ = . ¡á=0.. -T! \ 12 rg t + tU(x) + ae(xr) +¡a1xa¡ a . g s.(á) = |G.. (o) utlliz¡ndo lrr erpaneión en serie de potencia de eu (8.rfr. 8-18.*"-. = L+tlt*uL#*ri#*.. (r) (zl (I)V e\ = 1_¿+ r+_#*fr_ . página g0.e t-oma¡ los valores 1 y .17.-"'ro.16. Apéndice A) tenemoe Mxe) = E(etx¡ = n(t+tX-t2x2. cualguier función de X y cualquier función de y son independientes..r|r*frr.I con probabiüdad 1/2 cada uno.t (D)Tenemor hsonce¡ et = e_t t+r+#. página g0. = L*pt*uLr4.Lf". !utt" quc X.ú3x3. 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.. M(t) = Eletx¡ = f" J eEf(t)dr fo" ""1.) cn(ú - o)" cn = i. (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 .*rá#*u.

tenemos ttl t2 = r-(*)'= # = 02 Fr . Por tanto..(l) -."./+b(.-+e i./!\. = E(X) =#Í""*z¡s-¡z)itr =f pL tt = Elxz¡ = # 1"" *rn - s2) d. Hallar los primeros cuaho'momentos (c) alrededor del origen.216 -r. Jo "ot.'. p6gin 80.21.) = \ -. .". (b) alrededor dc la media.8?b B6eg 8?50 ztcy q\.'NCIONES CARACTERISTICAS 3. 3] (b) S¡ lúl ESPERANZA MATEMATICA 91 ( 2 üenemo¡ z_t z L_tlZ 1 I = '.r.1!) * r/9)' 85 ". 3./!\'_ . = .".r. al comparar términos.cAP. t = )2. para unava¡iable aleatoriaX con función de densidad r(r) (c) = i. = 27-s\s5. = .19./ \ -/ = cosa coso empleando las fórmulas de Euler ¿io con 0 * isena s-io = cos.'.*L*!-L*!*. tti = *.216 pi = E(Xr) = .." = B t. La función característica está dada por Eteiux.20. pi (b 12) dr = -51 ) Utiüzando el resultado (27\. = 2 ^f FI.r)\B/ -t\Ei _ ^. '..i¡en. "\5/ tt4 y.(+) * . 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 . : c¿.Lp.'''-r2)/8r :"=i.17.17(o) al remplazar t : i<¿ 3.*.\. 2 4 8 p'n 16 Pero M(t) = * tt + uí#* rtfr+ tt^fi+ "' = P¡.. = l(3.\51 . Halla¡ la función característica de la variable aleatoria X del Problema 3.. El resultado también puede obtenerse del Problema 3. /t = \..

24. = 2a io l-o = | al@t la ela@ . Por tanto.pv)] = E[Xy .. Demostüar el Teorema B-14.c-atxt d. Hallar la función característica de la variable aleatoria X con función de densidaa f@) = ee-atEt.f(r)dr tlÍ-"eíore-o<-x.f?o/. Por definición la covarianza de X. = *t_""^"0.3 D(etx¡ = f-._(a_io) ü a L 2(o* io) 2(a. o" = asf que I . + fo* n.22. .t an + !o' "-"r.* npv] = E(XY) .donde c ) 0 y c es una constante apropiada.útit¡) l€ lo lo .Fxpy .rrrrru. página 82."r.LJ_-e(a+t@)ro" q. 3.io') = _a2 a2 * o2 COVARIANZA Y COEFICIENIE DE CORREIACION 3. Demostra¡ el Teorema B-15. por tanto por oxy el problema 8.pvX. Y es oxy = Y) = El(X .r'. Si X.23.E(X)E(ts) = 0 . arf 2c O + . úu empleando las fórmulas de Euler (véase problema 3.92 ESPERANZA MATEMATICA La función ca¡acterfstica está dada por lcAP. y eon independientes entonces E(Xy) : E(Xl E( y) . la función ca¡acterística está dada por E(eiax¡ = . Yl = E(XYI -. e<o+iarz * Jo ¿-<a-. página 82.l*-ei.pxE(Y) . e-(a-i@)¡ 2 a*io l-" ' . l:.r = "lÍ:. = "{lo 4f-o u-n<-. Puesto que f(r) es una función de densidad tenemog Í).20) ceñ d = ao.o<t> ¿sf .p*y . a. 3.ryttx * pxpv = ElXy)..6-'l "iar¿-.¡xXY .o = 8en Cú."-*l* = -Alo = I - Entonces c: ol2.pyE(X) * E(pxpvl = E(XYI .. -oo < Í 1 @..lxtty = E(XY) _ E(X) E(Y) Cov (X.e-ho 2ia.23 = Cov(X.

*.. (s) Var(Y).-. página 50.ur".8.25 si las va¡iables aleatorias X.at) = rr..3. * (1)z(1ac) E(Y2') lllr"t *l =t ..at) = 4. Resolver el Problema 3. (0 p. =# =+ = 22u2f(u...[) ¡@. .... lr. dy = %T t 16 ri = ñ)"=.2103 apror. Y se definen como en el Problema 2. f"t=u our..n".:-* J.lyL47. txv o = oxnv -.(1)(9¿)+ (2)(L2cl+(3X15c) = = = 22nufia.y) = E(xy)-E(x\E(yt ?-(it)'=:* = +-/+)l+) = --+ r47 7 \21l\7/ -0.a\ . (/) Var(x). EsPERANZAMATEMATIcA y).ú = . (c) E(XY).r. E(Y). Utilizando c : LI 2LO tenemo¡: (¿) (c) E(xt = E(Y\ E(xY) h + s) dr t.o..alf '* = *.r".O.o1. Y se definen como en el Problema E(x) (a) E(X'¡.= = t/zwan ' 15514. 2.tuo = re2c: #= + = (fr (s\ (r) (ñ oxy o2* = var(x) = E(x2r-l*(x\)z = +-('*) ffi 4= = var(Y)= E(Y2')-lE(Ytl2= cov(X. (e\ E(Y'). si las va¡iables X.(1)(1ac) +(2)(22c\ = 58o = E = n 78c E(Yt = 22af.y) = ?rh f(.a\l = .. (b) t 93 (¿) 3. [] tA.ol./zso r/55 -20: = 3. = E= + (c) D(xY.."=. sl Hdla¡ Cov (X.ul = )y..'. .al = )"rl-)ftr.o. + (0)(1Xc) + (0X2X2c) + (0)(3)(3c) + (1X0)(2c) + (1X1)(3c) + (1)(2Xac) + (1XBX6c) + (2)(0)(ac) + (2X1)(6c) + (2X2X6c) + (2XB)(?c) 427 ld.or.=. (¿) (b) = ))o/(". página 52.26.) (e) E(xz¡:22r2f(r..cAP.J"-o{o)1"Iuld'rita = I70 6s = tf67580 .26.lrrr"o*. (d) E(X'). Ju=o {rú{rr r sl dr dv = .

* a) dr tru = # otr .03129 aprox.)\t)* J_- donde hemos utilizado el hecho de que ltz: E(Y lX: r) :2.2g.za condicional de Y dada 2(L-ys¡ 2(l+y*y2) --¡O+7I- x para eI problema 2. pág¡na 62.=o. . Hallarlaesperanzacondicionalde(c)YdadaXv(b)XdadaYenelProblema2.28. página 61. = var (y) = E(vz¡ _ l'(y))2 = t# _ (#)' = t. .27. X: 2 es E(Y =2) "x = ? r(+) X: donde la suma se toma sobre todo y que corresponde a E(y..var(X) = E(xz¡-ll(xtl2 = #.(iu) = ii 3.. [.x=2) = -. pág¡na62. Hallar la esperanza condicional de Y dada X : 2 en el problema 2.(rlytdr = í"'"(#*S* El=a\ 3.pág1na62.rrr. la función de probabilidad eondicional de Y dada X : 2 es ftutz) = Entonces la esperanza condicional de Y dada + 2. .\r-. * v) dx da = cov(x.30.94 ESPERANZA MATEMATICA fu'=o [cAP.y) = E(xy)-E(x\E(y) = ?-(?f)(*t) oxy = -# -0.g. Hallar lavariar¡.27."=. (o) (ó) E(ylX=r) = Í-_afrtuldau = ír'r(rr")* = + E(xly=y¡ = f_-". 3 (d) (el u') b) (h') (t oxy =# E(Yz¡ = h f. f u'. Como en el hoblema 2.2g.^:.(ui) . p= oxoy -200l3969 /50s615e6-0 {r6únsn -200 t/zsnr/te zzs = ESPERA}IZA. Esto oru o"oo oo.28(o). DESIGUALDAD DE CHEBYSHEV 3. Demostrar la desigualdad de Chebyshev. Presentaremoe la demostración para variables aleatorias ecntirruas.(#)' = *tq*$ o2.rrrr. VARIANZA Y MOMENTOS CONDICIONALES 3. .29.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.(#).zlB del Problema 8. Si f(r) es la función de densidad de X entonces . La demosbación para variables discretas es semejante si ee remplazan las integralee por sumas.

'. ¿lr-al=e Pero Ia frltima integral es igual a P(lX - pl ? .ul=') 02 esto se conviertq. página 84.t)/ = .t+. Por tanto 02 t¡z-ttlZe rlr-yl=. el valor de la integral solamente puede disminuir cuando el int¿rvalo de integración se reduce.) = o .18. Por tanto P(lX-rl > 6) 3. (b) Utilizar la desigualdad de Chebyshev para obtener un límite superior de P(lX .*X. (c) hallar P(lX .3l ESPERANZA MATEMATICA 95 02 = EI(x - p)21 (' = J-* @ - p)2 l(r) dr Puesto que el integrando es no negativo.t <1) = "(l*-*l . . = E(X) = p Var(Xr) = Var(X2\ = "' = Var(Xn\ = o2 Entonces t(*) = "(*'*'. Para la variable aleatoria del Problema 3.) así que t'" (+) = 4 var (s") = * X: Sr/n üenemos _/ls" | \ donde hemos empleado el Teorema 3-5 y una extensión del Teorema 3-?.cAP. | \ _ ul=_ .. ".rl > 1) y compararlo con el resultado en (a). La desigualdad de Chebyshev P|X-pl > f) resulta P(lX¡r] = 1) < oz = 0.*Var(X. Así por la desigualdad de Chebyshev con Tomando el límite cuando n ) -.. DeI Problema 3.¡.* .|) ol ¿l \l \ o = J¡ | f :l/2 Ze-udr = 1 - e-3 Portanto (b) Del Problema 3. En la práctica la desigualdad de Chebyshev se emplea para dar estimativos cuando es inconvenientc o imposible obtener valores exactos. como se pide. ¡¡ (o) = 1/2. '|.(l*-*l \t o2 =t)/ = 1-(1-e'r) = p2 e-s = 0. /ts r|...|ww. Tenemos E(Xrl = E(X2l = .+E(x")l = L(nt) = = Var(Xr)*.18.18. Entónce¡ P1x ¡.04e?e = plr- = 7/4.¡rl > 1).) = ¡toz tt Var(S") = Var(Xr*'.(-:. LEY DE LOS GRANDES NUMEROS 3.'*"') .32.x.25 Comparando con (o) observamos que el límite dado por la desigualdad de Chebyshev e¡ ba¡ta¡te crudo.31. Demostrar la ley de los grandes números establecida en el Teorema 3-19.)..

(b) La medianaee 1. El máximo relativo de la derivada es cero. una va¡iable aleatoria discreta tiene una función de probabilidad f(r) : !12' donde 2. aquel valor deo parael cudlp(X é a): ll2.?3 aprox. (o ) La moda se obtiene hallando donde la densidad f (x) ea máima. Ob¡érvese que este valor da el máximo ya que la -24x 187 ."on-r2tdr = #(Y-t) 2aa_36a2 all2 hallamoe que *91 = 0 de donde _ia2 = 36a\436P-4(2X81-) . e8to e3 f(r ) ocurre dondc .[. = fr: aegunda derivada. 3-6.60 = 1. r: 1. para el cual la . r.36='ñ¿r ze) az de donde o = sli{z- q Por tanto la mediana pedida.33. que debe enconharse entre 0 y B. es Í: L.. la mediana y la media se muestran en la Fig. (c) Comparar la moda" la mediana y la media. (b) Hatlar la mediana. P(x<a) Igualando eeta = *. eetá dada por = n-Zr/. La moda. que ea La moda pedida. . 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. Halla¡ (a) la moda y (b) la mediana.62 apror.9 - -'l 86 - 8l l2r2 = u Entonces .¿rL 81 -_l = 'r2) df ar. .3 OTRAS MEDIDAS DE CENTRALIZACION 3. y (c) compararlas con la media. . ea negativa para x = 1fá. Ahorapara0(a ( 3. En este caso probabilidad esLl2. (a)/ La moda es el valor de 4 asociado con la probabilidad más grande.96 ESPERANZA MATEMATICA lcAP. l(r't 3. (c) ' E(x) = + ('¡z(g-xz\da = !(t*-+)l'= 8l\ 5/lo 8lJo que prácticamente ee igual a la mediana. .84.

OTRAS MEDIDAS DE DISPERSION 3. Entonces el recorrido es 3 .a septuagésima quinta percentila es el valor de ¿ tal que (18o2 - a4 ¡¡8t: o @a. PERCENTILAS 3. : 2. En forma análoga puesto que todos los valores ¡ ( 0 tienen probabilidad cero. a (c) f.37.33.P(X=r):l12yP(X.b1 aprox.cAP.121 reepectivamente. tomamoseluolor móximo de ¡: 3.o .0 : 3.35 los valores de la vigésima quinta y septuagésima quinta percentilae son 1.3l ESPERANZA MATEMATICA 97 (b) Si¡escualquiervalorentrely2.*l[#.10. .n "¡fa' = Í^" (.Portantacualquie¡númeroentrel y 2 podrfa representar la mediana.".? 5. I. : 1. Por tanto Recorrido semi-intercuartflico = ?121 .19 tenemos 02 ll 25 It3 oo - 32 8?5 -0. o sea ¿ 0. Por tanto el orden de las tres medidac es contrario al del hoblema 3. Por coneecuencia escogemos el punto medio del intervalo.. Hallar el coeficiente y (b) curtosis para la distribución del Problema 3.r - pl f (n) dr = l"' l' .-1998 0.")] d' + Í.655 apror.. Del hoblema 3.33 la media Desviación media ee lt : 1.68 aprox.r :: . (" . = - p|) = l_".098 y 2. Determina¡ (a) el recorrido. (c) Del hoblema 3. Empleando el método del Problema 3. es decü 312. (b) el recorrido semi-intercuartílico y (c) la desviación media para la distribución del Problema 3.25.098 aprox.19.esdecirlasoluciónde(18a2 : 0. Determinar los valores de la (c) décima.)[#'n . M.33.'"¡)a' = SESGO 0.. (b) La vigésima quinta percentila es el valor de a tal que (L8o2 P\X<a)=#(Y-fl = "# aa -a4¡¡8t \l8L : O. (o) Puesto que todos lós valores ¡ ) 3 tienen probabilidad cero.L21 aprox.33(b) tenemos (o) LadécimapercentilaeselvalordeoparaelcualP(X5o):0.60 : 8/ó. (b) vigésima quint4 (c) septuagésima quinta percentilas para la distribución del Problema 3. tomamos el uolor mínimo de ¡ : 0. (c) Como se encontró en el Problema 3.33 hallamos que s : 0.35.1253 3693 8750 (a) Coeficiente de sego -: o. :.33.l0. Y CURTOSIS de (a) sesgo 3.t):ll2.3.36.")[#. (b) Por el Problema 3. Del Problema 3.l : 2. Entonces E(lX = D.

f tl' . tenemos remplazando r : L y r : 2.tlZ Se deduce que hay un sesgo moderado a la izquierda. y la varianzaes 02 : M"(O)-ÍM'1O¡12.40. la serie de Fourier se rernplaza por la integral de Fourier (véase página 81). que tiene una curtosis de 3.r-. . - I zt....¡ rru... = 2¡p f -o --n . n2.1.t_ | eú .1. ¿ k icr_.39 para obt€ner 14 distribución de probabilidad de una variable aleatoria X cuya función característica es O(<¿ ) : cos .página 80.1... .. PROBLEMAS DIVERSOS 3. . = I#+i:"-o 2¡ tt'' sr(.39. es algo menos apunüeada que la 3€." .. Si M(tl es la función generatriz de momentos para una variable aleatoria X demostra¡ que la media €S g : M'(O. pk 1 12= T...._ ..98 ESPERANZA MATEMATICA lcAP. yp¡ los coe¡icietttes tte iour¡"r. Qk¡).. . = . " t*''L i:.¿. . 3.38. f-ri"./" .rf t1o k+j k---j Por tanto rt ¡ P¡ .. Del Problema 3.j .Iu-| é(o) E1er. remplazaudo j por h. ú"r**:r. ti = M'(ol Entonces de (27) tL = M"(o) p = Iú'(0) 3.' '^'y'.l ¡rt" . respecto I @ desde 0 hasta 22.r i r)d (¿@ I ¿ir r 1.{o) r/o Con frecuencia llamamos Q$.> ]¡xeik.3 (b) Coeficientedecurtosis = et :. (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 -.. "" Entonces j f'= " -iia 4.n. 4¡ J.x¡ ¿ior¡ = - i -) r^. Sea p. puesto que f_"n. J. De (32). También la distribución distribución normal... (b) Mulüiplicar ambos lados de la expresión (r) ...Para una variable ¿leatoria continua.u-¡ .(". Utilizar el Problema 3. . X una variable aleatoria que toma los valores t n. .39 I pt. .... o1_o o.(ar tra -= k =S o*Ja " ¿i{r'..l l''.Z.. = o" = M"(0) - lM'10¡12 1.. .i)o ¡f.. . como se indica en la Fig. coS c do -e ':.

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

(b) E(Xz *)a2). .¡. (bl E(}X-21.zl \ 'xv\2 "i" "x/ --t-"i = ""*"1-o'*"=-0 ó *=1 '7ní queesequivalenteap2 < "'*"?. ll2 . Sea prob. -2"":'\ -" -* \"r* ) -/ = oí+oil"-. 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)."Í\"-.48. g. (cl E(X21. (b) E(zX + 6).47.46.-". (c) E(XY).42. Demosbar que -1 < s1 (véase página 82). Para cualquier constante real c tenemo¡ . ¿Cuál es el número esperado de puntos que resultan en 3 lanzamienüos sucesivos de un dado honrado? ¿Parece razonable su solución? Explicar.Y El(Y _¡v)21 c(X - Px))21 = 0 / ol.49.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.{) * -. Hallar (a) E(XI. Sean X. Una variable aleatoria X se define | -2 prob.x)(Y- pv)l = + c2al - 2co*.( ".100 ESPERANZA MATEMATICA p [cAP. 9.45.otr ___q__ . I 1 3. 3. (c\ E(Xt). * c2El(Xr ¡x)21 .. = o?. Una variable aleatoria X tiene la función de den¡idad (e-' r>0 /(r) = {l0 ^ ¡(0 Hallar E(e2x/31. + n?.44. (b) E(Xr).s suplernent&rio s ESPERANZA DE VARHBLES ALEATORIAS 3. I Problerna. 1/3 por .!\'Entonees el lado izquierdo puede escribirse El¡.zcEl(X.Y = ] 3 prob. 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). / .3 3. (c) E'l(X-1)21. La función de densidad de una variable aleatoria X es /(r) = (e-r r>0 de oüra forrns 10 Hallar (o) Eo(l.

(c) E(X-rY). Sea X una va¡iable aleatoria con función de den¡idad (1/4 -2f x=2 l(rl = jo deotraforma Hallar (o) Var (X).. = I Z [ -_r Hallar (o) E(Xt+ prob. Sean X. (b) E(. Si /(t. * Xil.50..'. ¿Se cumple que (c) E(X + Y) = EIX) + E(yl. 1/3 \o prob. VARIAT{ZA Y DESVIACION TIPICA 3.(zr+y) 0<r='I.49. 1/B prob. + Xn). (f. (d) E(XY).53. 3. .cAP.2/3 v) | 2 i -a prob. (b) "x. que (o) D(X + Y) = E(X) + E(Y). (cl E(XY). 3. 3. 0f s<I.0=tt<2 lr(t*u) l\x'a) = f deoüraforma 1o (b) E(Y).58.E(X) E(Y). (b) E(2X2-Y2). ¿Se cumple que (o) E(X + Y) = E(X\ + Sean X. 3.52? Explicar. (d)E(XY). Xn n variables aleaüoria8 que están distribuidas idénticamente tal que | 1 Xt. en eI Problema 3. s) = ] : de otra forma |0 Y). .54.69.7/2 prob. (x) = io x>-0 de otra forma Hallar (o) Var (X). 3. (ó) E6?+ X'r+ . 3. (d) E(X2t'). 3. (ft E(xY). Hallar (o) la varianza y (b) la desviación típica del número de puntos que resultan en un EoIo lanzamiento de un d¡do honrado.48? Explicar. tc)E(X+Y\. Sean X1 . X2. Y va¡iables aleatorias con función de densidad conjunta Hallar (o)^E'(X). 3/4 prob. . 1/4 Hallar (o) E(3X+2Y).0lyf 3. (b) "x.50? Explicar.55. en el Problema 3.3l ESPERANZA MATEMATICA ¿Se cumple 101 3. (b\ E(XY) : E(X) E'(Y). en el Problema 3. Y variable¡ aleatorias independientes tales que ^ vt || prob.66.51. .62.57. Y va¡iables aleatorias con deneidad conjunta f(r'al = iat' Io o-<:us1' o<tl<1 de otra forma Hallar (o) E(X). Sean X. (b) E(Xy) -. 1/6 Xzl . Sea X una variable aleatoria con función de densidad f (e-. 3. (b) E(Y). E(Y\.XY\ 2 = E(X) E(Y\. .

3. Si X tiene función de densidad ¡t") : -i (l/(b-a\ O a'=r=b de otra forma.'(0) ¡f.(0)]2 - 3[M'(0)]4 FUNCIONES CARACTERISTICAS 3. Ei6 - . Hallar la función carar:terística de la variable alcatoria X con función de densidad f¡): (x/2 io 05rtZ deotraforma .67. ESPERANZA MATEMATICA Hallar la va¡ianza y la desviación típica para la variable aleatoria X del Una va¡iable aleatoria X tiene (a ) [cAP. (c) o¡..69.43.44.66. (á ) Problema 3.70. 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. (b) Problema 3. (a ) 3. 3.73.. E(X2 ) : 8. (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. 3.68. 3. Hallar el hésimo momento alrededor (a) del origer^. g Problema 3.63. Hallar (o ) Var (X ).64.43. página 81.60. (b) de la media.65.67 halla¡ los primeros cuatro momentos alrededor de la media. 3. (b ) ox. Si M(ú) es la función generatriz F:t de momentos de la variable aleatoria X. MOMENTOS Y FUNCIONES GENERATRICES DE MOMENTOS 3. 3. (b) Var (X). Halla¡ Ia función ca¡acterística de la variable aleatoria (a X = 7 ó I prob. 2\21 Si una va¡iable aleatoria X es tal que E[(X Demostrar el Teorema 3-1.r02 3.62. Demostra¡ el Teorema 3-11. Hallar (o) la función generatriz de momentos de la variable aléatoria x = y (b ) los ( U2 1 prob. - 1)2] = L0. En el Problema 3. página 77. E(X): 2. 3.44. momentos al¡ededor de la media están dados por = p1 - ItI"'(. p Prob' g=L-P Hallar la función característica de la variable aleatoria X que tiene función de densidad í'llZa f(r) = 1o 3.61. 3. 1/2 -tn primeros cuatro momentos alrededor del origen.72. Hallar los primeros cuatro momentos alrededor de la media en el Problema 3.6 hallar (a) E(X).71. 1/2 prob. demostrar que el 3o.(0) + 6M"(o)lM. y 4o. 3.01 - 3M"(0) ¡l'(0) + 2lM'(0\13 Ifrivr(Q) 4M.7 lxl I a deotraforma 4.

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)

4 En este caso decirnos que la variable aleatoria X está normalmente distribuida con media g y l. algunas veces conocida como la curva normal tipificda. : . 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. La función de distribución correspondiente está dáda por F(z) = P(Z < z) = I t/2" Í'-"-.27%. En este caso la función panZ puede obtenerseapartir de (4) alremplazar! = 0V o: 1. 99. Si hacemos que Z sea la variable normalizada correspondiente a X.46%.u y F(z) : á['. 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. P(-Z=Z<2) = 0.6827. (r) Este resultado se conoce frecuentemente como la iunción o la distribución de densidad normal tipif!eada.73% Fig.99?3 (10) ¡$$.. *t(ft)] (e) En la Fig.".-2y I2.Nl/s-> 96. que es uno.68. Tenemos z de la variable tipificada el wlor tipificado.z: + .2 y 3 desviacionestÍpicasde lamedia(esdecir entue z: -1y * L. La función F(z) eú(z) = z-frÍr' e-u'd.451/" y 99. Esto quiere decir P(-1<Z=L) = 0. ert (z).-. du = + # fo' .73% del área total. 4-1 se muestra una representación gráfica de la función de densidad (7).z.8 yque3) las cuales rcn iguales aJ.. En esta representación gráfica hemos indicado las áreas dentro de L. du (s) se Algunas veces llamamos al valor encuentra relacionada con la función enor. resultando de f(z) : le-"'" V2" ...110 va¡ianza DIsrRIBucIoNEs DE IRoBABTLTDAD coN NoMBBE pRoplo [cAp.9545. P(-3< Z<3) = 0. 4-l z En el Apéndice C se presenta una tabla que da las áreas bajo esta cun¡a limitada por la ordenada O y cualquier valor positivo de z.96.

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

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

Xo=2\ = z. Ar.l. .....hur(..P: ¡'/\b + r\. decir las bolas no se regresan a la caja después de seleccionarse.. * n. Xr. Xz:Tt2¡ donde . que es Ia variable tipificada a normal asintóticamente.cAP.xix*x¿xlxá)' #. la variable aleatoria (5"-np)/"1/ñ.. esto es .x:-2. es verdadero bajo condiciones más generales.3.llt. 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... S..1.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 113 es decir. = 000344 ElnúmeroesperadodevecesqueAt. entonces empleando la distribución binomial (/ ) vemos que la probabilidad de r éxitos es (r 8) ya que p: bl\lt'tr). 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.2.il \?¿i (b\( r \ (1e) Esta es la distribuci.x.. entonces p(x _ rl = V¿lu\r* ..'rXk. se cumple cuando son variables aleatorias independientes con la misma media y la rnisma varianza pero no necesariamente distribuidas idénticamente. que es una generalización de la distribución binomial.3..en ét cü¡ se to. n" entonces P(Xt.ftPn E(X1\ -' np1.ón hipergeométrica.. se mento. Si un dado honrado se lanza 12 veces. respectivamente.Xr.An ocurreenuntotaldenpruebas..Pz. ..pedondePt.. + flh : f. . . es la función de probabilidad Xr.*Pz Xe sonlasvariablesaleatoriasrespectivamentequedanelnúmero devecesqueA¡.=Z. E(Xr) : rlp2.--r.-.. La media y Ia varianza paxa esta dist¡ibución son .Ak'ocurraennpruebassonnpr.5 y6exactamentedos veces cada p... rr] ... es Si modificamos el experimento anterior de modo que el rnuestreo sea sin remplazamiento. se llama la dístribución * pz * "' 1. escoge una bola aleatoriamente. es Xr.* (16) n..AppuedenocurrirconprobabilidadesPt.4.uv. + ph)" .demodoque X1 -lXz* "'*Xt = +. Xr=nx) : nr. + .:1" SiXl . conjunta para las variables aleatorias multinomial puesto que (16) es el término general en laexpansiónmultinomiald" (pt EJEMFLO 4.... por ejemplo.. El teorema también DISTRtrBUCION MULTINOI\{IAL SilossucesosAl..+ p.-6P\'P')'' "P'. q --.Az..A2..hPz. Xr.. laprobabilidaddeobtener uno es ESta distribución..

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

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

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

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

: L/4'rr'r. Para cualquier dishibución conjunta la condición p = 0 es necesaria para independencia de las variables aleatorias (véase Teorema 3-15). . f (r) : P(x = . Distribución geométrica f(t) = P(X=r) = pq'-' r=t. ...4 *8: 4-o.Z. Aquí La variable aleatoúa X representa el número de pruebas de Bernoulli hasta. El caso especial X representa el número de pruebas de Bemoulli hasta. M(t\: aquella en que el primer éxito ocura. r=l ""=# Me)=# r.o.. Y.. .0(* :..CUADRADO..51).r. (+)' ) /. lt:po'=p2 r"rq E+S La va¡iable aleatoria aquella en que el r-ésimo éxito ocurra. e incluyendo.u\ : 2rororl/T-p" ". Distribución binomial negativa o de Pascal.rr. se considenn positivas al menos que se establezca lo confrario.r *1. 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... Y.r. La función ca¡acterística se obtiene de la función generatriz de momentos. donde se da. Teorcma 4. -ú <A <6'. r : 1 da la distribución geomékica. p. a. = t!-qprzt. Con frecuencia nos referimos a (49) como la distribución normal bidimensio¡ul.n] (4s¡ donde -o ( t. p es la probabilidad de éxito en una sola prueba. remplazando t = ia. En el caso de (491esta condición también es suficiente (véase Problema 4. b. DISTRIBUCIONES DIVERSAS En las diskibuciones descritas más adelante. e incluyendo.r'X?) .' {-[(?)' -. 1. É¡r p2son las medias de X. las constantes o. .= + X. = (X -t)o'n'-' r :.. y p es el coeficiente de correlación entre X y Y. 2.ottoz sonlasdesviacionestípicas de X. 1ú. r.. RELACIONES ENTRE LAS DISTRIBUCIONES CHI. 410: 4.118 Teorema DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.9: Teorema fYF 4-r. .

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

á . 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). /l\/tYll\'= .\t/\t/ \z/ \z )\zl \zi \3 l\2) \2 / De otra forma.)'(.2. (o) p(scaras) = (l)(. Aeí por ejemplo si seleccionamo. Halla¡ la probabilidad de que en cinco lanzamientos de un dado honrad o aparezca 3 veces. (c) al menos dos veces. ó 3 caras) : * P(2 caras) * P(3 caras) = /'\/l\'/t\'. (b) máximo una vez.)'(i)'= á (b) p(zserrosunacsra) :: (.r)\t)\r) . NOMBREPROPIO [CAP. -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. (c) puede escribirse P(al menos una /s\/r\'/r\o /s\/rY/r\ = \s/\rl \ü -\. qr" X. i 8 P(al menoe 1 cara) : 1 : .I2O DISTRIBUCIoNES DE PRoBABILIDAD CON De otra forma.' /'\lrY/l\'. cara) = I'(X ¡-- 1) = P(X = 1) + P(X =2\ * P(X: 3) .X.sea la va¡iabié aleatoria que denote el número de caras en los 3 lanzamientos.)'= P(1 cara) 3 (c) P(aI menos 1 cara): P(1. 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/ . Usaremos ambos de los enfoques intercambiablemente. Sea la va¡iable aleatoria honrado.. 4.2.

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

.1..n) ..nba j-ésima si éxito en la prueba j-ésima U=1'2.6. de un tornillo no defectuoso va¡iable aleatoria X el nl¡mero de tornillos defectuosos. = 1:)l+Y/q\' \"/ \"/ \6/ - r25 216 y 4./ ) _)p. sean defectuosos. P(al menos un ? en tres lanzamientos) = | ... Entonces es g : I . = = Método 2.:: =:"0. Si el 20 % de los tornillos producidos por una máquina son defectuosos. Sea la (o) P(X: t) = (rn ). Para una secuencia de n pruebas de Bernoulli definimos n /n\ '?n ('/tr"')'0"-' (a -l.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. (ü) p(X = 0) = (c) P(x <e) = (fi)to.7.pet¡" Xi ' |0 {[1 si fracaso en la prr. La probabilidad de un tornillo defectuoso e8 p :0.8)a = s.46e. página49).L22 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. HaIIar Ia probabilidad de obtener un total de 7 al menos una vez en tres lanzamientos dé un par de dados honrados. \r/ Entonces la función generatriz de momentos está dada por M(t) = E(etx¡ = )etxf(r'¡ n /n\ = ¡=0 .4 Número esperado de familias con 1 ó 2 niñas = tZOOOill) ' '\ 6 / \/ = 125 1250 (d) Nfrmero esperado de famiüas sin niñas = (2000)( i ) = 4.'(\*. f (r) P(x = r) = (!\o.. 4.. determinar la probabiüdad de que de 4 tornillos escogidos aleatoriamente (a) 1.8.. Si X está'distribuida binomialmente.8)r = ¡.46e6 ffi ? .n" .' (0.r.p:0.2. Médodo 1.6.rt't0. (c) menos de 2.0.0.detalmodoquelaprobabilidaddenoTenunsololanzamientoesq:1-p:516.l# = fr X que está distribuida Hallar la funCión generatiz de momentos de una variable aleatoria binomialmente.q" . (b) 0.

n. . (o) Medialt:np:(400)(0. = X. .4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L23 de momento¡ Entonces las X¡ son independientes y tenemos X: Xr * Xz *. página 80. Pa¡a la función geraeratr:iz Mj(t) = stoqlettp .la ley de los grandes números (en forma débil) pa¡a las pruebas de Bernoulli.L52\....1.)l*.t/V6d.10. 2..1.t y varianza 02 Íini- (r) en tol P(X-11 -ko\ flp. tt = flp.i .esdeciresperamolque40tornillosesténdefectuo¡os. y1 E(X) = 0q*Ip = var (x. li* Pll{-.lro.38) o direetamente de la función de probabilidád (véace Problcma 4. LEY DE LOS GRANDES NT.9) : 36.9. Por tanto la desviación tipifrcada o = y'56 = 6...e*pet M(t) = M tQ) LI2Q\' ' ' (i=1. tenemos. como se requiere. M"(t) - 'f pst¡n 4. página 83.IMEROS PARA LAS PRI.npl > k1/i-npq) < i ó (3) Si hacemos c = k \l T.'EBAS DE BERNOULLI 4. 4. .q Entonces o2 p:E(X)=E(X'\+E(X2)+"'+E(X")-np = Var(X) = Var(Xr) *Var(Xz) +. si X es cualquier va¡iable aleatoria con media tas.y (I)rc convierte En particular si X tiene distribución binomial o de Bernoulli." *Var(X) = npq donde hemos utilizado el Teorema 3-7 para o2 . o =. Si la probabilidad de un tornillo defectuoso es 0.n) (Q Entoncee por el Teorema 3-9. entonces ¡. Procediendo como en el Método 2 del Problema 4.i)'== . v (3 ) se convierte en P(lz -.1 ):40.) / \ 14 'l y tornando el límite cuando n -+ @ = 2+ ¡4r.8. con S.) Í+ó \l ?¿ -l = / = 0 El resultado también se deduce directaménte en el Teorema 3-19..7 tenemos para/: L. entonces F = P(lX.) + (r - p)2p = i)". de Los resultados anteriores también pueden obtenerse (pero con má¡ difrculüad) derivando la función genaetriz momentc (véaee Problema 3. Demostra¡ que la media y la varianza de una variable aleatoria distribuida binomialnente son p: np Y o2 : npg respectivamente.'* Xn. (b) l'Iananza o2 : npq: (400) (0. Por la desigualdad de Chebyshev. Demostrar el Teorema 4-7. :-. págirra 84.1 = .cAP.2. o - {-npq. halla¡ (a) la media y (ó) la desviación tipiticada para el número de tornillos defectuosos de un total de 400 tornillos.)(0.

=12 Fig.(área enhe z :-0.(b) entre z:-O. . Por üanto'.as 0. Entoncee. es el área pedida y representa la probabiüdad de que Z estÉ ent¡e O y 7.2) = | {u ¡rz Jo ¿r. Por tanto P\0=z=r.2. P(-0. proceda a la derecha hasta la columna 8.2.81 = Z = L.0. Por tanto P(-0. El resultado.46 y 2. Por tanto .t _o.C. (e) a la derecha de z: - L.68 y z : 0.4 4.81 0.1828 O yz ) lo mi¡mo que P(0..46 y z: 2.11.a'ley de los grandes números establece en este caso que la probabilidad de la proporción de los 3 en n lanzamientosdiferiendodel/6pormásquecualquiervalor€)0tiendeaceroamedidaquen-+€.68 (por simetría).ildlt + _= |^2 ¿¡ = O.12.i77Z + 0. \.L (o) Utiüzando la tabla en el Apéndice.L24 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. 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.4864 : 0.4964 | t/Zt Js \/2r Jo "-uz/z 1 (d) Area pedida : (área entre z : : E¡to es - (área entrez : 0.¿ ¿-uzr!¿u = -! Jfo \E = ___1__ -o.27.4738 - : 1. (d) entre z: 0.6636.68 y 0.gg4g z=O .941.rz¿u (c) ñ J" Area pedida .+e "-u2t2f. (c) entre z : -0. ee el área pedida y representa la probabilid¡d de que Z eté entre -0. El recultado. Halla¡ el área bqio la curva normal tipiñcada (a\ enfte z: Q y z: 1.46 f ZÉ2.46 y z : O) * (área ent¡e z : O y z : 2.6636 e-ú'/! clu = 0.94. DISTRIBUCION NORMAL 4.u + t/2" 'lo + ('"' "-u2tz 1¿4 2l 10.2517.2L) : (área entre z : O y z : 0. baje por la columna z basta alcanzar el valor 0. [.6.46) * (área enbe z:0 y z : 2.3849. 4-3 (b) Area pedida : área entte z : O y z: *0.94) O y z = 0. 0.25f ? El área.81y z = L.21.!772 + 0.2I) : O. = "-u!/t 0.46 " 1 e-u. represenüa la probabilidad de que Z eaté entre -0.211 = + (''" {2r . baje por la columna ma¡cada con z hasta alcanzar el valor /.Luego proceda a la derecha h¡sta la columna marcada 0. 0.68 sz=o) = -! l'o {2¡ J = | r' -o.68 "- u.28.2910 = 0.

4115 de lo 2: z es negativa pero a Ia izquierda de -1. por tanto z debe ser negativa. con menos precisión.L6.5 kg en unidades tipificadas : (71. suponiendo que se regis' han al valor de kg más próximo. 0 y z esO. El peso medio de 500 estudiantes varones de una universidad es de 68.5: 0. (b) Puesto que el área es e-tt/2 du = 0'3770 mayor que 0.0277 (árca entre -1.30 47. o."O. hallar el valor o los valores de z tales que (a) el área entre 0 y-z sea 0.09.4-ll -1. hdlar el número de estudiantes que pesan (a) entre 48 y 71 kg.5: 0.5 )/10 .1 y bajo la columna 6.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROP¡O Area pedida L26 (e) - (área entre z: -t. z : -1.35.16 es otro valor de z. (o) Los pesos registrados entre 48 y 7l kg pueden realmente tener cualquier valor entre 47.5 y 0' (c) Si z fuera positiva el área sería mayor que el área entre que es 0. 4.7O ?1.3??0.5 kg en unidades tipificadas 68.5 kg y la desviación tipiiicada es de 10 kg. Caso 0. (b) más.8621.4332- : 0.O2l7 : Entonces el á¡ea entre z). Area entre -1.5 y 0 ) . Caso 1: z es negativa pero a la derecha de -1.14.4332 :0. : (47 .5.69.694 utilizando interpolación lineal. -1.5)/10 68. Suponiendo que los pesos están dishibuidos normdmente.O2l7 + 0. de lo cual z:1.cAP.5 y z sea 0.13. Area entre z v -t'5: 9ü. 4.0. (a) En la tabla en el Apéndice C.5 y 71.28). (b) el área a la izquierda de e sea 0.5.8621 . Area entre 0 y z es 0.:1Tí"11u (área entre 0 y O. Entoncec la z pedida es 1. El problema es equivalente a resolver para z la ecuación rfz G ).5 y z : 0.5:0. Por simetría.4332- Entonces el área entre 0 y z es cual e: -1. el valor 0'3?70 se encuentra a la derecha de la fila ma¡cada 1.5: -2.28'y z = O) T 1área a la derecha de z : 0) = 0.4332. (c) el área enhe - 1.16. z debe ser positiva.(área entre 0 y z) (área entre 0 y z) 0.5.8997 Esto es lo mismo que P(Z > -1.4549 y z: l'ig.0217.O2L7 : 0. z : -t.5 kg.4332. o. Si "área" se refiere al área bajo la curva nonnal tipifrcada.de 91 kg.3997 + 0.3621. Por tanta z: + 1.

10 y z Ol * (área eítte z = O y z : 0. 4. 1-14 Obsérvese que si consideranros el intervalo L.(dos veces el área enhe z : = 2(0.4 Proporción pedida de estudiantes : : = (área entre z = -2.3849) = 0.0126: L.0107 es 2.6)/10 : 2.29 cm.275')lO.6000 Entonces el nfimero de estudiantes que pesa entre 48 y 7f 500(0.68.5<W<71.2 -77% = 23%. . etrt+oot-tu2/2.I.0125 cm.29 cm como representando realmente los diámeüros de¡de L.30 Entonces el número de estudiantes que pesa más de 91 kg Fig.9tOt 4.5 Proporción pedida de estudiantes 91'5 kg en unidadee tipificadas: (91. Sin embargo para doe cifrar significativag los resultados son iguales. M(tl = E(etx¡ = L= Remplazando (x ot/2r J -- (' ette-(t-tD2/2c2 dtr g.30) : (área entte z: -2.295 cm.1.(área entre z : O y z : 2.275 cm y la desviación típica es 0.16.5 .(área bajo la curva normal entre z : L. Hallar la función generatrrz Tenemos de momentos para la distribución normal general.26 (1.26 s 1. .300) 0.26 en unidades tipificadas 1.4893 = 0.30 = 600(0.600) kg.2 Por tanto el porcentaje de lavadoras defectuosaÁ es 10002 Fig.5 - 0.30) 0. d1) = "ut'<o2t2/2t (J-ú "-tr-ort" l/2" .O]-25: -1.91¡ = 6.275)l O. La media del diámetro interior de una muesha de 200 lavadoras producidas por una máquina es 1. el resultado anterior se modifica ligeramente. podemos resumir los resultados anteriores en términos de la probabilidad al escribir P(47. suponiendo que los diámetros están dishibuidos normalmente.010?): $.2 .2) . 1.29 .L26 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.tt)lo: uenlaintegralde M(tl = -= | \/2r J-14q modo quer:¡¡+ dx: o d4 tenemor dt.26 a 1. de otra forma las lavadoras se consideran defectuosas. (D) toe e¡tudiantes que pesan más de 91 kg deben pesar al menos 91. = 300. (área a la derecha a.7698 ó O yz : 77% -1.2) yz Proporción de lavadoras no defectuosas .11.29 en unidades tipificadas : : (1.SO) (área a la derecha de z : 0 ) .600 P(W -.4821 + 0. r. Determinar el porcentaje de lavado¡as defectuosas producidas por la máquina.l. : Z.5)=0.2 L.2 : -7. 4-r3 Si W denota el peso de un estudiante escogido aleatoriamente.266 a 1.1179 = kS ee 0.10 y z:0. El propósito prira el cual se han diseñado las lavadoras permite una tolerancia máxima en el diámetro de I.

6.E \ /\2/ \2/ =5) = l.5 .7718 (área entre d.cAP.* "á Ar P(X=A) /ro\/fY/r\'_ = \4 /\z/ \z/ P(X=6) = 106 stz /to\/r\o/r\n _ = (. en la Fig.7734 que se compara muy bien con el valor verdadero superiores de n. Tqqbié"r!g_.5 a 6.¿*\ / = ewt+(ozt2/2) APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 4.5 en unidades tipificadas : (6.17.es la probabilidad pedida es P(B=x<6) = #. (b) la aproximación normal a la distribución binomial. )\.58.5 caras. Entonces dadas por/r= np=10(4\= 5yo = {nw = y'(10)(+)(+) 2. obtenido en la parte (o). La probabilidad pedida es la suma de las áreas de los rectángulos sombreados en la Fig.ó8 : -1.4429 + 0.X.e O.95) (área entre z :-1.58: 0.)'_ .#*¿%*# 03 = # = 0. 4-16 y puede aproximarse por el área bajo la correspondiente curva ncrmal.5)/1.3289 : 0. 4-16 trata los datos como gi fueran continuog. La precisión es aün mejor para valores .7784 Probabilidad 2341678 Nfrmero de caras Fig. Cor¡siderando los datos como conünuoe.58 6.95 Probabilidad pedida : : z: -1. (o ) Sea X la variable aleatoria que da el número de carag en 10 lanzamientos.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 en unidades tipificadas : (2. mostrada a trazos. 4-r5 23{587E Nfrmero de caras Fig..95) : O..)\.5)/1. Hallar la probabilidad de obtener entre 3 y 6 caras inclusive m 10 lanzamientos de una moneda honrada utilizando (c) la distribución binomial.p94!l y la varianza para la distribución binomial están = 1. se'deduce que 3 a 6 caras pueden considerarse como 2.-o) l+Y 5 ll)' : .58 y z : 0.68 y z = O) * (área entre z : 0 y z : 0. Entonces p(x=B\ = P(x ('f)(.) ffi. 1-16 (ó) La distribución de probabilidad para el número de caras en 10 lanzamientos de la moneda se presentan gtáficamente en las Figuras 4-15 y 4-16. ro¡ Entonc.

empleamos la aproximaclón normal. podríamos considerar que la moneda no 4. 239.1443: 0.6/ r7 \ /\6/ \6/ \ /\6/ Con¡idenndo los datos como continuos que 0 a También .5 .. l8 cuatros pueden tratarse como tt = ttp = Entonces 120( )l = ZO \o/ /t\ y q = 1/-n7tq .20)14.5 en unidades tipificadas hobabiüdad pedida ..7 3 280. Un dado se lanza1-2O veces. 219. Entonces -0.(área entre z : O Y z :-1..31-i Probabilidad pedida : (área bajo la curva normal enhe z : -5.3557 -0.5 y 280..6 - 2O)l4.5 se 0.18 : -2.O2 14. ...'.5 y 260.5 en unidades tipificadas 28O. Una moneda honrada se lanza 500 veces.4115 : 0.. entre 219.02 y 2 : -1. Hallar la probabilidad de que resulte 4 (c) 18 veces o menos y (b) 14 veces o menos.5 cuatros. o si consideramos : (219.0.6 .311 : (área ent¡e z: O y z: -5.94) : (dos veces el área enhe z: O y z :0.250y11. .mr. Hallar la probabilidad de que el número de caras no difiera de 250 por (a) más de 10. un 4 debe apariecer 14 vece¡ o menos en aproximadamente la décima parte de estas muestras. (b) por más de 30.5 en unidades tipificadas : 1-0.5 en unidades tipificadas: (14.5 en unidadee tipificadas :-5. (rzo\/r\/!\'. : 4.b.6528 = (239.02 18.02) .(i) = 250 s '= \/ill = .94):2(0.0.02y z: Probabilidad pedida -O.35) : 0.18.0885 Se deduce que si fuéramos a tomar muestras repetidas de 120 lanzamientos de un dado.19.(.37) -0.5 en unidades tipificadas : : (área bajo la curva normal entre z: -0. ¡ rzo\1¡\''l5_\'o' r8 \..OB pero debido a que el habajo involucrado en la computación es excesivo.e z: O y z:2.5.5 en unidades tipificadas : 2.94 y z: 0.3? (D) Procedemos como en ha parte (o).18 (o) Necesitamo¡ la probabilidad de que el número de caras se encuentre enbe 240 y 260. o si conslderamos los datos como continuos.0. Esta se encuentra exactamente ¡rzo\/f\"i 5\'o' .5 - 250 )/11..94 ib) Necelitamoe la probabilidad de que el n(¡mero de caras la encuentre entre22O y datos como continuos. o \ i \6/ \6/ -{.18: .. t."p: . 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.- -1.OB tipificadas : -0. remplazando 18 por 14. suponiendo que el dado es honrado..3264): 0.4 4.' La probabilidad de que resulte un 4 es p: l16 y de que no reeulte esg : 5/6. = .5 -.02) : : -(área enhe z O Y z : 0.5 en unidades : (área bajo la curva normal entre z: -5. entre 239.(lX*) : -5.08 . . es decir etabacargoda 280.L28 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP.7 3 Probabilidad pedida : (dos veces el á¡ea bajo : 2(0'4968): 0'9936 la eurva normal enb.)(+) = I 1. pbr (o) Deseamos la probabilidad del número de 4 entre 0 y 18.35) : (á¡ea entre z : O y z : -5.94 260.5 a 18.73\ por más de 30.

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

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. _/1t\ para X* es ". tfi-oa = > ¡=0 |\_. sultan defectuosas. determinar la probabilidad de que de un total de 2000 individuos (c) exactamente 3.130 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. X tiene una distribución de Bernoulli.r -Lót 1! ) = l-6e-z = 0.23. empleando (o) la distribución binomial. Si la probabilidad de que un individuo sufra una reacción por una inyección de un determinado suero.323 Una evaluación exacta de las probabilidades empleando la distribución binomial requeiiría mucho más trabajo./íil 2 o et't-(.1.e¡' = \z/ 0.183e ó 0. e t. exactamente 2 estén defectuosas.tr r/iñ 1o + per/ lliii tvr ll-nw 1n ¡pt e ' tnp..1# ^:?¡p:(2000)(0./)(p"..24.(d) I¡¿-)\ donde p(x-Bt .2te-z --z! .1) - 1.. Halla¡ la probabilidad de que en una muestra de 10 henamientas seleccionadas aleatoriamente.1e37 ó o. Entonces de acue¡do con la distribución de Poisson I¡¿- P(x--x) . es decir P(X:x\ -.- 6 P(X=2) = %: = 0. pero ya que las reacciones se suponen sucesos raros.180 (b) P(X>2) = 1-[P(X=0) *P(X:1) +P(X=2)] _ I fzo¿-z.22.np)/l/nW y la función generatriz de momentos Eletx'¡ E(et<x-nú/t'/-nil¡ tnnr rliii g 1"txrl noÁ ¡ "" = e-tnpt. Diez por ciento de las herramientas producidas en un proceso de fabricación determinado re.001) :2 _ 0. Denótese por X el número de individuos que sufren una reacción.t ¡n = le(qe + pet.4 4.' .re = (10)(0. Zze-21 -.r¡r1s. )r. TEOREMA DEL LIMITE CENTRAL 4.0"-' .18 En general la aproximación es buena si p É 0. podemoa suponer que X tiene una distribución de Poisson. (o) La probabilidad de una herramienta defectuosa es p :0. (b) la aproximación de Poisson a la distribución binomial. Entonces de acuerdo con la distribución binomial p(x:zl (b) Tenemos )\: np (tJ )10. vC. 4. (b) más de 2 individuos tengan reacción.1 y \ = np 5 5. es 0. lioo ¡ln p¿tar liii¡ {ili ¡n . Denótese por X el número de herramientas defectuosas de las 10 escogidas. La variable tipificada para X es X* = (X . t ¡t qn.001.

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

Po=' 3/12' Porexpansión se obtiene elresultado anterior. 2 blancas y 1 azul. Una cqia contiene 5 bolas rojas.i Entonces r azur) = .27.t i . Método 1 (por fórmula).rt. Hallar la probabilidad de que después de 5 pruebas del experimento se hayan escogido 3 bolas blancas.132 DISTRIBUCIONES DE PROBABILIDAD CON NQMBRE PROPIO lcAP. 2 blancas y 1 azul en ese orden es /s\'/¿\'/rY \tll \.26. 6t In\"lt\-/:lY z!r!\itl/ \itl \rrl $/ La probabilidad pedida es el término 44p" en la expansión multinomial de (p. DISTRIBUCION HIPERGEOMETRICA 4. i-paIpo)G donde p.t \A/ Pero la misma selección puede realizarse en otros órdenes diferentes. El número de formas diferentes de selecciona¡ 3 bolas blancas de 6 blancas * \r/. ) Por tanto el número de mueshas y 2 rojas ". rc 2l . Método 1. Entonces la probabilidad de escoger 3 bolas rojas /5tl2\3 . Por tanto Ia probabilidad de escoger 3 bolas rojas. /o\ /r'i \. En forma análoga la probabilidad de escoger 2 bolas blancas e (4ll2l2 y la de escoger 1 bola azul (3/12)t .4 DISTRIBUCION MULTINOMIAL 4.+)' = ffi es es Método 2. 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. Halla¡ la probabilidad de que de 6 bolas seleccionadas de esta forma 3 sean rojas. pero no se remplaza la bola. .\ [ . 2 brancas. 4 blancas y 3 azules.h(¡r)'(#)'(. 12.'. P(roja en cualquier extracción) = # P(blanca en cualquier extracción) = h P(azul en cualquier extracción) p(B rojas. Entonces la probabilidad pedida es lr Método 3. y el número de estas formas diferentes 6l 3!2!1! como se expuso en el Capftulo 1. La probabilidad de escoger cualquier bola roja es 5172. lJna caja contiene 6 bolas blancas y 4 rojas. Se realiza un experimento en el cual se selecciona una bola aleatoriamente y se observa su color. pb = 4/72.ri \z ) /ro\ \5.El número de formas diferentes de seleccionar las 2 bolas restantee de las diferenües que contienen 3 bolas blancas /a\ 4 rojas * (.

l \ /10\ \5/ 4.@ 1x1*. r = 3.cos or = . Oemos- /(a) = ! -L2- . X con DISTRIBUCION DE CAUCHY 4. PIX=S) DISTRIBUCION T. Tenemos b 133 =6. i J-6 x'' + a: ""'l' .laprobabilidadpedidaes . o > 0. Esto puede verse al notar por ejemplo que si r ¿ 0." = o 2 . 7+ azctr sin +-ai )-.r! * la cual no existe si ú es real. -> t!! I y la integral a la derecha diverge. r= 4.cAP..159). Jo r.29.r-n '.28.'f-+ = #tl. = firo_ot. J-. (a) t..modo que = r*tu*lfí*. = E(x) = E(xz\ l"'* = #:af" b2-a2 Z(b-a\ a*b 2 (b) Tenemos = I..rr¡ r¡¿n' ("' 2o (" cosor r=.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Método 2 (empleando la fórmula). tiene unadistribución Cauchy en. Sea @ una va¡iable aleatoria distribuida uniformemente en el intervalo -l=t trarque X: atan @. de.#ruo. E(erx¡ = g (" -J". (b) o2 : Ll72(b -a)2. 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. : Ll2(a + b).dz T . (a) La función gerreratriz de momentos de X es -¿. .' 7't|^ou" (b) La función característica de X es E(eiox) = g (¿. Demostrar que la media y la varianza de la dishibución uniforme (página 114) están dadas respectivamente por (¿) ¡.30. ¿ > 0 e. = n# Í.páginallS.2+d2dr ' _ donde hemos utilizado el hecho de que los integrandos en el segundo renglón son funciones par e impar respectivamente. Í".' La función de densidad de @ es < j. 4. a f .. Puede demostrarse que la úlüima intcgral existe y es igual a e-aa (véase hoblema 4. n=6.'NIFORME 6 = \/4 }i|j. = ffi= Yt+Y = Entonces la va¡ianza está dada por s2 = E[(X-u¡21 = E(Xzl-uz ry4y_ (+). Entonces por(I9).

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

'rz¿s (-fr"-.36.84. Demostrar que X2 tiene distribución chi-cuadrado con 1 grado de libertad. página g1. 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.36.34 que una distribución cuya funéión generatriz de momentos es (1 2t)-<vt+v2)/2 es la dishibución chi-cuad¡ado con v11. Puesto que Ia correspondenX y Y no es uno a uno no podemoe aplicar el Teorema 2-3 como está. grados de liberta u2 Z:Xt *X.6.2t)-. .t Pero esta es una distribución chi-cuadrado con 1 grado de libertad. DISTRIBUCION CHI. ! X./2dü (-. Pa¡a ( 0es lóglco que P(Y SU) y> 0 tenemoe P(Y<u): P(Xz<a) = P(-\/u=X<+\/a) +fr"-.r2.v2 gadosde übertad.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 135 Entonces. ea M(t) : Enet(xr+xü1 : E(etx. pero procedemos de :0. y utilizar el hecho de que r(á) = V7. grados de libertad.CUADRADO 4. utilizando el Problema 4.r2 Al remplazar (l - 2t)n/2 = 7.-rr/2e-. por el Teorema B-18. t : (1 - N¿¡-Qr+v2t/z (b) Se observa del Problema 4. cia entre Paray Deseamos hallar la distribución de la manera siguiente.la varianza es 02 = E(xz¡-l'(x)l= _(rro)'= cr6#T_Fn : (1. es con (¿ dA v.1 en la última integral hallamos M(tl = 2. colocarz: 1 en (39). a * v. Sean ¡t y X. do ) función generatriz de momentoo de Z = X.cAP. Al generalizar los resultados anteriores obtenemos una demostración del Teorema 4-4. Efectuando el cambio de variable x : *t/T en la última integral.'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. Sea X una variable aleatoria distribuida normalmente con media 0 y varianza 1.a una distribución normal para X. Y: x2 dad.t2r(v/2)Jo " r-2t \r-2t/ : ll . como se ve al página 116.)Eqéx"¡ : 1l-2t¡-'r/2 1l-2t)-vz/2 utiüzando el koblema 4. pá4ina 1-1. 4.s(v-2)/2e-<L-2t>r/2 dr =J-r(v/2) )o 2. Esta debe ser la distribución de Z. obtenemos P(Y < ú = -! fs rrrze-uz t/2r Jo d.ztl-v/2 fa u<v/z)-re-udu = (L-zt¡-'rz r'(v/z) )o 4.34.B2.

Hallar los valores de ¡2 para los cuales el área de la cola 15. entonces el á¡ea a la izquierda de representa la nonagésima quinta percentila. para v : Por el Problema 4. . La representación gráfica de la dishibución chi-cuadrado con 5 grados de libertad se muestra en la Fig.1 es el valor pedido de 12.píryina 116. (b) 28 y (c) 40 grados de UtÍIizando la tabla en el Apéndice E.Ia cual es igual a 1. al menos se especifique lo contra¡io. entonces X? V X3 tienen distribución chi-cuadrado con 1 grado de libertad cada una.O5): 0. x.04 en tanto que el área a la izquierda es 0.150. se acostumbra. Entonces procédase hacia la derecha hasta la columna x%r.05.025. X. búsquese el valor 5. Fig.0. Véase Problema 4.025. Entonces. el átea a la izquierda de percentila 99. la cual es igual a 15. Hallar los valores de xf. (c) el área sombreada a la izquierda: 0. como puede observarse de la tabla.10.01.¡ se deduce en la misma manera.136 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 2.01. El resultado 11. Por ejemplo.3correspondiente^v :40.O. xl es (1 . (c) 67. hallamos en la columna ¡. xi representa la décima percentila. qi" Z = X?*X2" tiene distribución chi-cuadrado con 1 * 1:2gradosdelibertadsiXr y X2 son independientes. el área sombreada a la izquierda de x3 es 1 ¡j iepresenta la percentila 9?.3correspondiente av:28.05. escoger las dos áreas iguales. en este caso cada área:0. si el número de gndos de liberbad v es igual a (c) 15.0 correspondientear: av:21.¡ (puesto que la mediana es la percentila 50 ) los valores: (o) S.39.35(b).5.tán distribuidas normalmente con media 0 y variánza 1.01. Entonces del Problema 4. 4-18 (o) Si el área sombreada a la derecha es 0.831.1.026. (c) S9.2gs.025: 0.? conespondiente a la derecha de la distribución ¡2 es 0. u"mo. xz:. en la columna /. El resultado general para todos los enteros positivos l. (b) el área total sombreada: 0. 4. los valores: (a)25.x?o¿s. (b) Puesto que la distribución no es simétrica...la cual del Apéndice E es 12. si el á¡ea sombreada a la izquierda es 0. (b) 2I.05.05. 4-18. (Véase las consideraciones sobre notación en la página 116). Es de interés notar que los valores de la mediana están muy próximos al número de los grados de libertad' En efecüo. . lcAP. x.(b) 2T. Hallar el valor de la mediana de libertad.0.¡2. (c) 50' Utilizando la tabla en el Apéndice E hallamosenlacolumna ¡2er.10. Demostrarel Teorema 4-3.2-. Sin embargo..37.831 y 12..5 correspondiente a z: 50.¡r. (b) 32.95 y xz2 Refiriéndose a la tabla en el Apéndice E..40. Por tanto los valores son 0. x! por los cuales (a) el área sombreada a la derecha: 0.9?5 Análogamente. ¡! que corresponde a (a) 9.8. a! es 0.esr.4 4.5. parav> 10 los valores de la mediana son iguales av . el área sombreada a la derecha puede ser 0. y x? (c) Si el área sombreada a la izquierda es 0.36 vemos que si X¡ y X2 es.99 y ¡22 representa la 4.38.05.O25 representa la percentila 2. el área a la izquierda de x? es O. hay muchos valores para los cuales el área totál sombreada : 0. X.8. y Si el área sombreada a la derecha es 0.34correspondienteav:9.7.la cual es igual a 0. 4.61. (d) Si el área sombreada a la derecha es 0. (d) el área sombreada a la derecha: 0.

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.lt * T ) eeto puede eocribir¡e d. xlgs = \@.u [f=.@ hast¿ rl/z/r.2. z ) La función de di¡tribución de I = Ylt/ffi e¡ F(u) = P(T=r) = P(Y=er/Zfi) = y@2.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPTO 13? 4.o 6 .Elrode donde t6=t = . -/.tzt'(vl2\ ). DE STUDENT 4.rf ¡"ffi "-r.41..rzrl. himero fijamor r z b = integramos con reepecto a y de¡de .t¡ e¡tl c¡¡i dbEibuido norm¡lmenüc con medie certr y varianza uno."^' + zo+"/2 Í"'=-* d. zo/2)-re-z/21ffi e-uzzr2.z \f 2nz.u\ .3). / mayor que 30.locuale¡tÁde¡cuerdooonelvalor6?.FA = zp I t/Ft x| = *(zo+tffj¡z (o) Si v=50.64+rfss¡z =69.r/2. Por tanto tenemos Remplazando F(xl = . podemoe ercribir./ . '\ z / (.-j(* . podemor utiliza¡ el hecho de que ({Tx2 .rr-r"-.tz¿ul¿" LJ":_-e A = urfi en la integral entre parénteais rectangulares hall¡mo¡ . . página 117.Lu€{p integrannr_conrespecto az de¡de 0ha¡t¡o.= .. tn¡r( z\ Ju= -' . Para . (b) Si r=100.. Demostrar el Teorema 4-6.ss+rtrOool-t¡z = |(1. DISTRIBUCION ü x3s¡ dado en el Apéndice E.=o"r. Hallar xlerpm (a) v : 60 y (b) y ..tzl(vl7\ Jz=o = ..#.t' / 2 e. Entonca ti z.zl ztÍt + <t2 | v>r a")au ( " Susüituyendo F(r) = G.(' F(r) = _ tf Jr=-. #. *^ I' = - *l Í": como z('' . er la percentil¡ 10Op de l¡ di¡trlbución nornd tipilicada.va J"' {2r2../4 f ( 7<rrz>-r e-<yz+ztrz ¿. dud.(z.er dccir z<v/z)_te_ :|-r+zr/2 para -o 1g 1lo. Debido a que Y y independientee ¡u función de den¡id¡d coqjunta er 6l producto de (I ) y (2).cAP."a']au de acuerdo con lo pedido.0(v¡lorre¡l =L24.6 = f.y ¿2 # donde la integral ¡e toma ¡obre la región ( del pleno lz parn l¡ cr¡¡l g ut/ñ..es+ftool-t)2= +(1.42.\2/ r\ (l + u2¡'¡<'+t>rz .. oon un alüo grado de aprorimación.64+/199P = 124.

sea 0.gg) = 0. a. Por tanto el área de t para el cual el área sombreada a la izquierda es 0. Entonceg búequese la c.05._tr Fig. r / Ll+ lvt/v)).:: ::'. entonced el área sombreada a la derecha es 0.25.99.83 es el valor pedido de t (b) Si el área total ¡ombreada es 0.025 por simetría.l4\ -1- f 'pw\"rz'-' ID'-''-"e '"''o'-. (b\ 27.er5. Deimostrar el Teorema 4-?.O.4 4. (e) el área a la izquierda de ü.99. Efectúe Ia transformación u 1/ v1 . ú es 0. (c) el área total sin sombrea¡: 0.'.01 es (e) -2.la/2.45.) = 6"i.01/2 : 0.(b) 1.0. entonces el área total sombreada es (1 . entonces el área a la izquierda de ú¡ es (1 repreeenta la percentila 95. t. .645 correepondiente a y: 200. De la tabla hallamos t. De la t¿bla t ss = 2. DISTRIBUCION 4.:. vlW v2 . -1)(v'\/2) "-.01. La función de densidad conjunta de f '' V¡ y V2 etá.entoncesúl correspondealapercentilagO.90. ) 0 y 0 de otra forma.05.025): 0. .82. J z t .43.005. Del Apéndice D hallamoe 2.75 correcpondienteay:16. Halla¡ el valor de ú1 para el cual de Student con 9 grados de libertad se muesha : 0..26 como el valor pedido de ú.t u(v2/ 2) .lL=-=_rü=02 L"a/ ar t'2ú | vl1t2' . En el Apéndice B e¡te valoi corresponde a la enhada en la última fila ma¡cada ó).05. búsqueee en Ia columna y el valor 9.01 y el área sombreada a la derech¡ es 0.css = 3.r) a\. ODt=r.01. t.82.es.O5): 0. (d) el área sombreada a la izquierda : 0.38. Sielá¡eaalaizquierdadeú¡ es0.01.90. 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.u) = .70 correspondiente a v = 27i (c) 1. (c) 200.2 g(u.0.e. 4-19 tt (a) Si el á¡ea sombreada a la derecha es 0.05 Refiriéndonos al Apéndice D. losvalores: (o)L. El resultado 1.. t.e0.1 ez(vt+ v2)/2 lQl/21 f (u2/2) <t | + ú2)' ri o. dada por 1 (. (d) Si el Área sombreada a la izquierda es 0. (El último e¡ el valor que se obtendría utiüzando la cu¡va normal. hallamos en la columna te. (b) el área total sombreada: 0.95 y úr Refrriéndonos a la tabla en el Apéndice D. 4-19.5.olumna ¿.:"i = l::"'.05. ú. Por tanto el á¡ea a la izquierda de ú1 es (1 . 4. (c) Si el irea total sin eombrear ee 0.9?5 y úr reprecenta la percentila 9?.rl).138 DTSTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO ú [cAP. tenemoe | 1U) t.::l = l"*:" 'u':'" Denotando la densidad como función de u y w por g(u. La representación gráfica de la distribución (c) el área sombreada a la derecha en la Fig.'') (?ñ rr^ o(vz/2) -| "-'.ú. entonc€s por simetría el área sombreada a la derecha es 0.[.44.quedelatablaes igual a 1.nD\]uJur0. ¿.DZ=ü l1U7D Entonces el Jacobiano es i'. ) 0.

/. (b) F .+t.o.. rr.o.r. rs = 3..326.7L = (2.n.ee. (c) = 10.r. 15.80.1 -.78)2. Vemos que 18.so. primera f.e75.oc.2* .\ z /.30.'rrr. donde vt -.-'1t'"tvp)-uvr\j-:.9. ir ua 0.au d. Demostrar que la distribución F es unimodal en el valol ¡v' ' La moda localiza e! valor máximo de la función de deneidad.0 = 4.\z .o5 en el Apéndice F con e¡a¡ en l¡ distribución ú bajo ú..¿t.'r2\ ) = 0 ó trt ry = /.s.96..t r rz)tz Si tiene un máximo relativo se presentará cuando la derivada sea cero.50¡2.'. ro.cAP.47. = # = 0..(vz/2) Jo -tL-!:j!::-:(I5). (a) Comparar ia¡ entradas en la columna de la tabla F.\i = /v' I vr\ ) si u ) 0 y 0 ¡i z¿ 5 0. ¡2 y ú 4. r. Utilizando la tabla para la dist¡ibución F en el Apéndice F. : (4.rt) - (¡'r +t2)/2 - . (b) Del Apéndice F.rr.t)- tyt ('4fa) (. \. (o) DeI Apéndice F. es decir (r.\rt. . F.1 = (3.. i \rn) - 2\ / v' \ si v. Apéndice A.ot.l¡. 4. RELACIONES ENTRE LAS DISTRIBUCIONES F.L5.TZ) \ (-" se Utilizando el criterio de la segunda derivada podemos demoetra¡ que realmente trata de un máximo.r' / 2(.4l si u DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 139 > 0.ob. (c) Por el Teorema 4-8.ss : t?n (b) fl.. =- 9. .5.257.i/2)--t (v2:L vru)-(r.71)2.F' gs. donde.5 L6l = (72.*r.8 = 3.+v2't/2r-r = 0 Dividiendo Wt ut|ti2)-2(t2l t¡t)-[("\+t.. página 118. Pero de Tenemoe (r h(u) / v2\vr/2 4Q 1/'' .ss : ".. Verificar que (o) /.18)2. rr.\/2i-r. A diferencia de una conetante. ro.. r¿ desde La función de densidad (marginal) de U puede encontraree integrando con recpecto a decir 0 ha¡ta €. u. hallar (¿) F.2* r.. er hkt) = ei u (.io = F_¡ . (d) F..0g (d) Por el Teorema 4-8. que es el reeultado pedido..o.1-2\/ /\.rr.l= *.s.t e. hallamoa \-i.t . página 118.46. 10. ) 2' de (.. /.. > 0 y 0 de otra forma. 7.2\/2)-t e-tt+<v{/v2)t(o/2> z(tt ' u2)/2 t0t/21 l.. 4.ut = t'(P) ap Jo da) ) 0 y 0 ei rt É 0. = 0. etc. . \ : ¡. hallamog .ul F'..- r1u)-¡(. hallamos F. ( " *.48. 11 . la función densidad de la di¡tribución F es r[(t.

-¡l r..l.1 = (5. vemos que el lado izquierdo de la última ecuación es igual a z. Por tanto ^\ F. I ^F. Vemos que 4050 : (63./ para u /_u_r.-. página 118.r(l +3!) t r-ru+l)/9 ) O. tenemos P(T=+tlrno¡ = t -Pi . 98. y que P(U 5 . que puede establecerse simplemente como F r-p = t? ott¡ l(4í). 34. + r\ r( ol -r- .eer.(4.r( . Entonces por la definición de un valor de percentila.92)2.84)2.49.ee en el Apéndice F conegarenladistribución ú bajo ú.t.(.4*)___\-.r¡ n'(.o) r\ \ '/ ll '=2 | '\ . Re¡olviendo. v2 = v en la funeión de densidad para la distribución F f (ul = .'./" + 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. \ : {". .9 " / +1\ -t'* "" t / vv/21l-12v-(.'.es el nhmero tal = 7- * t\ "/" .u/2¿-r/2(y + ul-(r1tr/2 ^/. t { l'-'u-r.4 (b) Comparar la¡ enhadas en la primera columna de la tabla F.Ft-o) f(u): 0 para ¿ < 0.*rr.2 -. pfuina 116.66)2.sí generalizar los resultados del Problema 4. etc.)" .P(f 0) = = P(T=+\E|-+ donde hemo¡ usado la simetría de la distribución ú. 4...48.140 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP.rtF.)" \/ Com¡rarando con (42). Por tanto t-P 2 = Pp<T:. Entonces y a. '\2/'\2/ "11\ "/r\ t -/. Demostrar el Teorema 4-9.60)2.0 <'T = *t/Ft_o) ú donde ? es una variable aleatoria con distribución de Student con u grados de libertad.. Sea 11 .l / +z\-r¡ \ '/ ¡=.5 = (9. P(.página 11?].+tfttur¡ = P(T s +VFt-p) . 21. P.'.

etc.. por definición.(p/z\\ = l-?. se convierte en l@..95 y (b) p : 0. la probabilidad pedida es Y/r\ \6i \6/ / s c. Análogamente la probabilidad de no obtener un 3 en el segundo lanzamiento ee 5/6.52.:\/2= en . y se deduce que X. para (a\ p : a1 0. y) dada por (49) debe para todos los valoxes de x. tt tt¡/z. K (r(r .s2 T r. página 118.L .ú los valores de = t-+o-. que era lo que se querfa demostrar. lo cual provee la verificación requerida.51. (c) Comparar las entradas en Ia última fila de la tabla F o= en el Apéndice F (correspondientes las entradas bajo ¡.il = (4 . Entonces vemos que a r': ó) con etc. = tt-(p/zt ó Fr-p : tl2t'-tptz'.. _ 9.78 = #. ya que la función de densidad de Ia distribución positiva.GB a ¡'. Y son independientes.00 =.'. s..'.4] DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L4t Pero. )Lo. etc. Véase Problema 4.r'il ) y y puesto que este es un producto de una función solamente r.94 3.60 -... página 118..7 2. 3. La probabiüdad de no obtener un 3 en el primer lanzamiento es 5/6. Verificar el Teorema 4-10.CAP. r por una función solamente en y para todos ser el Inversamente.. = @) con = "'13.4!¡ 4 2. + * en la distribución F en DISTRIBUCION NORMAL BIDIMENSIONAL 4.. producto de una función solaménte en. Demostrar que X. 4. 3. er el Apéndice F (correspondientes las enhadas bajo x:nn en el Apéndice E. Por tanto ú es estrictamente +\/F. Y variables aleatórias cuya función de densidad conjunta es la distribución normal bidimensional. en el Apéndice E. 't7 2. Comparar las entradas en la última fila de la tabla .02 = #. Hallar la probabilidad que en lanzamientos sucesivos de un dado honrado resulte un 3 por primera vez en el quinto lanzamiento. Entonces vemos que 6. Y son independientes.1.8t (b) -.. Si el coeficiente de correlación p = 0. Sean X. 4. lo cual provee la verificación requerida. La prueba general del Teorema 4-10 se deduce tomando el límite cuando U2 la prfuina 117.¡ es el número üal que P(T=tt.. Ll .r"?ll--+"-. lotll. Y son independientes solo si su coeficiente de correlación es cero..50.¡ !. Méüodo 1. Entonces la probabilidad de no obtener un 3 en lo¡ primeros cuaho lanzamientos es (5/6)(5/6)(5/6X5/6): (5/6)4. si X.+.99.. y este nfimero se determina finicamente.25 77i6 . Esto es posible sólo si p : 6.r y una función solamente en y. s. DISTRIBUCIONES DIVERSAS 4. f(x. entonces la función de densidad normal bidimensional (49).F e. -..21 .145.Por tanto la probabiüdad de obtener un 3 en el quinto lanzamiento es 1/6.

be-! = o-2/br\t + a) Entonce¡ / o\ ¿u 02 = El(X-u¡21 = E(Xz)-uz = PROBLEMAS DIVERSOS o-".of ¡(1 + 3) b/ L\ .4)1(0. ¿Cuál es la probabilidad de obtener un total de 9 (o) dos lanzamientos de r¡n pa¡ de dados? en veces.tbr donde hemo¡ ütilizado Lr ¡ustitución u f@ ab ('/"\ du /' (r.63. 11. . etc. (a) P(ninguno ee gradúe) = 5Cs(0. E¡ta¡ ¡on 1 cn el grimer dado y 1 en el regundo dado. ó aproximando O. (b) uno. ó aprorimando 0.L42 .. DISTRIBUcIoNEs DE rRoBABTLTDAD coN NoMBRE Método 2 (utilizando fótmula). pedida er pRopro [cAp. i7't6 4./ du (' = o-r. página 118.p(\ t + +)-l ó/J 4. i) integral.ra evaluar la (ü) E(Xz¡ = fo- oOro*r¿-oto¡lg r "b ('/z\r*ttro> e-!:u(t/b)-t = o"o )o \.4)0(0.r I ú ).55. eon p: Ll6.2692. : atb pa.oJs u. La probabilidad de que un estudia¡rte que ingrese a la universidad se gradúees 0. alf hay 6 .¡ :6 Gzl vemo¡ que la probabilidad /t\/o\' _ \6/ \6 / página 119.08 (D) P(re gradúe uno) = 5Cr(0.92.q:616.6)r : 9. (c) al menos uno.""tb)-t a-ub I ur/be-! du Jo a_.26 (c) P(al menos uno re gradúe) = 1 -P(ninguno se gradúe) :0-92224. 4 Utilizando la di¡tribución geoméhica. \i)"-". etc. 2¡. (o) t' = E(X) = JO f abrb e-o"o d. se gradúe. (b) la variarrza.977?6.64. ó aproximando 0. 6 = 36 forma¡ en las cuales ambo¡ dadoe pueden caer. 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. 4.6)4 = 0. Verifrcar las expresiones dadas para la (a) media. (D) al menos dos veces en 6 ¿ead¡¿o¡ por (1. 1 en el primer dado y 2 en el regundo dado. Determinar la probabilidad de que de 5 estudiantes (a) ninguno.4. - f. de la distribución Weibull.

(6. . Para aplicar : 6.6 a 6. Halla¡ los coeficientes de (a) sesgo y (b) curtosis de la distribución en el Problema 4. 3).. ^ /r\'/e\'.2. ^/r\'/a\'. eb necesario con¡idcrar los datoe como si fueran continuoe.a di¡tribución ee s+l---^6:q : 3+ff1-6(0'1X0'9) = nuq 3'01 ligeramente má¡ apuntada que la distribución normal. es decir podemoselpemr que 40 tornillo¡ esüén defectuosos. 4).5 en unidadee tipificadar hoporción pedida: á¡ea entre : : . P(al menoe 9 doa veco) : 1 - P(9 cero vecer) - P(9 una vez) : . Véase Fig.1XO. dependiendo del número de respuestas conectamente solucionadas de un total de 10."'\g/ ' ^/rY/s\u.2. 4.1.\0/ \e/ \s/ ^/l\'/q\' ffitZü 7268s 4./ \ó/ * '"'foi ó * '''Gi 72689 1 10240 960 48 61 = 681 440 65f ¿¿T .4I DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 143 De estas 86 forma¡ todar igualmente factibles ¡i los dados ¡on honrado¡. Por tanto una calificación de 6 puntos ¡e cor¡sidera como 5. ^ /r\u = 'c'(o/ \é/ * '"'(. la distribución está sesgada a la derecha. (D) Varianza : npe: (40OXO.5 puntoe.6. . (5. (a) la di¡tribución normal a datos discetoe. (4.1): 40. La calificación media fue 6. Suponiendo que las calificaciones están distribuidas normalmente.5Bt 441 = 531 441 441 Otro método.-.17 z: -1 y z:-4../ \.0 (6. Si la probabilidad de un tornillo defectuoso es 0. 4-20. un total de 9 ocurte en 4 cqlos¡ (3.5 en unidader tipificadar : 5.7)1L. 5).-"^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. 10 puntos./ * '"'(.er)*P(9cincovecer)*P .133 coeficienüedecu¡tosis: l. hallar (c) la media y (b) la desviación típica para la distribución de tornillos defectuosos de un total de 400.? y la desviación típica fue 1.17 (5. .5?. Entonces la probabilidad de un total de 9 en un ¡olo lanzamiento de un per dddados esp :4136:1/9 y la probabilidad de no obtener untotaldeg enunsololanzamiento esq=L-p8/9.17 z: -1 y 277o z: O) 0.0676 : O.2 = -'1. ^ /r\ta.2:{). (o) P(9 do¡ veces en seis lanzamientos¡ = 6"'\t/ /q\t-' .58.5gr 441 * ss1 441 .2788: . (a) (b) Coeficientedeeeego= Puesto que es positivo. 6).56. determinar (c) el porcentaje de estudiantes con 6 puntos. L.6 (área entte 0. (a) Media : np :400(0.6u. 4.3418 - y e = 0) (áre¡ entre z :{./r\'/e\a.ó6. (b) la calificación máxima del L0% más bajc de la clase. (c) la calificación mínima delL0% más dto de la clase.5 .cAP. Por tanto la de¡üación tfpica = /56 = 6. Las calificaciones de un parcial corto en biología fueron 0.7)1L.9): 36.6. == vnpq H = 0.

4-2L el la izquierda de z¡ eo LOT. a Area entre zt y O: 0. Si se suponen lar llegadae de lae partícula¡ sucegos independientes. zt Enüonces zt = (xt . Halla¡ la probabilidad de que en un tiempo f no se cuenten partículas. (c) Sea .r2 la calificación mínima pedida zz =L.I At. 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.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.que lógicamente e¡ 1.4-20 Fig.P6(0): c e¡ la probabiüdad de no cuenta¡ en elüiempoGrro.2 ! 22 Eu equivalente en unidades tipificadas.28y Ír:6. por simetría : L. pero no se consideSea P6 (ú) r-----]--l Fig.x2:8.10.69 halla¡ la probabilidad de exactamente una cuenta en el tiempo t. = 0. Entoncee tendremos una cuenta en el tiempo f * Af en lor riguientee dos ca¡o¡ mutuamente excluyenter: (i) 1 cuenta en el tiempo f y 0 cuentar en el tiempo At (ii ) 0 cuenta¡ en el tiempo ú y 1 cuenta en el tiempo Aú .L14 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP. por tanto área. la probabiüdad de no cuenta en el tiempo t Entonces Po (ú + At) es la probabilidad de no cuenta en el üiempo ú + Aú.28 (aproximadamente). tenemoS (r) De (I ) obüenemos (2) Po(ú+a¿) = lú Ps(Ú)[1 -IAú] = -IPo (¿) At+0 lim Po(¿-f a¿) - PoQ\ e¡ decir (.69.60. Por tanto. Por tanto la probabilidad de no contar en el tiempo At ec 1 . 4.4-22 o ran si AÍ es pequeño.I -0. Un contador Geiger se emplea para contar la llegada de partículas radioactivas. 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.26 6 aproximando y al entero má¡ cercano.7)lt. rin considerar los términoe que incluyen (Aú)2 y término¡ cuperiores. Si (b). La Fig.2 u 8 aproximando al entero má¡ cercano. exiatirán término¡ adicionalecqueincluyen a (Aú)'y órdene¡ ruperiores. De la Fig.17 I'ig. Máe precisamente. 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.on O como el origen. 4-22 repteeenta el eje de tiempo c. At.Z:-t.7)17.40 : -L.28. 4-21 (b) Sea r ¡ la calificación máxima pedida ] z¡ !u equivalente en unidadec tipificadas.4 . Refi¡iéndose al Problem^ 4.6.28. Por tanüo c = I y l¡ probabilidad pedida ee (11 Po(¿) = ¿-^t 4. Entonces (x2 - 6.

4. X denot¡ el número (d) de caras en un solo !¡nzamiento de 4 monedas. u) Multiplicando por (5) e^¿ d. DeSOOfamilia¡con Shijos. (b) dog vece3' en dos lanzamientos de un par de dados honrados. ¿cuántaseeperaríantener(o)3niños.i que es [a distribución de Poisson. Si P(X=2). (d) 3' @l a.I a¿). P1(0) eo la probabilidad de 1 cuenta en el tiempo 0.rlos DISTRIBUCTON BINOMIAL (BERNOULLI) 4.69. 4. 3). sin coruiderar los té¡minos que incluyen (Aú)2 y ruperiores. (c) 2.ar una moneda honrada 6 veces aparezcan (o) 0. Suponer 4. (r) Esto puede escribirse Pl (ú + a¿) = Pr (ú)(1 - r aú) + P0 (¿)r a¿ Pr (¿ + (2) l¿) Lt . (c)o2ó3niños? probabilidades iguales para niños y niñas. Hallar fal¡o.67. tr¿-At (3) dt = ^Pl o d. Hallar la probabilidad de obtener un total de 11 (c) una vez.I"(t) = XF'o(¿) - IP1 (¿) ge Tomando el lfmite cuando Af -+ 0 y utilizando la expresión para Pe(ú) obtenida en el Problema 4. Problerna. (b ) menos de 4.s supletnenta. .62. (b\ P(X <21' (c) P(1<x=3). que es cero.¡e-rtt esto puede escribirse como d. (b ) 1. La probabilidad de (ii) es Po(ú)I at. Por tanto (7') = ¡¿¿ . 4 caras en un solo lanzamiento de 6 monedas hallar (o) P(X = 4.66. con un par de dados? ¿Cuál es la probabilidad de obtener un 9 exactamente una vez en 3 lanzamientos 4.P. Por tanto.t * \P.cAP.(b)5niñar. la probabilidad de acerta¡ correctamente al meno¡ 6 de 10 res¡ruestas en un examen tipo verdadero- .64. Utilizando e¡to en (6) hallamos Pt (Ú) c2 0. caras.59 esto convierte en dP.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).66. Halla¡ la probabilidad de que al lznz. @l 6 caras.61. ¿@xtPr) = x que al integrar (6) Pr(t) = \¿¿-rú+c2e-\r Si : t:0. Iülla¡ la probabilidad de (o\ 2 o már honradas.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 145 La probabilidad de (i) es P1(ú)(1 . (n 5.

(c) a la derecha d. (b) menos que p . (dl al menos I persona esté viva.64).79.gShallarlacon¡tanteatalqueelporcentajedelo¡casos(o)dentrodelrecorrido 7 í'. (b) Determinar los puntajes de dos estudiantes cuyas calificaciones tipificadas fueron y 1.85 m. Si X está distribuida normalmente con media 5 y desviación tipificada 2. 4. entre (o) 4.6 y 1. 4. (c) menores que 0.55 m.r)af(rl para la distribución binomial. 0. determinar el porcentaje de los cojinetes de municiones con diámetros (a) entre 0.5722.52 y a la derecha de z: 1. (c)z:-2. Evaluar (o) ) (c - p\3 f (r) v (b) > (r . (b) menos que o iguales a 1. Hallarz¡ si P(Z-21)= 0. (b) por fuera del recorrido ¡t ! 1.? y n : 60.El m inclusive. llallar el área bajo la curva normal z: 0.615 pul.6140 pul y desviación tipificada 0.4O.9. ¿cuántos estudiantes tienen estaturas (o) ¡nayores que 1.(b)z=I.71. (b) menos de hes cuartos de desviación típica? Si ¡'t es la media y o la desviación típica de un conjunto de mediciones que están distribuidas normalmente. (c) coeficiente de sesgo. (c) el área entre de z tales que (a) el área a la derecha de z sea 0.74. (a)Determinarlas calificacionestipificadasdedog estudiantes cuyos puntajes fueron 93 y 62 respectivamente. 4. entre 1. lt!aosea .56.!6. 4. Si (c) P(lzl > r). Calcular la (o) media. haltar (a) P(Z = -1.85V 4. EnelProblema4.86.618 pul inclusive. (d) iguales a 0.76.80' 4.2 respectivamente.79' 4. Demostrar las fórmulas en la página 109 para los coeficienües de seego y curtosis. En un examen la media fue 78 y la desüación típica 10. z:-I. (b) a la izquierda de z:0.b superior de los estudiantes recibirán una calificación A (excelente).58.96). De acuerdo con las tablas de los actuarioe la probabilidad de que una persona de esta edad específica esté viva en 30 años es 213.23yz:1.7O.85- 4.72.610 y 0. Interpretar los resultados.608 pul. 4.t'c. Hallar el área bajo la curva normal (o) a la izquierda de z : -1. (b ) al menos 3. Z está distribuida normalmente con media 0 y varianza 1. (d) correspondientea z>:2. (e)correcpondientea-0.4 respectivamente.59 y 1. (b) P(-1. (d) coeficiente de curto¡is para una dishibución binomial en la cualp : 0.900. ¿Cuál es la cslificación mínima que debe obiener un estudiante para recibir una A ? Si un conjunto de mediciories está distribuido normalmente.23 y z sea O.?8.45.96 =_ Z < t. Un agente de una compañía de reguros vende pólizas a 5 personas.2266.82. (/)ala izquierda de z:-2. DISTRIBUCION NORMAL 4.O?30.0314.81' 4. 4. (c) solament e 2.2O y z --2. (D) mayor que 0. ¿qué porcentaje de esas mediciones diferirá de la media por (o ) más de media desviación típica. Demostrar que si una dishibución binomial con n : 100 es siméhica. Hallar la probabilidad de que en 30 años (o) Ias 5. dondeZestádistribuidanor¡nalmenteconmedia0yvarianzal. 4.?O m y desviación típica 10 Si los diámetros de los cojinetes de municiones están normalmente distribuidos con media 0.5 o? 4'83. su coeficiente de curtosie es 2. (b) desviación típica.69.83.2 o.8{. (d) el áreaentre 1. La calificación media de un examen final fue 72 y la derviación típica g. (c) Si las estaturas de 300 estudiantes están distribuidas normalmente c\on media 1.L46 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. -0.t ! 2 o. (d) igual a 1. (ó) el área a la izquierda de z sea -0.4 4.68.6 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 -0.80< z< !. hallar P(X > S).61? pul.50.75. 4.e z: -1. El l}'.77.?0 m? cm.0025 pul. 4.15 y z *aO.82.oo ¿ea 22c/a. ¿qué porcentaje de las medicione¡ están (o) dentro del recorrido I. (c ) mayor que g 1. (e) el áiea en¡e-z y z 4.78: Hallar los valores sea 0. todas de edad idéntica y con buena salud.84.

Demostrar el resultado (l 7). . S. Department of Health. (d) exactamente 100 cara¡.cAP. Se extrae una bola y se obsen'a su color.2. Hallar la probabilidad de que en 200 lanzamientos de una moneda resulten (a) entre 80 y 120 caras inclusive. Según Ia National Office of Vital Statistics of the U. 1/2 prob. (c)2. (b) 7. hallar la probabilidad de que en 8 de tales extracciones se seleccione una bola roja 3 veces. (d) 55 o más. del límite central no sea válido en el caso que X¡ .88. Education and Welfare. 4.(b)2. (bl 24 o más de 40 preguntas en un examen tipo verdadero-falso.#Tf DISTRIBUCION MULTINOMIAL 4. 36 LO"/o de los cuales son defectuosos. Halla¡ la probabilidad de que 4. "heses". <x< @ 4. Explicar por qué se podría esperar que el teorema üengan la distribución de Cauchy. . 4.1 t\. el promedio de ahogados en accidentes por año es 3. (b) entre 1 y 3.0 de cada 100 000 personas. Se lanza un dado honrado 6 r¡ece¡. Un talego contiene una bola roja y siete blancas.97. TEOREMA DEL LIMITE CENTRAL 4. Xz. Hallar la probabilidad de obtener más de 25 "sietes" en 100 lanzamientos de un par de dados honradoe.95. arí generalizando el Problema 4. 2 "doses" y .90.(f)menosdeS ahogados por año. Demostrar que si respectivostrr X1 ¡l X2 son variables independientes con distribuciones de Poisson con parámetros ytrz. 4l DISTRIBUCIONES DTSTRTBUCTONES DE PROBABTLTDAD CON NOMBRE PROPTO PROBABILIDAD PROPIO I47 L47 APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 1. DISTRIBUCION DE POISSON 4.t9.(n5lámparar sean defectuosas.entoncesXr+X2 tieneunadistribucióndePoissonconparámetro).93.91. (b) menos que 90 caras. f(r) =. Entonces se coloca la bola en el talego. 4.94. o 2lámparas eléctricas sean defectuosas. . ( t 3 ). . Si 3% de las lámparas eléctricas producidas por una compañía son defectuosas.101. . Utilizando (o) la distribución binomial y (b) la aproximación de Poisson a la distribución binomial. Demostrar el teorema del lfmite central para el caso en q rre X ¡. . (b) cada ca¡a una vez.99. Demostra¡ el teorema del límite central para las variables independientes xk = 4. página I 1 1 . (c) menos de.98. (d) 3.ar la función generatriz de momentos).(Sugeren- cia: Utiliz. -'. página 113. p pr. Hallar la probabilidad de que en un muestreoaleatorio de 400 tor4illos producidos por estamáquina (a)máximo 30. son independientes y están distribuidas idénticamente con la distribución de Poisson. 4. hallar la probabilidad de que (of rnís de 5.9!. Halla¡ la probabilidad de que el resultado sea: (o ) 1 "uno". 4. hallar la probabilidad de que en una muestra de 100 lámparas eléctricas (a) 0.10O.97. 4. (e) 4.(d)8.(c)6. enunaciudadcuyapoblaciónesde200000ocurran(a)0.(e)entre4y8. Generalizar el resultado a n variables. (c) menos de 85 o más de 116 caras. (b)entre 30y 60.b. 4. ( L 1 prob. Una máquina produce tornillos.96. 4. Hallar la probabilidad de que un estudiante pueda acertar eorrectamente lasrespuestas a(a)12 o más de 20. (c)entre y 46.92. r¡ : L - p.87. de loe tornillos sean defectuosos. 1/2 -r -t Demostrar el teorema del límite central para las variables independientes 'Yk donde g = | | 1 prob. f. En el Problema 4. 3 . Xz.

103. Yerificar la (a) función generatriz de momentos dadas por (33 ). De 60 aspirantes a una universidad 40 son del oriente. hallar la probabilidad de que (o) 10. tl¡llar(o) P(X= 1). entoncel su mdia 4.113. (b) P(Xz > r2). o:2.120. Determinar los valore¡ modales de la distribución gamma.págin.104. y (b) la función caracterfstica de la di¡tribución gamma . Suponga que X tiene una distribución de Cauchydeacuerdocon(29). Emplear la aproximación binomial (18) obtenida. Demostrar que si X1 y X2 son independientes y tienen la misma distribución {e Cauchy. cuando N ' e.121. Si Xt y Xz son independientes y distribuidas de Cauchy.115. Hallar (a) el tercero y (D) el cuarto momento alrededor de la media de una dishibución uniforme. página 115. DISTRIBUCION UNIFORME reduce a (I ). Una caja contiene 5 bolas rojas 5l l0 blancas. (b) todas sean blancas. DISTRIBUCION HIPEBGEOMETRICA 4. 4. Si X. 4.111.116. ó (24\ se para resolver el Problema 4. Si se seleccionan 13 cartas aleatoriamente (sin remplazamiento) de una baraja de 62 cartas.106. normalmente con media 0 y varianza l Demostra¡r que Y: Xt lXz tiene una distribución DISTRIBUCTON GAMMA 4. (b) P(lX-11 = +). 4.112.106 y e¡tudia¡ la precisión 4.105. Una variablealeatoriaX tiene una distribución gamma conQ:3. dad de que (a) 6 sean figuras. ¿Porqué en este caso el 4.con < 2). S blrncar. 4. Z. sean del oriente. 4. (t) P(l = X=2). 2 ó 3 en cuatro lanzamientoe de un dado honrado. Y son independientes y ambas eetán distribuidas uniformemente en el intervalo de 0 a 1. Si se seleccionan 20 aspirantes aleatoriamente.102.11?.fl DISTRIBUCION DE CAUCHY 4. es una función de densidad.págrna114. Determinar el coeficiente de (a) > ll 6/.11E. 4.Hallat(a) P(X i. hallar P(lX . página 116. (b) ninguna sea figura.z 114. Verificar que (31 ). página 108.116. (b) no más de 2. 4. 2 zzulee y l amarilla. (c) al menos una sea roja. hallar la probabili4. recorrido gemi-intercuartílico es un eustituto de la desviación tfpica? aritmética también tiene esta distribución. SiXestádistribuidauniformemente en-2< x=2.114. Demostrar directamente que (22).122.107.119.Hallar(al P(X <1).109. Hallar la función generatriz de momentos para la di¡tribución uniforme. azules y amarillas en la proporciün 4t 3z 2: L. 4. Una caja contiene una gran cantidad de bolas rojas.9: 4.4 4. 4.148 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cA¡.(b)8 sean rojas y 2 amarillas. Hallar la probabilidad de que de 10 bolasextraída¡: (o) 4 rean rojas.108. 4.110. blancas. Demostrar que el recorrido semi-intercua¡tílico para la di¡tribución de Cauchyeeo. Hallar la probabilidad de no obte4er un 1. sesgo y (b) curtosis de una di¡tribución uniforme. Si se seleccionan 8 bola¡aleatoriamente (sinremplazamienüo) determinar la probabilidad de que (a) 4 sean rojar. Generaliza¡ el resultado del Problema i. 4.

01.131.139.ss.05. (b) 19. Q) F. 4.50. Hallar 4.141. Para una distribución chi-cuadrado con 12 grados de libertad. grados de libertad DISTRIBUCION x . Resolver el Problemz 4.2\' 4. - 2).%t con y :7. hallar el valor ie .12?.eo.99. (b) 12. Demostrar que para 1 grado de libertad la distribución ú es una distribución de Cauchy. (b) F.13E.98.cAP. (c) F. ee la 0.01.126. Hallar el valor de: (a) F.valores de grados de libertad I ú para los cuales el á¡ea de la cola derecha de es igual z (a) 4./(.05.136.(c)eláreaaladerechadeú1 eea0.oo. Si una variable Utiene una distribución de Student con ¡. los valo-res de x? y x! no son únicos' 4. er igual a 1.9¡' P(U>c)= 4. hallarlaconstantec talque (a\ 0. (d) P(U 2 c) = Q.136.rales a la derecha de xB y a la izquierda de x!.134. / una buena aprorimación para percentila (100p) de la distribución normal tipificada. Halla¡ los valores de ¡2 para los cualec el área de la cola derecha de la dietribución x2 de grados de übertad z ec igual a (o) 8. la distribución ú es 0.donde zo hra una distribución f de Student con 15 grados de libertad. lJnavariablealeatoriaXtieneunadistribuciónbet¿cono:3.4l DISTRIBUCION BETA DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO t49 4. (c ) 25.zoi (.727 si el área de la cola derecha es 0. 4.20 91tt: 1i Y_4_.95.129. 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.10'(d)el sea 0.125. hallar el valor de ú¡tal que (a) el área a Ia derechadeú1 seaO. (e) el área entre -f1 f f1 sea 0. (c) 28. ¡2o egtá x?ozs y (b) xizs para'r = 4. 4. + p .z¿i (d) F.gc. (ó) y (b) x.' dada Por r * .01. área combinada a la derecha de ú1 y a la izquierda de -f1 4.90. pígirn 117.05.1 de la función de densidad (45'¡. (d ) 60.2. Demostrar que la va¡ianza de la distribución t de Student con t. (e ) 150. v.132. Demostrar que para grandes valores de 4.02'5yv=20'(c)eláxea 16. (d) el área a la derecha de ú1 sea 0. Hallar (a) es la x.ss.025.9:2.rúmero e. Demostrar que (a) E(xz) = DISTRIBUCION ú DE STUDENT 4. Verificrü que (34). si el número de 4.rzo. \b\ Yar (7zl -.140.or'so'lr-. 250.:10.ol/l'.rs.rz. Si la variable U tiene distribución chi-puadrado P(u < x?) : 0. : 6.142.i) 4.01 y ¡. = t2ul(v1* . 4.g.? 9:?^5: suponiendo ireae'ig.90yy:25t (b)eláreaalaizquierdade-ü1 sea0.130. (c) P(x?< U < x2z) = 0.. si el r.95.13?. 4. v: -f1 sea 0. (c) P(U = cl = 0'20.(b)eláreaalaizquierdadetlsea0. (o) llaltar x! y x? tales que el área bajo la distribución x2 correspondiente a v -.123. Halla¡ (o) 4. (b) Demostrar que si la suposición de áreae iguales en la parte (o ) no se cumple. Demostrar que la distribución beta tiene una moda l¡nica en DISTRIBUCION CHI-CUADBADO r: (a - l)/(a P(lX-+l = +). Hallar los . (c) el á¡ea a la derecha de xl sea 0.os. f f.or.¡' 4.¡.128.páSrrra 115. hallar x2. (D) P(-a= U 3 c) :0. v ) 2. es una función de densidad.ti ti¡l gue (o) el área a derecha de ¡l sea 0. (d) 40.2gs para r = 150. y x! tales que (a) P(U > x?rl = 0'025. Verificar que la integral desde u lsugerencía: Hágase a : 0 hasta e v2u).124..01.55 ! 4.133. (b) el área a la izquierda de xi sea 0.

constantes y b2 < ¿c.4 4. Si X.e8)2ez \3 /' y dar una interpretación de probabiüdad.. Demostrarque k=l ) X* tiene distribución de Pascal 118). 4.. Hallar la función generatriz de momentos de la di¡tribución hipergeométrica. demostrardirectamentelosresulta- 4.36.0. página 114.161. demostrar que e8t6n distribuidas marginal- "? y oi respectivamente.. ento'nces ) Xf ti"tt" 51..14E.153. É^ ¡=o .149. . Demostrar los resultados (20) y (23).^h. . Suponer que X.' o) 4.. (a > o' o ..I Y T' 4.159. de 4.X. Demosha¡ el teorema del límite central para el caso donde Xt.e8¡zsa \z /' * (tlu)to.A) = ke-(!¡z+2bra+"v'l donde a.. RELACIONES ENTRE LAS DISTRIBUCIONES CHI-CUADRADO.162. página 116. b. c.pfuinal77.15E. rj +n'r l¡ = ¡'oof 4.145. libertad respectivamente.. k=l son variablee aleatoria¡ independiente¡ disürluna distribución chi-cuadrado con y libertad. mente tienen una distribución idéntica..0r. Demostrar el Teorema 4-8.155. página I44.c<ts -. página 118. página LL8.r.prgradoe X¡ + . Y mnjuntamente tienen la distribución bidimensional (19).147. ¿Puede deducirse la ley de los grandes números en forma débil del teorema del límite central? JuEtificar su solución.. 4.. Demostrar que 2u (. mente con varianzas h aon 4. prfuina 118. Xz. . k=1. + Xn. ¿tiene X2 una distribución chi-cuadrado con 1 X1. 4. Si Xr. (ó) io ".144.157.7ffi1.X. .. PROBLEMAS DIVERSOS 4.1 o2 . Generalizar el Problema 4. Demostrar el Teorema 4-10. Completar la demostración de la ecuación (8) del Problema 4. hallar la función de distribución de lonva¡iablesaleatoúasindependientescon di¡tribuciónchi-cuadradoypr.143.150. (véase página cada unacondistribucióngeométrica.. Demostrar el Teorema 4-5. Y tienen la función de densidad conjunta f(r.0. 4. 4. Verificar que estas constantes son l¿¡s dadas en (19). Halia¡ el valor aproximado de (t3o).. DISTBIBUCION NORMAL BIDIMENSIONAL 4.n. (Sugerencia: Ilaga la transformación u : 1/u).. y varianza 1.6O. son independientes pero no necesaria. 4. Demostrar el resultado (46). .16O.156.o2)a(0. ...37 demost¡ando que si buidas normalmente con media 0 grados de 4.146.r.. 4. 4. 4. Si X está distribuida normalmente con media g y variznza grado de libertad? Véase Problema 4.154.. Sean las variables independientes n X¡..8. Demostrar que cuando v "> @ la distribución f de Student tiende a la distribución normal tipificada.150 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.Porevaluacióndelasseries dos del Problema (") 4.

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

.

Farte tl ESTADIST¡CA .

.

c. n = 100 mientras que enelEjemplo S. En forma semejante el número en la muestra se llama el tamóño de la muestr. En el primer caso un objeto determinado puede seleccionarse una y otra vez.4 podemos hablar de Ia población de todos los 200 colores en la urna (algunos de los cuales pueden ser iguales).n: 60. EJEMPLO 5. zamiento.s y no los individuos u objetos. generalmente finito.4. llamado la población. 1 . Deben nota¡se varias cosas.S. la palabra población no tiene necesariamente el mismo significado como en el lenguaje común. Esto se hace con el propósito de inferir cieitos hechos respecto de la población de los resultados hallados en la muestra. por ejemplo.Nesinfinito. Primero. como en "la población de determinada ciudad es de 180 000". EJEMPLO 5. Se podría obtener una muestra al examinar.1 podemos hablar de la población de 12 000 estaturas (o pesos) en tanto que en el Ejemplo 5.2. El muesbeo donde cada miembro de una población puede seleccionarre más de una vez se llama muestreo con rempla.3. el número se llama el tamaño de Ia población. 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. loa primeros 60 lanzamientos de la moneda y notar los porcentqiea de caras y sellos. 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.Y SIN REMPLAZAMIENT\O Si extraemos un objeto de una urna. comítnmente denotado por N. En el Ejemplo 5. que se llarna la muestra. donde cada bola seleccionada se regresa luego de observar su color. EJEMPLO 5. en tanto que los 120 tornillos escogidos constituyen la muesha. un proceso conocido como inferencia estodística. INFERENCIA ESTADISTICA Con frecuencia en la pÉctica estamos interesados en extraer conclusiones válidas respecto a un grupo grande de individuos u objetos. tenemos la alternativa de colocarlo o no en la uma antes de una segunda extracción. En este caso los tornillos producidos durante la ¡emana conforman la población. Desearfamos ertraer conclusiones respecto a la honradez de una moneda deüerminada al lanzarla repetidamente. EJ EMPLO 5. Así en el Ejemplo 5. Desearíamos extraer conclusiones reapecto a los colores de 200 bolas (la población) en una urna seleccionando una muestra de 20 bolas de la urna. La población consiste en iodos lc lanzamientos poeibles de l¿ moneda.1. N : L2 000.Capítulo 5 Teorío de muestreo POBLACION Y MUESTRAS. denotada pot n.s observaciones o medida. la población puede ser finita o infinita. Tercero. MUESTREO CON. 155 . la palabra poblacíón se utiliza para denota¡ la. puede llegarse a la idea de examinar solamente una parte pequeña de esta población.lo cual puede resultar difícil o imposible. Segundo. En cambio de examinar un grupo entero. mientras que si cada miembro no puede seleccionarse más de una vezwllamamuestreo sin remplazamiento. mienhgs que en el segundo caso solamente puede seleccionarse una vez. El-proceso de obtener muestras se llama muestreo.

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

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

Entonces es natuml buscar la distribución de probabilidad del estadístico muestral X.-. que se llama la distribución muestral para h media de la muestm o la distribución muestrcl de medias. Entonces la variable tipificada asociada con X. la media de la población. estn lim P(Z -z z) = -= f = J 1 vzr -* "-uztz ¿r. 2 entonces la media muestral . si el muestreo es sin remplazamiento.. denotada por oi.r es F*. . = 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. 5 (3) EJEMPLO 5. Los teoremas siguientes son importantes en este sentido. entonces la varianza de la distribución muestral de medias. está dada por E(X) = donde ¡. est. Teorema (5) 5-3: Si la población es de tamaño N. dada por Z: es x-r "/\n es (7) normal reintóticamente. 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. oft = . = t' es la media de la (l) población. entonces (5) se remplaza por o2/N . 1. Teorema 5'1: La media de la disbibución muestral de medias.ux.(¡¿ -n\ -f / en tanto eue ¡r* aún se da por (4). página 112.á dada por E[(X-ti'l: "l = ¿ n donde o2 es la va¡ianza de la población. Teorema (6) 5-4: p y vaianza o2 entonces la media muestral p y vananza é/n. Si una muestra de tamaño 5 resulta en los valores muestrales 7.158 TEORIA DE MUESTREO Jrf ll |"'Fi. denotada por . (s) El Teorema 5-5 es una consecuencia del teorema del límite central. Se supone aquí que la población es infinita o que el muestreo es con rernplazamiento. Nótese que (6) se reduce a (5) cuando N .¡ n lcAP. De otra forma Io anterior es conecto si remplazamos o/l/-n en (7\ por o* como se da en (6). y si el tamaño de la muestra es n S N. 9.5.6. 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.

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

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

pagjna 117. denota con frecuetlcia por ¡2. UtilizAndo la misma idea po es más buci ¿" diferencias de varianzas. 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. resulta ir¡ ande o e un bien complicada. Establecemos esto en el teorema siguiente. se Debido al Teorema 5-6 la variable en (20\ ción de este teorema véase Problema 5.i2 o2 (20) o- La distribución de esta variable aleatoria se describe en el'teorema siguiente. 5-7: DISTRIBUCION MUESTRAL DE RELACIONES DE VARIANZAS En la página 159 indicamos cómo pueden obtenerse distribuciones muestrales de diferencias.cAP. en tanto que es normal asintóticamente si la población no es normal dado que n >: 30. 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. 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. podemos considera¡ él estadísü próxima a 1 indicaría una pequeña pequeña indicaría una gr¿rn áiierencia mientras que una relación diferencia. Una posibilidad es estimar la varianzá poblacional utilizando una o más varianzas muestrales y luego colocar la corespondiente^ desviación típica en (21). . que ? tiene una distribución de Student con n Teorema demuestra en el Problema 5. Es natural preguntar qué sucedería si no conocemos la varianza poblacional. 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! . 5l TEORIA DEMUESTREO 161 DISTRIBUCION MUESTRAI.la variable tipificada Z= X-¡t "/yñ. (21) está normalmente distribuida si la población de donde se toma¡on Ias muestras de tamaño n está normalmente distribuida. Puesto que no tenemos que conocer la varianza poblacional con frecuencia nos referimos al anterior tipo de muestreo como la teoría de pequeñas muestras o teoría de muestreo exacto. en muesa la particular diferencias de medias. S/\n X-t' slltn'- (22) r ü Podemos entonces demostra¡ utilizando el Teorema 4-6.22. En cambio. 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 .grados'de libertad. 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. Para una demostra- CASO DONDE LA VARIANZA POBLACIONAL SE DESCONOCE En los Teoremas 5-4 y 5-5 hallamos que.24. En (2I ) hemos supuesto lógicamente que se conoce la varianza poblacional o2 .1 grados de libertad. - 1. Si.Si.

!f S.i Las notas para desviaciones típicas sqn igualmente aplicables aquí. (r/ I lo 't/tt l1(t1 que es casi igual a o2para valores deir trr j . (l) Desviaciones típicas o" Os !t/ 2n población oq está dada por (1) solamente cuando es normal (o aproximadamente (r) normal).j respectivamente.: ir. Para n =) 100 la distribución muestral de la S es muy próxima a una normal. etc. Proporciones oP \ ^7ett " ¡ !.p en todos los casos son dn¡crr Medianas - "!t. ttp .puede utilizarse (2 ). r.-_. Sr respectivamente.Í ..-8: Si se extraen dos muestras aleatorias independientes de tamaño m y n respectivamente de dos poblaciones normales con valianzas oi. /. la curtosis.t62 Teorema TEORIA DE MUESTREO [cAP.1. lo que se cumple para poblaciones normales.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 convierte en (.Sl. Por ejemplo la mediana.: nSj/('n 1)or. La distribución Medias o. u. el sesgo.5 5. OTROS ESTADISTICOS Muchos otros estadísticos además de la media y la varianza o desviación típica pueden definirse para muestras.t normal. el estadís_ tico F lr^ -_ '1. la moda. Para n '. la media poblacional en todos los casos. n 1 grados de libertad. los momentos.¿s ción. (1) . Los resultados dados son válidos solamente si la población es normal o aproximadamente normal..ra : 3o4 .100. Si la población noesnormal.. EI teorema también puede aplicarse en el caso de que las distribuciones de población no sean normales pero tengan forma de campana. 6n Las notas anteriores para medias igualmente aplicables aqu í.!!1.ac\ \{r/ tiene la distribución F con ffi 7.1 ) en caso de que la población sea Va¡ianzas (-') O. Nótese que (2) se reduce a (1) cuando ¡.o con gran aproxima- O. 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..2533 0 \/n Para n = 30 la distribución muestral de la mediana es muy próxima a una normal. d . Enlonces si las varianzas de las muestras aleatorias están dadas por .

es difícil observar las diferentes características o computal estadísticos tales como la media. se llama marca de clase. Es interesante observar que Ia gráfica parece indicar que la muestra se extrajo de una población de alturas normalmente distribuida. conjuntamente con los dados.'J ir z 61 64 6t- l0 ?3 76 (pulgadas) Estatura (p [:ig. que puede tomarse como representativo de la clase. DISTRIBUCIONES DE F. 60-62 es 61.l .5. como se muestra sombreado en la Fig.5 y 60.5-62. Tabla 5-2.5--65.5 y 62. puecen enct-¡ntrarse con frecuencia. .Por e¡emplo. 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. Si en la Tabla 5-2 registramos la frecuencia relativa o porcentual en cambio del número de . El ancho del intervalo de clase 7-ésimo. etc. consiste de estaturas desde 60 hasta 62 pulgadas..5 pulgadas mientras que unaregistrada como 62 pulgadas realmente está entre 61. El histograma correspondiente es entonces semejante al de la Fig.5:3. Distribuciones muestrales para estos estadísticos. DISTRIBUCIONES DE FRECUENCIA RELATIVA Y OJIVAS estudiantes err cada clase. 5-1. La suma de ias áreas es 1 ó l-00'. el resultado sería una distribucíón de frecuenciarelatiua oporcentual. inciicadas por 6G-62.cAP. denotado por c¡r que comúnmente es el mismo para todas las clases (en cuyo caso se denota por c). denominada la frecuencia de clase. Puesto que 5 estudiantes tienen estáturas casoc:62.5. Orden3mos los datos en clases o categortbs y determinamos el número de individuos que pertenecen a cada clase.5-59. se ¡nuestqan en la tabla anterior. Ya que una estatura registrada tromo 60 pulgadas realmente está entre 59. por ejemplo. En el intervalo de clase 59. podríamos haber registrado el intervaIo de clase como 59. En este La primera clase o categoría. EI punto medio del intervalo de clase. Por esta razón es útil organízar o agrupar los dofos. EI siguiente intervalo de clase sería entonces 62. se conoce como d¿süribución de frecuencia o tablade frecuencia. Io que se llama uninterualo de clase.:) riri {l¡ ¡ lii 12 o ilr -71 27 8 . o por un polígono de frecuencios uniendo los puntos medios de los techos del histograma. Algunos de estos.) de tro estudiantes É tr-r (::i t'.'RECUENCTA Si una muestra (o una población) es grande. Tabla 5-2 ESTATURAS DE 1OO ESTUDIANTES DE LA UNIVERSIDAD XYZ o H o 10 (pulgadas) fir) Estatnra i Número -f. desviación típica. La ordenación resultante.5-62. la frecuencia relativa o porcentual correspondiente a la clase 63-56 es 18/100 ó 18'i.5 los números 59.5 pulgadas. es Ia diferencia entre el límite real superior e inferior. etc.5 se conocen como límites reqles de clsse. o al menos sus medias y desviaciones típicas (errores típicos). 5l TEORIA DE iúUESTREO 163 definiciones son análogas a esas dadas para poblaciones en el Capítulo 3.5 y 62.-r-l correspondientes a esta clase Ia correspondiente frecuencia de clase es 5. Como ilustración suponga que una muestra consiste de las estaturas de 100 estudiantes de la univelsidad XYZ. 5-1 ercepto que el eje vertical es frecuencia relativa en cambio de frecuencia.

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

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

0 : itO + 6.5 + 10 /r. 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.6) \2. 3) (3.8) (6.40 = 2'32 Esto pone de manifiesto el hecho de que para poblaciones finitas en las que se efectúa muestreo con remplazamiento (o poblaciones infinitas).01.05. 5.47.5 . + (9. por ejemplo.5 + 4. (2.\ N _irl.6) (6.* .0 otr 3.8) (8.11) (8.5 7.11) (3. (3.1¡ muestras (2.0 O.1.6. 11).11) (6.3).5.b - 6.0 4. (8.2) 12.8).3). 11).0 5. (d) I'a varianza o{.3) (6.2.0). o: 3. 3) (rl.5 I.5 7. (o) y (ó) como en el Problema 5.0 es 8.0 -i.-. Para una demostración general véase Problema 5.r ) 4. (3. 5. Para una demostración general véase Problema 5.8) Las correspondientes medias muestrales son 2.6. Las correspondientes medias muestrales son 2.0 + 7.2).0 y la media de la distribución muestral de medias .8.0 8.5 11.5.5 5. l'I1!11-q9-"'-lgl-99'":'I9't3ls 25 comprobándose que ) 150 tt - o'' t{' -. (6. 4.5 + 9.puestoqueel segundo miembro es 10..2) (11.11) (1r.. 7. que es el valor obtenido anteriormente.o2/ N . El resultado final es . 10'8/5 .5 9.. ¡r: 6 y o2 :10.0 -('25-10 - c. éstas son (2. elevando al cuadrado cada diferencia.r' = 16.5 ¿" (l 8. 5. Estas so r (2. _Í ) .0 poniendo de manifiesto el hecho de que tÍ - (d) La varianza. 4. rj).6) (tt.!lr_115.29.0."\.5.40 de modo que o.5.1 para el caso de muestreo sin remplazamiento.. 4 135 : -. se considera la misma que (8.5 6.U t< (.6).2) (6. sumando los 25 números así obtenidos y dividiendo por 25.0 5.8/2 = 5. 7. Lo mismo que en el Problema 5. de acuerdo con el valor anterior.0.1-¡ .2.0 7.0¡:: -f -' .5 1 4.5..3) 111.O. ll ). 6) (3.8) (11.11) 4.40. de la distribución muestral de medias x es 6. + l:1. 2) (8.4. 3) (2.D 6. 5. 7.2\ Esto pone de manifiestrque '' . 6) (8.5 = 6. (3.0. (6. 8. nuesto que segundo -:^-L-^ "" (.2t (3. y la media de la distribución muestral de medias es 9. ¡'. 8).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).0)2 = 4.8) \3. ) "l .05 Y ox r.0 9. Para una demostración general de este resultado véase hoblema I . (2. or".0 6.. (c) Hay iC-.5+ 5.to oue el sesundo miembro ^^ . de la distribución muestral de medias se obtiene restando el valor de la media 6 de c¿da número de (1 ).* 2.8. 8)."2*= o2/r.?.0 (2. 6.f. 11) La selección (2.0r 6.166 TEORIA DE MUESTREO lcAP.

\a) p*.6 (o) 66.4 pulgadas .67 Proporción de muestras con medias menores de 66.6 : -2.4 en unidades tipificadas: (66. 5-3 5. Así se tiene.3 en unidades tipificadas : : (66.3 .0pulgadas o vn N-n _3 N-1 \/% . = tL = 68. por tanto.8 y 68. : (área bajo la curva normal entre z : -2.4. Por ello.67 0. cabría esperar que la distribución muestral experimental de medias se distribuya aproximadamente normal con media 68.5.(área entre z : 0.6687 Entonces el número de muestras esperado es (80)(0.68. (b) de más de 510 Pa¡a La distribución muestral de medias ox- o yn !* = p = N-n N-1 5. Supóngase que las estaturas de 3000 estudiantes de una universidad se distribuyen normalmente con media 68. pulgadas.0)/0.4772 + 0. 5. Así.304 o cero.0 pulgadas y desviación típica 0.30 500 /ioo 500-1 - 100 0. pues.6682) ó 59.67) : : (área a la izquierda de z : 0) y z : O) .5 Proporción de muestras con medias entre 66.25 -1 que es ligeramente menor que 0.cAP. que son muchas más de 80.8 y 68.6 pulgadas y puede. Quinientos onzas.0038 -2 A7 Entonces el nhmero de mueshas esperado es : (80)(0.0 pulgadas y Yox=- ox = o=3 \/n {zs = 0.02 ? .0 pulgadas. (b) menor de 66.6 : -2.0 0.5l TEORIA DE MUESTREO r67 5.4962 : -2.02 onzas y una desviación típica de 0. De aquí que con 80 no se obtenga realmente una distribución muestral de medias.3 pulg.8 en unidades tipificadas 68. la media y desviación típica esperadas serán muy próximas a las de la distribución teórica.5 - 0. para todo propósito práctico. considerarse la misma que en el muestreo con remplazamiento.30 onzas.0098): 0.4 pulgadas? ¿En cuántas muestras del Problema 5.0)/0.3 cabría esperar una media (o) entre 66.8 .0 : 0.6 pulgadas 3000 3000 (b) p* = p - 68. (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. 0.0 pulgadas y dewiación típica 3. (b) 66.5\ :(áreaentree:-2yz:O) * (área entre z : O y z : 0. cojinetes de bolas tienen un peso medio de 5.0 y z : O.3 La media X de una muestra en unidades tipificadas viene dada por Z X-p* aX X-68. habría mucha aproximación entre las dos disbibuciones muestrales.02 onzas.5) : O.1915 : 0. 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.(área a la izquierda de z : -2. puesto que el número de muestras es grande.6 pulgadas. Sin embargo.0)/0. ¿cuál será la media y'la desviación típica esperada de la distribución muestral de medias resultante si el muestreo se hizo (o) con remplazamiento.3.4 - 68. sino solamente una distribución muestral experimenú¿1. Fig.68. Si se toman 80 muestras de 25 estudiantes cada una.6 (68.

8.5-4 (ó) El peso total excederá de 510 onzas si el peso medio de los 100 cpjinetes sobrepasa las 5. tenemos l¿-12 E(X¡) = * Entonces ya que la media muestral se define como -Y='' x.5.7. 3-7 " x. F'ie. (b) sea 5/8 o más del número de lanzamientos. página 158..96 5.027 5.5..O27 : 2.00 - 5.t - .5 se encuentra entre 4.22 y z : O\ .O27 : -2.5 . DISTRIBUCION MUESTRAL DE PROPORCIONES 5.7 4 y z : O) = 0.7 4) (áre^ entte z : -2.) - . X. son ina"p"nl'i"nt". Se procede como en el Capítulo 4. X2. Se consideran los 120 lanzamientos de la moneda como una muestra da la población infinita de todos los posibles lanzamientos de la moneda. 6 72.+ "' + -' Entonces puesto que X¡. Se 1-2O.. mediante la aproxlmación normal a la binomial. 4.22 y z : -0. En esta población la probabilidad de cara es p : I12 y la probabilidad de sello es C :1P : l12. Demostrar el Teorema 5-2.+"'") =.5-5 5. y 6Ol/" de l2O.96 Probabilidad pedida : 2.(.+-\1L tenemos como se requiere l E(X) = ]lEtX..216-1 (área entre z : : 222 -074 Fie..(área entre z : -4.2704 : 0.00 onzas.6. (a) ' pide ra probabilidad de que el número de caras en los 12Q lanzamientos se encuentre ent¡e 4O(/o de 6 48.02)lO.168 (o TEORIA DE MUESTREO lcAP. Hallar la probabilidad de que en 120lanzanientos de una moneda el número de ca¡as (o) esté comprendido entre el 40% y el60%.ttr rr"rr"n Var uuri^X.O2\10...00 en unidades Probabilidad pedida tipificadas : (5.96) :0.48(i8 . Demostrar el Teorema 5-1.ruo2.0. .0015 : (área a la derecha de z Así.pues..02)lO.10 en unidades tipificadas: (5.10 onzas. tenemos por los Teoremas 3-5 y Var (X) -f vu. solamente se darán 3 casos cada 2000 de obtener una muestra de 100 cojinetes con un peso total superior a 510 onzas.0. Puesto que X1.22 : --0. son variables aleatorias que tienen la misma distribución que la población. se pide Ia probabilidad de que el número de caras se encuentre entre 47.96\ (área a la derecha de z:0) .E6)) = L(rr\ = t! 6. la cual tiene media ¡1. página 158.5 y 72.4985: 0.(área entre z : O y z = 2.96 en unidades tipificadas: (4. 5. Puesto que el número de caras es una variable discreta. Tenemos . (x1) r rI (x.7 4 : -2.96 ) El peso total se éncontra¡á entre 496 y 500 onzas si la media de los 100 cojinetes y 5. '1-.10 .

0456 (0.0456 40Vo enunidades tipificadas 60o1c -2.60 + 0.0041?-0. Aquí se consideran S00muestras.60.28) 2(O.I9 : -2.detamaño 120 cada una.51720 del primer método.00417) en unidades tipificadas Probabilidad pedida . 0.977 4 ttp=P:i=o.86 : (área bajo la curya normal a la derecha de z : 2.40 0.48 Probai¡ .28) 2(área errtre z : O y z : 2.74% de ellas con porcentaje de ca¡as entte AOVI y el . Adviértase que (0. (área bajo la curva normal entrez=-2.5 .00417) corresponden a las proporciones 47.8. - 0.50 0.1.40 72.idad pedida = 2.fn ficadas son.5 en unidades tipificadas = - 60 72. ¿En cuántos individuos cabe esperar que (o) el númoro de caras se encuentre entre eI 40% y el 60% desuslanzamientos. = .5 5.60 5.00.50 = _2.971.28 : : : Otro método. de la población infinita de todo. 5l TEORIA DE MUESTREO ¡r: núrnero de ca¡ae esperado .48 .6250. no concuerda exactamente.28y2:2.=1p= ^FY = 120 = 0.s los posiblea l¿nzamientos de una moneda.5 en unidades tipificadas = 72.(áreaentre z : 0 y z : 2.4887 ) : O.5/120 y (b) Empleando el segundo método de (o) se tiene.uo ".0. (o) En el apartado (o) del Problema 5. puesto que 5/8: - 0.0'60 = 2. Cada persona de un grupo de 500 lanza una moneda 120 veces.65\ : (área a la derecha de z : 0) .5 . = 2.t9 yz : 2.28 que concuerda con lo obtenido por el primer método.28 _ y 0.4857) : Aunquees:cresultadotiene dos cifras significativas. Así pues. (b) 518 o más de sus lanzamientos resulten cara? Este problema está estrechamente ligado al Problema 5.60+0.np = rzo(!) = oo o= 47 \/"pq 47.0456 = 2.65) : 0. Teniendo esto en cuenta se resta 11 Z" = Al¡. i:abe esperar el encontrar un97.8 se ha obtenido que todas las posibles muestras de 120 lanZamientos de una moneda.0040 -_ 0'6250 5. que 0'00417 0.4960 : 0.00417) y (0.0r56 - 0.117 l1 a 0.cAP.I9 en unidades tipificadx: ffip z sí la probabilidad pedida es el área bajo la curva normal entre 0. puesto que no se ha utilizado el hecho de que la proporción es realmente una r¡ariable discreta. de 0.0041 7. puesto que L1240: 0.19 : 2(0.6250 - 0. las proporciones pedidas en unidades tip! 0.40 y se Buma .9.

ó 489 muestras con esta propiedad.8)12. L/2tt.18) 0.02 I 0. : 2 personas se esperará que los 5/8 o más 5.s (o) 3% o más. se tiene (o. Se sigue que en 489 individuos se esperaría que su número de caras se encontras€ entre eI 4O% y el 6O%.3869 :0.50 + 0.98) v = 400 _ 0.11.02(0. una mayoría se obtendría en la muestra si la proporción en favor del candidato fuese 0. p0. Se ha encontrado que el 2% de las piezas producidas por cierta máquina son defectuosas.5 en unidades tipificadas : " : {"w : (11.={-= .5025 o más.0764.00125) en unidades tipificadas 0'02 r 010q1?5 . como variable continua.5000 - 0.0714 se : O. En ó00 muestras se puede esperar 97 . En concepto continuo.5 o más.o3_o.0362: 1. También puede utilizarse el aegundo 5.46)/0.5 y así la proporción sería 100.5025 en unidades tipificadas : (0.489 : 1I individuos cabe esper:ü que su número de caras no se encuentre entre el 4O% y el 6O% de los lanzamientos.5/200 = 0.25 y como antes la probabilidad pedida (b) {0.) Entonces.a es .57L4 Si no se hubiese aplicado la corrección. hubiese obtenido 0.2t) : 0.0025. Tales individuos pueden razonablemente sospechar que sus monedas no están bien hechas aunque sí lo estén.00125. (a) Puesüo que I.25 hobabilidad pedida : (área bajo la cu¡va normal a la derecha de z : I. sería 100. 12 o más significa 11.0352 L12n: ll40O: 0.21 (área bajo la curva nonnal a la derecha de z : l.5 y'1+oo)1onz)¡rsg : 2. Este tipo de error es un rresgo que se presenta siempre que se trata con probabilidades.170 TEORIA DE MUESTREO lcAP. (b) 1000 individuos elegidos aI azarde entre la población votante se hubiese obtenido una mayoría de votos para dicho candidato.0'02 -: 0..5000 + 0.5025 Probabilidad pedida : .p = :p = 0.7 4% de 500.1131 .8 : - 1.18 Probabilidad pedida : : (área bajo la curra normal a La izguierda de z 0.1056 Si no se hubiese aplicado la conección se hubiese obtenido 0.5000.14 = 20 0.02 (o) y oP=tE= : 1/ 0. (2()'o de 400) = 3 Entonces 11. pero ésta. ¿Cuál es la probabilidad de que en una partida de 400 piezas sean defectuosa.26): 0.0.0040) de sus lanzamientos sean caras. (b) 2% o menos? PP'=P=0.5 6OVo.0025 : 0.oo125)enunidadestipificadas=W=|. Determinar la probabilidad de que de (a) 200. (b) Razonando como en (o). 1/800 0. Es interesante advertir que en 500 .1056. Otro méüodo. se concluye que en (500X0. (Esta proporción puede también obtenerse dándose cuenta que 101 o más indica mayoría..10.-' 0.5025. Los resultados de una elección demostraron que un cierto candidato obtuvo el 46% de los votos. (3% de 400 ) : 12 piezas defectuosas.007 Mediante la corrección para variables discretas. método del apartado (o).4G y ". 0.

69 Probabiliüd pedida : (área bajo la curva normal a la derech¿ de z = 2. (f._ri. rnientras que las de otro fabricante B tienen una duración media de 1200 horas con una desviación típica de 100 horas.a demostración del resultado general se deduce del Teorema g-7 .cAP..12.46@Ba)/1000= 0. 8 y U2 lavariable de los elementos de lapoblaciín2.iu.Ur) Fur-u. (t) vr.5025 en unidades tipificadas = ff*s : 0. Calcular (a) *u.q/n = y'd. (f) n'u r- u" = mrianza de la población (U 1- U 2) (1-3¡z + (5-3)2 + Oo._u"..ia de 1400 horas con una desviación típica de 2OO horas.) o (e) . = mediadelapoblaciónU. = varianza de la población I/' (3-6)2 + (7-6)2 + (8-6)z _ 33 a2u.' Éiinz. sacado de (o) esto concuerda con el resultado general FLtr_uz= y (b).4964 DISTRIBUCIONES MT.]ESTRALES DE DIFERENCIAS Y SUMAS 5.5000 - 0..m=!T...' ¡ecado dc 5. [..-(e) ou". = media de La ]{S*?*8) = l.6g) = 0.. 14 (d.) nu. o. y 0. = varianzadelzpoblación U. ¿cuál es la probabilidad de que las bombillas deA tengan una du¡ación media que sea al menos (a) 160 horas.. ofi.j ut-v2 (6-3)21(-.4.46.7 g . 6 r¿. @). (o) (b) (c) Éy.= \Ej7r-._u. (b\ pu. ou.. -3)2 + (3-3)2 + (4-3'¡z b L7 3 Eeto concuerda con el reeulüado general para muestras independient"" ou. Sea Ut la variable de los elementos de la población 3. Si se toman muestras al aza¡ de 125 bombillas de-cada fabricante. (d) V @ ).0158. = t/f.. (b) 250 hóras más que las bombilhjde B? . = FLrt = 4Lrr. = població n lJn = f.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 (U1.6l (b) pp TEORIA DEMUESTREO = p: 0. 7.0036 = 2. Las bombillas eléctricas de ün fabricante á tienen una duración Lned.13. = (2-3)2 * (4-3)2 =l ó ou"= l.

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.

20. Nótese que las Figs. 5-11 y 5-12 corresponden a las Figs. Hay seis 5. 5-9 y 5-10 de la parte (a).10 y 18 individuos registran una media de pesos de 162. 5-11 es Ia más lógica para representar datos discretos.8. 5-12 muestra el polígono de frecuencias acumuladas u ojiva de los datos y los trata como si en esencia fuesen continuos.6. de modo que eI mismo porcentaje l8.0 3.4.5.4. La Fig.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?. 1.10 Hzo o lzo A 0123456 Número de caras 6 0123.3 + 4 + 5+ 4 + 8 1 2+ 5+ 4 20 =ñ:n'" Método 2. Hallar el peso medio de todos los estudiantes. 2x It 5 qA +3 | fi + 5 + 4 + 5 + 2 + 8 + 6+ 5+ 4 + 8l.23 caras. así por ejemplo. Cuatro grupos de estudiantes.2.8. VARIANZA Y MOMENTOS PARA MUESTRAS 5.2 52.5. CALCULO DE LA MEDIA.aparece para todos estos valores (indicado por la línea horizontal).3.4.8 5.4 81 ..5.(6)(5) +(2)(3) +(2)(6) + r5)(4) I (2)(2) +(3)(8) 6+21-2+5+2+3 96 20 = 4. 5-11 o en la Fig. Hallar la media aritmética de los números 5. 5-12 Fig.8 18.3. 153 y 140 libras. respectivamente. 5-12.5 100.75.2. dos 2 y tres 8.6. el porcentaje de lanzamientos en los que haya menos de 2 caras es igual aI porcentaje en las que haya menos de 1. Entonces _ )/¡ n .1 Número de caras Fig. formados por 76.4.TEORIA DE MUESTREO Nfimero de lanzamientos Nfrmero de caras (frecuencia acumulada ) 0 Porcentaje de lanzamientos (frecuencias acumuladas porcentuales) 0.32. L48. . dos 3.31.8. cinco 4.0 o o É o C t{0 6 N^^ Eou o O .5-ll (c) La representación gráfica puede indicarse como en la Fig. Método l.10 N-^ EOU G' o :! . La Fig.56 ó 1.4. 5. dos 6.2ol.6.

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 >/ - + . la es La solución se indica en la Tabla 5-9.35.45 pulgadas . Véase Problema 5.45 pulgadas Los cálculos involucrados pueden conveitirse en tediosos. Utilizar la distribución de frecuencias de estaturas en la Tabla 5-2. si 5 tienen una estatura de 61 pulgadas..35. especialmente para los casos en los que los números son grandes y hay muchas clases. )fu = l5 u = "*(?t. es igual al tamaño de intervalo de clase c multiplicado por algún entero u¡.)" = 67+ (i%). Elproblema entonces se reduce a encontrar la estatura media de 100 estudiantes. 5 = 150 libras 5. Técnicas breves se encuentran disponibles para disminuir el trabajo en tales casos. etc..r¡ con respec[o a alguna marca de clase determinada a.¡ (tambiénescrito brevementecomor =a I cui. etc.ffiq = 6?.t yaque n=2f¡. El método se denomina el método claue y debe emplearse siempre que sea posible. Entonces la desviación de.. = a*c! )/'rr' .33. Adviértase que todos los estudiantes con estaturas de 60--62 pulgadas. 63-65 pulgadas.180 sfn TEORIA DE MUESTREO lcAP. xj . es decir r¡ -o:cltj óx¡: a *cu. T abla 5-lO 5. -. 67. La media está dada por fi _ 2f¡r¡ = = nnnn. )/'(o*crr¡) = o>f. Denótese la clave de marca j-ésima por . se consideran como teniendo estaturasde 61..rj. 5. por ejemplo. alcú" 2f¡u.64. Derivar la fórmula clave (27). para hallar tatura media de los 100 estudiantes de la Universidad.34. Utilizar la fórmula clave del Problema 5.34 para hallar la estatura media de los 100 estudiantes de la Universidad XYZ (véase Problema 5-33). XYZ.o. La solución puede ordenarse como se indica en la Tabla 5-10. para la media aritmética. 18 tienen una estatura de 64 pulgadas. pígina 163. pulgadas. etc.página 164.

45 2.7500 f(r TL n\z 852.37.7500 100 = {dEfB = 2. Entonces n20 _ 59. 5.33.5025 30.92 pulgadas 5.rlgadas.8025 72-74 246.9025 208. Tabla 5. s2 = 59. x: 67.20 . aír 20 Méüodo 2. Hallar la desviación típica de las estaturas de los 100 estudiantes de la Universidad XYZ Véase Problema 5.DO'O 64 67 70 73 -3. Como en el Problema 5.u.2025 6. HaIIar Ia desviación típica de los pesos de los estudiantes del Problema 5.36. = a*cú' t¿ . . página 164.45 lr - fr)¿ Frecuencia 5 / f(r ñ\2 60-62 63-65 66-68 69-71 -6.34 tenemos ri = a + cui y ft = a*c'" 2f. 5l TEORIA DE MUESTREO 181 5. Derivar la fórmula clave (28).39.55 o.cAP.20 20 2.31. donde hemos utilizado el hecho de que las 5.a solución puede ordenarse como se indica en la Tabla 5'11. [.4.8.r\2 n 15(162.z - 2 f(r .Do 18 42 27 8 0. " 2f(r-r\2 _ n 6(5 .10 libras.4200 n=)/=100 2 2f(r-ñlz= 852.8)2 = 2QA (2_20 4.32. (o) Método 1.45 4t.8):¿ + 3(8 - 4.36. : y'Gb.31 tenemos ú = 4. Hallar (c) la varianza y (b\ la desviación típica para los números en el Problema 5. = +:q = 65'6 en unidades libras cuad¡adas o (libras)2 .45 -0.0L25 214.11 Estatura (pulgadas) Ma¡ca de clase 61 r r- r-r = 67.8)2 _ (b) De (o\.38.6 (libras)2 : \6bS libras : 8. Como en el Problema 5.2460 8.33. Del Problema 5.96 y "-rfzs6=1.5050 I¡D. para lavarianza.150)2 | 20(149-1si)i -tJ911!!:-!Li)2 + 18(140- 150¡z !5+20+10-f 18 Entoncee unidades siguen la leyes comunes del álgebra.45 pr.6025 11.

cr¡atro momentos con respecto a la media para la distribución de estatu¡as Continuando el método del Problema 5.\t 't t l = = ".92 pulgadas.41.35. b = f.u? -t t - C2[ /2f. = ¿2. : }> f .'1 \fu/J _ ú2]l 5.jú."? -'#2 2ú2c2 r¡u. 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.az¡ n \n /l = ta)'f-re? / rs Vl = Ltoo-\t*/J ^ ó'b-275 y s: 2.o. La solución puede ordenarse como se indica en ta Tabla 6:12. + tlz) 2xt = *2 : t.39 para hallar la dewiación típica de las estaturas en el Problema 5.u.-a¡z i) = "i 2 ¡ .f!n'LN c2[u2 (.> f .40 obtenemos la Tabla 5-13.<"? ._ "o¡. + c2úz *> r.L82 Entonces s2 TEoBTADEMUEsTREo [cAp.33. 2lu=75 )fqz = 97 lalEr lo-s primeros del Problema 5.1"u./¡¿)'l = ¿21¿ . 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 .f ¡@. Esto nos permite halla¡ 6.40. De la frltima columna tenemos ¡ como en el Problema a2 = "rfL>l!'. Utilizat la fórmula clave del Problema 5.33.u? = ¿2 ¿2 * . 2 't t f.- o¡.'r".{r.

Cada Nf¡mero Estatura n(rmero de estudiantes se denomina número'muestral. Entonces extraeremo8 nl¡meros muestrales de la tabl¡ de nf¡meros aleaüorios (Apéndice I).6932 a3 Coeficiente de eesgo = a. -0...14 m+ Entonces = 199. utilizando La TEORIA DE MUESTB.5275)3 (b) Del Problema 5.1b)B] = -2. 46 resultan en'estatu¡as de 70.53 M'r') = 9[0.43.9?) + z(0. 99 (véase Tabla 5-14). En forma semejante 77.41. etc. (c) Comparar los resultados de (b) con los valores teóricos.5275 Entonces mB = -2.3?59 5.15)2(0.3759 ffiz:s2=8.nL¡ = ca(M't.15X0.97 M.9? .6l Entoncee.. 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. tenemoe 183 M] = >fu n = 0. PROBLEMAS DIVERSOS 5. 7'1. 46. fflg = p: { (8.EO notación de la página 165. OL.6275 B(0. (o) DeI Problema 5. los 18 eetudiantes con estaturas 63-65 pulgadas se numeran 05-22..42.(0. etc.67 pulgadas respectivamente.1s)2] = ca(ML-gLI|Mi+ zM'Lz) = 2?[0.3759 qa-szrgy _ 6 al = z't+ De (o) vemos que la distribución está modetadamente sesgada a la izquierda. De (D) yemos que e8 menoc apuntada que la dishibución normal (que tiene un coeficiente de curtosir: 3). 27. que tomamos como 67 pulgadas (la marca de elase).4MiML+ 6M'r2ML- BMin) 81[2. Del primer renglón hallamos la secuencia 5I.33. (o) Emplear dos dígitoe para numerar a cada uno de los 100 estudianües: 00.^=>+=2.6982 . cada uno de los cuales determina la estatu¡a de un eetudiante determinado.88 "z1ML- 8. que tomamos como n(¡meros muestrales aleatorios.15 ML=Zy = o.97) -3(0.53-4(0.5275 rttt Coeficiente de cu¡tosis as=E = : 199. lttt = ffi2= ffi3= 0 0. .BB Mí= >fu2 n y de (32). Asf los 5 estudiantes con esüaturas 60-{2 Tabl¡ 6-14 pulgadas s€ numeran 00-{4. 02.41.15)(0. (b) Hallar la media y la desviación típica de la distribución muestral de medias en (o). (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 27.33) + 6(0.cAP. ffi2=s2=8. 67.15)41 : 199. explicando cualquier discrepancia. . 40. (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.

12 3. 73.60 67. 60. 05.75 66.82.25 68. 70. 67. 67. 67 64.64. 75. 64.00 68.64.96.25 67.25 67. 64. 86 6. Medi¡ = a*cú Derviación = o*c2fu típicr = = e - 6?. 73.64 73.50 68.28. 67.44.24.91. 67.70. 42.93.25 70. 6? 15. 67. 67.25 69. 07.93 14. 70 6L.25 65.23.96.00 67. 07. 56. 10.6L.98. 40.99 23. tt.50 68.00 extnfdo¡ Estatr¡¡as corespondientec 64. 67.70. 67. 73.67 67. 73 67.08 12.79. 70. 64.5 Por eete proceso obtencmo¡ l¡ T¡blr Fló quc rnue¡tra lo¡ n(¡mcro¡ mue¡trale¡ extrafdor. 58 70.70 medi¡ 67.91. 11. 70. 67.2L. 90. 16. ?1. L¡ medi¡ y la derviación tfpica ee obtienen como es usual por los métodos claves delcrito¡ anterbrmeuüe. 56.25 64. 67. 67 67.70.03.54 2:2. L2.02.75 69. 67 Ír¡f¡f media 66. 03.25 66. 33 m.67 64. 19.00 67.69. 67.70 70.8s 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.36 08.25 67.184 TEORIA DE MUESTREO lcAP.'7L. 51.f = n 30 4 ). 67 70.00 66. 81.76) = 1.0L.30 58.32 8.93 27.2L 10.93 5.75 67. 51.22. 19. 64 70. 73. 67.31. 67.58.73 67. 58. 67 70. 70. 64.fu.64. = 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). 1t.24 64.75 69. 15.54.00 (0'75)(23\ = * 'ñ- 67'58 Pulgadaa 2fuz />1"\' n -\ i " (0.64.70 Trbl¡ 6-16 Media muestral 64.91. 67. 68. 67 64. 87 fl.50 65.08.09.73 73.50 68.33.00 -4 -3 -2 -1 0 1 -4 0 -4 -6 0 0 4 / 28 45 16 23 d D .57. 53. 70.64.04.41 pulgadar . 6L.50 67. 64. 67 70.77.52 13.28. 73.97 24. 70. 67 70. 45.83.50 69. 31.74. 46 2. 70 64.ón dc l¡ trbl¡ de nl¡rncro¡ dcatoiio¡ h¡brfrmo¡ podido inici¡¡ en eualquier parte y escoger cualquicr patrón dctetmindo. 67.42. 67 . 18 70. 67.97.25 68.64. 67. 61.70 7.75 65. 70. 73 67. 30. 43 1f. 70. Esta ee una distribución mucet¡al de mediu. 67.41. 67. l. 70. 39 13. 59.27.00 70.50 66'. 67. 67.50 1. 70 67.62 4. 64.70.6r.50 66.84 64. 70 64. 64 67. T¡bh 6-ró Nf¡meros muesFale¡ Est¡twr¡ o- E¡la+ Nfrmeros muestralea extrafdo¡ rrcqrondieatcc 67. 67. 76. g8 25. 10. 64 67.00 64. 67. 67. 70 73.50 68. 06. 73. 63. 64.25 69. 56. 96. 20. 67 67.25 69.79 70. 98.46.25 Cl¡enta Í 1 u fu fu2 16 0 8 6 0 2 ñ( /t/t )#{ 6 4 A a+67. 70.50 79. 21.74. 55.00 66. 13. 21.87 26. 34.73. 67 23. 3 14 16 4 I l.67. 67 29. 93. 65. 45.64.75 68.58 9.

Entonces la probabilidad de que las primeras 4 sean rnayores que ü y las 2 últimas 6ean menores que u es decir - nc. . ¿Qué porcentaje de las muestras del Problema 6.0 es (0. 5.8 libras en unidades típicas : (8.50 : 2.4 es (0.44 tendrían dewiaciones típicas (o) mayores que 11. por tanto el porcentaje pedido es 2.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.0.0228.41 pulgadas de la parte (b)..0082.0 libras. de acuerdo.1 aJ.0.0)/0.44.g2/fi = 1. Se escogen muestras de 200 estudiantes de esta población y se calculan las dewiaciones típicas de las estaturas de cada muestra.r .?d L -r.33).0 libra¡ en unidades típicas: (11.4918) : 0.3'/'.con el valor de 67. esto es Q\ (r) f" sean .0 .10. ) ea el producto de (1 ) y (2).cAP.50 : -2. es ig¡ual. Í:-lÍ..4772) = 0.8 .46.8libras? La distribución mueetral de desviaciones típicas es aproximadamente normal con media 10. La desviación típica de los pesos de una población muy grande de estudiantes es de 10. estamos de acuerdo con el valor de 1.92 pulgadas (véase hoblema 6.46 pulgadas. El área bajo la curva normal a la derecha de z 2.) au . 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) . dada por o*. pfuina 162.45. /(r) tr.f 'LJ" f t@ta*l'/t..45 pulgadas (vóase hoblema 5. ¿Cuál es la probabilidad de que las dos últimas observaciones sean menores que las primeras cuatro? Suponemos que la población tiene función de densidad f(xl.0. donde la dewiación típica poblacional o = 2. por tanto el porcentaje pedido ec 0. De la Tabla 5-1. es igual a o/y'[.0 lb ( lr) \/2" + = 0. dada por a¡.) ps: o = ts=-' o 10.50 libras.l' ra.a la media poblacional ¡r que 67. Podemos considera¡ que el muestreo es o de una población infinita o con remplazamiento de una población finita. (a) : 11. ¡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 €.0 libras y desviación típica 0. de (b) 8.a a.58 pulgadas de la parte (b).10. Puesto que o/t6':2.5 . tenemos: ( ¿[.". La desviación típica teórica (error típico) de la distribución muestral de medias.0y0.50Ib v400 5.40) y el tamaño de la muestra n : 4. (b) menores que 8.0 libras.8%. Una muestra de Por 6 observaciones se hace aleatoriamente de una población. Las discrepancias se deben a que solamente 30 muestras fueron seleccionadae y el tamaño de la muestra fue pequeño. Hallar (c) la media y (b) la dewiación típica de la distribución muestral de las dewiaciones típicas.4.t J.r.5l (c TEORIA DE MUESTREO 185 ) es t a media teórica de la distribución muestral de medias. 5. El área bajo la curva normal a la izquierda z : -2.' ¡p¡ a*)"lJ'"-r.5 .t.

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

adecu¡das. Resolver el Problema 6. (c) la media de la digtribución mueshal de medias.1'". (d) ¡ean menor de 22. (c) sean menor de 22.(.51 si la población 5e compone de 22 cojineter.42 onzae.cAP. (b) sean rnayor de 22.N-1 ^' . Considerar toda¡ lae posibleamuestrasde tamaño dos que pueden extraers€ de esta población con remplazamiento.N-1J '¿\N-1/ Problern DISTRIBUCION MUESTRAL DE MEDIAS a. remplirzamiento. (b ) sin 6." +a¡v = a N 02.7. Demostrar que (c) la media y (b) la varianza de la media muestral del Problema6.e 22. Resolver el Problema 5.LL..iE(x)+"'+E(x")l 1 =1 n (p -r "'+p) donde hemoe empleado el Problema 6.38 o mayor de 22.49. Por tanto I+v:l Cov (X¡. = p (b) Uüilizando loe Teoremar 3-5 y 3-16 (generalizadoe).6l TEORIA DE MUESTREO En esta ecuación. 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. Encontrar (c) v (d) directamente de (c) y (b) mediante las fórmula¡ 5. NÉ y la primera suma en el lado derecho er igual por definición.4L onzas? y 22.4L .62.48.50.a7 @).p) = -Noz r \ -2 'r' X¡) = . Loa peeos de 1600 cojinetes de bolas se distribuyen normalmente con medla 22.Ét suplernenta.' " ) = .47 están dadas respectivamente por t*= (o) E6) = "1 =*"(x=) /X' +. 5.37 onzaa.) = #[.(-r¿_ i)] = Lfr-"-rf = 4(N-"\ nl. 15.40 onzas y dearriación tfpica 0. Hallar (o ) la media poblacional. Si se erüraen 300 mueetras de tamaño 36 de e¡üa población. g (o¡ - p)(o. ya que por definición a1 187 -la2+'.51..39 onzas.N\N-rl' 't/ 5.048 onza¡.á.rlo s 6.( rr-:--r l(-.¡ = . En el Problema 5. y el Problema 6-4?. ¿en cuántae de lag mue¡tras aleatoria¡ cabe ecperar que sus medias (a) ertén enl'l.á var(X¡) * .51.. ó. (b ) la dewiación típica poblacional.49 si el muestreo fuese sin remplazamiento. Una población est6 formada por los cuatro nfrmeros 3. .Ét ". (d) la dewiación típica de la distribución muestral de media¡. cov(x¡.(n_'.f x"\ D p (.53.x¡)] = #ú* *. el lado izquierdo e8 cero. obtenemos var(x) = Sv^.

5. (b ) entre el 4O% y el 60% sean niñas. rojas? 5.60.5t. tomada de entre ellos tenga una duración media de (a) entre 790 y 810 horas. (b) 6 o más puntos.66 si las exüracciones son sin remplazamiento al obtener cada colección. ¿en cuántos lotes cabe esperar (o) menos de g0 bombillas buenas.57.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.63 si se comprueban 100 cables de cada fabricante? Explicar las diferencias. 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. Si normalmente el 6Vo de las bombillas es defectuoso. sob¡e las que se escrriba la inicial .6 6.R o I en las proporciones adecuadas. respectivamente. En una prueba de aptitud puntos? la puntuación media de lo¡ estudiantes es de ?2 puntos y la dewiación típica de 8 puntos. Explica¡ la diferencia. Lo mismo del Problema 5.69.65.57 si se consideran 100 en lugar de 200 niños resultados.nedias a larotura de 4000 y 4500 libras con desviaciones típicas de 300 y 200 libras. que es de 8200 libras? DISTRTBUCION MUESTRAL DE PROPORCIONES 5. (d) enhe ??0 y 830 horas.56.188 TEORIA DE MUESTREO lcAP. ¿Cuál es la probabilidad de que las dos coleccionee difieran en 8 o más bolag Resolver el Problema 5. (ó ) entre el 43% y el 57% sean niñas. De un total de 1000 muestras de 200 niños cada una.59. A y B fabticzn dos tipos de cables. Se extraen dos cotecciones de 30 bolas cada una con remplazamiento y s€ anotan sus colores.64. Ciertos tubos fabricados por una compañía tienen una duración media de 800 horas y una dewiaeión típica de 60 horas. (c) más del 640/o sean niños. Un fabricante despacha 1000 DISTRIBUCIONES MUESTRALES DE DIFERENCIAS Y ST'MAS 5. ¿Cuáles son las probabilidades del Problema 5. (b) menor de 785.60.63. (c ) el 63"h o más sean niñas? Resolver el Problema 5. Supónganse iguales las probabilidades de nacimientoe de niño y niña. difieran en su puntuación media en (o) 3 o más puntos.el 4Oi'o sean niños.12. comprobar que . 5. Si U¡ y U2 son los co¡r¡\ntos de nhmeros del Problema 5. (b) l2 bolas rojas y 8 blancas. y explic. ¿en cuántas cabe esperar que (o) menos del 4OVo sean niños. ¿Qué enores pueden introducirse al utilizar dos conjuntos diferentes de monedas? lotes de 100 bombillas cada uno. Hallar la probabilidad de que una muestra aleatoria de 16 tubos. ¿en cuántas cabe esperar (a) igual número de bolas rojas y blancas.62. 6.6t. (d) 10 o más bolas blancas? Dseña¡ un experimento que ponga de manifiesto los resultadoe del Problema 5. Los resultados de una elección mostraron que un cierto candidato recibió el 65% de los votos. En lugar de bolas rojas y blancas. llallar Ia probabilidad de que de los próximos 200 niños nacidoe (o ) menos d. ¿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. sacadas de la urna con rempliazamiento. que tienén unas registencias . formados de 28 y 36 eetudiantes. Hallar la probabilidad de que en dos muestras aleatorias compuesta cada una de 200 votantec. 5.6?. (c) entre 2 y 5 Una urna tiene 60 bolas rojas y 40 blancas.54 si la muestra extraída ee de 64 tubos. (c) mayor de 820 horas. 5. 5.66. (b) 98 o más bombillas buenas? 5. 5.' ¿Cuál es la probabilidad de que dos grupos de estudiantes.55. se pueden usar hojas de papel. 5. respectivamente.61. Los pesgs de los paquetes recibidos én un departamento de almacenamiento tienen una media de 300 libras y una desviación típica de 5O libras. 5. 6. (c) 8 bolas rojas y 12 blancas. (ó) al menos 450 libras más que A? 5. haya una diferencia superior al1^o"k en las proporciones que votaron por dicho candidato.54.

0. ¿Es la probabilidad de que una ttarianza sea mayor que 1.71. y Se halla que CASO DONDE SE DESCONOCE LA VARIANZA POBLACTONAL 5. (ó) P(1.01? Dos compañías. entie 0.05 y 0. La Tabla 5-17 rmuestra una distribución de frecuencias de la duración de 400 tubos de radio comprobados en la L & M Tube Company.79.48. la de la segunda.999 300 1000-1099 1100-1199 las 600 horas. Explicar cómo podría utilizar el Teorema 5-7. TOTAL 400 .05.50.399 400 .01. (b) ambas b0 horas. (b) el error tfpico de varianzas. Número de tubos L4 46 58 76 68 62 48 22 6 Solueionar el Problema 5. Tabla 5-17 Duración (horas) 5. una distribución ú de Student con r. Hallar (o ) la media y (b ) la desviación típica de la suma de las cantidades. 6. (b) 7. DISTRIBUCION DE FRECUENCIA 5. DISTRIBUCION MUESTRAL DE RELACIONES DE VARIANZAS 5. (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. ó. Se pesan tres cantidades dando 20. 5.cAP. (c) Marca de clase de la séptima clase.5 veces la otra mayor que 0.3?6 < ? 1.80 si las desviaciones típicas de las duraciones son (o) ambas 40 horas.0 voltios y la dewiación tfpica 0.799 800 . Una población normal tiene una vari¿nza de 15. La duración parz A tiene una desviación de 40 horas la duración de B tiene una desviación típica de 50 horas.78.73.tubos aleatoriamente hallar la probabilidad de que la dewiación tfpica muestral (o) no exceda a 50 horas.599 600 .376) . o menor que 0. Una en tanto que muestra de 8 bombillas se toma de A y 16 de 8.0. (g) Flecuencia relatir¡a de la sexta clase. (b) Límite inferior de la octava clase.60. (h) Porcentaje de tubos cuya duración no sobrepasa .5I TEORIA DE IIIUESTREO ttur2 189 (a) 4.82. para diseñar una tabla de distribución f de Student como la dada en el Apéndice D.i se confirman por este valor y explicar cualquier diferencia.E0.75. 6. (d) Límites reales de la última clase.8 o másvoltios? DISTRIBUCION MUESTRAL DE VARIANZAS 6. ¿Cuál er la probabilidad de que cuatro de estas baterfas conectadae en serie tengan un voltaje conjunto de 60.72 ei el muestreo es sin remplazamiento.70.8f . (b) se encuentre enüre 50 y 70 horas.tr*Lrr: ru.54 libras con dewiacionee típicar de 0.54 libras. Si se extraen muestrae de tamaño 5 de esta población. donde ? tiene.2 voltios.72. Verificar si los resultados del Problema 5. De acuerdo con la tabla de distribución ú de Student para 1 grado de libertad (Apéndice D) tenemos P(-1 < 1) : 0.2 veces. referencia al Problema 6. Verificar si los resultados del Problema 5. (b) mayores que 20.74.97 y 62. I 6. (b) ou1+ur = \Grtr.50. Con 6. página 161.21. Con referencia a esta tabla determinar: (¿) f 'ímite superior de la quinta clase.49 se confi¡man utilizando (a) P(-1 < f < 1) = 0.49. El voltaje medio de una baterfa e¡ de 15.35.899 900 . A y B fabrican bombillas. hallar (o) Ia media de la distribución muestral de varianzas.499 500 .?6. Dos muestras de tamaños 4 y 8 se extraen de una población distribuida normalmente. Si se seleccionan 10 .46 y 0. Determinar la probabilidad de que la varianza de la primera muestra sea mayor que (o) dos veces. Reeolver el Problema 6. (e) Tamaño del intervalo de clase. respectivamente. 6 Frecuencia de Ia cua¡ta clase.77. ?s 6. = 5.699 700 . ¿qué porcentaje puede tener varianzas (a) menores que 10. = 1.

735 0. Tles profesore¡ de economfa regieünron una ealificación media en sus eiámenes de 79. respectivamente. Los tiempos de reacción de un individuo a determinadoe estímulos fueron 0.333 y 0. (h) una ojiva. (c) los límite¡ de clase. 93.324.738 0.737 0. ee¡ie de nfimeros está formada a¡itmética ? por seis 6. Estimar el porcentaje de tubos del Problema 5.735 0. (b) un polígono de frecuencias.736 0.82 construir (o ) una distribución de frecuencias reliativas o porcentual.731 0.744 0.89.?30 0.94.746 0. (e) un polígono de frecuencias relativas.738 0.735 0.44 los. 0.734 0.739 0.91. (c) di¡tribución de frecuencias relativas.89 para los dato¡ del hoblema 5.63.95. hallar.743 0.50. (b) una distribución acumulada relativa o porcentual. 0. (c) entre 0.742 0.732 pulgadas. Comparar estos resultados con los obtenidos directamente de la colección de datos de la Tabla á-18.74 y 82.736 0. (g) una distribución acumuhdá porcentual.726 0. Hallar la media a¡itmética de dichas calificaciones.89 determinar el porcentaje de cojinetes de bolas que tienen diámetros (o) superiores a 0.93.739 0. (f) una distribución de frecuencias acumuladas.82 construir (o) una distribución de frecuenci¿s acr¡muladas.128 0. Con log resultados del Problema 5. (c) entre 620 y 890 horas.96.731 0.729 0. (c) Si las ponderaciones asignadas a cada asignatura rcn 2.733 0. Construir (a) un histograma y (á) un polígono de frecuenciae ciaa del hoblema 5. correspondientes a la distribución de frecuen- 5.734 0. La Tabla dos.327. lcAP.?38 pulgadar.t4.0.741 0. Porcenüaje de tubos cuya duración es al menos de 500 horae pero menor de 1000 horas.737 0.49.?30 0.732 0.742 0.83. Construir una distribución de frecuencias de los diámetros utilizando intervalos de clase 5. Si las marcas de clase de gna distribución de fiecuenciaa de estoe diámetros vienen dadas en pulgadas por los números 0. sue clasee . (b un ) histograma de frecuencias relativas. ¿cuál es el promedio adecuado para sus calificaciones? (b ) ¿Cuál sería si todas las ponderaciones son iguales? 6.?36 pulgadas.732 0. 6.732 0. (b) no superioree a 0.734 0.746 0.86. 0. 0.740 una 5. 5-18 niuestra los diámetros en pulgadae de una muestra de 60 cojinetes de bolas fabricados por una compañía. ocho 8.(a) el tamaño de intervalo de clase. Las calificacione¡ de un estudiante en cinco aeignaturaa fueron 85.738 0.724 0. respectivamente. siete 7.88. Para los datos del Problema 5.735 0. Una 6.736 0.46.72t 0.330.740 0.0.727 0. (i) una ojiva porcentual.732 0. ¿Cuál es ¡u media Las calificaciones de un estudiante en las tres asignaturas del curso fueron 77. O. nueve 9 y diez 10.735 0. ?6.190 (i) (j) TEoRTA DE MUEsTREo Porcentaje de tubos cuya duración es mayor o igual a 900 horas. DESVIACION TIPICA Y MOMENTOS PARA MUESTRAS 6.740 0. Con los datos del Problema 5.725 0. (c ) un polígono de frecuencia¡ relativas.?39 0.82.52.92.736 0. (c) una ojiva. 5.737 0.733 0. (d) una ojiva porcentual.736 0.735 0.?36 0.?30 y 0. ó. 5. 0.82. Resolve¡ el Problema 5. 4 y 6.735 0. ó.0. y 0.88 consüruir (o) un histograma.732 0. "de"*- Tabla 5-18 0.63.E5' Para los datos del Problema 5. 5.5 5.734 0.78 y 89.728 0. (d) un histograma de frecuenoias relativas. (b) 9?0 o mág Los diámetros interiores de las arandelas producidas por una compañÍa pueden medirse con aproximación de milésimas de pulgada. 0. 82 y 96.733 0.87.735 0.82 con duraciones de (o) menos de 560 horas.55 segundos. Deüerminar el tiempo medio de reacción del individuo a los estÍmu- 6.741 0. horas.90. CALCULO DE LA MEDIA.730 0.321.729 0.386. (b) los límites reales de clase.

0. 1' 1' 5.5. (b) el méto' do clave.103.7270 0.6 se obtiene la s€rie 8.5l estaban formadas por 32.0. . 11 . L. Hallar la desviación típica de los número¡: (a) 3. 10' L6. TEORIA DEMUESTREO 191 y 11 estudiantes. 2. La Tabla 6-19 muestra la distribución de las cargas máximas en toneladas cortas (1 tonelada corta : 2000 libras) que soporüan cierüos cables producidoe por una compañla.7277-0.2. 25 las clases.7253-0. (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 6.22. Determinar la media de la carga máxima empleando (a) el "método latgo".7.98.3- 9.2. pero diferentes medias.0. ó.104.7 L2.7. 6.3-11. Determinar el porcentaje de hombres y mujeres empleados en la compañía. . ¿Cómo están relacionadas las medias? (b) Multiplicandocadaunodelosnúmeros3.4.7255 0.7268-0.9. L7.7259-0.1273 0. 10.6.100.2. Demostrar que ¡as dos series tienen lae mismas desviaciones tfpicas. 1.7.8-10.2 624 2 462 480 498 516 534 552 570 588 606 12.8. El salario medio anual pagado a todos los empleados de una compañía fue de $6000.6por2ydespuéssumando6seobtienelaseriell.?. tlalla¡ la dewiación üípica para las distribuciones del (o) hoblema 6.6.8-11.6.4. respectivamente. Determinar lacalific¿ciónmediaparatoda8 5.6. 5.7264 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. (b) 3.7280-0.98' (b) 6.7258 0.1.99. Log salarios medios anuales pagados a hombies y mujeres de la compañía fueron $á200 y $4200. i) 5..g?.2 11.7256-0.7249 0.99. (c) 0. .cAP.106.?276 0.101.2.6.8-r2.2 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 3.8-L3. 15.7279 0.7 .726L 0.3-L2.7252 0.2. Tabla 5-21 60 ó. 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) 0.7 t2 17 l4 6 3 1 Tabla 6-2O fr 11. reqrectivamente. 1. Tabla 6-19 Carga móxima Nl¡mero de cableg (toneladas cortas) 9. 19.7265-0. para los daüos de la Tabla 6'20 empleando (o) el "méüodo largo". 7.3-10.262-0.7250-0. 12.7267 0.7 10. ' 164.7. Hallar la dewiación típica de la serie de nl¡meros de la progreeión a¡iümética 4. Halla¡ i 9. (b) el método clave. Calcular la media de los datos de la Tabla 6'22. Calcular el diámetro medio.7274-0.7247-0.4.0.102.2 10.5.7282 TOTAL de de Sfmenos de 36-menos de 40-menos de 16 L2 30 36 40 45 I o 2 TOTAL 54 250 6.7271-0.

5'112. tlallar los momentos de (o) primero. - l}rnlstn" * 4n. .2g. (t l3s)? (c) Comparar los porcettajes'de (b) lo. Aplicar el resultado de (o) al Problema b.. 5 5. Hallarelcoeficientede(c)sesgo. 20 22 2 AI. la distribución del Problema 5.llE. 11.+. (c) nt3. (b típica.5. (b) curtosis para la distribución del Problema 5. 5.98.lOO. 1. 17. S.f 07.r5.108 para los datos del problema 5.1 .1!2. Con los resultados de los hoblemas 5. 6. Hallar (o) m t .li. (l). 5.g. determinar los correspondientes momentos (o) respecto a Ia media. Calcular los primeros cuatro momentos con respecto a la media para la distribución de la Tabla 5-23. (D ) Derivar una fórmula análoga par^rns.113.f f O. (c) tercero y (d) cuarto orden de los números 4.30explicandoelsignificado 5.126 son 230y 780 respectivamente.108. Los momentos de segundo orden con respecto a la media de dos distribuciones son g y 16.124. Los momentos de cuarto orden respecto a la media de las dos distribuciones del Problema6. Calcular los cuatro primeros momentos con respecto a la media para la distribución del Prol¡lema 5.-Btnini l2m'rs. 5. @') mt y (d) ma para los números. 5. "on 5.111. De un total de n números. Lo mismo del Problema 5. (b) respecto al punto 5. (c) tercero y (d) cuarto orden respecto al punto ? para los números del Problema 5.. (a) Demostrar que . (b) segundo. comprobar las relaciones entre momentos (a) mi2.1 y -12.1. tt.123. ) Construir una distribución de frecuencias para los datos y hallar la desviación (c) Comparar el resultado de (b) con el de (a).r5 1.gg. Hallar el coeficiente de (o) sesgo. ¿Qué distribución está más sesgada a la izquierda? 6.L92 TEORIA DE MUESTREO lcAP. 5.121. = nt.119. la fracciónp son unos mient:'as que la fracción q : 1 -p son ceros. 5. 5'121.101. la fracción p son unos mientras que la fracción q : 1 p son ceros.t s). Hallar los momentos de (a) primero. Si loscuatroprimerosmomentosdeunaseriedenúmerosrespectoalpunto3sonigualesa-2.0.. 5.g. (o) Hallar la desviación típica s de los diámetros de los remaches del Problema b.l F. y comentar las diferencias observadas. 8. y (i) (i+ rFpara 5.mt. I 4 o 10 7 5.117. Hallarloscuatroprimerosmomentosconrespectoalamediadelosnúmeros0.L22.111. k) ¡¡. 5. 30 5. (b) mz.127. (f) s.120.nl_ thnirni+6ml2rn.. ¿cuál es la media? 5. 5. 14. (c) lrq . l.¡nz = ml- 5'115.11g. Véase Problema 5.2_ Bm. (b) segundo.109. (c) tercero y (d) cuarto orden con respecto los números del Problema 5. (b) rr.111 y 5. t¡l F. (b) m.8 respectivamente.0. 5. (b) ¿eué porcentaje de diámetros se encuentra entre (r1 .116. Tabla 5-23 f t2 t4 16 18 5. ¿Qué distribución se aproxima más a la distribución normal desde el punto de vista de (a) apuntamiento.114.10.102(c). teóiicos esperados. 3. (c) respecto al origen. Demostrar que la desviación típica de La serie de números es fi. si la distribución fuese normal. - ?n: - 1m'rm! * l}m'r2nt!. Comparar con el problema b. l. a la media de 5.111. @¡.-2bybO.1o6. Hallar los momentos de (o) primero. (a) De un total de n números. (b) segundo. Hallar (a) ntr. (a) Hallar la media y desviación típica para los datos del problema 5. Si el momento de primer orden con respecto al punto 2 es igual a 5. Hallar los cuatro primeros momentos con respecto a la media de los números de la progresión aritmética 2. (b) asimetría? .98..(b)curtosisparaladistribucióndelProblema5. (t t 2s).125.722. Hallar (a) la media y (b) la desviación típicaparaladistribucióndelProblema de los resultados obtenidos. mientras que los momentos de tercer orden con respecto a la media son -8.126.

a * 2d. 5. En un exarnen las calificaciones fueron normalmente disüribuidas con media 72 y dewiación típica 8.104.fsugerencio: Utilizar - l+2+3+. ¿Cuál es la probabilidad de que lae primeras tres obgervaciones sean mayores que las'últimas cinco? ó.cAP. son independientes.+(n-l\z=fn(n-Il(2n-1). 1z+22+32+".. 5.6l PBOBLEMAS DIVEBSOS TEORIA DE MUESTREO 193 5. . (b) sin remplazamiento. a * d. Si muestras de tamaño 5 se ertraen de esta población y se calcula la varianza de cada muestra. mz = i.. mt = 0.131.136. Demoetrar que Vt y Vz definidas en el hoblema 5.'*(n-1)=in(n-1).al2d. Determinado¡ tubos producidos por una compañfa tienen una duración de 900 horar y una dewiación típica de 80 horas. (b) la dewirrción tfpica de la duración exceda 96 hora¡? ¿Qué ruporicioner deben hacerse? 6.a*d. ¿En cuántos lotee cabe esperar que (o) la duración exceda 910 horar. Demostrar el resultado (I9).132.134. 6. página 175.1)a = $n(n-l)(2n-ll8n2-Bn1 ).129. En el Problema 5. (o) Hallar la calificación mfnim¿ del 2O% superior de los eetudianües.. Una mueetra de 8 obeervacione¡ se hace aleatoriamente de una población.. (b) Hallar la probabilidad de que en una muestra aleatoria de 100 eetudianües la calificación mínima del 2O% superior Eea menor que 76.133. La compañfa envfa 1000 lotes de 100 tubo¡ cada uno.115.a|(n-l)dson 11 ffit = 0..128.* (n . (n-1)d (eadecirun¿ 6.aI progresión aritmética con primer término o y raz6n d) erlt6 dada por tl1-2 (n2 Dd2 .. tno = ñ(n2-l\3n2-7'td4 CompararconelProblema 5.. Demoshar que los primeros cuatfo momentos con respecto a la media de progresión a¡itmética a.@z-L)dz. pfuina 160.. Una población de 7 números tiene una media de 40 y una desviación típica de 3. fSugerencia: 14+24 +34+' .. (a) Demostrarquelarvarianzasdelconjuntoden nfrmerol a.135.129(o) y explicar ous reeultados.. hoblema 6.129 si la medi¿na de duración es de 900 horas.1 5.130. halla¡ la media de la distribución muestral de varianzae si el muestreo ee (o) con remplazamiento.22.1 (b)Emplear(a)enel 6. ¿en cuántos lotes cabe eErerar que la mediana de duración exceda a 910 horaa? Comparar ¡u solución con el hoblema 5.

utilizan estimas sesgadas o no eficientes. Lógicamente se prefiere tener estimas que sean eficientes e insesgadas. Si. S realmente es un estimador sesgado de o. la va¡ianza de Ia distribución muestral de medias es más pequeña que la distribución muestral de medianas. ESTIMAS POR INTERVALOS DE CONFIANZA.03 pies. u-¡r"* 3o" . respectivaménte. en las páginas 157 y 160 son estimadores insesgados de la media poblacional ¡r y de la varianza poblacional 02. eonq de esttmocton : .r--Bo. Véase Tabla 5-1. La media X y la varianza 3' d"finid". es decir. DE PARAMETROS POBI.28 pies.l parámetro.1. puesto que E'(X) = u. El valor correspondiente del estadístico eficiente se llama estima eficiente.46% y 99. El valor correspondiente del estadístico se llama estima insesgada del parámetro. &s-2o"EFsl%a'" ó ¡r. se dice que la distancia es 5. la media poblacional' Sin embargo. L94 . Entonces. si la distribución muestral de S es aproximadamente normal (lo que se ha visto-. 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. Por tanto. pero esto no siempre es posible. por otra parte.73% de las veces.Capítulo 6 rF I | .. ya que en general Z(3) + o. la media provee una estima más eficiente que la mediana.31 pies. Si las distribuciones muestrales de dos estadísticos tienen la misma media.27 % . En la práctica se ellas pueden obtenerse. EJEMPLO 6.28 + 0.s. 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. U 13 t) = o2.3. cabe esperar que el estadísticoSseencuentreenlosintervalos&s o^s8Í.s*o. EJEMPLO 6. se está dando una estima de punto.. por la relativa facilidad con que algunas de ESTIMAS POR PUNTOS Y ESTIMAS POR INTERVALOS. SEGURIDAD La estima de un parámetro poblacional dada por un número se llama estima de punto de. La distribución muestral de la media y la mediana.2.que es cierto para muchos estadísticos. página 162. ambas tienen la misma media. la distancia real se encuentra entre 5. EJEMPLO 6. se está dando una estima de intervalo. Los valo^res i y 3 z se llaman estimas insesgadas. Si se dice que una distancia viene dada por 5.95. si el tamaño de muestra es n > 30). Sin embargo. €l 68.ACIONALES Sean ¡rs y o" la media y la desviación típica (error tÍpico) de la distribución muestral de un estadístico S.2_5 y 5. el estadístico con la menor varianza se llama estimador eficiente de la media. La precisión o conocimiento del error de una estima se conoce también como su seguridad.

Tabla 6-1 Nivel de confianza zc e9.73% s9% s8% s6% s5. $ I 3or) son llamados los límites de confianza del 68. en el caso de un S insesgado).46% y 99.27 %..00 2. INTERVALOS DE CONFIANZA PARA MEDIAS 1. Utilizando los valores de o. 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. para estima¡ el parámetro poblacional. De los niveles de confianza se pueden obtener los coeficientes de confianza y recíprocamente.00 1.68.58 ox respectivamente.95. Poi estos se 99.05 2. a S * o' delasveces.o.r. se utiliza la estima muestral S o S.645 r.9q -V 0.99) para p".szs son los valores de ? para los que el 2.00 0. S -+ 2o. En la Tabla 6-1 se dan los valores de z" que corresponden a distintos niveles de confianza utilizados en la práctica.46% 95% 90% 80% 68. Si el estadístico S es la media muestral X.73% "pueden Análogamente. son los límites de confianza del96% V 99% (ó 0.. se puede ver que los límites de confianza para la media póblacional vienen dados por Xtz"* vn N-tt. obtenidos en el Capítulo 5.58 o.F') se hacen fácilmente modificaciones apropiadas para obtener los intervalos de confianza.96.6l TEORIA DE ESTIMACION 195 Análogaménte cabe esperar o se puede confiar en encontrar. t 6 .45%y te. & S*Sorenel 68.27%. 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.68 2.96 o.27% 60% 3. Iímites fiduciales.73% para la estima de ¡rs (es decir. El porcentaje áe confianza se"llama también nivel de confíanza.1.96. vienen dados por X r.1. la desviación típica poblacional o es desconoc^ida. Más generalmente. En general. Los números 1. y S -r 2.cAP. S-2o" a S+2o" ó S-3o. Para niveles de confianza que no se encuentran en Ia tabla..96 1. entonces un intervalo de confianza para ? está dado por (véase pagina 161) (N -t.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.szs y ú.33 2. de los límites de confianza se llaman coeficientes de confianza o ualores críticos y se denotan por zc.6% del área se encuentra en cada "cola" de la distribución ü. 2. 95.96 o7 Y X + 2. ps er los intervalos S ."\\ñ s (3) . Por ejemplo si -t. de modo que para obtener los límites de confianza anteriores. entonces los límites de confianza d'el95% y 99% para la estimación de la media poblacional ¡. los valores de z" pueden sacarse de las tablas de la cuwa normal en el Apéndice C. si el muestreo es sin remplazamiento én una población 2.73% o. como otras veces sé conocen. .srs .46%y99. S +. Los números extremos de estos intervalos (S i o5. En este caso utilizamos la distribución t para obtener los niveles de confianza.28 1.27%. etn. Pequeñas muestras (z < 30).Grandes muestras (n > 30).

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

2 X!. INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS y n con varianzas Sí. S$ si. = . siendo las poblaciones infinitas. El proceso se ilustra en el Problema 6. Generalmente es deseable que la amplitud del intervalo de confianza sea tan pequeño como posible. - Pr. flt! nz son los tamaños P. (11) pr y p2 de las dos muest¡as son las proporciones en las dos poblaciones (estimadas por INTERVALOS DE CONFIANZA PARA VARIANZAS El hecho de que nS2/o2=(n-t¡32¡A tenga una distribución chi-cuadrado con n-l gradosde libertad nos permite obtener los límitesdeconfianzaprüa o2 6o.entonces con98% deconfianzatenemos F. Si se extraen de'dos poblaciones distribuidas normalmente respectivamente. entonces un intewalo de confianzadel95% es v2 nS2 ^. vimos que si dos muestras aleatorias independientes de tamaños m de vatianzas ol. desviaciones típicas y tamaños de las dos muestras extraídas de las poblaciones.28.ozs (1t ) S{n-7 X. p$na 161.6% del área se encuentra en cada "cola" de la distribución.cAP./4 s?/a s7/"7 A tiene una dishibución F con fr . (17) . g 4 Fo. esto se consigue utilizando colas de áreas iguales. extraídas de las poblaciones. para distribuciones no simétricas.975 o de manera equivalente -. of.P. como las distribuciones normal y ü. entonces la variable aleatoria En el Capítulo 5.6l TEORIA DE ESTIMACION L97 'donde Xpopnr y X2.02S o2 (12) ^.n2 son las respectivas medias.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. : P.S. *'T donde Pt y Pz son las dos proporciones muestrales."1=. los límites de confianza paÍa la diferencia de dos proporciones poblacionales. W*"í-üt z"orr_r. En forma semejante ohos intervalos de confianza pueden encontrarse. Para estadísticos con distribuciones muestrales simétricas. están dados por Análogamente. Sin embargo.o2. y Pt V Pz).ss los valores de F para los cuales 1% del área se encuentra en cada "cola" de la distribución.. . n - L gndos de libertad. Así por ejemplo si denotamos por F.ot y tr'.ozs = (13) De esto vemos que o puede estimarse que se encuentra en el intervalo S\n X.F.szs (1 5) con confianza de g5%.I. como la distribución chi-cuadrado puede ser deseable ajustar las áreas en las colas de tal manera que se obtenga el intervalo más pequeño. Porejemplosi x%rry X?szs sonlos valores de ¡2 para los cuales 2.

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

36-6.35)2 F (6.95. (b) la verdaderavarianza.35)2+ (6.ó.45 pulgad.2.32 y 6. decir que ia probabilidad de que la estatura media de la población se encuentre entre 66. - iT $. Se puede.88 < p < ti8.3. de la varianza poblacional). (o ) Estima insesgada y eficiente de la verdadera media (es decir.35)2 + (6.3?-6. de la media poblacional). los lí¡nites de confianza son 6?. el intervalo de confianza del 95% para la media poblacional ¡t es 66.336.? = /8. 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. (o) Del Problema (b) ó. 6.93/V100) ó 67.88 a 68. = n .6l TEORIA DE ESTIMACION 199 6.00055 cm2 Nótese que 0 = /0"00055 = 0.96.4. 6.02 pulgadas. por tanto.02.iroentre s yG. Adviértase que puesto que n es grande.JDani (b) Estima insesgada y eficiente de la verdadera varianza (es decir. 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 6.33: Estima insesgada y eficiente dé la verdadera altura Del Problema 5. JC = .3. ESTIMAS POR INTERVALOS DE CONFIANZA PARA MEDIAS (GRANDES MUESTRAS} 6.saa = tln ! 2. 2. pues.38: Estima insesgada y eficiente de la verdaderava¡ianza media: t : 67. Utilizando n : 67. (a) Los límites de confianza del 95% son X t I. 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. Una muestra de cinco medidas del diámetro de una esfera se registraron como 6. (b) la verdadera varianza.2.02 pulgadas.35)2 5-1 0. Así.6136 s2 Así .57 pulgadas. 6. Determinar unas estimas insesgadas y eficientes de (o) la verdadera media.6136 : y.02 pulgadas es.33.02): 0.32 6.!1t.5275) = 8. Para las cinco medidas puestas en orden de magnitud la mediana es 6.45 ! 1. 4er. n-1" (6.45 -- 0..3?-6. Para la muestra dada 67.93 pr¡]Éadas como una estima de o (véase Problema 6.35)2 2(n-ñ\2 - n-l = = es insesgada + (6.96"/\f.37.36.37 centímetros. = S tr. no hay esencialmente diferencia entre 6.45 ¡ + z. Dar una estima insesgada Problema 6. En símbolos se escribirá P(66. (b) Los lfmites de confianza del 99% son X 2.as y i : 2.45 ! 0. 6.96(2. que puede denotarse por 66.58-?+ = V100 67.58o/tñ. = i2 = .TG pulgadas . Determinar unas estimas insesgadas y eficientes de (c) la verdadera media.36 cm.88 < tt<68.cAP.023 es una estima de la verdadera desviación típica pero esta estima no ni eficiente.3).46 pulgadas.88 y 68.93. 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.88 y 68. 95Vc ó 0.

los límites de confianz¿ del 98% son r ! 23g+ = \/7i Asi 0.i :.824! 0. que puede denotarse por 66.73V. r.{ñ= 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.21.7.824t0.82¿!L. v (bl99% para el diámetro medio de todos los cojinetes. los límites de confianza del90ak son n!I.73% para el diámetro medio de G.824:r0.so! = Vn 0. En general. Los límites de confianza d.el 99. (a) " lok.00??putgadas t 0. puee.21 pulgadas.824tSL93 = \/zoo .69 a 68.ss9 = 0.00b8 pulgadas Los límites de confianza d.4í.824 0.824 t 0.200 TEORIA DE ESTIMACION lcAP.b6 y 0.' o^. : t. : O es Asi pues. 6.Hallar los límites de confianza del (o) 55"1.0. Entonces por simetría.O42 pulgadas. (o ) Los límites de confianza del g5% son 6 (b) x t 1. Para obtener los intervalos de confianza..49.824 pulgadas y uná desviación típica de O.006 Pulgadas . respectivamente.96? como 1.= vn Vn V200 ó 0.el 99o/.824 t 1. Si se utiliza. de modo gue no 6?.E8y.824=z. Oa z : zc ea O. de aquí que z":2. z:zc Puesüo que el área total bajo la curva es 1. 6. lugar de Para y muestreo sin remplazamiento. Lad medidas de los diámehos de una muestra de 200 cojinetes de bolas hechos por una determinada máquina durante una. los límites de confianza anteriores se convie:rten en 67.gg9!9 = \/zo0 0. el área desde z eE 0.73 pulgadas. srn embargo.645a (c) .6-l (b) S" busca z" tal que el á¡ea desde z : entonces z. ñ!3+ \ñ - 0. es total.g6a = Vn 0-824:t 0.33. se habría empleado ?: \/n/@4s = y'200[99s que puede tomarse como i para todos los propósitos prácticos.45 1 0. el área a la izquierda de z:-zce8 también lVo.0U89pulgadas.824 ! 0. (b) 9O% y (c'¡ 99. pues.45 t utiliza¡lo.824 * 2.semana dieron una mdia de 0. para n > 30 se puede asumir que s y 3 son prácticamente iguales. se puede considerar el factor es necesario = 0.96ry = \/200 0.sa| = r*z. se utilizaría t. 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.69 (¡¡ < 68. son xtz.0049oulgadas t/-zoo sn 0. el intervalo de confianza del 997o para la media poblacional ¡r e¡ 66.G. 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.008 pulgadas.6450'942 = 0. los cojinetes del Problema Hallar los límites de confianza del (a) 98%.6.6 Asf.0069 pulgadas Fig.645.

Aef. (c'¡ t2.Tomando o = la estima eerá menor de 0.38 y c : 0.10. (ó) +2.50 2oo-L = 76!2.38 t 2. debe emplearse la fórroul¿ para poblaciones finitas con muestreo sin remplazamiento. (o) ¿Cuáles sonloslímitesdeconfianzadel9Ú% para la estima de la media de las 200 calificaciones? (b) ¿Con qué grado de confianza poüá .e?'. ¿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. = * t1. 6-8 debe ser 0.q'-: 200 v50 200-1 = 75 + 1.09.10(c)].38 + 0.06)/0.06 pulgadas.01. (b) Loe límite¡ de confianza del 99% son X t 2. arrojó una media de 75 y una desviación típica de 10. <í n.06.setienequel. 8e tiene la confianza del99% de que el error de la e¡tima eerá menor de 0.01 si (1.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.04. 6.11.05 segundos.2910. 6-3 6. se tiene que el error ser6 igual a 0. er decir. Para lo¡ valores de v dados egtos son (a) t Z.81.i=r.01. un sicólogo estima que la dewiación típica del mismo (c) . Eláreabajolacurvanormal : O t z: 0.9.96+ v50 (10) 200 .n r1s/t/Á¡.01 segundos? 0.0452 pulgadaa .81 es 0.Ze.gzs:2.23 zc h¡estoqueestodebeserigualaTSll. pues. 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. (b).04. AsÍ.051/\/n = 0. Fig.r¿ -.38 pulgadas y una desviación típica s : 0.682ó ESTIMAS POR INTERVALOS DE CONFTANZA PARA MEDTAS (PEQUEñAS MITESTRAS) 6.96)(0. Asf el área ¡ombreada en la col¿ derecha es 0.cAP. : 166.9df (b) tos vn N-n A¡-1 = N-n N-1 75 t 1. de aquf que el grado de confianza pedido *162(O.01 : 9.orr.21o.4 60 límitee de confianza pueden repreaentarse por Ítz"ox deede z 68.2S z"=L6 z"=0.26 &- Vlo-1 = 4.:n-L:10-1:g. Entonces (2.goo*.4. (d) t= 60? Pa¡a los coeficientes de confi¡nza del 96% ("doble cola") el área total en la Fig. ¿Cuáles son los coeficientes correspondientes pala la distribución úsi (a) v = 9.58')(0.X+r"L .7I 6. Puegtoque¡.Entonce¡ utilizando ¡ : 4.*. lo¡ límitee de confianza del96% pedidos eon 4.t = t.9Tolfi.8. (o) Los llmitee de confianza delglovo están dados por. Los coeficientes de confianza del 96Vo ("d.26fvéaeet¿mbiénProblema6. : 20. Entonces los lfmite¡ de confianza del 964o eon .96X0.siendo 0.01 soliamente ¡i n es 167 o mayor.6 : 0. TEORIA DE ESTIMACION 20L es de Al medir el tiempo de reacción. 1fi = (1.Entonces los coeficientes de confianza pedidos son tú.g6ol{n. (c) v : 30. Una muestra aleatoria de 50 calificaciones de matemáticas de un total de 200. (d) =2. Halla¡ los límites de confianza para el diámetro verdadero del (o) 96% y (b) 99%. pues..58o/{i.r.29lO):0.05.026 y el valor crítico correepondiente es ú. Una muestra de 10 medidas del diámetro de una esfera dio una media ñ: 4.oble cola") para la distribución normal vienen dados por i1.00.f I l.hallamoat.96.8 ó n : 96.05)/\.01 ¡i n e¡ 97 o mayor.05 segundoe. .

38 + 0.38 4. véase Problema 6.50) Prob( que hob / J--ct t)_p . obtenidos mediante ios métodos de pequeñas muestras o teoría exacta del muestreo son más anchos que los obtenidos por los métodoe de grandes muestras. (b) Comparar los resulüados de los dos métodos.pV" es normal asintóticamente.el95o/o para la población p son P : l. Para hacer este problema de una fo¡ma más exacta. ¿Qr'é tamaño de muestra debe toma¡se en el Problema 6.73% parap son 0.b0 Entonces.55 para estimarp.50.11 suponiendo válidos los métodos de la teoría de muestras.1. los intervalos de confianza mues¡ras.446 pr'lgadas.50 ó n= 27r . (a grandes ) Mediante loe métodos de Ia teoría de grandes muestras los límites de confianza del 95% son X t 1.73% para la proporción de todos los votantes que estaban a favor de este candidato. 6.l = 4. (a) Soluciona¡ el hoblema 6. (b) 99%y (c) 99. J_.55 y la estima p : 0. = P t 1.06/y'10 . 0D > 0.6a5y'i6lBB)Io-75j7i : 0.55 t 0. Hallar los límites de confianza del (a) 95%. t 3ú058)16:¡8 10d 0.202 Asf.06) /\t1. tenemoe 0. (c) 6.50): 0.2/z¿y L645 Al comparar con Prob(p > 0.55.88 i g.88 r 1.38 t 0.l)6or.27.6 : se puede estar en la confianza del 96a/o de que el valor ve¡dadero se encuentra entre 4. indicó que el 55% de ellos estaban a favor de un determinado candidato.L2.96-9. - ó Prob(p > e-Bt/p6-ffi¡ = + J(t t/2r -. t.88 + g.0 = 4. Una muestra de 100 votantes elegidos aleatoriamente entre todos los de un distrito dado.Z5(0./e(l -p) ¡? V = 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 6.95.315 a 4.55 '^^ I(0'55)(0'45) :r 1'e6!ff : = 0. 0. Puesto que (P . Análogamente.se5 - (b) Para v = 9. utilizando P donde B = : 0.06b0 pulgadas y el inüervalo de confianza del99% e¡ 4.ssr(S/tñ-l.9ó utilizando el Apéndice C indica que e-Bt/fi-fl/n:0.335 pulgadas y 4.58ú6:5EXb:¡BtTdd = Los lfmites de confianza del 99.045 : 4. pues. (b) En cada caso.96.25.p')/\/p(l . y para tener una confianza del g5% de su elección necesitamos : 0. = 3.55 del Problema 6.06 como estima de o.f) = 4.13.qq /lo - 4.13 para que la confianza de que el candidato sea elegido sea del g5% z El candidato se elige si p ) 0. (b) Los límites de confianza del99% parap son 0.= v-n 4."-.88 + 0.38 * (2.58)(0.049 pulgadas.55 2.55 = o'55t0'10 donde se ha tomado la proporción muestral 0.. (a ) Los límites de confianza d.55 + 0.O37pulgadas ? donde se ha utilizado la desviación típica muestral 0.14.426 pulgadas.15.18.96-0-.13.045 TEORIA DE ESTIMACION lcAP. Entonces loe límites de confianza del 99lo rcn i t ú. los límites de confianza del 99% son 4.-'\ r1/pg-p)/n / rB I l-r'-tt'/z¿y t/2.

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.el ggVoson 0.cAP. [-os límites de confianza para la diferencia de medias de. pues. PtQt .37 a 0. z" = 1.25 ! Z.96/il2OtG0I80)2/100 Así.Zb + 1. Mediante la fórmula aproximada p = P + 0. 100 adultos y 300 adolescentes dijeron que lei gustaba.17 y 0.25 = 0.06. (a) Los lÍmites de eonfianza del 95Va son 0. Así.50 encuentre entre 0.19 y 0.. dando el intervalo 0. -loi*o'o -"1/"o-"" Los límites de confianza del 9b7o son: 1400 1200 .45 a 0.6V n:40 enlafórmula \tF(l=A/. 95"/o de = 200 t 24. pues.6. pues. se puede esperar con el encuentre entre 175 y 225 horas.BZ a 0. (a) Al nivel del g5o././i120)r/15¡+-G0)r400 = 200 + 82.96 La verdadera = 0.t 1. se puede esperar con confianza d. En 40 lanzamientos de una moneda.16. En una muestra aleatoria de 400 adultos y 600 adolescentes que veían un cierto programa de televisión.60 La fórmula más exacta del Problema 6. Una muestra de 100 bombillas del fabricante B dieron una vida media de 1200 horas y una desviación típica de 80 horas.25 son las proporciones respectivas de adolescentes y adultos a quienes les gusta programa.g.75. 6.el 96% que diferencia de proporciones (ó) Los límites de confianza d. Hallar los límites de confianza d9l (c) 96% y (b) 99. se Así.respectivamente.25 = 0.el 99Vo que la verdadera diferencia de proporciones . PzQz el - O. ae confianza que Ia diferencia'de las medias de las poblrcionee (b) Los límites de confianza d. dando. (b) Al nivel del 99.el 99% son: 1400 - 1200 12.15.tr 7.Xn-.. el intervalo 0.45 a 0.il3li.58\.?4 y el INTERVALOS DE CONFIANZA PARA DIFERENCIAS Y SUMAS 6. se puede esperar con el 994n de confianza que la diferencia de las medias de las poblaciones se encuentre entre 167 y 233 horas. SustituyendolosvaloresP:24140 = 0.96. se As( pues. se tienep = 0. Hallar los límites de confianza del (a) 95% y 99% para la diferencia de las vidas medias de las poblaciones A y B.. esperar con confianza d.50 ! Pz : 100/400 : 0. z" = 3.23.31.73% para la proporción de caras que se obtendrían en un ilimitado número de lanzamientos de la moneda.?9. se puede encuentre entre 0.AquíPr:300/600:0. gt= Ptz" t z¡/F(=ffi. Una muestra de 150 bombillas del fabricante A dieron una vida media de 1400 horas yuna desviación típica de 120 horas.83.73% como 0. se obtuvieron 24 ca¡as. intervalo de confianza del 99.4 y B son dados por (a) *o.27 da el intervalo de confianza del 95'ib como 0.60 + 15. pues.50 - 0.0g. se tienep : 0.33.6l TEORIA DE ESTMACION 203 6. Los límites de confianza para la diferencia de proporciones de los dos grupoe están dados por 'll1 1t2 dondelossubíndicesly2serefierenaadolescentesyadultos.5B = 0.

entonces n 1800. Así.g. = orr.04 volüios.4 t 3(0.73% la verdadera desviación típica de la población ::o difiera de la desviación típica muestral en más del (c) 6%. indica el nivel de confianza. Si Er.ozs.1) = 180.08)=180.73"/o para o son S .054 voltios se llama error probable. se tiene ltlt+Ez+at+¿o = Fu.o/yEi.x {2n 300//t = 5. Por tanto (véase Tabla 5-1.. oE. .2L. (a) Loslímites de confianza delgSv" están dados por sy'7/x. FfJ voltaje medio de las baterías producidas por una compañía es de 45.* o".4 V r de confianza del 99% son: 180.58(0.1 voltioE y dc. puesto que /¿rr = lLEt lr'.04 V. 6. 0.58(100)/r/Zbd = 100 r 12. = 0. La desviación típica de las duraciones de una muestra de 200 bombillas fue de 100 horas.4 t = 180.. 6. (b) Si }OO/\E : Aei pues.r+r 2+Er+84 = . se puede esperar con confianz¿ entre 90. el tamaño de la muestra deberá ser 1800 o más.08 ÉEr+nz+E¡+Eo = 4(45. (b)LO%? De igual forma que en el Problema 6. Entonces.r Bo/l-zn Ss/\/Zn. Así.4O pulgadas. * l'a. La desviación típica de las estaturas de 16 estudiantes seleccionados aleatoriamente en un colegio de 1000 estudiantes es 2.96(100)i/200 = 100:tg.4 + 2. hallar lós límites de confianladel (a) g5%. Entonceg el error porcentual de la desviación es 3s/t/-at (¿) Si 300 _ = s. (b) 99%.1 V y la desviación típica 0.08) = 180.1 y 112. 46O. 0. Es y Eq representan los voltajes de las 4 baterías. Si se conectan 4 baterías en serie. 5O%son:180. Así.16 voltios. página 162)loslímites de confianza para la dewiación típica de la población son dados por S * z.08) 0. (c) 99.6?45(0. o 6. En este caso se aplica la teoría de grandee muestras. pues.96(0.9.= lr'.20. El valor de 0.4 (o) (b Los límites de confianza del95% son: 180. osr* Ez+t:. INTERVALOS DE CONFIANZA PARA VARIANZAS 6.4:t0.e75 y st/n/x. utilizando s como una estima de o.24 ) Los lfmites (c) Loc lÍmites (d) toslfmitesdeconfianzadel voltios. entonces n : = 10. Hallar los límites de confranza del (c) 95% y (b) 99"/..r-= oE. el tamaño de la muestra deberá ser 450 o más.0b4voltios.4 t de confi¿nza del 99. ee puede esperar con confianza del 99'y'" que la deerüeión típica de la población se encuentre entre 87.t+ti. pues.73% y (d) 5O% para el voltaje total.4i0.[4: "'rJ o'r. Se utiliza la dewiación típica muestral para estima¡ o.8 horas.21 voltios. (b d. los límites de confianza del 99.19 deberá tomarse para que con confianza del 99.9 horas. * uotr* l'a./nloslímitesdeconfianzason:100 11. = 45. Hall¿rr los límites de confianza del (a) 95% y (b) 99% para la desviación típica de la población de tales bombillas.73% con: 180. ¿Qué tamaño de muestra en el Problema 6.19. 82.2 y 109. Y t¡.el 95Vo que la desviación típica de la población se encuentre ) Al nivel del 99% los límites de confianza son: 100 * 2.. = 1la1ffiy : 0. (o) Alniveldel 95". donde 2.19.204 TEORIA DE ESTIMACION [cm. pues.f8.08) = 180. de la desviación típica para todos los estudiantes del colegio.4 + 1.

49 pulgadas. . Por tanto se tiene la confianza del 99% de gue la desviación típica poblacional se encuentra entre 88.40Vf 6 /1. esto es.s¡5. Paray:16-1:lSgradosdelibertad.2 a. Solucionar el Problema 6. (o) Los límites de confianza d..ee5 Para v y Sy/i/7.r+l/Z[I6Ef-T¡z = jtz.19(a). 1. Si se encuentra que sus varianzas son 24 y (b\ 90% para la relación de varianzas.11.7.92)2 = : \2. = 15.¡]oor=32. 6.19 utilizando la teoría de pequeñas muestras.49 pulgadas. Entonces los límites de confianza del 95% son 2. x?szs = 27. X.9212 : 239 161 = olz02s+V2(199)-1)e =. están dados por Sy'-nlx ors y Sl-n/y.6l Para o TEORIA DE ESTIMACION 206 x?ozs = 16- 1 = 15 gradoode libertad.oos:4.g = 88.3 horas.40\f-I6/5. Por tanto se tiene la confianza del 95% de que la desviación típica poblacional se encuentra entre 91.83 y 3'84 pulgadas.ozs.s¡5=2. (b) tos lÍmites de confianza del 99\i.50. s! = 20.1 : 199 grados de libertad.68 y 4.60 ó y.50. Este resultado debe compararse con eI del Problema 6.83 y 3.24 y 2. : 200 - 1 : 199 g¡ados de libertad.oe5=5.t-t.sa+19.5 6 x.9 y 115.n25 = 2. Dos muestras de tamaños 16 y 10 respectivamente de confianza del (c) 98% se extraen aleatoriamente de dos poblacio- nes normales. ee decir. Entonces los límites de confianza del 99% son 100/Eñ6 de donde X sq¡ INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6.40\f-16/2.¡¡5.73 y 2.84 pulgadas.el95')h están dados por Sy'-n.' son 100y'2b-0 115.15. 1.el99% están dados por Sy'-nl¡. it. Entonces los límites de confianza del 997o son 2.8 ó ¡.ozs l-l Vz(rssl -r)z = itt.." x%os 1_l .o . 200 . Este resultado debe compararse con el del Problema 6. Por tanto se tiene la confianza del 99/o de que la dewiación típica poblacion¡l se encuentra entre 1. Por tanto se tiene la confianza del 95% de que la dewiación típica poblacional se encuentra entre 1.9 horas. x2nzs de donde ¡¡.n.22.19(b).= r\ri= (f.2.5 y Entonces los límites de confianza del 95o/.9 horas respectivamente.92)2 = 253 lL6.9 y 1001800/t2.SO+19._.5 = 91'2 y 100y'200/12'1 = 111'3 horas respectivamente./x Para v : sr.sor-79.. 3? = t=r"i = (lf)rznl = "? = 18 de modo qrre 26. y St/T/x.cAP. (b) Los lÍmites de confianza d.9 y x.68 y 4. x1. hallamos como en el Problema 4.2= 115.14.23..t. pfuina 137' x.o75 = |{zsrr. rz = 10.14.oos = 72..24 y = 6. y 18 respectivamente halla¡ los límites (o) Tenemos nt = l(t.2 y 111.?3 y xz.40\R/2.)rto = \/ 2o.26 6 7.!75= 5.

e¡ = 3. Halla¡ la estima de máxima verosimilitud de la media.23.6 Del Problema 4.59. Hallar los límites de confianza del (al 98% típicas del hoblema. .47(d). reculta .sg<!=z.206 IEORIA DE ESTIMACION [cAP. = (b) Como en (o) hallamos del Apéndice F que confianza del g0% es F. 6.0.eo = ".. página 13p.e5 2.z8a =# : = rsee.84 V F.6?=1=r.89.tn1z. Entonce¡ utilizando (171. como lógicamente era de eryerarse.23 hallamos los lfmitec de confianza para el (¿) (ó) ESTIMAS DE MAXIMA VEROSIMILITUD o. Si n obsewaciones Xr & se toman de una población distribuida normalmente de la cual se desconoce la media y se conoce la varianza.'or¡ g. pl" 'f (r. pl = (2to2)-tt2¿-zbk-r)2t2o2 (z') (r) Fijando íLldp = 0 t¡L = a -f.) Obsérvese que el intervalo de confianza del9O% e¡ mucho más pequeño que el intervalo de eonfianza del 98Vo. 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. hallrrmoe para el intervalo de confianza del 98%.24.#>@t-pl2 Tomando Ia derivada parcial con re4ecto raL 1:' fr.25. (#)(ffi3) o. gue tenemos (I) Puesto Por tanto l(rx.(ffi) 4. tenemos F ge = 4. tenemos pataUl: 15 y ez:9 grado¡ de libertad f or : 1/3. pfui¡1g 19?. = 3)@*-Pl reeulta Q.zt oz 0. También del Problema 4.eg oz 6. Por tanto el intervalo de #(ffi) s += 6 0.96 parapl : 16 1 : 15 ! U2 =LO-1 =9 grados de libertad.os : 1t2. Al tomar la raíz cuadrada 98% v el9o%.89 de modo que l/F. v Q) 90% para la relación de las desviaciones de las desigualdades del Problema 6.4437 oí = * ('z'6'g)(?q¿. ü = \/2ro2 -J- r-<x¡-ü2rzoz L = f(nt.47(b). 6.

Si escribimos f (rx.ca p= _6 + 1/@=lo" 2a z"P+27=W 2(n* z7\ 2nP I 22" * ""t/6F(L1VlT7" 2(nI zf.p oP = -1.TS% delProblema 6. se tiene P-P Elevando al cuadrado los dos miembros.27.0 hallamos Vé¿se Problema 6.25 se conoce la media pero se desconoce la varianza. (a) como la utilizada en el Problema 6.25 ha¡ta la ecuación (2) aplica.13. todo lo efectuado en el hoblem¡ 6.cuyassoluciop son dadas por La fórmula cuadráti. (c) Mostrar que p¿üa grandes valores de n la fórmula de (c) se reduce a p=P¡2" \FF -nn. b--(2nP+"7) y c=nP2. La proporción muestral P en unidades tipificadas . Si en el Problema 6.6l TEORIA DE ESTMACION 207 6.26. tenemos ee i'# Fijando aLl0o2 . 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) ."2) en cambio d. - (2nP I * nPz = 0 Si o=n+z!.cAP.) Dividiendo numerador y denominador por 2n.L n - pl pz-2pp*p2: (nI nes para zp\p2 "?P# z?lp Multiplicando los dos miembros por ¿ y simplificando. Entonces tomando la derivada parcial con reqrecto a 02. (a) Si P es la proporción observada de éxitos en una muesha de tamaño n. se tiene e+ flt "" P(L-PI . . estaecuaciónsereduceaafi*bp*c:0.13.63. donde z" deüermins el nivel de confianza. queda. z7 n -4ü r+4 n o P (b) Utilizar la fórmula de (¿) para obtener los límites de confianzadel99. = -fi+ uár> @t-r)2 02= 2 (rr - pl2 PROBLEMAS DIVERSOS 6. En estos valores extremos. halla¡ la estima de máxima verosimilitud de la va¡ia¡rza.e f(x¡. por tanto. zi n -4nz | +! .p). {P(L = *2" p(.P)/n Los valores mayor y menor de esüa variable tipificada son tzc.

7.22(a) fueron obtenidos escogiendo valores críticos de y2 de tal manera que las áreas en cada cola fueran 2.00058 pulgadas. lcAP.e6 : 15. Sin embargo. Las medidas de pesos de una muestra fueron registradas como 8.=B.09 ton.e4 91. Hallar los límites de confianza del (o) 951/.32.rlos ESTIMAS INSESGADAS Y EFICIENTES 6.7 7.22(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. Valores Crítico¡ Tabl¡ 6-2 Intervelo de confianza d. de forma 6.6 p=0.05.TSVo.40 y 0.utilizando de (a). .ge = 15.72642 pulgadas y 0. etc. Estimar (o) la media y (b) la desviación tÍpica de la población de todos los tubos de televisión producidos por esta compañía.2 19. y 0.4 libras..85.55yn:100enlafórmula y 22"/nson despreciables y pueden sustituirsepor cero. se tienep : 0.31. cuya amplitud sea menor que la del Problema 6.s sr¡plernenta.'. Hallar los límites de confianza del (o ) 99%.O a 110. zf. 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) 6.8 ¡.30 si se obtienen los mismos resultados para 30. en general.a los cuales la suma de las áreas en l¡as colas sea61.30.13(a). pero de tal manera que las áreas en cada cola no sean iguales.0 = 12.6. Determinar estimae insesgadas y eficientee de (o) la media de la población v (b) la varianza de la población.54 ¡.44.. (o) Solucionar el Problema 6.4 20.z. 6./zn. La media y la desviación típica de las cargas máximas soportadas por 60 cables (véase Problema 5. ¡es=15.28. 10. 10.8. dieron una du¡ación media de 1200 y una desviación típica de 100 horas. la disminueión en el intervalo que 8e obtiene es comúnmente despreciable y no Probletn.0 a 110. (c) 95% y (d) 90% para el dirimetro medio de todos los remaches fabricados por la compañía.2 y 9. Un intervalo con amplitud af¡n menor puede hallaree continuando el mismo método de aproximación x.29.el 95"tb Ampütud 2r. g.8.8. horas Una muestra de 10 tubos de televisión producidoe por una compañía.8 89. (b) 98Vo.32 92.6%.7s7=15.208 TEORIA DE ESTIMACION (b) Paraloslímitesdeconfianzadelgg. X.98) están dadas por 11. (c) Comparar la desviación típica muestral con la desviación típicÁ de la población estimada. 2g. ó 0.Entonces.o¡r y x e8l.6 = 12. respectivamente. 6..100). empleando t¡alores críticos tales como justifica el trabajo involucrado. respectivamente. es de g1.?3 ton. y (b)99dto para la media de las cargas máximas de todos los cables producidos por la compañía.Es posible haltar otros límitee de confianza escogiendo valores críticos de X2 gar.69 en acuerdo con el problema 6.42 a a 111. En la Tabla 6-2 se indican varios valores críticos y los conespondientes intetwalos de confianza del 95%.9 110. (c) Si n es gtande.3 91./Anz que se obtiene la fórmula pedida. 8. La media y la desviación típica de los diámetros de una muestra de 250 remaches fabricados per una compañía gon O.8.64.7 a Lt3. respectivamente (véase Problema 5. 6'33. de amplitud sol.r De la tabla se observa que un intervalo del95%. X 032 y X 1¡2.a.¡amente 19. entonces zf.9 7.$=12'76.s2=12.?3 20.

3? suponiendo aplicables los métodos de la teoría de los resultados obtenidos.43. 6. 6. HaIIar los límites de confianza del (o) g5%.7 Bdn pá. respectivamente.7g% para la proporción real de bolas rojas en la urna.44.g5. al primero le fue dado un nuevo tipo de somnífero y al segundo un tipo convencional. 6. 0.638 libras y una desviación típica de y (b) del 99Vo pata los pesos de lotes de 100 cojinetes cada uno.40. ¿Cuál será el número mínimo de voranües que se deberá mue\trear para quelaeonfianza sea del (a) 8O%. Una muestra aleatoriade 60 bolas extraídas con remplazamiento de la urna.40 verdadera no difiera de la proporción muestral en más del 6Vo sea (a) del 95Vo. ESTIMAS POR INTERVALO DE CONFIANZA PARA PROPORCIONES 6.86.g9. 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. 6. o.2?. Hallar eI error probable de la desviación típica del Problema 6'46' .24 onzze. respectivamente. De dos grupos análogos de enfermos A y B formados de 50 y 100 individuos. Para los pacientes del primer grupo el número medio de horas de sueño fue 7. INTEBVALOS DE CONFIANZA PARA VARIANZAS Y DESVIACIONES TIPICAS 6. 6.82 con una desviación típica deO.ParalosdelgrupoB fueron 6. Una muestra de 200 cerrojos producidos por una máquina mostró que 15 eran defectuosos. 0.30 horas. (b)g|%t (c)997oV @)59.g?.38 onzas los límites de confianza del (c) 95% y (b) 997o para la resistencia real' desviación típica de 1. (b\ 99% y G\ gg. Hallar grandes muestras y comparar Solucionar el problema 6.(b\95%'(c\99% deladecisiónen favor de uno de los candidatos? INTERVALOS DE CONFIANZA PARA DfFERENCIAS Y SUMAS 6.012 libras. Cinco medidas del tiempo de reacción de un individuo a un cierto estímulo fueron registradas real de 0.94" Hallar (¿) los Problema 6.46. (b ) del 99%.a h diferencü de proporciones de cerrojos defrctuosos de las dos máquinas' Estudiar los resultados obtenidos.3g.76 y 0. La desviación típica de resistencia a la rotura de 100 cables producidos por una compañía fue de 180 libras.45.73% 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. como 0'28. 6. Si la desviación típica de la duración de los tubos de televisión se estima en 100 horas. (c) del 99.80. 0.gg.41. 6. dio el 7O% de bolas rojas. para que la confianza de que la proporción ¿Qué tamaño de muestra se debería tomar en el Problema 6.6l' TEORIA DE ESTIMACION límites de confianza del 5O% 209 6.33.41. ¿qué tamaño de muestra deberá tomarse puüa que sea del (a\96%.2[horas. Hallar los límites de confiánza (a) del 95% Una compañía fabrica cojinetes de bolas que tienen un peso medio de 0. Hallar los límites de confianza del (a) 95% y (bl99% para el tiempo reacción. mientras que de 100 cerrojos de otra máquina 12 eran defectuosos. Hallar los límites de confianza del (a) 95%' (b)99o/oy (c) gg . 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. y una Una muestra de 12 medias de resistencia a la rotura de hebras de algodón dio una media de 7. (b)gg%y (c)99J37" para la dewiación típica de todoslos cables producidos por la compañía.73V"? 6.g1 sfoundos. Se cree que una elección resultará muy reñida entre dos candidatos. Una r¡rna contiene una proporción desconocida de bolas rojas y blancas. Hallar los límites de confianza del (c) g5%.cAP.42.36 si el error en la duración media estimada superar las 10 horas? ESTTMAS POR INTERVALO DE CONTIANZA DE MEDIAS (PEQUEÑAS MUESTRAS) 6.

. Una población tiene una función de densidad dada por i@l = 2rt/r/" ¡2s-v*.26? Explicar. .55.2to 6.(b)v:12. ESTIMAS DE MAXIMA VEROSIMILITUD 6.59. .. X1. Las desviaciones típicas de los diárnetros de los cojinetes de bolas producidos por dos máquinas son 0. . 6.52 y (b) Problema 6. . 6.54 si las muestras tienen tamaño 120 cada una.51.54.e 11. . hoblema 6. para la relación de las varianzas de las poblaciones de donde se exhajeron.62.(c)v:25. . Los coeficientes de confianza del 999á ("doble cola") para la distribución normal están dados por 12.56. (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. Una población tiene una función de densidad dada por 8e toman n observaciones l(r) = l^0 [ Si se toman n observaciones X1 .58. Solucionar el (o) Problema 6.61. . Determinar los intervalos de confianza del (o) 98%v @\gOVapara larelacióndelasdesviacionestípicasdel Dos muestras de tamaños 6 y E respectivamente tienen la misma varianza. [(A'+t)st 0<¡:<1 de otra forma Xn de esta población hallar la estima de máxima verosimilitud de h.62. r. 6. Hallar los intervalos de confianza del (o) 98% y (b)907.50.57. INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6.035 cm respectivamente. . de la du¡ación de 10 bombillas fabricadas por una compañía es 120 horas.58. 6.48.49. En una prueba de 40 cables seleccionados aleatoriamente resulta una media de la resistencia de rotura d. Xn de esta población. Comparar los resultados con los obtenidos empleando la distribución normal. . . TEORIA DE ESTIMACION [cAP. .63. -t 1 r ( -. Hallar los igr la 6. límites de confianza del (o) 96'/o y (b)99Eb pa¡a la desviación típica de todas las bombillas fabricadas Solucionar el Problema 6.54 fueron extraídas de la misma población? Justificar su solución.25 y 6. basados en muestras de tamaño 10 cada una. . La desviación típica compañía. . Si se toman n observaciones.e 24OO libras y una dewiación típica de 150 libras.? ¿Son lc mismos a los dados en los hoblemas 6. ¿Considera que las dos muestras del hoblema 6. .49 si 25 bombillas tienen la misma desviación tÍpica de 120 horas. Hallar Ios intervalos de confianza del (a) 98% y (b) 90% para la relación de Ias varianzas. .53. Solucionar el Problema 6. del Problema 6.52. . 6. 6. . 6. 02 desconocidas. PBOBLEMAS DIVERSOS 6. ¿Cuáles son los coeficientes correspondientes para la distribución f si (o) v = 4.6 ¿Qué tamaño de muestra deberá tomarse para que la confianza sea del (a) 95%.49 utilizando la distribuciíny2 si una muestra de 100 bombillas tiene la misma desviación típica de 120 horas. (b) gg% y (c) gg. 6.7T% de que la desviación típica de una población no difiera de la desviación típica muestral en más del 2%? 6.51 que tiene la menor amplitud? 6. hallar la estim-a de máxima verosimilitud de z. . Hallar el estiniador de máxima verosimilitud de ). . . Xn se toman de una distribución de Poisson con parámetro tr desconocido. X¡.. Xn de una población distribuida normalmente con media ¡l y varianza ¿Pueden determinarse estimas de máxima verosimilitud de ¡t y o2 en términos d. Si Xr.60. Si n observaciones 6.042 cm y 0.(d)v : 30' (¿) v: 40? Una compañía tiene 500 cables.

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

. va generalmente acompañádo por un incremento en el otro tipo de error.)/o. se puede estar con el 957o de confianza de que. En la práctica.96 a 1.96 a 1.05 ó 0. ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. lo que quiere decir que es un suceso con probabilidad de solamente 0. De acuerdo con lo dicho hasta ahora.05 o que la z obtenida del estadístico muestral dado es significatiua al niuel de significación del 0.1. la probabilidad de cometer error del Tipo I.96 constituyen lo que se llama región crítica o región de rechace de Ia hipótes¡'s o región de significación. si la hipótesis es cierta. Entonces puede decirse que esta z difiere signifícatiuamente de la que cabía esperar bajo esta hipótesis y se estaría inclinado a rechazar la hipótesis. ¡--lglj .96 ó z 1. La única forma de reducir al tiempo ambos tipos de error es incrementar el tamaño de la muestra. ? II. por ejemplo se elige un nivel de significación del O.O6El conjunto de las z que se encuentran fuera del rango -1. Así pues.96). lo cual puede ser o no ser posible. 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. 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.. 7-1. se está con un 95% de confianza de que se toma la decisión adecuada. varianza 1) y se muestra en la Fig. supóngase que con una hipótesis dada. ENSAYOS REFERENTES A LA DISTRIBUCION NORMAL Pa¡a aclarar las ideas anteriores.96 (puesto que el área bajo la curva normal entre estos valores es 0. un tipo de error puede tener más importancia que el otro. En tal caso se dice que la hipótesis ha sido rechazada aI niuel de significación del O.. es una normal tipificada (media 0.96 a 1. el valor de e obtenido de una muestra real para el estadístico S se encontrará entre 1. aunque igualmente pueden emplearse otros valores.96. al diseñar un ensayo de hipótesis.1. Esto no es tah sencillo como pueda parecer puesto que para un tamaño de muestra dado. El área total sombreada 0.7-l Sin embargo. Como se indica en la figura.01.. Representa la probabilidad de rumeter error al recbazar la hipótesis es decir.lo que significa que se puede cometer error con una probabilidad de 0.El conjunto de lasz que se encuentran dentro del recorrido . Si.05 6 6"/.05 (área sombreada de la figura) si la hipótesis fuese verdadera. z > I.96 podía entonces llama¡se región de aceptación de h hipótesis o región de no significación.O5.05. la distribución muestral de un estadístico S es una distribución normal con media p" y desviación típica o".96 (es decir. Esta probabilidad se denota frecuentemente por o. y así se tiende a conseguir poner una limitación al error de mayor importancia.1.05 es el nivel de significación del ensayo. Esto equivale a decir que el estadístico muestral observado es significativo al nivel del 0. En la práctica se acostumbra a utilizar niveles de significación del 0.05 si la z obtenida para el estadístico S se encuentra fuera del recorrido .212 error del Tipo da. se dice que la hipótesis se rechaza al niuel de significación del0.1. Entonces la distribución de la variable tipificada dada por Z : (S ¡. si al elegir una muestra aleatoria se encuentra que z para ese estadístico se halla fuera del recorrido . generalmente se fija antes de la extracción de las muestras.=lD6 I'ig. un intento de disminuir un tipo de error. entonces hay aproximadamente 5 ocasiones en 100 en que se rechazaría la hipótesis cuando debería ser aceptada.96 y 1. es decir.96 a 1. 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. de modo que los resultados obtenidos no influyen en la elección.95).05. debe diseñarse de forma que minimice los errores de decisión.

Véanse páginas 158 y 160. 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. Z = -.-: ú1V11. Si4 embargo.. Entonces.88 y -1. puede también emplearse. aceptaríamos -EI6 de que la media poblacional es p : o utiliza¡íamos el estadísti-EÍe (o al menos no lo . En cada caso.la X-. como por ejemplo. para estimar o. tss =. La variable tipificada viene dada por Aquí S : X. se pueden encontrar utilizando la tabla que da las áreas bajo la curva normal. Medias. Por esta raz6n. o.58 2. cuando se está ensayando la hipótesis de que un proceso es mejor que otro (que es diferente a ensayar si un proceso es mejor o peor que otro).i: ¡t. Cuando es necesário se utiliza la desviación muestral observada s (ó G).005 0. página 195. tales ensayos se llaman ensayos de dos colns o ensayos bilaterales. = op: o/1/i. que da los valores críticos de z para ensayos de una y dos colas a distintos niveles de significación.08 y 3.96 1. La Tabla 7-1. Tabla 7-1 Nivel de significación o Valores críticos de z para ensayos unilaterales Valores críticos de z para ensayos bilaterales 0. con área igual al nivel de significación. será de utitidad para propósitos de referencia.cAP.645 cí 2. donde o es la desviación típica poblacional y n es el tamaño de la muestra.58 2.7l / ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2L3 (b) Se acepta Ia hipótesis (o si se desea no se toma decisión alguna) en caso conhario. Valores críticos de z para otros nivelei de significación.645 y 1. con frecuencia se puede estar solamente interesado en los valores extremos a un solo lado de Iá media. La Tabla 6-1.002 ó -t. en las dos "colas" de la distribución. Tales ensayos se llaman ensayos de una cola o ensayos unilaterales. 1.645 1. los resultados son para poblaciones infinitas o para muestreo con remplazamiento' Para muestreo sin remplazamiento de poblaciones finitas los resultados deberán modificarse.08 ENSAYOS ESPECIALES DE SIGNIFICACION PARA GRANDES MUESTRAS Para muestras grandes.28 1. media poblacional..58 y -2.6 1.96 y -2. Los co.96 en todo lo visto anteriormente por 2. 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.33 ó -2.58 (véase Tabla 7-L). utilizando un ensayo de dos colas. es decir. Para ensayar la hipótesis nula (f) co (I ).10 0.88 2. En tales casos. media muestral.8I -3.05 001 45 0.01 se sustituiría 1. en una "cola" de la distribución. si se utilizase el nivel del 0.81 2. Por ejemplo. Ia región crítica es una región a un lado de la distribución. es decir. Debe ponerse de manifiesto que puedgn igualmente emplearse otros niveles de significación.58 ó -2.33 -2. puesto que la suma del nivel de significación y el nivel de confianza es L00%.28 ó -1.

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

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

aceptaríamos. por ejemplo.1. pero entonces emplearíamos un ensayo de una cola. Relaciones de varianzas. . combinada obtenida al donde ^31 t . En algunos problemas deseamos decidir si dos muestras de tamaños m y n respectivamente. Un resultado otro nivel. . primero anotamos que F en (16) tiene la distribución F con fr . es decir = o3. -2 gradosde'libertad. Varianzas. (/8) y lo rechazaríamos en el caso contrario. * n.EIo (o no la rechazarí4mos) en el nivel 0.t. Bajo esta hipótesis (16) se convierte en "! F::-l q2 q2 \. . fi son las varianzas de las dos poblaciones normales de donde se extraen las muestras.2L6 ENsAyos DE HrporEsrs y srcNrFrcAcroN / Se'tt. y después utilizar como estima de o2 la media ponderada (n. Para ensayar la hipótesis H.. Esta es la uarianza 3..0. En este caso utilizamos el estadístico (véase página 161) F= donde (16) fi. Entonces. s2.J)9j 1) + (nz -1)-- l' n. de que la varíanza poblacional es mayor que o2 emplearíamos la hipótesis rilo . 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. fuera tal que nsz t2 y aceptaríamos IIo (o al menos no la rechazaríamos) de otra forma. Por tanto rechazaríamos Hs. basados en el ensayo de dos colas. t La distribución de ? es una distribución de Student conv: n.01 u y la rechazaríamos de otra forma.05 si X. Si ¡/o denota la hipótesis nula de que no hay diferencia entre las varianzas poblacionales. en el nivel 0. cuyas varianzas medidas son sl y sr2. (o al menos no la rechazaríamos) en el nivel 0. 4. y o!.1 grados de libertad.1)^ii + fn. sí sí = F'o. es correcta) si la varianza muestral específi- ca.3¿ son estimas insesgadas de oi combinar los datos. n . Para ensayar la hipótesis 116 de que una población normal tiene varianza o2 consideramos la variable aleatoria (13) que (véase págrna 161) tiene la distribución chi-cuadrado con n . utilizando un ensayo de dos colas. El empleo de (12) está plenamente justificado al hacer o.s'.oz : o en(12).1 grados de libertad. ..t n. provienen o no de la misma población normal.) (17) Para ensayar esta hipótesis al nivel 0. Entonces si una muestra aleatoria de tamaño n tiene varianza s2 aceptaríamos flo .s? + + n.'oz¡ o<nsz< (14) semejante puede obtenerse para el nivel 0.10 si Fo.05 (y por tanto concluiríamos que f/. (rz' . página 159.

Útt "trrayo ajuste de distribuciones teóric as. 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. r a¡ la bondad d. donde s camb se deben simplemente a fluctuaciones causa de deterioro en las máquinas. . CURVAS CARACTERISTICAS DE OPERACION. GRAFICOS DE CONTROL DE CALIDAD importante conocer cuándo un proceso ha cambiado suficientemente.33.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. como a veces se le llama (véase Problema 7. etc.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.7. conviene utllizar papel grófico de curua normal o papel grófico de probabilidad. significación. Sin embargo. (/ ) en la (1e) ñ _ L. El problema de ensay En un intento para determina¡ si una distribución normal representa un buen ajuste para datos dados. la si de modo que puedan darse los pasos rápid ejemplo en control de calidad. por ejemplo.136 y también Problema 6. Es posible evitar el riesgo de error < nunca la hipótesis. POTENCIA DE UN ENSAYO Se ha visto cómo el error del Tipo I pued.31). 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.30.cAP. qué tamaños de muestras deben emplearse. se describe más adelante. A pesar de que la necesidad de tales intervalos es rara' es posible definirlos (véase Problema 7. érrores de los empleados.05 es eq pigtm 195 conducente al intervalo de confianzadel96"/o se puede obsenrar que existe u eoría de ejemplo. al menos en el caso de los ensayos de dos colias. es posible frecuenten llamadas "modelos" o distribuciones "esperadas") tras de la población. 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.32 y 7.elo vn vn Por tanto.14). 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2t7 R. El método utilizado general: típica de la muestra para estimar la media y des 7. el enmyo chi-cuadrado.29). Los gróficos de control suministran un método útil y sencillo para tratar tales problemas (véase Problema 1.

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

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

? I estad de Y de es tal (a) v :. . Para. la corrección se hace solamente cuando el @s) se conoce frecuentemente como corrección de Yates.6g y 1. .48.rytc (véanse problemas 7..L\q 1) si las frecuencias-. Si el número de filas y columnas de una tabla de contingencia es ilrrh ah.esperadas pueden calcularse sin tener que estimar -parámetros ooblacionales con los estadísticos muestrales. Las tablas de contingencia pueden extenderse a un número mayor de dimensiones. El número de filas y columnas de la tabla dg contingencia determina el valor rñáximo de C.Los ensayos de significación para tablas h x h son análogos a los de las tablas 1 X k.Cuando se aplican a datos discretos los resultados para distribuciones continuas deben hacerse ciertas correcciones. (h .ü nPr En general.ráU" de esto véase el Problema 7.1F nz si las frecuencias observadas pueden solamente calcularse estimando m parámetros poblacionares con los estadísticos muestrales. el máximo valor de c viene dado por 1frn .220 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. En COEFICIENTE DE CONTINGENCIA Una medida del grado de relación.rtt" pr.L)(k .t. Una tripótesis normalmente supuesta es la de que las dos clasificaciones son independientes enhe si. se pueden tener tablas h X h X I donde estén presentes 3 chsúicaciones. A mayor valor de Q mayor es el grado de asociación. También existe una modificación análoga de (24). que no es nunca superior a uno. Así por CORRECCION DE YATES PARA LA CONTINUIDAD . ión muestral muy próxima a la distribución no sean demasiaáo pequeñas.62.L27\. ejemplo. número de grados de libertad es z : 1. Una corrección análoga cuando se utiliza la distribución chicuadrado-.. Las frecuencias esperadas-son halladgf bajo una determinada hipóteiis llo. k il por (b) u : (h. como se ha visto en capítulos ant-eriores. Et númeró áé É dado para h > l.*!4t_"p_4. La corrección consiste en poner (21) coimo sigue "r "pii""uié ¡2 (corregida) = tL\-g!)- !'5Y * !4-grP +.. asociación o dependencia de las clasificaciones en una tabla de contingencia está dada por (26) que se llama coeficiente de contingencia.7 .

en unidadee tipificadas = 60.0358. probabilidad de error del Tipo I) se llama níuel de significación d.e la regla de decisión y es igual a 0. Así.1. el área total sombreada (es decir.1O y z: 2. Según la distribución binomial.10 y nq son ambas mayores de 5.I0 Probabilidad pedida : : área bajo la curva normal e¡tíe z: 2(áreaentre z: O y z: -2. .5 y 60. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 22r Problema.'| rrx'ti'\r/ /tY' \-/ \-/ \-/ \-/ \-/ La media y la desvi¿ción típica del nf¡mero de ca¡as en 100 hnzamientos vienen dadas por t. Para ensayar (c) Hallar la probabilidad de rechazar la hipótesis. /1Y. se dirá que esta z difiere significatiuamente de lia que cabría esperar si la hipótesis fuese cierta. la hipótesis de que una moneda está bien hecha. está representado por el área total sombreada de Ia figura.0358.. puede utilizarse para la er¡aluación de la suma anteriqr la aproximación normal a la distribución binomial.tp = 1oo(. 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. 39. la probabilidad de no obtener entre 40 y 60 caras inclusive si la moneda está bien hecha 1 . cuando debería aceptarse q el error del Tipo.) =.I de la regla de decisión y la probabilidad de cometer este error es igual a 0.0358 en este casc.5 en unidades tipificadas = q9'5-:-E 60.5 ./lY' (.'lóJ /1Yo .-210 caras) FiE. Hallar la probabilidad de obtener entre 40 y 60 caras inclusive en 100 lanzamientos de una moneda.. Por esta razón..s resueltos ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NORMALES 7. Entonces la probabilidad de rechazar la hipótesis cuando es correcta : 0.1.9642 : 0. cuando en realidad es cierta. (b) Interpretar gráficamente la regla de decisión y el resultado del apartado (c).5 - 50 = 2. de otro modo se rechaza y se decide que la moneda no está bien hecha. ambos inclusive. \ql .0358 6 3. -. Si en una serie de 100 lanzamientos sg obtiene una z entre -2.58%.lO 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.5 caras. 7-2.7-2 z (60.) +'noc. (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. entre 40 y 60 caras inclusive es lo mismo que entre 39. Región de recbace ? El error que se puede cometer de rechazar la hipótesis (39./ 1" (.que muestra la distribución de probabilidad de caras en 100 Ianzamientos de una moneda bien hecha.10) 7. pues se habla de rechazar la hipótesis a un nivel de significación de 0.0. (2) de otro modo.L0 y 210. 53 (o) (b) Por el Problema 7.5.2. .CAP. se acepta la hipótesis. se rechaza..0358 del apartado (o). La regla de decisión se ve gráficamente en la Fig. la probabilidad pedida es /1\'t0 'oocoo( i) /r \6r' . En una escala continua. uo Pueeto que np o-{ffi=['r{ffi=' = _2.

58o y pt*.1.96(4): 1.575). (o) Primer método: Si el nivel de significación es 0.966X=24.5000 0. g2-2.bg (másexacüarnente 2.05 y (b) 0.96(4).960 y ¡J + l. (i ) Se acepta la hipótesis de que la moneda está bien hecha si el número de 24. 24. pues.96(4) :24.95. es decir. Entonces Z la regla de decisión resulta: = (X - 32\14.np: 64(0. por ejemplo.7-B 2r Los valores críticos la Tabla 7-1- -1. El error que se comete al aceptar la hipótesis cuando debería decisión. np.? en lugar de 0.84que 32) < 1. Entonces.Asípues. Siguiendo el mismo procedimiento del método segundo del apartado (o ). Para mayor discusión véanse Problemas 7 rechazarse ea error del Tipo 1I de la .25.(X-32)14:-1.96. Se puede aceptar la hipótesis cuando realmente debería rechazarse como.96 <(x-gz)l¿. Entonces.96(4)< X< 32 + 1.84. Tercer método: y np+1. -zr Fis. Así.99 .2. sería el caso cuando la probabilidad de cara fuese realmente 0.05.O25O : O-4750.< 1. ? (c) Según la regla de decisión.1.01.96.96(4) la regla de decisión anüerior. en ambos casos se aceptaría la hipótesis de que la moneda está bien hecha. es decir. se ve que con probabilidad 0. 2. cada área sombreada en la figura anterior es 0.58(4):21. entre 25 y 39 ambos inclusive. Diseñar una regla de decisión para ensayar la hipótesis de que una moneda est.1.222 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. Entonces el área entre 0 y zr = 0. (2) Rechazarla en cualquier otro caso. el área entre 0 y zr es 0. es decir. 7.16<X< 39. 7-3 es 0.t6.96(4)< (x6 32.96_ (2) Rechazar la hipótesis en cualquier otro caso.que también conducea ) obtenerse de la Tabla ?-1.58o. una posible regla de decisión es: (I ) Aceptar la hipótesis de que la moneda est:á bien hecha si Z está entre -1. el número de ca¡as se encontrará entre ¡¡ decir. caras se encuentra entre (2) es Se rechazá la hipótesis en caso contrario.1. (b -1. (d) Si. .76y 32+ -1. se habría rechazado la hipótesis.(X-32)l¿:1-96óX:39.23-7.005.5000 .96 < z < 1. 89.84. Se puede argüir que con solo una cara más que se hubiese obtenido. Si el nivel de signilicación es 0.5) .5. Estopuedetambién - el número de ca¡as se encontrará entre lr 2.58(4\: 42.96{npq o entre 32 - 1.96 y 1.5i2:-1.960. cada6rea sombreada en la Fig.16 y 39.O.01 .96 equivale a .96 y 1.y z¡ : 1. SiZ:1. Esto es lo que se debe afrontar cuando para tomar decisiones se toma cualquier línea de división.á bien hecha si en una muestra de 64lanzamientos de la moneda se toma un nivel de significación de {c) 0. Segundo método: Con probabilidad 0.96.025 por simetría.4950 ! zt = 2.84.68 y Bz + Entonces la repla de decisión sería: (l) Aceptar la hipótesis si el nfrmero de caras se encuentra entre 22 y 42 inclusive.0050 :0.32. nótese que la media y la desviación típica de la distribución binomial exacta de caras están dadas por ! .3.96yñpq lleva a Ia regla de decisión anterior.32 y o -= t/iw = y'6llos)(05) = = (X p)/o 4 bajo Ia hipótesis de que la moneda está bien hecha.96.96 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.

5 V el sujeto está simplemente adivinando. la decisión rnantiene es decir.P.cAP.645.5. Una completa discusión de tales casos requiere l¿ consideración de errores del fipo II (véanee hoblem¿s 7.ar la hipótesis si el número de caras se encuentra e¡fte 22 y 42 inclusive. Si la hipótesis está dado por ff6 es cierta. p es la ptobabilidad de que el sujeto elija conectamente el color de una catta.25\15. Asfrpues. puesüo que 32 en una eecala continua está entre 31-5 y 32. Entonces el área enüre O y zt = 0. puesto que no se está interesado en la facultad de obtener valoree bajos.3 que evite el enor del Tipo T? El error del Tipo I[ se c. se concluye que al nivel del 0.5 . Rechazar Ia hipótesis en ca6o contraúo.645. 7-4 de modo que el área sombreada en la región crítica de r¡alores alüos sea 0.4900Y2r:2.P.05 el individuo tiene fuerza de E.33. Sin embargo. la regla de decisión del Problema 7. entonces se tiene que decidir entre las dos hipótesis siguientes: Si Hoi p: 0.01 son probablemente significotiuos. Algunos estadísticos adoptan la terminología de que lios resultados significativos al nivel del 0. los resultados son significativos al nivel del 0.entonceseláreaent¡eOyzt:0. (I) ee Adüértase que tealmente debería aplicarse una conección de continuidad. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 223 7.5 üiene un valor tipificado de (31. En un experimento sobre percepción extrasensorial (E. .S.84) que es menor que 2.06 son no significatiws.01 ¡on altomente significatiuos. es decir. los resultado¡ son totalmente casuales Ht: p ) 0.645.) 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. los resultados significativos al nivel del 0.05 y el indiüduo tiene fue¡za de E.S. ¿Cómo se podría diseña¡ una regla de decisión en el Problema ?. Para evitar este etlor. Seglrn la üerminologfa. Así por ejemplo. es decir.05. mientras que los resulüados significativos a niveles superriores al 0.S.5 y el sujeto tiene fuerza de E.26').23-7.54 p=. se deduce que los reeultado¡ no son significaüuos al nivel de 0.26)13.P.05 pero no al nivel del 0.645 los resultados Be deben a la casualidad.33. 7-4 Puesto que 32 unidades tipifrcadas (32 .01. se concluye que los resultados del experimento anterior wn probablemente significatiuos.P. zl (2) Si z es menor de 1. Se elige un ensayo de una cola.06 se debe elegit z1 en la Pig.5) = zb ! o=\/wq = /86(05)(-05) = ¡/Es = (a) Para un ensayo de una cola al nivel de significación de 0. de modo que posteriores investigaciones del fenómeno están probablemente justificadas.4500. Es desconocido-para el zujeto cuántas cartas rojas o azules hay en el lote. la media y la desviación tfpica del número de cartas identificad¿c correcüamente 3.64:1. Esto puede también eacarse de la Tabla 7-1. no significativos al nivel del 0. sino en la facultad de obtener aciertos numerooos. Y zr : 1.98 es mayor que 1. 7. la regla de decisión o enaayo de significación es: (f ) Si la z observada es mayor que 1.98 (ó 1. lo que efnificarfa que ee rehuaa cualquier decisión en este caso. Si el zujeto identifica conectamente 32 cartas' determinar si los resultados son significativos al nivel de significación de (c) 0. 31. en muchos ejemplos prácticos es importante decidir si una hipótesis debe eer aceptada o rech¡zada. lo que se hace es simplemente no rechazarla.64: 1.Puestoque32(ó 31. (D) Sielniveldesignificaciónes0.S.01.5) en unidades tipificadas es 1.omete al aceptar una hipótesis que debería ser rectrazada.01.3(b) serfa: (I ) (2) No recltzz.4. Sin embargo.05 y (b) 0. en lugar de aceptar la hipótesis.np = 50(0.84 llegándose a Ia misma conclusión anterio¡. Fig.05.6.

7. con una desviación típica de 120 horas.9 y la aseveración Se elige un ensayo unilateral.S.05 y (b) 0.33. es sobre el 3 por 100. ta probabilidad citada en-este caso 0.0322 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. mediante la simetría de la curva.. La distribución muestral de X tiene una media r¿x-Éyunades.33.01 . puesto que Ee esüá interesado en determinar si la proporción de gente aliviada por la medicina es demasiado baja. . (2) En caso contrario.$) : 1AO y " - 7.Ossetienelasiguienteregladedecisión: (/) Se rec}raza 116 si la z de la media muestral está fuera del rango . La duración media de una muestra de 100 tubos fluorescentesproducidosporuna compañía resulta ser 15?0 horas. 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.r¡ = a.l8O)14. \/"pq = /?2ooxo. lt:1600 hora. El estadístico bajo consideración es la media muestral X.7. es decir. entoncegz¡ : -2. Asípues.23. como puede deducirse del koblema 7. 7-5 es 0. . Se tiene que decidir entre las dos hipótesis: Ho. (2) Se acepta l/6 (o no se toma decisión alguna) en caso contrario.23: -4.96 a 1.33 (en cuyo caso se rechaza H¡).96. por un período de 8 horas.84):0.1.01. altamente significatiuos (véase final del Problema ?. 7 Puesto que los niveles de significación sirven de guía en la toma de decisiones.9 y la aseveración es correcta es falsa Hy: p10. Determinar si la aseveiación del fabricante es cierta. El fabricante de una patente médica sostiene qu€ la misma tien'e un 9O% de efectividad en el alivio de una aler_gia. en este problemapuesto quep(Z > 1. Si ¡. Por ejemplo. Ahora 16O en unidades tipificadas (160 . o de la Tabla 7-1.6. Se zl Fig.0322. H1: ¡t* 1600horas Un ensayo bilateral debe utilizarse aquí puesto que g * 1600 incluye valores mayores y menores de 1600.9)(o. Entonces tre las dos hipótesis: se debe decidir Ho: p: 0. Denótese porp la posibilidad de obtener alivio de la alergia utilizando la medicina.01.5).En una muestra de 200 individuos que tenían la alergia la medicina suministrada alivió a 160 personas.5(b).viacióntípicaop:s/1/i. 3. algunos estadísticos citan las probabilidades reales inherentes. (a) Paraunensayobilateralalniveldesignificaciónde0.dondegvoscnlamediayladesviacióntípicadelapoblación de todos los tubos producidos por la compañía.s. la aseveración es legítima y los resultados obtenidos se deben a la casualidad (en cuyo caso Si se acepta 116 ). si el área sombreada en la Fig.P. Si se toma el nivel de significación del 0. comprobar la hipótesis ¡¡ : 1600 horas contra la hipótesis altemativa r¡ # 1600 horas con un nivel de significación de (a) 0.224 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. 7-5 toma como regla de decisión: (1) La aseveración no es legítima si Z es menor de -2.r es la duración media de todos los tubos producidos por la compañía. que es mucho menor de -2. se llama a veces niuel de significación erperimental o descriptiuo.

Para ensayar esta aspiración.645. el rango -1.8. 7-5). Al nivel de significación del 0.0Sysetieneque zt : Se adopta.645.05.01? Se tiene que decidir entre las dos hipótesis: Ho: lJ: Ht: lt > 1800 libras.7 Como en el Problema de significación del 0. Como en el Problema 7.T-Stieneunáreade0.33. se ensaya una muestra de 50 cables y se encuentra que su resistencia media es de 1850 libras. y realmente no hay cambio en la resistencia 1800 libras. (1 Hs si Z es menor de -1.33. se acepta Ile (o no se toma ninguna decisión) al nivel de sfinificación del 0. I/e es cierta. En el Problema 7. se tiene X-p ol\n 1850 .33.50.01 y. Adviértase que esta decisión es la misma que la obtenida en el Problema 7. se tiene g : 1600 y o* = a/t/n = 120/\/L00 = 12. Las decisiones concernientes a hipótesis'lfe dadas.7.9 6. ' (b) Si el nivel de significación es 0. no están siempre en concordancia.01.01 eI valor de z1 en la Fig. naturalmente esperarse. 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. Se ¡ecltaza 7 .96 a 1. basadas en ensayos de una o dos colas.1600)/12 : (L570 .F/0 (2) De otro modo. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 226 eneuentra fuera del rango Bajo la hipótesis I/6.645.01 la regla de decisión es: ) Si eI valor de z es mayor que 2. Entonces. Se debe < 1600 decidir entre las dos hipótesis: Ho: lJ: 1600 horas. Debe aquí utilizarse un ens¿ryo unilateral (véase Fig. se rechaza /16 al nivel de significación del 0. se rechaza pues.33 los resultados son significativos al nivel de 0.05. De aquí que se adopte la regla de decisión: (I ) Se rechaza H¡ si Z es menor de -2. en efecto.05. Esto cabe. el valor de e es -2.9. Bajo la hipótesis de que (I es rechazada.50 se -l . por tanto la regla de decisión: -L. laregiónsombreadadelaFig.oo loo/v5o que es mayor de 2. Mediante una nueva técnica en el proceso de fabricación se aspira a que esta resistencia pueda ser incrementada. Puesto que / : (X . II1: ¡t{ 1600 horas.7(b) mediante un ensayo bilateral.7(a).01. ensayar la hipótesis p : 1600 hora. 7.50.58.s frente a la alternativa horas. ¡. (2) S.01. utilizando la desviación típica muestral como una estima de o.cAP. puesto que se ensaya I/6 conha una alternativa diferente en cada caso.¿ 7.Ff6 (o no se toma ninguna decisión) en caso contrario. y hay un cambio en la resistencia Aquí debe emplearse un ensayo unilateral (véase Fig. De aquí se deduce que los resultados son olúamente significatiuos y Ia aspiración de mejora debe ser admitida.96 a 1 . 7-5 es -2.7(a) mediante un ensayo bilateral. se rechaza pues. que es menor de -2. fle al nivel (b) Si el nivel de significación es de 0.1600y12 : -2.96 en la regla de decisión del apartado (c) se sustituye por -2. 7-4).33.01. el valor de z es -2. . acepta H6 (o no se toma ninguna decisión) en caso contrario.50 se encuentra dentro de este rango. ) (2) Se acepta. ¿Puede mantenerse que.05 y (b) 0.1800 -------------ó. Adviértase que esta decisión es idéntica a la obtenida en el Problema 7. (a). puesto que z -2. Ilo es aceptada (o no se toma decisión alguna). hay un aumento de resistencia al nivel de significación del 0.58 a 2. que es menor de -1 . /ls al nivel de significación del 0. (a) Sielniveldesignificaciónes0. con los niveles de significación de (¿) 0.

de acuerdo con la terminología utilizada al final del Problema 7.226 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [g. ambas clases provienen de la misma población. (b) 0. no se puede rechazar la hipótesis a este nivel de significación. Así pues. z ENSAYOS RELACIONADOS CON DIFERENCIAS DE MEDIAS Y PROPORCIONES 7..-*.58 y 2. !40*50 = 1. = 1# = -2. n2 = 0.10.2 pulgadas con desviación típica d. = o n*r-'^" = !t-".96.El6 .e o1 y o2.10 si se está dispuesto a correr el riesgo de tomar una decisión errónea con una probabilidad de 0. Enton- Bajo ferencia de medias están dadas por Ho: ltt : llz.5 pulgadas con desviación típica de 2. .5.5 pulgadas. - l"? . =o n*r-rr"= "? . La media y la desviación típica de la di- uir-i.la estatura media del primer gtupo ^o hay diferencia entre las estaturas mediases mayor que la del segundo ur?. Se hizo un examen p dos clases formadas por 40 y 50 estudiantes respectivamente. los resultados son significativos al nivel de 0. = o*r-fr.05 si Z se encuentra fuera del recorrido -1.8 pulgadas. ?.e 2. Ensayar la hipótesis de que los estudiantes que participan en las pruebas atléticas son más altos que los otros. es decir. ft1 "8.01 no hay diferencias significativas entre ambas clases. se tiene que Supóngase que las dos clases provienen de dos poblaciones que tienen de medias respectivas decidir entre las hipótesis: l\ y tJz. los resultados son significativos al nivel de 0.11. Para un ensayo bilateral. En la primera clase la puntuáción media fue de 74 con una desviación típica de 8. mientras que 50 estudiantes que no mostraban interés en tal participación tenían una estatura media de 67. "Z= l8r.01.05 pero no al de 0.01? ces. Entonces z= (a) (ó) Pata un ensayo bilaüeral. mientras que en la segunda clase la puntuación media fue de 78 con una desviación típica de 7.05.01 si Z se encuentra fuera del iritervalo -2. Debe sin embargo ponerse de manifiesto que la hipótesis puede rechazarse al nivel de 0.58. se deduce que los resultados son probablementesignificatiuos.0ó hay una diferencia significativa entre las dos clases y la segunda es probablemente mejor.645.lp.10.05.53 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. se rechaza la hipótesis lls si el valor de z fuese mayor de 1. Se debe decidir entre las hipótesis: Ho: llt : H t: Ft ) Bajo la hipótesis. ltz . ! la diferencia se debe simplemente al azar H t : Pt * ¡t2 . ¿Hay una diferencia significativa entre el restfltado de las dos ciases al nivel de significación de (a) 0. I vez cada 10.hay una diferencia significativa entre las dos clases la hipótesis lls. La estatura media de 50 estudiantes de un colegio que tomaban parte en las pruebas atléticas fue de 68. 7.96 a 1.606 donde se han utilizado las desviaciones típicas muestrales como estimas d. p2 . De aquí se deduce que al nivel de 0. De aquí se deduce que al nivel de 0.4s Puesto que los resultados scin significativos al nivel de 0.

xz 4 . Puesto que esta condición es satisfecha. (c) 0:10. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 227 7.o*r-*.09 3. H t : pt ) pz. se rechazaría la hipótesis IIs solamente si z fuese mayor de 1.33. se deduciría que el suero es efectivo al nivel de significación de 0.75 y 65 individuos.10 se rechazaría f/e solamente si el valor de z fuese superior a 1.zt.5 ó t57 n>1b? 50 De aquí que se debería incrementar cada muestra en al menos : lO7 .II para que la diferencia observada de 0.30. (ó) De acuerdo con un ensayo unilateral (c) Si se utilizase un ensayo unilateral al nivel de significación de 0. Entonces ry- en los dos grupos muestrales el valor (?5 * P./" Para la diferencia de 0. (a) o.5¡z ¡ ". De donde se deduce que a este nivel tambiénlas diferencias se deben al azgt. 14. se tiene .L2.tt d \/a>r2.70 y donde q : 1 p : 0.01 si : 28 al menos.r-r. padecen una enfermedad. = 0 V p".01._P" orr.01? Supóngase que el tamaño muestral de cada grupo eB n y qLe las desviaciones típicas manecen iguales a las de antes.01.zorro.0648 donde se ha utilizado como estima de la proporción 65)1200 : 0.l las diferencias observadas son debidas al az. = o?. Dos grupos A y B fo¡mados cada uno de 100 individuos..8 í¡ n>78 50 Así pues. (b) 0.05 si Yif-t'uou (b) La diferencia observada ó 1/-n=8. ¿En cuánto deberíán incrementarse los tamaños de muestra de cada uno de los dos grupos en el Problema 7.75 n . Ensayar la hipótesis de que el suero ayuda a curar la enfermedad al nivel de significación del (a) 0.650 0.0648 ro. Entonces.7 3. = p de curas 0.75/\n 0.05. . se r*}lrazaría lahipótesis1116 solamente si z fuese mayor de 2. Se administra un suero al grupo A. se debe deducir que los resultados se deben al azar a este nivel de significación. bajo la hipótesis tiI6.7 pulgadas en las estaturas medias sea significativa al nivel de significación (o) 0.54 (c) De acuerdo con un ensayo unilateral al nivel de significación del 0.ir_*.#) = 0. al nivel de significación del 0."io" dos grupos per- o*r- *.7 observada en las estaturas medias se tiene xt .10.05.645. siendo en todo lo demás los dos grupos tratados idénticamente. respectivamente las proporciones poblacionales curadas ( I ) utilizando el suero . Denótese por P utiliza¡ suero. ui'!!=r.7\n 3'75 La diferencia observada será significativa al nivel de 0."2 nn (2.54.?50 - = 1.t. Se debe r! p2. Puesto que el valor de z es 1. = o o.05.28. urr-r'.ebr(-#. el suero no es efecüivo Ho: Pt : Pz. 7.r. respectivamente se han recuperado de la enfermedad.13. (b) 0.CAP. Se encuentra que en los grupos Ay 8. deberá incrementarse el tamaño de cada grupo en ?8 será significativa al nivel de 0. pero no al grupo B (que se llama gtupo control).y el suero es efectivo Bajo la hipótesis 116. 0. (2 ) sin decidir entre las dos hipótesis: es decir.

645.-t'r= se ú'G. que son las mismas del problema anterior. Por otro lado.13 si cada grupo dividuos del Grupo. decir. Solucionar el Problema 7.zol ro. Esto muestra cómo al incrementarse el tamaño de la muestra aumenta la seguridad de las decisiones. Al nivel de significación del 0. se rechazaría Hs si Z estuviese fuera del in' tervalo-1 . se deduce que el suero es efectivo con solo una probabilidad de 0. respectivamente.33. que se estudia con un ensayo unilateral.96. Este es un riesgo que nb siempre deseamos suponer.48)(200)l/500:0.528 = z - P. en muchos casos es imposible el aumentar el tamaño de la muestra. se puede proceder a dar el'suero a grandes grrlpos de gente solamente para obtener entonces que realmente es inefectivo. En tales casos.P" = rrar.01 de equivocación. = ú(¡D=@=00456 f(0.0374 ." 0.96a1. que están a favor del candidat<¡. se debe decidir entre la hipótesis (f/e ).70 utiliza como estima dep.195y600:0. Bajo la hipótesis ^FIe.750 y 195/300 Adviértase que en este caso la proporción de gente curada en los dos grupos son 225/300 : 0.528 l'75 y 1-0. _ 1.05. l'pr-pz = donde (225 0 ú¡'.650 0.zt y 195 del grupo B.. 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..472. z Adüértase que las conclusiones anteriores dependen de lo que se esté dispuesto a arriesgar de tomar una decisión erróneá.480 = -0^0456== nivel. Entonces 0. Denótese por pr y p2 las proporciones de todos los votantes de los distritos A y B. Sin embargo.6b0 respectivamente.05 se rechaza H¡ si Z fuese mayor de 1.. ?.14. Si los resultados se deben realmente aL azar y se toma la decisión de que son debidos al suero (error del Tipo I).560 dondesehautilizadocomoestimadepyqlosvalores +(0. se está forzado a toma¡ decisiones en acuerdo con la información utilizable y asÍ se tendrá que correr mayor riesgo de tomar decisiones erróneas.15. Bajo la hipótesis (Ho: pt:pr ) se tiene l¡. .t 0. Puesto que éste es el caso. se rechaza É16 a este nivel y se deduce que el candidato es preferido en el dis' trito A . z=ñ= - = 2. ?. (b) el candidato sea preferido en el distrito A. 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.05 ensayir la hipótesis de que (o) haya diferencia entre los distritos. se debe decidir entre la hipótesis (Ho : P t : pz\ y (Ht : P t * pz). .0374 P.56)(300) 0. se compone de 300 individuos y si se curan 225 i* : 0.67 es puesto que el valor de z es mayor de 2.750 = ro. (¿) Si solamente se desea determinar si hay diferencia entre los distritos. se puede rechazar la hipótesis al nivel de significación del 0.228 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. Entonces = 0 or.-P. estaban a favor de un candidato dado. que se estudia con un ensayo bilateralCon un ensayo bilateral y al nivel de significación del 0.Puesto queZ:1.01. es decir.?S.0.sol( r*-L * r*-L ) : 0.encontrándosedentrodelintervalonosepuedetechazatH¡ a este (b . Una muestra de 300 votant€s del distrito A y 2O0 del distrito B mostró que el 66% y el 48% respectivamente. Co¡r un ensayo unilateral y al nivel de significación del 0.

01 se adopta Ia regla de decisión: (I ) (9) Se acepta .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. lo cual para 10 libertad es eI intervalo -2. á ú. se adopta Ia regla de decisión (l) (2) (b Seacepta116 si ?esmayorde -ú.05. Puesto que ? -B .01? Se tiene que decidir entre las hipótesis Ho:.L7¡"- 1= ?l|'!-_99rnJ . Bajo la hipótesisae se tiene (o .Efs al nivel 0. -1:5 gradosdelibertad da ?) -2. Se rechaza -1 :9 gradosde lls en caso contrario. y la máquina de modo que se requiere un ensayo bilateral. Puesto que T = -3.F/6 eri caso contrario..25 a 3. que para 6 Se rechaza. En el pasado una máquina ha producido arandelas con un grosor de 0.00.ee.g.F/6 si ? se encuentra dentro del intervalo --f. 7.01 .25.05.01. Se rechaza.050 pulgadas. se rechaza Puesto que ?: 3. Se deduce que la afirmación del fabricante es extremadamente improbable que esté justificada.01.05. y la afirmación del fabricante de modo que se requiere un ensayo unilateral. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Ú ENSAYOS RELACIONADOS CON LA DISTRIBUCION DE STUDENT 7. .17.un.86 . Un ensayo sobre resistencia a la rotura de 6 cuerdas fabricadas por una compañía mostró una resistencia media de 7750 lb y una desviación típica de 145 lb mientras que el fabricante sostenía que la resistencia media de sus cuerdas era de 8000Ib.cAP.053 pulgadas y una desviación típica de 0. se rechaza ffs .i6= = -8. : ) Para un ensayo unilateral al nivel de significación del 0.00.01 .4!9 ú0 -t -_. se adopta la regla de decisión (1) (2) Se acepta f/¡ : si ? es mayor de -f. se toma una muestra de 10 arandelas.050. ¿Se puede admitir la afirmación del fabricante aI nivel de significación del (a) 0. ) Para un ens¿ryo bilateral al nivel de significación del 0. que para 5 grados de libertad da 7') -3.050. se rechaza .É16 elr cáso contrario. Para determinar si la máquina sigue en buenas condiciones de producción.ee5.86.F/s. se encuentra en buenas condiciones no se encuentra en buenas condiciones Bajo la hipótesis (o H¡ se tiene . Se rechaza.01. H lJ: 8000 libras. Se desea decidir entre las hipótesis Ho: lt:0. que para 10-1 tad es el intervalo -3. se dice que lamuestraresultaproboblemente significatiua (véaee la terminología del final del Problema 7 .003 pulgadas.16. Ya que se rechaza lls al nivel 0.f. se acepta.26.05 . (b) 0. : 9 grados de liber- Puesto que ?: 3. (b) 0. : ) Para un et¡sayo unilateral al nivel de significación del 0. Ensayar la hipótesis de que la máquina está en buenas condiciones de producción al nivel de significación del (o) 0.o. -t/n- t = 9!$-.00. = 4---f. Para un ensayo bilateral aI nivel de significación del 0.6). .26 a 2. que resulta tener un grosor medio de 0. y la máquina Ht: P + 0. y la afirmación del fabricante está justificada es falsa 1 : ¡t 1 8000 libras. I/6 al nivel de 0.05 pero no al nivel 0.F/e en caso contrario. ABI sería aconsejable comprobar la máquina o al menos toma¡ otra muesha.36.86.

ctsa ú e75. El I.ffi + 12(0-36)2 t/". .01. respectivamente. de los dos grupos al nivel de significación del (o) 0. Q.1 - 4. donde nrsl + n252. sé rechazará Ia hipótesis f16 si ? fuese mayor que ú. la mitad de ellas fueron tratadas con el fertilizante y la otra mitad no (grupo control). de los estudiantes de las dos zonas.2 : 22gradosde libertad es 2.16 + 74 .Ef6 al nivel de significación del 0.40 fanegadas. tiene que decidir entre las hipótesis se Ho: lt : ltz.2 : 72 + t2 . Q.01.2:. La media de trigo conseguida en las parcelas no tratadas fue de 4.05.18.05.76. (b) Con un ensayo bilateral aI nivel de significación del 0. T= Entonces xt- X.y hay diferencia esencial entre los grupos Bajo la hipótesis lls.?6 a 2. y ¡r2 las medias poblacionales del decidir entre las hipótesis I.. de 14 estudiantes de otrazona de la ciudad dio una media de 112 con desviación típica de 8.4012 =o'397 v T= 5. lo cualpara n1 * nz .01. mientras que el L Q. y (b) 0. T- xt-x.8 0.44\/ l/16 + l/t4 = 1.36 fanegadas.2: 28 grados de libertad es el recorrido -2.45 (¿) Con r¡n ensayo bilateral al nivel de significación del 0. se tiene que Ho: lt : ltz ! no hay diferencia esencial entre los grupos Hti ltt =* tlr.85 Con un ensayo unilateral aI nivel de significación del 0. Así pues.y la diferencia se debe al azar H t: pt ) tt1. no se puede rechazar. (cociente de inteligencia) de 16 estudiantes de una zona de una ciudad dio una media de 107 con una desviación típica de 10. mientras que la media en las parcelas tratadas fue de 5.05. a ú.ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.ee5. "tf.3s7\n/12 + Urz = 1. n1*n2-2 "=!ffi (a) I 12(0. hay diferencia significativa entre el I.ee. 7. Así pues.1 fanegadas con una desviación típica de 0.y el fertilizante incrementa la producción Bajo la hipótesis I/6. Para ello.05? Si se denota por ¡l-. En una estación agrícola se deseaba ensayar el efecto deun determinado fertilizantn sobrela producción de trigo.8 fanegadas con una desviación típica de 0.51. Q. "t/U"t+ Y"2 donde o - n. Así pues. Todas las demás condiciones fueron las mismas.19. no se puede rechazar É16 al nivel de significación del 0.44 y T= ltz - t07 9.S! + nrS! n1 -ln2-2 Entonces t6+L4-2 =9. se eligieron 24 parcelas de terreno de igual superficie.01. ¿Hay diferencia significativa entre el I. se rechazará Hs si T se encuentra fuera del recorrido -t. eue para 28 grados de libertad es el recorrido -2.O5 a 2. se rechazará la hipótesisl{6 si ?se encuentra fuera del recorrido --t r¡g¡. ? ?. eue para n¡ I nz . no se puede rechazar Se deduce que no 116 al nivel de significación del 0.01. de los dos grupos. ¿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. Q.

sr.05 que la variabilidad de la clase B es mayor que la de la clase A? (o) Tenemos.32 on?T. En el pasado la desviación típica de los pesos de ciertos paquetes de 40. y cualquier va¡iabilidad observada se debe al azol Íi1: o1>. Así.ltle al nivel 0.8. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 237 (ü) Conunensayounilateralalniveldesignificacióndel 0. Y deberá efectua¡se una revisión en la máquina.2 para 19 grados sig de I O.05 Si el valor de X2 muestral fuese mayor 9ue x?gs. y los resultado¡ observados se deben alazar H 1 : o > O . y la variabilidad se ha incrementado El valot de 12 para la muestra €8 X2 : nsz/sz :20(0. Así puee.la clase A tuvo una desviaóión típica de 9 en tanto que la clase B tuvo una desviación típica de1'2.01 si el valor muestral de pues.EI6 al nivel de significación del 0. vemos que tampoco podemos rechazar.4. ¿Podemos concluir al nivel d-e significación del (c) 0. sr g.05 y (b) 0. 24 grados de libertad (véase Apéndice F). se rechaza .0 onzas. sz :12 de modo -que G? = . no se rechaza.serechazarálahipótesisfl6si?fuesemayor que ú.01.25 onzas.Por tanto .8g.EIe al nivel de vel de significación del 0.1 : 19 grados de libertad. 9tt" 4'rn.72.É16 al ni- Se deduce que la variabilitlad se ha..máqlLlina era de 0.er:z.74 eí Entonces. f ( F. Vz:26-L=24._Lr'? = if Itr¡ (e)2 = 86.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.01.oz. ENSAYOS RELACIONADOS CON LA DISTRIBUCION CHI-CUADRADO 7. Un instructor tiene dos clases.v2 = 24 tenemos del Apéndice F.01. 4 = . p. F. ENSAYOS RELACIONADOS CON LA DISTRIBUCION ¡' 7-2L.25 onzas. que es igual a 30. (b) 0.Ffs al nivel de significación del 0. Se deduce que el incremento en la producción de trigo alttilizar el fertilizante es probablemente significoúiuo.01? Hay que decidir entre las dos hipótesis: Ho: o :0. A y B.Alnivel 0.05.Z5l2 = 82. Entonces. En el mismo examen. Una muestra aleatoria de 20 paquetes dio una desviación tipica de 0. ¿Es el aparente incremento de va¡iabilidadsignificativa al nivel de signifióación del (a) 0. que ás igual a 36. lo cual para22 grados de libertad esL. se rechaza.05. (b) Ya que f'. = E = *n@ = r. se rechazará. empleando eubíndices 1 y 2 para las clasee A y B respectivamente.e5. se rechaza ^Ef6 al nivel de significación del 0. muestras en cuestión.nn no podemos techazar ff6 al nivel 0.32)2/(O. LaclaseA tiene lGestudiantes en tanto que la clase B tiene 25 estudiantei.25 onzas. sería deseable tener alguna prueba más.05.?0.cAP.LL para 15.01 paraZ¡ = L5. pues. aunque no hubo diferencia significativa en medias de las calificaciones. .ee : 2. Sin embargo antes de sacar conclusiones definitivas referentes a la conveniencia del fertilizante. llenados por una. El número de grados de libertad para las clases son respectivamente rr¡ :16-1:lb.06. (o) (b) Mediante un ensayo unilateral. en una asignatura específica.1 para v : 20 .!4 = '*rrrr'= 1Eo Hay que decidi¡ entre las dos hipótesis : o ¡ = o2.tá h. ¡12 fuese mayor- Mediante un enaayo unilateral. ya que Ad F( F . probablemente incrementado.

Con referencia al Problema 7 . ¿cu6l es la probabilidad de aceptar la hipótesis de que la mohecha cuando la probabilidad real de ca¡a es p : Q.6)=60 ú = lnpq = 60. rOalculada en el Problema 7. sino solamente si hay una variabilidad en las calificaciones.8.18 yz : O. En la práctica se pue' den presentar otras dos posibilidades: (I ) Se decide sobre c (tal como O. En el diagtama se ve claramente que la probabilidad de acepLr .4) = 4.2L no inüeiresa su¡ valoree.5 caras Fig. está dada por el área rayada p de la iigura.5 en unidades ' = : r/"pq 60.6.2 es decir.5 en unidades tipificadas = 39.90 4.7 (es decir.232 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. esta á¡ea d.07 -6.7)=70 60.J? neda está bien La hipótesis ff6 de que la moneda está bien hecha.58 tipificadas = üipificadas - = = : -2.5 4.5. La probabilidad de rechazar Ffe cuando debería aceptarse (es decir.6. (c)p :0.2(ol. llegando a una regla de decigión (2) Se decide sobre Q y P y después se llega a una regla de decisión.66 to'l. y después se calcula p.23 si (a)p:0.90 V(100)(0.18 Entonces 9: área bajo la curva normal entre z : -4.23.0192 Así.5 39.2L si existe una diferencia significativaenla media de las calificaciones de las clases? Justificar su solución. (a) Sip : 0. .6)(0.9' (d) P : O-4. entonces la distribución de carag en 100 lanzamientos eetá representada por la curva normal de la derecha en la Fig. cuando realmente P : 0. Esto es de esperarse ya que no estamos tratando de decidi¡ si hay una diferencia en las medias de las calificaciones.O1). ¿Canbiarían sus conclusiones en eI ProblemaT.24.7-6 Si la probabilidad de cara es p : 0. probabilidad de error del Tipo I) viene: dada por el área toüd c de la región sombreada ba.7 39 5 caras 60.ó y 60. pues.5 p=o. Solucionar el Problema 7.jo la curva normal de La izquierda en la Fig. 7-6. se acepta cuando el p = 0. con la regla de decisión dada hay un gran riesgo de aceptar la hipótesis de que la moneda está bien hecha cuando realmente P : 0. Para calcular esta área se obeerva que la distribución bajo la hipótesisp : 0.O5 ó O. (b)p : 0.? . con la regla de decisión dada hay muy poco riesgo de aceptar la hipótesis de que la moneda eetd bien hecha.3) = 4.99 60.? tiene una media y una desviación típica que Bon dadas por p=np=(100)(0.7.0358.5 en unidades 39. probabilidad de error del Tipo II).58 = 70 y'6oo)(oJ)(0. ?-6. que representa el nivel de significación del ensayo de lfe.¡O tn Entonces I: áteabajo la curva normal entre z --6'66 y z -2-O7 : 0.22.5 4. la media y la desviación típica de la distribución de caras vienen dadas por !=np=(100X0. es igual a 0.tO2: 0. Adviértase que en este problema se tenía la regla de decisión de la que se obtenfa c y p. número de caras en 100 lanzamienüos se encuentra entre 39.Efs cuando realmente p : 0.7 7.6 p-0. CURVAS CARACTERISTICAS DE OPERACION 7.5 en unidades tipificadas = - 60 60 = = 0.5405 Asi pues. ?.6.102 -4. Puesto que la media real de las calificaciones no se usó para nada en el Problema 7 .

(d) Porsimetríap = 0.0192 0.se gla de la decisión o enoayo de hipótesis.0000 0.12 p: área bajo la curva normal entre z : -10. (b) ( 1 p ) y p. 7-z (o) El gráfico p. 1c) Comparando con (b) o por cálculo. Interpreta¡ los gráficos obtenidos. comolorobtenidosenlosProTabla 7-3 p B 0.9 0.7 0.5 cuando realmente p tiene un valor distinto a 0.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION y'(100X0-S)(0¿) 233 =¿.enüoncea p=np = (100)(0.8.25.24 construyendo un gráfico cuyos ejes sean (a\ I y p.88 = 0.5405 0.5 se puede interpretar p como la probabilidad de acepoar p : 0'5 cuando debiera ser aceptado. Representar gráficamente los resultados de los Problemas 7.0358 :0. Be ve que sip = 9.09ó8 al nivel de significa- En general.9: 0 pa¡a todos los propóeitos prácticoe..8 0.8 0.5.0000 muy aproximadamenüe. el apuntamiento mayor de la curva OC es la mejor regla de decisión pa¡a techazar hipótesis que no son válidas.0192 0.3 02 0.6 0.0000 la Tabla 7-3.6 0.9642 0.23y 7.0 0.1 0. (b) Sip=0.5 en unidades tipificadaa 39./nW= 60.2 0.9 1.t"p:0. Sin embargo. si realmente'p : 0.(a).6.9642 y ha eido introducida en - L-p 1.4 0.5405 0.12 y z -4. .? 0.4 0.88 -10.8) = 80 y o=. 7-1.cAP.4 da el miemo valor deÉq.2 0. La Tabla 7-3 muestra los valores de p correspondientes a valores dados dep.9 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 : 0.0000 0.6 0.9.5 0.5405.1 06 0{ 0.24.6 en unidadeb tipificadas Entonces = ry = q9? : = = -4.0000 0.23y7. blemas7.8 0. p ee muestra en la Fig.6 0. 7. Nótese que p representa la probabilidad de aceptar la hipótesis p : 0.eedecir.p:0.3 0.0 0. Esta probabilidad es igual a 1 0.1 0 0 (a) (D) Fig.3 0.

tiene la siguiente regla de decigión (referenüe eon la Fig. X>300+3(2. Constmir (a) una curva OC v (b) una cun¡a de potencira para ei Problema 7. Razonando análogamente a como se hizo en el Problem¿ 7. : -1.310 libras es cierta.33) =30?.01.Enton= "lr/ñ 24/\/u Así. I¡ cantidad (l .e potencia.P). en caso contrario. ?-8): (t ) Se rechaza lle si la e de la media de resistencia muest¡al es riayor que 2. (c) Diseñar una regla de decisión para rechazar el proceso primitivo al nivel de significación del 0. 7-9.9qo. (2) Se'aceptqlfq pue¡to 'que z = cessi Z>2. Se cree que mediante un nuevo proceso de fabrica- puede inc¡ementarse la resistencia media. p ¡e muestra en la Fig.J = 't.158?.0 lb. de modo que realmente ambos gráficoe aon equivalenüee. se puede hdla¡ p para loe caeor en que el . de aquí que A - 310)/3 = Fig. que debieran ser rechazadas.p) ¡e llama a menudo función d. Esta es Ia probabilidad de aceptar Ho: ! : 300 libras cuando realmente es la probabilidad de comeüer error del Tipo II.0 tb 307 tb 3r0 lb -1. es decir. Se acepta ^Éfs en caeo contra¡io. ae quiere decidir enhe las hipótesis: Ho: U: Ht: ! ) Pa¡a 300 libra¡. ? ) E gráfico (1 . i 800 *sz. (b) Bajo la regla de decisión adoptada en (a). La cantidad p se llama tambiénfunción caructerístico de operoción de un ensayo. bajo la curva normal de la derecha a la izquierda de z dect. es 7.33. H t : ! -. ¡e llama curua de potencio de la regla de decición o ensayo de hipótesis.0 libras. 7-9.27.00 = 0. Para hallar su valor nótese que 307. la regla de decisión anterior se convierte en: (I ) (2) (ó) Se rechaza 116 si la reeistencia media de 64 cuerdae excede a 30?.26.7-9 = iren. Una compañía fabúca cuerdas cuyas resistencias a la rotura tienen un valor medio de 300 li bry" y una desviación típica de 24libras. 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. suponiendo que la desviación típica de las ¡esistencias se mantiene en z4libras. y el nuevo proceso es igud que el primitivo 300 libras.26(br. y el nuevo p¡oceso es mejor que el primitivo se un ensayo unilateral d nivel de significación del 0.0 libras en unidade¡ tipificadas : 300 (307. Si ción (a) ! es la resistencia media.00. respectivamente con las distribuciones normales de la izquierda y de la derecha de la Fig.234 (D ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. 7 -7 (b).33.01 si se pone dé manifiesto qu¿ debe rechazarse al ensayar 64 cuerdas. ¿cuál es la probabilidad de aceptar el proceso primitivo cuando en efecto el nuevo proceso incremente la resistencia media a. y (Ht: tt: 310 libras).26. 7. *r. Considérense las doe hipótesis (Ho: bras) Las distribuciones de las resistencias medias correspondiente¡ a estas dos hipóteeis se repreeentan.310 libras? Supóngase que la desviación típica se mantiene en z4libras. Esta curva ae obtiene ¡encillamente invirtiendo la curva OC. puesto que indica la aptitud o potencb de un ensyo para rechazar hipóüesie que son falsas.

0 libra¡ en unidades tipificadas: (307.5) mediante un número de lanzamientos de la moneda.0 B 0. la curva baia ró- pidamente hacia cero.0038 320 0.6 6 p f 0.7-r0 (¿) La curva OC se muestra en la Fig.l (excepto para el nivel de significación del 0.?4Eo De esüa forma se obtiene la Tabla 7-4.0 . Por ejemplo. etc.305y9 = 0. Eeepués. Determinar el tama¡1o mínimo de muestra necesario y enunciar la regla de decisión resultante.5 en 0.6? : 0.1687 316 0.7486 3r0 0. p > 0.7 0. ri ¡r tonces 307. La eituación planüeada se ve gtáficamente en la Fig. límite al riesgo de error del Tipo I Por ejemplo.5 0. AquÍ y Tipo II.0000 300 305 0. mientras que la restricción (B) requiere que la probabilidad de error del Tipo II eea a lo sumo 0 : 0. por encima del cual se rechaza la hipótesis de que p : 0. 7-11 se tiene: . Tabla 7-4 tt 290 1. p : 0. Para ensayar la hipótesis de que una moneda está bien hecha (es decir. la restricción (A) impuesta requiere que la probabilidad de error del Tipo I sea a lo sumo c : 0.6?.9 0. (b) La curva de potencia se ve en la Fig.1 p (lb) 300 300 3to 3t5 (o) (ó) Fig.05. se desea imponer las siguientes restricciones: (A) la probabilidad de rechazar la hipótesis cuando sea realmente conecta debe ser a lo sumo 0. en- 9: i¡ea bajo la curva normal de la derech¡ a la izquienda de z :0. 7.1 0..0000 p 0. De la Fig. En esta curva 6e ve que la probabilidad de seguir con el proce' so primitivo.2 0.28. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 235 nuevo proceco da un¡ resistencia media ¡r igual a 306 librar.9900 L1.4) debe ser á lo sumo 0.0000 296 1. (¡) U probabilidad de aceptar la hipótesis cuando realmentep difiera de 0.6 0. de modo que no hay probabilidad de aeguir con el proceeo primitivo cuando la media de resistencia es mayor de 316 libras. se ha puesto Denótese por n el tamaño de muestra pedido y por ¡ el número de caras en los n lanzamientos. ya que lae dog curvag eon esencialmente equivalentes. sepuedenobtenerdeellalaomismasinterpretacionesque de la curva OC.05.01 cuando el nuevo proceeo da una media de 800 librar). 315 librae.05. y de aquí - 396 librae.05.7-10(b).8 o.1 o más (es decir.cAP.7-11.5.¡ o. si el nuevo da una resistencia menor de 300 librar. ?-10(o). es piácticamente.

la moneda al menos B1g veces. el procelo está bajo control.5 : . (b) S€ rechaza la hipótesis + 17 .29.0. Por tanto un promedio ponderado de todas estas probabilidades. automáticamente tomarÍamos como 0. Se construye una máquina que pr-oducfuá cojinet€s de bolas teniendo un diámetro medio de una desviación típica de 0.73% de O. (o) Diseñar una. Sin embargo.05.025.584 pulgadas. (2) es una cantidad muy aproximada.0'6n Realmente el área entre -f.96 r ó (Sl u. Cuando un punt'o se rale de estoe límite¡ control (tal como en la tercera muestra tomada el jueves). es 0.Haciendo n : 319 en (3) o (4).008yn=6.574 . hay la posibilidad de que falle algo y se precisa una invesüigación del posible fallo.5.5 en caso contrario.564 y 0.re'presentaría grárticamente la regla de decisión de (a).674..el 95V".4r rtñ- (n. es 0. se debe lanzar p - 0.6. pueden igualmente determlnarse otros lfmiües de confianza.ít/n Vnpq= "- :0.05 en el "peor de loc casos". .O\4\'\/E) o Con confianza del 99 .7 3% se puede decir que la media muestral X debe estar denüro del intervalo (p¡ entre cae a m p ¡t:0.05. Los límites de control determinadog anteriormente se llaman límites de confianza del gg.6 a la izquierda ae es 0.4 a 0.5. En tanto que los punüoe se encuentran entre los límites 0.6 n- 0.5\/n De 0.49{n vnpq = '--.6n 0. La elección en cada caso depende de la¡ circunetancias particulares del tnismo. e¡ decir. Para determinar si la máquina esconstruida para el fin que se destina. Se sigue que el tamaño de la muestra debe ser al menos 31g. se adopta la riguiente regla de decisión: (o) Se acepta la hipótesiep:0.) Eláreabajolacurvanorrnalp:0.7 BVo o brevemente lfmite¡ 3o. Para decir.49\/n n = o.6. = 0.584 pulgadasi ee supone que la máquina es a- (2) De otro modo. L7 . Obeérvese que tomando la probabilidad de aceptación como De(/) x . Así pues.seeigueque I se encontrará entre (0.6 r¿ * 0.5. (o ) 3o¡) a (p¡*3o¡) con el 9€. 7 0.014l\/6\ y (0.98. p = 0. (b) Mostrar cómo se..6 n Y x - 0. y se obsen¡a el diámetro medio de la muestra.9É!= -r.008 pulgadas. ? (f. 7'l2. muestrales puede tlevarse por medio de un gráfico tal como ee muestra én la Fig.5n = 1.806y'-n es De (3) y (4).n: 318.0. se toma una muestra de 6 cojinetes ejemplo.564 a 0.9801fa- e'¡ 9-. que representan la probabilidad de error del tipo II.Saladerecha a" 7 (9) El área bajo la curva normalp 09" O. tales como los límitee d'el 99% o d.o:0.05 o menoa. GRAFICOS DE CONTROL DE CALIDAD 7.645 ó (t) o.llamado grófico de control de colidad. .524 * Puestoque De aquí que la regla de decición eea como sigue: (l ) Si la media muestral decuada para el trabajo pedido.egla de decisión mediante la cual se puede estar razonablemente cierto de qúe la calidad del producto esüá de acuerdo con las noÍnas requeridas. la máquina (b) Un registro de las medias no s€rú adecuada y habrá que buscar la razón de su ineptitud.5.4s 1/A 0. también s€rá 0.05 o menos cuando p tiene cualquier otro valor por fuera del recorrido 0..236 ENsAyos DE Hrpornsls y sIGNIFrcAcroN lcAP.x :177. dentro del intervalo 0. enfte 742 y 177 si el número de carac en Slg lanzamientos está dentro del recorrido 159. Cada vez que se observa una media muestral se representá por un punto en el gráfico. ¡- np :1-77 - 159.r) - 0.

2 t44 342 287 164 25 7..3162 0.494.(0. Tabla 7-5 Número de caras (r caras) Frecuencia esperada Frecuencia observada 38 0 1 0. 7-12 AJUSTE DE DATOS A DISTRIBUCIONES TÉORICAS 7. x F a os74 a a a t I a : o 0 s64 o Fis. página 178.1507 0.43. La bondad del ajuste se estudia en eI ProblemaT. dondep y q son las probabilidades resy sello en un solo lanzamiento de la moneda.47 rooo Igualando las medias teóricas y real se tiene 5p da viene dada por /(r) = .C. Para la distribución de frecuencias observada. .9 ó 162 316.7 ó 309 150. Se tiene P(x caras en una serie de 5 lanzamientos) : f(¡) = sCrprqs-".47 6 p :0. Utilizar papel gráfico de probabilidad para determinar si la dist¡ibución de frecuencias de la Tabla 5-2.¿94)¡(0.30.3087 2 3 ^ 0.0294 5 6 33 161. : 2.506)5-¡.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 297 Lunes Martes Miércoles Jueves Viernes $ € bD osal 1} a a t ü {. página 163 puede ajustarse a una distribución normal.30.7 ó 151 29. El ajuste se observa que es bueno. la media del número de caras es 2fr_ / _2470=2.4 6 29 33.31. Así pues.cAP.1619 0.0332 0.2 ó 316 308. La media del número de caras es ¡. la distribución binomial ajusta- En la Tabla 7-5 se han obtenido estas probabilidades así como las f¡ecuencias esperadas (teóricas) y las observadag. Ajustar una distribución binomial pectivas de cara a los datos del Problema 5.1: np : 6p.

35 y 5. se observa que hay una distribución normal que se ajusta e¡trechamente a los daüos. Después. Multiplicando lo¡ valores de la quinta columna (que representan las frecuencias relativas) por la frecuencia total n (en e¡te ceso n = 100).40 respectiva- La cua¡ta columna. Par:a.4920 0.72 -1.2771 0.6 74.grófico de probabilidad eepecial.41 0.5 7¡.6 menor que 64.2068 6L65 6&68 69-71 68.44.68 6 2l 38. El grado en que los puntoe así dibujados ee encuentran sobre una lÍnea recta. las frecuencias relativa¡ acumuladas expreeadar en porcentajes. como se muestra en la Tabla 7-6. dadas en la quinta columna.92 pulgadas (x mente El trabajo puede organiza¡se como en la Tabla 7 -7 . .0 Io a E ql € ó a () 95 90 80 70 Q0 a (t 6 . caicular e de los límites reales de clase.7L 6 28 7.5 menor que 70.5 66.E 50 40 30 20 Primero. ?-r3 hoblema ?.6? 0.5 7L.4177 0. como se ve en la Fig. determina la bondad de ajuste de la distribución dada a la distribución normal.0 92.t3 D 18 42 27 8 ñ. son pasadas sobre los límites reales superiores de clase.0413 0.a -2.43 ít 7 4.6 menor que 67.0 65. De aquÍ se sacan las áreas bajo la curva normal entre los valores sucesivos de ¿. 7.tlls.92 ó 39 27.5 62.6 68. Y se pone de manifiesto que ee ajuetan ba¡tante bien con las frecuencias observadas realmente.39 2. en un papel. Véase o a I É to 5 o a d E 62. ? 76 Frecuenei¡¡ Estatun (pulgad¡¡) menor que 61. donde la media i y la desviación típica 6 se han obtenido en los Problemas 5.238 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla [cAP. Por lo anterior.46 pulgadar. 7-13.5 7t.6 ¡¡+ 0.0743 72-74 6 4 20. se rutiliz. 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).70 -0. se obtienen lae frecuencias esperadas de la sexta columna.3892 0. La "bondad {el ajuste" de la distribución qe congidera en el Problema ?.5 oD.0 100. La¡az6¡ de esto se ve claramente con un diagrama. página 163. = 61. la distribución de frecuencia¡ dada se convierte en una di¡tribución de frecuencia¡ relativas acumuladas.6 Rcl¡tiv¡¡ Acumulada¡ (%) 6.z z = .6 &tatura (pulgada¡) Fis.32.0 23.36 1. s = 2. Ajustar una cunra nonnal a los datos de la Tabla 5-2. 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. anotadas en la última eolumna. que da las áreas bajo la curva normal de 0 a z se obtiene con la tabla del Apéndice C.32.6 menor que 73.

* : P(r accidentes) 1118 2 7 o.47 0.60 hipótesis de que la moneda está bien hecha al nivel de significación del 0.1. la varianza d : L.34. < 6. Para una verdadera distribución de Poisson.CAP. Entonces. durante los cuales r autos tuvieron accidentes en una ciudad.56 6 ó 20 18 8 2 1 0. Las frecuencias de caras y sellos observadas son.63.o loe números teóricos de días en los que ee presentarán ¡ accidentes (obtenidos multiplicando las correspondientes probabilidades por 50). puede ser esto un indicio de la adaptabilidad de la distribución de Poison a la muestra de datos. (b) 0. La Tabla 7-8 muestra el número de días f durante un período de 50 días. Entonces. hi' la ) El valor crítico xlso para 1 grado de libertad = 6. En 200 lanzamientos de una moneda se obsen'aron 115 caral¡ y 85 sellos.3 y 4 accidentes de esta distribución de Poisson.30 8. LA PRUEBA CHI.24 2. 100 sellos) es h:2.84.0111 4 6 6 ó Nótese que el ajuste de los datos dados a una distribución de Poiseon es bueno. blemente bíen heclu.36.05. puesto que 4. .eo Entonces.'12 ¡ 85. np2 : tOO.4066 0. de acuerdo con la distribución de Poisson. véaee método 1 del Pro" blema 7. Tabla 7-9 Número de accidentes.50 .2.rj días. Comparando con el valor de \ : 0.9?. El cálculo de la varianza de la distribución da' da. Para conveniencia de la comparación. > 3.0494 0.01.33.np)z npt npz - (115__100)2 Pueeto que el número de categorías o clases (caras. respecti- xz = (o) El valor crítico (b @t:lptlz -(rz:. Ensayar la hipótesis de que la moneda está bien hecha con un nivel de significación del (c) 0. puesto que 4.50 pótesis de que la moneda está bien hecha al nivel de significaeión del 0.3659 0. ?] ENSAYOS DE HTPOTbSIS Y SIGNIFTCACION Tabla 239 7-t 7. El número medio de accidentes es Número de I Número de accidentes. da 0. Entonces y eeüos esperadas si la moneda está bien hecha son np : 100.90 hallado.f 0l2r + : (21)(0) '50 (18X1) + (7X2) + (?liQ_l q)(a) = . a¡í com. la euarta columna que da los números de días observados se ha repetido. 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. 313 {11 = Iq"+ill En l¿ T¿ble ?-9 aparecen lae probabilidadee para 0.01.v: + (85:!00)2 = 100 h 4.33 I 2 3 18.CUADRADO ?. 0 r N(rmero de dÍasr Número de días obsen¡ado 2L 18 7 3 1 {r accidentes) 0. se rechaza la xlo¡ para 1 grado de libertad es 3.05. Las frecuencias de caras vamente.84.7:2 -L = l. respectivamente rr = 115.63.1647 espeado 20.. Ajustar los datos a una distribución de Poisson.

1.g. se rechaza la hipótesis de que la moneda eetá bien hecha.34 mediante la aproximación normal respectivamente. 115 o más caras equivale a 114. (16_20¡z _ *--lO-+ +ñ=5.34 utilizando la corrección de yates. (185 _ __ 1001 Í4.34' Esto Con un nivel de significación del 0. véase método 2 del Problema 2.v:h-1-:6-1:b. 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)2.96 a 1. Nótese que el cuadrado del valor anterior. de nuevo en consecuencia del Problema 4. de modo que X2 : 5.5 en uni: (114. .00 la hipótesis de que el dado está bien hecho.34 que la hipótesis se rechaza al nivel de 0.84. La Tabla 7-10 muestra las frecuencias observadas y esperadas allanzat un dado 120 veces. 115 caras en unidades tipificadas Bajo la hipótesis de que la moneda está bien hecha. (rs-np¡. Esto conduce a las mismas conclusiones que por el primer método.0.35.5)z = _100 )_ (L[. Solucionar el Problema 7. Con la corrección para la continuidad. (23-20)2 +--lO . la media y la desviación tÍpica del número de caras espe- : (l1b -lOO)t7.S¡(0f)--7.4.240 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. Método 1. radasen200 lanzamientosdelamonedason¡r=np=(200)(0. ^-------::-:-.5)z _ . a la distribución binomial.36.86. Método 2. si el valor de z está fuera del intervato -1.5)2 .-nps)2 (ra-npe)2 < 11. Véase Problema 4. Entonces 114. no se puede rechazar Para 5 grados de libertad x%s: 1. es igual al valor de ¡2 corregido con la corrección de Yates p¡ra la continuidad del Problema7. (24-20\2. (rz-npzl2 .s)z = 100_ 100 tt q^< 4.npr o _ (rt-np)2 .60.15. dades tipifica¿¿5 : 4.20.7OO)17 .15. 7. solucionar el Problema 7.ema se cumple siempre que la prueba de chi-cuadrado comprende dos categoiías.05)2 7 -37. El valor crítico a2e5 para 5 gados de libertad es 11.zvb Puesto que 4'205 > 3. ? 7.00 20-+ n 20 Puestoqueelnúmerodecategoríasoclases(carasl.07.86.58. Con un nivel de 0. x2 (conegida) = = (lzt - nptl nPt 1001 0'5)z + !1""- np2l npz - 0'5\2 (1115 - 100 _ 0. (rr.01. De ello se sigue que la concordancia entre ambas frecuencias no es tan buena como para no dudar de Io deducido. Se sigue como en el Problema 7.5) =100yo=1fipq=/IZOO¡O.b8 a2.93_4)' _(15-20\2 .00 > 1.05 pero no al de 0.96. Esto se cumple siempre que la prueba de chiruadrado eomprende dos categorías y se aplica la corrección de Yates.07 :2.01 el intervalo sería -2.1. (rt-nptl2 .O7 : 2.86.06.63 se deducen las mismas conclusiones que en el Problema ?. Nótese que el cuadrado de este valor. es el mismo valor de X2 obtenido en el probl. (2. 7.L2. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación del 0. (ZJ2)2 : 4. Entonces. Pa¡a una comparación con los métodos a4teriores.5 .2o5 < 6.5. puesto que 5.)z .05 y un ensayo bilateral.6)esh:6.2.05.84 y 4.35.5 o más caras.

.75lisosy amarillos tol..81.ss= = 3. amari'llo y verde.3. de modo que no se puede rechazar la teoría al nivel de 0. De modo que aunque el acuerdo es bueno. De acuerdo con su teoría. 108lisos y verdes.38.zS lisos y verdes Struol = frtssol 104. 4 amarillas y 1 verde.76\2 3t2. 9 que se da en la Tabla 7-11.352 y X2 :0. . Una tabla de números aleatorios de 250 dígitos mostró la distribución delosdígitos 0.01. ¿Hay alguna evidencia que permitadudarde su teoría al nivel de significación del (a) 0. que la Nótese que para 3 gtados de libertad.76 *W = 0. teoría y los reeultados del experimento están de acuerdo. Para evitar esto se agrupan las categorías de modo que los núme¡os esperados en cada categoría sea al menos 5.se esperarían fttssel = -- 312. (b) 0. Se deduce que cabe sospechar alguna tendencia no aleatoria en dicha tabla de números. . ?. naranja.4?O > 0. ?.. Se deduce pues.26 rugosos y amarilloe B4.7. estos números deberían presentarse en la proporción 9:3:3:1.05.zb rugosoe y verdes ft Entonces tssol = x2= (o) (b) Para v Para v (3L5 3L2. En los erperimentos de Mendel con guisantes.'nr parav: h -1:9 gradosdelibertad es21-.cAP. 101 rugosos y amarillos y 32 rugosos y verdes. de modo que no se puede rechazar la teoría al nivel de 0.01. obseryó 315 lisos y amarillos.2.01. cabría esperar 3 bolas de cada clase en la muestra de 12 bola¡.como 23. Puesto que eetos números esperados Bon menores de 5. x2. x?ss: 11. ¡$5: 0. ¿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. 7.g El valor crítico d" x. Una uma contiene un gran número de bolas de cuatro eolores dife¡entes: rojo. la aproximación de chi-cuadrado será errónea. r ry = 2s. Ensayar la hipótesis de que la urna contenga proporciones iguales de los diferentes colores.L. .7I ENSAYOS DE HIPOTESIS Y SIGNIFICACION 241 7. 5 naranjas.470 Puestoquehaycuatrocategorías. Una muestra de 12 bolas extraída aleatoriamente de la urna dio 2 rojas.3 >2!3 sededucequeladistribución observada dífiere significativamente de la esperada al nivel de significación del 0.39. : 3.05? El número total de guisantes es 315 + 108 + 101 + 32:556. Bajo la hipótesie de que la urna contiene proporciones iguales de los cuatro colores.h=4yelnúmerodegradosdelibertadesv=4-1=3.Qe-2512 try+ . loe resultados obtenidoe están sujetoe a unh razonable influencia de error muestral.352.40. Puesto que los números esperados están en la proporción 9:3:3:1 (y 9 * 3 + 3 + 1 : 16). .

de aquí que cuando no sea aconsejable agrupar frecuencias se debe recurrir a los métodos exactos de probabilidad incluyendo la distribución multinomial. se tiene x: = 0qj:_6Fo.05. .84. Sin embargo. se agrupan las categorías de forma que la evidencia en contra de Ia hipótesis se muestre claramente. ¿Es el resultado consistente con la hipótesis de que el nacimiento de varón y hembra son igualmente probables? . Ento¡-. "Siete" se puede presentar de 6 formas y "once" de 2 formas. se duda acerca de la decisión que se debe tomar.05(aunque sí se puede al nivel de 0. En general.1. lo mejor quizá sea incrementar el tamaño muestral haciendo más observaciones si se está interesado de una manera especial por alguna razó¡en el nivel de 0. = siempre reduce el valor de ¡2 . z. En tales casos.42. respectivamente.-ss:3. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación de 0.10).tz. Así pues.ces P("siete") : 1/6(360):60 veces 6/36 : 1/6 y P("once") :2136: 1/18. no se rechazaría la hipótesis al nivel de 0.05. pues con la X2 corregida. aun Otro método: Utilizando la corrección de Yates. = - 60l 60 - . se rechazaría la hipótesis a algún otro nivel (tal como 0. (5-e)z .05. se observaron 74 veces "siete" y 24 veces "once". de modo que (74-60)2 . empleando la corrección de Yates.. Un par de dados puede caer de 36 formas.Desgraciadamente. la aproximación ¡' para frecuencias pequeñas es pobre. = ry. 7.) x2 _ = -6-. se obtendría ¡2 a pesar de que las frecuencias sean dema- (2-3¡z .0. Puesto que el número esperado en cada categoría bajo la hipótesis de iguales proporciones es 6.5)2 #-g*): = 3. (4--3)2 .x2l)s==3.rP. para las que la muestra dio 3 y 9 bolas.10).0?>3.:-:_+r::__-::_:sis de que los dados estén X¿ 4.41.81 sellegaríaalasmismasconclusionesqueantes. En 360 lanzamientos de un par de dados. x' _ (1 -3¡:r ooo Puestoqueparav=4-1:3. 7.ü. De otro modo.Entonces. para grandes muestras tales como las de aquí.puestoque4.:?.07 Parav:2-1:7.5)2 (124 - 2ol - 0.84seestaríainclinandoarechazarlahipótebien. l)na encuesta sobre 320 familias con 5 niños dio la distribución que aparece en la Tabla ?-12. Sin embargo. se tiene (9 ^cuando las proporciones de los colores sean iguales. (24-20\2 . Esto cabía esperarse puesto que la corrección de Yates Debe ponerse de manifiesto que si se emplea la aproximación de siado pequeñas.r que conduce a las mismas conclusiones anteriores. los resultados que se obtienen utilizando la correc- ción de Yates son más dignos de confianza que los resultados no corregidos. - e¡z -9 Parav:2-l:1. en 360 lanzamientos cabría esperar "siete" y 1/18(360):20 veces "once". se tiene (174 (correglda.84. ? Si se desea rechazar la hipótesis. Esto se consigue en nuestro caso considerando las categorías "roja o verde" y "naranja o amarilla".xjr¡. puesto que incluso el valor corregido de y2 se encuentra cerca del valor crítico.(ig:lf-!éE. Los resultados observados pueden imaginablemente deberse al azar.242 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.Asínosepuedetechazrlahipótesisalniveldesignificacióndel 0.65 De acuerdo.

TABLAS DE CONTINGENCIA 7..:z . v = k . Para y : 4. x2.05.212. Bajo la hipóteeis nula lfq de que el suero no tie' ne efecto. Asf'puesto que X2 = 7 .103.?)2. 100.1 .-.(26-29.32.30.99. .x2.?)2 .!. De aquf queel ajuste de creerse. cabría esperar que 70 individuos de cada uno de los grupos Be recuperase y 30 en cada grupo no se recuperase. el ajuste no es "demaiido bueno".4.49.01...412_ -58:t-- . el ajuate no es tan bueno como pudiera = 4. x.. 7. 50.92 27.i". . (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.---r¡If. puesto que X2 = 0.3.os= 5. x.1 para y:61:6gtadosdelibertad. .m : 5 . Se deduce que el ajuste de los datos es muy bueno. v : k .103. BONDAD DE AJUSTE ?. 100.13 utilizando la prueba chi-cuadrado.-El: . Así se deduce que los reeultados son probablemente significativos y el nacimiento de varón y hembra no son probablemente iguales.(287_308.yg:1-p:probabilidaddenacimientodehembra.?11.45.1 .43 20. lag cla¡ificaciones 8on independientes.sss:15.2)2 .1 .m : 6 . (4 niños y 1 niña). (164-150.cA¡.13 *(18-2-0:68)2 *(a2:^-39=92\2-(27:3ft7rl2 *(8:?'j13)z:0.=--_a6---_Eñ-----Jó¡-----i6b--_-Ed.9)2 . Pa¡a rr = 2. pero no al 0. es decir.^ _ (18_10)2 (56_60)2.(342_316.2 : 2. Entonces.os:0. .(L44_161. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla ?. 2.1 : 4. .?11.44.L . Para v : 2 (que son la me- = 2. La¡ condiciones del problema se presentan en la Tabla ?-13.12 243 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 ."..--_-16-_¡&. (110_100)2.Entonpiobabilidadee de (5 niños). .= (s8_33.1y0 niño¡seobtienemultiplicandolasres' (40-50)2.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. Adviértaoe que ¡fo es equiyalente a afirma¡ que la recuperación eeindependie¿úe del empleo del suero.--lóo:t- .64 > O. pectivas probabilidades anteriores por 320.serechazarálahipótesisalnivel de significación del 0. Seap:probabilidaddenacimientodevarón. De aquí (8_10)2 _.-r3)2 .7t Puecto que el número áe parámetros empleadoc en estimar las frecuencias esperadas es m dia g y la dewiación típica o de la distribución normal).959 > 0. 50.43. 10. . como 8e indica en la Tabla ?-14. Determina¡ la bondad de ajuste de los datos del Problema 7. Solucionar el Problema 7. Utilizar la pmeba chi-cuad¡ado para determinar la bondad de ajuste de los datos del Problema 7.959 7.U Puesto que x:e5:11.68 38. xL¡s:0.1 y x. (88_100)2. Para V 1 (que er el pará- los datos es muy bueno.--I¡Ié- . "!ü Puesto que el número de parámetros utilizados para estimar las frecuencias esperads e8 m metro p de la dietribución binomial).z = 6 4. X?ss = 9.---T08J. y los reaultados son 10.

que es igual a la¡ dos dadas anteriormente. ya que la corrección de Yates siempre disminuye el valor de ¡¿".05 utilizando X" equivale a rechazar esta hipótesis con un ensayo unilateral al nivel de 0.30\2 (36 *ffi = 2'38 Tabla 7-16 Para determinar el número de grados de libertad. Asf pues.45 son también válidas aquí.5)r .e5óx{-x. 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. se deduce que lob resultados no son significativos al nivel de 0. Tabla ?-16 FRECUENCIAS OBSIERVADAS Sr. Se No ¡e recuperan recuperan TOTAL 100 100 Grupo.5)2 . al rechaza¡ una hipótesis al nivel de 0.profesores son iguales.ss : 3. De modo que hay un grado de libertad. or^_. Está claro que solamente se tiene libertad lara colocar un número en una de las cuatro casillas vacías. porejemplo. (125-301 -0. = I. Y y Sr. X Sr.47. 7. Esto podría haberse visto rápidamente. ? Tabl¡ 7-14 FRECUENCTAS ESPEBADAS BAJO Ho Se re. Z. drado Cel valor de z.05. _ ¡¡ (corre(rda) = (i75 -70\.38 es el cuadrado del valor de z : 1. Nótese que X2 : 2.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. X.0.vó Obteniéndose que las conclusiones del Problema 7. pero en la que solamente se han puesto los totales.84. Sr. Ensayar la hipótesis de que las proporciones de estudiantes suspendidos por los tres . En la Tabla 7-16 se indican los estudiantes aprobados y suspendidos por 3 profesores: Sr. 200 140 30)2 o _ (75 x-1rc-?o70)2 - 70)2 .!t_.46.13 FRECUENCIAS OBSERVADAS Se re.38 < 3.10 uüilizando z.54.244 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla 7.84 para 1 grado de libertad y puesto que ¡2 = 2. conaidérese la Tabla 7-15. ^.A Grupo B TOTAL 140 60 200 Puesto eue X.13.^se sigue que X er lo mismo que z en este caso.Xz egelcua- Nótese también que yn ensayo unilateral utiliaando ¡12 equivale a un enEayo bilateral utilizando. 7. 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.Puestoqueparalastablas2Xz. pueeto que una vez hecho esto loq números de las restantes casiüas vienen obligados por los üotales ya indicados. obtenido en el Problema ?.¡.45 aplicando la corrección de Yates.No ee recuperan cupetan TOTAL [cAP.5)2 * ----TO* ?O S0 _ .--. como en la página 215 (véase Problema ?. x2)x2ss correrpondea x>x. (35-301 -0.5)2 * ----?O- (i65-701 -0. habrían suspendido 27 lL80 : Iíc/o de los estudiantes y DO .-. ya que.51).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. En general. Y 47 L4 61 Sr.gs. Solucionar el Problema 7.

los resultados esperados bajo la hipótesis nula aparecen en la Tabla 7-20.CAP.15 61 15% de 64 8._ (50-46. at__n_ = -nrrxJn (ór nrnsln)2 (b2. se puede rechazar lfs aI nivel de 0. 153 qn X Sr. considérese la Tabla 7-18. pá.ó+ Pa¡a determinar el número de grados de libertad.n2nslnl2 .75\2 .48.51. todos los números restantes vienen obligados por lo8 totales.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 7-45.10 si se está dispuesto a correr el riesgo de estar equivocado 1 vez de cada 10. no se puede rechazar I/e al nivel de 0.(h+Ic-l) = (h-lx/ú- 1) como se requería. Z TOTAL 153 27 Aprobair¡c didos TOTAL 85% de 55 : 6l 4G.25 OD : didos TOTAL 55 61 9. Hay h (fz > 1.60 64 180 64 180 Entonces o x-. * ó1)(o1 * o2) o1*óq*a21b2 n a2b.L5% de 55 : I5% de 6t 9. Y St. (47.zs¡ : 5. Las frecuencias esperadas bajo FI¡ se muestran en la Tabla 7-17.85 85V" d. después de lo cual. de otra forma se necesitan ajustes como los descritos en ( b ).r"/" a1b2 (o.5135-547ó-----d25 9J5 --.60-=4. Así pues. Nótese que este resultado es válido si se conocen los parámetros poblacionales necegarios para obtener las fr.40 : Aprobados Suapen- Suspen.85)2 (56-54. 7.99. Sr.e 64 54.40)2 (5-8.05. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION habrían aprobado el 86Vo de los estudiantes.25)2 .ecuencias teóiicas. 7. Mostrar que para una tabla de contingenciah X h tad es (h . . Tabla 7-17 ITRECUENCIAS ESPERADAS RAJO Sr.75 = = 51. Puesto que x. que puesto que x:eg : 4. Entonce8 *. que es igual que la Tabla 7-L7 pero en la que solamente se han puesto los totales. Z TOTAI.60)2 4175 -.1). hay en este caso dos grados de libertad. 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. Nótese.gina 22O .1Xk . Está claro que como cada fila y cada columna han decumplir con loü totales.n"n¡ln\z' nrnn/n ntftl.61. Í4-9.49.15)2 (8-9. Pero : (ar- nrnn/n)z (a". k > 1) el número de grados de libereg * & - 1 totales independientes de un total hÉ. sin embargo.-. 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. X ¿IO Tabla 7-18 Sr. Y 85% de S¡.núnR/n "r'. Se deduce que el número de gtados de libertad hk .

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).45. . ns = ür*ó2. Con referencia al Pro- (r) (2') P. Ilustrar el resultado del Problema 7. bz = nz(l- Pz) tlg = flq Utilizando (3) y (4).a2b)2 -T nrn2nAnB nrn2(Pr.. yn:2OO. de modo que (r) (4) ú1 = nlPy az = nzPz. n1=at*b¡ nz=a2*b2.bq - aqb'12 donde A:&tbz-azbt. Dr = 65. se tiene p la proporción poblacional.P)2 que es el cuadrado del estadístico Z. nt=140. frA=úr*az. da x' : D'- n(a.49 x2= n(ap2.52. ür : 'tL¡ = flP. C= vra = {*#fu : r/d'6112e = 0'1084 .4S. P. = #. ^ (t) n /otbr-ozbt\2 n lotbr.50.azbtl . 1-Pr . COEFICIENTE DE CONTINGENCIA ?.. ¡e tiene del Problema 7. a1 =75.10012 = 1.46 ¡2 (corregida) = ---ñ^"" - = - (25X65)l (140)(60X100X100) .93 7. bz:35.=.P)2 nWtPrA$ . entonces riI ) del Problema 7. se puede escribir az-ry = ur-ry = Í2fts . r¿r(1 - Pr).Pr)]2 nrnínpnq = nfri\+LlllrJ (Ya que n = nt+tt2l (Pt.38 : Empleando la corrección de Yates.49 da x2 = n(1aft2.=&r*a2*b1*b2. Or--m arb2 = - a2b.ln)? = -"r!rrrñr" 7. Halla¡ el coeficiente de contingencia para los datos de la tabla de contingencia del Problema 7. ns = 100. dado en (IO) en la página 215.n2P2n{l .tn)z = 200il(?5x35) 2. el resulüado eg el mismo que en el Problema 7.ozbr\2 n /orbz-ozót\2 ml?¿B\ n n nzn¡\ n n¡r¡\ / / / n fatbr-tzDt\2 n ?zrs\ / que al simplificar. 7 Análogamenta Así. a2=26. n2:60. -flg L-p l-P2 = bc -= = q = -.49. (/ ) se remplaza por (21 "rr"r"^"" : nL2 nrnznAnB x2 (conegida¡ n(ltl.49 paralos datos del Problem^I.45. f.51. Denótese por P1 y P2 las dos proporciones muestrales y blema 7.Prl . Sise aplica la corrección de Yates. EnelProblemaT. - O2 l¿z' fL¡ tl' ó.. r¿¡ = 100.246 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.

todor loe que tomen el suero 8e recuperarán y todor lor que no se lo tomen no Be recuperarán..60)2 50 .?0?1.13. " x.618 .7)e(0.4) + 10010(0.(iX. Para ensaya¡ la hipótesis de que el estudiante acierte por car¡udidad. (Véase Problema 7 . Pueeto que las frecueneias eeperadas.= (100 zw En general.0o)z (0 . do¡ clasificaciones son perfectamente dependiente¡ o a¡ociadas.7)8(0.6. suponiendo independencia total.6)101 = 0.cAP. (e) p : 0. PROBLEMAS DIVERSOS 7..ro)¿ . P(7 o más correctas) : P(7 correctas) * P(8 conectas) + P(9 corectae) * P(10 correctae) = .t. .4.".3) + r0Cr0(0. = 0.5 cuando realmente (a) p : 0.(+Xá) * .?1e Asi ee que ésta pues. (c)p : 0.7)7(0.L27). C. adopta la siguiente regla de decisión: (i) si 7 o más respuestas son acertadas el estudiante no las acierta por casualidad. en la gue el número de fil¡s y columnas eon ambas iguales a &.. Seap la probabilidad de que una pregunta sea contestada correctamente. hallar la probabilidad de aceptar la hipótesis p P : 0.3504 7. para la dependencia total en uua tabla de conüingencia.".5 cuando realmente = O'7' : O. Hallar la probabilidad de rechazar la hipótesis cuando es corTecta. = 1/@-ffi.". D Tabl. (b)P : 0. Un instructor hace un cuestionario forurado por 10 preguntas falso-verdadero..a 7.----80Entonceg el valor máximo de C e¡ .3.5 (ee decir.3)3+ r0Cs(0. Esta tabla de contingencia aparece en la Tabla 7-21.---80.53.55. 7l ENSAYOS DE HIPOTESIS Y STGNIFICACION 24V 7. La probabilidad de conteetar correctamenté Bajo la hipótesisp r pregunta¡ de las 10 será rcCrqqto-'.64. (a) Sip : 0.".ueno) TOTAL 100 (irupo ó 0 100 100 100 100 200 . En tal caso.o.(á) = 0. las únicas frecuenci¡¡ de casillas que no Eon cero aparecen en la diagonal que baja de izquierda a derecha de la tabla. son todas igualea a 50.4)3+ roOs(0. ee 0. (d) p : O.4)2+ ro0a(0. 7.¡* .6)e(0.2.(. En el problema 7. (100 . el estudiante está adivinando./Zt(xz + n'l = t/ñl@6T 2oo-) = 0. Hallar el valor máximo de C para la tabla 2X 2 del Problema 7.(g)p : O. hallar la probabilidad de aceptar la hipótesisp = 0.6)?(0.8.21 valor máximo de C ee presenta cuando la¡ Se recuperan No se recuperan 0 TOTAL 100 GrupoA (utilizando auero) (no utilizando .[roOi(0.. En el Problema 7.X.54. donde g =L- p.? Bajo la hipótesis p P(menoc de 7 corectas) : - 1 -P(7 o mác conectas) 1 . Nótees la probabilidad de error del fipo I.. el e¡tudiante acierta alazar).9.6)8(0.56.6 la probabilidad pedida será 1 - [P(? conectas) * P(8 correctas) + P(9 cotrectas) + P(10 correctas)] =|- ho0?(0. (f) p : 0.54. (ii) en caso contrario.3)2+ r0Ca(0..50)2 (0 .i . la probabiüdad de decidi¡ que el eetudiante no reeponde al aza¡ cuando es que si.1?19.3)10] = 0. Para taleo ca¡os.-60 .

por #.01 (es decir. ¿Puede deducirse que al nivel de significación (c) 0.945 0.5)(ee decir. no se puederechazar.5 0. 3.06. .58. 2.5 cuando realmente p > 0.4 0.000 0. l0 09 08 0? El gráfico pedido es el de la Fig. +i. caraa en 6 f(x\ = P(x lanzamientos) = Entonces lae probabilidsdes de 0.1?19 : 0. (c).01).59. Ensayo u¡ilateral.trf6 llnivelde .01. 7-14. Ensayo unilateral: Aquí se deeea decidi¡ entre las hipótesis (Ho: p: 0.3 0. como se muestra gráficamente en la di¡tribución de probabilidad de la Fig.121 0.2 0. 7. Tabl¡ ?-22 p B 01 1.05. Pueeto que P(6 ó 6 earar): * + # = éa:0.8. . se puede rechazar.01.¡qn.64.1094. **.1094.2188.05.68.6 y 6 caras son dadas.57. 4.618 0. Sea p la probabilidad de ca¡a en un solo lanzamiento de la moneda.5 dado por p : 1 .7 0. Aquí se desea decidir entre la¡ hipótesir (Ho: p : 0. viértase la semejanza con Problema 7-27. Una moneda que se lanza 6 veces da 6 veces cara.5).1 El grafico indica que la regla de decisión dada ee muy odecuado para rechazat p:0. $oluciona¡ el Problema 7. la moneda está bien hecha).6 0.65. p + 0. si en la moneda sale 5 veces cara. pero no al 0.05 y (b) 0.248 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.828 del Problema 7.t+. Puesto que P(0 ó 6 carar): t'o+* = 0.7 hallado en el Problema 7 .6) y (Ht: p > 0.01 la moneda no está bien hecha? Considerar ensayos de una y dos colas.01662 y P(6 ó 6 carad) = * +-# : 0. ? Loa resultados de (b).54.013 0 828 7. respectivamente.03125.05 ó 0. pero no al 0. ee puede rechazar ñfe Ensayo bilateral: al nivel 0.8 0.01. 7. Bajo la hipótesis (Ho: p: 0. 7-15. Utilizar el Problema 7. Nótese que la probabilidad se denota por p (probabilidad de error del Tipo II).Puesto queP(6 caras): f¡ :0. Ad- la curva OC del 06 Si se hubiese dibujado (1 -p) yp. . 03 02 0. 0.1.999 0.989 0. 1.0. se habría obtenido la curvo de potencia de la regla de decisión.ó) y (Ht:. el resultado observbdo es significativo al nivel 0. (g) pueden hallar¡e análogamente y se indican en la Tabla 7-22 junto con el valor correspondiente a p : 4. pero no d 0. Se ha irrcluido también el valor para p : 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.05 ó 0.t v i.9 0.350 0. . Puesto queP(0 ó no ee puede rec}ntzar H¡ al nivel de 1ó 5 ó 6 caras) = 2(t) = 0. 0.Ele al nivel 0.5). Ensayo bilateral.

página 14?. *Y¡= n¡ = que ee la distribución multinomial de la¡ X [compárese (I6). yx= ax) = 19#)1-+gj.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 249 7..96.." Por tanüo (2) ee conüerte en P(Yr=Ur. Epplear el resultado del ProblemaT. como se define por (21).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..págtna 218.aL.. . n(P..l\z : npz trr : zpr respectivamente..¡Yt=Ur Y Yt+Yz+ "' *Y¡r= P(Yr+ Yz| "' * Y¡ = n¡ e-n n¡ Entonces..'.. Enüoncec. Mostrrir que una prueba en chi-cuadrado que comprende dos categorías es equivalente al ensayo especial de significación para proporciones (pagina 214).Y2=U2..:í-^*f e-^ dondehemo¡uuiüzadoelhechodequept*pz+. el valor En cuanto aI denojminador. busc¿ndo está dada por Iadi¡üribucióncondicionalqueeetamos P(Yt. .. Demostra¡ que la dist¡ibución condicional de las f dado que Yt*Yz+ "'+Yx = es precisamente la distribución multinomial de las X.cAP. Por t¿nto reeecribimo¡ (2/ ) como (r) x2 = /t'=^')'*f"'=^'\'*.6t pa¡a demostrar que ¡2.61 demuestra que podemos remplaza¡ las X por lae Y independienúes con dietribución de Poisson ai ae cumple que Y¡ + Y2 + " '* Y¡": ¡.Yt va¡iablesmutuaÍienteiñdependientes con dist¡ibución de Poisson y parámetros tr¡ : npt. ce pueden describir las ei- ría I. sabemos del hoblema 4. tiene aproximadamente una distribución chi-cuadrado.. Tal como oe establece..Y¡=Ur I Yz* . iYr.1'"'-. y2= u2. . *Y¡r= n¡ PlYr=At. (21) ea diffcil de manipular ya gue las X di¡üribuidas multinomialmenüe son dep. Pa¡a la función de probabüdad conjunta de ft l¡¡ Y tenemos (r) (21 p(y. Sin embargo....nPz..p)2 PQI'I¿ 7.. el numerador en (2) tiene.*/t'-^'\' \Vrr. (5) de la página 214. . Tabl¡ ?.23 Si P es la proporción mue¡tral para La categoes la proporción poblacional y n eo la frecuencia total. p I Frecuencb observada Frecuencia esperada nP np II n(l. Xz X¡ tienen una distribución multinomial. ^#--"Jpltpf2"'plk 7. página 118]..+ph=L.L tu¿cione¡ por medio de la Tabla 7-23...Pl n(l-p)=nq TOTAL n .¡p_r¡rll*l)q/ = '' \P Pq = (P-. con frecuencias esperadas flPt.60.62. que Yr + Y.endientec.Yz=U2r .61. Yr + ).tYx=at I Yr* Yz-1..Yz=Az. npp respectivamente... = (nP .. . de (I ). de acuerdo con la resüricción (221. i npn: n. por definición. Sean f. / \V^r/ \Vrzl . Suponga que Xt. .p)z = .. el Problema 7.= ut. . + ' ' ' + Y¡ es en sí migma una va¡l¡ble de Poi¡eon con parámetro np¡ * np2 + .. Asl el denominador tiene el valor "":.

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

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.1 y la desviación típica fue 8. 7'68.. y por tanto a la¡ Y o a las X reduce el número de grados de libertaá en X2 en 1. es decir.93 onzas. Un fabricante sostiené que al menos el 95% de los equipos que Euministra a una fábrica eetá de acuerdo con las especificaciones requeridas. Solucionar el Problema 7.65.64. donde z : h - las bases para las reglas dadas en la página 219. 7. y Denominado¡ (. Ensayar la afirmación del fabricante al nivel de aignificación del (o) O.e y azules..e) = p(lWl < e) - e4(0)(Z€) = 7.OO...63 se desea eneayar la hipóüeeis de que hay moyo.05. La "demostración" anterior (que puede hacerse rigurosa) muestra incidentalmente que cada restricción lineal colocada alas Z. (¿) ¿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. yos.ebolac rojas que de azules. Una urna contiene bolar roja. (Zr)-t/2(ze) Al dividir (8) por (9) obtenemos el resultado deseado. se adoptarÍa en el Problema 7. (ó) Interpretar gráficamente la regla de decisión y el resultado obtenido en (o). se quiere un nivel de significación del 0.67. * p¡(1) = de den¡idad paraW es p(rr) : (Zr)-r/2e-u2/2.01.. + {pt Zt. proporción d. (o) Hallar la probabilidad de rechazar la hipótesis cuando en realidad aea correcta. y que E\W\ = VE(O) + \/p2(o)+ . la puntuación medi¡ fue de 74. 7. (o) ¿Qué regla de decisión ?.05 y (ó) 0. Var (W) = pr(l) * pz$) * .01? Se lanza un par de dado¡ 100 veces y se observa que un total de ('siete" apa¡sce 23 veces.. Un examen sobre una muegtra de 200 de talee equipos reveló que 18 eran defectuosos.01.66.9.0.lO¡ La experiencia ha demostrado que la media de resistencia a la rotura de una determinada clase de hilo e¡ de 9-72 onzas con uria desviación típica de 1.1i¡ ee rechaza en caso co¡rtra¡io. normal (puesto que e8 una combinación lineal de la¡ variablee Z normaies e independientee). .entarios ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NOBMALES ?'63.trLtroyo uniiateral y un nivel de significación del 0. erplicando las conclusiones sacadas con estos ensa- .Of O. Para ensayar la hipóteeis de proporciones iguales de e¡to¡ colores. En un examen dado a un gtan número de estudiantes de muchas escuelas distintas. Comentar la significación de este resultado al nivel de 0. En una escuela determinada con 200 estudiantes el mismo examen dio una puntuación media de 75. Recientemente. una muestra de 36 piezas de hilo dieron una resistencia media de 8.. ee decir.05? 7.05 desde el punto de vista de (o) un ensayo unilateral y (b) un ensayo bilateral.(o¡ : 1 s Por tanto la función . Supóngase que en el Problema ?.63 si ee quisiera que la probabitidad de rechazar la hipótesis siendo realmente conecta sea a lo sumo 0.cAP. no cargados. Esüo provee Problernas suplem.7 o. mediante (of un ensayobilateralyla¡.01 que el es ahora peor? hilo 7 . + V!f.0ó? (d) ¿Cuál sería la regla de decisión si el nivel de significación fuera del 0. 7. ¿Se puede deducir al nivel de signüicación del (o) 0.66 ei el nivel de significación es del 0.40 onzas.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 0.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 26L Para evaluar el denominador de (5) notamos que la variable aleato¡ia W = lptZl * es l-p222 + . Discutir las razones de las posibles preferencias de uno de estoe ensayos sobre el otro. Enaayar la hipóteaie de que los dados esüén bien hechos.69.

mientras que la puntuación media de 36 niñas fue de 75 con una desviación tÍpica de 6.76. ? 7. ción típica de 6. Ensayar la hipótesis de que (o) las dos máquinas tengan diferente calidad de fabricación y (b) la máquina B sea mejor que A. (b) 0.024.5% y una desviación típica de 0.05 y (b) 0. El nuevo fertilizante se aplicó a 30 de estos cuadrados y el antiguo fertilizante a los restantes.05 y (b) 0.7L.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) 0.19. me- 7. Unamuestrade 10 análisis dio una media de contenido en cobre de 23. Explicar las diferencias entre esto y lo que se pedía en el problema anterior. Un experto efieiente mantiene que introduciendo un nuevo tipo de maquinaria en un proceso de producción se puede disminuir sustancialmente el tiempo de producción.a media y desviación tfpica correspondientes a los otros cuadrados fueron 17. Análisis de 5 muestras de B dieron un pH medio de ?. Ensayar la hipótesis de que la duración media de las bombillas no ha cambiado. Utilizando un nivel de significación del (a) 0. En seis pruebas de este tipo se obtuvo un decrecimiento en eI tiempo de producciónde 8. determinar si los dos tipos de soluciones tienen diferentes valores de pH.7 8.2% de cobre.05 que el producto presenta las especificaciones requeridas? ?.05 y (b) 0.4a. Una muestra de 8 bombillasdelaproducciónactualdiouna du¡aciónmedia de 10?0 horas.7 4. ¿Se contradicen los resultados con los del problema anterior? En un examen de ortografía en una escuela elemental.01.032.8 y 0.O7o laintroducciónde tales máquinas en eI proceso resulta antieconómico. respectivamente.01 y (b) 0./o con una desviación típica de 0.05.72. ?. la puntuación media de 32 niños fue de 72 con una desviación típica de 8.01? En el Problema 7 . 7 . [.52 con una desviación típica de 0. 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. mientras que 15 estudiantes de otra clase tuvieron una puntuación media de 74 con una des- .24%.77.73. lcAP.83.01 y (ó) 0. Análisis de 6 muestras de A dieron un pH medio de 7.01. 7.54 fanegadas. El número medio de fanegadas de trigo cosechadas por cuadrado en los que se utilizó el fertilizante nuevo fue de 18.01 las niñastengan mejor ortografía que los niños. Utilizar el nivel de significación del 7.05 ensayar la hipótesis de que las máquinas deben ser introducidas.79 ensayar la hipótesis de que el contenido medio de cobre sea más alto que el que marcan las especificaciones.a2.05 y (b) del 0. En un examen de psicología de 12 estudiantes de una clase hubo una puntuación media de 78 con una desvia- 7. Con un nivel de significación del (a) 0.63 fanegadas. Para ensayar los efectos de un nuevo fertilizante sobre la producción de trigo. exposción a la luz del sol. En el Problem a 7 . 7. una parcela de terreno se dividió en 60 cuadrados de áreas iguales.76. ENSAYOS EN RELACION CON LA DISTRIBUCION ú DE STUDENT 7. mediante un nivel de significación del (a) 0. .05. Ensayar la hipótesis de que a los niveles de significación (a) del 0. respectivamente.05. Una muestra de 75 bombillas de otro fabricante B dio una duración media de 1230 horas con una desviación típica de 120 horas.70 si el nivel de significación es del 0. 7.05 y (b) 0. Dos tipos de soluciones químicas. < 1-t2O horas. 0. 1 . ¿Puede deducirse al nivel de significación del (c) 0. A causa de lo costoso del mantenimiento de estas máquinas resulta que a menos que el tiempo 4e producción ee disminuyaen un8.32%.49 con una desviación típica de 0. 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. ¿Hay diferencias entre las duraciones medias de las bombillas de los dos fabricantes al nivel de significación del (o) 0. todos ellos tenían idénticas características de suelo.01.01. ENSAYOS REFERENTES A DIFERENCIAS DEMEDIAS Y PROPORCIONES 7.01.01 V (b) 0.05. Una muestra de 100 bombillas de un fabricante A dio una duración media de 1190 horas y una desviación típica de 90 horas.7 7 ensayar la hipótesis ¡¡ : 1120 horas contra la hipótesis alternativa tt diante un nivel de significación del (o) 0. con los niveles de significación de (o) 0. ensayar la hipótesis de que el nuevo fertilizante sea mejor que el antiguo.252 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Solucionar el Problema 7. A y B fueron ensayadas pa¡a ver su pH (grado de acidez de la solución). etc.80.2 con una desviación típica de 0.8f En el Problema 7. Las especificaciones para Ia producción de una cierta aleación piden el 23. Mediante unniveldesignificación del 0.

(b) (1 -p) y p. Para determinar si el producto está de acuerdo a estas normas. desviación típica de las temperatwas anu¡legde una ciudad en un período de 100 años fue de 16" Fahrenheit. t¿ ?.82.85. ?.9.26 y 7 . (d) 0.90.65.90 construyendo un gráfico de (c)p V p. En el Problema 7. ?. En el pasado.CUADRADO 7. (e ) 0.92.27 GBAFICOS DE CONTROL DE CALIDAD 7.cAP. cuando la proporción real p de bolas rojas sea (o) 0. ?. (b ) ¿Qué conclusiones pueden sacarse de acuerdo con Ios riesgos de error del Tipo II cuando se incrementan los támaños muestrales? 7 .E8. (b ) 0. (o ) Solucionar los Problemas 7 .25 considerando Ia analogía de bolas rojas y azules con caras y sellos respectivamente.0f . un cierto tipo de hilo producido por un fabricante tenía una resistencia media de roüura de 8. ¿podemos concluir que hay una diferencia significativa en la variabilidad de los valores del pH para las dos soluciones al nivel de significación del 0.01 .05.8. Ensayar la hipótesis de que las temperaturas en esta ciudad presentan ahora menos variabilidad que en el pasado. Después de introducir un cambio en el proceso de producción de estos cables. Hallar los límites de control del (a) 99. Solucionar el Problema 7.91. Representar gráficamente los resultados del Problema ?. La resistencia a la rotura de una muestra de 8 cables dio una desviación típica de 300 libras.05.7. Ia desviación típica de las temperaturas anuales fue calculada como de 10o Fahrenheit. al nivel de significación del (a) 0.28 onzas. ¿Concluiría que esto no es común? Explicar. Construir (a) unacurva OC y (ó) . Con la temperatura media del día 15 de cada mes. (b ) 0. una curva de potencia correspondientes al Problema 7. ENSAYOS EN RELACION CON LA DISTBIBI'CION CHI. Investigar la significación del aparente incremento enla variabilidad. (b) 0. 7. Determinar los Iímites de control del (a ) 99% y (b)95% pam el número de tuercas defectuosas de cada muestra. (b) 99% sobre un gráfico de control de calidad y explicar sus aplicac¡o- nes. Con un nivel de significación del 0. determinar Ia probabilidad de aceptar la hipótesis de que haya igual proporción de bolas rojas y azules.05 y (b ) 0.6. Comparar estas curvas con las del ProblenaT . (c) 0.95. se toma cada 3 horas una muestra de 16 piezas de hilo y se determina la resistencia media. Alrededor del lVo de las tuercas producidas por una compañía son defectuosas. Adviértase que en esüe caso solo son necesarios los límiúes de control super.84.01? CUBVAS CARACTERISTICAS DE OPEBACION ?.731o ó 3o.77 una muestra de 20 bombilta¡ reveló una desviación típica en la duración de 150 horas. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION es 263 superior al segun- viación típica de 8.94. se toma una muestra cada 4 horas de 200 de las tuercas producidas.05 determinar si el primer grupo do. . Para mantener esta calidad de producción. En el Problema 7.86.89. En relación con el Problema 7. ?. Comparar estos gráficos con los del Problema ?.63. Dos muestras consisten de 21 y 9 observaciones. mediante un nivel de significación del (a ) 0. ?.93. Ensayar la hipótesis de que la primera varianza poblacional es mayor que la de la segunda a un nivel de significación del (o ) 0.87 si las dos mueetras con¡i¡ten de 60 y 120 observaciones respectivamente.01. ENSAYOS EN RELACION CON 7 LA DISTBIBUCION F .81 .ores.27 si se eru¡ayan 400 cuerdas. La desviación típica de resistencia a la rotura de ciertos cables producidos por una compañía viene dada por 240 libras.3.64 onzas y una desviación típica de 1. tienen varianzas dadas por s? : 16 y s2 : 8 respectivamente. durante los 15 últimos años.

Tabla 0 ? -25 I ?-101.Lg?o D y 12% F. .e 12% A. se anota su color y se vuelven a la urna. 7. 7.l 1 cara 108 bien hechas.100. con un nivel de significación del (o ) 0.99. 7.254 ENSAYOS DE HIPOTESTS Y SIGNIFICACION Tabla f 0 [car. el número de muertos por unidad y año debido a coz de caballo se dan en la Tabla ?-2b. 3. Número de libros sacados Tabla 7 -27 Lun. Se lanzaron tres monedas un total de 240 vese observó cada vez el número de caras obtenido.05.0b. .01. 7.r02 utirizando la corrección de yates.1'04. 114 Vier. solucionar el Problema 7. de probabilidad para determinar si los datos del Problema 5. Mar. Ensayar la hipótesis de que el número de libros sacados no dependa del día de la semana.100. Se Tabla 7-28 0 rojo 2 blanco 1 rojo 1 blanco 53 si los extraen aleatoriamente dos bolas de la urna. Delerminar al nivel de significación de 0. Durante un largo período de tiempo. 7 z AJUSTE DE DATOS A DISTRIBUCIONES TEORICAS -24 2 7.66 C' 16 D y 12 F. Ajustar una distribución normal a los datos del problema 5. (b) Determinar al nivel de significación del 0. Una urna contienc 6 bolas rojas y B blancas.98. utilizar papel gráfico 30 62 16 l0 . resultados obtenidos son consistentes (.CUADRADO 7'102' En 60 lanzamientos de una moneda se observaron 37 caras y 23 sellos. 108 Mierc.gg. 10. 9. Ensayar la hipótesis de que la moneda está bien hecha utilizando un nivel de significación del (o) 0.05. 6l ?. (o) Determinar las frecuencias esperadas.105.34 8.se muestran en la Tabla ?-2g. Ensayar esta hipótesis al nivel de significación del 0.05. Ajustar una distribución normal a los datos del problema 5.40% C. 7 '97 Ajustar una distribución binomial a los datos dela Tabla 7 _24.rrru de 4 máquinas.106. El número de defectuosas ""d" fueron 2. 7.g8 pueden ser aproximados estrechamente a una distribución normal.0r .LB% B.^ 30 Frecuencia esperada )0 90 3() ?. En 10 unidades del ejército prusiano y en un período de 20 años 1875-1894.96 y comparar con el ajuste obtenido utilizando la distribución binomial. 146 t20 7. Ajustar una distribución de poisson a los datos del hoblema 2. 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. Ajustar una distribución de Poiss<¡n a los datos.05 2 rojo 0 blanco Número de extracciones con Ios esperados.108. (á) 0. (b ) 0.96. Un profesor nr¡evo da durante dos se_ mestres 22 A. Este proceso se repite un total de 120 veces y los resultados obtenidos. I 65 22 a l 10!¡ I LA PRUEBA CHI.107.05 si el profesor nuevo sigue las mismas nornns de puntuación que los otros. El número de libros sacados de una biblioteca pública durante una semana determinada viene dado en la Tabla ?-22.103. Se eligieron aleatoriamente tuercas de la producción de . 7. las puntuaciones dadas por un grupo de profesores en un determinado curso dieron un promedio d. 3 4 . Juev. Determinar si existe entre las máquinas una diferencia significativa al nivel dc significación del 0.

Tabla ?-30 Aprobados Clase 7. 7.05 y (b) 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. (b)hoblema 7. Mediante la prueba chi+uadrado determinar la bondad de ajuste de los datosde (o)Problem¡ 7.ensayarlahipóteois de que no hay diferencia entre ambos partidos en lo que a esta decisión se refiere. A 72 64 t7 23 Clase B 7. Suponiendo que todos los pacientes dijeron la verdad.0ó. ensayar la hipótesis de que no haya diferencia entre los grupos vacunados y no vacunados.01 ensayarlahipóteaisdequeelnúmerodeaccidentes es independiente de la edad del conductor. a unos se les dio pfldoraspa¡adormi¡. mientras que a otros se les dio píldoras de azúcar (aunque todoselloscreíonque suspíldoraseranparadormir).96.05 y en cada caso determinar si el ajuste es "bastante bue.115. N nivel de significación del (a)0. Mediante un nivel de significación del (o) 0.113. los votos de los demócratas y republicanos registraron los resultados que se observan en. Los resultados de una encuesta hecha para determinar si la edad de los conducüores a partir de los 21 añoe. ¿Qué poeiblee dificultades en las t&nicas de muestreo como en otras consideraciones pueden afect¿r las conclusiones? .112.05. Sobre una decisión de importancia nacional. enfer No se maron 'enferma¡on Vacun¡dos No Vacunados I L7 42 28 ?. Mediante la prueba chicuadrado determinar la bondad de ajuste de los datos de (c) Problema ?.f09.LOg? TABLAS DE CONTINGENCIA 7 Tabla 7-29 Se .05 V (b) 0.111. Dott. Ensayar la hipótesis de que las notas de física sean independientes de lás obtenidas en matemáticas.01. Mediante un nivel de significación del (o) 0.112 introduciendo la corrección de Yates.01 y (b)0. (a) Utiliza¡ la prueba chi-cuadrado para determinar la bondad de ajuste de los datos del Problema?. tiene su efecto en el número de accidentes de automóvil (incluyendo todo tipo de accidentes) se indican en la Tabla 7-34. ensayar la hipótesis de que no haya diferencia entre. ¿Es consistente el resultado de (o ) con el del problema 7 .100. (b) Problema 7. El resultado de sus respuestas se muestra en la Tabla 7-31. la vacunación y esta enfermedad son independientes. medianüe un nivel de significación del (o) 0.101.la Tabla 7-32.99.ensayarlahipótesis de que no hay diferencia entre las píldoras de dormir y las de aziucar al nivel de significación del 0. De un grupo de enfermos que se quejaban de que no dormían bien.05 v (b) 0.114. se Ies preguntó si las pastillas habían surtido efecto o no. es decir. Utilizar el nivel de significación del 0. 7. 7.110. 7l BONDAD DE AJUSTE ENSAYOS DE HIPOTESIS Y SIGNIFICACION 265 7. Solucionar el Problema 7. las dos claees. 7. Hacer el problema con y sin la corrección de Yates.01. A un nivel de significación de (a) 0.06.01 y (b) 0. 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.06. Ia Tabla 7-33 da la relación entre las notas de los estudiantes en matemáticas y física. IA Tabla 7 -29 muestra el resultado de un erperimenüo para investigar el efecto de vacunación de animales de laboraüorio contra una determinada enfermedad. Posteriormente.116.cAP.118.98. Tabla 7.L17.(b) ¿Es el ajuste "bastante bueno"? Emplear el nivel de significación del 0.

Hallar el coefieiente de contingencia para los datos del Problema ?. Xu) r¡ñY Azules No azules 49 30 8-ó 7. es JUS:0.8165aproximada- 7. mostrar que la frecuencia esperada para la casilla perteneciente a la fila i y a la columna j es n¡n. la suma de frecuencias en la fila ¡ y en la columna j de una tabla de contingencia (frecuencias marginales).117. 7'.266 ENSAYOS DE HIPOTESIS Y SIGNIFICACIOD¡ Tabla 7-33 lcAP.121.¡¡¡. 20. Dos urnas A y I contienen igual número de bolas.126. Hallar el coeficiente de contingencia sin y con la corrección de Yates para los datos de (o) problema 7. ? MATEMATICAS Notas altas Notas altas O CA Notas medias 71 Notas bajas L2 Dt) AO Notas medias Notas bajaa 163 42 38 85 T4 Tabl¡ 7-34 EDAD DEL CONDUCTOR 21-30 31-40 41-50 78s 51 51-60 720 66 16 5 61-70 672 50 RH HE< 0 748 74 82r 60 26 10 oz ÉE I 2 Bg z< 3l 22 6 ID 7 lMásde2 I 7. Si nI y n! denotan. diantes./n.128. (b) Con el resultado de (c) hacer el Problema 7.121.?r para toda tabla de contingencia. COEFICIENTE DE CONTINGENCIA 7.1 . 7.122. (b) el coeficiente COLOR DE PELO Rubio No rubio 25 96 7.LL4. Demostrar que el coeficiente de contingencia máximo para una tabla 3 X 3 mente. donde n és la frecuencia total de todas las casillag. respecüivamente. Demostrar el resultado (2) det Problema 7. señalando las posibles aplicaciones que pueden_tener. ?. discutir las tablas de contingencia h X k X I.49. (o) Demostrar eu€ ¡2 = 2@l/np.127. donde n es la frecuencia total de todas las casillas. ( sin y con coeficiente de n de yates.119.125.L23.11?.1L2 y (b) Problema 7. Demostrar que el coeficiente de contingencia máximo para una tabla fr X k es 1/1t¡ PROBLEMAS DTVERSOS . 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. . pero se desconocen las proporciones de boias rojas y blancas en cada una de las urnas. Por similitud con las ideas desanolladas para tablas de contingencia h X &. se toma una muestra de 50 bolas con remplazamiento de cada una de las urnas. 7.) 7.

01. (c) 0. Ensayar la significación de este resultado a un nivel de (a) 0. Comentar cómo puede utilizarse la teoría del muestreo para investigar las proporciones de diferentes tipos de pescado presentes en un lago. (c) 0.l4O para obtener el valor de TOTALES lr2 n . ?. Construir gráficos análogos a los del Problema 7.142. 7.140.138. 2.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 267 dando la de A 32 bolas rojas y la de B 23 bolas rojas. En eI Problema ?. ¿Se puede rechazar la hipótesis de que la moneda está bien hecha al nivel de significación del (o) 0. Demostrar que para la Tabla ?-36 y2 " n = o(l+ú+"?\ * 2a (u" +ú+ rt2 'tL2 ns/ rr o?) ns ¡\ ?t I \t¿r / -.06 de que el estudiante no está contestando al azar.55. Con referencia al Problema ?.4 con una desviación típica de 0. Solucionar el Problema 7. Con una determinada marca A de gasolina.132 empleando un ensayo unilateral.54.23 pzra el Problema 7.130. Generalizar el resultado del Problema 7.135. (b) 0.56 si el 7 en la regla de decisión del Problema 7. ?. Utiliza¡ el resultado del Problema 12 para el Problema ?. Mediante un nivel de significación del 0. Una moneda se lanza 8 veces y se obtienen ? caras.133.141. ?.48. Con otra marca B.001' (d) 0.0ó. Durante un período particular hubo 40 calificaciones A en un grupo de 300 estudiantes.134. hallar el menor número de preguntas que un estudiante debe contesta¡ correctamente para que el instructor esté seguro al nivel de significación del (o) 0.54. A B Tabla 7-36 I &1 II A2 III dg ó3 'tLg TOTALES ?.136. ?. Solucionar los Problemas 7. Solucionar el Problema 7. Al nivel de significacióndel 0. el número medio de millas por galón consumido en 5 automóviles análogos bajo idénticas condiciones fue de 22.13g.140. Comentar los resultados.13?.54 ?.132 si salen 6 caras. 7. (b) 0'01.64-7.0Sinvestigarsila marca A realmente es mejor que B proporcionando mayor recorrido por galón. 7.01? Utilizar un ensayo bilateral.05. ?.132.129.4?.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.cAP. ?.05. Explicar cómo podría definir interualos de confianza unilateroles y dar una posible aplicación.131. ?. El porcentaje de calificaciones A dadas en un curso de física en una universidad determinada durante mucho tiempo fte L0%. 7 n¡ ng üt fl1 b2 .10.138 ¿hay mayor variabilidad en millas por galón utilizando la marca B que utilizando la marca A? Explicar. ?. el número medio fue de 21. (b) 0. es ahora 8.6 con una desviación típica de 0.

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

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

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

i)2. tipificados.Ú) )¡ _ . n-r:rrt@-ü S¡ Sy Si formalmente definim os el coeficiente de correlación muestral por Icomparat (54). "-. x y x2 respectivamente.cAP.\ssi trul En vista de que (r . . 8l CURVA DE AJUSTE.(* o\ 8u\s"/s.a\' \'| Debe notarse que en general (12) no es la misma recta que (8).I.¡l@-u\ 2(u . si : 2(U .\(U_.(Y. 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. En la págrna 263 se dará la significación.= entonces (14) puede escribirse como l'\ ry : . 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. .3) : a e¡) v-g : . -s "" n-n n Q3) sobre En términos de éstas. página 82] . Por ejemplo.ú)" ora 2(r . 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'=.ú)/s" y (U .laparóbola de ¡nínimos cuadrados que ajusta un conjunto de puntos muestrales viene dada por ?l = a*br*cr2 (f8) donde a.U)/s" son valores muestrales. Í: También es de interés notar que si las dos rectas de regresión (f 6) se escriben como y c * dy respectivamente. entonces bcl -_ t2 * b3c. RECTA DE MINIMOS CUADRADOS EN TERMINOS DE VARIANZAS Y COVARIANZAS MUESTRALDS Las varianzas y covarianzas muestrales de r. PARABOLA DE MINIMOS CUADRADOS Las ideas anteriores se amplían fácilmente. y están dadas por )(c . Ios resultados en (16) proveen unaiorma muy simple de récordar las rectas de regresión. b. 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. (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.

Genetalizaciones a más variables. ' Estas ecuaciones.r)2 (22) r.' : f"(L-r') Í l. Si r es la variable dependiente una ecuación semejante se llamarú ecuación de regresión de x sobre y.s curvas de regreéión posible. esto es -1 < r < 1. la cun¡a de o de la estima.262 CURVA DE AruSTE. tenemos (23) (24) También podemos expres¿u s. : a* br. c en (20) de modo que que (20) lz = tmtb)r+ "2a 2*. llamadas las ecuaciones normales correspondientes a (20). por la recta de mínimos cuadrados en términos de la varianza v del coeficiente de correlación como s?.-' perficies de regresión en espacios tridimensionales y superiores.: 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". 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."t)z = 2¿2.96% y 97% de los puntos muestrales res. (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.2. tenga la forma (20) z = a*br+cy Esta se denomina ecuación de regresión de z sobre r.. y respectivamente y sumando.23. si construimos p¿ües de rectas paralelas a la recta de iegresión de y sobre r a distancias vertióales te. n¿viértase qúe pueden obtenerse formalmente de (20) multiplicando por L. .r €l valor estimado de y para un valor dado de ¡. entonces una medida de la dispersión con respecto a la curva de regresión está suministrada por la cantidad sg. por ejemplo. incluyendo ecuaciones lineales y no lineales conducentes a s¿. x. con a y b dados por (4). debemos hallar si n es lo suficientemente grande para que estén rectas alrededor del 68%.denotamos por U". se hacán fácilmente.. entón".8 REGRESION MULTIPLE Las una ces busc hay ás variables. ó. se obtienen como resul- ERROR TIPICO DE LA ESTIMA Si. y. REGRESION Y CORRELACTON lcAP. = o2r +b>12*c)ry 2u" : "2u + b> ry 1. puesto que >(A U. si creemos que dos variables inaependi"áfus y. como se emtodas la. Por ejemplo.c)y2 (21) tado de aplicar una definición análoga a la de la página 2sg. obtenido de la curva de regresión de y sobre r. z.

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

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

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

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

= 1. Los ensayos siguientes resumen los procedimientos involucrados.47 y 8.. Para p + Ola distribución es sesgada.8l CURVA DE A'USTE.2 grados de libertad.(i#J aproximadamente tiene una distribución normal con media y desviación típica dadas por (50) -Zt" /1+p\ *. Denótese por üp elvalormedb predichodey correspondiente a x = Ío para la población [esto es. Denótese por ¡lo el valor predicho de y conespondiente i f : ts estimado de la ecu¡ción de regtesión muestral.49 y 8. De aquí pueden hallarse los tes de confianza para valores medios poblacionales predichos.Para este propósito debemos conocer la distribución muestral de r.2 grados de libertad. Esto también puede utiliza¡se para hallar inten¡alos de confianza p¿ua coeficientes de regresión poblacionales de los valores muestrales. Ensayo de la hipótesis p * 0.ffi @o- a"\{n-2 Urr¡ tiene una distribución de Student con n .er. 2. Denótese por Jo eI valor predicho de y correspondiente o.'\[+Fi.8 : to estimado de la ecuación de regresión muestral.2 grados de libertad. lo = a * bxs.m (ao- úor\Ñ @a¡ tiene una distribución de Student con n .46. Entonces el estadístico t- ú- ru. 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. = ffi - (51) Z de Fish. fo = E(YIX = co)]. (i=/ : 1'1513 tos'o(1 Estos hechos pueden también utilizarse para hallar los límites de confianza para los coeficientes de correlación. Véase Problema 8. En ese caso una transformación debida a Fisher produce un estadístico que aproximadamente tiene una dishibución normal. Véase Problema 8. 1.45. Aquí utilizamos el hecho de que el estadístico f = rl/n-z \/fr (+s¡ tiene distribución de Student con n - 2 grados de libertad. . Véanse Problemas 8. Entonces el estadístico t- su. Véanse Problemas 8.1618"". Ensayo de hipótesis para valores medios predichos. Véanse Problemas 8.43 y 8.50.44. Ensayo de la hipótesis p = 0. 3.cAP. 2. La transformación (60) se llama transformación /1+p\ I o/' ". es decir.48. Ensayo de hipótesis para valores predichos. lo : a * bxs. Í : Ís para la población.. REGRESION Y COBRELACION 267 tiene una distribución de Student con n . es decir. Aquí utilizamos el hecho de que el estadístico z =*r"(i+) = r. De esta ecuación se pueden ha' llar límites de confianza para valores de población predichos. Denótese Por Jp el valor predicho de y conespondiente 2. En el caso de que p = O esta distribución es simétrica y se puede utiliza¡ un estadístico con distribución de Student.

s resueltos NECTA DE MINIMOS CUADROS 8. Una recta pasa por los puntos (xr. calculamos Z. su distribución conjunta no se factoriza en sus distribuciones marginales).Zrpzr-2. podemos utilizar una ecuación de la forma de (39) pata predecir el valor de Y a partfu del valor de X. Demostrar = que la ecuación de la recta es U-Ut tenemoe (Ty. La gÉfre de la recüa . Véase Problema 8. y2 ) son puntos sobre la recta yt = a+bn1. Luego utilizamos el hecho de que el estadístico Zr. sabemos (Teorema 3-15.1. 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.51. y. lt ) y ( rr.yt)lfz .11 ) de (2) y (l pedido sustituyendo en ). = Y nr- n^ = nt-3' nz-B (53') disbibuye norma[mente.¡r ) es la pen- . CORRELACION Y DEPENDENCIA Si dos variables aleatorias X..b(r-r-1\ Í2trt Uz-Ut . y 22 conespondientes a y rz utilizando (50). REGRESION Y CORRELACION [cAP. diente de la recta. ozr-2. página 82) que son dependientes en el sentido de probabilidad (esto es. yr ) V @2. Por tanto (1) A2 = aibr2 u-a1 = @*br)-(a+b*t) (2\ .lLzr. Y tienen un coeficiente de correlación diferente a cero. ). EJEMPLO 8. Si X representa los s¿larios anuales de los profesores en tanüo que Y representa la cantidad de crímenes. cuando p + O. 8-5.t [. Entonces ya que (¡r.a ecuación de una recta es ! : a * b*. La consüante b : (yz . 8 3. (521 donde se Itzr-|. Se¿n X. Esto se demuestra en los ejemplos siguientes. Significado de una diferencia entre coeficientes de conelacion.268 CURVA DE AJUSTE. Pero diffcilmente diríamos que hay interdependencia düecta entre X y Y. Es importante acla¡a¡ que "correlación" y "dependencia" en el sentido anterior no necesariamente implica una independencia causal di¡ecta de X y Y. Problerna. Y variables aleatoria¡ que representsn eetaturas y pesos de individuos. el resulüado se deduce.1.@ se mueetra en la Fig.a*br)-(a*br1l = b(r2-r1l Obteniendo que b : (yz .)w-. Además.(. = Pzr. EJEMPLO 8. Aquí hay una independencia directa enüre X Y.2. eI coeficiente de correlación puede eer diferenüe de cero y podríamos halla¡ una ecuación de regreeión prediciendo una variable de la otra. ozr-2.yt)l@z .

8-?.3.. (11. (b) Í como variable dependiente.2.. Para un método que eümine la ne' eecidad de juicio individual. (8.cAP.542r ó¡ U=l+0. (6.. Una condición ó mfnimo (o un máximo) es necesaria para que esto sea un que aFlaa = O. Las coordenadas de e¡tos puntoa tomadoc de la gráfica eon aproximadamente (0. vé¡ee Problema 8'4 que emplea el método de mfnimos cuadrados.642r. página 260.4\. es decir.4.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. (b) Hallar una ecuación para esta recta. . 6 y-l=0. (9.(4. 2ra = a2r*b2r2 como 8e pedfa. 8. CURVA DE AJUSTE.g¡2. (b) Para obtener la ecuación de la recta construida en (o). 6).7 . 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. Refiriéndonoa a la Fig. 8-6. por ejemplo. 4). 2).1 ) y (72. para la recta de mínimps cuadrados.b) = l(o * br . 12. f. 8-6 . 7). recta de mínimos cuadrados conespondientes a 11.8l 8...os valores de y sobre la. r como . dz: albr2-9". (o) Dibujar loe puntos (1.1 . Puede demostrarse que eetas realmente resultan en un mínimo. albnn Las dewi¡¡ciones verticales correapondientes son dt = a*br1-yt. dn = a*bxn-yn Fis. I 4 8 I Una rect¿ que se aproxime a los datoc se dibuja a mono olzada en la figura. 8. F(a. 3 2 4 6 4 891114 o a t). Entonces el Problema 8. Ajustar una recta de mínimos cuadrados a los datos del Problema 8. 8) y (14. 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. Ya que # = >f. tales como P y 8.tl' a-r =ffiO-l. aFlab = 0. Derivar las ecuaciones nonnales (4). 9) sobre un ¡istema de coordena' das rectangulares corno se muesha en l¡ Fig.2 utilizando a (c) variable independiente.rA' ")t)'6"' Fig. escójarrse dos puntoe cualesquiera sobre la recta..61. (3.rfnSOn a*bry albr2.

8c*40d = 56 40ci256d = 364 Estos valoree también pueden obtenerse de ()rx)sz¡ .636. Aunque la última columna no se necesita para esta parte del problema.8 (o) La ecuación de la recta es y : o * b¡. Nótese que esta no es la recta obtenida en el hoblema 8. y.636 r.CURVA DE AJUSTE. las ecuaciones normales son 2ru = c2y*d2a2 Entonces utilizando la Tabla 8-2.(56X364) lt ó0'545 = 6 --lE f8-i6 g=w =qffiffiá#l )c = cnld)y = frao. Otro método. t¿s ecuaciones normalee son )Y: 2ru: an*b)r a)r*b).50. d=9 ó 1. se ha agregado a la tabla para emplearla en la parte (b).oso (b) Si se considera a r como la variable dependiente y a y como la variable independienüe.546 + 0. las ecuacionee normales se convie¡ten en dedonde c=-* ó -0. REGRESION Y CORRELACION [cAP. 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. a = ()y)()r2) .50.Ga)(.r.60 .545.()r)()ry) = (40)(524\ .50 d- - = 1. n lizando el método a mano alzadt.)ru) c=ffi==-0.2 utiPuesto que hay 8 pares de valores de.sz El trabajo involucrado en el crilculo de las sumas puede ordenarse como ae indica en lá Tabla 8-2. yla rectade mínimoecuadradoopedida es S t + lrx 6 U = 0. b=+ ó0. la ecuación de la la recta de mínimos cuadrados es ¡ : c * dy.

pero ¡e intergectan en (a.6).333 + 0'667 ¡' que no ee l¡ mi¡m¡ rect¡ 8. (o) Demostrar que las dos rectas de mínimos cuadrados obtenidas en el Problema 8.5). - 0.50(3) = {.ha*+É.636¡. U = 0'646 + 0'636(12) = g'Z' (c) Al remplazary:3 enlarectaderegresiónde¡ sobre a. 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.500*1. r-ñ f).Elpunto(?. Lar gróficas de l¡s dos rectat.333 * 0. pueeto eue6=*+t(?). Nótese que al solucionar esta ecuación para y obtenemos y obtenida en la parte (o).7.cAP. remplazando las constantes o.546 f 0.60 y. (c) Estimar el valor de ¡ cuan' doY: 3' -2a40 a=T=¡-=o Luego el punto (6. las rectas (¿) V (S) no coinciden. d respectiremen' üe. La recta obtenida en la parte (b) se llama la recto de regreeión de x eobre y.E. llamedo el centroide.úr. hallamos que la recta de (5) que indica que la recta pasa por el punto (4. U = &* Lrrr.8-8 8. (b) Al remplazar x. . ¡ ¡=-0.60 * 1.546 + 0. Nótese quelas dos rectas en e¡te caso prácüicamente coinciden.8l CURVA DE AJUSTE.4 intersectan en el punto (. (b) Estimar el valor de y cuando x: L2.6. ú). lo cual es un¡ indicación de que los datos están muy bien descritos po¡ una relación lineal.ú). ¡ es la variable independiente.fi). REGRESION Y CORRELACION Por tanto la ecuación pedida de la recta de mínimos cuadrados es r = 0. Representar gráficamente las dos rectas obtenidas en el hoblema 8.60 + 1. 2.pue¡üoque7=-*+*(6).! :5.6)seencuenhasobrelarerfar=-++$y.66? r 8 6 1 u= 0. Ot¡o método. 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 ).8. [¡secuacionee delaedosrectassona= llamos 8. y. Caso 1.6.60y t2 10 = y= e. = tllu-úl Nótese que en general. b por c. Demostrar que una recta de mínimos cuadrados siempre pasa por el punto (i. es (7. {.50y.546 * 0.Í. 0. ¡ = 7 . se indican en la Fig. la recta de mínimos cuadrados puede escribirse como Q) Caso que muestra que la recta pas¿ por el punto (á. 6) se encuentra en la recta U = 0.: L2 en la recta de regresión de y sobre n.60+1.636 ¡ 2 0 6tl012 Fig. Por üanto la¡ rectas se interceptan en el punto (?.Resolviendoeimultánesmente. y es la varirrble independiente.. se utiliza para estimar r para valores dados de y. F = -0. más exactamente.636 r o. y E=-t+*y. (o) El punto (?.4. y : 0.9. mfnimos cuadrados puede eecribirs€ como hocediendo como en el c¿¡o 1 intercambiando r. ti).

U . sean c = d *h.(2rlz 2(¡z-2nr*12) 2r2-2ñ2r*2i:z 2r2-2n82 lniz 2s2 . .. h_ v- dondeh n2uU yk son constantes. h = f.=7+h.tenemos . = n8ru-(2rl()ü _ n2xz _ (2r)z Entonces ti ú = út I h.al r.nEú (I¡X)z) ¿ru .9.(>. 8.-. REORESION Y CORRELACION Demostr^ar que la tecta de regresión de mínimos cuadrados de y sobre forma (8).ú = b(x. re rigue intercambiando D - >(z::elfu.Demosharque .n8z 2r2 I Entonces .(Ic)z¡ También >(r - t)(v .=-Ep=Ts¡t Del Problem¡ 8.12).e¡z demo¡tración de (12). pdgina 260. demostrar que D--i# .(2r.pdgina 261.()¿X)y) n)¡z . De la segunda ecuación en (5).8 tenemos f.t¡z = - t )(>x)2 |ín2rz . tenemos D_ 2(r n2xy . página 260.y. 8.10 Si en el Problema 8.úl = 2(rs-i:y-ir*efrl 2ra-ñ2u-ú2n1'2eú 2rU-nEú-nfrE*nitfi . u=7+tc Por üanto . j[n2ra Por tanto (I ) oe conüerte cn 2rU t (>¿X>y)] de donde ¡e obtie¡e el resultado (S ). y.t). g 8. r puede escribirse en la (l).(2x')(2y'l n)s'2 .n2r'a' . Problema 8.)(2g. U - g. Ir 2(a .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. + k.7 .1 -ñF-trú. ¿ = ñ.8. Tónemo¡ de 11) [eAP. y (véa¡e problema g.9.(2r)(2r'l n2r. u=u'*k.272 CT'RVA DE AJUSTE.

&11 La Tabla 8-3 muestra las respectivas estaturas lc. de modo que y :96. 62 62 6{ 66 Fig.a recta de regresión de y sobre r está dada por y = a + b*./ €70 6 !a 2a'= an * ólr 2ra .cAF.88+r.a2n*b2n2 [. y ) sobre un sistema de coordenadas rectangulares como se muestra en la Fig. REGRESION Y CORRELACION 273 Se deduce inmediatamente del Problema 8.418b = 64. La gráfica de esta ecuación ¡e muest¡a en la Fig. donde o y b se obtienen resolyiendo las ecuaciones normales. 8-9. de modo que lae ecuaciones normales se convierten en 9oe 2? 666 864 É¡ E 12o*800ó:811 800o*63.476x.8l CURVA DE AJUSTE.418 Zny = 54.476. 72 de dispersión se obtiene dibujando los r = _8.y deuna muestra de L2 padres y sus hijos mayores.197 )92 = 64.849 .82 y b = 0.086/___V (b) f.82 + O. 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.L07 de donde hallamoe o : 36. (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r. Tabla 8-3 Estatura r del padre (pulgadas) 65 63 67 64 68 62 70 66 68 67 69 7L Büatu¡a y del hijo (pulgadas) 68 66 68 65 69 66 68 65 7t 67 68 70 (o) El diagrama puntor (r.4. 8-9. (c) Construir un diagrama de dispersión.9 ya que 2fr' = l(c-t) y análogamente = 2r-nñ = 0 ly' = 6.ae sumas se muestran en la Tabla 8. (c) Hallar la ¡ecta de regresión de mínimos cuadrados de r sobre y. .

38.68.6?.9. Por tanto 6?.68 = 0.d=1.asfque¡:-3.38*1. b = dada por ry# = 0. Solucionar el Problema 8.82. .07) 6 ecueción de regreeión pedida de y sobre x ea a . ¿ = n>r!: (>!)l?nl = n2a2 .12. y ( los números restados de r tee). - (>¡XI=y2l. esto ee a = 36.2y 2uY = c2Y*d2Y2 L2c Utilizando las sumae en la Tabla 8-4.(lyX>ay) n2yz .476 También ya que &' = ú .11. 8-9. Réstese un valor apropiado.11 utilizando el método del Problema 8. = ñ . por ejemplo 68.036y. Esto nos conduce a la Tabla 8-5.g8. CURVA DE AJUSTE.12s¡z _ _s. de r. y. De una manera análoga podemos obtener l¡ ecuación de regreaión de r sobre y. - 68 tenemos r. 8 "= (c) ecuaciones normales I]4ff de¡ sobrey viene = 85.ú de acuerdo con el Problema 8.á).4?6 Larectaderegresión x:c* dy.036.5) - (10)z = 0.L07 E1lc#54.476u u . aparte de los enores de redondeo. 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). REGRESION Y CORRELACION lcAP.86 * 0.086 8. = ú - 68.Iagráficadeestaecuaciónse Otro método. . = delascualeshallamosc:-3. (12X106) (-16)f.476(n-66.67. se convierten en -f SLld = 800 64.274 Otro método.()y)2 1.68.dondecydseobtienensolucionandolas 2a = cntd.58 n I¡ =7*68 = -**68 = 66. u =7*68 = -**68 = IZ-LZ = b(u.849d muestr¿ en la Fig.

0 pulgadas cúbicas.b:-'1. REGRESION Y CORRELACION 276 ECUACIONES NO LINEALES REDUCIBLES A FORMA LINEAL 8.log P : y.8 49.2077 3.3019 6. Entonces P=antilog1.0095 3.60X104 y y=1.20-1.3 61.0 10.13.66L7 2.6953 (o) Puestoqueo=4.40.4685 3.2ry .20-l.4Ou. = C.4 118.7910 1.2833 1. obtenemos un punto que se dibuja en el popel log-log construido especialmente como se muestra en la Fig. Para cada pareja de valoree de la presión P y el volumen V en la Tabla 8-6. Tabl¿ 8-7 s = logV L.4 37.7348 1.to = 16.859? A = logP 1.1 lu = 8'7975 b )12 = 23. .074L 2.20=logCy (b) Pvt.4533 1.40(21 =1. La Tabla 8-? da los valores ¡.6762 1.2976 )r = 11. tenemos tomando logaritmos de base 10 cálculos involucrados en eI cómputo de la recta de mínimos cuadrados (l ).13 dibujando los datos en un papel logJog.0043 12 ra 3. P de Ia Tabla 8-6 y también indica los (l ) son 2a = on*ü)¡ de las cuales 2ry . debe existir entre las variables.6946 1. y y= logP=4.5 72.40. la última ecuación puede escribirse (r) U = oibr donde¿:logC. (c) Hallar elvalorde y y C.6 88.0059 2xa - 16.40 Luego Y = 4.cAP.14.8l CURVA DE AruSTE.40= lb/pulg2. Las ecuaciones normales qorrespondientes a la recta de mínimos cuadrados logP = logC-ylogV logC ó logP*ylogV: Tomando log I/: x.7 28. a = ()y)()rz)-(>rX:g¿l _ n2"2-1>n\z . 8. n.7858 1.8543 =-1.2 t9.()rX>u) 6=-ffi.1 Presión P (lb/pul2 ) Ya que 6r.2340 2.2 PVt = C.7943 4.a2r*b2r2 4. (c) EstimarPcuando V = 100.40=-y.9479 2.000. (c) CuandoT=100.8309 t.ffi¡af'=-1.20. donde y y C son constantes.6 194. La tabla 8-6 da valores experimentales de la presión P de una masa de gas dada correspondiente a varios valores del volumen V. Solucionar el Problema 8.2878 2. 8-10. C=1. Tabla 8-6 Volumen V (pul3 ) 54.9294 2. De acuerdo con los principios de la termodinámica una relación de la forma PV.(b) Escribirlasecuacidnes que¡elacionan aPy V. r=logV:2 25.0350 3. y conespondientes a los valores de V.0997 3.

que er negatlva en e¡te ce!o. (r*uzl. . Por t¡nto albn2*ct/.a)(2) = de modo que logP* 1.4 los100 = l. . 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 .o*blogV ó g = o*bn Ie pendiente D. re de numéric¡rnente por l¡ relación-de la longitud AB a le longitud AC.a*(1. e2. logPTlle . Pa¡a obtener ¿ ¡e nece¡it¿ un punto sobre ce8 l¡ recta. prigina 261. of bur*wl l¡¡ de¡vir¡cionee de.2. . Deriva¡ las ecuaciones nomales (I9). . .2.) d^ = o*üc"lorl-t^ y lrr ruma de lo¡ cuadrado¡ de le¡ de¡viacionee eotá dada por )¿t = )(o+ bxlca2-t)1 . U = a*ba*crz l¡ pa¡óbol¡ de mfni- Se¡n lo¡ puntos mue¡t¡alec (a¡Ittl.4.1rn ¡on olbr¡lcu!. Enton4.8 l0 ú' 3o {0 ü.!nl.16. y PVtl = 16O00 PARABOLA DE MINIMOS CUAI)BAI)OS E.8-r0 150 ¡00 ú t00 También ¡e indica un¡ rect¿r (dibujada a mano alzada) que re aprorima a eeto¡ puntos..2 a = logP-ülog7 = lo926*1.4 logV = 4.4.?"-al' dc = o*bu21-cú-!2. REOBESION Y COBRELACION [cAP. (nn. P: 26 de la g¡lfic¿. ...276 CURVA DE AJUSTE. . Entoncee lo¡ veloree de y ¡ob¡e moc cr¡¡dr¿dor cotrec¡rondieatet a a1. .. [¡ medida en este e¡¡o indica que D = -1.Ut U2. . para la parábola de mínimos cu¿dradoo. Por ejemplo cua¡do V: 100. m 60 so r00 Volumen Y '{l Fig.¡ U¡ ertfa dadar por dt = qtbx¡Ic¡.

360 + 18971.48 19.7 7.5 6.6 a I bx * cr2 a los datos de la t€ D.70 38.16. págin¡ 261.971.cl = )(o I Para minimizar esta función debemo¡ tener bx * cx2 - U)z Ti=o' .62 21.28 38.7 4.36 5?6.8 3.b.41 73.40 10.8l E¡t¡ ec CURVA DE A¡UsTE.82 4t. T¡bb ü u 1.588 de mfnimoq cuadrado¡ pedida tiene l¡ ecr¡¡- .19 2.t2 9223.46 254t. lar ecurciorÉ¡ norm¡ler (I ) rc convierten en 8a I 42. REGRESION Y CORRELACION función de o.36c = 230. = + 2.2b + 291.066. 8.42 291. Tabl¡ u 1.9 7.9 7.91 636.4E 1065.7 4.2 1.cAP.2 6.2 )u= 46.66 259.8 4.96 96.' 7.4 2r2 - Ic3 = 2276. ? = )f.0 7.83 29.58 4.92c : 1449.2110¡ arí la parábola 2.1 12.61 24.8 3.6 2A = an*óI¡*c2n2 [¡s (r) ecuacionec normales son 2ry = o)¡*b2r9*c2rs 2n2a = o.73 5.2a*2SL.1 : 8.065 t .65 185.70 26.36 2ua = Zxu 291.688.8 r87.6 2. o ción = 8.00 2. b = : 2.00 Puecto que n (2) Reolviendo.0 ?.24 9.6 9.12 67.04 48.8 2. e¡ decir 277 F(o.ólcs*clra H trabajn involucrado en computa¡ la¡ ¡uma¡ puede ordenarce qomo 8e mue¡ha en la Tabla 8-9.42 - - 1449.22 rzy 6. c.06 941.t=o' *=o Enüonces # = ).19 36?.9 9.OI 32. Ajustar una parábola de mínimos cuadrados de la forma ! Tabla 8-8.7 12 n3 xy 6.20 18.28 233.27 1.2 6.44 3.20 c = 48.L6 6470.8r 2n2g I¿= 42.8 7.49 60.92 230.93 342.o3to*óc*cr2-a)2 = )2(o+br*crr-a) k = )*a{o*br]-cnz-u)2 = 2Zr(a*brtcü2-a) aF :d. b.08 10.9 5.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).49 92.2ll0rt .O.8 4.79 s32.20 o + 2276.1 t€ 14 a 4.75 117.1 8.2 1.2r2].8 7.2Ob+2275. c = {).6 5.04 1.

Pata r = 1.os resultados se muestran en la Tbbla 8-10 junto con los valores reales de y. lcAP. y puede escribirse z: albnlcy Las ecuaciones normales (21). pág¡na 262.9 6. b.0..2) . Análogamente se obtienen otros valores estimados. 8. La Tabla 8-11 muestra los pesos z ala libra más cercana. b y c a cero.065(1.zn\.página 262. y.. Ue"¡ = 2. 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. all.2)2 = 4.762 4.613 6.16 para estimarlos valores de y de los valores dados de r.2. .17. b. (rn. [.. 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. Demostrar que la ecuación de regresión de mínimos cuadrados se obtiene al determinar a.741 4. (ün. vienen dadas por a*bnr*cyn dn = a* bnr* cUr.Un.zt.5 2. ala pulgada más cercana y las edades y al año más cercano de 12 muchachos.).2 6.. Se desea estimar una variable z de las variables : Sean los puntos muestrales (ryUyzr).962 7.278 CURVA DE AJUSTE.8 7.z¡ dt = a* br1 * cUt. ..588 + 2.56L 2.5 5.0 7. REGRESION Y CORRELACION la.2110(I. . Tabl¡ 8-10 Uest 4. . .621 5. Entonces los valores de z sobre el plano de regresión de mínimos cuadrados correspondientes a (r1.503 7.7 u REGRESION MULTIPLE 8. (b) Determina¡ los valores estimados de e de los valores dados de r. Utilizar parábola de mínimos cuadrados del Problema 8.An) son respectivamenüe a*br1*ey¡ Por tanto las desviaciones de z¡. (c) Hallar la ecuación de regresión de mínimos cuadrados de z sobre x. (c) Estimar el peso de un muchacho de 9 años y 54 pulgadas de estatura.762. . y.18 la forma z r.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. y por medio de una ecuación de regresión de a ! bx * cy.8 4. las estaturas x. las ecuaciones normales pedidas (21) en la página 262 se obtienen.640 7. c e igualando las derivadas parciales con respecto za. . z. c de modo que satisfaga (21.8 8.

Si la recta de regtesión de mínimos cuadrados de y sobre que el error típico de la estima sy. Entonces ^. ü = 0.206 69.286 66.e resultado¡ ¡e dan en la Tabla 8-18 junto con lo¡ mueshaleg de z. ERROR TIPICO DE LA ESTIMA 8. Utilizando la ecu¿ción de regreción (3) obtenemos log valores egtimados de z.8436 * 6779c = 40.830 2yz = 6796 2uy = 6779 48.r=n= = 2(a-a.606u zesb al susti- ) tui¡ los valores correspondientes de x."r)2 2afu 2fu-o-brlz o. denoüado8 pot valoreg Tabl¡ 8-13 2est 2 64.920 64 7l 63 67 DD 68 77 67 66 61 76 68 (c) Remplazando ¡ : 54.865r+1. y.8l CT¡RVA DE AruSTE. o aprorimadamente 63 lb.= v.86? 65.926 66.664 78. c = 1. Ír.-brl - o-bu) .139 34.4t4 69. el peeo estimado es zest : 63. =í.20.682 ?8.843 Utilizando esta tabla.168 48.6612.¡ €stá dado por r viene dada por ! : a * b*. 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. a = 6796 = 3.880 106o*67?9b+976o Rerolviendo.356.! : 9 en (3).66+0.cAP.136 64.. 2a'- a2g n - b2rY por Ueet Loe valoreg de y ectimadoa a partir de la recta de regrerión vieneÍ'r dados = @ * ü¡.6068.2(Ufl -a.225 68.8646. la ecuación de regrerión pedida es (t) (b z = 3. REGRESION Y CORRELACION Tabla t-12 fi 64 Df 59 49 62 51 a 8 10 6 11 z. demos- s'?.7r7 68. las ecuaciones normales (I ) ee convierüen en l2a1-643b *106c (2) 643¿ = 769 * 34.b2r(u -a-br) .

81 62 66 66.28 68 69 68.476(66) : 66.!* e!\ = 2a'2 + 2y29' * nú2 .47 6r.*nú') .20 N3' = 2u2-o'2a-b2xy = 2(a' + ú)2 . Sabemo¡ que la recta de regreeión puede eecribiroe oomo blem¿ 8.2¡ pará Del hoblema 8..6? 70 68 69.19 0.bt2y' .62 0. = 2a@-a-bt\ nll 2a2-a2a-b2ra Este ¡esultado puede extender¡e a ecuaciones de regresión no lineal.b2r'g' . REGREsIoN Y coRRELAcIoN lcAP.33 0.o2(g' * fil . como se obtienen de la recta de regresión.úl donde hemooutilizadolo¡re¡ultedot2r'=0.b2r'Y' = 2(a .2r-b2rz = 2A = on * ó)c 0 puesüo que de las ecuaciones normales 2ru .81 0.14 ü a Uesl 65 68 66.UpotA-ú.11(b ) la recta de regresión de y cobre x ea ! : 36.280 Pero CURvA DE AJUSTE. I üyt * r.b2t'g' .bn..98)2 12 = L64z .a)2 .ó)(a . 8 2(A-a-bn) . (1.ana . También ¡e indican lor valorea y - Uest.+(0.y.28 pulgadac.71 69 68 68.a(2U.r9)z:l-.bnü! = 2U'2 + nú2 .81 U - Aest 0.66 7l 70 69. En la Tbbla 8-14 ee listan los valores reales de y (de la Tabla 8-3) y los valorec estimado¡ de y.14 66 65 67. Demostrar que el resultado del Problema 8.29 -1.24 63 66 65." y 8t.bñl = 2O'' . Por ejemplo.b2(r.¡ Método 1.14 -2. g = A'+ ú.ú = 2u'2 .x = lTiltr= 1.o.22.ú)'- b)(c n - ¡)(u - ú'l Si ¡ = r' * A..ú = b(r .24 -0.b2(r' * ñl@' * úl = 2(y'2*2ytfi*¡z¡ .66 >(u-u.Cuandoeehacenestoeremplazo¡enelProlos datos del Problema 8.71 -0.bi2r' .xpot¿-á.2y-an-óIr = 0 2r(a-a-br) .38 7l 68. 8.anÚ .€2 + O. Tabl¡ t.24 68 67 67 67.a2r * = b2u2 Entonces sí. E.2na-o.al@ . 2(a .20 se obtiene el re¡ult¿do pedido. / . cotrespondiendo a ¡ = 65 tenemotgest:36.28 -1. Catcular el error típico de la estima¡ 8¡.19 67 68 67. 2u'=0 y ú = o*bt (que re deducen aldiüdiramboslado¡ de l¡ ecuación normal 2A = an * b)r por n¡.82 + 0. denotados por lresr. que corteeponde a empezar con l--o+bryremplazando:oporcero.2O puede escribirse como ^z üu.76.á).")z = "1.76 L.7L 64 66 66. güe ¡e neceaitan para el cálculo de oy. Método 2.24)2+(0.r. Entonce¡ del hoblema 8. Erto demueetra el resultado pedido.b2rtgt * nú(ú .19 2.11.21.

S-15 Uest : 8]-LlL2: 67.13 1. Il .77 )(U".23. de datos. En el caso de regresión lineal )(v - Y'"'¡)(v" "r . '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.11.?0.13 -1. Utilizando los valores - a -0.476¡ obtenida en el hoblema 8. Entonces el porcentaje pedido es 9lL2: 7 5%. cada una a una distancia vertical su. :: :. Tabla.04 (a) Variación explicada = (b) Variación no explicada -ú)2 = (-0. REGRESION Y CORRELACION 28L 8. se muestrana trazos en la Fig.56 -0.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..11 se muestra sólida en la Fig.11 a una distancia vertical sy.25 1.. y-gfo". (b) Determinar el porcentaje de puntos de datos que se encuentren enhe estas dos rectas.cAP.82¡z+.58).34 0.40 pulgadas. ne dada por 6r.28) = 1. parecen estar sobre las rectas..r 0. Del último renglón de la Tabla 8-14.30 0.22).y""t) * (Uost .g) sumando. = 1/@ se tomaron las estaturas vie- COEFICIENTE DE CORRELACION LINEAL 8.el 6812 de los puntos se encuentra entre las rectas.61 0.brt Q. 8.82 -t.28 y 1.A)'.) para 9 puntos (¡.[t = (y .82 * 0. 8-11. ya qve ú la Thbla 8-14 podemos construir la Tabla 8-15.58 del Problema 8.. + (2.t)2* )(yn"t-ú)2+ z>fu. (o) ta recta de regresión y : 35.61 -2.. = 1.12 (o de la Tbbla 8-4. del Problema 8. ts.'. = tpiLo (1. Calcular (a) la variación explicada.nrr.)(y-uu. (¿) Construir dos rectas paralelas a la recta de regresión del Problema 8.U""t)2 .24. la teoría predice que alrededor d.rr. Demostrar que >(g Elevando al cuadrado A"'r)'* 2(U*r.28 (es decir.25.28 (véase hoblema 8.:: . 8l CURVA DE AJUSTE. Tenemos Uest de ú : 67 ..22. tenemos 2(u-ú)2 . NOTA: Una mejor estima del error tfpico de Ia estima de la población de la cual so.:'.::. Entonces el porcentaje pedido es 9l12 : 7 5d.abn) a . Uir examen poste- 66 6l 62 Otro método.un"J(v... Si los puntos están distribuidos normalmente respecto a la recta de regresión. Las dos rectas paralelas. .. Este hubiera sido el caso aproximado si el tamaño fuera más grande.rn. se encüentra entre -1. ú>@ - a - bn) puesto que de las ecuaciones normales 2(a = 0. = 19.t-ti) - A)" = 2(A - El resultado pedido se deduce si podemos mostrar que la última suma este es eI caso.a) = =Q :y.0t¡z .08 2.ne?.... y). 8-11. = )(U . 2r(u . (b) la variación no explicada y (c) la variación total para los datos del Problema 8. ya que es cero.

Los resultados (b) y (c) pueden obtenerse por cálculo di¡ecto de la suma de los cuadrados. .92 10. (a) coeficientededetermir¡ación = t = '1Hi1iáf*1"io" =m= 0.09 5. ¡o )¿ = 800 i.. derivarel resultado (34).4 0.02 1.82 7.36 68 il 'l .16 2. la expresión para r tiene automáticamente el signo conecüo asociado.25.66 -0.7 -3.34 \/G.))' l) n'\ ¡ \) '\il t' jó -0. 8.6 L.= EF.29 1.7027. página 264.donde ¡2= variación explicada va¡iación no explicada 2b2r.) asír--*2r'a' ffi (2x. E.11.4 ' 0.3 -2.16 o.A)z = 19.42 -1.09 10.66 0.6 3.62 1.'. obtener el coeficiente de correlación lineal para los datos del Problema 8.6 0. la conelación ec poeitiva y por tanto escribimo¡ r : O.18 0. prágina263.z b22r.69 0.76 1.' .26(b). (la fórmula producto momento). aumenta a medida que r aumenta.f.7 1.49 -2. (D) coeficiente de conelación = r : tVñ7d58.92 0.s¿.8 (c) Variación total : 2(a .69 u'a' a'2 0. y Ulst = U.3 a-v 0. trt =r- E. /i84s8)?58-3t Tabla E-16 = 0.49 1.3 4.aumenta.28. Halla¡ (o) el coeficiente de determinación y (b) el coeficiente de correlación pa¡a los datos del Problema 8.L2 7. del Problema 8.3 -2.16 6. Por tanto se sigue el reeultado pedido. puesto que la'gt'es positiva cuando 3/ss¡ autnentá a medida que r aumenta.[bb tt 62 70 66 68 67 69 -4.7027 o con dos cifrar significativas r : 0.26. pero negativa cuando /est disminuye a medida que r.3 -1. tenemoa &*br 6 Ulr¡= bx.89 13.4e88. Utiliza¡ los resultados del Problema 8.y = EP. utilizando A. REGRESION Y CORRELACION lcAP.89 0.70 = 38.34 2a'2 = 38.4 -0.)z \/ñtrW Sin embargo.?0.82 4.:800/lZ = 66.4 a'= tr'2 2..22 + 19. = y -f.76 11.7 1.7 3. A partir del resultado general (30).7 )y = 811 a = 8LUl2 2rt2 = 84.4F7q de acuerdo con el Problema 8. en el caso de regresión lineal.09 7.29 18. El trabajo involucrado en la computación puede organizarse como se indica en la Tabla 8-16.7027 u 65 63 67 B4 a 68 66 68 66 69 66 68 66 r-t -t. Puesto que la varirable yn".2 /?r. Entoncee.32 1.6 0.6 0.4 .96 2. La recüa de regreeión de mínimos cuadrado¡ de y sobrer puedeescribfuse 1lest= b = 2r.3 0.y.7 0.-0v t'.32 7t 0. 8. Utilizando la fórmula producto-momento.l2at2.92 = 67.68 5.27.3 2. para el coeficiente de conelación.68 2trtg'= 40.69 22.282 CURVA DE AJUSTE.= !0.6 .16 6.56 0.o.= \Eá/ /rorl = \r¡. Entonces 2r'a' 40.24.92.A.4 2.4 7l 67 68 70 -0.11.

págrna 261. Demostrar el resultado (17).TUSTE. Del Problema 8.476 d=ffi =1. [.036 Enroncec rz = bd.| ¿gl\/¿e¿\ 6 =(iiot/\al/ ' ¡=o'7o27 que está de acuerdo con lo¡ Problemae 8. Utilizar el resultado del hoblema 8. la recta de regresión de donde A=?I.8l CURVA DE A.nnn* v Entonces (I ) ee convierte en r(a-üz = 2a2 r : .29 para halla¡ el coeficiente de correlación lineal para los datos del hoblema 8.11(c) respectivamente 484 ' ó=10fr=0.31.30.cAP. donde ¿=? rz r sobre y er =a*ilu 8y Entonces b¿t = 1g\ 1g) = \c"/\oy. 2(a-nlz = 2(rz-2rt*r2) = 2s2 .29.a recta de regresión de y aobre r es u=olbx Análogamente.>IY w@ : n2rA-(2r'l(2A) .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 . REGRESION Y CORRELACION 288 8. . 8.11.2ñ2r 4 ntz (2112 2(2nl' ()r)2 = 2rz = 2r2 ./ 8. Demostrar que el coeficiente de correlación lineal viene dado por f= En el hoblema 8.11 (b) y 8.28.26(D) y 8.(>aXIY) n :E Puesto que = (2rlln V'ú = (2Alln" Arúlogamente.

2)r][(8X2e0. 8.1 ¡.4O De la Tabla 8-10 Por tanto t-= = l(g""t-Al2 = 2l. hay una muy buena relación no lineal dada por la parábola del hoblema 8. variación no explicada va¡iación total (d) = l-r2 = L-0. el error típico de la estima de y sobre I es B!.ú)2 = 21. i = (2U)/n = (46.78%de la variación total permanece no explicada.) (42.30.11. (d) ¿Qué porcentaje de la variación total permanece como no explicada por la suposición de la relacii. (b) Hallar el coeficiente de correlación no lineal entre estas variables.16. (c) Hallar el coeficiente de correlación lineal entre las variables r. COEFICIENTE DE CORRELACION GENERALTZADO 8. 2(A .16.9922 = 0.()¡X)z) (8oo)(811) (r2)(54. Entonces variación total = 2(A .62.tal =ffi=0'9822 (c) El hecho de que la parte (a) muestra un coeficienüe de correlación de solo 4.n¡zi = -0.64 (á) Primer método.218 6 o.21(46.31 para obtener el coeficiente de correlación lineal para los datos del Problema 8.636y'i-(0.42) [(8)(2e1. supóniendo la relación parabólica obtenida en eI Problema 8. I del Problema 8. Utilizando (a) y el Problema 8.26(b). Hallar (a) s. y? (a ) Utilizando los cálculos de la Tabla 8-9 y agregando que 2tt2 = 290.L071 = 0.99r1)2 = 0. como lo indica el hecho de que el coeficiente de conelación en (b) está muy cercano a 1. REGRESION Y CORBELACION [cAP.ilz = variación explicada 21. (c) Explicar la diferencia entre los coeficientes de correlación obtenidos en (c) y (b). Sin embargo. y.40.2z .Oz variación explicada . y (b) sr.n parabólic a entre x. paralos datos del Problema 8. 8.4'." = ss\/T=F = 1. hallamos r= n2ru - ()¡X)r¿) (8X230. De la Tabla 8-4 r= n2ru .80.33 (b). y r =0'9911 var6eió.636 ó 1.34. Esto puede deberse a fluctuaciones aleatorias o a una variable adicional que no se ha considerado.4)/8 = 5.20) - (42.32.16.01?g Por tanto 7.3743 indica prácticamente ninguna relación lineal entre r.284 CURVA DE AJUSTE.7027 como en los P¡oblemas 8.33 (b).. 8 8.16.. Ubtlizar la fórmula del Problema 8.3?43 (b) De Ia Tabla 8-9.40 8 = 1.2g y g.52) - (40. Entonces la desviación típica de y es 8u= 2(u - ú\2 21. (o) Del Problema 8.33.

el coeficiente de correlación de ¡ CORRELACION GRADUAL 8.25 Variación explicada Enüonces - 258.*n @l_ryz n*l En = mientras que la varianza es sf. AquÍ estamos considerando n valores de r (por ejemplo pesos) y n valores correspondientes de y (por ejem. Entonces si d¡ : r i . que Para obtenerlo. Explicar córno determina¡ía un coeficiente de correlación múltiple para las variables en el Problema 8. ! ¡ el grado dado al j'ésimo valor de y ' [.33' variación no explicada = 0. dada en térrninos de e2r. pág¡na 264. viene a3: s?+r?-2rs¡ads"sv .16 y el cálculo adicional 2gz 8y. tenemos 2a2-a2a-b2ra-c2n2a = 0. Derivar la fórmula de correlación gradual de Spearman (36).L2(62.-. = 12-82 = 12+22*.222-n22 48.cAP. z.. z gería en general diferente del valor anterior.l'ciñexptñat. la mediaú ylavarianzasf sonigualesa(n l)12 y (n2 L)ll2 respectivamente. Análogamenüe. esbturas).pl. y. y estamos interesados en el coeficiente de cor¡elaeíón múltiple de z sobre x.a = = 299. REGRESION Y CORRELACION 286 Utilizando el Problema 8.19 Variación no explicada = 2(z - zo"tl2 (64-64.22 Tercer méüodo. y I va.19. Utilizando el Problema 8.139 .88 = 629. CURVA DE AJUSTE. ¡ sobre y.76)z = 888'26 = 888. Sea rr: el grado dado al j{simo valor de x. [¿ media de r.35.218 ó 0.os grados son enteros de 1 a n. al y el coeficiente de correlación entre grados por * - s2¿. ss t+2+.88 Va¡iación total 2(z-2\2 .I i son las desviaciones entre las graduaciones.218 6 0.8l Segundo método. la varianza de las desviaciones. vemos del Problema 8.52.22 8.4L4\2 + "'+(68-65'920)2 = 258. *n2 n n(n*r)(2n*11/6 2 n2-l t2 utilizando los reeultados 1 y 2 del Apéndice A.36.@ "" = 0'8418 = !ffi = thffia Debe mencionarse que si fuéramos a considera¡ la regresión de eobre y.. Ya que z se determina de ¡.37 Coeficiente de correlación múltiple de z sobre x.

6.66.6 10 3. 12 De igual forma. 10.5.6 7.6 1 11 6 8.8s45 indicando que hay una relación entre el rendimiento en laboratorio y teorfa. 6?.5. 66.286 Entoncee cuRvA DE AJUsrE. 10.c asignamos a estos doe lugares un orden medío de 6. 66. 69. 9.6. 64.6. 11. la Tabla 8-B se convierte en Tabla E-19 Graduación del padre Graduación del hijo 4 2 6. Tbmbién se incluyen dz y 2dz. 71 Puesto que en esta ordenación loe lugares sexto y r*éptimo represenüan la misma estatura (6? pulgadas). 8. La Tabla 8-17 muest¡a cómo l0 estudiantes fueron clasificados según su rendimiento en el laboratorlo y en teoría de un curso de biología.6 3. 6. Hallar el coeficiente de correlación gradual. 69. 8 (r) h¡ecüo que 7 = fgrad = eZ+sT-af.38.6 7.7. 1¡ (t) y (2).7. AsÍ.6 t2 5 7. a los lugares 8 y 9 ae les asigna el orden 8. 70. 66. 69.s" 0.6 10 t2 7. 67. %. 1. 6g. 7.6. 6. 3. 63. 69. REeRESIoN y coRRELAcIoN lcAP.5.6.7. 9.6.37. por tanto las estatu¡as de los hijos quedan ordenadas @ Con las correspondencias 1.5. d d2 -1 -2 -1 1 1-1 I 1 3 I I I 2-L 4 1 -1 1 4 2d. ?.l\ltZ . 3. 69.6. Análogamente. las estatura¡ de los padres eon (r) 62. Calcular el coeficiente de correlación gradual para los datos del Problema 8. 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.2 24 = Entonces rgrad= t-#!T = t-ir#?u = 0. 2. 4. lac estaüuras de loe hijos ordenadas en gentido creciente son 66. 70.6.(J) y (4). 8 y 9 repreeentan la migma estatura (68 pulgadas).6 11 . 6.5.5 l.(2d2)/n = L-nfu2] 8. 11. 69. tor \-"rttd- "3 - e¿.11 y compararfos rezultados con el coeficiente de correlación obtenido por otros métodos.6 1.6 1. 3. 66.6. 7l y puesto que los lugares 6. a las e¡tatura¡ de loe padres ee les aaigna los órdenes (2) (3) dio de 7 . 6g. ordenadas en forma a¡cendenüe de magnitud.6. 66. les asignamo¿ w orden meg [(6 + z + + 9) / 4 .6 3 8.rz)/n y (l ) ge convierte en 7')/12 W @2 - * (nz 6>d2 . Tabla 8-18 Diferencias de puntuacionee. 6?. le.

25 6.7027 obtenido en el Problema 8. 8. Tabla 8-20 -3. La función de densidad conjunta de las variables aleatorias X.5 1.px\ ^t u\ox) | Debe notarse la semejanza de la demostraeión anterior para poblaciones.26 6.25 1.?466 que concuerda muy bien con el valor r = 0. . utilizando esperanzas.5 -1.6 -3.25 2.0 ü 12. lo+zo¡a.-ffi!\ = 0.6 2.5 -2.0=Y<L {o deotraforma Hallar la curva de regtesión de (c) Y sobre X.26 L2.a) ó Fok = o*v a-tly="4tr-u*) A-Py - /'. INTERPRETACION PROBABILISTICA DE REGRESION Y CORRELACION 8.8l CURVA DE AJUSTE.zBEl(X-pi(Y -¡.ú2 E(X .2Boyy r (py . p) tenemos AF u = mos -2(pv zBoi - 2oxv - 2px(pv .v)l + Gv-Ft'x-o)2 = "? * F2oI .px) .40. los cómputos de d2 y I¡ )d se mue¡tran en la Tabla 8-20. = f.cAP. 20.r.6 -1.5 -1.Fpx."l Igualando estas ecuaciones a cero.}j'2l.25 2.ol.25 2.P(X .px) * (pv .26 L2.00 d Entonces 2iP = 72. En general.5 3. lo cud es una condición necesa¡ia para que F(q.Fpx.0 1.Fy = p(r . (b) X sobre Y. .(r+2y) 0<n<7.26 1. halla- tv = ol Ftx Por tanto si g .26(b).26 12.60 rgrad = t-#!T: .o*t¡ . íE = dF Denotando la última expresión por F(c.0. Y es l\r'a) : (a | f.rv) = 0.6 3. con la correspondiente para muestras. REGRESION Y CORRELACION diferencia en graduacionec d.dlz} = El(y -pv)21 + BzEl(X-r. E(Y .F) sea un mínimo. utilizando sumas.a* pr entonces A . Derivar (39) a partir de (37).39.9px.6 1.P¡x.pvl . los resultados para muestras tienen resultados análo- gos para poblaciones e inversamenüe.00 2. ) La función de densidad marginal de X es f{r) = [. Suponga que la ecuación de regresión Para la recta de regresión de es ! = E(YlX=r) = a*Fr mínimos cuadrados debemos considera¡ E{lY (a+ px)12} bóo¿r¡"-or utilizado = E{I(Y .

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

05 rechazaríamos Ia hipótesis de que el coeficiente es tan bajo como 0..r: L. Por tanto no podemos rechazar la hiPótesis.nfi162\/28/Bz4 -0. 8l CURVA DE AJUSTE..losaleolocar t=lt..2g para 12 . sr.t / ó (b) La recta de regresión de.r: L.66 del Problema 8'11' 8. sx: 2. 0.2 : 10 grados de libertad.43)' y n: !2 1 r/o t r--- .180 si ú ) ú.23 h es decir.los Ií¡:rites de conftanza del 95oy' para --j:lq--.- 2..o+zul)arav =1 3 .'=o Í"'=o.180.28 (calculcda en el Problem a 8.0818 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 8.11 = -l/162/. de los hijos cuyp son 8.476x.-- . (b) X sobre Y para el Problema 8.'lW\" . 1/ . (¿) La recta de regresión de Y sobre X es + oXY "+@ . ot : ".á para el coeficiente de regresión del Problema 8.11 se halló que la ecuación de regresión de y sobre x eray: 35.22)y 1.4?6 r6 (Problema 8.42.e5: 1..4?6 t Vlo\' t/tz.8I 6.szs=!2. En eI Problema 8.o1f. se está en la ryHt\ = 0.81 para L2 .47G :t ' +('!!) t" / = 0.11).42. REGRESION Y CORRELACION 289 (e) xY = Entonces Í. Y ltr-2 donde 37e : 85.2: LO grados de libertad.0 pulgadas' puesto qu€ t s7.. En el Problema 8. Escribir las rectas de regresión de mínimos cuadrados de (a) Y sobre X.2 = l0 grados de libertad) vienen dados por 95?iparap(obteni.2\ o. hallar los límites de confianza d-ei 95'7. ¡rara ias estaturas yos padres tienen unas estaturas de (o) 65.B4o confianza del 95% de que 6 se encuentra entre 0.0 y lb) 70.lrv1l_z=-. (+) ó a -i : - ür I x) ó -. .43.. r8fl .- = . 8.q\I a.:2.9b Con un ensayo unilateral de Ia flistribucirin de Student a un nivel 0. Hallar los límites de confianza del 95'.Of Ae que el coeficiente de regtesión de la ecuación de regtesión poblacional es tan bajo como 0.cAP.40. Ensayar la hipótgsis al nivel d-e significación del O.-.476B-b t=r.136 y 0.xY p = n-xÍ oxY oxoy = *-(s)(i*) = = - 1 162 0 -l/162 .82 + O. Loslímitesdeconfianzadcl F = b-+f+) ' \ñ4\82 I para 12 .28. = {".44.82 + 0.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.2U'L66 0'19916¡= = ya que eo.11.43.66 (Problema 8.45.

rcontalquero -ñnoseademasiadogrande. 7.76 1 1.1 y 7 4.6 pulgadas.0 pulgadas. se puede estar en la confianza del 96Vo de que las estaturas de los hijos están entre 63.2óy6!2so.?6 t 3.11).0 y (b) ?0.23 donde y¡ : ffisv. Entonces 66. hallar los límites de confianza del96% para las estaturas'medias de los hijos cuyas estaturas de los padres son (a) 65. Tarnbién.E. (o) Si. Nótese que para grandes valores de n.": 2.O .8 pulgadas.0.46. 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. TEORIA MUESTRAL DE LA CORRELACION 8. los límites de confianza del 95% para Uo fo son = 2. los métodos muestrales son exactos para una población normal.za\ = 66. 35. En el problema 8.290 CURVA DE AJUSTE.32.66 (Problema 8.6 pulgadas úo 0.14 pulgadas.07 pulgadas. También (x¡ .75 para 18 -2: L6 grados de libertad. Ya que t.32 sea considerablemente mayor que cero al nivel 0. hallamos [comparar con el hoblema 8.14 f es decir.05 utilizando un ensayo unilateral de la distribución que de Student.8 los límites (o) Si 16 : 65.78. y¡ : 66.0. t/6 al nivel 0.Los métodos de este problema son válidos independiente del tamaño de n ó to .11. Un coeficiente de correlación basado en una muestra de tamaño 18 resultó ser 0. se puede esta¡ en la confianza d.16 :65.0. es decir.66.14 + 5. REGRESION Y CORRELACION lcAP.05 y (b) 0.s1t : 2.Estoconcuerdaconlosresultados aproximados mencionados en la página 262.82 + 0. /e : 69.69. el valor mÍnimo de n debe ser 032{n - 2 r/i -to.t)2 : (65 . = t.1/l-z = = .05.?6 a 2'23 es decir.2 pulgadas.01 que el coeficiente de corréhción poblacional es apreciablemente mayor que cero? Deseamos decidir entre las hipótesis (Ho: g :0) y (llr t = . es decir./i=@0.8OOtl2r2 : 2.SOO112)2 : 11.o¡ para n - 2 grados de libertad .ss :7.09 pulgadas.0.sz).45 pulgadas. rechazaríamosI/e si ú ) ú.45(ó)] los límites de confianza del 95%.48. de confianza del g5% son (ro .0 pulgadas se encontra¡án entre 67. Porlo +1. (o) (ó) Puesto que no podemos rechazar ) 0).45(c)] los límites de confianza delg1l".sz\/ra-z : p l.96sy.476 r6 (Problema 8. Entonces los límites de confianza del 96Vo so¡ 69.elgbVo de que las estaturas de los hijos están entre 64. los límites de conñanza del 95% están dados aproximadamente 8. se puede tener confianza de 95Vo que la estatura media de todos los hijos cuyas estaturas de los padres son 65. Por tanto no podemosrechaza¡I/6 al nivel 0.0 y ?0.7 y 70.' sr.48). ciertamente no podemos rechazarla al nivel 0.Bb Sobre la base de un ensayo unilateral de la distribución de Student a un nivel 0. o.01 8.47.05.80 pulgadas (b) Si 16 : 70. hallamos [comparar con el Problema 8.?6 pulgadas.i¡z : (?O.23 para 1 0 grados de libertad.? y 6?. ' (b) Si re :70. ¿Puede concluirse a un nivel de significación del (a) 0. ¿Cuál es el tamaño mínimo tal de una muestra para que podamos concluir que un coeficiente de correlación de 0. es decir.11.0 pulgadas se encontrarán entre 65.05? A un nivel 0.05.

5366' p = = L.2182 = 1. (Hs p2r= Fzrl I (Hi Fzr* .69.) nzr-2.7L./ 0.51.sz\/rLtt/l-(u32Y = 1. pa¡a n=2g. ¿Hay una diferencia considerable entre los dos coeficientes a un nivel de 0. para n=27.0e86 10. L {zt - = Z-pz oZ 0.s2\/ñ/\Flfu2p. si Si pz Fz /r +"\ = l.50 a un nivel de significación del 0.s5=1. v =24./ = 0. n=26. t.r6r3t"" o. Puesto que r : 0.66.tJ2:1.5606. El coeficiente de correlación entre las calificaciones finales de fÍsica y matemáticas para un grupo de27 estudiantes se calculó era0.o.6.50.05 utilizando un ensayo unilateral de la distribución normal rechazaría' mos la hipótesis solamente si z fuera mayor a 1.2182:L.60.b4es. p : 0. 8. (b) Sip:0.s|= 1.Hallarloslímitesdeconfianzadel96% paraeste coeficiente.7L. Por tanto los límites de confianza del 95Vo para p son 0.9730-0. a un nivel de significación del 0.50 y tz : 0.r¡rlb*'.5606.6932 0. los límites de confianza d.75. t.L613 logS:0. Por tanto no podemos rechaza¡ la hipótesie de que el coeficiente de correlación sea tan pequeño como 0. t . v =26.05.49.80.94.266e = 0.64 y por tanto n: 25. Dos coeficientes de correlación obtenidos de muestras de tamaños nt : 28Y rtz:35 se cdcularon como rr : 0. 8.80 y n = 21.05? o.el 95Vo püa pz vienen dados por Z=L.9r : 1. Entonces el tamaño mínimo de la mueetra ean:28.) 0.30 respectivamente.72.4904- = 1.!613*(=.28 A un nivel de significación del 0.e155.r5tz'""(+l-&.Portantopodemos rechazar la hipótesis de que el coeficiente de correlación poblacional sea üan pequeño como p: 0.96oz = 1. (b) p : 0.50.rrro. ¿Podemos rechazrir la hipótesis de que el coeficiente de conelación poblacional sea tan pequeño como (a) p (o) : 0.50. z = t. = Deseamos decidir entre las hipótesis = 0.49 y 0. ú.05? zr = r.4620 Entonces ¡t2 tiene el intervalo de confianza del9SVo. t=0.5366 a 1.?1.28z (ff3*3) = o.5493y2:(0. 8.unrr. t.=L.9730 0.:) = oz= La variable tipificada ee Fz = r. Un coeficiente de correlación basado en una muestra de tamaño 24 se calculó era r : 0. REGRESION Y CORRELACION Para un número Pa¡a infinito de grados de libertad. t--032\r26^tr=@ = 1.rsr3 loc\t -.(-) \r P.0. zz: r.s0(-/l1 \ \y'n_B/ = 1.s|= l.B0eb #*#= Fzrl.64.CURVA DE AruSTE.60.92. v=26.5493)/O.16131og(++*) /r r-\ \r-'l / *t.L6rt*(=.

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-(#)(#)] =

De la Tabla 8-30 tenemos. REGRESION Y CORRELACION 299 Por tanto las desviaciones típicas de las calificaciones de matemáticas y fÍsica son 14. (b) sr.65 utiliza¡rdo el resultado de la parte (c)' .60. (b) SolucionarelProblema 8.o 8. = L4.62.2. 8xv 160.0 = (b) 6 r-ü='?o-o¡.20 G&r'-áiÉfutB = o'7686 que concuerda con r hallado en el Problema 8. en tanto que su covari¡nza es 160.. = 13.66. a y-6e. página 261 . Tenemoe 8"".64. para los datos del Problema 8.9) -69.e Ge.5¿8 8.0=A+##€?!)@-70. Escribir las ecuaciones de las rectas de regtesión de (c) y sobre del Problema 8. r. (b ) r como Ia va¡i¿ble dependiente.9 = 8. ParalosdatosdelProblemaS. 0.64.64.934 s.s6oy'1:107686)á Problerrra.9 respectivamente.x=L2. s!. para obtener las ecuaciones de las rectas de regtesión (¿) ó a-u='!w-nt.60. (b) Í sobre y para los datos rr+qW = 64.(b) elvalordexparay:7' (o) Utilizar el método a mano alzada para obtener Ia ecuación para una recta de ajuste de los datos del Problema 8..966.v ts. Ajustar una recta de mínimos cuadrados a los datos de la Tabla 8-31 utilizando a (a\ x como la variable independiente.0=q9ff##q(v-6e.821(o-70.a guplementa.cAP. Entonces utilizamos ( I 6 ).gZfy'f - (OfOg6P = = 9. = ¿yt/Ti-rz = = a"t/T7rz = f¿.. (a) (bl Ey.66 8.uo+qY: 145+q'qfrEq = u= De los resulüado¡ del Problema ?o.60. r a 3 6 6 8 911 234668 8.0) x-?0. 0.. 8l CURVA DE AruSTE. Utilizar los resultados del Problema 8. Representar gráficamente los datos y las rectas de mínimos cuadrados utilizando el mismq conjunto de ejes coordenados.rlos RECTA DE MINIMOS CUADRADOS Tabla 8-31 8. Calcular los ertores típicos de la estima (c) er.7t9(u-69.926 y r = 0. E.61 a.5+E#9 = ú .0).0 y 14.e).. 8y r-70.61.63.hallar(o)losvalore$deycuenda x=6.?686.

54 42 30 .?1.6 21. utilizando a r como la variable independiente.74. o^ 2. utilizando a y como la variable independiente. Tabla 8-36 Números de horas (¡) 0 I 47 2 3 4 D 6 Número de bacterias por unidad de volumen (y) 32 65 92 132 190 275 8. z. y : t 8. 12 .(b)Ajustarunacurvademínimoscuadradosdelaforma !=abxalosdatosyexplicarporqué esta ecuación específica da buenos resultados.300 CURVA DE AJUSTE. (c) Hallar la recta de regresión de írínimos cuadrados de ¡ sobre y. u (mi/h) Distancia de parada d(p) 20 54 30 40 138 50 60 70 90 206 292 396 E.73. ¿cuál es su puntuación esperada en física? (e) Si un estudiante obtiene una puntuación de 95 en físice. Con referencia a Ia Tabla 8-33.70.72. t. 8 t.a los datos. (a) Representar gráficamente d. 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.t--10.6 9. (d) Si un estudiante obtiene una calificación de ?5 en álgebra. o + bx r a 0 1 2 ó A 5 t) ¿x?alos datos de Ia Tabla 8-3¡t. (b) Ajustar una parábola de mínimoscuadradosdelaformad:oIbu*cuzalosdatos. (d) Representar gráfioamente las dos recta¡ de regresión de (b) y (c) sobre el diagrama de dispersión de (o).71 rrcstrar c6mo una gráfica en papel semilogarítmico puede utilizarse para obtener la ecuación pedida sin emplear el método de los mínimos cuadrados. Alustar una parábola de mínimog cuadrados. con Ia escala logarítmica para yr la escala ariü- méticaparar. ¿cuál es su puntuación eeperada en álgebra? Tabla 8-32 Algebra (c) Física (y) .ID 80 ?8 93 86 65 72 87 91 7L 98 95 68 84 89 tt 82 80 72 74 E.3 14. (D) Hallar la recta de mínimos cuadrados que se ajuste.y:6. (b\ Estimar z cuando a to 90 10 72 . (o) Hallar la ecuación de regresión lineal de mínimos cuadrados de e sobre x.I 3. (o) Representa¡ loe datos en papel semi-Iogaritmo.a Tabla 8-37 muestra los 3 6 o n 8 t? o t4 valores correspondientes de tres variables x. (c) Hallar la recta de mínimos cuadradoe que se ajuste a los daüos.8?. El número y de bacterias por unidad de volumen pres€ntes en un cultivo después de ¡ horas viene dado en la Tabla 8-36. Tabla 8-36 Velocidad. Escribir las ecueciones normales para la curr¡a cúbica de mínimos cuadrados dada por dx3 . [. (o) Representar gráficamente los datoe. (o) Construir un diagrama de díspersión. En el Problema 8. y. REGRESION Y CORRELACION [cAP.2 5. y. 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.u. I : o t bx * cx2 I Tabla 8-37 REGRESION MULTIPLE E.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.(c)Estimardcuandou:45mi/hy80mi/h. (c) Comparar los valores de y obtenidos de esta ecuación con los valores reales. (d) Estimar el valor de y cuando r : J. (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r.68.

z . Hallar la covarianza para los datos del Problema 8. Utilizar los resultados del Problema 8. (b) la va¡iación no explicada datos del Problema 8.76.Br * Ca I Dr2 * Ery * Fyz Obtener las ecuaciones normales para los eoeficientes de regresión de mínimos cuadrados.. " para los datos en el Problema 8. 8.86.3E 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. y obtener exptesiones para los coeficientes de regresión de mfnimos cuadradoe el resultado del hoblema 8. Demostrer que la ecuación para regresión lineal de z sobre r.90.60. ¿Hay al' t.50.74. (b) Multiplicar todos los valores de ¡ por 2 y sumarles 6.82. r.38 lación entre muestra las edades r y la presión sanguínea y d. coeficiente de correlaciónentredos variables¡.= 3y ss : 5. 8. La Tabla 8. y dados en la Tabla 8-39. . 8l CURVA DE AJUSTE.89.60. REGRESION Y CORRELACION 301 8.Sis"=1.68 (a) dircctamente.81 u 8.76. 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. Hallar el coeficiente de correlación entre los dos nuevos conjuntos de valores. (b) Obtener eI coeficiente de correlación directamente de las pendientes de las rectas de regresíón del Problema 8. Hallar los coeficientesde correlación para los datos del (o) Problema 8.80 para hallar el coeficiente de correlación entre los dos conjuntos de calificaciones de los exámenes del Problema 8.EO. (b) r sobre y. Multiplicar todos los valores de y por 3 y restarles 15.8?. (b) utilizando la fórmula s¡s = rs¡sÍ y el resultado del Problema 8. 8.68 utilizando la fórtnula producto-momento y comparar con el resultado del Problema 8. yesr:0.75 para solucionar el Problema 8. Si el coeficiente de correlación entre. Calcular (a) la variación total en y. y tiene la form¿ z = A 1.79.E2. ballar las ecuaciones de la recta de regresión de (o) y sobre x. sr:2.81.E4.00. ¿qué porcenüaje de la varfación total pennanece no explicada por la ecuación de regresión? 8. Hallar (o) sy ".7 7 a(r-¿l+b(u-úl o.64.67.7t. y. los dos conjuntos de calificaciones de los exámenes del Problema 8. (b) sr. ú=20. y.eL2 mujeres. halla¡ r.r.y para los datos del Problema 8. Utilizar 8. (b) $.68.8f .t3.68(b) v (c ).cAP.= E.85.68. explicar por qué se obüiene o no el mismo resultado que en la parte (a). (c) Estimar la pre- sión sanguínea de una mujer de 45 años. Calcular (o) sv.86. (c) la variación explicada en y para los 8.i=10. (o) Calcular el coeficiente de correlación entre los valores correspondientes de r. D. y puede escribirse como z-2.68. (o) Hallar el coeficiente de corre' r.88. y es 0.¡. (o) Hallar elcoef¡cientede correlación entre E. Tabla 8-39 x a 2 4 5 6 811 18t210875 .! . (ó) Determinar la recta de regtesión de mínimos cuadradoe de y sobre r. en E. (b) Problema 8. E. ERROR TIPICO DE LA ESTIMA Y COEFICIENTE DE CORRELACION LTNEAL E. 8. Si sv. El 8.

Tabl. H¿ll¡rlacurvaderegreeiónde(a)YsobreX. E. t.96.4O 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. t. D.96gina 52.paraelca¡odeunaauperficiederegresiónlinealparazsobrer. I COEFICIENTE DE CORBELACION GENEBALIZADO E'91.rOO. Da¡ un ejemplo para demostrarcómo hallaría (a) el error típico de leestima.(b)XaobreYparalosdatosdelhoblema2.8.gus observaciones en (o). (b) X eobre y.¡ 8. Hallar el coeficiente 264.lOS. t.99.68 v (b) Problema 8.s.lo6' función de densidad conjunta (o función de probabilidad conjuñta) f(x. (b) De.8. (D) X eobre Y para el hoblema 8. 8.y. Hallar el coeficiente de conel¡ción lineal para la¡ variableg aleatoria¡ del Problema 2. La función de den¡idad conjunta de las variables aleatorias X. (o) Hallar el coef¡ciente de correlabión gradual para los datos del Problema 8.74. Halla¡ la recüa de regesión de mínimoe cuadrados de (a) Y sobre X.94. REGRESION Y CORRELACION [cAP. G.84.99. página 52. t. t.lol. (b) X cobre Y para Ios datos del hoblema 2. Il¡llar t. Halla¡ el coeficiente de conelación gradual y decidir eobre el acuerdo de loe jueces en su8 eleccioneg. Obtener el coeficiente de correlación lineal para el hoblema 8. ¿Ocurren algunae simplificaciones en la¡ curvas de regresión Ce Y sobre X ó X sobre Y para el caso de varia- . t. COBRELACION GRADUAL E. H de acuerdo con sus preferencias.102. (o) Calcular el coeficiente de conelación múltiple pars los datos del hoblema 8. lo¡ resultados se mueshan en la Tabla 8140.página 263.98. Doa juecec en una competencia debían clasifica¡ a 8 candidato¿ A. variación toüal es erplicada por la ruperficie de regreeión? (b) ¿Quéporcenüajedela Demostra¡elresultado (27). INTERPBETACION PROBABILTSTICA DE LA REGRESION Y LA CORRELACION E. estudiar una posible deeventaja del método de conelación gradual. F.5g ufilizando el resultado (35).(D)larvariacionee explicaday no erplicada.págirra52. de conelación para las variabie¡ en el hoblem" g. C.96. B. y\.92. tls[a¡ la recta de régresión de mínimos cuadrados de (a) Y robre X. Y con E. Mostra¡ cómo se puede diseñar un coeficiente de correlación múltiple. Hallar el error típico de la estima de z ¡obre ¡. el coeficiente de correlación gradual para loa datos del (a) Problema 8.90.302 CURVA DE AJUSTE. (c) el coeficiente de conelación generalizado.93.104.74.99. ble¡ aleatoriac independientes? Explicar. Y viene dada por f(r. y para lo¡ daüo¡ del Problema 8. página t. en el ca¡o de do¡ variablee aleatorias X. 8.a) = [2r+3a Io o(c(L'o<Y<2 de otra form¡ Ilalla¡ la curva de regresión de (a) Y sobre X.106.97. t.

y'es eI mismo que el entre. (b) tan alto como 2. utilizando un nivel de significación del 0'05? 8.60 de una muestra de tamaño 28.00 y ñ = 7.95 respectivamente.80 y 0. Sobre la base de una muestra de tamaño 27 se encontró que la ecuación de regresión de y sobre r era t = 25.l0?hallarloslímitesdeconfianza d.123. ¿Podemos concluir a un nivel del (o) 0.f-(1 -r2)s. 8l CURVA DE AJUSTE. Demostrar que el ángulo entre dos rectas de regresión muestrales de mínimos cuadrados viene dado por .d'. 8.70. ¿Podemos concluir a un nivel de significación del (o) 0.118. para la recta de mlnimos cuadrados. 8. que hay una diferencia significativa en' tre los dos coeficientes? RESULTADOS DryERSOS 8.84. Si sr. Las rectas de regresión muestrales de mínimos cuadrados para un conjunto de datos involucrando X.10?.(b)99%paralamedia'detodoslosvaloresde y correspondientesa¡ = 6. TEORIA MUESTRAL DE LA CORRELACION 8. demuestre que el coeficiente de correlación entre r'.121.114. Hallar los límites de confianza d. 5r . hallar los límites de confianza del (c) 95%.* : 8. Hallar los límites de confianza del (a) 957o.10? hallar los lÍmites de confianza del (o) 957o.00. 8." = 1.05.60.20.tes t?.11?.I22. En el Problema 8.112. Demostrar que el cóeficiente de correlación - g.109. Solucionar el Problema 8. .(b)997oparu un coeficiente de correlación que se calculócomo 0.sx = 3. DemostrarqueparaelcasoderegresiónlinealelvalormÍnimodeE'{[]'-(o*¡lX)lz.c2 soll constantes arbitrarias.01.tu] tan-'L rfti + si) -l E.?0.ypuedeexpresarsecomo il2 -:. 8.5a = 3. Hallar el coeficiente de correlación lineal. REGRESION Y CORRELACION 303 TEORIA MUESTRAL DE LA REGRESTON 8. Un coeficiente de correlación basado sobre una muestra de tamaño 27 se calculó como 0. a un nivel de significación del 0.30.01. (b) ta presión sanguínea de las mujeres de 45 años. (c) la media de lae presioñes sanguíneas de las mujeres de 45 años. E.el(o)95%.S4.40. que el correspondiente coeficiente de correlación poblacional es considerablemente mayor que cero? E.114 si el tamaño de Ia muestra es 52. 8. página 260. EnelProblemaS. Un coeficiente de correlación basado sobre una muestra de tamaño 35 se calculó como 0.113.8. donde r¡¡ !/6¡ cl¡.211Ú 8.108.!l = 2.1 "l$- c2) 20.10? ensayar la hipótesis de que el coeficiente de regresión poblacional 1. (Sugerencia: Suponga quer' = noi c1r. 8.l19.01. y). Demostrarqueelcoeficientedecorrelaciónentre¡.50. Verificar los coeficientes (5).(b\ 99% para y cuando ¡ : 6.00. Yvie' nen dadas por 2:r . Dos coeficientes de correlación obtenidos de muestras de tamaños 23 y 28 se calcula¡on como 0.05.00 ¡. (b) 0. es (o) tan bajo como 8.el 95% para el coeficiente de correlación calculado en el hoblema 8.115. (b) 0.110. 8.cAP. .50' ¿Podemosre' chazar la hipótesis de que eI coeficiente de correlación poblacional es (o) tan pequeño como p : 0. En el Problema 8.0 + 2. (b) tan grande como p : 0.(b\99% pra el coeficiente de regresión. A' = llo * c2y.111.\ es independiente de Ia elección del origen de las variables o de Ias unidades en que se expresan. ConreferenciaalProblema8.116.hallarloslímitesdeconfianzadel 9fleparafo)elcoeficientederegresiónde y sobre r.

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 .6 L19. 8.3 I 10. REGRESION Y CORRELACION [cAP.5 r14.1 t 10.5 116.y para loa daios del hoblema 8.126.2 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 101. 8.r.4).1 25.127. Hallar (o) s".L25. 8ü 8É ¿Es el resultado válido para regresión no lineal? 8.8 114. - Tabla 8-42 Año Indice de precios al consumidor Indice de precios al 99. f¡¡ 32 20 t2 q .128. (o)HallarlarectaderegrecióndemínimoscuadradosdeysobrerparalosdatosdelProblemaS.8 111.l2S. Demostrar que para regresión lineal 4 = +. Hallar los límites de confianza del 96% pára el coeficiente de correlación calculado en el hoblema 8.0 113. 210-225 I .129. Ilalla¡ el coeficiente de correlación entre las estaturas y pesos de 300 adultos dados en la tabla de frecuencias siguiente.8 8.8 102.41 ESTATURAS .(ó)Estimar los pesos de doe hombres cuyas estaturas son 64 y ?2 pulgadas respectivamente.3 1r 7.125.1 114.7 114. El período base es de L94? 1949 : 100. Tabla 8. (e) ¿En qué año podemos esperar que el índice de costos médicos doble el del 194?1949. (d) Predecir el Índice de precio para la asistencia médic¿ durante 1958 y compararlo con el valor verdadero (L44.5 por mayor 103.2 t23.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) . (b) Br.8 111.2 Fuente: Bureau of Labor Statistics 8. Con referencia a la Tabla 8-43: (o) Representar gráficamente los datos.4 I14.130. (c) Calcular los valores de tendencia y compararlos con los valores reales. E.L24. 19 5 o (t) e.304 CURVA DE AJUSTE.2 r20. (ó) Hallar la recta de mínimos cuadrados que se ajusta a los datos y construir su gráfica.6 I 10. 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.

' Utilizar el Problema 8.0 1030 18.136.página265.9 ¿ind 1935 1940 1945 1950 1955 24.7 21. página 265. Education 8. (d) Explicar por qué la ecuación en (b) no es útil para propósitos de extrapolación. Y variables a|s3fs¡i¡s con función de densidad conjunta (o función de probabilidad) f(x. y). 8.134. si Ia hay. Sean X.¿) donde .l35.131.5 23. En el Teorema 8-1.9 17. ¿es g(r) única? Explicar. Estudiar la relación.6 Fuentet Department of Health. 8. Tabla 8-44 Año Natalidad por cada 1000 habitantes 1915 1920 7925 25.¿(r) es cualquier función de r para el cual estas esperanzas existen. Demostrar el Teorema 8-1.6 23.132. .133. 8.132 para variaciones explicadas y no explicadas. Demostrar el Teorema 8-2.3 16. (Sugerencia. Demostrar que si 9(r) = E(Y \ X = c) entonces EUY - É(x)1'!) = E{LI'- o(xl¡z¡ + Ells(x) - q(x)l. (c) Calcular los valores de tendencia y compararlos con los valores reales. E. REGRESION Y CORRELACION 305 8. (b) Hallar la parábola de mÍnimos cuadrados que se ajuste a Ios datos. (a) Representar gráficamente los datos.9 Welfaie 19.cAP. Con referencia a la Tbbla 8-44.132).8l CURVA DE AJUSTE. del Problema 8.

. esto es r .. TYatamiento 2 itv t2. donde el número de medidas en cada grupo es b.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. Supóngase que en un experimento agrícola cuatro ttatamientos químicos diferentes del suelo producen rendimientos medios de trigo de 28..2. . tenían la misma vaianzi. . Supusimos que las dos poblaciones.ao lk : a0 i=t r=t -. En muchas situaciones existe la necesidad de ensayar la significación de diferencias entre tres o más medias muestrales. . . se utiliza para indicar que el índice k se ha sumado.^ 306 (2) . Los resultados de un experimento de un factor pueden representarse en una tabla con a filas y b columnas (Tabla 9-1). 22.. . Hablamos de a tratamientos. Los valores i¡. ..a Q) El punto en tj. o lo que es equivalente a ensayar la hipótesis nula de que las medias muestrales son iguales. desarrollada por Fisher. r35 se refiere a la quinta medida para el tercer tratamiento. La gran media o media total es la media de todas las medidas en todos los grupos y se denota por c. 2. EJEMPLO 9. CLASIFICACION SIMPLE O EXPERIMEI{TOS DE UN FACTOR En un experimento de un factor se obtienen medidas u observaciones para 4 grupos independientes de muestras. tg y 24 hU}l'a respectivamente. medias de tratarrtiento o medias de fila. Tenemos _lb fr¡:62r. Tabla 9'1 Tlatamiento 1 Ítt E2l rtz rzz xtb fr1. Utiliza la distribución F considerada anteriormente en los capítulos previos. *iÉr. Aquf r¡¡ denota la medida en la fila j y Ia columna k. cada uno de los cuales tiene b repeticiones o réplicas. a : 4.1r2'. En el Ejemplo 9'L. b. ¿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.2. Ttatamiento ¿ üol fio2 rob tra Denotaremos por i¡ la media de las medidas en la fila j.. dl h : 7.. se denominan medias de grupo.. Por ejemplo. donde i : t. de las cuales se extrajeron las muestras.1..r i:7.

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

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

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

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

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

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

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

). interacción o¡ y error residual o aleatorio u": 'u:. a-l A.r. Variación Grados de libertad Media de cuadrados F Ao ¡Ao s íts á Entre tratamienüos.rr-r¡r.. ai.t)e = )(a:. u abc-7 . las pÉn = o.ue donde (40¡ (47) .*r)2 (50) (51) . xi.-r)z k=l 't)¡ : " 2 1b @. ' 1)r d- L con o -1.314 ANALISIS DE VARIANZA lcAP.1). e donde p.Ui (o-1)(b-1) con (a . i. Tabla 9-6. = o. = llo*.. "e = ac I6/s 2 b-1 - con ó-L. podemos establecer la tabla de análisis de varianza.k. = o (t 5) u' columnas Como antes.l En estos resultados los puntos en los subíndices tienen significados análogos a los dados anteriormente (página 306).k. Tabla 9-G (52) Utilizando el número apropiado de grados de libertad para cada fuente de variación. -n'.¡ j=r o a (t'8) (t'e) 't)c: ac)(r. Así.tu - ñ1.ab(c-l) grados de libertad Ao .- fr. mientras eue 7¡r denota efectos de interacción fila-columna o tratamiento-bloque (a veces denominados interacciones). la variación total u de todos los datos puede dividirse en vatriaciones debidas a las fi u". ?r.t.: he*. ¿b(c grados de libertad - 1) Residual o aleatorio. Ajrr son variables aleatorias independientes normalmente distribuidas cbn media cero y varianza o2.n = o. o si/sá Interacción. ?r. Correspondiente a (36) tenemos ?".r.ü = )(r¡xt-r)2 i.u¡+a"+0¡*. ab(c Ao rAó 7) grados de libertad Entre bloques. lc b-1 Ao a.. por ejemplo. ¿ abk - 1l Ao 8á = o61r-1j oe Total.t 't)t = uc) 1x'.1Xó . . B¡ se definen como antes..

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.9-3 grecoJatino Fig. En lo que sigue damos algunos ejemplos importantes de diseño de experimentos.1). y l/. En este caso podemos concluir que las interacciones no son muy g¡ánAes. El propósito de la aleatoriedad es la de eliminar varias fuentes de enor tal como fertilidad del suelo. para ganar tanta información como sea posible. Caso II. 1. a cuatro bloques escogidos completamente al aza¡.F de 33/0? V GfBi en cambio de esas dadas en la Tabla 9-6. Supóngase que tenemos un experimento agrícola como en el Ejemplo 9.cAP.l) + ab(c . Dos casos poóibles se presentan. página 306. 9. (a . aunque físicamente cualquier forma puede utilizarse) y asignar cada tratamiento.F' de 3?/S3 de la Tabla 9. D. que pueden analiza¡se como en la Tabla 9-5.los detalles de un experimento deben planearse cuidadosamente con anterioridad.j'z) utilizando las relaciones . Completa aleatoriedad. DISEÑO E)GERIMENTAL Las técnicas de análisis de varianza discutidas anterionnente se emplean despuós de que se han obtenido los resultados de un experimento.2 Fig.r A B c A C B A c C" Dr Au B6 Cuadrado Compleüa aleatoliedad Bloquee aleato¡ios Cuadrado latino Fis. esto es oj = 0 I{2): Todas las medias de bloque (columna) son iguales. indicados por . Esto produce una tabla factor dos con valores singulares. El procedimiento se ilustra en el Problema 9-tr3. Luego podemos ensay4r H. Il[r) no puede rechazarse. B. Utilizaremos este procedimiento alterno. esto es l3*= 0 I{:}): No hay interacciones entre tratamientos y bloques.1) (b . 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. y utilizando este valor para remplazar el denominador 3! en el ensayo F. el Las relaciones tr'en la nulas ANALISIS DE VARIANZA 31ó las hipóteeis ütima columna de la Tabla 9-6 pueden utiliza¡se para ensayar I/[t): Todas las medias de tratamiento (fila) son iguales. Las diferencias en los factores serían impgrtantes solamente si fueran grandes comparadas con tales interacciones.9-l . 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. C.4. utilizando hs íelaciones F de G?liZ v 3:63 reópectivamente como se muestra enlaTabla9-6. En este caso podemos concluir que las interacciones son considerabtemente grandes. Il[3) puede rechazarse. Esto se denomina a veces como diseíw del experimento. etc. Caso I. Sin embargo.6. 9-1 por cuadrados. Por esta razón muchos estadísticos recomiendan que se ensayen I/é'. 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 .o) y-H<2.1. Pa¡a üseña¡ tal experimento podríamos dividir el teneno en 4 X 4 = L6 parcelas (indicadas en la Fig.9-l Fig.

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

2x)r¡¡ I i. Verificarque(o) (d) r: úbÍt(b). o C.3. )r¡. Utilizar el método largo.. (c) la va¡iación total. -'#(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. + abú2 i. B. : abñ. = 't)61't).k abúz )"i = j.]..k .r b bI 1.k . (b) la gran media para todos los tratamientos. i'k f¡*" .utilízandolanotaciónenlapágina307. La Tabla 9-7 muestra los rendimientos en hl/ha de una cierta va- A B C . .2(b) en el tercer renglón y el Problema 9.k 2r@br\ aü*: )"'n = j.2.'*\ u u.k = )rr¡. )1rc = ))*r* r = abt 9.oi-ziri+ñ2) utilizando el Problema 9.2(o) en el último renglón.2(o) en el tercero y último renglones anteriores. Análogamente = )(¿.ijk+ñ2\ = i. Tenemos página 307.j=lk=l 'i ) )'¿r.) r:r tenemos K por Ia parte (c).k )(rji-zx.-¿)t )¿i = i. .cAP.¡. riedad de trigo cultivado en un tipo particular de suelo tratado con químicos A. el ANALISIS DE VARIANZA 317 g.18 49 50 47 19 .-!+abEz -* í..u ó un -. Hallar (c) el rendimiento medio para los diferentes tratamientos.4. (b) (c) Puesto que 7j. Verificar las fórmulas cortas (10)-(12). (d) la variación entre tratamientos y (e) la va¡iación dentro de tratamientos.=brj.D6 I ab¡z s-? -4 ab =.(c) ?'.t) = )(¡.k / r'\2 rl rS/rl-zrJ.zr>ti.r-r): i.It - 1'b' Tabla 9-? 9.18 49 48 50 49 51 50 .

obtenidog al sumar 45 a éstos. de significación del (c) 0.01? Tenemos con-o Con referencia al hoblema 9. ¡r..4)'.05. 3 0.4): + (5-4¡: =14 ((l ) Variaciónentretratamientos = tr.4.: i(4+6+5*5) = respectivamente. eon 49.4)2 + (5 -. 48 y 50 hl/ha para A.5)r + (d--5)! -l (5-5)r + (5-5)r 412 9. Por tanto los rendimientos medios. (b) 0. =. de todos los datos sin afectar los valoree de las variaciones.¡.Tabla 9-8.¿. Entonces obtenemoe los datos de la. = !4(B+4+ 5+4. (a) (b) ? 3 9. C (b) (c) .1): 3(4-1) : I grados delibertad. B.318 ANALrsrs DE vARTANZA Para simplificar la aritmética podemos restar algún número apropiado. (b) la variación dentro de tratamientos. 1 = 4.6. [cAP..4)2 + (2 .05.4)2 + (4- + (2 -3)2 + (4-3)2 + (:J-U + (5-4¡r + (4-4): 3)2 + (3 .k = (3.4. = i(B+4-f b+4+2t. .u = 14-8 = 6 (cl.96podemos techazar la hipóüesis nula de medias iguales al nivel 0.26. = b)) (é) Variacióndentrodetratamientos Otro método. Tabla 9-E e (a) por Las medias de tratamiento (fila) para la Tabla 9-8 vienen dados respectivamente rr. hallar una estima insesgada de la varianza poblacional oz de (c) la variación entre tratamientos bajo la hipótesis nula de igual medias de hatamiento.@ir-E)2 = (3-4)r + (4-4)x + (6-¿)¿ + (4.g)r + (4.¡.5.95:4. por ejemplo 45. = o.4)2 + (4-4): + (3 .4)! + (3 . 4l(4 .Puesüoque^F :6)F.¿): + (4 -4):¿ + (6-4)2 + (5.f B+4+6+b+b¡ = Así la gran media para el conjunto original de datos es 45 * 4 : 49 hl/ha. = ) @¡¡-E¡. -¿).:l = = r'. Con referencia al Problema 9.41-B. (o) ConreferenciaalApéndiceF.4¡:: * (3 . ¿podemos rechazar la hipótesis nula de medias iguales al nivel - 1 : F=$=h = 3 6 - L : 2ya(b . Variacióntotal 4 =.yemosqueF.conut:2yu2:9. = lae+A+3*B) = 5 3. i.)2 t.

O1.Pue8toqucF=6(F..02.?. = 4 +6+5*5 = 20 r = 16+12+20 = 48 Luego D6 1s-. I¿ tabla de aDáli¡is de va¡ianza para loe hoblemss 9. = 3+4+6*4 = 16 tz.9no podemos techazar la hipótesir nula de medias iguales al nivel 0. .n) = : 2oo 6 _ tg2 = E (c) D-Qb:14-8 . Utilizar las fórmulas cortas (101-(12) para obtener los resultados del Problema 9.4.= Dentro de t¡ata 0w=0-0b a -63 ^' .cAP. el ANALIS$ DE VARIANZA 319 (b) ConreferenciaalApéndiceF. .conur:2!uz:9. Tabla 9-9 Gg=f.a&-6 .2/3 n con 2.4 ba'i ab 1 i062+t22+202) 0w: (^8\: te.6 ¡e muestran en la Tabla 9-9. (o) Tenemos 2r¡?r=9+16+26+16 t'k +4+16+9+9 +16+56+26+26 También = 206 = 3+4+5+4 +2+4+3+3 +4+6+6+6 =48 1) Por tanto = a"?--# : .06-S8t = (b) Los totdes de las filas ¡on 206-rsz = 14 También rl.4-9.9 o(b-1)=(3)(3)=9 gradoe de =14-8=6 libertad 9.6:8.vemoaqueF.=2+4+3*3:12 rt.

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

.l-5rr -. ensayar al nivel de significación del (c) 0.¡r .1 .f)r!-i tÍf -f)): r t.05.1456 =ZO I | =.)! ¿'.)rr¡(.8 (5X4) t: Pata 4. 7):+(11 -?)2+."..^. Es conveniente restar Tabla 9-14 Muestra 1 .. MODIFICACIONES PARA NUMEROS DESIGUALES DE OBSERVACIONES 9. Utilizando el método largo. La Tabla 9-14 muestra la duración en horas de las muestras de tres tipos diferentes de tubos de televisión fabricados por uná compañía.u¡.t0i Muestra 2 Muestra 3 11 409 401 406 408 405 . las medias de grupo o muestrales y la gran media.(10 8r: I í8 __ 8)r -i rG 8): -1. lógicamente tampoco la podemos rechazar al'nivel 0.01 si hay una diferencia en los tres tipos.cAP. Entonces tenemos ..01. . ANALISIS DE VARIANZA 321. por ejemplg 400.i = Gran 8 media = 84 1t En esta tabla hemos indicado los totales de fila.r (2 5):r -l. u.2lIl I ab-I=24 I W = tz.-i)z -3(9 ' - 7\2 36 ! 5(7 + 4(8 -- 7)! = 36 .ru r También podémos obtener 72 -- 36 .108 406 408 un número apropiado.-+(8-7)z = 5): 72 -= J'K )(t.(i -5r2 . 20 grados de libertad tenemos F . . el Formamosla Tabla 9-13.ss: 2.(8 _ 8l: - .18-512: rl¡--5rr . Tabla 9-13 Entre tratamientos.-i.)(r.fti'k ¿rr. (b) 0. y obtener la Tabla 9-15.87 .102 410 .. ?t¡ = 655 tratamientos.9. Tabla 9-15 Total Muestra 1 Media 9 7trI 4 27 8 5 2 Muestra 2 Muestra 3 6 25 32 5 10868 . ".u-1) = 5(4) rA = I l "u ?'..-¡.r.05. directamente observando que es igual a (7--9):r-(11. Por tanto no podemos rechazar la hipótesis nula a un nivel 0.

01. Por tanto podemos rechaza¡ la hipótesis de medias iguales (esto es.7 45 8.96 : 4. las medias de columna y la gran media.322 ANALISIS DE VARIANZA f. La Tabla 9-17 muestra los rendimientos por acre de cuatro go. = = 36 (27)2.2 Calculamos los totales de fila y medias de fila.10.26.(25)2. (b) hay una diferencia significativa en rendimiento por acre debido a las cosechas.8 o. como también los totales de columna.01 si (a) hay una diferencia significativa en rendimiento por acre debida a los fertilizantes. ninguna diferencia en los tres tipos de tubos) al nivel 0. + 62 +8r-Q|2 = 72 a6 = ?t-. 72 t1.=27. como se indica en la Tabla 9-18. Por tanto ! = n2=5. ensayar al nivel de significación de 0.=32.:25. De la Tabla 9-15. F. I 5.02.-.9. n=12.9 utilizando las fórmulas cortas incluidas en (24).4 uru so'- 18 = 36 G1=?9=4 = 4..99 : 8. CLASIFICACION DOBLE O EXPERIMENTOS DE DOS FACTORES 9. rg. = 19= 1g 5.os datos pueden resumirse en la tabla de análisis de varianza. so:. Tabla 9-16 [cAP.(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. ¡=84 = + iL2 + . Utilizando el método lartivadas en Cosecha I Fertilizante A Fertilizante B Fertilizante C u Cosecha III Cosecha IV 6. 12t nB=4.4 7. Tabla 9-16. .?.. 12. (25) V Q6l.5 Enüonces para 2 y 9 grados de übertad hallamos del Apéndice F que F.8 9.05 pero no al nivel 0. Rt=3.2 ñ"¡'. Tabla 9-1? Cosecha cosechas de plantas diferentes culparcelas tratadas con tres tipos diferentes de fertilizantes. 9.11.9 6.0 5.2 7.6 7. Soluciona¡ eI Problema 9. e Variación Grados de libertad Media de cuadrados F D¡=36 a-7=2 n-a=9 io.8 6.

0 33. .3 Gran media 6.6 7.8)2 + (8.2-6.6 5.08 ue : Variación aleatoria = Lt .7 8.0 .5 6.8)21 = 13.9 columna Medias de 19.6. Tabla 9-19 6.2 8.4-6.S12 -'. 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.0-6.8)2 + (6.24> 5.8)2 + (6.4¡z a (6. Fq.8)z] = 2.8)2 + (5.9 .4-6.68 u" : Variación de medias de columna con respecto a la gran media = 3[(6.5-6.8)2 + (5.0 7.7 -6.3 .2 6.58 F =G?/C?: a.r.r.8)2 = 23.14.6 .6.8)2 + (5.6.4 7.8 -6.6.8¡r+ (7.2 -6.2 Fertilizante A Fertilizante B Fertiüzante C Totales de 4.8)2 + (8.ocz Al nivel de significación de 0.6 ¡'=0"2/i3=0.8 9.6.9 = = 81. : Esto conduce al análisis de varianza en la Thbla 9-19.8 .8)2 + (5.14.8 : Variación de medias de fila con respecto a la gran media = 4U6.6.8)2 + (?.5 -6. Entonces.86 gl: 3.8)2 + (6.05 hay una diferencia significaüiva en el rendimienüo debida a los fstilizantes.5 18. el ANALISIS DE VARIANZA Tabla 9-18 Cosecha 323 I Cosecha II Cosecha III losecha IV Totales de fila 24.8)2 -1 (9.2 .cAP.6 grados de libertad. .yaque 6.S¡z a (7.8 7.4¡z * (7.32 U: Va¡iación total (4.6 columna u.0 Gran total 22.8 Media de fila 6.05 con 2.2 23.2 2t.6.9 -6.8 . (7.5 6.3 5.6 oi = t.zt gl: 2. 64 7.9 68 5.:5.3-6.7-6.7 5.podemos rechazar la hipótesis de que las medias de fila son iguales y concluir que al nivel 0.

96 bj'j.k )"i T a .6 = (4.G8 = *>t-"ti = |trozs.2)2 81.2)2 ¡ + (33.2¡z (19. Utlizar Tenemos de la Tabla 9-18 i.05 si hay (c) una diferencia en las máquinas.88 ab = 23.58 EXPERTMENTOS DE DOS FACTORES CON REPETICION 9.08 = uc Lnezln.2)2 (27-O'¡z r. D en la producción de tornillos. .82 11 = = 23. B.324 ANALISIS DE VARIANZA las fórmulas cortas para obtener los resultados del Problema 9. Nótese que para cada máquina se han indicado dos turnos.13.t2.zu 'üc bb4..5)2 + (18. móquina y lurno.10 Entonces s-2 j* tt'r^ 12 ab = vr 1s-r-t' 577.9)2 = 1673.2+23. C.2.96 S-z Sro (24. Los días de la semana se pueden considerar conro réplicas o repeticiones del rendimiento de cada máquina para los dos turnos. 554.11. - 13. : lcAP. Los resultados se indican en la Tabla 9-20..24 ¡ (22.ut - bb4.68 . e 9.(23.6)¿ = 2274.88 = = 18.S¡z a (6.88 2.6 : 577.n¡z (5. En esta tabla se indican los dos factores principales.rol rt .82 = 6. (b) una diferencia en los turnos.8+33.11.08 de acuerdo con el Problema 9. 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. Efectuar un análisis de varianza para ensayar al nivel de significación del 0. 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. + 24. Un productor desea determinar la efectividad de cuatro tipos de máquinas A.

5 = 1861.6 rov = 8. (31)2.1795.6 = 1b0.1 = 6. Tabla 9-22 Primer turno Segundo 30 turno TOTALES 64 85 63 66 A B c D TOTALES 24 41 32 28 t25 44 31 38 143 268 [.(41)2.2 . que llamaremos variación subtotal u".6 La variación enhe filas üene dada por (zee¡z 40 a' = (54)2 (85)2t' (6..)' + qq -ld. viene dada por -. que es una tabla de dos factores con valores simples.-.¡2912. Estos se ordenan en la Tabla 9-22.0-8. Esta viene dada por * u" ) obtenemos la 0i = 0"-D¡. (44)2.b .cAP.S .4 Para considera¡ los dos factores principales. concentremos nuestra atención al üotal de los valores de repetición correspondiente a cada combinación de factores.5 .0c = 65.6 : 66. (32)2.b --5 ..6 - 1?9b.1 Si reetamos de la variación subtotal u.ro ro 10 La va¡iación entre columnas viene dada por (zgq)' 40 = 1846. ZO - (126\2. + 72 +L02-W = 1946- 1?95. 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+ .4 variación total para la Tabla g-22.S .?_1?e5.6 = 51. variación debida alasinteroccion¿s entre las filas y columnas.3..6-51. _124)2. móquino y turno.0 'tt" = --ñ. (38)2 ""--6-5 . la suma de las variaciones entre filas y columnas (u. (30)2. (119)r_eqq\2 ? 40 - _ 180s.

Al usar este valor en cambio de 2. 0c = 8'1 Interacción.8 1 grado de liberüad.65 para el denominador de F en la Tbbla 9-23 no afectan las conclusiones alcanzadas anteriormente. 7 (3 + 1): 3. Aef.61.4-65. Eeto resulta en a" = Q-(or*o"*o¡l = 7). hallamos para la va¡iación combinada y grados de libertad combinados u¡* u. B2 grados de libertad podemos rechazar la hipóüesis ll. u¡ = 6. Tabla 9-23. De la Tabla 9-23 vemos que pa¡a interacción F : 0.entantoquelavarirrcióndebidaalae 2columnastiene 2-L= Estas va¡iacionee se indican en el análisis de varianza. columna e interacción (ee decir.06 no hay diferencia iignificativa entre turnos. 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). se halla reetando la suma de variaciones füa. D" = 84'8 Total. - libertad cottespondientes a cada tipo de variación. u= 150.o" : 150. ce debe a interacción.5 G? = zltt Aleatoda o residual.F nl: 2. que conduce a unava¡ianzacombinadade gL. vemos que F para las fila¡ e¿ 6.! : Sgradosdelibertad.06.SfSe:2.3 y 3 + 32: 36 respectivamenüe.6 : 84.o Columnas (turnos).4 Para continuar debemos determinar primero si hay alguna inüeracción significaüiva entre los facüores básicos (es decir. Puesto que 3 de esos 8e deben a filas y 1 a columna¡.81?. eeto es.326 ANALISIS DE VARIANZA lcAP. Para hallar loe grados de übertad debidos a la interacción obeervamoe que hay 8 valores en la Tabla 9-22.05 podemos conclui¡ que las-máquinas no son igualmente efectivas. Siguiendo lae reglas de la página 315. Para l. Entoncee ya que F calcul¡do para lascolumna¡es 8. Esto esequivalenüe a decir que al nivel 0.6 + 84. filas y columnas de la Tabla 9-22).: 4.42.Ya que hay 40 valores en la üabla original 9-2i el total de gradoe de libertad es 40 1 = 39. ..90 para B. Si decidimos analizar los resultados combinando las variaciones residual e interacción como lo recomiendan algunos estadísticos. lo cual indica que la interacción no ee significante.tr ¿" que lar fila¡ tienen ¡¡sdi¡¡ igualee. ya que hay 4 filas en la Tabla g-22La variación debida a l¡s fila¡ tiene 4 . la va¡iación subtotal) ¿L U variaóiOn tot¿l u. I¡iabla también da el número de grados de Tabla 9-23 Filas (mÁquinas).16. no podemos techazt la hipóteeio l/[zt ¿" que las columna¡ tengan medias igualee. podemos rechaza¡ |a hipótesis flllr ¿" la pógina 315. Po¡ tanto el total de gtadoe de libertad es 8 I : 7.8 : 91. Puesto que . Esto es equivalente a decir que al nivel 0. 32 grados de liberüad Fn. el reeto. Por tanüo los grados de libertad debidos a l¡ va¡iación residual o aleatoria ee 39 7 : 32. 0' = 51'0 i? = tt.:6. e Finalmente la variación reaidual.

06 : va¡iación entre (77\2 (74\2 (78\2 (71\2 columru lS=?rc= 4 .75 .47 para 3.26 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. donde los números indican rendimientos en dkl por unidad de área.94 Variación entre filas .14. de modo que podemos proceder más al.5439.69 16 variaciónenrretratamienros = .05.4 . Tabla 9-25 At8 D22 c2r Bt2 420 D25 BLI at6 c2s 810 ct9 D24 875 c22 D2l At7 TOTALES AL8 D22 c2l BL2 D26 Btl c19 D24 75 68 82 70 Tabla 9. C.1)¡ ff +ff + ff -5468. concluimos que al nivel 0.' + (10¡z * (lT2 -@5Y 16 5769 - 6439.. Efectuar un análisis de varianza para determinar si hay una diferencia significativa entre los fertilizantes a niveles de significación de (c) 0. 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 9-24.25 + ry .01.r. columnas y üratamientos se obtienen común y corrienüe. 4 : 5443. Ya que F .l cAP.51 para 1.Ia variación üotal y las va¡i¡ciones para filas. A este nivel aún no hay interacción apreciable. Hdlamos Va¡iacióntotal : o= (18)? + (21)2 + (25)2+'.13 si se utiliza el nivel 0. 32 grados oe libertad y puesto que F para filas es 6.06 .25 *9'{ -(fftr = 284.01 las máquinas no 6on igualmente efectivas.01 no hay diferencia significativa en los turnos.49.lá. 29.19 (2eS1z - 5439.01.e0 = 7.05 y (b) 0.4 -. podemos concluir que aún al nivel 0.19 - 5439. B. También obtenemos el total de rendimientos para cada uno de loe fertilizantes como g€ muestra en la Tabla 9-26.At-ril. Un hacendado desea ensaya¡ los efectos de cuatro fertilizantes A. Ya que ¡'. CUADRADOS LATINOS Tabla 9-24 9.06 : 329.t: 4. = T*ry*ry 5723. 32 grados de libertad y puesto que F para columnas es 3. D en el rendimiento de trigo. el ANALISIS DE VARIANZA 327 9.06 = 4. Solucionar el Problema 9.15.

Así cada conductor tendrá la oportunidad de conducir a lo largo de cada uno de los caminos. podemos aceptar la hipótesis que no hay diferencia enla fertilidad del suelo en las filas (o las columnas) al nivel de significación del 0. Diseñar un experimento utilizando cuatro conductores. 284. 11. conductores.05 hay diferencia en la fertilidad del suelo de una fila a orra.19 Columnas.78. Asignamos las diferentes gasolinas A.05.. i I}¡ 9. Se deduce que al nivel 0.05Ia hipótesis de que hay medias de fila iguales. 29. Un aneglo posible es el dado en la Tabla 9-28.' I A. concluimos que no hay diferencia en la fertilidad del suelo en las columnas.0 : 9. como se indica en la Tabla 9-28.01. de modo que cada letra apatezca solamente una vez en cada fila y solamente una vez en cada columna.lJtiliza¡ el análisis de varianza para determinar si hay alguna diferencia significativa al nivel 0.01.8? (o) Puesto que F er. Tabla 9-2? lcAP. 4.328 ANALISIS DE VARIANZA El análisis de va¡ianza s€ muestra en la Tabla 9-27. CUADRADOS GRECO. B. autos y caminos podemos emplear un cuadrado grecolotino.76. denotados por o. Ya que el valor de. Es de interés determinar si hay alguna diferencia en el kilometraje por galón entre las gasolinas A. 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). p. Sin embargo.19 Residuales. 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.r.F para tratamientos es 4?. rechazamos al nivel 0. debemosconcluirquehay una diferencia entre fertilizantes al nivel 0. Puesto que el valor F para columnas es menor que 1. 7. Puesto que se incluye igual número (cuatro) de gasolinas. . Tabla 9-28 CONDUCTORES 1234 B. B. D aleatoriamente a filas y columnas. cuatro autos y cuatro caminos diferentes.69 Tlatamientos. 4.¡. (b) Ya que Fgo. podemos concluir que hay diferencia entre fertilizantes. LATTNOS 9. D. e Filas. Asignamos aleatoriamente los cuatro caminos que van a emplearse. 6. sujetos a los mismos requisitos impuestos a las letras latinas.17.9 > 4. C..o :4.16.76. C. Supóngase que los diferentes autos se representan por las filas y los diferentes conduetores por las columnas.

os resultados se mueshan en el análi¡i¡ de varianza.50 - 7. Tabla 9-31. (81)2 . (62\2 -. (61)2 . (61)2 4-4-4-4-16 4102. como eigue: Atotal: 15+16+15+16 = Btotal: 19+18+2I+ 23 = Ototal: . Filas: a----l---4 (64)2 .00 deliberüad.60 ry*ff+ff+ry-ry 4 (16)'z = 4ros.60 (A.Portantolosgradosdelibertadparaelerroresn2 caso n f. el ANALISIS DE VARIANZA 329 Prirpero obtenemos totdes fila y columna como ¡e indica en la Tabla 9-30. Dl Caminos: (o' P. E número total de gados de übertad es n2 . 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.cAP.Ennueetro .00 de modo que la variación debida al e¡ror e¡ 148. C.4 . (68)2 4 .1 para un cuadrado de n X n.00 - 6-50 - 11r.50 4244-4096 = 148. columnaE. 7. -1--4(n-1)=(n-lXn-3). (52)2 . 4 - (70)2 (256\2 16 Q6A)z 16 QAA¡z = 4112.60 Columnas: .60 I 4096 6. ó) Ga¡olinas: (62)2 4267. (59)2 .6o-40e6 = ?. utilizando el método corto. (63)2 .50 La variación total ee (1S¡z * (le¡z + "' + (16)2 + (2s\2 -e66\2 =' 'I | \-vt 16 16.60 = 6. leüras laüinas y letras griegas cada una tienern 1 grados : 4. B. Las filas.60 -4096 = 111.4-T 4 .60 - 4096 = = 16. 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.

or.-*.05 pero no al nivel 0.330 ANATISIS DE VARIANZA Tabla 9-31 lcAP.. (o) Poi definición tenemos v.18. Por tanto podemos rqchazar lahipótesisdequelasgasolinasson igualee al nivel 0. 6).-¡b-l ¡ es la varianza muestral para el tratamiento jr como que el tamaño de la muestra es b.¡z > + ) (x. B.= . 6.01.s. ya E(v. El tratamiento medias de la población viene dado por p¡ Por tanto ac = 9.D). J=r - =. (4.50 Caminos (o' É' 7.19. 5u.28 V F. de Ia página 308.tz = b j=r |Lo rEr' " ' ) = ¿!s? j=1 d.l)oz - . Se deduce que t=L )¡t* )"t j:r ' donde hemos utilizado la definición p )a. Demostrar que > oj = 0 [(15).3u*3" = op+\'¡ t=L i=l !:t' = (2p)/a.s : 29.C.. (b) la ecuación (I6). e Columnas (conductores). 7. donde Sf é define por (15).26 Tenemos F. página 308].50 2.5. = 9. 111. Derivar (c) la ecuación (17).60 Gasolinas.} .a:9.*-i. = F* e¡. Capítulo 5.".so.r.500 :?*33=t.) = bj¿E(Si) utilizando (I6) del Capftulo 5. PROBLEMAS DIVERSOS 9.. b 3 (¿'-1"'\ -i---t\ b / = a(b . Entonces.

En el Problema 9.2 9. tenemos dd Teoreme 6-4. + > al - ob¡P (c--t)62 * b ) a.05. ¡úgina 161.) = pj = p+ai Utilizando los resultsdos (2>(7). en la Tabla 9-23.) + a.01? Si existe alguna variación debida a las repeticionee se incluye en lo que ae llama el ertor re¡idual o aleatorio. página 309. üenemos E(val = b>86?) var(i¡.19(o). esto es.21.-x¡z t=r aa a o = b>*i-2bx)x. Entonceo. obteniendo u" . (b) 0. puesto que las varianza¡ S! bn indep el Teorema 4-4.+*i):-l -"ufLab J !+rr) " '' ) -LD aoz * b ) (p+ a¡)2 - o2 - s'b. omitiendo el fndice de la euma. Por tanto lv(x.t) X = ( )It. . Por el Teorema 5-6.) (d) (7) E(Xj. 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.bgQ7z) Entoncee para cualquier variable aleaüoria U.+auxz l=r t=L ya que (f) (21 (.) / \ // /\/ ' = b>*?.1 gradoe de libotad.Enloncex.\12 lBlx¡12 E(xil : E(Xz) = Var (Í) + Pero ya que las poblaciones de traüamiento son normales. P¡ra hallar la variación debida a larepeticiónutilizamoslostoüalegdecolumna cn la Thbla 9-21.P = (a-l)o2 * abp2 + zbp> ". en (I ) tenemos E(va) = b>[+*(¡.p6gitn 116. Demostt'ar el Teorema $1. ¿Podemos sostener esta conclusión al nivel de signifi cación del (c) 0.8. los diferentes días de la semana.20.-ab*z j=1 a.18. página 158: ( tr) var (5) =r Var(X) = # E(X) = p (i¡. con medias ¡t¡ y varianza común 02.13 supusimos que no existían diferencias significativas en las repeticiones. = 84.. E(U2) = Var (U) + lE(U)12. el ANALISIS DE VARIANZA Por 331 (b) definición vt' = a ) 1*r.. Como ¡e indica en el Problema 9. bSJ/o2 tiene drado con b . más el reeulüado dd hoblema 9.cAP. que V-/o2 tiene dishibución chi-cuaüado cón o(b - 1) 9.

2g grados de libertad."o = 11. 8r.. o.u¡6. Describir cómo se pueden utilizar las técnicas de análisis de varianza para clasificación triple o experimentos con los tres factores (con factores simples). T.. I-a variación residual después de restar la variación debida a la repetición ea ue : 84.. sedenotaporxjkl. . denotadospor ejemplo.4 De la tabla vemos que el F calculado para repeticiones es 1.rpor denota la gran media.¡r.. .86. Ias conclusiones reliacionando máquinas y turnos son las mismas a las obtenida¡ en el Problema 9.C{luposdenotadosporC¡. Las otras variaciones son las mismas a las de la Tabla 9-23. podetnos concluir que no hay variación significativa al nivel de 0.4.. Ao) Barupos. La tabla final de análisis de varianza.8 114: ?8. l---g 6.32 Filas (máquinas)..18. La interacción entre todas las clases se denomina como antes la uariación aleotoria o residuol. .4)2 .8¡r. denota la media de valores en la clase C cuando A¡ y B:p se maitienen fijos. Sigñificados análógos se dan a E¡ ¡ ! r .C". e 1t=-+'re¡ (57\2 g (51)2 g .332 ANALISIS DE VARIANZA [cAP. Reproduzca la tabla de análisis de varianza a emplearse en tal caso.4 Puesto que hay 5 repeticiones.*ucA-.k.Elvalorú¡¡. 0' = 0c 51'0 Columnas (turnos). = 8'1 Repeticiones (días de la semana). 9..1795.767 | -=0. como se indica en la Tabla 9-33. g - (268)2 40 = 1807 . Suponemos que la clasificación se hace en A grupos.. Finalmente d Existirá una uarioción total dada por (l) 1) = t.0g. (47)2 (50¡z -.t 2 @¡rt- ú)z que puede dividirse en siete variaciones.EIvalorenA¡. es la media de valores para las clases Il y C cuando Ar es constante.. Pero ya que Fe5: 2. Estas variaciones son entre clases del mismo tipo y entre clases de diferentes tipos (inúerccciones).7! parz 4. es decir. Las siete variaciones en las que se puede dividir (1 ) vienen dadas por u = DA+ürJ+uc lTIAB *. teniendo en cuenta las repeticiones.ú¡n< . El valor f. el número de grados de libertad asociados con esta variación es b 1 : 4..06 (y por tanto al nivel 0.827 = 73.01) debi- da a las repeticiones.22.6 = 11. es la Tabla 9-32. los días de la semana no eon significativos.4 3 Aleatoria o residual a'" | 2. . Tabla 9. C. denotados pot 41.

-.1Xó - l)(c - 1) gl os (entre grupos B) ó-1 c Ao og s "B .tt+ ñt. B...n\r.rlos CLASIFICACION STMPLE O EXPERIMENTOS DE UN FACTOR Tabla 9-34 A B C 9.(a-1)(b-1Xc-1) Añ.BC gl 0¡s (entre grupos AvB) (o-1)(b-1) (b-lXc-1) (o - 1)(b - L). .r.kc (b - 1)(c - 1).cAP. (a.rt..J- er" (ñ¡¡1.k.. el donde U¡ ANALISIS DE VARIANZA 333 - ..c . Se efectúa un experimento para determinar el rendimiento de 5 variedades de trigo A.(a-1Xb-lXc-1) AÓ." = uesc (o-l)(ü-lXc-1) Probletna.k.n.s suplernerirta. D. Dc ñ\2 : ab 2 @.* ñ..ñ.Bc -1) 3.'uc c-1. Suponiendo que las parcelas eon de fertilidad semejante y que las variedades se asignan aleatoriamente a las parcelas.ó I Dg n rA^ Ét s^.34.r+ ñ)z !ct = b > (ñ¡t.2r@i*t.¿). determinar si hay una diferencia significativa en rendimientos a los niveles de significación del (a) 0.ñ. Q¡n rB = = .4ñ sA.01.rTabla 9-3$ Media de cuadrados r¡ Ao -q¿=-A o-l Varíación o¿ (entre grupos A) Grados de libertad F ?1.+ i)\2 E)2 aABc = .I ót s. (a - 1Xó - 1)(c - 1) gl trac (entre gru- posByC) o¿ =o=ffi= (c-1X¿-1) acA .t . (o - 1)(b - 1)(c - 1) sl u¿ (entre gr¡r- posCyA) (entre grupos (c - 1)(o ."" a a-l - 7.23.Bc b-r.ñ.ByC) u (total) (o-1)(ó-l)(c-1) abc-7 9?. (b) 0.% (c 1)(a 1).05.4ñ s gl t.A^o 8ó^tsA.+ ¿.t.ri. (fr. C. variedad y los rendimientos (en hl/ha) son los mostrados en la Tabla 9.c)i.+ 0nc = ".ñ.c (entre grupos C) -'l Añ "c . 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 .BlSA.- ñ¡..ñ j*.ú.. ce' ) (¿. (o 1)(b 1)(c 1) gl 1) ¡ A...Bzcl..új. ? (E¡. E.

página 310. C. Se efectúa un erperimento para determinar el número de artículos diarios producidoe por cada operario utilizando cada una de lac máquinas. (b) 0. B. Demostra¡ la¡ fórmulas cortae (3I fl34). Un profesor desea eneayar treg métodos de en¡eñanza I. La Tabla 9-37 da los números de mill¡s al galón obtenido por autornóviles semejantes utilizando 5 ma¡cas de gasolinas. (b) 0. donde cada tipo ¡e ha tratado en 6 automóviles semejantes asignando los neumÁtico¡ aleatoriamente. 9. loa resultados se dan en la Tabla 9-39. II. Tabla 9-37 I\[atca. (b) entre máquinas.27.O1 si hay una diierencia significativa en sus calificaciones entre Ssas asignaturas. I'z duración de log neum6ticor.24. Una compañfa deeea ensayar 4 tipos de neumáticoe A. para el caso en que los 4úmeror de oba¿rvaciones dean CLASIFICACTON DOBLE O EXPERIMENTOS DE DOS FACTOBES 9. 9.29.85 Tabla 9-86 9. II1. 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 . Luego se da el mismo examen a todoe los estudiantes y oe obtienen las calificacionee indicadae en la Tabla 9-36.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. Ensayar a loe niveles (o) 0. determinada de sus fibras. Ensayar al nivel de (o) 0. Ensayar a loe niveleg de (o) 0. Tabla 9. D. (b) 0. vienen dadas (en miles de millae) en l¡ Tabla 9-36. y a cada grupo se le enseña por un método diferente.a 9-38.25. Dar la informaci6n deseada utilizando un nivel de oignifi' cación del 0.81. prÁgina 311. diferentes.26. Determinar al nivel de (o) 0.os a¡tículo¡ fabricados por una compañfa se producen por 3 operarios utilizando 3 máquinas diferente¡.334 ANALISIS DE VARTANZA [cAP.01 si hay una diferencia significativa en los métodos de enseñanza.06. e 9.28. página 311.05. 9.30.06. (25) V Q6). Para lleva¡lo a cabo. [. Demo¡tra¡ el resultado (30). (D) O. El fabricante desea determinar ei hay una düerencia (o) entre operarior. Durante un semestre un estudiante obtuvo las calificaciones indicadas en Ia Tabl. 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. Demostrar los resultadoe (24).01 si hay diferencia en lo¡ neumáticos.01 si hay alguna diferencia significativa en las marcas. tres grupos de 5 estudiantes se escogen aleatoriamente.05.06.

Ensayqr la hipótesis al nivel 0.01. \4 9.33 utilizando el nivel de significación del 0'01. Analizar el ex' pelinojo rubio Alto Mediano Pequeño 76 81 73 78 76 castaño 80 79 perimento al nivel de 0. varfan significati- aleatoriamen' 5 . / y II. Tabla 9-41 9.01. Suponer que el experimentg del hoblema 9. y así sucesivamente. B C 16 18 20 15 L7 16 2l 19 18 23 19 2l 23 20 D 9.cAP.05. Ios réeultados se dan en la Tabla 9'41. 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.38 al nivel 0. (b) la localización. y así sucesiva-E mente. E 18 22 2L l7 18 24 g. roy"t al nivel de 0. (b) las clases de automóviles. Solucionar el Problema 9-31 utilizando el nivel de significación del 0. ts Tabla 9-43 da el número de artículos produeidos por 4 operarios diferentes trabajando en dos tipoe de máquinas.3ó r¡tilizando el nivel de significación del 0. doñde los números in' dican 10 en el tope de los graduados. el segundo a un estudiante de otro planüel. (b) las diferencias en el tipo de maí2.06 ¡i hay una diferencia en (o) lor ferüilizantes. Suponer que en el Prpblema g.06 de que hay diferencia en (a ) d método de en¡eñanza.41. 9. Solucionar el hoblema 9. los bloques). Determinar al nivel de 0.g2. Tabla 9'4O TIPOS DE MAIZ bloque te a los hl/ha. en tanto que en un experimento semejante efectuado en el oe¡te da los resultados en la Tabla 9'42.01.39. 9. g.34.33.36.38. la eegunda observación empleando una segunda clase especffica.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.24ltprirnera observación para cada tipo de neumático se hace empleando una claee espeiífica de automóvil. 9.01. a ^ B {amente con (o) las diferencias del terreno (esdecir. Solucionar el hoblema 9. Solucionar el hoblema 9. lo 77 9.40.8?. c Semill¡s de 5 tipos de mafz ee siembran en 5 bloques' Cada ue se asignan 0.g6. Ensayar al nivel 0. (b ) en los planteles.26 el primer valor para cada método de enseñanza corresponde a un estudiante de un plantel especffico. (b) las máquinas.05 ¡i lo¡ rendirnienüos en bla 9-40. SLOQUpS C D E IIIUIIV t2 15 15 19 L4 18 11 16 16 l7 10 t2 16 L2 11 14 11 12 16.12. 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 . EXPERIMENTOS DE DOS FACTORES CON BEPETICION T¡bla 9-42 A 9.40 utilizando un nivel 0. dUrante díae diferentee. Soluoiona¡ el Problema 9. Suponer que en el Problema 9. el ANALISIS DE VARIANZA 335 g.06 si hay diferrencia en (o) los tipos de neumáticos.05 si hay diferencias signifiéativas en (c) loe operarios.

Sz S¡. T¡¡ fq¡talezas promedio obtenidas se dan en el cuadrado greco-latino de la Tabla 9-4?.6 . eetableciendo cualquier conclueión a que pueda llegarse.05. Ensayar la hipótesis a un nivel del 0. Tabla 9-44 efectúa un experimento para ensayar el efecto sobre el rendiniiento de 4 tratamientoe de fertilizanües A. B. Centro.Tc. W¡ .Tz. Cuatrotiposdecable?¡. Efectua¡ un análisiÉ de varianza al nivel Q. .C1 . (c) lugar de nacimiento. Para producir un tipo superior de alimenüo pnra pollos. El aumento en peso por unidad de tiempo 6e da en el cuadrado greco-latino de la Tabla 9-46.1. t¡ Tabla 9-48 contiene los datos sobre el moho acumulado en hierro tratado con químicos A. B7 At4 Tabla 9-4ó c12 adicironal dando la sección donde naci6 el estudiante Eete.47.01 de que no hay diferenci¿ en (o) los fertilizanSe C8 At4 D10 Á10 c12 BL4 D16 D12 B11 811 Dt5 Á10 tee. 4 cantidades diferentes de dos compuestoc químicos se agregan a los ingredientes bási co¡.Cuatro operarior A. Wc y 4 especies d-iferentes . Wz.S4 Sr.05. B o C. Tabla 9. L62 BB L45 cB 2t2 A6 112 86 Do An 188 Bq 167 c7 136 PROBLEMAS DIVERSOS 9. Se obtiene el cuadrado latino. q D. Tabla 9. T3 T4 c6 t7l D. [. Oes: te.44. Ca.45.46. B.05.05 ¡i hay una diferencia significaüiva en rendimiento académico de los e¡rudiantes debida.43. C. 9. e 9. eetableciendo cualquier conclusión a que pueda llegaree. Det¿rmina¡ a un nivel de 0. (b) colo¡ de pelo. donde lo¡ números indican rendimiento de maÍz por unidail de á¡ea. Tabla 9-4t Alto Pequeño Mediano 110 95 Tabl¡ 9. BoG Dy l0 Ap8 c6 10 cialee. (D) lae variaciones del terreno. c16 9.05. o. Con referencia al Problema 9. Efectu¡r un análisis de la varianza del experimento al nivel de significación del 0. St. 6.Cz.LATINOS wr ^S. D y las del cegundo por ü.38 euponer que introducimos un factor 876 c81 o73 Tabla 9-46 o78 E'76 c80 o79 c76 877 w4 CUADRADOS GRECO. Soluciona¡ el hoblema 9. B.r 198 D. y de variaciones del teneno en dos direcciones perpendiculares. w2 BB6 Dog ws Ao5 9.01 si hay una diferencia significativa en los tratamientoc. D usando cuatro máquinas diferentes. (ó) 0.44.43 utilizando un nivel 0. como se muestra en la Tabla g-46.49 105 103 118 A B 3544 4233 6465 Lt2 10? 90 115 c 108 lr2 93 104 96 L02 . respectivamente. Tr AB 164 c2 Bf 181 c3 ca Ay 193 193 207 166 c4 D6 160 T.Ct.a diferencias en (o) ertatura. miden las fortaleza¡ de los cable¡. É. ?a sefabricanporcadaunadecuatrocompañfas. 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. Wt.4? c.as cantidades diferentes del primer compuecto se indican por A.48. C.336 CUADRADOS LATINOS ANALTSIS DE VARIANZA IcAP. 9. 7. Determinar al nivel (o) 0.

de estudiantes adultos de estaturas altas. relativo a diferencia de estaturas.01. Se realiza un examen para determinar si los veteranos o los no veteranos de diferentes I. Norte y centro 80 ¡D 79 g. página 309.5?. Suponer que los resultados en la Tabla 9-48 del Problema 9-48 son válidos para el noroeste.ó6. (b) la ecuación (38).Q.60. 9.23 y 9.4g.54 al nivel 0. (b) 0. 9. Derivar los resultados 9. 9.5E.01 si hay alguna diferencia significativa en los I.05 y establecer sus conclusiones. Este Oeste Sur 88 84 86 Medio 80 78 82 Bajo 72 ¿o 9.Q. Demostrar (o)la ecuación (39).55. Tabla 9-50 Alto I.50.Q' 9.05 si hay diferencias debido a (o) los químicos. (b) I.Q.05 si hay diferencia en (o) fertilizantes. página 372. 9.Q. 9. 70 9. Con referencia a los Problemas 9.59. (b) la localización. (3) y ( ). página 312.54. t¿ Tabla 9-51 muestra los puntajes para una muestra de estudiantes universitarios de diferentes partes del país con diferentes I. Determina¡ al nivel de 0.Q. página 312. Demostrar el Teorema 9-2. Determinar al nivel (o) 0. Demostrar el Teorema 9-3.62. página 309.Q.53. Solucionar el koblema 9. Analizar la tabla al nivel de 0.05 si hay una diferencia en los puntajes debido a diferencias en (o) el estado veterano. (b)la ecuación@0). Ensayar al nivel 0.61. ¿puede determinar si hay una diferencia significativa en el número de artículos producidos en los diferentes días de la semana? Explicar. Un experimento mide el L Q. Los resultados se indican en la Tabla 9-49. Determinar eI nivel de 0. el ANALISIS DE VARIANZA 337 g. 70 En el Problema 9-42. Veterano No veterano 90 85 Medio ril 78 I. Tabla 9-51 Alto 9.cAP. Solucionar el Problema 9. Demostra¡ (o) la ecuación (37).51.52 utilizando un nivel 0'01. 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 9.40 suponer que un experimento adicional realizado en el noroeste produce los resultados de Ia Tabla 9-53. Bajo I. 9.05. medias y pequeñas. (b) los tres lugares. . en tanto que los resultados correspondientes para el oeste se dan en la Tabla 9-52. rinden mejor' Los puntajes obtenidos se muestran en la Thbla 9-50.62. ¿Es ésto cierto si cada valor se multiplica o divide por una constante apro' piada? Justificar su resPuesta. En los cálculos de análisis de varianza se sabe que puede sumarse o restarse una constante apropiada dp cada valor sin afectar las conclusiones.

13? Justificar sus conclusione¡. las repeticionec. ¿es¡rer¡rf¡ encont¡ar un (o) curdrado latino de Explicar.01.68. 9.21 hallamos una diferencia significaüiva en los días de la semana. Haga el montai dc un erpcrimenüo que conduzca al cuadrado latino Tabl¡ 9-64 FACTOR 1 de la Tabla 9-54. En ln práctica.62 utilizando un niyol 0. 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. ¿Deberíen modific¡r¡e la¡ conclu¡iones obtenidas en el hoblema 9. es decir.71.06 y establecer conclusione8. Suponer que en el hobleme 9. De¡cribir cómo emplear las técnica¡ de análisi¡ de varianza para experimentos de tres factore¡ con repetición.64. 2X 2? (D) ¿un cuadrado greco-latino de 3 X 3? .66. lcAP. 9.63.69. 0. Efectuar un análisig de va¡ianza en el cuadrado greco-latino de la Tabla 9-65 a un nivel 0.7 16 D66 Br7 Haga el montaje de un experimento que conduzca al cuadrado greco-latino de la Tbbla 9-55.69. 816 FACTOB 2 c2r 823 416 AL8 ct4 Bt2 ct5 l á18 9.338 ANALISIS DE VARTANZA Solucion¡¡ el hoblema 9. Montar y solucionar un problema que iluetre el procedimiento en el Problema 9.67. e 9. 9. 9. 9. Efectua¡ un análisis de va4ianza en el cu¿drado latino de la Tabla 9-64 a un nivel 0.65.05 y eetablecer conclusiones.

Apéndices .

.

.todo* todo * 4.6! + Para cosÍ = paratodo¡ para lrl <1 16. T+=t*a*r2+o3+. *. . 2 i" : t2 +zz+82 + . * m2 .+. LA FUNCION GAMMA La función gamma. ¿i0 = cos 0 -f isen?.=L-rr*!*!+...t n)o ..i sen0 ^ u. 5.m(m+t\(2tn+l\ 6 i=r B. denotada por | (n). .e-ie send= eie-e-to 2i 2 . rn(l- n\ = -n -t-* .:)oi T.. se define por . -. = -2T -1 < o ( 1 FORMULAS DE EULER 8.=iq. Cuando la se- m 1.Apéndice A Temos mqtemóticos STIMAS ESPECIALES Las siguientes son algunas sumas de series que se presentan con frecuencia.rr¡ 1-:+i=--!-1. **t _*.'ts^tl zt ' 3t '' senr para. = S(-l¡is'r+ ur-5!-7l=' '¡r: ?^d+Tr +2 04 üo ... : x-*+í=-i.i = é zt* 4r.. e-iq = cosd . t- r.. ..'e-'d. 2i = l+2+ 3+ "'*m mfun+l) =:2 z. 0! rie es infinita se indica el inten¡alo de convergencia.. e./ O (f) 341 .r=^r. (-t).... : 1.?^'ñ t.. cosa: ei|+. r(z) = l'l'-.

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

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

3034 .0332 .0184 .0011 .3982 .0303 .3790 .0101 .0957 .I942 .3986 .0404 .6 o.5 3.00r1 .72i6 .22i5 .0055 .225I .0067 .3984 .0009 .1919 .2589 .1582 .0 1.1872 .0498 200 .1.0096 .0290 .0017 .3 DA .1354 1.07.2780 .0761 .1057 .0 0.0104 .3951 .0775 .327L .0051 .1736 .0006 .0113 .1435 .3637 .0126 .3621 .0019 .0004 .0925 .0007 .3867 .0028 .0069 .0048 .0940 .0038 .3918 .1127 .0863 .0002 .1040 .3391 .2827 .0387 .2444 .0002 .8 2.0015 .3910 .0086 .r1f)7 691 .1 .2 .0973 .0551 1.0208 .1758 .3101 .0027 .0056 2.l lJf]4 .058.0053 .3485 .3989 .0015 .0213 .3668 .:1825 .1 .0047 .0790 .3 IA .1.28i1 .331 2 3 4 D 6 7 8 o 0.3697 .0001 .0075 .2295 .0014 .1781 .l 163 .8 .0632 .0355 .4 0. ¡ .0529 .0025 .1849 .0060 .140 .3802 .00I7 .0014 .0235 .24G8 .266I .0006 0004 .0046 .0020 .0005 .0012 .0909 .0034 .2685 .0270 .3467 .0229 .0003 .0061 .3988 .3925 .2 3.10?4 .2t31 .0004 .0004 .2565 .0002 .0033 .0283 .6 l.2 1.3572 .1415 38 .237r .0277 .3961 .0317 .2732 .0039 .3187 .0013 .0099 .2317 .0037 .5 2.0005 .1 .0110 .3166 .0044 .2396 .3230 .0006 .3056 .0007 .0608 .2920 .3589 .óooó .2420 .0009 .9 2.010? .1 561 604 .2t55 .8 3.0010 .3902 .3712 .3989 .0219 .1826 .0026 .0158 .3429 .9 .0003 .0396 .0020 .Dl éo .0005 .3739 .r374 .3503 .3605 .3448 .0002 .0005 .0003 .oI47 .3555 .0084 .0010 .0694 .1 .5 1.3977 .0449 .3725 .2516 .0063 .0012 .0002 .2 0.3876 .9 .0189 .0241 .3410 .0848 .Apéndice B Ordenadas (E) de la curva normal t ipif icada enz 0 I .0004 .254r .0012 .2803 .3945 .3683 .0297 .u077 .3965 .0007 .1 .0008 .0058 .01?5 .0003 .0224 .0573 .7 2.3079 .0478 .r023 .1182 .1539 .5 0.06{4 .0167 .1 0.0379 .3352 .0734 .0681 .0013 .1 .0001 344 .0004 .0043 .0459 .8 I.2083 .0194 .0031 3.3209 .0005 .0073 .1006 .0413 .1771 .3 0.3885 .381 4 .0246 .0003 .3956 .0 .0008 .2897 .12 .6 2.3521 .0878 .0003 .0198 .000? .3?65 .0151 .0508 .0002 3.3372 .o024 .0562 .0154 .13 .0519 2.0036 .0804 .0030 -0022 .0042 .0468 .0002 .0371 .3857 .01.0431 .2709 .0203 .2850 .0023 .3894 .16'17 .0065 .0003 .6 ¿.0093 .0 3.3144 I .0540 .1 804 .0002 .1989 .0171 .3251 .0669 .0079 .0016 .0129 .3292 .3847 .0818 .0040 .¡ 3.0422 .0893 .0252 .3989 .0002 .0132 .1 7.0488 .0036 .3932 .2756 .2989 .0050 .1895 .0008 .0009 .0025 .39?3 .002I .0008 .2966 .2323 .0707 .0122 .0620 .0139 .1 109 092 1.9 3.0833 .l 2.r295 .1145 .0596 .0091 .156 .0018 .0010 .3939 .2513 .1965 .0i21 .3332 .1315 .0002 .0.2072 .0088 .1626 .016:l .3836 .24!r2 .0003 .0018 .7257 .2227 .0081 .0003 .0029 .2203 .2059 .7 0.8 0.0116 .0032 .0119 .2637 .0r 36 .1669 .3752 .0022 .0363 .0016 .2036 .3538 .0005 .2613 .0264 .3980 .2t07 .0ri56 .1 tQ .1334 .0006 .0002 .3970 .0310 .3011 .034? .3778 .1518 .0002 .0325 .0339 oe OA .0258 .0180 .0071 .1219 .0004 .0989 .0002 .

4345 .1103 .4997 .43?0 .4999 .4998 .3686 .485? .4996 .4846 .4591 .4772 .4793 .2t57 .3830 .4999 .4960 .2549 .0199 .2064 .1772 .4996 .tzt7 .4993 .0478 .Apéndice C Areas baio la curva normal tipificada de0az 0 0.4999 .5000 .4 .444L .3997 .L265 .4979 .3577 .4842 .4994 .4582 .4999 .3708 .9 346 .4965 .1 .25t8 .4573 .0 2.4993 .4966 .4999 .4964 .2734 .1808 .2224 .4t47 .4881 .4854 .0832 .4838 .4738 .4983 .4968 .4999 .07L4 .4 0.5000 .4992 .3264 .4750 .5 3.4998 .4778 .2910 .3888 .2486 .7 1.4878 .2852 .3133 .4970 .4798 .3944 .4999 .2454 .2389 .4997 .2 D') 2.3485 .4911 .4999 .7 0.4986 .9 2.4998 .0239 .4999 .6 3.1915 .476t .0160 .4963 4973 .4995 .3980 .1141 .1ts26 .2794 .4783 .3810 .4306 .3170 .4463 .0517 .4913 .4834 .4982 .4999 .229r .5 1.3340 .0636 .4994 .4985 .4956 .4995 .4066 .2996 .t443 .4192 .4649 .0319 .5 0.3643 .0438 .4997 .4382 .4830 .4998 .4998 .4981 .4920 .8 1.4936 .4131 .4941 .3051 .4961 .4394 .4998 .4999 .4719 .4998 .4980 .4995 .4955 .4932 .4996 .1331 .4922 .4996 .4099 r.4990 .1406 .3 0.4991 .4292 A25L .3413 .2088 .4625 .4893 .4994 .2190 .4998 .4967 .9 1.4995 .4773 .1 .3078 .26L2 .4887 .3315 .5000 .4599 .4989 .4999 .2422 .4850 .2t23 .4916 .4986 .4992 .4999 ..1591 .4808 .1 1 2 3 4 6 6 7 8 I .4222 .4982 .4332 .3907 .4788 .4953 .4951 .4969 .4996 .4997 .4946 .467L .4864 .4535 .3389 .4686 .4931 2.44t8 .)( 2.4989 .4967 .4975 .4997 .2 ¿-D .4319 .5000 .4406 1.3186 .3365 .48L2 .4984 .4977 .6 0.4962 .4999 .4909 .4974 .3621 .4821 .3272 .4906 .3665 .4999 .4999 .6000 .4989 .4117 .2258 .1 .3508 .5000 .4032 .4987 .2324 .4929 .4999 .4918 .4265 .6 L.4925 .4898 .3461 .4997 .4495 .1844 .4706 .4995 .3438 .4525 .4999 .0398 .4452 .4693 .4997 .4884 .3289 .0754 .1L62 .4999 .4896 .4945 .4998 .0696 .0080 .4999 .2704 .() 3.4656 .4890 .1517 .4997 .0 3.4357 .3 1.{o9t .4991 .4901 .5000 .4999 .4998 .4429 .3531 .4767 .4726 .4999 .2967 .4994 .3238 .2 0.4974 .4015 .4744 .4803 .0359 .4990 .4991 .2 1.1736 .2642 .4474 .4990 .4564 .4207 .4756 .4999 .3106 .4904 .4999 .4998 .4817 .1064 .4279 .0 0.8 .4988 .0279 .4997 .1179 .4699 .0987 .4972 .5000 .1293 .4484 .2823 .4875 .4988 .4998 .1480 .3554 .2580 .1026 .4616 .2881 .8 3.7 2.4992 .0675 .48(.3926 .1 0.3129 .2764 .1?00 .2939 .4999 .4664 .4998 .4978 .3r 59 .2673 .3599 .1554 .3749 .3869 .1985 .3023 .4987 .1879 .2019 .4986 .4505 .5000 3.4994 .7 3.497L .4948 .1368 .4996 .1628 .4868 .4979 .6000 3.0948 .1664 .4554 .4934 .4938 .066? .4082 .4976 .487L .4678 .4927 .4981 .0000 .1987 .4962 .45L5 .4608 .4545 :4633 .4959 .4949 .3962 .4732 .4943 .0 1.6 2.4236 .4940 .0040 .4992 .4999 .4115 .3849 .4 .4984 .4999 .4977 .2357 .8 0.4995 .4999 .4993 .0871 .0120 .4997 .0910 .0793 .3790 .4993 .1960 .4049 .

84 2.263 .L29 10 11 .669 .27L .727 .569 .266 .861 .71 t.66 t.861 .48 2.86 1.31 .889 .62 2.76 2.256 .126 .684 .869 .681 .80 1.860 .07 2.02 2.20 2.686 .90 2.72 1.64 2.689 .t3 2.584 .t27 .00 2.629 .684 .688 .254 . 3 .687 .690 .71 3.627 1.532 .694 4 6 6 .62 2.?8 .L27 .46 2.L32 .727 .89 1.257 16 2.45 2.67 2.00 1.896 .692 .35 1.77 2.L26 .L27 .68 .sgs I .531 .32 1.258 .66 2.32 L.61? .76 3.s.8?0 .53 2.267 2.36 t2.537 .873 .531 .38 1.31 1.14 3.40 1.259 .36 1.50 3.697 .06 2.L28 .703 .82 6.02 1. .t6 2.62 2.79 2.L28 .531 t.696 .865 .?l 1.30 L.864 .82 2.128 .256 .70 1.ongman Group Ltd.81 2.6?9 .34 1.L27 .863 6.061 .866 .66 2.84 4.06 3.96 2.261 .262 .130 .70 1.255 .685 .r3 2.128 .08 1.73 1.256 .50 2.58 2.r27 .534 . con permieo dé lo¡ autores y editorea.34 1.47 2.846 20 I.289 .r28 .98 1. publicado por l.626 .L26 .32 2l 22 23 24 25 26 oa 28 29 30 40 60 .48 úes t.04 2.727 .81 1.76 2.36 2.76 2.66 1.78 2.66 9.7L 4.683 .92 2.158 .257 .686 .3?6 1.90 1.57 2.258 .t2 2.44 1.49 2.854 .r29 .137 .765 .260 .683 .L27 .17 3.325 .zs üeo tso 3.3L 2.92 2.94 1.563 .130 .33 1.816 1.532 .L0 2.534 .34 1.71 L.542 .36 3.941 .04 2.260 t.531 .643 1.645 t.32 L.862 .848 .33 .536 .70 2.688 .08 2.03 3.25 3.538 .257 .09 2.18 2.t27 .54 3.46 2.674 .32 L.76 2.80 2.36 3.256 .858 .920 .856 .t2s .06 2.zo t.876 .26 2.96 4.684 .39 2.858 .131 . Stotistícal T¿bles for Bíological.t27 .L27 .31 1.11 3.31 1.63 1.68 L.88 2.14 .630 .711 .691 .879 .633 .868 . Fistrer y F.530 .32 1.86 2.32 L.36 1.266 .263 .532 .90 2. Yate.857 .624 .42 2.74L .31 2.06 2.60 4.72 1.01 2.683 .842 Fuente: R.74 1.48 2.78 2.06 2.257 .07 2.535 .70 1.546 .256 ..64 1.5L 2.77 1.533 t2 13 14 15 .978 .134 .700 .256 .60 2.Apéndice D Percentilrr de (tr) l¡ di¡tribsción f de Student con z grador de libertad v úss ¿oo t.75 L.76 1.256 .856 .83 1.73 1.257 .37 1.28 t20 € .t26 .706 .18 63.68 2.277 .83 2.856 .540 .47 2.t42 .98 2.000 .11 2.856 .883 .33 8 9 .56 2.09 2.?18 .72 2.29 L.76 L.256 .7L 1.L27 .23 2.649 .A. AgriculturalondMedícol Recearch.96 I7 18 19 .630 .67 1.30 3.92 6. (previamente pubücado por Oliver y Boyd. Edinburgh).128 .686 .05 2.82 2.33 1.254 .255 .539 .70 1.szs tse 31.72 2.677 2.L27 .42 1.30 1.L27 .258 r.906 .

3 96. Pear¡on y H.2 24.3 27.7 29.04 7.6 16.7 46. xlo.116 .56 9.3 49. páginas 187 y 188.26 9.l 22.3 71.34 1.6 48.2 46.3 18.2 74.0 44.? 42.2 '19.3 61.E 42.1 28.9 11.3 2L.0 16.35 6.3 23.1 13.6 r3.4 85.5 33.8 28.6 19.49 2.8 20. con permieo de lol autore¡ y editoree.291 .0 33.9 43.4 86.3 69.3 45.6 33.0 4L.6 66rB 56.1 40.6 L2.7 28.01 5. x'.L 2l.1 DD.6 32.2 10.63 7.7 7.3 I 1.4 34.0 14.1 90.2 61.69 2.0 13.0158 .3 32.4 23.60 3.6 46.0 t2 13 18.2oo¡ xlo.3 59.56 3.9 18.30 r6.0 20.07L7 .6 19.6 15.9 12.3 16.5 96..6 .8 14.3 89.3 35.4 3.4 12.8 44.7 16.8 24.8 67.2L 1.Apéndice E Percontilas (¡f) de l¡ di¡tribución chi-cuadrado con u grados de libertad v x.64 .6 20.39 10.3 73.3 t6.92 2.3 28.6 41.3 r6.6 36.9 11.2 26.81 6.2 35.24 1..1 t2.1 16.3 18.3 49.6 43.7 76.61 2.3 49.3 82.9 13.8 26.3 24.8 79.6 90. .8 14.6 28.7Ll 1.2 66.8 9.0 36.6 50.1 77.2 6t.63 8.L4 6.30 7.4 40.3 22.25 5.2 t3.3 99.3 27.8 40.03 t.4 31.58 6.6 56.E4 6 .6 46.7 37.5 24.2 11.87 6.4 L02 113 rt2 t24 136 98.0039 .O tt.90 27.5 20.8 67.9 34.23 5.8 13.9 34.67 9.0 104 116 l4 16 16 to.3 26.9 30.2 37.90 6.3 16.3 15.8 18.9 19.9 17.6 24. x?o".9 40.0000 .73 3.1 52.362 l.70 6.4 63.8 30.472 .2 16.3 23.8 36.36 4.0 62.73 2.8 24.58 8.84 5.2 88.37 3.96 8 I 10 11 4.0 26.2 29.0201 .06 3.8 48.1 8.57 4.84 9.1 12.3 10.2 11.7 18.7 26.0 27.2L6 .3 .18 2.7 2.2 94.554 .4 29.3 18.8 20.9 40.O.0010 .2 28.6 30.7 66.9 L6.7 12.207 .0 69.7 28.455 1.6 26.6 38.0 r 7.3 2L..6 47.6 24.6 36.8 12..5 43.0506 .9 20.6 61.6 21.1 27.54 L0.26 6.1 37.2 59.3 5. x?no X.8 34. 1(1966)' Tabla 8.3 26.0 48.r7 2.t 31.41 ?.6?6 .66 8.2 67.4 83.26 8.9 48.59 10.831 .7 23.7 16.43 8.3 79.7 18.4 35.15 1.5 16.39 2.7 99.34 8.23 5.66 5.L 80.63 6.6 61.8 32:0 33.4 32.1 37.7 37.L 30.57 t.1 41.o 22.33 3.8 55.8 45.3 13.40 6.2 38.39 6.6 43.7 25.49 11.63 ?.3 67.6 74.1 16.6 12.6 54.3 32.7 2t.7 39.tl 4.6 24.3 30.70 3.11 5.1 27.8 13.25 7.7 33.34 10.gg x?rn y2 ^-00e .89 10.0002 .8 t7.t7 4.3 X.06 1.86 11.20 2.5 34.9 29.6 79.99 7.5 20.3 17.91 7.2 36.8 26.8 16.? 37. 3 4 o I .81 9.2 62.24 1.89 6.9 39.57 6.3 14.1 31.91 9.4 13.1 45.04 10.7 60.4 69.8 63.35 7. Biomelr:iha Tobles fo¡ Stotitticíane.3 19.2 31.7 47.2tL .83 3.8 t9.67 3.0 11.66 2.3 11.6 32.0 x2ot x'"0 .44 9.3 13.3 61.8 43.0100 .9 35.7 22.872 L.79 t4.3 49.0 19.L6 2.3 29.0 17.9 63.0 17.0 22.4 32.3 22.6 25.D'ID r.7 26.3 53.1 39.8 14.34 9.4 20.4 16.8 70.23 8.2 11.8 t7 18 19 20 2L 8.4 16.6 31.6 40.9 1t.2 44.26 3.01 7.4 42.6 14.0 L07 6.6 22.94 4.0 27.6 23 24 25 26 27 28 29 30 40 60 60 70 80 90 100 41.3 42.26 7.3 29.6t 6. t3..7 73.32 2.7 14..6 88.3 39.6 92.07 3.82 4.O' X.35 5.3 16..3 46.07 4.7r 4.26 6.3 17.6 17.6 14.78 9.6 29.88 10.1 ttz r26 13? 64.6 28.64 9.38 9.103 x?.6 36.989 1.31 10. 347 .0 23.6 2L.02 7.2 14.2 29.8 16.6 13.0? 5. Vol.6 9.8 38.6 46.7 38.6 108 118 8.3 13.24 10.7 7L.2t 11.3 20.4 43.1 10.1 12.9 68.2 12.9 t8.6 109 1r8 130 t28 140 t24 149 Fuente: E.3 12.6 12.484 .9 2t.45 4.4 100 t2.1 13.4 37.6 22.77 4.684 1.2 18.1 19.7 34.6 4.3 69.60 5.1 10.0 71.102 .7 23.74 7.8 14.5 16.S.6 tt.57 7.1 .9 26.09 2. Hartley.7 14.3 61.9 23.6 32.4 40.

46 2.9L 2.40 4.43 2.90 1.20 2.74 4.34 3.66 5.81 8.5 19.44 3.79 3.69 2.59 5.07 1.91 1.61 2.02 1.45 2.96 2.04 1.84 3.71 3.77 2.57 2.09 6.0s 1.66 8.38 2.03 1.27 2.Apéndice F Porcentila 95 (nivele¡ 0.4 19.5 9.00 2 Fuente: E.L0 2.42 2.76 1.02 r.40 2.5 19.28 2.93 1.41 5.DD 1.57 8.4 19.?0 8.11 2.49 3.61 2.47 2.84 2.01 2.93 2.49 2.52 j 3.69 3.22 1.40 2.12 2.74 4.96 1.79 3.85 6.91 1.19 2.76 2.51 2.7 4 2:28 2.16 2.58 2.62 8.39 2.08 3.3L 2.50 3.46 2.95 1.44 3.82 t.57 r.30 4.92 1.61 19.01 2.66 2.83 t.01 1.24 2.09 3.47 2.51 3.1 7.18 2.35 2.85 1.03 2.96 t.80 2.48 2.74 2.28 4.88 1.43 2.6 10.92 1.32 2.30 2.53 3.41 3.13 2.86 1.09 2.99 1.53 2. l'.00 3.34 2. S.10 2.25 2.37 3.03 1.68 t.04 3.97 3.85 8.73 1.84 1.65 2.67 t.76 4.30 2.83 2.92 1.79 L.77 L.58 1.87 2.23 2.53 r.42 3.27 2.06 4.6? 2.02 2.3 19.71 2.12 3. Tabla 5.76 2.76 1.39 4.44 3.t5 2.96 1.37 2.99 2.25 2.t2 4.20 2.01 1.59 6.64 1.00 3.75 2.82 2.34 2.76 1.26 2.20 4.15 4.03 4.4 19.78 2.54 2.38 3.81 2.98 2.46 2.29 3.42 2.36 3.26 3.rL 2.53 2.L2 9.55 2.30 2.58 3.98 1.L5 2.01 2.46 2.14 3.56 2.85 2.26 2.2L 2.87 t.27 3.4 19.82 4.38 2.53 2.22 3.41 3.84 1.7l 1.41 3.25 2.2r 2.18 3.63 3.89 1.48 3.24 2.l I D.60 2.32 2.95 1.34 2.12 2. Vol.29 2.70 2.37 2.84 1.06 2.24 3.5 19.3 4 o 6 I 19.16 6.16 2.94 8.56 4.92 2.14 3.4 19.0r I | 4.46 2.5L 2.62 2.05 4.87 r.96 2.36 2.69 4.31 2.46 4.r2 2.30 L2 13 14 15 16 L7 18 19 20 2.86 3.61 2.29 2.49 2.69 1.27 2.09 2.59 3.76 2.25 2.29 2.37 2.44 2.68 2.85 2.2r 2.67 2.06 2.35 2.93 2.53 2.67 4.97 2.34 2.79 8.L5 2.89 1.07 2.g¡.96 5.91 5.4E 2.96 4.25 2.90 2.4e 3.66 2.80 a.07 3.04 1.90 2.92 4.32 2.35 4.L8 2.10 4.84 1.79 2.7r 2.32 1.42 2.74 8.22 2. Pear¡on y H.77 t.07 2.20 3.35 3.64 2.88 4.90 2. con perrniro de los autoreo y eütorea.70 1.01 2.92 2.t6 2.94 1. Eiom etriho Toblec for Stotíaticianc.54 2.46 2.45 2.35 3.46 1.99 5.2 19.47 3.0Q 2.r9 2.83 2.28 2.08 2.37 2.53 2.71 2.53 4.66 2.81 3.6L 2.35 2.37 2.?3 3.87 3.45 2.65 2.74 1. (1972).62 2.89 2.23 2.89 8.13 3.rL 2.74 2.66 2.60 2. O.95 4.57 2.38 2.99 1.34 3.59 2.59 2.75 1.60 4.97 1.8z r.00 5.90 1.87 1.85 2.78 2.50 1.33 3.77 2.22 2. Hartley.24 2.r8 2.69 1.65 1.18 2.L6 2.49 4.73 2.62 2.03 ¿.33 2.86 5.L2 2.18 2.75 1.91 3.35 2.07 4.28 3.34 2.(}51.05 2.28 2.97 r.84 40 60 t20 t.70 2.87 3.28 3.84 1.10 2.23 2.93 1.72 5.75 1.96 1.01 4.85 2.24 2.45 2.t0 2.27 2.53 2.43 1.17 3.73 4.42 2.49 2.94 1.42 2.23 3.54 2.2 19.5 19.33 2.25 2.90 1.55 8.79 2.96 2.19 4.62 1.99 1.01 2.84 3.15 3.20 2.84 3.96 4.40 2.LL 2.43 4.15 2.88 4.tl 2.94 2.83 2. .59 8.98 2.38 2.64 3.86 2.26 3.68 2.31 2.30 3.7L 2.L0 2.r7 2.94 3.41 2. página 178.r5 2.69 5.18 3.09 2.94 1.26 6.58 2.89 1.23 2.64 2.91 1.75 4.40 2.70 I 2.63 6.4 19.84 4.77 4.01 8.70 2.95 2.20 2.00 I.93 1.8L 2.62 2.61 I.90 2.48 3.06 2.7L 6.74 2. parr le di¡tribución F u1 grados de libertad en el numerador /2 gfados de libertad en el denominador ><.L8 2.81 t.20 2.05 2.06 t.50 4.60 2.07 3.63 5.07 3.78 t.01 1.68 4.4 19.62 4.92 3.11 3.28 9.06 2.63 2.L3 2.t9 2.49 2.32 2.39 t.lL 2.16 2.08 2.76 2.84 2.85 1.6? 3.81 1.87 3:70 3.08 4.60 3.95 2.29 3.2q 3.98 1.39 3.79 1 a^ 1.L9 2.46 2.04 6.64 8.35 7.5 19.54 2.1L 2.6L 2.98 2.54 4.27 2.21 4.23 4. ¡O 5.88 1.38 3.47 1.39 6.r3 2.7l 2.55 2.r7 4.?9 r.01 1.56 2.32 4.64 2.77 2.80 2.0L 1.69 3. 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 18.59 1.42 2.68 3.07 3.66 1.57 2.93 5.96 1.21 4.79 t.22 3.84 1.?0 1.36 2.04 1.05 4.66 2.49 2.34 2.64 2.35 2I 22 23 24 25 26 27 28 29 30 3.5L 2.L2 3.92 1.60 2.45 8 I l0 11 5.94 1.22 2.39 2.57 3.t0 | 4.80 t.31 2.

04 3.4L 4.86 4.60 3.00 2.64 4.89 3.51 s.3 L2.94 4.b8 2.51 3.40 4.56 2.61 6339 6366 99.oD 8 ?.37 3.r7 3.03 3.67 6.80 6.93 6.50 2.02 3.66 2.93 4.87 2.38 9.4 99.66 2.02 7.t4 4.APENDTCE F 349 Percentila 99 (niveles 0.59 1.86 6.91 6.47 6.72 2.L2 1.56 4.30 3.40 3.26 3.5 26.40 2.46 2.76 4.52 4.20 2.08 3.?9 3.3L 6.06 4.04 4.94 1.67 5.58' 2.66 2.ó 16.67 3.7 27.68 4.09 3.4 13.47 t4.74 2.51 3.7 10.2 14.86 2.18 3.7 13.88 2. 3.7 10.1 7.72 6.6 9.31 3.18 5.32 2. 8.19 2.62 3.98 2.41 9.15 2.10 L2 16 20 24 30 40 60 L20 @ 4062 6000 5403 6625 5764 5859 99.?0 1.17 3.20 4.36 3.30 7.64 6.6 13.4 9.44 4.0 9.10 3.56 3.59 3.2 29.31 3.36 6.62 5.03 3.2 99.0 10.19 l0 99.26 2.S.06 4. página 180.74 6.96 2.11 6.78 3.Ll 2.6? 3.8 10.18 8.5 9. l4 15 16 4.80 3.07 3.8 99.26 6.93 3.72 2.62 4.65 3.74 4.5 34.28 4.99 b.02 7.75 2.21 3.25 3.63 3.oo 7.4 27.95 5.3? 3.01 3.70 2.91 5.09 2.61 6.41 3.se.38 2. 3 4 o oot 28.84 6.66 2.2 ?.78 3.97 6.78 2.42 5.70 8. para ls di¡tribución F v.34 3.52 3.45 s.67 2.94 3.36 4.95 1.31 4.9 9.07 4.55 8.69 3.2 9.71 3.49 2.51 3.70 3.6 5981 6023 6066 6106 615? 6209 6235 6261 6287 99.49 5.44 4.23.66 6.00 3.72 7.52 3.22 5.54 3.50 4.30 3.82 7.26 3.3 27.2L 6. Pearron y H.3L 2.65 6 .31 7.10 4.73 7.l 11.66 4.16 3.17 4.2L 3.20 2.63 6. Vol.06 6.68 3.78 2.55 7.65 3.81 4.84 2.0 9.2 9. 3 4 o 6 .5 13.43 3.00 2.42 3.02 7.64 2.72 7.67 9.78 3.?5 8.12 3.69 3.01 3.80 3.20 4.02 6.29 6.09 3.10 8.40 4.5 26.75 2.50 4.13 2.89 4.02 2.12 3. 2 (1972).59 3.72 5.5 10.08 3.3 14.82 4.48 3.88 7.40 8.52 2.33 2.46 3.99 5.86 4.7 16.22 4.84 2. .44 2.2'.4 11.4 27.13 3.34 4.64 3.96 3.5 14.87 4.L4 4.86 3.26 4.60 1.45 7.94 3.29 2.43 3.66 2.sz 2.60 '7.84 2.07 5.78 3.95 4.47 5.6 10.16 3.60 2.r3 2. Tbbla 6.54 4.2r 5.L7 4.46 3.94 2.4.17 3.89 7.90 2.62 4.10 2.54 3.87 6.65 8.03 2.76 3.54 2.60 6.l 8 I 99.59 3.86 8.54 20 9.95 7.58 4.92 2.19 11.40 6.26 4.06 2.ó9 3.79 60 2.12 4.42 4.43 3. F.98 6.30 4.39 3.r 26.28 4.29 2.6 14.35 4.17 3.2 18.64 7.56 6.29 8.o J 2.29 3.2 13.38 1.23 2.4 99.96 4.35 4.39 2.31 3.5 26.46 2.2 16.47 2.7? 7.03 2.45 3.70 6.08 6.21 3.93 z.63 5.92 2.36 3.L4 5.0 16.23 5.77 4.61 o.00 2.L2 2.60 3.86 3.39 4.1 6.78 3.68 2.63 2.0 15.65 2.68 99.0 30.01 .90 3.07 4.70 3.31 4.49 12 13 6.99 5.60 4.39 4.89 4.18 4.94 3.94 3.81 3.O.9 99.11 2t.33 8.21 2.47 3.3 28.80 2.88 5.70 2.63 8.9 99. Biomeúiho Toblec for Statbücbnc.59 6.63 4. con permirc de lo¡ autoree y editoree.68 7.46 7.39 6.tL 3.07 2.42 3.96 2.3 8.32 4.üb D.01 6.99 6.75 3.32 3.85 4.0s 1.56 6.10 3.61 4.t7 2. Hartley.04 3.87 3.30 3.67 4.46 5.36 2.56 5.10 6.55 3.64 4.46 6.41 3.5 26.93 2.42 2.03 2.8 99.99 3.71 3.42 6.29 7.11 6.7 99.33 3.1 13.46 3.00 3.62 2.56 4.74 4.49 2.80 5.09 3.7r 4.88 2.66 99.63 3.86 3..15 8.37 4.07 6.92 2.23 3.7 14.25 4.96 I 10 11 .1 a.33 4..91 .99 2.85 2.68 8.72 4.18 3.85 7.01 5.84 9.81 6.011.54 5.89 3.76 2.83 2.10 4.31 9.3 10.72 5.4 26.00 t20 Fuente: E.16 5.82 4.83 3.78 9.t4 5.5 26.01 1.26 4.18 3.76 1.20 4.66 4.41 2.37 2.86 1.23 6.35 2.57 t2.57 2.36 3.16 3.26 3.3 13.89 4.65 9.22 3.37 5.03 5.69 2.42 2.13 3.4r 5.53 3.89 3.82 4.54 t7 18 19 4.30 3.66 3. gFados de libertad en el numerador v2 grados de libertad en el denominador x1 I 98.60 4.25 4.19 5.36 2.64 3.32 5.3? 3.4 27.4L 2.31 2l 22 23 24 26 26 27 28 29 30 40 fó 4.63 4.35 3.16 3.43 4.00 2.03 1.67 2.

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

50. pi= 2. 3.68. 3.69.78. (c) 315 3.ezt\/zt2 (D) p = 4/3.57.60. 3. 3/2 (bl 3e/4 (a.5e.55. pí=1.RESPUESTAS A PIOBLEMAS SI. 3. 7/0 (ó) 6/5 3.43. 3.83'. 3. (tr'l 3/4 (bl L/4 (c) 7/r2 (b) 7/6 (c) 7/4 (d) 2/3 (a) (a) (e\ U) 2/3 @) (¿) I (bl 2 I 3.E0. 3.54.7 3. pí=0. ps: -5.45. 3. yí= 6.ó6.62.77.44. p3 =-L2lll60. 10./m/L8 (d' \rzssñ8 (e) -9L/32a (Í) -sr/235 4 tb) 4/\/35 -t/tst¿./3s12 3. 3/2 n (b) -2e/6 Lla !4 3. 3. pí= 2.82.67.65. 3.46.(b) 1 (c) (ó) 1 (d) 1 (c) 0 (/) 0 (e) 73le60 ?3/e60 y'?s/e60 t¿l r/Tils6o -u64 (f) -r5/7s (a) 233/324 (b) 233/324 (c) (a) \. Fz:3/80.E1. nx=lE (al (a\ (ü) Var(X)=3/80. Fz:5.72. 3. i¿l p4=230718960 2a 3. 3. (a) (a) 2/3 (b) 2/3 G) aB 7/a (c) @\ Als 3. 3. pá: t6/5. <1 (ó) p = l. pi= Al=0.E4. 3. 3.61.64. ú= (a) h=0. pz=7-. 3.5 3 (b) r3n/6 (a) 35112 @\ (ü \Elm.74. (o) (a) 1 (b) I (c) rla (c) 3. 3. 3.48.\klzk+t(k+ll I qeiab co)/ao 3.47. pl:L L6/3 3. p¿=35 (b) pr = 0. (c) 1/(1¿).79. 3.62. pn=33 (c) (bk+r'st<+r)/(k* 1Xb-o) peiaa (sen (ó) [1+(-1)k](ó -a. 3. Ft=2.'PLEMENTARIOS CAPITULO 3 3. o*=1/t5/ZO 4 (b) 2 (c) . (o) 1 (b) (o) Var(X)=5. (a\ l/2 parae>O (b) lParay>0 .\ +(et/2+e-t/2) = cosht (ó) p=0.66. (e2ia-Zie2ia-ll/"2 (a) (¿) (¿) Lr/144 (bl rr/L44 1c¡ t/iJttz (¿) (¿t) \/-LUr2 (e\ -L/L4a 0 -!rr 1 . (a) (3r +2\/(6r*3)para0 5 ¡<i t¿l lsu+Z)/(6u*3)para 0 = a = | 3. (a) 1 lb) 7 (c) 6 3.6E. (o) (f + 2te2t . 1e/10 (¡t') 6/6 a/3 @ 1 \Ng 3.

(o) 0.10a.125. (o) 3. (o) 1 I (ü) (ó) (y'3. .ze-t (D) no existe (al 2(\F-Ll/3 (b) L6t7 2 0 2 7/3 r/3 2t/2 (b) e 3.1)/4 (c) 16/81 3. (¿) 1/y'5 3.91.90.o)/6 (a) -7/27 (c) 2(et-l-t¡¡¿z -Z(e--l-ü¡¡"2 (e) r/136 3.17 (c) 0. (¿) 3.###parao < nr 5r 3.5 02. (o) (a) 3.eziarlznl u) 12/6 3.[o ) 3.121 . (d) 1- (1/\. (o) (c) 3 (ü) 3 3.358 RESPUESTA"S A PROBLEMAS SUPLEMENTARIOS 3.124. (a) 3. (a) 3. (b) 2415o (ü) e (al (a) (b) 6/e (b) 1/18 (c) (et * 2e2t + Sezt)16 (d) (d) (eto + 2e2to + 3e3. (o) (ó) ln 2 (D) I 3.L22.127. (bl 3614 (1 @l atg (b) 2/e L (c) * 2te2t - e2')/2t2 (el -2\/fr/r6 (d) -(1 + zibe2ia . t"l .119. ffiParao rle (b) 1 6x2*6n*L s r:< I .85.116. 3.103. (o) 1 3.105. (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. (a) x Var (Y lX) 0 5/S I 416 2 (ó) Y Var (X I Y) 0 I 2S/36 2 24t49 3.118.89.100.123. (o) 3. (o) (c) 8/16 1-+y'3 (bl v2 3.113.f 6/9 7lr2 o 3. (o) no eriste (ó) (c) 3 -1 (c) e-z *0 3. (a) r 2 0 (ó) 8(21/2-r)/L6 (D \.10E.05r 3.126..94. 3.8/2 (ü) 1/3 (c) 0 .e2.r/r-tsnflo) (ó) \F@i @ tlfr.120.114. (al 3. (a) (b) r/4 (b) 0.1or. (a\ L 3.109.

4.80.G¿s 4. 0. 4. -0.726t (/) 0.73. (al93% 4.90.049?e (ó) 0.76.06131 .05610 (b) 0.5976 (c) 0.7123 0.a7% 4.0687 0.92.69.E6.5.64. 4.0567 (b) 0.s27 1.995 0.66.1127 (dl2.77 (c) 0.2511 (b) 0.0079 0.90 75.0286 (d) 0.e265 (d) 0.626 ó 0.550 (c) -0.87. 4. 4.7t.0?86 (c) 0.0% (c\ 93.0658 4. (a'¡ 6L.03eb .84. 4. 4. 4.1680 (/) 0.2241 (d) 0. 4.7% (al e5.6 (b) e (b) 72. 4.6826 4.4 (¿) 0.8?67 (b) 0. (o) 0.6404 (d) 0.t9.7% (b\ 54.86 (c) 2.1494 0.1342 0.15 (b) 0. 359 CAPITULO 4 4. 4.76.78.4% (bt 23.89.0668 (a\ 20 (b) 36 (cl 227 (cl (d) 40 @) 15% 4.75 (b) -1.67. (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 4.0838 (b) 0. 4.93.9500 0.4232 (o) 0.9962 (b) 0. 84 (bl 8.E1. 57/6a Q\ 2r/32 (b) (ó) 4.9198 (c) 0. 4.1008 (c) o. 11/16 (dl 518 (a\ r7lL62 (a\ (a) 5/16 (c) 4.849 (e) tt. (a') pl (b'l npq(l - 6ps\ * 3n2p2q2 -1.t"/o 0.66. 4.74.03?5 0.62. (c) (p) 0.E8.224r (e) 0. 4. L93t5t2 (a\ @) 32/243 (bl re2l243 k\ a01243 (dl 2421243 42 (b) 3.63. 641243 25 (c) 500 4.91. 4.85.0154 (e\ 0.61.77 (a) npq(q (o) 1. 4.I RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS .2991 (c) (o) 0. 4.9495 (b) (ó) 0.0089 (o) (o) 0.68. 4.08 (d) r.E3.3% (a) (o) (a) (o) 1.82.

111.o rí.138.0228 (c) 0.t : 5.L27.62.35 L7e.s5 z. (a) 2. (a) 9.000295 4.0918 (d) 0.4972 (ó) 0.r y 26.Lo4.47 (c) 9. 22.ro9.L26. @) 2.136.84 (d) 4.160? (d) 0.s 20.L32.. (a) (ile)/Q?) .00J8 (d) 1.47 (c) e.3 (d) (d) 55.0000 .0 (b\ 4. (c) p. @\ 4. (a) r 4. (a) 201.128 (d) -1.tr2. (a) e.2 4l. (a) (d) (el 2.008 = oz.0 (d\ 2. (a) 0 4.8164 (ó) 0. (a) ?0/429 (b) l/143 (c\ L42|L4B 4105 (.81 (bl2.75 2.0 (b) 4. (a) 1.55.00g oz oz oz..L29.34 2. (o) e.7 (b\ 4.1b82 (c) 0.73 -0.000948 (ó) 0.r2o.1033 (c) 0.005? (b) 2 (c) ninguna (dl 24 6.0 (b) (b) 4. (Q 4.75 1.130.00248 (b) 0.58 5.40 o¡ ligeramente menor que 0. (o) 5/3888 (b) 5/324 4.829 1.4O 0.101.2 (c) (c) (c) 2B.71 (ó) (b) (b) 1.2 zr.68 2.50.8b2 (e) 0.49.64.? 3/4 16.0 (d) 8. Ll4 aJLa. 82S\fe (b) (ü) (b) 2(b-al4/6 e/5 113 6.40 oz.60 3.94.53.s a8. (a) 0.r03.40 oz. oi : 6.136.03 (¿tl 2. o* = 0.2 2s6.8 68.1? v 7!r= !4.b9 84.62 (b) CAPITULO 5 (c) 0. (o) sx = 22. (o) B0. (o) 0.6e64 (/) 0.9544 5. (a) 4. o* = 0.L4L.) 4'106' (c) 4.04462 (c) 0. (a) L22. (a\ 3/4 . ¡2. (a) 237 22. (a) 0.008 oz oz (ó) (b) pX pX = 22.1 4.13?.5 (b\ 4.LB 4.76 1.3/8 4.gs (e) z. (¿) 4. 0.0e (c) (c) (c) (c) 1. (a) 0.rr3.51.l 86.BB (d) -0.166 6.861 (.128.B 4. ('f) (l?)/(l?) (iSX?SXtt) sla 0 (b) (ó) (ó) (ü) l(¿ocoxzoc2ol+(4oc'l(nctsl* (qoc)(ncnl)taoczo 4.ro2. - 2.2 (c) suponiendo áreas iguales en las dos colas.0620 4.360 RESPUESTAS A PROBLEMAS SUPLEIVTANTARIOS 4.r?r.48 4. (a) 4.4 ft\ *e-tn -1"-.s? 4.16 5.

a84 5. 5. 5.8869 28.0482 .2 6.3196. (¿) (o) (¿) (b) (b) 0.3%' 99.33? 6. .33f0.?4 lb I 2 (d) 126 0. 0.o% 78. 5.93.63. (c) 146.8664 (c) 0.5E.104. 0.90 5.L6 (ü) 0...00 6. 8. O.60 1'.0316 5.9 lb 5. . (a) 82 6Jo2. 99.76% S. (o) 0.0026 6.06 pero máe cerca a 0.67 0.106.. (o) 0. 6. (a) 5.0019 (ó) 0.56.01?9 5.3226.01 (c) menor que 0. (al 4018 6. . 5.1.113. .t1 5.10 5.0% 76 5. (c) 0. .?9 0'0228 lb (b) 0. (o) 5.96. 6.1841 (cl (o) 118. (a) menor que 0.91?2 6.33?6 pulg.108. 6 0 -1 (ü) 40 4 6 (c) (c) 288 (d) (d) 2188 (b) 0 26. 12.68. .49 0.t7. 0.100.323-0.111. 46 (@) 0.62. 5. 86 5.92. (ó) 0.00?? (ó) 0.3204.82.0064 (c) 0'4504 5.01 (b) menor que 0.26 5. 11.60.60 5. (a) 2 6 6 (b) 996 (b) (c) 218 12 5. (ó) 38. (b) 0.3265.003 pulg.7L.7349 pulg.6% = 0.E6.105. (o) (o) (ó) (ó) 11. (c) 0.99.LL2.09 tons.60 0.59. 80Eo.72642 pulgadas 26.0028 (b) 0. (@) 0. 0. 5.0136 0. 5.6 (fl @) a6% 100 (horas) (s) 62/a00 (h) 25.66.166 ó 16.76.9596 (c) 0'1161 .73.e5. 5.50?.11 5.6 (d) 10995.01 (b) entre 0. 501.00496 pulg. 0.74.0. (c) 0.0 s ?9 5.1o9. (¿) 0.326.20% ton.97.tO.326-0:328. 78 á. (o) ñ = 2.36 (ü) (ü) 0'17 0.65. (o) 10. 0.01.322.47 (ó) e = 5. (o) 0. (a) 24% (b\ rL% 5. (a) ?99 (ü) 1000 (e) (c) 949.2160 (b) 0.1%.101. 1199.6% (il 0't ts.0. (a\ 2.81. (o) 0.86 (ó) (c) -e1 (d) 63 .RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 5. 5.01 y 0.6.8 lb.9t. 5.?33 (c) 0.7o. 6.49 (c) 0'28 5.0006?6 pulgadas (b) 72.94.72.

22.116.000095 pulg.09 t 0.045 0.16 onzas 0.24 tons. (o) (b) 105.72642 + 0.38 I (a) 0. (o) 0. 7 RESPUESTAS A PROBLEMAS ST'PLEMEI. (o) 1.117.28 (b) (s) ?8e. 0. (a) 0.r5 (c) 0.84914 6.130.74 5.07 t 6.09 t 0.62 6.124. n4= 0 -0. 0. (o) ?8. m1- 89.112 . (b) 0.86 lb reepectivamente 6.31.12 hr t 0.2 (d) 7158. ms = 0. 6.72ti42 t 0.38. (o) 0.118.428 24.?0 r 0.L2.29.82 0. (bl 0.125. tb9 5.39.30. 0.2464 (b) 52.127.0ab t 0.94 Laprimeradistribución (a) la aegunda (b) la primera 5. (a) 1200 hr 6.24 lb2 (c) 0.62 r 0.0 y 100.72642 t 0. 6.36206. (o) 0. (q') (c) e2.000085 pulg.073 i 0.¡'TARTOS 5.298 0. (o) 9.2344.11 (ó) 0. (c) 0.9?.493e (b) 5. 1193. 6.4 4 (i) (il 706. 60 y 100 tuboc son respectivamenüe.40. 5. 2.u (o) al menos 323 hr (b) al menos 560 (c) al menos ?66 (b) 1.128.7. 6.000060 pulg. 0.68 a 0.22 0.122.115. 0. m1 :0. rn2= 5.36.0? (b) 0.00002b pulg. (a) 6. (¿) ffiz: 0.0586.546 2.4 hr Las estimas de las desviacionee típicas de la población para los tamaños de muestra 30.33.09 t 0.?3 onzas onzae (ó) Z. (o) al menos 96 (ó) al menos 68 (c) al menos 16? (d) al menos 225 900 (o) al menos (o) 7. (ó) 11.129.20 (f) 7. 0.6.049 segundoe 6. L9.0696 r¡¿o 560 (c\ r. 42 5.53743. 6. ó.Se (ó) ?. 101.2 (b) 0. (a) 5. 0.97.96 onzas t t I 0. 26.12t.362 ó.126.tu.69 I 0.123.88.38 384 (b) al menos 221 (c) al menos 666 (d) al menos a 1. (d) 032642 a 0. 6. = -3.70 t 6.43.298 t 0.25.38 (hl 22.000025 pulC. (o) 0. (a) 11. m1 = 0.41.0090 CAPITULO 6 e.34.7.030 eegundoa (D) 0.35 (e) 26.045 6.38 (a) ?. 101. (b) -4.131. -1r7.09? (c) 0.5 horas. 0. 0. (a) 0.241 7. -0. 6.36.72642 + 0.. 6.3?.41.2 106 (ü) (b) 8.?8 y 0.18. Las estimas de las media¡ de la población son 1200 hora¡ en todos los casos.5 lb (b) 0.1 ó.?0 * o.82.18 tons.e5 5.000072 pulg.

00 (ó) 13.654 a 1.1 a 288. (b) Se puede rechazar la hipótesis d nivel de 0.68. 6.6 horas 2400 ! 59 libree (b) 87. (a) 6.4E.79 kl) t2.05.51. .45.6 ¡ a 1g0. 7.458 a 4.70 (b) 0.02 (a) 0.46. (c) Rechazar 116 si se extraen más de 39 bolasrojasy acept:ula en caso contrario (o no tomar decisión alguna).50.67.17.138 a 10. 2400 t 45 librs¡. (b) Ensayo unilateral.9a1 a 2. ?. (a) 0.61. (c) 106.69. (o) t¿. Se puede rechazer la afirmación a ambos nivele¡ mediante un enaayo unilateral.. (a) 63. 6.1 a 140.5).9 6.60.Bb 6.58.1 horas 6. 6. 7.52. k = -lln - (ct.66. rechazarla en caso contrario. en ambos nivelea. es 7.69. (a) al menos 87.673 a 2.70 6. (Hi p> 0. 1.0 4802 (ó) al menos 8321 (c) al menos 11.5 horas (b) 88.259 a 5. mediante un ensayo unilateral en ambos caso8.01 en (o) ni en (b).9 1?0.5 a CAPITULO 7 7. kt') 0. 7.05.) (e) t2.15 6. 0. 7 No se puede rechaza¡ la hipóteric al nivel de 0. (d) Rechazar lfe ei se extraen más de 41 bolasrojas.4 horas hora¡ horas (b) 78.lre 24 y 40.58 e 2. r = .58.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 363 6. (a) (IIe: p=0. (a) 95.?41 a l.78 (b) 0.7O. I _ ()rr)/r¿ 6. (o) a 230. El re¡ulüado significativo al nivel de 0.06? a 1.8 l: 0.06 (c) t2.944 (b) 0. (a) 1800 t 6.. Sí. (c) Aceptar la hipóterie ¡i las bola¡ rojac extrafdas esüán ent.1 a 148.63.269 (o) 0.24 249 onzas lb (ó) 63. 139.20.65. y se acepta en ceso contrario (o no se toma ninguna decisión). (a) Aceptarlahipóteeissilasbolasrojarextrafdasestánent¡e22y42 rcchazarlaencasocontrario.5). (o) No se puede rechaza¡ Ia hipótesis al nivel de 0. .62.5 (ü) 102. 86 lb (b) 1800 t 328 lb (c) 1800 t S82 lb 6.64. -= 3' 2tritl "'+r3l 6.49.519 a 7.ó4.8 t 0.6% 105.63.31 onzas 6..8 horas 6.(b)0.8 (b) 0.05 en ambos en!¡ayos.r.2606 7.250 6.14 (a) 0.99.ó2.56.

?.6.01. no ¡e deduce que haya diferencia de acidez. 4.7 respectivamente. ?. Un ensayo unilateral rnuestra que a ambos niveles el contenido -nedio en cobre es más alto que el señalado en las especificaciones.1. al eegundo. 7. es ?. 11.1.64 (ü) 0.7 respectivamente.t9. 13 y 2 respectivamente. 7 . [. 7. concluimos que el primer grupo no es superior .06. no 7.4.3.e0.A1 \¡¿ - lar frecuencias esperadas con 108.82.9. 7.05.0118 7. 49. El aparente incremento en la vai'iabilidad no es significativo a ninguno de loe dos niveles. f (x) = T.87.4. 7.7. pero no lo e¡ con un ensayo bilateral.83 onzae (c) 8. 7. ?.72. 9.71.05. (a) 0.1.7ó.El' 7 Un ensayo unilateral muestra que el proceso no debe inhoduci¡se si el nivel de significación adoptado es 0. es 7. 3. 53.?.7 Un ensayo unilaüeral muegtra quc la diferencirr e eignifrcaüive eB al nivel 0.06.05.7 y 0. (o) 6 (D) 4 7. 7. pero no al nivel 0.94. 7. 7.1 y 1.63 onzas 7. (o) Un ensayo bilateral indica que no hay diferencia en la calidad de fabricación al nivel de 0. E aparente decrecimiento significativo al nivel 0. (b) Un ensayo unilateral muestra que I no ee mejor que A al nivel de 0.8E. f (r) = aC"(0.84.2. 21.73. 23. 0. pero debe introducirse si el nivel de eignificación adoptado e¡ 0.78. 7. (o) t 0. 13.7.RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS 7. 66.81 ln 7.E3. 7.2. 60. 7 (a) si (ó) no .e5. Podemos conclui¡ que la primera varianza es mayor que la regunda a ambos niveles.0.9.6. y 4. No podemos concluir que la primera varianza 8e¡ mayor que la segunda a ningún nivel. Un ensayo unilateral muestra que el nuevo fertiliz¡¡¡¿ superior a ambos niveles de significación.1O0. Un ensayo cambisdo.0.0118 (c) 0 (d) 0 (e) 0.98.l0l. Un ensayo bilateral a ambos niveles muertra que el producto no cumple con las especificaciones.6t)l-r.32)r(0. Concluirfamos que el resultado no común al nivel 0.01.4. 14.3rL2 8.77. 7.34.01 . la¡ frecuenciae esperadar son 32.01. 15. .64 + 0.6. Un enrayo unilatetal a ar¡bos niveles de aignificación muesha que la marca B es superior a la marca A. Las frecuenciae esperadac 8on 1.36.96 onzas (D) 8. 7.E5.2. 4. Mediante un ensayo unilateral al nivel de eignificación de 0. 7. bilate¡al muestra que no hay eúdencia s ni¡guno de los do¡ nivdes de que la duración media haya 7.2.5.99.ae frecuenciae esperadas eon 1.0 respectivamente. 5.86.64 1 0.79. 12. E resultado es significativo a este nivel con un enar¡yo unilateral.96.0.tO. Un enrayo unilateral indica que no disminuye la media a ninguno de loo do¡ niveles.1 y 0. 43.05 pero no al nivel 0.6. 7. Las frecuenciae eeperadas son 41.05 pero lo es al nivel 0.6 respectiVamente. 50.05.76. 39. Mediante un ensayo bilateral al nivel de aignificación de 0.20.

1L7 .10? . La hipótesis no puede rechaza¡se a ninguno de lo¡ nivdes.114. ?. 7 . 1.110. (a) 0. La conclusión es la misma. (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).134. No al nivel 0. ?.05.06.138.13?.3179 (con conección de Yatea) 7 .106.0872.06 pero no al nivel 0'01.0738 (corregida) 7. 7. La hipótesis no puede rechazarse a ningfin nivel. 7.133. 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. tul e no (b) 10 si (c) 10 (d) 8 7. 7.LO2. (b) El ajuste es bueno pero no "muy bueno".05 pero no al nivel 0. 7. esto es consistente con el Problema ?. No puede concluirse que la marca A 7. 7 . 7. La hipótesis puede rechaza¡se a ambog niveles.RESPUESTAS A PROBLEMAS SI'PLEMENTARIOS 365 7. 60. ) Un ensayo unilateial al nivel 0.0.108. 0. .01' 7.05. 7. sea mejor que la B d nivel 0.105. La hipótesis no puede rechaza¡se a ninguno de los niveles.116.115.1985 (conegida) (D) 0.2205.465t 7 . (a) Un ensayo bilateral al nivel 0.05 no rechaza la hipóteris (b de proporcioneo igudes.104.103. La diferencia ?. (o ) 10. ? .132. bueno (b) no (o) El ajuste es "muy bueno". La hipótesis puede rechazarse al nivel 0.05. No hay razón para rechazar la hipótesis de que las monedas ¡ean hon¡adas.3863. (b) El ajuste es pobre al nivel 0. 7.124. Mediante un ensayo unilateral.06. No hay razón para rechazar la hipóteeis a ningún nivel. El proferor nuevo no sigue las miemas nortnas que los otroe.728. .05.05 indica que á tiene una mayor proporción de bolas rojas que B.118. La hipótesis puede rechaza¡se a ambos niveles.t25: 0.139.129.05. (o) El ajuste 7. La hipótesis no puede rechazar¡e al nivel 0.11f es es significante al nivel 0. Puesüo que la dietribuciónbinomialdaunbuenajustedelosdaüos.109. ?.113. ?.109. (a) (b) (c) no ?. el re¡ultado er significativo al nivel 0.L23. (o) 7. (c) si no si no (c) no (c) no ?. (a) 0. (o) El ajuste es muy pobre al nivel 0.L72. (b) (b) 7. Igual conclusión. 0.

2928 y 0. Mediante un ensayo unilateral no puede rechazarse la hipótesie. (o) E. (¿) 0. (b) d 8.85.4 si no no si E.00 6 r= (¿) 1.5t*3.113. 0.E0.gBB+o.366 CAPITULO 8 RESPUESTAS A PROBLEMAS SUPLEMENTARTOS 15o 8. (o) v=0.00*1.?600 y 0.79.70.24.81.8r*12 (b) r= 0. -0.60 8.188 ¡ (c) r32 8.107.69.66r * 2. 37.84.96. (o) 8. (bl u = 4.E6.00 t _1.968 (b. =0.s912 (ó) 0.28 (o) (ó) Mediante un er¡rayo unilateral puede rechazaree la hipóteaia. r¡o¿ = fi -o. (a) 24.96. (o) 0. u = 6.89 * L.0 t 5.71.0 8.1 E.IBB72 616 8.138 t a 0.rz 8.111.14(10)0.13 + 0. (o) 1. (a\ u=-i+í" 6 u=.?3S(n-B)2 6 41. 2. (a) 0.) 1. (o) 1.6 E.Z.14(L.77 y -.6 1.7l4r (b) "=t*lu 10.9818 8. 0.ss56' 8.304 (ü) 1.2 (c\ 182.427Y 61.29y 8.9?.92.20 E.60 (ó) 1.115.112.14¿0. (o) (ü) t.r1y (d) 7g 95 t.r3. (c) 37.oooo t 0.91¿6 y y 0. E.88.6tly E.?8 + 1.64y 8.0 a 19. 75/p 8.08?86 o¿ (ó) (c) t?0 ft.9927 8.67.?961 y (ó) 0.1r4.0 a (b) B?. (a) z = 3.szos 8.60 (ó) 17. (b) a = 29.000 + 0.21 0.448 8.6633 1.151{" ¿O ó U -92.8. (o) (ó) 2.r10.74.40 6 A:32.0 4.64.21r*O.6t-t.096 o * 0.s72 80.398 (ó) 192.00 (c) ?. - 1.00 8.46¡r*l 8.109. (¿) t 3. (cr.90.408 + 0.0 t 8. (a) 0.87.9 2.5 (b) (ó) g?.8861 1 t.68.108.8961 (b) u = 8. (a\ 0.66.126s 'y 0.500a (cl r = 2. (a) 0.89. B.661¡ (c) r = -14.6606 (ü) 0.80 E.20(r-B) +0.99. ft (d) Bg? (b') A=32. (a) 3.?801 y . (a) 8.24 (b) 8.

39.4 (b) 116.7096 y 0.oy:107.38. 415 8. una diferencia significativa en rendimiento a ambos niveles. 9.L27. Hay una diferencia significativa en los sitios pero no en los fertilizantes aI nivel 0.05 pero no al nivel 0.24.9653 (D) 8.35. una diferencia significativa en sus calificaciones a ambos niveles.43.32.01.01 . No hay diferencia significativa en operarios o máquinas. flay 9. 9. No hay diferencia significativa en los métodos de enseñanza o plantelesal nivel 0. (o) u = 3. 9.11?.7 y 173. CAPITULO 9 9.128. Hay una diferencia significativa en el tipo de maíz pero no en los suelos al nivel 0. (c) si no (ó) 8. 9.05.31.66. 8.0.16-0. 9.lgxsilaunidadxesLl2añoyelorigenesel ¡ es un año y el origen es el 1o. No hay diferencia significativa en fertilizantes o suelos.27.36 lb 3. 9. una diferencia significativa en operarios pero no en máquinas.4 libras 8.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 367 8. 9. tlay 9.9254 y 0.116. 0. 9.33 r . Igual al hoblema 9.130.01.40: No hay diferencia significativa en neumáticos o automóüles al nivel 0. 9.1083¡*0.38. No hay diferencia significativa en neumáüicos a ningún nivel.05.23.43. 0.7 (e)1977 1o. No hay diferencia significativa en operarios o máquinas. (a\ 20. 9.dondeyeslanatalidadpor1000habitantes.05.33.26. 0.9*4.3?.6158 E.125.4653¡z.25.l31.36.deenerode1954.38x E.42.4547 8.34. No hay diferencia significativa en el tipo demaíz o suelosal nivel 0.120. Igual al hoblema 9.30 pulg.4f.01. llay una diferencia significativa en neumáticos y automóviles al nivel 0.(b)y:722.6402 si la unidad 8.01. 9.126. una diferencia significativa en marcas al nivel 0.129. Flay una diferencia significativa en los métodos de enseñanza al nivel 0-05 pero no al nivel 0. de julio de 1950 (d) 142. Ilay 9. No hay diferencia significativa en los sitios o fertilizantes al nivel 0. (b)y:18. llay 9.05. . 9. 9.42*2. No hay diferencia significativa en el color del pelo o estatura.44.¡es5añosconorigenen julio de 1935. 9.

63.Q.3. No hay diferencias significativas debido a los químicos o s¡tios.52. 9. 9.64. 9.61. pero las debidas al LQ.45. Al nivel 0.62.Q. significativas debido a los sitios pero no a los fertilizantes.54.368 RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 9. . pero no otras dife- ' ltray diferencias significativas en tipos de cables pero no en operarios. No hay diferencia significatirra en tratamientos a cualquier nivel. 9.ó. 9. sílo son. 9.47 No hay una diferencia significativa en rendimiento escolástico debido a diferencias en estatura.46. al nivel 0.66. y canüidades del primer compuesüo químico. llay diferencias 9. significativas en los puntajes de los exámenes debido al estado veterano y al I. pero hay diferencias debidas al I. 9.54. No hay diferencias significativas debido a sitios o fertilizantes. B. máquinas o fortaleza de cables. 9.01 las diferencias en los puntajes del examen debidas al estado veterano no son significativas.Q.05.4E. ltray diferencias signifrcatiyas en especies renciag signif icat ivas.55. No hay diferencia significativa en los puntajes de I.49. C. 9. llay diferencias 9. color del pelo o Iugar de nacimiento. 9. fuual al hoblema 9. 9. No hafl diferencias significativas debidas a los factores o tratamientos. No ha! diferencias significativas en los puntajes de los estudiantes de diferentes partes del país. FIay diferencias significativas debidas al factor 1 pero no al factor 2 o tratamienLos A.

1 18 distribución chi-cuadrado. 24O. 5 completa aleatorledad. 296 independencia y. 118 distribución de Poisson. 259 típica (uéose desviación tíPica) desiación media. 265-267 coeficiente de correlación lineal. 119 distribución ¡'. 83. 9. 9. 1l uti¡izando p¡obabilidad. | (uéase también conjuntos) columna de conteo. 61 disÉibución beta. 115. 347 como caso especial de la distribución gamma. 264 curyas OC. 34ó cu¡va normal tipificada. 25 coeficiente de conelacion. 117 ¡elación con la chi-cuad¡ado y t. 263. I29 aproximación normal a la. 138. 269 ensyo chi-cuadrado Pua la. 342 axiomas de probabilidad. 84 ajuste dé datos por la. 92-94 teoremas sobre la.213 Bridae. 247 332. 246 muestral. 295. 268 r23 aproximación de la dist¡ibución de interl¡retación probabilfstica de la. 297 distribución de Bernoulli (uéose distribución binomial) distribución de Cauchy. 163. 266. 264.112. 85.2 conjunto universal. 134. 344 curua parabólica. 118. 1O9 relación de la a la distribución normal.26l múltiple. 47.86. 33O cuadrados latinos. 133. 31O. 115. 116. L27. 183 de la distribución binomial. 1 conjuntos disjuntos 3. 239 propiedades de la. 321. 232-236. 332. Só.320. 135 distribución bimodal. 237 dispe¡sión. 316. 21 1 desigualdad de Chebyshev. r97. 25-2 7 análisis de v xianza. 2 constante de Boltzmann. 144 cont¡ngencia. 12.242. 139. 127. curua de ajuste. 46 casillas. 112 clasificación simple o experimentos de un factor. 31ó álgeb¡a de sucesos. 2ll. 4 conjunto vacÍo o nulo. 46. 163 decilas. 344. 258-3O5 gradual. l. 139'141 teoremas sobre la.145 ajuste de datos por.163 centroide o centro de gravedad de los datos. 85. 111 r34 distribución de Pascal. 316 27 distribución binomial negativa. 23A. 168. 221-226. 108. 119- 310. 7L. 1 conjuntos medibles. 11. 13 conjuntos bien definidos. 258.246 Datos agrupados. 115. 1 51 contado¡ Geiger. 232-236. 19ó coeficientes de correlación múltiple. 263. E4. 248 curuas de aproximación. 315. 258 relación de la a la distribución norrnaI. 284.243. 254. 1 (uéos¿ también conjuntos) clases y frecuencias de clase. 129. 3f6-321 clasificación tríp¡e o factor tres expedmentos.112 219. 29G 292 correlación gradual. distribución gaussiana. 118. 134 cuilas cdacterÍsticas de operación. 266 (véose tom' bi¿n conelación y reg¡esión) curva de potencia.281-289 tabla. 224.324 cuadrados ortogonales. 2 (uéose deteminación. 217. 316 diseño experimental.L28 relación de la a la distribución de Poisson. 100. 94. 349 distribuciones gamma. 217. 306- continua a la derecha.244 conelación. 306. coeficientes de. 244 264. 198. 317.lndice Ajuste de datos po¡ distribuciones üeóricar.135-137. 1 17 moda de la. 118.169 negativa.324 el. 117. 89 282 diagramas á¡bol.125.263 covuianza. 2L7. 109 de la distribución de Poison. 117. 246.311 aleatorios.297 teo¡ía muest¡al de. 26 4. cumplemos. 1 13. 31 curtosis. 116 reJación de la a la dist¡ibución normal. 309 media y varimza de la.348. 225 análisis combinato¡io. 133 . 217 convoluciones. 267. colección. 26O clase. 268. 109.315.322 para experimentos de dos factotes. 2. reglas de.118 propiedades de la. 112. 6 conección de Yates para la continuidad. 213. 24 complemento de un conjunto. 136. 2ó8 94. ' dife¡encia de conjuntos. dewiación. 116 cuenta. 130. 27. 13 2. 311.2L6 área bajo la. 319. 218. 197. 116. 11. 112 de Ia distribución normal. 112. 118 valores de Ias percentilas de Ia. 8ó decisión. conelación y reg¡esión üneal perfecta. completa. 264. 267. 217. 78 diseño de experimentos. 345 ordenadas de la. 306-338 fórmulas cortas en el. 11. lO. 92- curua cuadrática. 40 control de caüdad. 11O. 295. coeficiente de. 234. 26 4 coeficientes de confianza. 164.293. lO9 (véase tomb i¿n distribución no¡mal) distribución geomét¡ica. 216. 114. 268 generalizando. 291 26r.11-13 teoremas sobre. 230 coeflcientes binomiales. 3 dimensiones o unidades.97 dist¡ibución binomial. 99 (uéase tombién distri' bución normal) áreas bajo la. 264.37 Cambio de variables. James. 3 1 5 altamente significativos. 142 relación de la con la binomiál negativa. 21 diagramas de Venn. 23. 112 relación de la a la distribución binomial.333 para experimentos de un factor. 316. 2a6-2a7 . 118. 6 conjunto nulo. 316 bondad del ajuste. 83. 26+ 246 püa datos agrupados. 316 püa de tres factores. 88. 184 categorías. 296 Poisson a la. 161.3f6 bloques aleatorios. 328. 143.269 cunas de regresión no lineal. 82. 345 tipificada.129 distribución exponencial. 78.244 cuwa nomal. L24. 3 264. 135 teoremas sob¡e la. 82.294 generalización del. 219. 46. 316.237-239 aleatoriedad. 297 poblacioml. 9. 108 bloques. 56-60 pua el caso continuo. 177.97-99. 3O7. L28. 1 77 combinaciones.310. 47. 177. 315. principio fundameotal de.28l-244 fórmula p¡oducto-momento para el. 82 cuadrados greco-latinos.316-321 aproxirración de Stirling a nl. 11O á¡eas bajo la. 30. 220. 6O. 10. 117. 22O. 2a5'247. 333 cociente de inteligencia. 28L-284 ensayo de tripótesis y significación para el. cuenteo. 115. 81. 11.78. 263. Bernoulli.2A2. problema. número desigual de obseryaciones en 312-315 experimentos conjuntos. 47 para el caso disc¡eto. 97 también varianza) dewiación tÍpica.118 distribución hipergeométrica. 263. 321. 1O8. 248 decisiones estadlsticas. ó conjuntos iguales.

267 pua valores predlchos. 269. 184 de medianas. 266. 54 de sumas de variables aleatorias. 346 media y vaianza de la. 159. 241 3 mediante medias. 41 conjunta. 115. 163. óó estatura de padres e hijos. 1ó chi-cuadrado y. 6 ensayo chi-cuadrado para bondad del ajuste. 2L4. 118. 216 para coeficientes de regresión. 99 de la distribución binomial. 289. 25. 44.22L.201 esti¡nas insesgadas.294 pa¡a la püábola de mlnimos cuad¡a- teoremas sobre. 198. 194 estimas po¡ puntos. pua variables aleatorias contfuruas. 22L- experimentos de un factor. 4 esperanzar 76. 4ó.279- 164.4. 178 (uéo¿e 213 mediante la distribución f de Student.lores medios predichos. 81. 199 insesgada (u¿ose estima iDsesgada) estimas de máxlma verosimilitud. 276. 168- de ¡elaciones de vuiauas. 314. 2L9. 118. 286-287 . 295. 313-315. 116. 261. 164. 35 estadfstico no puamétrico. 194 estimas. 161. 297 f¡ecuencia observada. 156. 49. 223.A. experimentos de dos faetores. 163. 47 interpretación gráfica de la. 43-46. 162 de difetencias y sumas. 26ó también esperanza) estadfstica Bose-Einstein. 92. distribución f de Stud. 216. 44 . 310. 4. 243 ensayo de bipótesis y significación.6 286. 44 dis¡etas. 162. 198. 213. 6 enfoque clásico de probabilidad. 4ó para valiables aleatorias dlscrets. 157. distribución de 2t6. 45 función de densidad conjunta. 164 acumulada. 1 de proporciones. 162 INDICE efectos de tratarniento. 260 elementos o miemb¡os de los conjuntos. 343 función de densidad. 285. 1O8 expamión multinomial. probabilidad de. 178. 163..226-228 mediante diferencias de proporciones. fó8. 156. 1?3-176 de varios estadísticos. 94. 213 para va. 214. 81 ble. 38. 299 er¡ores del tipo I y del tipo II. 61-63 distribuciones co¡iuntas. 194. 311 notación paa.2La. 112 de la distribución normal. 110 espermza matemática. 2I9. 342 función característica. 179 relativa. 164 acumulada. 278. 164 distribuciones de probabilidad. 290 estima. 3 7 Fisher. 114 relación de la a la disEibución binomial.177 enfoque de la frecuencia relativa de 308. 80. 218. 194-210 eficiente. 267. 262.282. 36 función aleatoria (uécse vuiable aleatoria) función beta. probabilidad de. en téminos de varimzas y del coeficiente de conelación. 296 derivación de la. 43 teoremas sobre la. L4l 11 8. 142 distribuciones condicionales. 77 (uéose dos. 48. 40. 2L6. 212. 119 distribución muestral. 160.S.) distribución porcentual de frecuencias. 260. 159. 81. 52-56 continuas. zLl. 231. R. 16ó. 119. 324-327 variaciones pa¡a.196.277 para el plaao de regreslón de mfnimos cuadrados. t¡ansformación Z de. 17?179 acumulada.ent. 41 distribuciones de probabilidad discret¿. l6 3 frecuencia relativa. 236 mediante la distribución normal. 16G162. 82 distribuciones de frecuencias. 287.2t6 ¡elación con la teorÍa de estimación.229-231 2L con repeticiooes. 8l totales. 306 Fistre¡. ó2 de funciones de vuiables aleatorias. 194 estimas sesgadas. 231 experimentos de clasificación doble (uCose experimentos de dos facúores. 279 efectos de bloques. 194-2LO. 341 fracaso. 133 distribución Weibuü.160. t7l enfoque a posteriori de Drobabilidad. 4 espacios muesfales discretos. 16-321 225 la. 286 fórmula producto-momento para el coeficiente de cor¡elación lineal. 113.293. 38. traslación de. 117 teoremas sobre la. 86-E8 condicionel. 2 interacción en el. 77. 52 distribuciones de probabilidad condicional. 262. 162. 117. 266 para vrimzas. 161. 14. 76.139-141 ¡elación de la a la distribución normal. 217 ensayos de dos colas. 137. 36 E. 263. 4 espacios muestrales no disretos. 263. 111 distribución nomal bidimensional.263. 113 distribución Maxwell. 92. 2t6. 39 (uéase tambíén funciones de distribución) función de distribución conjunte.312. 273. 162.216. 3 Ecuaciones norraales pua la recta de mfnimos cuad¡ados. 77 espermza condiciona!. 28t. Futl. estadfstica.267 formas igualmente factibles. ?7 muginal. 141 probabilidad. (pe¡cepción ext¡as€nsorizlr. 221-226 mediante proporciones. 1Og de la distribución de Poisson. 312 efectos de lnteracción. 220. dualidad. 312 Einstein-Bose. 5. mediante la disúribuclón F.171173 de medias. 14. 194 (uéate estimas insesgadas) toñbién mediante diferencias de medias. 238 bidimensional. 164 f¡ecuencias elementales. 44. 212.294 fómulm de Euler.370 media y vaxi^nza de la. 132. 41 de funcit¡nes de vadables aleatorias. 113 experirnentos aleatorios. 138. ó3.318 de vuianzas. 81 fórmula de Spe¡man pa¡a la cor¡elación gradual. 94. 198.¡ecuencia marginal. 4 46. 42. 1ó espacio muest¡a] finito. 44 va¡ianza pa¡a. 5. 259 estimador insesgado. 43. 157 de dewiaciones típicas.39. 3O8 error tfpico. 164 distribuciones de fiecuencia acumulada. ó1. 83. 266.178. 199.179 distribuciones de frecuencia ¡elativa. 293.61. 31 1 experimentos de Mendel. 206. 1ó7. 13ó función de densidad para la. 111 teo¡ema de la unicidad para le. 160. 16ó-168.215. 4 espacids muestrales continuos.2A6 224 espacio muestral. 83. 6. 138. 163. 194 estimas por intenralos. 84 distibución uniforme.226-22a mediaate la distribución chi<uadrado. 117.249 distribución nonnalr 109-1 11. I76.47 disc¡etas. 98. 260 ejes. 213 ensayos de una cola. 158.214 püa pequeñs muestras. 4 espacios muestrales inflDitos contables. 29A espacios muestrales infiniio no conta- fumión complementaria de error. 1O8 . 267 3-2L5.266. 124-127 ajuste de datos por la. 113. 326 función de distribución acumulada. 261. 162 distribución multimodal. principio de. 311 distribución t Student) 163 acumulada. 2r9. 117 relación de la a la chl-cuadrado y F. 39. 2ó9. 114. 297. óo conti¡uas.274. 237. 91. áreas bajo mediante relaciones de varianzas. 306-31O. estadfstica (uéose estadís- tica Bose-Einstein) e1e x. 1O8 expansión binomial. 44. 27 O. 186 estadlsticos muestra¡es.244. 63. error típico de la (véose ettot tfpico de la estima) estimación. 6 enfoque a priori de p¡obabilidad. definicid¡ de la. éxito.pua el coeficiente de correlación. 64 293. 109 propiedades de Ia. 262. 215. 297 e¡rb¡ o residuo. 216 Fermi-Di¡ac. 211267 estimas no eficientes. 2L9. 117 disribución trimodal. 218 frecuencia porcentual. 222 escalera flor. 289. 5 enfoque uiomático de ptobabiüdad. 264. 6 fórmula de inve¡sión. 196. 157 función de densidad normal tipificada. 265 77 38. 194 e¡aor tfpico de la estima.268 pua grar¡des muestras. 84 distribución multinomial. 198. 290 . 4O.P.

342 función gene¡atriz de momentos. 1 56 partículas radioactivas. 126. 343 central. 13ó de la distribución d€ Poisson.166. 156. 6r 3 ley de los grandes números. 259 método de comprensión. 179-183 la distribución binomial. 214 histograma. 94 moneda cargada. 308. 2. 3O7. 26. 84. 341. 171. 164. ó3 niveles de confianza. 217. 17? niedia. 156 parámetros de la. potencia de un ensayo. 11? de un conjunto de números.5ó marginal.297 miembros o elementos de un coqiunto. 97 mejor cuwa o recta de ajuste. L21 Jacobiano. 204 para medias. 195 lÍmites fiduciales.S.312. LS7. 13 lÍmites de confianza.Q.INDICE función de probabilidad. 158. 136 gráficos de control. 8 3O7. 6 moneda b-omada. 83. 117 la distribución normal. 84. 6 suma de los pa¡a la distribución chicuad¡ado. 84. ró9 población infinita.44. 163. 1ó8.268 funciones de probabilidad marginrl. 342 fórmula asintótica de Stirling pa¡a la. 113. 155. 2 pea vErian¿as. 95 para las pruebas de Bernoulli. 83. \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. 5ó. 43. 198 dist¡ibución de muestreo de la. 8. 79 alrededor del origen. 306. 37 Poisson. 84. 2. acumulado. . 13 en los zucesos. 313 polÍgono de frecuencias 179. 98 integr¿les especiales. 96. 157 media total. 312. 156. 27-23 población. grupo control.2O3 para relaciones de vuianzas. 44 371 molécula de gas ideal.219. invuianza baio üanstotmacióD. 110 eomplementaria. 44.5 probabilidad condicional. 164. 47 para conjuntos. 8O. 26L. 157 media ditmética. 44. 197. 1ó8. 159. 84. 259 para curvas. 1 56 independientes. l2 computación de la. pea conjuntos.P. 206 modelos matemáticos. 47 Pata conjuntos. 1 7-2O función de la. 117. 13 Iey distributiva. 164 operaciones de coniuntos. 2O2. 292. lf l. 179 acumuladas.293 medidas de centralización. 3O6 medias de tratamiento. 85. gran media. 36. para la convolución. 266. 163. 89-91.237. para datos agru- Gas ideal. 162 no unicidad de la. 269. 96.98 de la dist¡ibución binomial. 196. 11 método de mínimos cuadrados.¡los abierto y cetrado. I 55 integrales de Fourier. 79 momentos condicionales. 269. f96-202 L44. 186. poker. 40. 196 población finita. 217 gráficos de control de caüdad. 342 función gamma. 212.297 198 para rectas. 45 funciones de distribución. 163. 21 hipótesis. 342. 2t3. 199-201 grupo. 177 muestreo.97 (véase tanrbién esperanza) pados. ensayos de. 178 moda. 27 . 39.241 hipótesis estadísticas. 311 mediana. 183. 277. 224 niveles de significación. 309.23O Herencia. 183. 18O- población normal. 123 de la distribución chi-cuadrado. 76. 1r6. á1 lÍnea real. 54. 89'91.22O. 3Oo funciones de distribución marginal. 39. (cociente de inteligencia). ó6. 1 (véase también conjuntos) prábola. ll.312 ordenadas. 177. 86 Marca de clase. 197.179183 momelltos centüales. 96. 311. 1ó1 grados de libe¡tad. 203. aproximación de Sti¡ling a. ó8.179 ojivas porcentuales. 184 teorÍa de correlación y regresión. 342 fórmula de recunencia ptala. 1. 241 tabla de. 97 medidas de dispersión. 156 tamaño de la. 306. 76. 45. 164. 23O inferencia estadística. 205. 194-206 para diferenciás y sumasr 196. 163. 3O6 de de de de medias de grupo. débil ros) (ué¿se muestras independientes. L78 I paradoja de Russell. 45. 84 (véose también media) media muestral. 15ó. 1^O. 80. 61-63 conjunta. 2 logúitmos comunesr tabla de. r23. 111 de la distribución ú o de Student.165. 1óó. 1O9. 164. f 56 alrededor de la media.313 ? probabilidad. lnteÁ. 1ól momentosr 79.. 159. t71. 198. para el análisis de la varianza. 259 ir¡tetcepto. 156 población multinomial. 43 4O 268. 63 función de Drobabilldad coqiuDts. 156. 114. 99 pe¡cepción extransesorial (udase E. 2+2. 1 polÍgono de frecuencia. 94 función escalera. teorema de la unicidad pea la. 158 I. 12. 48 probabilidad de causas (uéos(f teorema teoremas de la. para la convolución. 4O función factorial. 211 (uéase tombián ensayos de hipótesis y significación) hipótesis nulas.266 pe¡mutaciones. 96. 1O9.) mÍniinos cuadrados. 221 experimental o descdptivo.164. 84. 111 21 E inte¡ralo semi-intercuütÍlico. 171. 206 semi-cerra2dO. 3. 3 inteivalo de clase. 39 condicional. 55. 184. 266- 4t. 159 normal. 11ó. 2O4. 85. 1ló de la distribución F. 3 ¡ey conmutativa. 196. 97 medias de fila. 196 muestras aleatorias. 264. 48. 194. 352 números complejos. 1ó6. 40. funciones de densidad marginal. 155 aleatorias. 200 número.84 Papel gráfico de curya normal. 26O intetsección de cotiuntos. 211. 6. 155 población binonial. 19ó. 156 196 Ley asociativa. 76 de una muestra. 224 tabla de. 342 27.D. 217 259 236. 47. 85. 1 método de expansión. 76. 8O función monotónicamente creciente. 79 intenalos geml-abiertos o dos. 38 marginal. S. 163. 1ó5. f16. (uéqs¿ rectas de mÍnitnos cuadrados) método y fórmula clave. Ojivas. 177. 213 números rleato¡ios. 32 parámetros poblacionales. 79 condicional. 81. para la convolución. 41. 46. 69 para datos agrupados.249-292 n factorial. 42 para variables aleatorias discretas. 21?. 112 la distribución F. 49. 2 núme¡os ¡eales. 96 de la dist¡ibución beta. 97.272 función error. 86. 351 loterm. 117 modelo matemático lineal pua el análisis de va¡ianza. 268 para vuiables aleatorias continuas. 195 (uéose tambíén lÍmites de confianza) IÍmites reales de clase. 308.49.45. 312 g¡an total. 3.50. 276. 80 teoremas sob¡e la. 227. L22.221 experimental o descriptiva. 3. 1O función paso. lO9. 195. 165. 243 pua paábolas. 6 muestras. 350. 166-167. 19ó nivel de significación. 123 la distribución de Poisson.234 pare propo¡ciones. 112 de la distribución normal. 1 44 pe¡centil¿s o valores percentüa. 2 lntcnalos de confianza. 47. 199. 44 g¡andes muestras. 1á6 con o sin remPlazamiento. ó4.

195 desconoce la. 164. 112 de la dist¡ibución normal. 13O. 26-27 231. 6 suceso seguro. 131 teorema o ¡egla de Bayes. 37 serie de Fourier. 2O1 t¡ansformación de Fourie¡.98 serie de Taylor. dist¡ibución muestral de.294 vaianza. 38. 3O7. 26O.115 variables aleatoiias con distribución chi- ta. 2AL.2a2.123. 20. va. 4. 79 tipificadas de. 156 temperatura Kelvin. 198 rectas de mÍnimos cuadrados.2a5 vatiación residual o aleatoria. 79 vriables aleatorias con distribución Be- serie".78. 270 va¡iables aleatorias. 1O9. Valores críticos. 48. 262. 29. 26A. 131. 263. 3f 3-3f 5.266. 266. 2ó9 Sec¡etaria. 7.161 veiables aleatorir nomalizadas. 195 valo¡es de tendencia. 1lO va¡iables aleatorias adimensionales. 38. 263. 79. 158 de la distribución no¡mal. 26I intersección de. I7 -2O.317. 249 de vaiables aleatorias distribuidas normalmente. 23a como una función de valor real. 5O con distribución dg Poisson.318 múltiple. 212 regla de Leibniz para la de¡ivación de una integral.6O teorema del límite central. 3O6 triángulo de Pascal.124 las. 297 tammo de la muestra. 38. 1 subconjuntos p¡oFiós.262 vüiación explicada. 269 vdiables-transf o¡madas. 42.249 computación de la. 1?9-183 vriable independiente. 97. 264. tabla de. plano. 49 ¡éplicas. 261. 2ll (véase tombién ensayos de hipótesis y significación) vaiables aleatorias con dist¡ibución Cauchy.27l uperf icies. 260 variaciones.lasificación simple. 8O dist¡ibuidas binomialmente. 45. 326 diag¡ama.63 vüiables aleatorias no relacionadas. para datos agrucondicional. 176 velocidad efectiva (¡ms). 115 cuadrado. 15 utilizando el análisis combinatorio. 38 variables aleatorias de la distribución de Bernoulli. 6. 311. 271 referencias tipificadas. 9.110 vüiables dependientes.2ó9 coeficiente. 81. 266. 262.260 pua vriables aleato¡ias distribuidas binomialmente. 1 I O región crltica. 281. 112. probabilidad empírica. 3O7 para .372 o ¡egla de Bayes) concepto de la. 27 I relación fineal. 14. 289. 78 unidades tipificadas. grados de libertad 311 métodos cortos paa obtener las. caso donde s . 81 transformación Z de Fishe¡. 266. 26O. 1Og de la distribución de Poisson. 85. 6. 85 sesgo. 266. 89. I 1 O pila distribuciones conjuntas. 194. 123 de la distribución de Poisson.111. 5. 48. 15 sucesos elementales.244 representación gráfica. 43 t¿blas de clasificaclón doble.81. 37 subconjuntos. 8O sesgada a Ia derecha o a la izquierda. variación total. 52-56. 2a9. 3O9 ent¡e filas o tratamienúos.115 vtianza poblacional. 289 ecuación. 63. 258.82 de momen- mente.158. 161. 3O7. 39. 164 probabilidad geométrica.89 combinada. 213 región de rechace. 311 tratamientos. 264. problema de la. 312 regresión. 82 veiables aleatorias normales asintótica- ley de los grandes números paa 109. 219 en anáUsis de varianzas. 108. 58. 243246 tablas de frecuencia (uéose ta¡nbién distribuciones de frecuencia) variables aleatorim distribuidas binomia¡mente. 46. 183 de la distribución binomial. 264. f91. 196 tigmpo de reacción. 7. 161. 25 Unidades o dimensiones. (véase v atianza muesüral) continuas. 79.259. 259. 17-2O. 3O8. 259. 3Og pua las. 85.245 en análisis de varianza. 117 muestral. 113. 79 distribución de las. 317. 291) universo del discurso. pda la función generat¡iz tos. 21 variación. 64 gráfica. aleatorias) 2 2 241. 46. 217. 22O.37. 266. 30. 5 condicional. entre columnas o bloques. 49.88. 1O8 variables aleatorias dependientes (uéose variables aleatorias independieDtes) vaiables aleatorias discretas. 29. 78 va¡ianza combinada. 114 1ó8. 111 de la dist¡ibución t.114.2a4. 78. ó. 9.81. 237 . 50 dist¡ibuidas unifomemente. 64 probabilidades. 31O. 226 .39 vaiables aleatorias continuas. 151 82 seguridad. para un conjunto de números. 1ó8. 111 vuiable estocástica (véase vuiables valores exponenciales. 2t9. 68 proporciones. ó sucesos. 11O v&iables aleato¡ias dist¡ibuidas uniformemente.lores esperados de las. 89. 1 14 independientes. 289. 79. 26? traslación de ejes. 254. 281. l94 sÍmbolos de inclusión. 67.273 en términos de varianza muestral v teoría de muestreo exacto. 130. 151 teorema de unicidad. 15-17 p¡obablemente significativos. 2a7. 262. 1O8 vuiables aleatorias distribuidas de a- cuerdo con la dist¡ibución Poisson. invarianza bajo. 50 papel gráfico. región de. 143. 45. 97-99. ó-7 sumas es¡reciales. 292-294 cov^rianza. 352 293.experimentos de dos factores.285 recta. 216 como segundo momento. 158.49. 6 algunos teoremas importantes sobre la. 1 ilceso imposible. 131 prueba del. 31 1 entre y dentro de tratamientos.284 relaciones no lineales.239 problema de la aguja de Buffon. I 18 tablas y distribuciones de frecwncias de doble v&iación. 165. 219. 262. pa¡a la función ca- vaiables aleatorias independientes. 3O9 regresión múltiple. 195. 216 var\anza muestral. 266.161:171 prueba de Bernoulli. 29O curva.85.272 318 grados de libertad para. 264-27 4.2O2 interpretación probabilística de. 117 de la distribución muestral de medias. 27 8. I O8 distribuidas normalmente. 262. 63.159. 3 significación. 81 transfomación. problema de los. 279 unión de conjuntos. 212.3il1 Taylor. 48 función de densidad de. 223. 160 esperanza de Ia.2a4. 284. S2 sin dimensiones. 258 punto muestral.38 discretas. 11 1. 46 scesos mutuamente excluyentes. 108 pruebas de Bernoulü. 41 INDICE sobres. 259. 269.86. 266. 324-321 residuo. 311. 341 ¡elación con las dist¡ibuciones t y F va¡iables aleatorias con dist¡ibución Gamma. Tabla de probabilidad coniunta. 4. 79 pados. 49. ? sucesos independientes.116 función (uéose función de probabilidad) geométrica. 63 no conelacionadas.97 semi-intercuartr-lico. 260. 269. explicadas y no explicadas.4 Recorrido. 8. 26 2 teoría muestral de.262 27 a. 212 ensayos de. 306. 322-327 tabla de c. 30. LIL. 311. 263. 112 de la distribución f'. asignación de las. 263. 8 cálculo de las. 242. 22O tablas de con¿ingencia. 8O ¡acte¡Ística. 83.2a5 vaiación no explicada. 265.284.94 de la distribución binomial. 164 dist¡ibuciones de la. 242. 242. ó2-56. 266.287-289 transformada inversa de Fourier. 3O9.

.

.

l .

.

.

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