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.

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

Parte I PROBABILIDAD .

.

Sinónimos de conjunto son c/cse. { 4 o. léase"elconjuntodeloselementos¡talesque¡es una vocal" donde la línea vertical I se lee "tal que" o "dado que". C. 5.1. 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. Un conjunto puede considerarse como una colección de objetos. Sic noperteneceaC escribimos a é C. El primero se denomina el método de extensión y el segundo el método de comprensión. llamados míembros o elernentos del conjunto. A y B no tienen exactamente los mismos elementos. B. . denotamos un conjunto por una letra mayúscula A. ¡ |¡ es un triángulo en un plano ) es el conjunto de los triángulos en un plano. e } es un subconjunto. o. Un conjunto puede definirse haciendo una lista de sus elementos o.5. i. es decir si B.e conjunto es un pilar fundamental de la probabilidad y la estadística y de la matemática en general. mientras no se especifique lo contrario. describiendo alguna propiedad conservada por todos los miembros y por los no miembros. b e C.3.b. EJEMPLO 1. e.2. SUBCONJUNTOS Si cada elemento de un conjunto A también pertenece a un conjunto B llamamos a A un subconjuntodeB. Si Ac B y B CAllamamosa A y B iguales y escribimos A : B.6}. SiA C B pero A + B llamamos aA un subconjunto propio EJEMPLO 1.6\. 4. i. I a. uloporelmétododecomprensióncomo{rlreeunavocal}. u. como siempre lo supondremos. 3. EJEMPLO 1. A tenemos A C A. 6). Se sigue que para todos los conjuntos exactamente los mismos elementos. u ) es un subconjunto propio de {o. El conjunto de las vocales en el alfabeto puede definirse por el método de extensión como { a. EJEMPLO 1. 4. el cual es un subconjunto (propio) del conjunto de todos los resultados posibles {L.2. o. pero no un subconjunto propio. puesto que los dos conjuntos son iguales.escritoAcB6B:Ayleído"AestácontenidoenB"o"BcontieneaA" respectivamente. debemos estar capacitados para determinar si un objeto específico pertenece o no al conjunto._l 'Cupítulo Coniuntos y probqbilidqd EL CONCEPTO DE CONJUNTO 7 El concepto d.Para que un conjunto seabiendefínido. _ Si un elemento a pertenece a un conjunto C escribimos a€ C. grupo y colección.4.5.6. a. En general. e. escribimos de B. El conjunto { Obsérvese que el método de extensión no puede utilizarse aquí. u}. i. EJEMPLO 1. u}. 2. Obsérvese que la sola redistribución de los elementos no cambia el conjunto. o. EJEMPLO 1. y un elemento por una leha minúsculao. e.4. si esto no es posible. 3. En este caso AyB tienen A+ Si A no es igual a B. i. de {o. Si o y b pertenecen aC escribimos a.

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

AñB1C An(BuC) = (AnB)u(AnC') .4u^B)uC I. L'L. escrita por A . se B Si A : UB). entonces A')B' 6 B'c. t-Lzb A YB y 1-13 pueden y 1.An(BnC) = (¿nB) nC -.11. 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.. l-5 Fig.1l CONJUNTOS Y PROBABILIDAD DosconjuntosáyBtalesqueAnB:p. 1-4).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 . u el 1/. En la Fig. símbolos de inclwión .{ = A Primera ley De Morgan Segunda ley De Morgan Para cualquier conjunto generalizarse (véanse Problemas 1.guenotienenelementoscomunes'sella¡¡ran coniuntos disiuntos.B (región sombreada en la Fig.74). El conjunto que consiste en todos los elementos de A qtlle no pertenecen a B llama la diferencia áe A y B. se escribe Fig. 1'6).4u(anC) = (AuB)n(AuC) A-B = AñB' Si AcB. el B y lo escri se llama saXl-B Fig. Diferencia.'NTIOS AUB = BUA Au(BuC) : (. 4.69 AUQ-A.cAP. l-6 AIGUNOS TEOREMAS RELATIVOS A CONJI. cyf. A y B son disjuntos.AnQ=9 AU'al -.esdecir. interrecciones por uniones. 3. AnU (AuB)' = A'ñB' (AnB)' = A'UB' A = (AnB)u(AnB') Los teoremas L-Lzo.

g.dsdecirdos EJEMPLO 1. 1)).CONJUNTOS Y PROBABILIDAD [cAP. Si un espacio muestrdl tiene un número finito de puntos.2. 1. el resultado del experimento es que algunos pueden estar defectuosos. (0. Un principio fundamental es que si efectuamos tales experimentos repetidamenle bajo condiciones aproximadamente idénticas obtenemos resultados que son esencialmente los mismos. 6 | en tanto que otro es lpar. Si tenemos una máquina que produce tornillos. un espacio o conjunto muestral de todos los resultados posibles se da por {1.1 ) representaselloen el primer Ianzamiento y cara en el segundo lanzamien[tr. sedenominaespacio muestral infinito no contable. = 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. . entonces el resultado del experimento es el tiempo f en horas que se encuentra en algún intervalo. donde suponemos que ninguna lámpara eléctrica dura más de 4000 horas. 1 EXPERIMENTOS ALEATORIOS Todos estamos familiarizados con Ia importancia de los experimentos en la ciencia y en la ingeniería. no defectuoso}. Si lanzamos un dado. como en el Ejemplo 1. 'EJEMPLO 5. si lanzamos una moneda dos veces y utilizamos 0 para represenmr sellos y l para representar caras el espacio muestral (véase Ejemplo 1. se denomina espacio muestral infinito contable. Así cuando se produce un tornillo será un miembro del conjunto {defectuoso. por ejemplo.12) puede dibujarse por puntos en la Fig. 4. En tal caso es deseable utilizar números en cambio de letras siempre y cuando sea posible. si lanzamos un dado el resultado del experimento es uno de los números en el conjunto {L. por ejempio. impar) Sin embargo.14. etc. simbolizado por S ( ó 0 ). o una "cara". es decir SC. si un resultado es divisible por 3.1 0. . 2.15.. EJEMPLO 1. EJEMPLO 1.5. Tales experimentos se denominan experimentos aleatorios.12. 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.tal como 0 f r: S 1. es lógico que el último no sería adecuado pan determinar. Si tiene tantos puntos como hay en algún intervalo en elejer. Obsérvesé que eJ córresponde al conjunto universal. por ejemplo. simbolizadaporc(ó1). Un suceso que consiste de un solo punto de cJ frecuentemente se llama un sueeso .3.13. .16.esdecirunodeloselementosdelconjuntóíqs)(ó{0. Frecuentemente es útil dibuja-r un espacio muestral gráficamente. 0 ú :: 4000. Silanzamosunamonedadosveces. 4. EJEMPLO 1.se denomina espacio muestral finito.en tanto que uno que es infinito no contable'se llama espacio muestral continuo o no discretoSUCESOS posibles. 3. Unespacio muestral que es finito o infinito contable frecuentemente se denomina espacio muestral discreto. EJ EMPLO 1 .SS) caras. 1-7 donde.16.11. l-? tos como números naturales 1. hay experimentos en los cuales los resultados no son esencialmente los mismos a pesar de que las condiciones sean aproximadamente idénticas. Si elemental o simple.or . EJEMPLO1.2.elresultadopuedeindicarsepor{CC.6). cara la primera y sello la segunda. Si lanzamos una moneda eI resultado del experimento es un "sello". Un suceso es un subconjunto A del espacio muestral..SC. Los siguientes son aLgunos ejemplos. Si un experimento consiste en medir "la vida" de las lámparas eléctricas producidas por una compañía. Sin embargo. es decir es un conjunto de resultados el resultado'de un experimento es un elemento de A decimos que el suceso A ha ocunido. Si tiene tantos punl'ig.CS.

cualquier experimento aleatorio siempre hay incertidumb¡e sobre si un suceso específico ocurrirá o no.'sello" (suponiendo que la moneda no se pierda ni caiga verticalmente). Enfoque. 1-8.B". donde n es muy gmnde.B es el suceso "A pero no . SS } así tenemos A U B: {Cg A': {SSl SC. CC}.cAP.como frecuencia relativa o a posteriori. AU B es el suceso "Aó B o ambos". Como sucesos particulares tenemos el suceso en sí mismo. EJEMPLO 1. EJEMPLO 1. A' es el suceso "no A". SilosconjuntosconespondientesalossucesosAyBsondisjuntos. como se indica en la Fig. el suceso que sólo resulte una cara es el subconjunto del espacio muestral que consiste de los puntos (0.Puesto que hay dos maneras igualmehte factibles del resultado de la moneda. 1. Supóngase que deseamos la probabilidad de que resulte una cara en un solo lanzamiento de una moneda.esdecirAñB:Q. CC. A n B es el suceso'qtanto A como B" 3. 1. todos igualmente factibles. 1l CONJUNTOS Y PROBABILIDAD EJEMPLO 1. perosi estamos regutJs de que'el suceso no ocurriú d_e9. Por ejemplo. 1) y (1. Si después de n repeticiones de un experimento. y el conjunto vacío Q. si la probabilidád es de 1f4. razonarno{¡ que la probabilidad requerida es 112. En ólgebra de sucesos que coffesponde al álgebra de conjuntos indicada en la e.ad con la que podemos esperar que un suceso ocurra es conveniente asignar un número enhe 0 y 1. que es el suceso cíerto o seguro ya que un elemento de eJ debe ocurrii. Esto quiere decir que no pueden ocunir ambos. Equivale adecirque laprobabilidad contrasu ocurrenciaesdel 75% al25vo o de B ai. . 4.19. A.17. simplemente "cara" y . Enfoque'clásico o a priori Si un suceso puede ocurrir en h maneras diferentes de un número total de n maneras posibles. si lanzamos una moneda dos veces. 2. es decir que no está cargado. entonces podemos obtener otros sucesos en cJ. diríamos que hay y 26Vo de oportunidad de que ocurra y un 767" de opoitunidad de que no ocurra. CC} EL CONCEPTO DE PROBABILIDAD En. B : { CS. frecuentemente decimos que los sucesos son mutuamente. SS) : eJ A-B- Añ B: {CS} {^SC. Flxisten dos procedimientos importantes por medio de los cuales podemos obtener estimativos para la probabilidad de un suceso. entonces ta próbauilidad del suceó es h/n. Al llegar a este resultado suponemos que la moneda es honrado.[ proposicio Fig' 1-8 Empleando las operaciones de conjuntos en sucesos en Así si A y B son sucesos. que se llama el suceso imposible puesto que un elemento de Q no puede ocurrir. SC. entonces la probabilidad del suceso es h/n. excluyentes. 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". 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. Esto también se llama laprobabilidad empírica del suceso. 2. un suceso ocurre h veces. y de estas dos maneras una cara puede aparecer en una sola manera. Si estamos seguros de que el iuceso ocurrirá decjmos que su probabilídad es 100% ó 1.18. Como medida de la oportunidád o plobabilid.lm9s que su probabilidad es cero. 0). Entonces A : {CS. w tloríá de conjuntos e inversamente.

A cada suceso A en la clase C de sucesos asociamos un número real P (A). An son sucesos mutuamente excluyen- P(Al = P(Al) + P(A2) + En particular si A "' + P(A") (8) - et. LOS AXIOMAS DE LA PROBABILIDAI) Supóngase que tenemos un espacio muestral e.. entonces At. Az.:<ioma > 0 (r) Axioma 2. A causa de estas dificultades los matemáticos en los últimos años se han orientado avn enfoque axiomótico utilizando conjuntos. es decir P es una función de valor real definida en f. .CONruNTOS Y PROBABILIDAD EJEMPLO 1. el primero debido a la vaguedad de las palabras "igualmente factibles" y el segundo debido a la vaguedad incluida en un "número muy grande". para solo dos sucesos mutuamente excluyentes At. . (d) Teor¡:rna 7-16: es decir el suceso imposible tiene probabilidad cero. entonces .) - P(/. Si d es di5creto todos los subconjuntos corre6ponden a sucesos y recíprocamente. 1 y hallamoe que 532 veces resultan caras estimamos que la Ambos enfoques el clásico y el de frecuencia prcsentan serias dificultades. el espacio muestral. 7-14: 1-15: Si ár cA2 entonces P(Ai < P(Az) y P(Az.20. . .'. (5) Para cada suceso es A 0<P(á) <1 P(9) = O decir la probabilidad de un suceso está entre 0 y 1.632.Á. .1) + P(A2) + . Si lanzamos una moneda 1000 veces probabilidad de una cara es 532/1000 = 0.. eh la clase C (2) 3. .) = P(42) - P(A).. Teorema 7-77: Si A' es el complemento de A entonces P(A') Teorema = r-P@) (7) 7-78: Si A = AtUAzU.t. (e) En particular. Bz. Para cualquier número de sucesos mutuamente excluyentes P(AtuAzu '. Paru el suceso cierto o seguro eJ en la clase C =I At.UA" y tes. . Para cada suceso A en la clase C P(A) P(eJ) A. Así P se llama la función de probabilidad.iomas anteriores podemos demostrar varios teoremas sobre probabilidad que son importantes en el estudio posterior. si se satisfacen los axiomas siguientes: Axioma 1. [cAP. Ar. peto si ef es continuo solamente subconjuntos especiales (llamados medibles) corresponden a sucesos. P(AL:AI) = P(Ai+P(Ar) ALGUNOS TEOREMAS IMPORTANTES SOBRE PROBABILIDAD (4) De los Teorema Teorema a-r. y P(A) la probabílidad del suceso A.

4.B\ Generalizando. Hallar la probabilidad de que resulte 2 ó 5.P(AsnA) (rr) + P(Lt\AzñAs) También pueden hacerse generalizaciones a n sucesos.) + P(Ar) + P(As\ . entonces 1 6 . EJEMPLO 1.2. 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... si A (10) t. + P(ánA") (rr) ASIGNACION DE PROBABILIDADES entonces por el Teorema 1-18 Si un espacio muestral el' consiste únicamente de los sucesos elementales Ar.+P(4") = 1 (e) 1-19: Si A y B son dos sucesos cualesquier4 entonces P(AuB) = P(A) + P(B) . esdecir si suponemos que el dado es honrado.P(üñAz\ - P(A|¡A.cAP. Ar..3.....An (1+) P(Ai + P(Az) + .4. 1l CONJUNTOS Y PROBABILTDAD P(Ar) Teorema +P(A2)+. Si asignamosprobabilidades iguales a lospuntos muestrales.. Podríamos lógicamente emplear otros procedimientos para asignar probabilidades.. En particular.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. + 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).2. como el de la frecuencia relativa de la página 6...entonces P(A) = P(AnAi + P(AñAz) *'.21.6}. entonces P(A:U AzU ¿") : P(.. Az.. Az.. El espacio muestral es e-I: {1.A.5. entonces P(A¿: '!y si A es k=1.]) . Véase Problema 1. Se lanza solo un dado.. La asignación de probabilidades provee un modelo matemótico y su éxito debe probarse experimentalmente en forma muy similar a como las teorías en física u otras ciencias deben probarse experimentalmente.. si suponemos probabilidades iguales para todos los sucesos simples.79.P(A. á3 son tres sucesos cualesquiera..

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. Por tanto P(2u5) = P(2)+P(51 = *. El resultado se generaliza fácilmente a n sucesos. TambiénP(AñBr:216:1/3. el saber que el resultado del lanzarniento es un número iinpar aumenta la probabilidad de Ll2 a 213. AnB Fig. 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. . .41 ha ocurido tantas veces la probabilidad de que A3 ocura dado que At y Az han ocurido. A. = P(A)P(A|A.CONJUNTOS Y PROBABILIDAD El ¡uceso que resulte 2 ó 5 ee [cAP. (o) no se da ninguna otra información. entonces P(A'. 1 indica por 2 U 5.2 6 g observamos por el teorema P(Bl = P(r) + P(2) + P(3') = -+-+-= 6662 1l1l suponiendo probabilidades iguales para los puntoc muestrale¡. A2. Fácilmente se demuestra que la probabilidad condicional satisface los axiomas en la página 6. Puesto que se sabe que A ha ocurrido. . (o) Si B denota el suceso {menor que 4). 1-9) tales que P(A)> 0.) + p(A)P(Al Azl + . TEOREMAS SOBRE PROBABILIDAD CONDICIONAL Teotema 1-22: Para tres sucesos cualesquieraAl.22. . Denotamos por P(BiA) la probabilidad de B dado que A ha ocurrido. es decir la probabilidad de que B ocrura dado que A ha ocu¡rido.Ya queB es la unión de los sucesos 1-18 que 7. 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 .) excluyentes á1. se convierte en el nuevo espacio muestral remplazando el original e-I. Hallar la probabilidad de que en un sólo l¿nzamiento de un dado requlte un número menorque 4. + p(A")P(AlA") (20) . ilamamos a P(B I A\laprobabilidad condicio¡wl de B dada A..á PROBABILIDAD CONDICIONAL = t 1 Sean A yB dos sucesos (Fig. P(BIA\:"+#=#=? Por tanto. A3 tenemos P(AtñAzt\ás) = P(A) P(A2l At) P(Asl Atn Az\ (1e) En palabras. . Teorema 7-23: Si un suceso A debe resultar en uno de los sucesos mutua[iente Ar. (b) se da que el lanzamiento resultó en un número impar. (b)SiAeselsuceso{númeroimpar}observamosqueP(á):316= Entonces 1/2. r-9 EJEMPLO 1.

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

r + l\ donde se observa que el producto tiene r factores. Así abc es di o lo Sin embargo. -se deduce por el principio fundarnlntal de cuenta que el número de ordenácionás. Si las camisas se representan por S¡. Tt. = .P. l-10. Llamamos a .. . (25) se conüerte en = n(n-l)(n-z). C. . .24. lógi tos es Sup n conjunto que consiste de n objetos de los cuales nr son de un nguir entre sí). clr no se Aquí.l)(n . son del hnr + nz + .34. 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. D. = n(n. 43 y 2p EJEMPLO 1. El número de permutaciones diferentes de las 11 leüras de la palabra u M/SS/SSIPP. consiste de LM.10 CONJUNTOS Y PROBABILIDAD [cAP. l-10 (25) . en muchos problemas estamos interesados solamenos sin inteiesar su orden. .. G es ¡P:t = fi.s de escoger el primer objeto.. y finalmente n 1 formas dó escoger-el r-ésimo objeto. .to. n. + ..5 = 210 . ?a. 52 y las corbatas por ?1. n2 son de un segundo tipo.. 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. . . 41. (n . .26. . Tz.7 manerias r * escoger ét segunaoiU¡e_ to-. F. E.P.l. Así el núm&o de permutaciones diferentes (28) Véase Problema 1.2). elnúmero de permutaciones de n objetos lomados de r en r.6. B. y luego de hacer esto n de . . EI número de ordenaciones o permutaciones diferentes que consisten de 3 letras cada una y que pueden forma¡se de las ? letras A. o permutaciones diferentes como generalmente se les Uarnc está dado { 5 6 8 por Fig. 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. rr. .P. Dichas selecciones se llaman combinah misma combinación. . I 2 1 Fig.1 : nt (26) que se denomina n factorial. . EJEMPLO 1. Para el caso particular cuando r: .

+ . (a) A:kl* elementos.(t)**. .podemosesaibir A: {5. :25)que se lee"el conjunto de todosloselementosde¡ talesque.r/\) \r/ \n EJEMPLO 1.48. Problenra. Véase Problema 1. Indique cómo describir a.s propiedades interesantes. (|)*-lt * (i)*"-. EI n(¡mero de manera¡ en lae cuales cartas diferentes es nU. El símbolo .1.cAP..e¡decirA . EJEMPLO 1.r. Para un estudio más detallado de la fórmula de Stirüng véase el A¡Éndice A.-5). y)t = r:{ * (Í)". Sea A el conjunto de todos los números reales cuyos cuadrados son iguales a 25.28. es la base de los logaritmos naturales.r'2 :25".)" (n) Tienen mucha.(t¡*" . @-l (:.36) ln\ \"/:nt¿r=rl@=T.yEñn"e-n donde e : 2. se. que también puede escribirse como (2e\ ("\ \r/ Fácilmente se demuestra que n(n-L\". En tales casos se utiliza la fórmula (38) nl .describé dando sus (D) Puesto que t2 :25parar:5y x:-S.71828.'6 = .\s/ . (l)* = APROXIMACION DE STIRLING A r¿ ! xa+ 4x3y!oxzyz *4xy3 +ya Cuando n es muy grande la evaluación de aproximada n! no es práctica.27. .s! COEFICIENTES BINOMIALES 56 Los númerós de (29) se les llama frecuentemente los coeficientes binomiales puesto que provienen de laexpansión binomiat (r 1- u)^ : * . U (n Tenemos (véase Problema 1. .:nC.(n-r-rr\ r! ó nP. Por esta raz6n decimos que el I unaexpansión asíntótica del lado izquierdo. . r! (30) /n\ ( J=( /n '.4 por (c) el método de comprensión y (b) el método de extensión.s resrreltoa CONJTINTOS 1.en (33) signifrca que la relación del al lado derecho se aproximá a 1 a medida eü€ /l + o._. 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. escogerse o ¡elecciona¡¡e de un (91') 3 ca¡t¿s pueden total de 8 sc¡ = lt) = 8'J. .

5. (d) B' : conjunto de los elementos en t/ quenoestánen g = {0.-tf2. página 3. (b) "A es el conjunto de ¡ tal que 12 : 4 y ¡ ) 9'. puesto que {9} es un conjunto no voclo que conriste del conjunto vacío. 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.5. El error radica en escribi¡ {@} por @.o} u {5.-2ly * )9._\E}. -4} = {+. Sea r cualquier elemenüo de á. (o) (b) (o {rln+ü} -.r. aA. C' : conjunto de los elementos en 'll que no están en C : {0.u C. Puesto que no hay un númeror tal que x2 :416x:2. (e) A .5.sededucequeACB6B)Aylrrpropocición Obaérvese que esto se lee es verdadera- 1.o. ". si el universo 'u = {}. ) La proposición es falsa. no hay objeto que no sea igual a sí mismo. entonces B) A. ee deci¡ ¡ € A. 1 L. Entonces B.r} {*.-4}n{+.-4}.-{r).pueotoqueloe elementos 3 y 5 son enterosimpares.r} = {0. Si A = {r l r2=4.{0. DIAGRAMAS DE VENN Y TEOREMAS SOBRE CONJT. = {0. n].'NT\OS 1.+. 2 es wn número re¿l mientras que {2} esw conjunto que consiste del número real 2.4} utilizando el re¡ultado de (b).-r/2. tenemos x€ B. (s) (AnC) e (Bne.r.üenemosB:{g. es decir cada elemento de A eetá en 8.-rt..r). (e) A-8. Entonces ya que AC B. -4} y los subconjuntos de u están dados por A : {-\n. ¿Es cierto que {2} : 2? No. entonces AcC.6. Otro método. Yaque x2 -8x * 15:0 ó (r -3)(¡. . 5. seaA={rl*esunenteroimpar). 0. es deeir B ee un subconjunto de A. Por el Teorema 1-8. 1.. (/) (Bn C).+..5)=0 sólosi x:B6x:6."áÁ y porüantoBC 1.+.t.-4} (c) (AuB) n C = {-{2.-{2._\E} .-4} = {-18.enconhar(a) AnB. -rt. Aeícadaelemenüodeá esunelemento de C y por tanto A C C.o. +. üenemoe A-B = AñB'= (f) BñC = {6. r>g} y B: {fr | r<l}. (d) B'u C'.5.0.-¿}. tenemosque¡ € C.15:0).--4} n {+. Puesto quetambiénBCC. el conjunto vacfo.0. Puestoque el conjuntovacloesunsubconjuntodecualquierconjunto.-fr. pertenecen á. AsícadaelementodeB perten. r. (b) AUB. (a) AnB = {-12.-qyC = {+.4. OPERACIONES ENTRE CONJUNTOS.5. Cualquier objeto particular se supone ee igual a sf mismo. Demostra¡ que si Ac B y B cC.lQ}.6.o.6}.-4}n{0.4 u n = {-fr..r.2.-.3.2.". se sigue queA: @.+.6.-4} = t-\ñ} (D) .B: eonjunto de elementos en A que no están en B : [0.-4} = Entonces (BnC\' = {0.5. Asf.0}n {5. Entonces {x I x * x} : e.-fr}. {*. Determinar cuáles de las proposiciones siguientes son verdaderas y cor¡egir las que son falsas.Demostrarque BcA.0.0|. (c) (AUB)nC.o} u {0.L2 CONJUNTOS Y PROBABILIDAD lcAP. r.8 = {6. B: {x I x2 -8r+.

neB\ = {r I neA'. Entonces A n (BuB') A r. página 3.xeB 6 reC} I s€A.reB 6 r€A.nn.8. B n C = {}.9. (AuB)' = {r I r4Ar-tB} = {" I rCA.reC) @ | reA"'B 6 xeAnC\ {.0} n {*. l-12 Obsérveee que un diagrama de Venn no suministra una prueba como la dada en la parte (o). = (AnB) u (AñB'). En el diagrama de Venn de la Fig.cAP.-4} Entonces t. 1-11.-¿} [Vóase pa¡te (f)]. .74). 1l CONJUNTOS Y PROBABILIDAD Obsérvese que este re¡ultado conjuntamente con Tborema 1-12b.8. 13 el de la parte (d) ilustra la segunda ley De Morgan.7. 1.reBuC} I re A. (b) Ilus- har el resultado de la parüe (c) empleando un diagtama de Venn. {r {" (AnB) u (A nC) 1. página3:Tenemoo An(Bu C) = (AnB)U(AnC). Demostra¡ que para cualquier conjunto A y B tenemos A Método 1.@.-¿l = {+.al : (ArtB) u (A^B') : (AñB') u (A¡. 1-11 la región sombreada representa (A U B)'. l reA¡B 6 neAnB'} M6todo 2. Región sombreada = (AUB)' Región doblemente ¡ÜEÉru¡r qvvrs¡¡¡E¡¡w rayada ]_"7. sirve para euminishar relaciones posibles entre conjuntos que luego pueden probaree por métodos similaree al dado en (o ). Teorema 1-6. 1-12. y se observa que esta región es igual a la región sombreada de la Fig. Fig. l-ll Fig. (AnB) u(AnB') A : {r I reA) = {.r€B') (b) = A' ^B' El resultado puede extenderse a cualquier número finito de conjuntos (véase Problema 1.8') A = (AnB)u(AnB') El resultado puede generalizane (véase Problema 1. (o) Tenemoe págrna 3: (A u Bl : A' n B'. (A¡C\ u(BnC) : @u {*.-ll . En Ia Fig. 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.2. elconjuntovacío. Luego At ñ f|' se representa por la región doblemente rayada en donde se encuentran ambos conjuntos de líneas. Teorema !-L?tt. Sea C:8' en el Problem¿ 1. Ao(BuCl = = = = = l r€A. Demostra¡ laprimeraley distributiva. (sl AnC = {-\/-2. (c) Demostrar la primera ley De Morgan.69). Sin embargo.

1 EXPERIMENTOS ALEATORIOS. (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 ).11 com ^ B' . . rey. Describir el espacio mueshal (o) no se tiene en consideración el palo (b) si se tiene en cuenta el palo. Se extrae una carta aleatoriamente de una baraja de 52 cartas. . diez.4. diamante. . 1-13..4 u B. B': {no trébol} : {corazón. B..L4 .n(8. 1. podemos indica¡ una jota de picas por (11. (f) A. 3. (e) A. (e) A-8. 1. Emplear la Fig. 2. . . pica}.B -{reyperono trébol} Es lo mismo que A ñ B' . de acu gamas Fig. rey de corazones.nB. de Teorema 1 era simila¡ todos lo¡ obeervarse de la Fig. (n A'-3' :{no rey y no "no trébol") : {no rey y trébot}: (cualquier trébol excepto el rey). I diagrama eden de indicarse A U B.2). diamantes y tréboles. (o) Si no tenemos en cuenta los pdos el eepacio muestral consiste de as. por ejemplo. Describir los sucesos (a) AUB. También puede considera¡se observando que A. picar. reina.10. Refiriéndose al experimento del Problema 1. (E) @ nB) U (A ñ B'):{(rey y trébol) o (rey y no trébol)): irey}. es deci¡ rey (ó) 4 n I : {rey y trébol} : {rey de trébol) de trébol)) (c) Puesto que B Luego A U Bt = {trébol}. (b\ A' se 1. (o) A U B = {o rey o trébol (o ambos. .A. diamantes y héboles respectivamente por l.UB. dos.(g) (AnqU (AnB. diamanües y tréboles.. .-8.11.1-14.{rey y no trébol}. . .4 el suceso {se extrae un rey} o sencillamente {rey} y B el suceso (se extrae un trébol} o sencillamente {trébol}. picas. 2.. . .).12. y (b) Si tenemos en cuenta los paloc el espacio muestral cronsiste del as de corazón.10 sea.). jota.CONJUNTOS Y PROBABILIDAD [cAP. 13}. : (rey o corazón o diamante o pica). puede indicarse como {1. ESPACIOS MUESTRALES Y SUCESOS 1. . = A. Luego el espacio muestral consiste de 52 puntoo indicados en la Fig. si . @) AUB'. Denotando corazones. 1-13 para describi¡ los s sucesos (a). (d) A.B. picae. También puede considera¡se observando que (A ñ B) U (A n B') : A. (q AnB.

(o) Tenemos AV A' :s[.4n8)l Entonces puesto que los conjuntos A y B .A¡ ) en donde . página 6.P(Ar) Puesto que P(. página 6. (b) Con anterioridad sabemos que P(A) > 0 por el Arioma 1. Una carta se extrae aleatoriamente de una barqia de 52 cartas.77).(A ñ . 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. Encontrar la probabiüdad de .Ar. (c) Teorema 1-16. P(Az.14.^^'rl i' r"u r--' resultado (l ) puede establecerse directarne¡rte (véase Problema 1.Puesto que P(eJ) sfnp = Q se sigue del Axioma P({)) 3 que s = P(d)+P(Q) 6 = 1. Fig. Para demostrar que observamos que A C et.13. l-15 (An CALCULO DE PROBABILIDADES 1. axioma 3.42 ) = P(Al ).B) son mutuamente excluyentee. Demostrar (a) el Teorema 1-17 y (b) el Teorema 1-19. Entonceepuesto gue.Ar ) - 0 por el Axioma 1. Aunque hemos utilizado el diagrama de Venn el i rlu^') ". (o) Tenemoe Az : At U (Az . 1-15 (1) AUB: AUIB -(. Demostra¡ el (c) Teorema 1-14. página 6.At) = P(Azl . (b) Teorema 1-15.At son mutuamente excluyentee. 1l TEOREMAS SOBRE PROBABILIDAI) 1. también ee rigre queP(.42 . Así por el Teorema 1-14 [partc (o)] y el Axiom¿ 2 P(A) < 1 primero P(A)=P(¿)=1 (c) Tenemos eJ : eJuQ.41 y Az .cAP.15. tenemos usando el Axioma 3 y el Teorema 1-14: P (A u B) | i'. asr que Entonces por el P(42\ = P(ár) * P(A2.

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

5 ó 6 son 3 resultados de las 6 probabilidadés igualmente factibles) y P(Az): ltO (ya que 7. .H 10 2 6+4 6+4+5 . que P(nuB):P(R) +P(B):?*# = ? PROBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES 1. blanca y azul.P(At)P(A.á = | Método 3. B y A los sucesos de extraer una bola roja. Puesto que los sucesos R y B son mutuamente excluyentes se deduce de (4). 1l CONJUNTOS Y PROBABILIDAD Método 1. 4: 12 maneras en que tanto A1 como . . norparte(c).) '!' . de las 6 maneras en que cae en el segundo lanzamiento.2. Luego estamos buscando P(Ar ñ A2). Entonces si asignamos probabili' dades iguales Ll15 a cada punto muestral observamos que P(.'"::.15 . 2. Un dado honesto se Ianza dos veces.364en elsegundo lanzamiento". 19 1 . Denótese por R. (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.::"fl'"". debido a que hay 6 puntos muestrales que corresponden a "bola rojatt. --6+4+5=1b=s 662 Nuestro espacio muestral corisiste de 6 * 4I 6:15 puntos muestrales.3 6 4 en el segundo lanzamiento.R ) : 6/15 : 215.6:36 maneras. P(AroAr) = P(At)P(A2lAr\ -.4 1) :316 (ya que 4.t""i: . .J. página 6.También i"-or usado P(.cAP. ' SeanAl elsuceso "4rS ó 6 enelprimerlanzamiento" y Az elsuceso "7r2. un total de factibles. respectivamenüe.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). Entonces P(ArnAzl .5 o blanca También puede resolverse l¡tilizando el espacio muestral como en la parte (c).42 ocurren. Método 2. Cada una de las 6 maneras en las cuales un dado cae en el primer lanzamiento puede asociarse con cada una 6. . 6 6 6 en el primer lanzamiento V 1. Hallar la probabilidad de obtener 4. r(RUB)=P(A'): 1-P(A): I . 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 1. P(roja o blanca) : P(R u r) : -"""'. Entonees L1 (o) P(n)= Mótodo 2.1?.3ó 4 son 4resultadosdelasGprobabilida' des igualmente factibles).

Sea A1 buscando suceso ttas en la primera extracciónt' y . r) (2. Método 1.tp(A2 A¡\ = (52")(*) = .6) I (¿. 6) El espacio muestral para cada lanzamiento de los (r. 1. todas igualmente factibles. extracción". A.2gara indica¡ y 2o.18. Puesto que se incluyen 8 puntos tenemos que P(A ): 8/36 : 219.) = (b) Como en la parte (o). 6) ({.2.3) Si A es el suceso "7 u 11" entonces A se indica por Ia porción sombreada en la Fig.3) (3. Así ambas cartas pueden extraerse en (52 ) ( 51 ) maneras.' ( #)l#) == # r\ P(A1l:4152. así que P(A2l Ar Sin embargo si ocurre un as en la primera extracción quedarán 3 en ) : 3/51.)(á) = P(ArP\A2l (2. (b) no ambar¡ sean se remplaza.19. oaa (3. entonces P(A2 | A r) : 4152.2l a a (6. En este caso hay 4 maneras de sacar un as en la primera extracción y 4 maneras de saca¡ un as en la segunda exhacción de tal forma que el número de maneras de sacar :rses en la primera y segunda extracción es ( ) (a)i Así la probabilidad requerida es (4)(4) = (52\(52\ 1 169 (b) La primera carta puede extraerse en una de las 52 maneras posibles y ya que no hay remplazamiento la segunda carta puede extraerse en una de las 51 maneras posibles. l) (3. . {) (5.18 coNJUNTos y pRoBABILTDAD lcAP. 6) a 1. 1 Esto indica directamente que A 1 y A2 son independientes puesto que . dados se muestra en la Fig. /. l) (1. También. Por ejemplo (5."t (ol La primera carta puede extraerse en una de las 52 maner:u¡ posibles y ya que hay rempl. si la carta se remplaza para la segunda extracción.nA") =+:(.1) a Se deduce que la probabiüdad de no dada por ? u 11 está 345 Primer dado P1A'¡ '= | . \. = las 51 cartas restantes.2) a a aa (5."A) = P(A) P(A.2 a (6. (2. Hallar la probabilidad de que ases si la ca¡ta (c) se remplaza. Encontrar la probabilidad de no obtener un total de 7 u 11 en ningunó de los dos lanzamientos de un par de dados honrados. I a a aa (r. Puesto que los dados son honestos y hay 36 puntos muestrales asignamos la probabilidad 1/36 para cada uno. todas igualmente factibles. l-17 Utiüzando subíndices t. 1-17.6) (2. a (2. de una baraja de 52 cartas. Entonces P(A. Entonces P(ArnA. p(A.l Método 2. r'(A.6) a (3. Se extraen dos cartas.azamiento la segunda ca¡ta también puede extraerse en una de las 52 maneras posibles.42 suoeso "as en la segunda P(Arñ A2): P(A1) P(A2l A t). 1-17.P(Al -- L 27 -::99 1o. 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. . l'ig. Así que ambas cartas pueden extraerse en (52)(52) maneras. aa {) (6.3) (4. P(A¡): 4152.3) (8.2) signitica que el resultado del primer dado es b y el del segundo 2. puesto que también hay 4 ases en las ó2 ca¡tas para la segunda extracción. Entonces estamos (o) Puesto que para la primera extracción hay 4 ases en las 52 cartas.

P(ningún 4) : 1 -P(no 4 en 1er. Se extraen tres bolas sucesivamente de la caja del Problema 1. por (1Ol V QI ) = 6'u-\ui\u/ * = * Método 2.20.6 : 36. (b) no se remplazan.Rr ) p(82 lnr )p(A3 In.A2 ocurra pero : no At : 5 5 número de maneras en las que tanto A 1 como . blanca y azul si las bolas (a) se remplazan. nar¡ :P(Rr )P(82)P(A1) e \/ n u =(\6+4+5/\6+ 4+5/\/\6+4+5/\=_9_ 225 (b) Si no se remplazan las bolas.P(ALñ42) = P(A) + P(A!) . I}2 : süc€so "blanca en la segunda extracción". pero Bon independientes.P(A')P(A'2| = '! -(8X*) = *" Método 3. P(al menos un 4) Entonces P(al menos un 4) P (ningún 4) = 1 : 1 .J requerimos A2: : suceso "4 en el prirner lanzamiento o 4 en el segundo lanzamiento o ambos" suceso t'al menos un 4" A2). lanzamiento y no 4 en el 2o. Así la probabilidad pedida es (4X3) (52)(51) I 2 1.suceso "roja en la primera extracción".16.Rr n 82 ñ At):p(.cAP. P(ArU Método 1. Requerimos P(Rl ñ 82 n A!\. : guCe¡o (o) Si cada bola se remplaza. 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+ \=. Nfrmero total de maneras igualmente factibles en las que ambos dados pueden caer También. número de maneras en las que A 1 ocurra pero no Az nf¡mero de maneras en las que .42 ocurran : 1 . Hallar la-probabilidad de obtener al menos un 4 en dos lanzamientos de un dado honrado. 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). Los sucesos A t I Az no son mutuamente excluyentes. Sea A I: suceso "4 en el primer lanzamiento" y : suceso "4 en el segundo lanzamiento". Si Rl . entonces los sucesos son independientes y p(. P(A'tuA) = P(A) + P(A) . : 6. 4 Az 1. llallar la probabilidad de que se extraigan en el orden roja. A3 "azul en la tercera extracción".P(At) P(Az\ 1 r /t\/t\ rr Por üanto. lanzamiento) = | . Así Art.P(A'rnA'"\ = | .21.

Demostramos el teorema para el c¡¡so n : 2.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. Extensiones para valores mayores de n se obtienen fácilmente.20 CONJUNTOS Y PROBABILIDAD Luego el número de manera¡ en l¡as cuales por lo menos uno de los sucesos 11.23. SeaB¡ : suceso "bola blanca del primer talego". Supóngase en el Problema 7. página 8. Demostrar el teorema de Bayes (Teorema L-24. otro contiene 3 bolas blancas y 5 bolas negras. I|2 : süc€so "bola blanca del segundo talego". Si el suceso .píryina9).23) Ay A2.)("+-ri-r:ri ---r:\ \2/\2+8/ \-/\-.. Puesto queA resulta en uno de lossucesos mutuamenüe excluyentes 1-22 (Problema 1. (b) ambas sean negras. (d) P(BtnBil:P(Br )P(B2lBt):P(Br )P(B) = lt!")/-=) + 5/ = I 4 \4 + 2/ \3 P(B'tñnb:pelp@.24. página t. Se lanza una moneda honrada. Si se extrae una bola de cada talego. Demostrar el Teorema 1-23. 1 : Ar ó A2 ocurraes- 5 +5+ 1 L.41 U Az): 11/36. Axioma 3 empleando (I8)... si se obtiene sello se saca una bola de la caja /I. pero revela que se sacó una bola .O*' P(A\'Aki \ P1A¡ A¡ = P(A) P(A I Ak) P\Ak^A) = --PÁt ) P(A¡l P(A' Akl 1. At : I. Así la probabilidad de sacar una bola roja P(Rt - P(nP@ Il+P\II\P(RIII¡ = /t\/ I \ /r\/ z (. An tenemos por el Teorema P(A) = P(AI)P(A Ar) + ' " + P(A. Puesto que una bola roja puede resultar al escoger cualquiera de las cajas podemos em. Un talego contiene 4 bolas blancas y 2 bolas negras. Asípor P(A) = P(AIA)+P(A^AI') = P(A) P(A i A) + P(42\ P(A I A2) 8. hallar la probabilidad de que (¿) ambas sean blancas.. Az entonces A = (AnAr)u(A¡42) PeroA ñAt y Añ Az son mutuamente excluyentes puesto que A1 y A2 lo son. Si se obtiene cara se saca una bola de la caja. Si R indica el suceso "sacar una bola roja" mientras que 1 y 1I indican los sucesos escoger caja f y caja caja I /d respectivamente. .) .23 con A: R.22. Por tanto P(.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).2/ 5 z TEOREMA DE BAYES L25. Hallar Ia probabilidad de sacar una bola roja.\P(A:A. j Dor tanto ".26. plear los resultados del Problema 1. La contiene 3 bolas rojas y 2 azules en tanto que la caja II contiene 2 bolas rojas y 8 azules.4 debe resultar en uno de los dos sucesos mutuamente excluyentes At. Az: II. (c) una sea blanca y una negra.I.. fcAP.

Ps. Pc.f moneda sea cara)? Utilicemos la misma terminologfa del Problema I. Con cada una de estas eleccionee podemoe escoger un representante del gobierno de 4 maneras diferentes. los candidatos de laadministración pot My.L3. A : R. 3 4 ee escogió ANALISIS COMBINATORIO. 2 de la administración y 4 del gobierno. uno de la adminishación y uno del gobierno. CUENTA Y DIAGRAMAS ARBOL 1.28. Asl el núm€ro de los diferentescomités que pueden Repreúntense los 3 candidatos de los habajadores por Lt.. L1M1P2. De este diagrama árbol podemos lista¡ toda¡ la¡ comisionee. l-rt PERMUTACIONES 1. M2.P2. y la candidatos del gobierno pot Py. 1l CONJUNTOS Y PROBABILIDAD 2L (es decir que el resultado de la roja. Enüonces el diagrama árbol de la Fig. (b) Podemos elegir un representante de los trabajadores en 3 maneras diferentes y luego un repreeentante de la adminishación en 2 formas diferentes. 2 : 6 mi¡neras dife¡entes de elegir un representante de los trabajadores y de la admini¡tración. I 2 I 4 D 6 8 q 10 1l t2 t8 l{ ló l6 1t l9 20 2l 22 28 24 Fig. empleando (c) el principio fundamental de cuenta y (b) un diagrama árbol. (a) formarseesS'2'4=21. Empleando la regla de Bayes con n: 2 er. por ejemplo LrMrPr. determina¡ cuántos comités diferentes pueden conformarse. Az : I/.ta probabilidad ectá dada por P(Blr) P(I lP) = P(rl P(R | /) + P(I/) P(BlIIl P(r.27. 1-18 muestra que hay en total 24 comisiones diferente¡.cAP. 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. Se va a conformar un comité de 3 miembros compuesto por un representante de los trabajadores. ea decir. ¿Cuál es la probabilidad de que se escogiera la caja.. Aaf hay 3 . Buscamos la probabilidad de que se bscoja la caja / y se conoce que se sacó una bola roja.24. etc. ¿De cuántas maneras diferentes pueden ordena¡se 5 bolas en una frla? . At : I. Lz. Si hay 3 candidatos de los trabajadores.

. (b) si los números no pueden rcpetirse. ¿De cuántas formas pueden sentarse? Los hombrcs pueden sentarse de 5P5 formas y las mujeres de 4Pa formas. nPr.1. tercera y cuarüa pueden ser cualquiera de las 10. ¿Cuántosnúmerosdecuatrocifraspuedenformarseconlosl0dÍgitos0. (¿) aP¡ = 8. (n . 1.2. y finalmente sólo 1 manera de llena¡ la última poeición. por tlnto: El número de ordenacionesde lag 5 bolasen una filaes En general. = 5. S para ocupar el tercero y 7 para ocuparel cuarto..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. Así pues. (c) tsPt.7: 4536son los númerosque pueden formarse.4. La segunda. 3. es decir hay cinco maneras de llenar la primera posición. Se quieren sentar 5 hombres puede asociarse con cada ordenación de las mujeres. = e 15 (d) ¡P¡ = 3.. .3. persona!¡ tomadasde 4en 4es = tC.336 (b) Pq = 6. Halla¡elvalorde (a) .. g. (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). 120 Elnhmerodeordenacionesdenobjetosdiferentesenunafilaes=n(n-l)(n-2\. (b) uPo.5. puestos).1 = 6 1. 1 Debemos ordena¡ 5 bolas en 5 posiciones así -.8.30. l.r * l) Esto se conoce como el número de permutaciones de n objetos diferentes tomados de r en r y se denota por P..31.22 CONJUNTOS Y PROBABILIDAD [cA?.9si(c)los números pueden repetirse. Cuando esto se haya hechó hay 4 maneras de llenar la segunda posición.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 . Por tanto: El número de ordenacionesde 10 En general.7.. puestos). 9 ...T = - 5040 El número de ordenaciones de n objetos diferentes tomados de r en r ea n = n(n 1) . y 4 mujeres en una fila de modo que las mujeres ocupen los sitios pares.32. ¿De cuántas maneras pueden 10 personas sentarse en una banca si sólo bay 4 puestos disponibles? El primer puesto puede ocuparse con cualquiera de las 10 personas y. La segunda puede ser cualquiera entre 9 (no puede ser la que ocupó el primer puesto). (o) La primera puede ser cualquiera entre g (el 0 no). I .oPo = 514! = (lZO)\24) 2gg0 1. . cuando esto está hecho.Pr. = r¡ ! como en el Problem a 1.8. 2. á maneras de llenar la cuarta posición. L = b! =. 1. Entonces 9' sPs : I .. Entonces I ' 10 ' 10 ' l0 : 9000 son los números que pueden formarse. 4.3 = 860 (c) .28. Obsérvese que cuando | = tr. (d) rPr. hay 9 formas para ocupar el segundo puesto. 8. La primera posición puede ocuparse por cualquiera de las cinco bolas. Luego hay 3 maneras de llena¡ la tercera posición. El primer número puede ser cualquiera entre 9 y los tres restantes pueden elegirse de gPa formas. Otro métod<¡. 7 : 4586 sonlos númerosque puedenforma¡se. Cada ordenación de los hombres Elnúmerodeordenacionespedidoes = "Pr.2.6 .29.rP.

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

(c\ eC+ 7.8..6. ¿De cuántas formas puede elegirse una comisión de 5 personas de entre 9 personas? /g) = ^c. 1. 2 matemáticos de un total de 5 pueden elegirse de sCz formas. Número total de selecciones posibles = tCz'tCs = 3'35 = 105 L.Entonceselnúmerorequerido de ensaladas es -. ¿De cuántas formas puede formarse.5.37. si (c) puede pertenecer a él cualquier matemático y físico. oCz = 10 . (c) dos matemáticos determinados no pueden estar en el comité? (a) 2 matemáticos de un total de 5 pueden elegirse de sCz formas. 5.39.2delasSverduras.. se forma un corúité de 2 matemáticos y 3 físicos.Olf/Vvienedadopor ^ n"r nl /"\ \r / . el número de formas de considerar lias cinco verduras es 25 formas. n. 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).1 = o'' --ll (b) oCs = 6 ! = 6.SdelasSverduras.5 71 ^ (ol . En general el número de grupos distintos de r objetos que 8e pueden formar con. = #h = I si se define Nótese que formalmente aCa 0! = l.2 = 6.6. 6 uCt=oC1 =6' 5ú ff (c) +Ca es el número de grupos de 4 objetos que se pueden formar con 4 objetoa. Pero las 2s forma¡ incluyen el ca¡o de no seleccionar ninguna verdura..4 = l4. 2 físicos restantes de un total de 6 puedtn elegirse de eCz formas.24 CONJUNTOS Y PROBABILIDAD lcAP.5.4O. Puesto que cada una de l¡¡ 2 formas de considerar una verdura está asociada con 2 formae de considerar cada una de las otras verduras. 15 = 150 (c) 2 matemáticoe de un total de 3 pueden elegirse de sCz formas. escarola. beno y achicoria? Cada verdura puede tratarse de 2 formas.rl nP' 1. _ e! _ \s/-sws-BJ]T- e. es:25 - 1 : 31 Puedeseleccionarseldelassverduras. 3 físicos de un total de 7 pueden elegirse de zCs formas. Hallar el valor de (a) zCq (b) aCs.rl(n-rll n(n-11"'(n-r+1) r! .b = 126 1..4!B! = 7.ur .. no teniendo en cuenta el orden de los objetos dentro del grupo. Entonces tC+:I. b! ?.6. 3 físicos de un total de 7 dan 7C3 formas. endibia. Por tanto El número de ensaladas Otro método. como si se escoge o como si se rechaza. De un total de 5 matemáticos y 7 físicos. (b) un físico determinado debe pertenecer al comité.objetos dados. Nfimero total de selecciones posibles = sCz' zCs = l0'35 = 350 (b). lo que es evidentemente 1. 4. ¿Cuánt¿s ensaladas pueden preparañ¡e con lechuga. Número toüal de selecciones posibles = sCz.CL-l tC2+5Ca+ sC4+ scs : 5 *10+ 10* 6* 1 : 31 .38.C. ae llamanúmerodecorñbinacionesdelosnobjetostomadosderenrysedenotapor.

t) + f" .11.r)l (n-r)(n-L)l * r(¿-1)! r! (n .r e =4e6 .41. 3 vocales) pueden ordena¡¡e entre sf de zPz : ?! forma¡. Halla¡ el término constan6 en h exDansión de 1r. . Si escribimos lo¡ coeficientes de la expaneión binomial de (c * U)" púa n :0. . La¡ 4 coneonantes pueáen elegirse (!e lC+ formas.z. r0.11)"-. 1b:10 * 6.tFV=fr .1). que consten 4 consonantes y 3 vocales? No es necesario que las patabras tengan significado. \ r / \r-1l' (n-r*r)(n-1)! r! (n . ee 1. ¿cuántas palabras pueden formarse. 1. Entonces: El nhmero de palabrae y las ? letra¡resultantee (4 q 7C1 ' óCa ' ?! : 35 .1l CONJUNTOS Y PROBABILIDAD 26 nCn Engeneral. ! = 2r-1. obtenemoa Ia distribución conocida como el trióngulo de Poscal: n=l n=2 n=3 n:4 n=5 n=6 et¿.. Demostrar q"" Tenemos que 11) \r/ = l" .r)'! r! (n . 10 ' 6040 : 1 ?64 000 COEFICIENTES BINOMIALES 1. ¡raracualquier enteropositivo n.1r . 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. Con 7 consonanps y 5-vogaJes diferentes. 'xl (**!\" = r-:o (1?). $ \k /' 3 \& /'. . ee decir k = 4. Aeí10:4I6..= xau /rz)'.r)l (¿-l)! (¿-1)! . 4. 2."¡ /¿-r\ /"-r\ \ " )-\"-t) El resultado tiene la siguiente aplicación interesante.+!\".eüc.!2 = 0.43.y por tanto eetá dado por /12\ _ \n/= 12. De acuerdo al teorema del binomio *'\.' \"/ ü/ \ El término conetante corresponde a aquel para el cual 3& .*-.42..*. n0r+ ncz+. lss 3 vocsles de s0g formac consonantes..B.1¡¡ 1" . de 1.cAP.Cs+ -.

blanco. @) pedc) = (b') W# = # = u¡fuo P(4eroylrey) = ry .B1nR2) . rerpectivarnente.TTEIZA}TDO ANALISIS COMBINATORIO 1.44. De e¡ta mar¡era tenemo¡ Sean i¡. 1 PROBABILIDAD T. 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 . (c) 3 dieces y 2 jotas. (f) las bolas sean extraídas en el orden rojo.= 1140 = zous j_ 296 P(3 bolú blurcas) ' Tambión puede utilizarre el priraer m6todo indic¡do en la parta (o).Rt n . (e) se extraiga una de cada color.er orden. azul. (li) 4 ases y un rey.ocro de ¡rupoe de 3 bola¡ entre 20 =-=-zocs (d) P(ningu¡ablanca) = (¡CzX¡Cr) 7 96 #= ff. =t-# =# = !9lff9 = *g (f) P(ertraer l¡¡ bola¡ en o¡den rojo. (b) las 3 bolas sean blancas.* "O de cada color) = Ot¡o método. reinq rey en cualqui. (o) Método 1. (d) al menos 1 eea blanca. Si se extraen 3 bolas aleatoriamente sin renplazamiento.B Probabiüdadp€did¡: (D) Empleando el re¡undo método i¡dicado en la parte (o). P(almenol blance) (¿) P(tdecadacolor. (d) un 9. blanco. jota. Bz. determinar la probabüdad de que (c) las 3 bolas sean rojas. ezut) . Halla¡ la probabilidad de extraet (a) 4 ases. Rc lol auceecr "bola roja en la primera erhaccióntt. Una cqia contiene 8 bolas rojas./e\/ z\/o\ \20l\i0l\18/ Método 2..a roja en la aegunda extracción". 10. Eotoo"". (c) 2 sean rojas y 1 blanca. (f) al menos 1 as. roja en L¡ te¡cer¡ ettracciónt'.45. Se extraen 6 cartas de r¡na barqia de 62 cartas. A¡f . . 14 Za. t'bol. (cl P(2 bolar rojar y 1 blanca) = (gupoc de 2 entre 8 bol¡¡ rojar)(grupoo de 1 entre 3 bola¡ blancas) afir. P(8rnP2nBJ = P(Fr) P(^R2 | A1) P(¿s l.[l2 ñ R3 reprerenta el guceso "la¡ 3 "bola bola¡ exhafda¡ con rojEr". =g=i| zocs t9. 3 blancas y 9 azules.26 CONruNTOS Y PROBABILTDAD [cAP. (e) 3 de un palo y 2 de otro.

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

49. es 1/6 como se determinó en el Problema 1.04 x 100r. y 3a. un nfimero que tiene 6b dígitos.) suponiendo que los resultados de cada partida son independientes de los resultados de la¡ ohas. 2a. 1 = ¿los100 | ¡lor3142 + 11 = i(zl * de donde 50 1og50 - 50 log2?18 . PROBLEMAS DIVERSOS 1.^.i :. supuestamente honradoe.18 y Fig.íll 36 (d) P(B gane al menos una partida) : 1 . (o ) La probabilidad de obtener 7 en un sólo lanzamiento de una pareja de dados.50 A y B juegan lanzando alternativamente un par de dados.) .. (c) A y B ganen altemativamenie. Hallar la piobabiüdad de que (o) A gane las tres partidas. 2a. A y B juegan 12 partidas de ajedrez de las cuales A gana 6. 1-17.:.:. Acuerdan jugar un torneo consistente en 3 partidas. A pierde en el ler. Probabiüdad : 1 /6.P(B'roBj¡B'r) L . lanzamiento. A 3 los sucesos " A gana" la 1.. luego pierde B. (Esta suposición no sería justificable si un jugador fuera influenciad. 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) = (.) P@. luego gana A. luego B.P(B') P(B. luego B) == "..Asílaprobabilidad. Denótese por A B t. Quien obtenga primero un total de 7 q^? el juego.:'.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. t.z. luego A o B gane.'. luego A.de2tablasenBpartidases(réase Problema 1. I|3 los sucesos "B gana" la 1a.P(B no gane ninguna partida) t . Az.Xt(."u j /t\/r\/t\ * /r\/r \/r\ = \r/\5/\r/ \¡i \zi \¡i 5 . (b) dos partidas terminen en tablas.4343) = 64. partida respectivamenüe. partida respectivamente. lanzamiento. Probabiüdad = {¿)(f )($).':. y 3a.10. B gana 4 y 2 tnrmrnan en tablas. \a) = n /r\2/<\ (c) P(A y B ganen alternaüvamente) : P(A gane.46) 5 /s\ " \í)o'n'-' = t(.4836 N= 3.28 11 CONJUNTOS Y PROBABILIDAD lcAP.. 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. -/¿\/a\1¿\ = le ^ \3/\3/\3/ 27 1.'J?fi '. Bz. lallar la probabilidad de que (o) quien lanza primero los dados gane. .4972) + 50(1.. (ó) quien lanza segundo los dados gane.6990) - 50(0. 1á¡ n gane al menos una partida..

51. que la segunda es blanca. estén vivos en 20 años. estamos buscando P(Br lB2). lo cual puede ser o no razonable. Prqbabilidad = (áX8X8X8X+).cAP./s\/¡\/o\/s\/r\ * \6/-\6i \6/\u/ \6i \6/\Bi \u/\6i 1l-.152. respectivamente. gana A. Véanse Problemas 1. (b) ninguno viva. De 12 000 tornillos. (c) al menos uno viva. 1. P(H): (o) P(ambosüvan) = P(H1W) = P(H)P(W) : (0.9. l|/ los sucesos que el esposo 0. I|2 son los suceoos "blanca en la primera extracción". Suponemos que .8. el 3'/o 6 360 son defectuosos y 11 640 no lo son. Así la probabilidad de que g. de tal manera que la probabilidad es 3/8. lanzamiento. pierde B. Bl. Nótese que la probabiüdad de un empate que 11 ' 6-5 11 1 Esto no serfa verdadero si el juego fuera limitado. pierde B. Una caja contiene 5 bolas rojas y 4 blancas. Así Probabiüdad pedida = -H*-P 1.52. Se extraen dos bolas sucesivamente de la caja sin remplazamiento y se observa.8 y 0. respectivamente. 1l CONJUNTOS Y PROBABILIDAD 29 (3) A pierde en el ler. ¿Cuál es la probabilidad de que la primera también sea blanca? Método 1.02 .9 respectivamente. "blanca en la segunda extracción". gane es /t\ /s\/s\/r\ .F/ y la esposa.2)(0. Hallar la probabilidad de que de 600 tornillos seleccionados aleatoriamente 12 sean defectuosos. Entonces y lI/ son sucesos independientes. Hallar la probabilidad de que en 20 años (a) ambos vivan. : 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) .tJ es cero ya Así iríamos 6 a 5 a que el primero que liance gana.151 y 1. Este resultado se obtiene así Si P(BJB)='+#=elwq=* Método 2. P(W) : 0.\6/ =5136=5 1 . Sean ÁI.8)(0. Puesto que se sabe que la segunda bola es blanca solamente hay 3 formas de las restantes 8 para que la primera sea blanca. Las probabilidades de que un esposo y una esposa estén vivos dentro de 20 años están dadas por 0. Una rnáquina produce un total deL2 000 tomillos diarios de los cuales en promedio elSVo son defectuosos.' \6/\6/\6/\6/ * = /q\/r\T.1) = 0.53.9) = 032 (ó) P(ningunoviva) = P(H'nW') = P(H'\P(W') = (0. 1. pierde A.*/q\'*/q)'* \o/\e/t_' \o/'.(5/6)2 11 ./l)/q)lq\It\ \6/\6.

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

Entonces.0. Por tanto tenemos n. Halla¡ Ia probabilidad de que n personas (n < 365) seleccionadas aleatoriamente tengan n días de cumpleaños diferentes. el segundo término y los términos superiores a la ae 1S¡ son dlespreciables comparados con el primer término. asf que una buena aproximación en este Pa¡a (7) p : L12.67. Finalmente. suposiciones que no se cumplen genetalmente en la realidad.l. Por tanto tenemos es (365 - P(n cumpleaños diferentes) = #* # ffi = \'- ' 365 :-l! + 1 1\/'. Sea A eI conjunto de los números natwales entre 5 y 15 que son pares.). (b) método de comprensión. Análoga' mente la probabilidad de que l¿ üerce¡a persona üenga un cumpleaños diferente de las dos primetas es 863/365. La primera de las n personar¡ tiene lógicamente algún cumpleaños con probabilidad 365/365 : 1.-*(n-1)2 - n(n . Enipleando los hechos de que para n . por ejemplo n ( 30.DeterminarsiACB o no. Denotando la probabiüdad dada por p y tomando logaritmos naturales hallamos (r) @\ (3) lnp tnp =t"(r-#) -r'"(. 1l CONJUNTOS Y PROBABILIDAD 31 1.55 para que la probabiüdad cumpleaños distintos sea menor que U2.1\:{.s supletnentarios CONJUNTOS 1. debe ocurrir en uno de los otros 364 dlas. tnp = .693. Determinar cuántas personas se necesitan en el Problema 1.-k). 1. D = {t I 12<16). 3.' (Apéndice A' fórmulas 1 y 2) (Ir\ I+2+ "'*(n-1) = @.... Problema.-4\ . la probabilidad de que la n-ésima persona tenga un cumpl'e¡ñoe diferent¿ de las otras n * 1)/365.865)"'\'. Describir A de acuerdo al (o) método de extensión.z\.2 -r¿-506 = 0 = 0.."' . Así la probabilidad de que la segunda persona tenga un cumpleaños diferente de la primera es 364/365.58.cAP.ln p r¿(rr : - -- 1) ?30 .(. Suponemos que solamente hay 365 días en el año y que todos loe días de cumpleaños son igualmente probables. 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.23)(n'l 22) = g asf que n : 23. "'+rn(t-#) ln(1 Pero sabemos de cálculo (Apéndice A.865 ) de 1. fótmula 7) que -r) -= --c - T- 3 así que (I ) puede escribirse como = ft+z+ : 2..r)(Zn -r) 6 obtenemos para (3) (5) *::":: 16) rnp = -!!+ñ! . SeaA = {r r2-3r*2=0}..56. si Ia segünda persona tiene un cumpleaños diferente.693 6 ln 2 = 6 (n . . .165/\'." . 12+22 i-.^" --!.n(r-l) i30 para n pequeño comparado con 365.55.

66.76. (ó) Sir yy son do¡ númeroereales sr¡alesquierq entonces x1y.73. Emplear un diagrama de Venn para dibujar ceda uno de loo conjuntoo eiguientec: (¿) A n (Bucl (ü) .61.6?. (o) Demostrar que (b) Demoetrar que ri p-f Ge[. Ilustrar el principio de dudidad haciendo referencie a losteoremas de la pfuina 3.32 CONJUNTOS Y PROBABILIDAD Demoeürar que para cualquier conjunto [cAP. (d\ (AnBlu(AnC). (d') A-8. (b) (AuB)uC.). página (o) Eemortrar la segunda ley De Morgan.69. Demo¡harque . Demo¡trarque (á -A)UA =á ¡ólo srBC A e ilugtrarlo utilizando un diagramade Venn. 1 1. C = {4. . 1. entonce¿A = B.5. signifrcadodecadaunadelasoperacionessiguienüee: (f) B A. página 3. EXPEBTMENTOS ALEATOBIOS. B.B'? Ju¡tificar l¡ ¡olución. (s) (AnC)' u B.31.} ! B = {rlreounnfimeroprimo.uC'). (ü) B'.66.9. 1.(B. 1. Si A e¡ el suceso "cara" en el l¡nzamiento de la moneda y I es el euc€¡o "3 ó 6" en el lanzamiento del dado.68.3. (fl (A-B) u (B-A).?f .ñ(B. oPEBACIONES E¡ITBE CON.69' 1. (Véase Problema 1.60.2. página B.5\ yrupóngarequeloerubconjuntoede'll son A:{1. 1. (e) A. 1. 15¡(6. (c) A'nB'. E¡tudiar la verdad o entonces A CB. DIAGBAMAS DE VENN y TEOREMAS SOBBE CONJUNTOS 1.76..t B = IA-(AnB)] u ÍB-UnB)l 1. (c) lanzar un¡ moneda hasta que aparezc¿ un sello. (Ó) el nhmero de fum¡dore. formule en palabras el (a't A'. 1. (c) A'uB. 1. B={2. x>y O i Demostra¡ que cualquier aubconjunto del conjunto vacfo debe ser el conjunto vacfo. ei ¿[e como I Sea ci éeeI' o cl¿se de todos loe conjunüoc que no 8on elementos de eUos mi¡mo¡. (o) Si A y B eon dos conjunüos cuáleequiena. =y. - . (e) el número de partícular nucleare¡ que enhan a un contador Geiger. de loe siguientes experimentos aleatorios: (o) 3 lanzamientos de 1.?).o de llamadas recibida¡ en une ce¡ttrat telefónica. Generaliza¡ el recultado del Problema 1. (c) Teorema 1-4. (ñ) A .p6gina 3. (fllanzat una moneda y un dado.62. (d) el númer. 1. A)8. Seaununiver¡o 'Ll:{L.68.4 u (BnC\ (c) A' n (BuC)' (rt) A . (c) A)8.0(¡=4) Encontra¡ (a) AvB. (e\ B-A. L. Un erperimento consiste en el lanzamiento de una moneda y un dado. Afirmar -B = @.(AuC).1.?0.ruNTOS. (e) A-8.(BnC) (e) A' - (BuC)' 1.2}. De¡cribir un espacio muestral para cada uno una moneda. A tenemo¡ A C A. (c) Añ(BuC). I-a paradoja descrita se conoce Rusell.A r. Sea'tl el conjunto de todos loi enteros no negativos y conaidérenee loe nrbconjuntoc A = {xl¡e¡unente¡ope¡.6 A: falredad de las propoeiciones siguientce. Demostra¡el (a) Teorema l-2.7 o negar: Si A u (Ar\B) eilusha¡loporundiagramadeVenn.4. (bl AnB.72. 1. 0 @uB) .Encontrar (a) Av(BuCl.64. 1. B.nC. Tborema 1-120. y (D) ilustra¡la utilizando un diagrama de Venn. (ü) Teorema l-8. ¿EE (A - B)' : A' . Generdiza¡ las primen y eegunda leyec De Morgan a cualquier número de conjuntos. ESPACIOS MUESTBALES Y SUCESOS L. (d) AnB'.5}. en un grupo de 600 hombre¡. entoncq cJeeJ.

Halla¡ la probabilidad de que (a) ambas sean blancas. 20 azules y l5 naranjas. Completar la demostración en el Problema 1.92.página 8. (b) La suma 8 agatezca en un solo lanzamiento de un par de dados honrados. o azul. y A3 el suceso "rey en la tercera extracción"..91.80. (i) la primera sea blanca pero la segunda no. Resolver el Problema 1. Sea A1 el suceso "reyen la primera extracción". 1. as.90. (c) una sea roja y la otra azul. son inde- .4 ).85. (e) Al menos aparezca una cara en tres lanzamientos de una moneda honrada. (D ) si las cartas (o) se no se remplazan. cartzs 1. (¿) roja. 1. Hallar la probabilidad de extraer 3 ases aleatoriamente de una ba¡aja de 62 remplazan. jota de tréboles o reina de diamantes al extraer una sola carta de una baraja común de 52 ca¡tas. 1. (c) AyBUC.84 si no hay remplazamiento después de cada extracción.14(b) demostrando (sin emplear el diagrama de Venn) que AUB = AOIB-(AOB)I donde A y B . pfuina Demostrar que P(A'uB') = 1 . Se exürae una bola aleatoriamente de un caja que contiene 10 bolas rojas. B. Hallar la probabilidad de que si dos bolas se extraen aleatoriamenremplazamiento) (o) ambas sean azules. (¡) solamente una sea roja. (c) no azul. Hallar la probabilidad de que sea (c) naranja o roja. Explicar el significado de cada una de las siguientes: (a\ P(AroA!r). 12 defectuosos. (e) pl(A1nAr) u (A"nAr)].demostrarque pendientes. y así demostrar eI resultado (l ) del Problema 7. (e) la segunda no sea azul. B'. 1. Se extraen dos bolas sucesivamente de la caja del Problema 1.82. (b) ni roja ni azul. 1. satisface los axiomas de probabilidad en la página 6 y por tanto todos los teoremas sobre probabilidad. (¿) p(A1^A'2ñA\). SiA. (b\ p(AluA2\. (d) sean rojas o blancas o de ambos colores (roja y blanca). (c)A y B-C. 1.tA'r). CALCULO DE PROBABILTDADES 1. 1.83. o un estimador de ella. .t4. (b ) A' es independiente de A es independiente de B demostrar que (o ) A es independiente de B . Determinar la probabilidad p. pfuina ?. @) p(A'rr. Demostrar que si P(A ) >P(B ) entonces P(A I B) Si > P(.cAP. Csonsucesosindependientes. (h) máximo una sea roja. 30 blancas.8t.87.t1.77. (c) ninguna sea naranja. .54. blanca 1.8 I . p6gina Generalizar los resultados (I0 ) 30.7t. 1. para cada uno de Ios sucesos siguientes: (c) La aparición de un rey. 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).P(A¡B). ll CONJUNTOS Y PROBABILIDAD 33 TEOREMAS SOBRE PROBABTLIDAD 1. üe (sin Una caja contidne 2 bolas rojas y 3 azules. (b) ambas sean rojas. (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. (b)AyBñC.42 el suceso "rey en la segunda extracción". (b) la primera sea roja ylasegunda sea blanca.1. 1. L. Demostrar el resultado (1 1).83. Un experimento consiste en la sucesiva extracción de tres cartas de una baraja. y (I I ). (g) al menos una sea azul.89.?9. (d) blanca.86. PBOBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES f . 7.(A ñ B) son mutuamente excluyentes. remplazando la bola extraída después de cada extracción.

á3 : "total impa¡ en ambos dados". 1.4 doeee y 2 tres€s? 1. (b) las primeras dos cifras de cada número son pa¡es? lor números deben ser 1. Utiliza¡ un diagrama árbol para determin¡r la¡ diferentes poribilidades que pueden suceder.9?. . Atl At.106. La escoge una bola aleatoriamente de la primera caja y se coloca en la s€gunda c¿ja sin ob¡ervar su color. En cada compartimiento del Begundo joyero hay un reloj de plata. Se lanza una moneda tres veces. ¿De cuántas formas pueden 5 personas sentarse en un sofá si tiene sol¿mente tres asientos? 1.109. 1 1.+tPt = nPtl. Hallarelvalor de(a) oP2.104. La urna I tiene 2 bola¡ blanca¡ y 3 negras. Hallar la probabiüdad de haber escogido la urna I. Se selecciona una urna aleatoriamente la urna II.96. Se extraen tres cartas aleaüoriamente (sin remplazarniento) de una baraja de 62 ca¡tas. 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.1OO. ¿cuál es la pobabilidad de que el otro compartimiento tenga un reloj de oro? 1. Luego ee extrae una bola de la segunda caja. Az.94. AziA2. ANALTSIS COMBINATORIO. ¿De cuántas formas pueden 3 hombres y I mujerec sentarse alrededor de una meea ei (o) no se impone ninguna resüricción. En el tercer joyero eñ un compartimiento hay un reloj de oro. Una bola extrafda aleatoriamenüe de una de las. A3 lon independientes pero que 1. 3. . . y una bola ertraída aleatoriamente e¡ blanca. . caja / contiene 3 bolasrojasy Sblancas. A2 = BuG€so "núme¡o impar en el segundo dado". 9 ¡i impares. Demostrar que A¡ . ¿Cuántos números diferentes de 3 cifra¡ pueden formar¡e con 3 cuaEog. y lrr urna ffl. suceso "número impar en el primer dado". Hallar el valor de (a) rC3. (ó) zPs.cajas reeulta azul.93. ¿Para qué valor de n es . 1. Se TEOREMA O REGLA DE BAYES 1.96. L. en tanto que en el oho hay un reloj de piata Si seleccionamos un joyero aleatoriamente.lO2. (c) cada mujer debe eetarentre dos hombres? COMBINACIONES 1.10t.¿Guál es la probabilidad de haberla exbaído de la primera caja? Ttes joyeros idénticos tienen dos compartimiento¡. ¿De cuántas maneraa pueden coloca¡se l.43 no son independientec. Resolver el problema anterior si la8 cifreÁ de los números pueden estar repetidas. 4 blancae y I nggra. I monedae diferentes en 2 posiciones diferentes? PERMUTACIONES 1.101.34 CONJUNTOS Y PROBABILIDAD Sea lcAP.98.99. 2. (b) doe mujerer determinadas no deben centar¡e juntar. Hallar la probabilidad de que sea blanca. (b) ¡C¡. (¿) roP¡. En cada compartimiento del primer joyero hay un reloj de oro. 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. (¿) roC¡.1O3.106. . ¿Cuánto¡ números de cinco cifras pueden formarse con los dÍgitos L. (c) 2 libros deüerminados deben ocupar lo¡ exüremos? (o ) 1. 1. A ¡: auceao At.ent¿nüoquelacajalfcontiene4bola¡rojasy2blancas. . 3 blancas y 4 negras. CUENTA Y DTAGNAMAI¡ ARBOL 1. ¿De cuántas forma¡ pueden ordena¡se 7 libros en un eEtanüe ei (a) er posible cualquier ordenación.1O?. (D) 3 libros determinados deben estar juntos. 1.

La¡ apuestas en favor de A de ganar un juego de ajedrez contraB son 3:2. (g) la seg. (b) en contra de A de perder los prir4eros dos juegos? 1. Halla¡ el número de (o) combinacionee y (D) permuüaciones de cuatro letras cada una quepuedenformarse con las letras de la palabra Tennessee. ¿Cuántos comités diferentes pueden formarse si (o) no se impone ninguna restricción. (h) las cartar son frguras o picas o ambas. Hallar la probabilidaddeque (o)laprimera carta no Bea un diez de tréboles o un aa.+ r-''i" 2/ \l )=o \o/ \r/ /"\ * /"\ I 1. reina' rey).. 1l 1.f 23.118. 1. ¿Para qué CONruNTOS Y PROBABILIDAD valor de n s€ cumple que 35 3' n+rC¡ : 7' nCzl.110. par.119.rnda carta no sea una figura dadoque la primera eí lo es. (c) al menos una carta sea un diamante.-tj(. Se extraen dos cartas sucesivamente de una baraja de 52 eartas. Expandir (o) (o+y)6.115. 3 niños y 3 niñas con 6 hombres. Con 5 estadistas y 6 economistas quiere formarse un comité de 3 estadistas y 2 economistas.. unavez'(c)dosveces'en 1. Calcular. (c) (t-r t)s. (b) un palo completo. ¿f). ¿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.t24. (ó) ( ). 2 héboles.111. Demostrar que (o) É .e cuántas formas puede un grupo de 10 personas dividirse en (o) dos grupos de 7 grupos de 5."". 1.116.113.(b)almenoe dos lanzamientos de un par de dados honradoe. PROBABILIDAD UTILIZANDO ANALISIS COMBINATORIO 1.( ") .C. Si se van a jugar tres juegos ¿cuáles son la¡ apuestac (a) en favor de A de ganar al menoa doc de los tre¡ juegos. (b) dos estadistas determinados deben estar en el comité.117. . +/"\ \2 / /"\ .121.8 mujeres. Si s€ extraen 3 tiquetes de la caja uno a uno' hallar la probabilidad de que alternativamente s€an impar. Demostrar que (c) (b) \r¿l \o/ \r / + 1") * '.122. Halla¡ la probabilidad de que uno de loe jugadores obtenga (o) ? diamantea. s€ impone ninguna restricción. Hallar el coeficiente de ¡ en lt * ¿)t. En un juego de naipee ee reparte a cada uno de loe 4 jugadores 13 cartas de una baraja de 52 cartae. impar o par' impar' par. Hallarlaprobabilidaddeobtenerunasumade?puntos(o)unavez.125.126. (d) las cartas no sean del mismo palo. 3 corazones y 1 pica.. (c) eC¡.cAP. (d) (rz*21t.2n-1. (f) la seErnda carta no sea una figura. (b) deben seleccionarse un hombre y una mujer 1. (b) /11 \ (r-a)4. \4 / 1.120. j=1 = n.) = 0. (b) la primera ca¡ta sea un aÁ pero la eegunda no... (e) no más que una carta sea figura (jota. lJna caja contiene 9 tiquetes numerados del 1 al 9. 1. (b) j=t (-1). 1.114. \ r/ 1.4 mujeres./"\ . (c) un economista determinado no debe estar en el comité? 1. 3 y 2 personas? y 3 personas. t"l kCz\QC¿)/DC.. (b) tres 1. ¿De cuántas formas pueden seleccionarse 4 niños y 5 niñas si (o) no determinados? 2 hombres. COEFICIENTES BINOMTALES 1.

95? 1. . Enunjuegodepókerhallarlaprobabiüdaddeobtener(o)unaescaleraflor. PROBLEMAS DIVERSOS 1. Az.140 para que la probabiüdad de obtener 11 por primera vez sea mayor que (a) 0. hallar la probabilidad de que necesiüe 6 disparos.138. .132.144. Hallar la probabilidad de que ocurta 11 por primera vez en el sexto lanzamiento. ¿Cuántas palabras pueden formaree con 5 letras si (o) lae letras son diferentes. ¡rara valores de n grandes. (b) máximo dqs sean igualee. Demostrar que para cualesquiera sucesos Ar. 1. . Halla¡ la probabilidad de que (o) las cartas eean de un palo. (o) Hallar la probabilidad de obtener la suma 7 en al menos uno de tres lanzamientos de un par de dador honrados.12E. etc. 1.96? 1. 1 1.). 1. 1. rey y as del mismo palo.131. Al lanzar un par de dados la suma puede ser 2.reina.141..51. Hallar porcentaje de enor en la fórmula de Stirling para n : 10. (b)al menos dos sean ages. (b) 0.. (b) tn full que consiste en 3 cartas de un valor y 2 de otro (por ejemplo 3 diecer y 2 jotas.140. 12. (d) 4 ases. Demosürarque siACB' entonces AnB:Q.queconsistedediez. Demostrar que aproximadamente 2nCn - 22"1\/ñ. (c) todas las letras son diferentes pero dos letras determinadae no puden estar juntas? tes.142. ¿Podríamos asignar probabilidadee de 1/11 a cada uno de esos puntos? Explicar.uAn) < P(4. p2 y 4p Halla¡ el valor de p. Halla¡ la probabilídad de que (o) sean diferen1.I's probabilidad de que un tirador dé en el blanco eede 213. . Una urna contiene 6 bolas rojas y 8 azules. . 1.'.jota.127.139. 1. Se extraen cinco bolas aleatoriamente sin remplazamiento. Esüudiar lo eiguiente: no h¿y tal cosa de que una moneda sea honesta pu6to que en cualquier número de lanzamientos es extremadamenüe difícil que el número de caras y Ee¡lor eea igual. 1. Un espacio muestral consiste de 3 puntos muestrales con probabilidadeg a¡ociadas dadas gor 2p. (c) ca¡tas diferentes. 1.l47. ¿Puede considera¡ee la moneda cómo honrada? Expücar. APROXIMACION DE STIRLING A n! 1.13?. - L.136.. +P(Á") 1. Halla¡ la probabilidad de que 3 sean rojas y 2 azules.145.36 CONruNTOS Y PROBABILIDAD lcAP. . (D) 2 letras son idénticas.133. ¿Cuál es el menor número de lanzamientos necesarios en el hoblema 1. An P(ArvA"u.146. Supóngaae que al lanzar una moneda 500 veces hay una secuenci¡ de2(lsnzanientosqueresulüan"carast'. Hallar la probabilidad de que un jugador tenga de 13 cartas g de un mismo palo. ¿De cuántas formas pueden selecciona¡se 30 individuos de un total de 100? 1.129. Obüener una aproximación al resultado del Problema 1.143. A-(A nf¡: AñB'.130. Si diepara al blanco hastaqueledal¡primera vez. 1.135. (b) ¿Cuántos lanzamientos se necesitan para quela probabilidad en (o) eea mayor que 0.3. . 1. l.5.134.) + P(A)+ . Se extraen 3 ca¡üas de una baraja de 52. Un par de dados se lanzan repetidamente. . Cuatro enteros se eligen aleatoriamente entre 0 y 9 inclusive. 1. Demostrarque 1.

\¡/(. (d) ningfrn 5? ¿Puede resolverse el problema sin saber el número de cincos que tienen los otros jugadores? Expücar. Demostrar que /"\ = ! 1t'¡¡" . CONJUNTOS Y PROBABILIDAD 37 (c) Un estanque contiene 6 compa.149. Desea descartar el 8 y remplazarla por otra carüa que espera sea un 5 (err ese caso obtendrá una "escalera"). 1. Este tipo de problema se presenta en física en conexión con l¡a es tad ísüca Fermi-Diroc.156. Este üipo de problema se presenta en física en conexión eonlaestadística Bose-Einstein.)va". Hallar la probabilidad de que en un juego de bridge (o) dos jugadores. (b) dos cincos. Resolver el Problema 1. (c) trer cincoe. "dar ¿ letras en los 1. Demostrar l") . u¿ fi.1ó3.8.¿De cuántas maneras pueden colocarse 4 bolas idénticas en los compartimientos? (b) Resolver el problema si hay n compartimientos y r bolas.148. 1. . 1.151. Un jugador de póker tiene las cartas 2. 4.541.cAP. 1. demostrar que p"(a) = 1 fipn-o (0) y luego emplear el resultado del Problema 1.150.11)'-* 1i)'-l \"/ \o/ \t/ .154.155. ¿Cuál es la probabilidad de que obtenga el 5 suponiendo que los oüro¡ tres jugadores en conjunto tienen (a) un cinco. .:).151.54 obtenga exacüamente I ¿-c / r\k sobres correctos ". 1l 1. 1.t't . Demostrar que la probabiüdad para que la secretaria del Problema 1.' Denoüando la probabilidad deseada comopñ (a). que (Sugerencia: Consi¿s¡ar 1. . 3. (c) los cuatro jugadores tengan un palo completo. 1. (a) Un estante contiene 6 compartimientos separados.(i)' una interpretación combinatoria. una interpretáción combinatoria. ¿De cuántas formas pueden colocarse 12 bolas idénticas en los compartimientos de tal manera que ningún compartimiento quede vacío? (b) Resolver el problema si hay n compartimientos y r bolas para r ) n.152. (ü) tres jugadores.6. Generaliza¡ el resultado del Problema 1._ \r/ (1 + r¡t (1 + o¡"-t y hallar el coeficiente de ¡j en el producto).50 si el juego se ümita a B lanzamientos.ISrí"r"ncia.rtimientos separados.

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

Recíprocamente la función de probabilidad puede obtenerse de la función de dist¡ibución.+/(r") x. En la FA. pata vrta donde obtenerse.1 x ( -.2-2 Histograma FUNCIONES DE DISTRIBUCION PARA VARIABLES ALEATORIAS DISCRETAS varidble aleatoria X se define por La función de distribución acumuhda. En el ca¡o del hislogama podemos considerar la va¡iable aleatoria X como continua. como se indica en la Fig.. P(X < (8) La función de distribución puede F(rl = P(x=r) -. (o ) Suponiendo que la moneda es honrada tenemos P(CC) Luego I 4 P(CS) 1 4 P( SC) 1 4 P(SS) 1 4 P(X-0)=P(ss)=. o simplemente la función de dístribución. es decir .2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 39 donde la suma en 2 se toma sobre los valores posibles de probabilidad. (b) IÁ gráfica de probabilidad puede reprecentarse comoleindica en la Fig. (a) Halla¡ la función de probabilidad correepondiente a La variable aleatoria X del Ejemplo 2. r/4 =I r/4 la función de probabilidad está dada en la Tabla 2-2. Tabla 2-2 =I r f(r) 0 I r/2 .2. Fig.6. o por un histogromo. Una gráfica de f(¡) se llama grdfica de (b ) EJEMPLO 2.de la función de probabilidad notando que r es cualquier número rl = F(u) real... Íz rn entonces la función de distribución está dada por 0 f (r') f(rt\ + f(rü F(r\ = -@<fr1It rt3fr1trz rz3fi1rt : (5) /(r. por ejemplo X: 1 significa que esüá enüre 0.2-f Eepectro Fíg. 2-1 la suma de las ordenadas es 1 mientras que en el histograma la suma de l¡¡ áreas rectangulares es 1.)f(u) (0 donde la suma a la derecha se toma para todos los valores de z para los cuales u = x. 2-2. r.1 y construir la gráfica de probabilidad. P(X:1) = P(CSuSC) = p(cs)+ p(sc) = i*i P(X=21 = P(CC) Así. 2-1.cAP.) +. Si X únicamente toma un número finito de valores lct..5 y 1. lxla .

A medida que procedemos de izquieida a derecha (es decir subiendo la escalera) la función de distribución permanece igual o aumenta. 2-3 frecuentemente se le llama función escalera o función paso. 1. nos conducen f(r) tal que o a poshrlar la existencia de una función 1. Sin embargo hay una probabilidad mayor que cero de que X esté entre 145 y 150 centímetros.2 su 2. Este hecho permite obtener la función de probabilidad a paftir de la función de distribución.n (6) . 714 corresponden exactanrente a las ordenadas en la Fig. que son verdaderos en general. . 2 son LlA.4.2. F(r) se mues- Los aspectos siguientes acerca de la función de distribución anterior. 2-1. la función de distribución para la va¡iable aleatoria X del Ejemplo 2. Esto se expresa matemáticamente estableciendo que la función de distribución es continua por la derecha en 0. 3. El valor de la función én un entero se obtiene del paso superior. así el valor en 1 es 314 y no Ll4.@ e -. Por tanto no podemos definir una función de probabilidad en la misma forma que para una va¡iable aleatoria discreta (págrna 38). (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. pagjna 38. deben notan¡e. 2. la probabilidad de que su estatura X sea precisamente 147 centímetros sería cero. 1.3. Estas ideas y la analogía de las Propiedades 1 y 2. Debido a la apariencia de la gráfica de la Fig. por ejemplo. DISTRIBUCION DE PROBABILIDAD Si X es una variable aleatoria continu4 la probabilidad de que X tome un valor determinado generalmente es cero. f(r\ > 2. tomando valores desde 0 hasta 1.)I__ f(r\dx=r donde la segunda es una proposición matemática del hecho que una variable aleatoria de valor real debe ciertamente encontra¡se entre . (o) Halar representación gráfica. 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. Entonces definimos la probabilidad de que X se encuentre entre ¿ y b como P(a<X<b) : Í"' f (n) d.40 EJEMPLO VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD lcAP. EJEMPLO 2. Las magnitudes de los saltos en 0" 1. 712. 2-3. Debido a esto se dice que es vnafunción monotónicamente creciente. 2. Si se selecciona aleatoriamente un individuo de un grupo numeroso de hornbres adultos.

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

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

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

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

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

V e inversamente. así que X : ú (U).Supóngase que se definen dos variables aleatorias discretas U y V en términos de X. Y) donde X: út(U.a)llJ (35) (36) s(u. u) donde $ean X. y) es el producto de una función de x. Entonces la función de densidad conjunta de U y V g(u.rl s@) = r@\l#l= rw@)rv'@)l g(u)ldul Teo¡ema . (83) (34) 2-4: está dada por g(u.(u. o sencilla¡r¡ente el Jacobiano.t@)] (s1) 2-2: Sean X. n. Entonces la función de probabilidad paru U está dada por Sea s(u) Teorema = f[.a)ldudal o = f(r.I) como en el Teorema 2-1.(u. y estas son las funciones de densidad (marginal) de X.a) = f(r. y) no puede expresañ¡e así. e. fz(y). Y'). así que X = út(U. Y variables aleatorias discretas que tienen una función de probabilidad conjunta f(x. Entonces la función de probabilidad conjunta de Uy Vestá dada por g(u. I|).V:0"(X. 1. entonces X y Y son dependientes. Variables discretas. Y respectivamente. Supóngase que se define una variable aleatoria discreta U en términos de X por U : ó (X).Y: úz(U V). gr(u.úl#31 = En (Sd) el determinante Jacobiano. Y cortesponde una y solamente una pareja de valores U.(xl. a\) (e2) 2. Teorema 2-3: Sea probabilidad de Uestá dada por g(u) donde X una variable aleatoria continua con densidad de probabiüdad f(r). por una función de y.a).a\lda dy fl+. V). está dado por . n como en el Teorema 2-2.2 conjunta F(x. Entonces la densidad de = f(r)ld. Variables continuas.u) = f l.V: Qr(X. f por U:0r(X. y). dondeacadaparejadevalores de X. Definamos f/: ór(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.l't(u. I0. y\. Pa¡a va¡iables aleatorias independientes continuas también es cierto que la función de densidad conjunta f(x. donde a cada valor de X corresponde uno y solamente un valor de U e inversamente. Definamos U = ó (X) donde X : ú ([. Y variables aleatorias continuas que tienen una función de densidad conjunta f(x. y) puede expresarse como el producto de una función de r y una función de y (las cuales son las distribuciones marginales de X. Si F(r.a).46 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAI) lcAP.Y). Teorema 2-1: X una variable aleatoria discreta cuya función de probabilidad es f(r).f . Y: úz (U.

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

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

1. 2'9.cAP.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/.s restreltos VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCRETAS 2.2) tenemos X : 5.Jo 4/36 2/36 (ó) Podemos emplear un espectro o un histograma como los dados en la Fig. así que cada punto muestral tiene probabilidad 1/36. obtenemos la Tabla 2-4. (4. garaX:5 corresponden los cuaho puntos muestrales (1. (c) LospuntosmuestralesparaloslianzamientosdeunpardedadosestándadosenlaFig. (3.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 49 Problerna. Así para (3. (b) Consbuir una gráfica para esta distribución de probabilidad. de acuerdo con si deseamos considerar a X como va¡iable discreta o continua.2). (2. Supóngase que se lanza un par de dados honrados y que la variable aleatoria X denote la suma de-los puntós. 2-8 la suma de las ordenodas es 1 en tanto que en la Fig.3). Nótese que en la Fig. Utilizando el hecho de que los 36 puntos muestrales son igualmente probables. . 2-8 o en la Fig. 2-9 la suma de todas las óreos rectangulares es 1. Tabla 2-4 'x 1'17'página18.Po¡ ejemplo.1) así que la probabilidad asociada es 4/36.4). variable aleatoria X es la suma de las coordenadas para cada punto. (a) Obtener la distribución de probabilidad paraX.

ip=q:L12. (b) Représentar gráficamente la distriUución en (o).2-L2. F(r) 1 33/36 30/36 27 i36 I 24/'.". c.(.on probabilidadesp y g: 1-prespectivamente. 2-10 (o) Tenemos que F'(r) = P(X = tl u=x 2 Ífu¡. (Obeérvese que X se define sobre el eepacio muestral de tres inüentos). donde cada intento tenfa dos resultados posibles.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. tenemos P(eractamente r niños) = P(X = r) = .)"(t'-' = . 2-11. Enüonces de los resultados del Problema 2. Obsérvese que el cero del eje r se ha desplazado.2.) 3 se indica en la Tabla 2-5. A y A'. suponiendo iguales probabilidades para niños y niñas.L y (b\ repr€sentar gráficamente esta función de distribución. Se encontró quelrr probabilidad de obtener eractamente r veoea A en los n intentos es icrp'q.(i) \-'l /r \3 f(r) r/8 3/8 L/8 (b) La Eráfrca va¡iable X como discreta o continua.46 trató el caeo de n intentos mutua¡t¡ente independientes. (a ) EI Problema 1.". (a) Hallar la función de distribución F(r) para la variable aleatoria X del Problema 2.3. La función de probabilidad para X.¿6 2r/36 18/3rt 15/36 12/36 9i 36 6/36 3136 .50 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP.. Fig. 0123 Número de ¡¡iñoc X = ¡ Fis. 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. Por tanto. 2-10 o en la la FI.2 2.. I 3/8 .1 hallamos F(rl = 0 -e 1r<.)' Tabla 2-6 fr 0 donde la variable ale¿toria X representa el número de niños en la familia. dependiendo sobre si deseamos considerar a puede representarse como en la Fig. D:3.t-. f(r) = .JNCIONES DE DISTRIBUCION DISCRETA r/t 2. siA e¡eleuceeo"niñott.(.c. (c) Hallar la disgibución de probabilidad de niños y niñas en familias con 3 hijos. 2-ll (b) Véase Fig.

F(¡) I 7t8 6/r 6tE 4/E 3/8 2t8 I UE t Fig.-. _.2l VARIABLES ALEATORIAS Y DISIBIBUCIONES DE PROBABILIDAD 51 2.6.r12*L =zC' oJ6./J f = " =.2-13 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2. (b) Hallar la probabilidad de que f(r)=c/(n2+l). 2-13. 1 C" F(r) = )_-t{")a" = i)__ n du _ = !l-t.. t:_flu)ttr = 1. rL t__J = 11h. (c) Hallar la función de distribución F(*) para la va¡iable aleatoria representar gráfrcamente esta función de dishibución. X del Problema 2.e¡décir t-.<6. Hallar la función de distribución conespondient¿ a la función de densidad del Problema 2.6.2 obtenemo¡ F(rl (ó) L8 gráfica = de la función de distribución de (o) se muestra en la Fig.itan-rc .entonces ó -l < x = -f.12 + | = "t"r-rrl r-o = "L. Un (¿) (a) Debemostener aXtienelafuncióndedensidad o".4..\r-.ran-l(--)J = l[r*-' " "if = i.6.r . z2 = 1 (ü) si* = x2 =t. acf que c=Ur. la constante c." r¿*l = ?['*-'(1) . f .(-./ -\-'l (* :u. t*tantolaprobabilidadpedidaes t(-'lstt oJ-t dn *lft dr IL'rJ¡5.'= J-.2V @) (o) Uüilizando la Tabla 2-5 del Problema 2. donde -o(ú.t¿n-r (+)] I = z(z-z\ = 6 6/ "\4 2. )? estÉ entre 1/3 y 1.cAP...rr_rrl. I -u.

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

cAP. Y son independientes debemos tener.u) = lcnU 0(r<4. puede expresarse como una fi¡nción de ¡ veces una función de y. Y del Problema 2.8 (b) y 2.Y=L) + P(X=21 P(Y=L) E resultado también se deduce del hecho de que la función de probabilidad conjunüa.Y=\ = asr que h P(x=4 = # P(Y=l) = I (2x rr y)142. La función de densidad conjunta de dos variables aleatorias continuas X. como se determina de los Problemas 2.{.Y=l)=5"=a 42 (c) De la Tabla 2-6 determinamos que P(X>t. Demostrar que las variables aleatorias X. Y es f (n.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD De la Tabla 2-6 determinamos que 53 (b) P(X=2. Y <2). Si las variables aleatorias. P(X=2.r du = I . para todo r. 2<Y <3). De estos vemos que 6c=L/7 | P(X=r) = ft@) = jUc=1/3 verificación:l+1*11 '7 3'21 (b) La función =r r=0 u=t..Y<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.11.9.Y : A) = P(X = r\ P(Y = Y¡ Pero. 1<g<5 de otra forma 1o (c) Hallar P(X>3. y. es decir | | f@.u) d.8 son dependientes.9. (o) Hallar el valor de la constante c. (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. (b) Hallar P(1< X <2. l22c=17/2r n=2 fz(u) y puede obtenerse de los de probabilidad marginal pata Y está dada por P(Y = a) = totales del margen en la última fila de la Tabla 2-6. 2. no P(X--2. Hallar las funciones de probabilidad marginal (c) de XV (b)de Yparalasvariablesaleatorias del Problema 2.8.10. De estos vemos que P(Y=Y¡ = verificación:1*3 +!+1 ''7 74'7 t4 fz( =t 2. 2. (o) Debemos tener la probabilidad total igual a 1. P(X = t.

Yl'"=.54 vARIABLEs ALEAToRIAs y DrsrRIBUcIoNEs DErRoBABTLTDAD -l IcAp.(a) = 0. xaau )clx = "!. . fv J-"=oJ"'='ffiauao = + .o)ctud.- ñ E P(x>s. =y( 5 ec Fzful = P(Y <-vl = Í¿t=_@ f1 ¿ú=l f" f@.r. para 5 < 0.12.=o J"=.¡¡'J.=oL.r"=. (ó) Utiliz¿ndo el valor de c hdl¡do en (a) tenemoe P(l <x <2.Tn' = idt\t/|. Hallar las funciones de distribución marginal (c) de X V(bl de I' del Problema 2.2<Y ' (c) <3) = Í.'=. no ao)au =# [o ¡(o n>-4 12/16 O=r14 [t (ó) La función de disüribución marginal para y ai 1 PueetoqueF¡(r)escontinuaenr=Oy¡:4. fi uo = # 1. = e6c Entonces 96c = 1 y c : 1/96.Y=z) = í:="í"'=. la integral tiene el valor f4 ¡5 J. 4. y).'=. (o) L¿ función de di¡t¡ibución marginal para X ¡i 0 < ¡ ( 4 ec Ft@) = p(X=r) = f' ¿u=-4 ¿O=-@ f" fet.)* = "Í:=rr2adr = "tu*)l'_.2 Empleando la defrnición de /(. [ Í=.'=r$l'"-.F .=.* s /rz11z .podrfamocremplazarenlaerpreaiónanüerior(por<."=.'uau)a' = *f.1Í":=. Por t¡nto Fr(rl = 1. 7 ñ J"="To' = ln 2.olduclo dudo = P¡re o > ft (s J.o' = "Í. = = 1 C' 5r.frarau = * Í'^='lÍ"'="u aafa' = + f"="#l'"='* L f4 Br. Oo = #Í:=. Ft(¡) = 1.r=o(ry-.:o J"=rcnvilxils ft rrs = " J. 1""=140.11.

' *u au)a* Fig. J ( por < . En el Problema 2.n ffia. 2.F ¡ (r) V Fzp) se determina¡on en el Problema 2. Y son independientes. F{A) = 0. 3. 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. Halla¡ la función de distribución conjunta para las variables aleatorias X.| l rr. donde J tt.ul = fr(r) f2(y).F(r.cAP. 2-16 hemos indicado la región cuadrada 0 ( ¡ ( 4. o 0 ( ¡<4 f de otra forma . Y puede escúbirse como el producto de una función en r veces una función en y. 2-16.L2. [f=.Y es diferente de cero. !""=. de tal manera que su función de distribución conjunta eetá dada por F(r. Por tanto Fzfu) Puesto que F2 (y) es continua en y = 4@r-t)tz+ tfy<b a=6 l.. ! c(t = c : F(r.LL se observa que la función de densidád conjunta para X. l\¡. podríamos remplazar en la expresión anterior [o u<r : 1. 1 < y ( 5 dentro de la cual la función de densidad X. y) : Fr G\ Fz@). Y del Problema 2.11.11 hallar P(X+ y < conjunta de 3).l\ (r6)(24) Fig.t : 5. t = 1.Yl = rz(az . La probabilidad rc.(ul = { (. 2-I6 . Fz@) = 1.2l Para y VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD OD = 5. Se deduce que X. 2-15 muesha la definición por trazos de . En efecto.14. la Fig.13. Del Problema 2. En la Fig.¿v I < Y < 5 [ 0 de otra forma L/96. av = ut-[:. y) resultante. región sombreada en la Fig. esta probabilidad está dada por 'í Í"'=.¡ ryl96 sobre fi. Las distribuciones marginales . Puesto que f(x. 2-15 2.

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

3 ¡e deduc.18.I9. Puesto que ú'(u) : dx/du : .82. HaJlar la densidad de probabüdad de la variable aleatoria U = )? donde X es l¡ va¡iable aleatoria del Problema2. de probabilidad pedida para U ea ( z-ni i s("! = 1o utilizando el Teorema 2-1. recfprocamentg. f(r) = to de otra forma Halla¡ la probabilidad para la va¡iable aleatoria a = X4 + Puesto que l. página 46. La función de es disüribución para U G(ul = P('tlu') Entonces si 0 Fis. o por el Probler¡¿ 2.e por el Teorema 2-3.¡función u = 2....cAP. U: * .19.)óx:L2-3u.3 ( ¡ < 3 corresponde a 0 s z s 9 er tanto que 3 (¡( 6 corresponde a 9 ( u ( 36.2-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. de otra forma . = P(. Tenemos tL = tr2 ó r = *\ñ.16 que la Tbnemosu:tl3(L2-f."1:-.Enüonce¡1.3 y* = 6 rcn u = 6 y u -2re¡I¡ectivamente.3..2..2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD es 67 2.sutz¡21 ]. 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 ¡. 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). | .'ll = 1 2..2O.E2.2 = _. La función de ptobabiüdad de una variable aleatoria X (2-' ü=1. página 46. u= r+11 6 r =n/F1.A¡íparacadavalorderhayunoydamenteu¡valordeuy función de densidad para U ee s(ut Verificación: = ilt'. .U<u) = P(-B<X<\fr) = J-s f@lA.+ l larelación entre loe valoreedeuyrdela¡variablesale¿torias donde u:2.!7.tt¡¡f". UyXqtídadapor y8€hatomadol¡raízrealpositiva. 2. du ¡5 <tz:_su. Como se obeerva en esta ffuura el intervalo .. o el hoblema 2. 2-18. En este caso no podemos emplear el Teorema 2-4 directamente ¡rero podemor proceder de la manera eiguienüe... Los valores de r para los cuales.Loe valore¡ de u que correrponden a¡= .16.17.3 ( 6 corresponden a los valores para los cualeo 0 S 36 como se muestra en la Fig.

0 < a < 4 g(u'al = de oEa forma {o La función de den¡idad marginal de U está dada por 21u<6 ctfu) = f"^=oWo' J. Por üa¡¡to la región 0 I r 1 4.1. = {. lo1u114 de otra forma . etcogiendo arbitrariamente l¡r eegunda relación.=.2 l*ibníz (12). = 2.u). u : r.IBUCIONES DE PROBABILIDAD Pueeüo que la [cAP. le * fil2136 z4B l.a) (véase Problema 2. función de densidad de U = X + ZY.11) hallar la Método 1.21. 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. 2-19.u 110 que ¡e muesEa eombreada en la Fig. Si las variables aleatorias X.58 VARTABLES ALEAT1ORIAS Y DISTR. Y tienen función de densidad conjunta r(x.<¿<36 de otra forma 21rsrz Verificación: zlb.2 < u . 1 < y ( 5 correeponde a la regiiin 0( u ( 4.-ro 0 6<¿<10 f4 afu. Entonces la ¡olución ¡imultiinea re¡ulta r : u. El Jacobiano está dado por Fr 0r J_lr"0o oa lüu la" att lo =l I 1 11 -.r'nu ffr:i:0" 'Sea u = t I 2y. ! : ll2(u . uear¡do la regla de c@l Utiüzando la definición dada de = f(r) eeto se convierte en 0<z<9 9. 2 ea - Fig. 1 tZ _1.ol =#¿" . función de den¡idad g(u) ee l¡ derivada de G(u) tonemos.

IL m de b Flg. De¡aroll¡ndo integn' cione¡ encontramog 4)'12304 2<u16 6<¿<10 l0<¿<14 2128112804 de otra forma Puede efectua¡Ee una verificación al demo¡tra¡ que la integrql de g1(u) ee igual a 1.2-2L 2. El Jacobia¡¡o estó dado por .a) : {*''nu de otra forma :':' 0 L = XYz. eüc. V = )PY. Mo ¡oe conducealasolucióneimultánea s=p2/34-r/t. Considére¡e u : xy2 .22.u2 t< 7) uztga-rls < L26'u 6 1 64u 1u2 < Eata región ee muesba eombreada en la Fig.ytdrdy " = ÍÍ fta. 2.21. 2'20 gue la últim¡ integral ee igud a Í"--.i 1<c<5 Pa¡¿ 21u ( 6 obserraÍros al r€ferirnoo a la Fig. De un¿ manera análoga podemoe obtener el Al deriva¡la con respecto a ¿ 8e encuentra (u .cAP."'' gunoo = Í"::'lW-#fo' + 4)t2304. Al dividir egüa¡ ecúaciones obtenemoe y/r = u/u aef que y = ut/v. 2-19. Si las variables aleatorias & Y tienen la función de densidad conjunta 4' L <s <5 f(r. u = x2 y .au i*Z=. I/aimagende0(x14.y=y2/3p-rl3. [.a función de di¡tribución de la variable eleatoria X + 2Y erüá dada por P(x *zY É ut = Íl rr2y 3 t@.' I":".L(y(Senelpla' (véase Problema 2.o 2.11) hallar la función de densidad conjunta de U no uu está dada por o<azlgu-r/t<4 gue son equivalentee a .2-2O Fig.2)2 (u reeultado dd método L para 6 ( u ( 10.2l como VARHBLES ALEAI"ORIA"S Y DISTBIBUCIONES DE PROBABILIDAD 69 'lar p determina refiriéndo¡e a lae regioner ¡ombreadas I. Fíg. Nlétod.

u-a)ilo conecponden : X + Y.üdrdu .to-t."u-n.i"au Pue¡to que la región eetá por debajo de l¿ lfnea ¡ * y = u.o) .f(t¡.ld. c¡üo ec G(ul = (( Í@.y¡ay]dr -J La función de den¡idad de U e¡ la derivada de G(u) con re¡pee por ef -a (' l@.l: l= | f.:v. que la función de densidad marginal de U c@l = f' f@. Demosbar que la función de densidad de U'= X * Y es s@l Método 1. El Jacobiano de l¡ tran¡fo¡mación ertá dadopor rSe deduce de (261. f variables aleatorias qup tienen una función de densidad conjunta f(x. 192 d'l l#'úl = l: -l ee -l Arí por el Teo¡ema 2-4./t=-a f f"-' f' Lnr1¡=-a c@l = ¡1r. 2-22.IBUCIONES DE PROBABILIDAI) [cAP. A e¡ta¡ ecuaciones u: x i !. -tuznr-trs I -lu-zrso-zrs A¡f la función de densidad conjunta de U y V es. la función de deneidad conjunta ile (J y V ea g(ü.u-r. y) tomada ¡obrc la región definida pbr * f y s u.60 VAR¡ABLES ALEATORTAS Y DISIR. o= Í6 x. Sean X. donde arbitraria¡nente hemo¡ ag€gado la *gunda ecuación. cer.u. Método 2.o) = {*O=f3-Io ($u-2t3a-2rt') o2161u' tt de otra forma tt-z 1u2 < l26tt c@. y: u. y). página 46. .r f.23. por el Teorema 24.u-o) págin¡ 46.2-22 utilizando la regla de Leibniz (I2) primelo en la integralder y luego en la integral de y. vemor que G(u) üo a u e¡tá dada = . V : X.u-.-t rsu-ual J .xl = {u--''"o-rtsl288 IO CONVOLUCIONES < ilu' tt 1 u2 < l26tt de otra forma 2.u-r)ih F's.. La función de di¡tribución de U = X + Y es iguql a la integral doble de f(x. Sea LI = Íl-rO. como ¡e indic¡ por la parte ¡ombreada en lrr Fig.2 l-lor..

f .{olf2(u-olito = f t* fz que es la conuolucidn de h y fz. así que por el Problema 2.8.to ¡iu>0yg(u):O¡iu(0.241a función de den¡idad pedida es la convolución de f t y fz y eetá dada por c@) = ft*fz = f' fr(o.l) = 6(e-zt . 2.26. (b) P(Y : 1lX : 2'¡ pan la distribución del Problema 2. R'ex. obtenemos (-' Ítrfz = .rru-u)f2@t)(-d. Y son variables aleatorias independientes que tienen funciones de densidad ft@l =112"-t' .2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD 61 2. pígna 47\" Tenemos Ít* fz = | /r(") fz@-o) Jo=-a Haciendo fa da u)= a.9 t¿nemo¡ ftutrt = arf que con ¡ : 2 ffi:*+#t f(ylz\=g#f=+ P(Y=rlX=2\=/(1l3r=*z (ó) .24.- u de tal maneraque u = u-u.d.f 2* f1 (Propiedad 1.f2(u-t:ld. Por tanto Cful = | JO f! (2e-2ül(ge-sru-u))do (" = 6"-su.<0 L0 ü>o * fg"-to a=o " frfu\ '-\e' =1l0 a<0 Y.cAP.-*) = 1 2. Demostra¡ gue fi t.olver el hoblema nes de densidad f t@).u = (.8 y 2. Si X.a J_ú En el integrando f1 se anula cuando u ( 0 y f2 8e anula cuando u ( u. (o) Empleando los ¡esultado¡ en los Problema¡ 2..25. (y) respectivamente. Y son variables aleatorias independientes que tienenfunciof.u:-dw.23 si X.ar@u . En este caso la función de den¡id¡d eonjunüa et f(x.w) = (" DISTRIBUCIONES CONDICIONALES fz@\lt@-u)dut = fz'ft "/u=-n 2. de densidad de U: X * Y e¡ y): f t@) fz(yl.f¿ . halla¡ la función de densidad de su sumao U = X Por el Problema 2. Ve¡ific¡ción: ao ifui = 6o.e-tr¡ f -'. 2.27.fw=n .o{üau = tfo'k-r"-"-rv\d. HaJlar (al f(y l2).23 la función s(ul = t'.

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

tal conclusión serfa verdadera- APLICACIONES A LA PROBABILIDAD GEOMETRICA 2. y a¡í { Y son dependientes. = lo'Ar"d. EnlaregiónsombreadadelaFig. Dos puntos se escogen aleatoriamente en el intervalo 0 < de que la suma de sus cuadrados sea menor que 1. tenemos ("fr. que se supone üene radio b. = t. Determinar la probabilidad Denótense por X Y la¡ va¡iables a¡ociadas con lo¡ puntos dados. Suponer que siempre se hace impacto en el objetivo. + f t@) Í2fu).¡ _. : T zalo lr-(i) Jl. Entonces la probabilidad de pegar en el blanco es Jo I rb t(. Ít@l = 4r?.21). ¡ < 1. Si ecta ee remplazarí pu alguna reshicción en y no dependiente de r (como en el Problema 2.G't = lI 0<¡<1 | 0 de oEa forma f zfu) : tf f 1 ofY=1 o de otra forma Entonces ya que X. fz(A) : AaQ-A2'). f(t.(.31.30. y) : 8ry. que flr. la función de densidad estd dada por . Y son independientes. fot rrror¿a = fo 4A$-u2lda = | 7 f"'r. 2-24). Puesto que se supone que intenalc igualec tienen probabüdadee iguales. Determinar si las variables aleatorias del Problema2. la¡ funcionee de densidad de X.cAP.2-23.r'lúttr = Í"' fo" &or : .[t .r) = . b(Boz-br¡ =.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 63 Verificación: fo' .ls rbF /"\2-1. Jo L /r)'lo' = \a/ --) r de lo cual c = 312a. La función de deneidad ertá dada por f(r) r_ /r)rl = "Lt .)']0" Aquí. c es r¡na constante y o es el radio del objetivo (véase Fig.)¿. R es la dista¡rcia del impacto desde el centro del objetivo.. Íis. Hallar la probabilidad de pegar en el blanco. Y están dadas respectivamente por (r) f .rrrro.2-21 Puesto que siempre se hace impacto en el objetivo.29 son independientes.32. Eeto ¡e debe a la restricción 0 < y < ¡. y) puede expresarsecomo una función de r por una función de y.t L \a/ 2. = . Portanto f(r. 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.30.(.U) Debe anota¡se que no puede deducirse a partir de f(x. htotdda -- Ío' 2.A\ = 8rA.

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

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

36.66 VARIABLES ALEATORIAS Y DISTB. etc.Y es f(. 2. ala¡cuales correcponde u:Í1.a\ - o Fig. do por U: XY. Xf si la función de densidad conjunta de X.r. obtenemos oha erpreción.al + ft@lfzfu) o. Lor result¡dos completoe se muestran en la Frg.yt = d+# F(r. F(r.1) ó &: a2 6 PortntoY:*tE. para 0 ( r.8 elJacobiano eetáda- .2-28.3') = g F(z. u: x 6r:u. 2.84. B.Entonce.2 Cuando (¡.y) = I 2z2y*xy2-8!-ZV2 420 F(x.y 1 l. Por incpeccióa. Por tanto. 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 |. o<Y<1 de otra forma Suponemoequelafunciónde¡conoeidahestalqueloeinüervalocXSr. Hallar la función de densidad de U : Método f Sea .2rs = - 2U8 a = h(r) = ¡fi e8 u¡¡a rolución.IBUCIONES DE PROBABILIDAD [cAP.Y=y:l¡(*)üienenuna correrpondencia uno a uno en una forma continu¡.yl = F(r.vl -| F(r. P(X = di¡tribución deben ¡er igualee. i) ¡e encuentra dentro del rectángulo. 2-2t (h) Las va¡iable¡ aleatorias aon dependientee ya que f(r.¡) = I F(r'Y\ = I F(r. r): P(ts< yI e¡ decir la¡ funcione¡ de Jo f " au$ - u) ttu = (u Prt(t Jo BAI t)2) d.yeatarolucióntienelaepropiedadeodeseadas.ntonc€. lo que er equivalente F(r.al + Fr(r) F2fu). V: X. y). !: u/u. Br2 .

ü d.2l VARIABLES ALEATORIAS Y DISTR. obtenerños g(u) : f: (+) . cuando la región de integración está ümitada El mismo resultado se obtiene para u ( trazos en laFig.. 2-29 Fig.0 la región de integración ge muestra sombreada en la Fig.36.u. Un piso tiene líneas paralelas a distancias iguales I entre sí. s(u) Método 2.:)a. a Fig..IBUCIONES DE PROBABILIDAD arl ú .r\.. (Este problema es conocido como el problema de la aguia de Buffon).y\<t1¡)ar Derivando con respecto a u utilizando la regla de l.y¡aylar * [o'll:-' r(r.t-zl | _u-r Por..(.r du ft t / G(u) = lf ¡gSu Pa¡a u =.r\.u) s(u = 6r\". 2-30 2.2-29.Se deduceque . )0.f_: t f"-. También @ puede tomar cualquier valor entre 0 y ¡l2.ú J _* = J_-. 2-30 )' Sea @ una variable aleaüoria que da el ángulo agudo entre la aguja (o su prolongación) y la línea. Hallar la probabilidad de que la aguja intersecte una línea. asíque 0 s ¡ < t/2.eibniz. La función de distribución de U es = o@../ .cAP.X)* por la hipérbola a Q."\ ) aa a partir de La cual se obtiene la función de densidad marginal de U.SeobservaqueXpuedetcmarcualquiervalorentreOyll2. Observamos que G(u) = . t". 2-29.'. V es | ..1)* = Í:"ár('. Sea X una variable aleatoria que da la distancia del punto medio de ta aguja a la línea más cercana (Fig.Denotamos porry0cualquiervalordeterminadodeXy@.anto la función de densidad conjunta de U. Una aguja de longitud a1l cae aleatoriamente al piso.la" | J _ l^ tdfr árt l# #l I o 1 | | lo-t -u. + !o'i.(...

0<a<L de otra forma es Pueeto que 15 minutos de hora. medido en fracciones de hora después de las 2:00 P. P(c<c=c+dc) =?d. 2-31 Entonces. con el conveniode que no se esperar¿ln más de 15 minutos. El lado derecho de (21 es el área de egta región. M. Y son independientes. esdecir. la probabiüdad pedida (e) e(rx - vr É 1) . ¿Cuál es la probabilidad de que se encuentren? Sean X. Suponiendo que a intervalos de tiempo iguales corresponden probabilidades de llegada igrales las funciones de densidad de X.68 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILÍDAD lcAP. las funciones de densidad de notamos que X y @ están ¿"¿r" po. M. Y las va¡iables aleatorias que representan el instante de llegada. 2-30 ee obeerva que la aguja realmente toca la lfnea cuando este ¡uceso está dada por X = (ol2) s€n @.ul = : 1/4 f t@) fzfu) = 1o (l 0S¡SL.=¡ e drd o = 2A t" se Cuando la expresión anterior se iguala a la frecuencia de caídas observadas en experimentos reales. en tanto que loe dos triánguloe de lar esquinas tienen áreas +(*X*) cada uno. que es igual a t . puesto que X. .. M. fz|/) : 2ln. Comoverificación 9 :de = | JoÍ Jo ¡rl2 I ia'=r L ?ll2 . Va que el cuadrado tiene área 1. y las 3:00 P. Dos personas acuerdan encontrarse entre las 2:00 P. de las dos personas. 2-31.R = lf a" au donde R es la región sombreada que se muesha en la Fig. fr(¡): 2ll. obtienen valores precisos de Í Esto indica que el modelo de probabilidad descrito es apropiado. Pue¡to que X y @ son independientes la función de dencidad conjunta ee l(r'c)=?'Z=! ltlt De la Fig. 2.2 P(r<X<rIdr) =la. Y están dadas respectivamenüe por ft@l= lzful = (r 0:<¡=l de otra forma lo lo lr 0=a<L de otra forma Fig. la función de densidad conjunta es (r) f(r. Por tanüo la probabilidad pedida ee 7176.{})(}) = ¡!. La probabilidad de 1 ¡r/2 f(a/2)se { | | li )s=¡ ).37.

probabilidad.39.42.IBUCIONES DE PROBABILIDAI) 69 Problenra. La Tabla 2-8 muestra la función de distribución de la variable aleatoria X. 2. Comparar los re¡ultados con los Ejemplos 2.47. (c) P(X >21. Una variable aleatoria X tiene función de deneidad f(n) = | "r' 1 "r L0 L< aé2 21r13 de otra forma . repreeenüar gráficamente la di¡tribución. la con¡tante c. Obtener l¡ función de dishibución y su gráfica para el (o) 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¡¡.38. La función de probabilidad de una variable aleatoria X ee muestra en la Tabla 2-7.40.46. (a) Construir una üabla que muestre la distribución de probabilidad de X V (ü) FUNCIONES DE DISTBIBUCION DISCBETA 2. 2.47. de digtribución para la variable aleatoria del Problema 2. (b) Problema 2.E¡ suplernenta.cAP. (dl P(X < 3). Rnpre*ntar gráfrcamenüe las funciones de densidad y digtribución.on remplazamiento. 2. Hallar la función 2.39 si s€ extraen las bolas c. 2. Si se extraen doe bolas aleatoriamente sin remplazamienüo y X denoüa el número de bola¡ blancas.48. Una moneda ¡e lanza tres vece& Si X es l¡ variable aleatoria que indica el número de caras que rerultan.41. 2. (¿) P(X > r. Una urna tiene 5 bolas blancas y 3 neg¡a¡.19. (ó) P(1 < X < 2). (D) Problema 2. 2.89. = Determina¡ (o) la función de VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2.2. s).1 y 2.46. (o) Conetrui¡ una tabla que indique l¿ función de dietribución de X y (b) representar gr6ficarnente e¡ta función de distribución.2l VARIABLES ALEATORTAS Y DTSTR. Resolver el Problema 2. Sea Z lz va¡iable aleatoria que repres€nta el númcro de ca¡a¡ menos el n(rmero de seüo6 en dos lanzamientos de una moneda honrada.18. 2.rlo s VARIABLES ALEATOBIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCBETAS 2. (D) P(l < X g). Obtener la función de distribución y su gráfica para el (c) Problema 2. lbbla 2-? 2 3 Tabla 2-8 r f(n) I L/2 r F(r) I r/8 2 3 4 r/3 r/6 3/8 314 I 2.41. (a) construi¡ una tabla que muestre la distribuci6n de probabilidad de X V (b) representar gráfrcamente la di¡tribución. (c) Problema 2.4O. (o) hallar la di¡tribución de probabilidad para X V (b) repreeentar gráficamente la distribución. Hallar la di¡hibución de probabilidad de Z. describiendo la relación entre ella¡.38.44.42.4L. (r) P(. Una variable aleatoria X tiene función de den¡idad l(x) Ilallar (o ) = 1o = (ce-g" c)0 rso (d) P(X < 1).

(D) de Y dada X para la distribución del . Sea X una variable aleatoria que tiene una función de densidad (r. DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2.56 para el caso donde las variables son continuas. De'rerminar ¡i X Y son independientes. Sean 2. La función de distribución de una va¡iable aleatoria X está dada por 2. (d\ P(X > 21.3. (g) P(Y = 3). E)emo¡trar el resultado del Problema 2.69.Y>+). Y variables aleatorias continuae que tienen función de densidad conjunta (c(r2*a2) 0Ér< 1. 2. (fl P(X = r). (b) P\X'> PROBABILIDAD [CAP.ñ. (d) P(l<X<2).3. f(r) = 1o 0=rÉ2 deotraforma Hallar (a) el valor de la constante c. pendientes. (c) P(X > 1). (b) P(X=2.70 VARTABLES ALEATORIAS Y DISTRIBUCIONES DE Hallar (a) la constante c.Y = 3).63. (e\ P\Y < 2).2. Halla¡ la función de probabilidad condicional (o) de Problema 2.60. marginal (a) de X. ¿Puede ser la función (c(I-12) F(r\ = 1o una función de dishibución? Explicar.52. cerode otra forma. Halla¡ la función de distribución para la variable aleatoria X del Problema 2. DISTR¡BUCIONES CONDTCIONALES Y FUNCIONES DE DENSIDAD 2.(b)P(X<+. y): cxy parar: L.49.56.ót. (c) P(X>l). X. 0= ¡=1 deotraforma 2.(c)P(|<X<*).64. 2 2). La función de probabiüdad conjunta de dos va¡iablee aleatorias discretae )d Y eet6 dada por f(x. (e)siX Ysoninde 2. 2. Y son independientes solo si poro todos los uolo¡es de x.56. Hallar (o)laconstante c.!: L. (d) la función de dietribución. (b)lafuncióndedensidad. (c) P(I<X< 2.57.2.(d)P(Y<{). SiP(X:3):0hallar(o)laconstantec. Y = 2).ó8. 0< gr< 1 f(r'u) = 1o deotraforma Determina¡(o)laconstantec. Demostrar que las variablec aleatoúas di¡ctetas X. 2. Hallar las funcionee de probabiüdad marginal de (c) X V (b) (c ) y para las va¡iables aleatorias del Problema 2. X dada Y. 2.67.54. Halla¡ las funciones de distribución 2. (cl P(llz < X < 3/2). (b) de Y para la función de dencidad del Problema 2.54. y su función de probabilidad conjunta puede expresarse por el producto de rfna función en ¡ y una función en v. (b) P(1-12< X <312).

2. Y. Veúfic¿r que la integral de gr(?r) en el método 1 del Problema 2. Demo¡tra¡ el Teorema 2-2. Hall¡¡ la densidad condicional de (c) X dada Y.paraloscaso¡ (al g.2l VARIABLES ALEATORIAS Y DTSTRIBUCIONES DE PROBABTLIDAD 77 2.@) < 0. y>0 f@.. (bl Xs + 1. de otra forma [^ la función de ilen¡idad conjunüa de X. < 5 < @. (ü) Y dada X.57 . (ü) *. 2.66.67.(¿) S 0.rl:j"<s<L Hallar la funcióa de den¡id¡d ondicional de (a) X dada Y. para la digtribución del Problema 2. Completar la labor necesa¡ia para hallar gt(u) en el método 2 del Problema2.69.2. (D) Y CAITIBIO DE VARIABLES 2.(ulZ 0. (o ) Si la función de den¡idad de X es f(r ) hallar la función de densidad de X3 . . Hallar la función de densidad condicional de (c) Xdada Y.7O. (e-(r+u) x>0. SiXüienefuncióndedenaidad f(r):(2v)-r/2"-érz.6t. 2. l. 2. 2.2L e¿ igual a 1. (b ) Iluatrar el re¡ultado en la parte (a) erco$endo f(rl = i: l0 y verificar la solución. 2. hal|arlafuncióndedén¡idad deY=*. Sea dada X. Si X tiene función de densidad f(r) Hallar la función de den¡idad de l"-.62. 2.página46. -. n)0 = to r=o Y: X2.p6gna 46. 2..cAP. Sea la den¡idad de X Í@l = Halla¡ l¡ densidad de (¿) 3X (l/2 to -l<r(l deotraforma .64. Siladen¡idaddeXes f(r)=U"(r2 *1). (c) r¿. (*e-2.2I y verificar su reapuesta.at = 1.ú = { 0 J^ ^¿_. -a <a < .63.6!.66.*.71. DemostrarelTeorema 2-3.72. (b) Y dada X. si f(r. 2. u >0 n1O 2. hall¡rladensidadde Y = tan-rX.

y:8 ¡enO demoeEarqne la -@ I e¡ ob\=i ¡r"-tz/2 r=0 r'(0 l0 2. osv51 to deotraform¡ la función de densidad conjunta de Y. APLICACIONES A LA PROBABILTDAD GEOMETRICA 2. 2.R y @¡ott tt.8E.). Re¡olver el Problema 2. Emplear el Problema 2.21 primero efectuando la Ea¡rdormacií¡ 2Y 2. Sean X.76.7t.halla¡ la función de den¡id¡d de (a) U : XYz. ofrf 1. Sean función de densidad de X.76. 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.77. Si. Sea l(n'u) = ){ (1.72 VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD Verifica¡ por medio de integración directa [cAP. l¡ función de den¡idad conjunta h¡lloda en el hoblema 2. y tienen función de den¡idad onjunta f(r'u) = y tJ (e-(t+vt r>0. 2. Si X.2 2. yz0 deotraforma {o = X/Y.74. Sean X. CONVOLUCIONES 2. 2. Doc puntor ¡e seleccion¡n aleatoriamente ¡obre un segmento de lfnea cuya longitud a o ) 0. (bl V = XzY.emosha¡que (a) lt*(fz*fs)=ft*fz*ft*fs' (b)/rt'(lz+fs) =(/rof)*fs' = Z y lttryo utiliz¿ndo convolucione¡ 2.r""""va¡iablesaleatoria¡taleequeX:R co¡O. 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 * X2.22 pare. 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' 2.79.t1.a) = (2r\-rs-(r2+Yt). V = X I Y. hallar la fi¡nción de den¡idad conjunta de U y V. 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. -e 16 1o. f. Y variables aleatorias que tienen función de den¡idad conjunüa Í@. 2.22. .t2.75. < U < @.8O. para hallar la función de den¡idad de U = X + Z. Hallar la función de dengidad de Z = XY.

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

). Y variables aleatoria¡ independientes cada una con función de densidad .96. ¿por qué? +l En el Problema 2.99.1.102. dada en la Tabla 2-9. (b) ttallarP(l S X< 3. (c) Dererminar si X y Yron independienter. (c) HallarP(Y = r). (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 2.91 halla¡ la funciónde den¡id¿d de (o) X2. ¿Cull er el análogo del teorema de la convolución para variables aleatorias di¡creta¡? Ilustrarlo usando el hoblema 2.. /(z) = 2..y>1). t2<X< l). u=0.2. nal de X y f. 2.s7.X2 + Y2. Y está. Y son independientes. * Y es ) 0. (D) Hallarp(1 <x<1. 2.79 a tres o má¡ va¡iables.93 ee cumple que P(X > +.a) = de deruidad (marginal) de Y. (d) Hallar 2..0<U<t de otra forma P(X + (a) Determinar ai Y> rl2r. En el Problema 2.(c)lafuncióndedensidad 2.78 y (b) el Problema 2. 2. y < g) = p(X > p(y < +. f tienen función de den¡idad conjunta f (r' u) = t o llla 0(¡(U. 2. Y son independientes. (c) Iüllar p(x<rlz. (d) Harlar P(Ll2 2. Sean X.ur = {"-'o |. Un¡ estaca de longitud . Y está dada por I r/9 r/6 r(r.. X Y va¡iable¡ aleatoria¡ que tienen función de den¡idad conjunta f(r.(d)lafunción Hallar(o)laconstantec.2. Estudia¡ ¡i considerra que eltar oupoeiciones Bon realistas y cómo podrÍa mejorarlas si no lo son.L. (b) Hallar p(X>tlz). o<Y <2 | c(2r+Y) o(¿(r' o de otra forma I (marginat)deX.101.103.L se rompe en dos parües. + y. Demo¡trar que la función de den¡idad de X s(u) I @# u=0. (b) X Si -X. 2. 0 os¡=2'o<Y=' de otra forma 2 (o) Determinar ei X.74 VARIABLES ALEATORIA"S Y DISTRIBUCIONES DE PROBABILIDAD sean lcAP.94. .2 2.96. -. La función de probabiüdad conjunta para las va¡iable¡ X. Generalizar (o) et hoblemz 2.1ü1. x.(u) = ¡1e:r donde l.( tt ( -. ¿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.y> 1/B).98.Y<312).93.. Sean -(_ Y vari¡ble¡ aleatori¿¡ independiente¡ di¡tribuidae idénticamente y con función de densidad (2v)-r/2¿-úr2. Supóngase que la función de probabilidad conjunta de las va¡iables aleatoria¡ X.101. Hall¡r ta función de densidad de Z ..(b)P(X>Ll2. y > 1).

J'v 1r' o1z. Si es l¿ f (r'a' z) = ( 1 rv2zs 01r11. c Fis.1O4 para que la probabilidad de intersección ¡ea mádma? Erpücar ru rcluci6n. Pa¡a una aguja de longitud dada ¿cull debe ¡er el t¡do del cuadrado en el Problena 2. Y.109. Supóngase que la¡ variable¡ aleatoria¡ X Y. la! b€s no son independientes. - 2.ede O a cualquier punto P del objetivo) forma con el eje.IBUCIONES DE PROBABILIDAI) 76 2.2-32 2.1O5. Un piso ertá con¡huido de cuadrado¡ de l¡do L Una aguia de lon¡itud o1l a lanza al piro. . 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. 0121L o de oha form¡ 1.2l VARIABLES ALEATORIAS Y DIÉ¡IT. Z tienen función de den¡id¡d conjunüa r(r. (¿) 2. función de den¡ided conjuata de tres variable¡ aleatoriea X.ri"r" dos de esta¡ va¡iables aleatoria¡ eon independientee.106.a.1O4.107 halla¡ la probabiüdad de gue una ¡rarüfcula pegue 8l objetivo entre A = O y0 : Í14. es decir ¡ur factores funci6n de densidad marginal. Un haz cilínüico de partícula. P(Z<X+Y).cAP. r *"loq. 0< y1l.'"L'.s de radio q e dirige haci¡ un obietivo hemi¡férico ABC co¡ centro en O como ¡e indica en la Fig.10t.1O7.¿. 2. 2.. Z. Ilallar (o) P(X > Y< +r.z) Demo¡ka¡ que au¡que = ito-""trtcosracos¡rz :. er igral a o(4t o\ltf . Demorbar que la probabilidad de que l¡ atuja intersecte al meno¡ un liado. Z> $). 2-32. 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. En el Problema 2.

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

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

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

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

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

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

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

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

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

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

.1. Hallar la esperanza de la suma de puntos al lanza¡ un par de dados honrados. Véase también Problema 3. ¿Cuál es el precio justo que se debe pagar por un boleto? Sea X la variable aleatoria qrre denota la canüidad de Tabla 3-2 d:. js = !+ | + á + # +.02) + 750 (0. Y los puntos que aparecen sobre los dos dados. Problerna. Entoncee Restando. el precio del boleto sería más alto.(*) . El precio justo a pagar por un boleto es 6 peeoo.s resueltos ESPERANZA DE VARIABLES ALEATORIAS 3.2.0005 0 P(X : r\ 0. pero los definidos anteriormente se emplean con mucha frecuencia. hágase á..86 ESPERANZA MATEMATICA lcAP.z. que tiene un coeficiente de curtosis igual a 3.3.o\El = t7 \o.(+).00 ó 6 pesos.002.(i).. Sean X.s. = 1 PorüantoS:2..002 3000 0.'(+). Por ejemplo la probabilidad de obtener uno de los 20 boletos que dan un premio de $ 750 es 20/10 000:0.. Es posible definir coeficientes de sesgo y curtosis utilizando otras medidas de centralización y dispersión.os diferentes valores de X conjuntamente con sue probabilidades se muestran en la Tabla 3-2. 20 premios de $750 y 5 premios de $3000 Suponer que se colocan a la venta 10 000 boletos. por el Teorema 3-2.0005) + (0) (0.ero que se ganará un boleto.977t D(x): (150) (0. - E(Y) ^/t\ = tll) * \o/ "' .002) + 3000 (0.02 750 0. La esperanz¿ de X en pesos es r (pesos) 150 0. Comúnmente se compara con la curya nonnal (véase Capítulo 4).3 que es una cantidad adimensional..) E(xt = Para halla¡ esta suma.'(*) . |s = i . [.'(#)./ 'l*)* 7 E(X+Y) = E(X\*E(Y) = 3. 3.(i)" = +.41.'(*).... Sin embargo una lotería gana dinero.9?75) : 6. .. Tenemog E(x) Entonces. En una lotería hay 200 premios de $150. s = . Hallar la esperanza de una variable dada por aleatoria discreta X cuya función de probabilidad está Itrl Tenemos : (i)' (t=r.

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

Hallar (¿) la varianz y (b\ la desviación típica para la variable aleatoria del Problema 3. E(x2) = E(vz¡ ='. Y ¡on independientes. Por tanto Y. Halla¡ (a) la varianza y (b) la desviación típica de la suma obtenida al lanzar un par de dados honrados.4.3 3.9. puetüo que X.)'= i o = tFf-var(x) = \E = t r" : Ot¡o ¡nétodo.(. Por el Teorema 3-4. püa todo ¡. y. Si la¡ va¡iablec X. y) la función de probabilidad coniunta de X. Demostra¡ el Teorema L4. = Var(Y) = +-(. Pa¡a va¡i¡blee dependientec generalmente no ee cumple. página 77. Y ron independientee. y) puede expresarae como una función de r multiplicada por una función I."*' ""'*"' =i'|í'.7. p6g¡na 78. Entonce¡ l¡ varianza e¡ Var (X) = Etá . independienteo. VARIAT'IZA Y DESVIACION TIPICA 3. tenemos E(X): E(Y)= 7 12. (o) Como en el Problema 3. y): f tG) /2 (y).:r:¡:* .r.8.u) = ) ) .'/'Q)2afztu) . con¡iderada di¡creta.2. con las eumas apropiadae remplazadas por integracioneg.4 l¿ media de X ee ¡t= E(Xl -..(l) var(X) Var (X * ' .88 ESPERANZA MATEMATICA [cA". por el Teorema 3-4.10." (')no(')l E(X) E(Y) Si cualquier va¡iable e¡ continua la demoetración ee desarrolla de igual manera. = Wa"(X+Y) = 1/g v6 3.\2 ^a = f-('-L)''"-"0' = i = El(x-r)21 E(xz¡-ll(x))2 = t.7 Y) = Var (X) (Y) = F (b) ox+). o. (o) Del Problema 3. por el Teorema 3.1/2. Sea ¡t(¡. Obsérvese que la validez de eate teorema gira alrededor de si f(.y f t@) fz(a) )1. Demoshar el Teorema 3-3.(+)-Fr. / . de ¡i X.p\zt = '[(* -])'] = l:_ (" _'L)' t*. var(X) (D) 3. tenemoe f(x. Tenerno¡ E'(x ^"' * u' -'u. Además.*(á) # :%1 Entonces. Y rcn E(XY) = 22 Í!J! --t ra f@. ea decir.)'= * Var y.

:. mínimo de El(X-o)'l ocutre cuan- 3. + r-r¡t('. Var (X + Y) = E[{(X + Y) - (px + pv))2] = = = = utilizando el hecho de que .ttv eon independiente¡.13.u\(Y .págna79.cAP.í':. Pr = El(x-pl'l = nfL x.ft\tr*"-..t ." -. Y .tt): E(X).o)n = O.)t(")u'-l + (-t)rpr \.-iut + "' + (-l)'-t¡ur * (-l)-rnt donde al combin¡r loe do¡ úlüimo¡ término¡ re¡ulta (-l)r-1(?'- 1)p'.. + (-r\'-'( n .EÍ6 .r.!^r_':i. MOMENTOS Y FI.t:.u.px)2 * 2(X .2] + zEl(X .)¡.(i\*. pág¡na 79.-. página 79.pv)}21 EllX .P)21 + (P ..n)21 E[(X .pl|. Si X* : (X . f)e esto vemos que el valor do (t¡ .ltx.i._i.. . Demostrar el Teorema 3-7. .TNCIONES GENERATRICES DE MOMENTOS 3. Demeshar el resultado (26). = . * t-t'(T)t1"'-. Er(x-'''.r?2..11. La demo¡tración de (I9).(i )/. se ri' y emplear cl Teorema 3-6.py) + (Y . Y y por tanto X gue al remplaz.px)(Y .E(x.-'u \I/ + . = t(4=\ / =./ /\ /"\ = .pi E(Y - py) - o ya que X. \t / \r/ + ..'tut '\'/ + "' + (-L)'-'( t .. (a) puesüo que E(X) = E(x*t ¡r..)"n'-' + (-t)'p'l J \r-r/. página ?9. . y el hecho de que E[(X tt)z1= 3. p{ina 79.14...ar Y gnr -Y .lt:0.px) + (Y .pv)l * El(Y EI{(X Var (X) + Var (Y) px)(Y pvl2) El(X - - pv)l = 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. Demostrar el Teorema 3-6. e¡ decir cuando a : ll.' . * .a)2 pueeüo que E(X .3] ESPERANZAMATEMAIICA 89 3.12.r.. .tt)lo es una variable aleatoria normalizadq demostrar que (u) E(X*¡ = 0' (b) Var (X*¡: 1.\x..t'+ "' + {-r\r\l)r.

.+"-. (o) utlliz¡ndo lrr erpaneión en serie de potencia de eu (8. (r) (zl (I)V e\ = 1_¿+ r+_#*fr_ .. Eltt (o) la función genératriz de momentos y (b) lós primeros-cuatro momentos alrededor del origen.-"'ro. = 2 fo'e<t-z>'d. -T! \ 12 rg t + tU(x) + ae(xr) +¡a1xa¡ a .* pL=1. Demostra¡ el Teorema B-9..*rá#*u.ú3x3.*#.r ze<t-Dt : -T=Tlol@ = z li't<2 z-t. !utt" quc X. ffirol.) * .e t-oma¡ los valores 1 y .. = L+tlt*uL#*ri#*. = .Lf".2'..(. (o) Eqetx¡ = . = L*pt*uLr4.16.17.. página g0.t (D)Tenemor hsonce¡ et = e_t t+r+#.._" 3.. ¡á=0.'.rfr. Pcto Al comperu Mx(\ tenemog t!:0. g s.(á) = |G. cualguier función de X y cualquier función de y son independientes.16... Todo¡ los momentos impares 6on cero y los pares Eon uno. p'+=L.*#*.1 = .... (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 . La variable aleatoria X pugd.*"-. página g0. (b) el resultado (g2).) cn(ú - o)" cn = i. Y ron independiehtee..r|r*frr. 'r"') \ .90 EspERANzA MATEMATToA [cAp. 8-18. Apéndice A) tenemoe Mxe) = E(etx¡ = n(t+tX-t2x2. M(t) = Eletx¡ = f" J eEf(t)dr fo" ""1. una variable aleatoria x tiene función de densidad dada por f(r\ = {z'-" [0 (ol r>0 r(0 momentos alrededor {4t* (o) la función generatriz de momentos y (b) los primeros cuafuo del origen. Demoshar (o) el resultado (Br ).-'.I con probabiüdad 1/2 cada uno. For t¡¡to Mx*vQ) = Elet(x+Yr) = E(etxetv¡ : E(etx) E(¿tv¡ = MxG) My(t) 8..

8?b B6eg 8?50 ztcy q\. = E(X) =#Í""*z¡s-¡z)itr =f pL tt = Elxz¡ = # 1"" *rn - s2) d.*L*!-L*!*.) = \ -. al comparar términos. Jo "ot.17..\.r)\B/ -t\Ei _ ^.. 2 4 8 p'n 16 Pero M(t) = * tt + uí#* rtfr+ tt^fi+ "' = P¡.\51 . (b) alrededor dc la media.21.1!) * r/9)' 85 ".216 -r./!\.'. /t = \. Hallar los primeros cuaho'momentos (c) alrededor del origen. : c¿.".19. = 27-s\s5. .. tti = *..i¡en. Por tanto. = .20.17(o) al remplazar t : i<¿ 3.*.r. = 2 ^f FI.Lp. = . 3] (b) S¡ lúl ESPERANZA MATEMATICA 91 ( 2 üenemo¡ z_t z L_tlZ 1 I = './+b(.r. 3. '. "\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 ." = B t.'''-r2)/8r :"=i. p6gin 80. = l(3.(l) -.(+) * .. pi (b 12) dr = -51 ) Utiüzando el resultado (27\.'.".216 pi = E(Xr) = . para unava¡iable aleatoriaX con función de densidad r(r) (c) = i.cAP. Halla¡ la función característica de la variable aleatoria X del Problema 3. La función característica está dada por Eteiux.". tenemos ttl t2 = r-(*)'= # = 02 Fr . El resultado también puede obtenerse del Problema 3./ \ -/ = cosa coso empleando las fórmulas de Euler ¿io con 0 * isena s-io = cos./!\'_ .'NCIONES CARACTERISTICAS 3. t = )2.-+e i.

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

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

.rrrr. la función de probabilidad eondicional de Y dada X : 2 es ftutz) = Entonces la esperanza condicional de Y dada + 2.(rlytdr = í"'"(#*S* El=a\ 3.29. f u'. X: 2 es E(Y =2) "x = ? r(+) X: donde la suma se toma sobre todo y que corresponde a E(y. = var (y) = E(vz¡ _ l'(y))2 = t# _ (#)' = t.a varianza pedida (segundo momento alrededor de la media) es 12 z"\'/zu\' =18 E[(v-pr)zlX=r] = f'w-td2fz@lr)da = ('/ Pz"'=J..x=2) = -. Presentaremoe la demostración para variables aleatorias ecntirruas. * a) dr tru = # otr ..\r-. página 61.var(X) = E(xz¡-ll(xtl2 = #. Hallar la esperanza condicional de Y dada X : 2 en el problema 2. . pág¡na62.28. La demosbación para variables discretas es semejante si ee remplazan las integralee por sumas. .27.94 ESPERANZA MATEMATICA fu'=o [cAP.g. * v) dx da = cov(x. DESIGUALDAD DE CHEBYSHEV 3.y) = E(xy)-E(x\E(y) = ?-(?f)(*t) oxy = -# -0.)\t)* J_- donde hemos utilizado el hecho de que ltz: E(Y lX: r) :2. (o) (ó) E(ylX=r) = Í-_afrtuldau = ír'r(rr")* = + E(xly=y¡ = f_-". p= oxoy -200l3969 /50s615e6-0 {r6únsn -200 t/zsnr/te zzs = ESPERA}IZA. pág¡na 62.rrr. Esto oru o"oo oo.# E(xz¡ =h Í. VARIANZA Y MOMENTOS CONDICIONALES 3.=o.^:.zlB del Problema 8. Como en el hoblema 2.(#)' = *tq*$ o2.(#).(ui) .03129 aprox.za condicional de Y dada 2(L-ys¡ 2(l+y*y2) --¡O+7I- x para eI problema 2. 3 (d) (el u') b) (h') (t oxy =# E(Yz¡ = h f.2g. [. .2g. Demostrar la desigualdad de Chebyshev."=.(#).28(o). Hallarlaesperanzacondicionalde(c)YdadaXv(b)XdadaYenelProblema2.27. Hallar lavariar¡.pág1na62. Si f(r) es la función de densidad de X entonces .(iu) = ii 3.30.

+E(x")l = L(nt) = = Var(Xr)*. Entónce¡ P1x ¡. (b) Utilizar la desigualdad de Chebyshev para obtener un límite superior de P(lX . el valor de la integral solamente puede disminuir cuando el int¿rvalo de integración se reduce.cAP. ". Por tanto 02 t¡z-ttlZe rlr-yl=.¡rl > 1). Para la variable aleatoria del Problema 3. . '|.t)/ = .) así que t'" (+) = 4 var (s") = * X: Sr/n üenemos _/ls" | \ donde hemos empleado el Teorema 3-5 y una extensión del Teorema 3-?... Tenemos E(Xrl = E(X2l = .) = o .¡.|ww.*Var(X. | \ _ ul=_ .) = ¡toz tt Var(S") = Var(Xr*'.04e?e = plr- = 7/4.32.(-:.18.ul=') 02 esto se conviertq. = E(X) = p Var(Xr) = Var(X2\ = "' = Var(Xn\ = o2 Entonces t(*) = "(*'*'. La desigualdad de Chebyshev P|X-pl > f) resulta P(lX¡r] = 1) < oz = 0.31.rl > 1) y compararlo con el resultado en (a). En la práctica la desigualdad de Chebyshev se emplea para dar estimativos cuando es inconvenientc o imposible obtener valores exactos.. ¿lr-al=e Pero Ia frltima integral es igual a P(lX - pl ? .25 Comparando con (o) observamos que el límite dado por la desigualdad de Chebyshev e¡ ba¡ta¡te crudo.*X. DeI Problema 3.'..(l*-*l \t o2 =t)/ = 1-(1-e'r) = p2 e-s = 0.x.t+. ¡¡ (o) = 1/2. LEY DE LOS GRANDES NUMEROS 3. página 84. Así por la desigualdad de Chebyshev con Tomando el límite cuando n ) -. Por tanto P(lX-rl > 6) 3.'*"') .).* .|) ol ¿l \l \ o = J¡ | f :l/2 Ze-udr = 1 - e-3 Portanto (b) Del Problema 3.18.18. como se pide. /ts r|. (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. Demostrar la ley de los grandes números establecida en el Teorema 3-19.t <1) = "(l*-*l ..

.33.3 OTRAS MEDIDAS DE CENTRALIZACION 3.?3 aprox. . una va¡iable aleatoria discreta tiene una función de probabilidad f(r) : !12' donde 2. (b) La medianaee 1.¿rL 81 -_l = 'r2) df ar. y (c) compararlas con la media. que ea La moda pedida.84.62 apror.[. que debe enconharse entre 0 y B. = fr: aegunda derivada. l(r't 3. es Í: L.9 - -'l 86 - 8l l2r2 = u Entonces . r. El máximo relativo de la derivada es cero. (a)/ La moda es el valor de 4 asociado con la probabilidad más grande. P(x<a) Igualando eeta = *. La moda. . . eetá dada por = n-Zr/. la mediana y la media se muestran en la Fig.. Ahorapara0(a ( 3. r: 1. (c) Comparar la moda" la mediana y la media. 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.96 ESPERANZA MATEMATICA lcAP. (o ) La moda se obtiene hallando donde la densidad f (x) ea máima.36='ñ¿r ze) az de donde o = sli{z- q Por tanto la mediana pedida. (c) ' E(x) = + ('¡z(g-xz\da = !(t*-+)l'= 8l\ 5/lo 8lJo que prácticamente ee igual a la mediana. Halla¡ (a) la moda y (b) la mediana. Ob¡érvese que este valor da el máximo ya que la -24x 187 . 3-6. ea negativa para x = 1fá. En este caso probabilidad esLl2.60 = 1. aquel valor deo parael cudlp(X é a): ll2. para el cual la ."on-r2tdr = #(Y-t) 2aa_36a2 all2 hallamoe que *91 = 0 de donde _ia2 = 36a\436P-4(2X81-) . e8to e3 f(r ) ocurre dondc . (b) Hatlar la mediana.

I.0 : 3. Por coneecuencia escogemos el punto medio del intervalo.'"¡)a' = SESGO 0.-1998 0. Determinar los valores de la (c) décima.35 los valores de la vigésima quinta y septuagésima quinta percentilae son 1. Hallar el coeficiente y (b) curtosis para la distribución del Problema 3. Entonces E(lX = D.")] d' + Í.a septuagésima quinta percentila es el valor de ¿ tal que (18o2 - a4 ¡¡8t: o @a.Portantacualquie¡númeroentrel y 2 podrfa representar la mediana. Y CURTOSIS de (a) sesgo 3.19. (c) Del hoblema 3. (o) Puesto que todos lós valores ¡ ) 3 tienen probabilidad cero. En forma análoga puesto que todos los valores ¡ ( 0 tienen probabilidad cero.60 : 8/ó. (b) Por el Problema 3.".655 apror. Por tanto el orden de las tres medidac es contrario al del hoblema 3. = - p|) = l_".t):ll2. M..121 reepectivamente. (c) Como se encontró en el Problema 3.68 aprox.36.33 la media Desviación media ee lt : 1.3. . (b) el recorrido semi-intercuartílico y (c) la desviación media para la distribución del Problema 3.33(b) tenemos (o) LadécimapercentilaeselvalordeoparaelcualP(X5o):0.10.25. Del hoblema 3. o sea ¿ 0..35.1253 3693 8750 (a) Coeficiente de sego -: o.l0.b1 aprox.37.esdecirlasoluciónde(18a2 : 0. :.P(X=r):l12yP(X. (b) La vigésima quinta percentila es el valor de a tal que (L8o2 P\X<a)=#(Y-fl = "# aa -a4¡¡8t \l8L : O. : 1. tomamoseluolor móximo de ¡: 3.19 tenemos 02 ll 25 It3 oo - 32 8?5 -0. Entonces el recorrido es 3 .r :: .3l ESPERANZA MATEMATICA 97 (b) Si¡escualquiervalorentrely2. PERCENTILAS 3.33.cAP. (" .n "¡fa' = Í^" (. OTRAS MEDIDAS DE DISPERSION 3.098 y 2.098 aprox.)[#'n .r - pl f (n) dr = l"' l' .? 5.l : 2. tomamos el uolor mínimo de ¡ : 0. es decü 312. : 2. (b) vigésima quint4 (c) septuagésima quinta percentilas para la distribución del Problema 3.33 hallamos que s : 0.")[#. Por tanto Recorrido semi-intercuartflico = ?121 ..33.33. a (c) f.o . Determina¡ (a) el recorrido.*l[#. Empleando el método del Problema 3. Del Problema 3.L21 aprox.

ú"r**:r..página 80..¡ rru. De (32).. que tiene una curtosis de 3.¿...u-¡ .rf t1o k+j k---j Por tanto rt ¡ P¡ . ._ ...i)o ¡f... " t*''L i:.l l''.. ¿ k icr_.Z.x¡ ¿ior¡ = - i -) r^.1.j . . 3. es algo menos apunüeada que la 3€.(ar tra -= k =S o*Ja " ¿i{r'. Qk¡).{o) r/o Con frecuencia llamamos Q$. .l ¡rt" ... . .. J. PROBLEMAS DIVERSOS 3. respecto I @ desde 0 hasta 22. ti = M'(ol Entonces de (27) tL = M"(o) p = Iú'(0) 3. ... f tl' . o1_o o.r-. También la distribución distribución normal.(".Iu-| é(o) E1er. Del Problema 3..." . pk 1 12= T.> ]¡xeik. . yp¡ los coe¡icietttes tte iour¡"r. n2.t_ | eú . remplazaudo j por h.1.tlZ Se deduce que hay un sesgo moderado a la izquierda..' '^'y'. coS c do -e ':.Para una variable ¿leatoria continua. f-ri". = .38... Utilizar el Problema 3. . .98 ESPERANZA MATEMATICA lcAP. = I#+i:"-o 2¡ tt'' sr(. = 2¡p f -o --n .n.40.39 I pt. = o" = M"(0) - lM'10¡12 1. X una variable aleatoria que toma los valores t n.. puesto que f_"n. y la varianzaes 02 : M"(O)-ÍM'1O¡12. (b) Mulüiplicar ambos lados de la expresión (r) ...39 para obt€ner 14 distribución de probabilidad de una variable aleatoria X cuya función característica es O(<¿ ) : cos . (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 -./" . - I zt.3 (b) Coeficientedecurtosis = et :. Sea p. 4¡ J.1. la serie de Fourier se rernplaza por la integral de Fourier (véase página 81). tenemos remplazando r : L y r : 2...39.. Si M(tl es la función generatriz de momentos para una variable aleatoria X demostra¡ que la media €S g : M'(O.r i r)d (¿@ I ¿ir r 1.. . "" Entonces j f'= " -iia 4. como se indica en la Fig.

/g\ = {.2"-22/2¿¡ ¿u = + 'to f'sz¿-x'/z¿. = Z Jo {i .1"/1) = r \/. \ Fig. 3-? (b) Tenemos p. = h Í. Por simetrÍa. Por tanto el coefi- La di¡tribución tiene I¿ apariencia de la Fig. .\2/ {.cAP. (.20..k:-1hall¡mogp-r=*.x2/2 ¿. (r |.. Por ta¡¡to la va¡iable aleatoria ectá dada por X=) Comó una verificación vúas€ hoblema 3. # to' '"t2"-'d'o B L 4.3l ESPERANZA MATEMATICA 99 Si&:lhallamosr'=$. Iülla¡ el coeficiente de (c) sesgo y (b) curtosis con densidad de la distribución defrnida por la curua normal.si." *. 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. = E(xz¡ = -+ ¿l" l/2r -.2. {2¡ or.. "_.41. Análogamente obtenemos ti = E(xr¡ = h fl= o. 2 2'\2/ = . cientc de sesgo es cero.'\2/ Entonces = EI(X.= -z-rll) . 3 Por tanto el coeficiente de curto¡i¡ e¡ -i-ó .1"/l) = -{.8. con probabiüdad Ll2 con probabilidad Ll2 -r 3./.)21 = E(X2) = pí = ps = qllX -p){] = E(X4) = p'n -o2 'lt4-.p. (o) f(t)= l¿-"'" l/Zn- -co<n<e l!\ : llt = O y lt\:0. 3-7.Pa¡alo¡oEdvalore¡dektenemo¡p*=0. -f rz ¿.

!\'Entonees el lado izquierdo puede escribirse El¡.47. (b) E(Xz *)a2).49.Y El(Y _¡v)21 c(X - Px))21 = 0 / ol.. .x)(Y- pv)l = + c2al - 2co*.( ". Y variables aleatorias indeperrdientes cada una con función de densidad fZ"-¿" f(tt) = II 0 Hallar (o) u>0 de ot¡a forme E(x+Y). (b) E(Xr). 3. Una variable aleatoria X se define | -2 prob. I 1 3. Para cualquier constante real c tenemo¡ . + n?. 1/3 por . -2"":'\ -" -* \"r* ) -/ = oí+oil"-. * c2El(Xr ¡x)21 . 9. (c) E(XY).zcEl(X.100 ESPERANZA MATEMATICA p [cAP.46. (b) E(zX + 6).r\' Para que Ia última cantidad sea mayor o igual que ce¡o para cada valor de c debemo¡ tener 1 ó -1 < p < l. I Problerna."Í\"-.44. Sea prob. 3.42.-". 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).Y = ] 3 prob.45. (c\ E(Xt). = o?. (bl E(}X-21. (c) E'l(X-1)21.otr ___q__ . Una variable aleatoria X tiene la función de den¡idad (e-' r>0 /(r) = {l0 ^ ¡(0 Hallar E(e2x/31. (cl E(X21.¡.{) * -. La función de densidad de una variable aleatoria X es /(r) = (e-r r>0 de oüra forrns 10 Hallar (o) Eo(l. Demosbar que -1 < s1 (véase página 82). Hallar (a) E(XI.48. / .zl \ 'xv\2 "i" "x/ --t-"i = ""*"1-o'*"=-0 ó *=1 '7ní queesequivalenteap2 < "'*"?. ll2 .3 3. ¿Cuál es el número esperado de puntos que resultan en 3 lanzamienüos sucesivos de un dado honrado? ¿Parece razonable su solución? Explicar.s suplernent&rio s ESPERANZA DE VARHBLES ALEATORIAS 3. g. Sean X.

3l ESPERANZA MATEMATICA ¿Se cumple 101 3. Sean X. (d) E(X2t'). ¿Se cumple que (c) E(X + Y) = EIX) + E(yl.E(X) E(Y). 1/B prob. Sea X una va¡iable aleatoria con función de den¡idad (1/4 -2f x=2 l(rl = jo deotraforma Hallar (o) Var (X). (b\ E(XY) : E(X) E'(Y). = I Z [ -_r Hallar (o) E(Xt+ prob. Sean X1 . Si /(t. (x) = io x>-0 de otra forma Hallar (o) Var (X). 3.66.49. 3.'. Xn n variables aleaüoria8 que están distribuidas idénticamente tal que | 1 Xt. Sea X una variable aleatoria con función de densidad f (e-. 3. en el Problema 3. (d) E(XY). * Xil.51.XY\ 2 = E(X) E(Y\.2/3 v) | 2 i -a prob. s) = ] : de otra forma |0 Y). ¿Se cumple que (o) E(X + Y) = E(X\ + Sean X. . .cAP.. E(Y\. que (o) D(X + Y) = E(X) + E(Y).7/2 prob. (b) "x. 3/4 prob. VARIAT{ZA Y DESVIACION TIPICA 3. 3. tc)E(X+Y\.0lyf 3. . (f. 1/6 Xzl .(zr+y) 0<r='I.53.62. 1/3 \o prob. (b) E(Xy) -.54. (b) E(. en eI Problema 3. 1/4 Hallar (o) E(3X+2Y). Y va¡iables aleatorias con función de densidad conjunta Hallar (o)^E'(X).50? Explicar.58. (b) "x. (c) E(X-rY). en el Problema 3.0=tt<2 lr(t*u) l\x'a) = f deoüraforma 1o (b) E(Y). Sean X. Y variable¡ aleatorias independientes tales que ^ vt || prob.57. (b) E(Y). (ft E(xY). (b) E(2X2-Y2). (ó) E6?+ X'r+ . 3. 3. + Xn).69.52? Explicar. 3.. X2.55. 0f s<I. Y va¡iables aleatorias con deneidad conjunta f(r'al = iat' Io o-<:us1' o<tl<1 de otra forma Hallar (o) E(X). (d)E(XY). (cl 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. 3. . .48? Explicar.50.

(a ) 3. Si X tiene función de densidad ¡t") : -i (l/(b-a\ O a'=r=b de otra forma. 1/2 prob.61. (c) o¡. (b ) ox.60. En el Problema 3.62. demostrar que el 3o. 3. Demostra¡ el Teorema 3-11. 3.70.r02 3. (á ) Problema 3. (b) Problema 3. 3. Hallar (o ) Var (X ). ESPERANZA MATEMATICA Hallar la va¡ianza y la desviación típica para la variable aleatoria X del Una va¡iable aleatoria X tiene (a ) [cAP. 3.44.67 halla¡ los primeros cuatro momentos alrededor de la media.. (b) de la media.(0)]2 - 3[M'(0)]4 FUNCIONES CARACTERISTICAS 3. - 1)2] = L0. 3. 3. 3.6 hallar (a) E(X). E(X2 ) : 8. Hallar el hésimo momento alrededor (a) del origer^. Si M(ú) es la función generatriz F:t de momentos de la variable aleatoria X. 1/2 -tn primeros cuatro momentos alrededor del origen.01 - 3M"(0) ¡l'(0) + 2lM'(0\13 Ifrivr(Q) 4M. E(X): 2. 3. g Problema 3. 3.68. (b) Var (X).67.66.44..43.64. Halla¡ Ia función ca¡acterística de la variable aleatoria (a X = 7 ó I prob.'(0) ¡f. y 4o. Hallar (o) la función generatriz de momentos de la variable aléatoria x = y (b ) los ( U2 1 prob.7 lxl I a deotraforma 4.43. MOMENTOS Y FUNCIONES GENERATRICES DE MOMENTOS 3.65. momentos al¡ededor de la media están dados por = p1 - ItI"'(. Ei6 - .71. (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. Hallar los primeros cuatro momentos alrededor de la media en el Problema 3. p Prob' g=L-P Hallar la función característica de la variable aleatoria X que tiene función de densidad í'llZa f(r) = 1o 3.72. Hallar la función carar:terística de la variable alcatoria X con función de densidad f¡): (x/2 io 05rtZ deotraforma .(0) + 6M"(o)lM.73. 3.63. página 77. 2\21 Si una va¡iable aleatoria X es tal que E[(X Demostrar el Teorema 3-1. página 81.69. (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.

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)

96.. 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. Si hacemos que Z sea la variable normalizada correspondiente a X.".68. 4 En este caso decirnos que la variable aleatoria X está normalmente distribuida con media g y l. ert (z). A parür de esta tabla se pueden encontrar las á¡eas entre dos ordenadas cualesquiera utilizando la simetría de la curva al¡ededor de z : 0. Tenemos z de la variable tipificada el wlor tipificado. P(-Z=Z<2) = 0.z. Esto quiere decir P(-1<Z=L) = 0.2 y 3 desviacionestÍpicasde lamedia(esdecir entue z: -1y * L.u y F(z) : á['.. En esta representación gráfica hemos indicado las áreas dentro de L.-. La función de distribución correspondiente está dáda por F(z) = P(Z < z) = I t/2" Í'-"-.9545.451/" y 99..6827.110 va¡ianza DIsrRIBucIoNEs DE IRoBABTLTDAD coN NoMBBE pRoplo [cAp.-2y I2. *t(ft)] (e) En la Fig.73% del área total. (r) Este resultado se conoce frecuentemente como la iunción o la distribución de densidad normal tipif!eada. P(-3< Z<3) = 0.99?3 (10) ¡$$.46%.Nl/s-> 96. du = + # fo' .z: + . algunas veces conocida como la curva normal tipificda.27%.8 yque3) las cuales rcn iguales aJ.73% Fig.. : . 99. que es uno. La función F(z) eú(z) = z-frÍr' e-u'd. 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. resultando de f(z) : le-"'" V2" . 4-1 se muestra una representación gráfica de la función de densidad (7). du (s) se Algunas veces llamamos al valor encuentra relacionada con la función enor. En este caso la función panZ puede obtenerseapartir de (4) alremplazar! = 0V o: 1.

.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. .t7). La aproximación es tanto mejor conforme aumenta n. se llama la distribucíón dePodsson (en memoria de S.rup)ll/nfiqes t¡m P(a= (12) normol asintóticamente... 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.D. . Poisson. En la práctica la aproximación es muy buena si ambos np y nq son superiores a 5. 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. tal que la función (1g) de probabilidad de f(r) = P(X--x): {] r=0. Esta airi¡Uu"iór.. donde tr es una constante positiva dada. 2. Tabla 4-2 Media Varianza Desviación típica 02 o Coeficiente de sesgo Coeficiente de curtosis 0l=0 01 D Función generatriz de momentos Función característica II(t) : ettt+(Ú2t2/2) é(r) = "itto-'{'r2a2/2) RELACION ENTRE LAS DISTRIBUCIONES BINOMIAL Y NORMAL Si n es muy grande y ni p ni q están muy próximas a cero. ALGUNAS PROPIEDADES DE LA DISTRIBUCION DE FOISSON Algunas de las propiedades importantes de la distribución de Poisson qe presgnf¿rr en la tabla siguiente. decimos x -'p . (Véase Problema 4. El hecho de que la distribución binomial tiende a la distribución normal puede describirse aI escribir Literalmente. y en el límite es total. . DISTRIBUCION DE POISSON Sea X una variable aleatoria discreta que puede toma¡ X esté dada por los valores 0. que da los valores de e-r para diferentes valores de ).. o utilizando logaritmos.¿r) : L J" f"-u2tz ¿r. n+€ \ vnpq / 1/2n que la variable aleatoria tipificada (X .cAP. Los valores de f(r) en (13) pueden obtenerse empleando el Apéndice H. 1.2. L.

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

.. Ar.. que es Ia variable tipificada a normal asintóticamente.. es Si modificamos el experimento anterior de modo que el rnuestreo sea sin remplazamiento.-.. rr] . q --..demodoque X1 -lXz* "'*Xt = +. esto es .x:-2. + ph)" .:1" SiXl . laprobabilidaddeobtener uno es ESta distribución. E(Xr) : rlp2..x.en ét cü¡ se to...il \?¿i (b\( r \ (1e) Esta es la distribuci.. es Xr..+ p. la variable aleatoria (5"-np)/"1/ñ. Xr.4. 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.. por ejemplo.--r.pedondePt.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 113 es decir. Xr. + .AppuedenocurrirconprobabilidadesPt..cAP. respectivamente. es la función de probabilidad Xr. que es una generalización de la distribución binomial.Pz..l. . + flh : f. entonces p(x _ rl = V¿lu\r* .. se cumple cuando son variables aleatorias independientes con la misma media y la rnisma varianza pero no necesariamente distribuidas idénticamente..Xr. .. Xr=nx) : nr. se llama la dístribución * pz * "' 1.3.. escoge una bola aleatoriamente. S.*Pz Xe sonlasvariablesaleatoriasrespectivamentequedanelnúmero devecesqueA¡.A2..1.ón hipergeométrica.uv. n" entonces P(Xt.* (16) n. * n. .Ak'ocurraennpruebassonnpr.llt.5 y6exactamentedos veces cada p.'rXk.. conjunta para las variables aleatorias multinomial puesto que (16) es el término general en laexpansiónmultinomiald" (pt EJEMFLO 4....ftPn E(X1\ -' np1.. El teorema también DISTRtrBUCION MULTINOI\{IAL SilossucesosAl. es verdadero bajo condiciones más generales.Az.An ocurreenuntotaldenpruebas..P: ¡'/\b + r\. = 000344 ElnúmeroesperadodevecesqueAt..-6P\'P')'' "P'.2.. .3. Xz:Tt2¡ donde .. entonces empleando la distribución binomial (/ ) vemos que la probabilidad de r éxitos es (r 8) ya que p: bl\lt'tr).hPz. se mento...hur(. Si un dado honrado se lanza 12 veces.Xo=2\ = z.. decir las bolas no se regresan a la caja después de seleccionarse. La media y Ia varianza paxa esta dist¡ibución son . 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.=Z..xix*x¿xlxá)' #.

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

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

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

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

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

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

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

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

1. 4./ ) _)p. Si X está'distribuida binomialmente.n" .:: =:"0. (b) 0.p:0. Si el 20 % de los tornillos producidos por una máquina son defectuosos. La probabilidad de un tornillo defectuoso e8 p :0.. sean defectuosos.4 Número esperado de familias con 1 ó 2 niñas = tZOOOill) ' '\ 6 / \/ = 125 1250 (d) Nfrmero esperado de famiüas sin niñas = (2000)( i ) = 4..l# = fr X que está distribuida Hallar la funCión generatiz de momentos de una variable aleatoria binomialmente..detalmodoquelaprobabilidaddenoTenunsololanzamientoesq:1-p:516.8)r = ¡. Para una secuencia de n pruebas de Bernoulli definimos n /n\ '?n ('/tr"')'0"-' (a -l.. = 1:)l+Y/q\' \"/ \"/ \6/ - r25 216 y 4.2. = = Método 2.nba j-ésima si éxito en la prueba j-ésima U=1'2.n) .q" . Médodo 1.46e6 ffi ? .r. de un tornillo no defectuoso va¡iable aleatoria X el nl¡mero de tornillos defectuosos. f (r) P(x = r) = (!\o. HaIIar Ia probabilidad de obtener un total de 7 al menos una vez en tres lanzamientos dé un par de dados honrados. Sea la (o) P(X: t) = (rn ). página49).L22 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.46e. (c) menos de 2.8.8)a = s.rt't0.. P(al menos un ? en tres lanzamientos) = | ....6. Entonces es g : I . \r/ Entonces la función generatriz de momentos está dada por M(t) = E(etx¡ = )etxf(r'¡ n /n\ = ¡=0 .pet¡" Xi ' |0 {[1 si fracaso en la prr.'(\*. (ü) p(X = 0) = (c) P(x <e) = (fi)to.0. determinar la probabiüdad de que de 4 tornillos escogidos aleatoriamente (a) 1.6.' (0.0.7.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.

con S. y1 E(X) = 0q*Ip = var (x.t/V6d. entonces F = P(lX. tt = flp. LEY DE LOS GRANDES NT. Por tanto la desviación tipifrcada o = y'56 = 6.n) (Q Entoncee por el Teorema 3-9. página 83.) Í+ó \l ?¿ -l = / = 0 El resultado también se deduce directaménte en el Teorema 3-19. si X es cualquier va¡iable aleatoria con media tas.1 ):40. . o - {-npq. págirra 84.)l*. v (3 ) se convierte en P(lz -.'EBAS DE BERNOULLI 4.y (I)rc convierte En particular si X tiene distribución binomial o de Bernoulli.38) o direetamente de la función de probabilidád (véace Problcma 4. de Los resultados anteriores también pueden obtenerse (pero con má¡ difrculüad) derivando la función genaetriz momentc (véaee Problema 3. li* Pll{-. Por la desigualdad de Chebyshev.1.)(0.i)'== .npl > k1/i-npq) < i ó (3) Si hacemos c = k \l T.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L23 de momento¡ Entonces las X¡ son independientes y tenemos X: Xr * Xz *. entonces ¡.la ley de los grandes números (en forma débil) pa¡a las pruebas de Bernoulli. como se requiere. (o) Medialt:np:(400)(0.L52\. Si la probabilidad de un tornillo defectuoso es 0.1.e*pet M(t) = M tQ) LI2Q\' ' ' (i=1. Pa¡a la función geraeratr:iz Mj(t) = stoqlettp .IMEROS PARA LAS PRI. halla¡ (a) la media y (ó) la desviación tipiticada para el número de tornillos defectuosos de un total de 400 tornillos. = X.9) : 36..lro.t y varianza 02 Íini- (r) en tol P(X-11 -ko\ flp.1 = . .. tenemos.) / \ 14 'l y tornando el límite cuando n -+ @ = 2+ ¡4r.cAP.) + (r - p)2p = i)".. o =.esdeciresperamolque40tornillosesténdefectuo¡os. ." *Var(X) = npq donde hemos utilizado el Teorema 3-7 para o2 . 2.2.10.8..q Entonces o2 p:E(X)=E(X'\+E(X2)+"'+E(X")-np = Var(X) = Var(Xr) *Var(Xz) +. Procediendo como en el Método 2 del Problema 4. M"(t) - 'f pst¡n 4. :-. Demostra¡ que la media y la varianza de una variable aleatoria distribuida binomialnente son p: np Y o2 : npg respectivamente.'* Xn...9. (b) l'Iananza o2 : npq: (400) (0. n. 4.. página 80. Demostrar el Teorema 4-7.7 tenemos para/: L.i .

11.as 0. 4-3 (b) Area pedida : área entte z : O y z: *0. (d) entre z: 0. [. Halla¡ el área bqio la curva normal tipiñcada (a\ enfte z: Q y z: 1.0.68 sz=o) = -! l'o {2¡ J = | r' -o. El recultado. ee el área pedida y representa la probabilid¡d de que Z eté entre -0.12.28.C. 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. Por tanto .81 0.4738 - : 1.gg4g z=O .3849.(b) entre z:-O.81 = Z = L. proceda a la derecha hasta la columna 8.. \.46 " 1 e-u. (c) entre z : -0.46 y 2. (e) a la derecha de z: - L. = "-u!/t 0.21. Por tanto P(-0.2910 = 0.46 y z: 2.6636 e-ú'/! clu = 0.+e "-u2t2f.i77Z + 0.68 (por simetría). DISTRIBUCION NORMAL 4.941.46) * (área enbe z:0 y z : 2. baje por la columna ma¡cada con z hasta alcanzar el valor /.81y z = L.=12 Fig.68 y 0. Por tanto P\0=z=r.4 4. El resultado.L24 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.¿ ¿-uzr!¿u = -! Jfo \E = ___1__ -o.94) O y z = 0.a'ley de los grandes números establece en este caso que la probabilidad de la proporción de los 3 en n lanzamientosdiferiendodel/6pormásquecualquiervalor€)0tiendeaceroamedidaquen-+€. 0.u + t/2" 'lo + ('"' "-u2tz 1¿4 2l 10. Entoncee.6636. P(-0.2.68 "- u.2) = | {u ¡rz Jo ¿r. represenüa la probabilidad de que Z eaté entre -0.Luego proceda a la derecha h¡sta la columna marcada 0.4864 : 0.211 = + (''" {2r .2. .46 f ZÉ2.1828 O yz ) lo mi¡mo que P(0. baje por la columna z basta alcanzar el valor 0.25f ? El área.(área enhe z :-0. es el área pedida y representa la probabiüdad de que Z estÉ ent¡e O y 7.!772 + 0.68 y z : 0.L (o) Utiüzando la tabla en el Apéndice.ildlt + _= |^2 ¿¡ = O.27.94.2I) : O.2L) : (área entre z : O y z : 0.4964 | t/Zt Js \/2r Jo "-uz/z 1 (d) Area pedida : (área entre z : : E¡to es - (área entrez : 0.rz¿u (c) ñ J" Area pedida . 0.t _o.6. Por üanto'.2517.46 y z : O) * (área ent¡e z : O y z : 2.

Area entre 0 y z es 0.O2l7 : Entonces el á¡ea entre z).5 y z sea 0. hdlar el número de estudiantes que pesan (a) entre 48 y 71 kg. o.L6.5)/10 68.:1Tí"11u (área entre 0 y O.3997 + 0.16.5.5.5 y z : 0. Si "área" se refiere al área bajo la curva nonnal tipifrcada. Suponiendo que los pesos están dishibuidos normdmente.0217. o.0.4332- : 0.5:0.28'y z = O) T 1área a la derecha de z : 0) = 0.30 47.8621. -1.4-ll -1.4332.69."O. 4.13.35. 4.09. Caso 0.5: 0. (b) Puesto que el área es e-tt/2 du = 0'3770 mayor que 0.5 )/10 .cAP. (o) Los pesos registrados entre 48 y 7l kg pueden realmente tener cualquier valor entre 47. Area entre z v -t'5: 9ü.28).3621.(área entre 0 y z) (área entre 0 y z) 0.5 kg en unidades tipificadas 68. Entoncec la z pedida es 1. el valor 0'3?70 se encuentra a la derecha de la fila ma¡cada 1. Por tanta z: + 1.5 kg y la desviación tipiiicada es de 10 kg. suponiendo que se regis' han al valor de kg más próximo. de lo cual z:1. (c) el área enhe - 1.694 utilizando interpolación lineal.O2l7 + 0.5 y 0' (c) Si z fuera positiva el área sería mayor que el área entre que es 0. El problema es equivalente a resolver para z la ecuación rfz G ). (b) el área a la izquierda de e sea 0.5: 0.5: -2.16 es otro valor de z. Caso 1: z es negativa pero a la derecha de -1.4332- Entonces el área entre 0 y z es cual e: -1. z : -t.4549 y z: l'ig.5 y 0 ) . : (47 . z : -1. con menos precisión.4332. (b) más.0277 (árca entre -1.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROP¡O Area pedida L26 (e) - (área entre z: -t.8621 .5.5 kg.5 y 71.14. Por simetría. z debe ser positiva. El peso medio de 500 estudiantes varones de una universidad es de 68.1 y bajo la columna 6.5 kg en unidades tipificadas : (71. Area entre -1.O2L7 : 0.4115 de lo 2: z es negativa pero a Ia izquierda de -1.7O ?1. 0 y z esO.3??0. por tanto z debe ser negativa. (a) En la tabla en el Apéndice C.4332 :0. hallar el valor o los valores de z tales que (a) el área entre 0 y-z sea 0.8997 Esto es lo mismo que P(Z > -1.de 91 kg.

L26 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.26 a 1. de otra forma las lavadoras se consideran defectuosas.29 .2) .tt)lo: uenlaintegralde M(tl = -= | \/2r J-14q modo quer:¡¡+ dx: o d4 tenemor dt.30 Entonces el número de estudiantes que pesa más de 91 kg Fig.1179 = kS ee 0. suponiendo que los diámetros están dishibuidos normalmente. .275')lO.5 Proporción pedida de estudiantes 91'5 kg en unidadee tipificadas: (91.68. 4-r3 Si W denota el peso de un estudiante escogido aleatoriamente.600 P(W -.26 en unidades tipificadas 1. Sin embargo para doe cifrar significativag los resultados son iguales.10 y z Ol * (área eítte z = O y z : 0.010?): $.1.(área entre z : O y z : 2. = 300.2 : -7. 1-14 Obsérvese que si consideranros el intervalo L.0125 cm.2 L. Hallar la función generatrrz Tenemos de momentos para la distribución normal general.l.30) 0.(área bajo la curva normal entre z : L.2 -77% = 23%.7698 ó O yz : 77% -1.295 cm. r. El propósito prira el cual se han diseñado las lavadoras permite una tolerancia máxima en el diámetro de I.(dos veces el área enhe z : = 2(0.2 Por tanto el porcentaje de lavadoras defectuosaÁ es 10002 Fig.6000 Entonces el nfimero de estudiantes que pesa entre 48 y 7f 500(0.5 - 0.91¡ = 6. (D) toe e¡tudiantes que pesan más de 91 kg deben pesar al menos 91. podemos resumir los resultados anteriores en términos de la probabilidad al escribir P(47.2) yz Proporción de lavadoras no defectuosas . Determinar el porcentaje de lavado¡as defectuosas producidas por la máquina.29 cm como representando realmente los diámeüros de¡de L.29 en unidades tipificadas : : (1.300) 0.5 . M(tl = E(etx¡ = L= Remplazando (x ot/2r J -- (' ette-(t-tD2/2c2 dtr g.4821 + 0.30) : (área entte z: -2.275)l O.600) kg.30 = 600(0. La media del diámetro interior de una muesha de 200 lavadoras producidas por una máquina es 1.9tOt 4.10 y z:0. 1. : Z.O]-25: -1. 4. d1) = "ut'<o2t2/2t (J-ú "-tr-ort" l/2" .26 (1.4893 = 0. .29 cm.0107 es 2.2 .0126: L.16. etrt+oot-tu2/2.3849) = 0.275 cm y la desviación típica es 0.11. (área a la derecha a.26 s 1.266 a 1.4 Proporción pedida de estudiantes : : = (área entre z = -2.I.5)=0.5<W<71.SO) (área a la derecha de z : 0 ) . el resultado anterior se modifica ligeramente.6)/10 : 2.

p94!l y la varianza para la distribución binomial están = 1..-o) l+Y 5 ll)' : . Tqqbié"r!g_. 1-16 (ó) La distribución de probabilidad para el número de caras en 10 lanzamientos de la moneda se presentan gtáficamente en las Figuras 4-15 y 4-16. )\. 4-16 y puede aproximarse por el área bajo la correspondiente curva ncrmal.5 en unidades tipificadas : (2.58: 0.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L27 Entonces sustituyendo u - ot: u hallamoc que ettt+(c2t2/2)( M(t) : + f\t/2" J-* "--.95) (área entre z :-1. Entonces p(x=B\ = P(x ('f)(.58 y z : 0.4429 + 0.) ffi.95 Probabilidad pedida : : z: -1.#*¿%*# 03 = # = 0.5 en unidades tipificadas : (6.68 y z = O) * (área entre z : 0 y z : 0.* "á Ar P(X=A) /ro\/fY/r\'_ = \4 /\z/ \z/ P(X=6) = 106 stz /to\/r\o/r\n _ = (. (b) la aproximación normal a la distribución binomial. obtenido en la parte (o). Hallar la probabilidad de obtener entre 3 y 6 caras inclusive m 10 lanzamientos de una moneda honrada utilizando (c) la distribución binomial.5)/1.X. mostrada a trazos.5)/1.e O. (o ) Sea X la variable aleatoria que da el número de carag en 10 lanzamientos.6.)\. La precisión es aün mejor para valores .95) : O.. Entonces dadas por/r= np=10(4\= 5yo = {nw = y'(10)(+)(+) 2. Cor¡siderando los datos como conünuoe.5 .5 a 6. en la Fig.7734 que se compara muy bien con el valor verdadero superiores de n.¿*\ / = ewt+(ozt2/2) APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 4.7718 (área entre d.58.es la probabilidad pedida es P(B=x<6) = #. La probabilidad pedida es la suma de las áreas de los rectángulos sombreados en la Fig.ó8 : -1.58 6. ro¡ Entonc.E \ /\2/ \2/ =5) = l.17. 4-r5 23{587E Nfrmero de caras Fig. se'deduce que 3 a 6 caras pueden considerarse como 2.)'_ .cAP. 4-16 trata los datos como gi fueran continuog.7784 Probabilidad 2341678 Nfrmero de caras Fig.5 caras.3289 : 0.

0.7 3 280. = .02) . 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.. ¡ rzo\1¡\''l5_\'o' r8 \.3264): 0.6 - 2O)l4.' La probabilidad de que resulte un 4 es p: l16 y de que no reeulte esg : 5/6.6/ r7 \ /\6/ \6/ \ /\6/ Con¡idenndo los datos como continuos que 0 a También . o si conslderamos los datos como continuos. . .)(+) = I 1.250y11.5 en unidades tipificadas : 1-0. suponiendo que el dado es honrado.37) -0. podríamos considerar que la moneda no 4.5 -.5 - 250 )/11.5 en unidades tipificadas 28O.0.02) : : -(área enhe z O Y z : 0.0885 Se deduce que si fuéramos a tomar muestras repetidas de 120 lanzamientos de un dado.5 en unidades tipificadas hobabiüdad pedida .(área entre z : O Y z :-1.1443: 0. 239. o \ i \6/ \6/ -{.5 en unidades tipificadas: (14.mr.5 en unidades tipificadas : : (área bajo la curva normal entre z: -0. l8 cuatros pueden tratarse como tt = ttp = Entonces 120( )l = ZO \o/ /t\ y q = 1/-n7tq ...(lX*) : -5. empleamos la aproximaclón normal.5 se 0.94) : (dos veces el área enhe z: O y z :0.08 .O2 14.- -1..7 3 Probabilidad pedida : (dos veces el á¡ea bajo : 2(0'4968): 0'9936 la eurva normal enb.b.02y z: Probabilidad pedida -O.94 260.4115 : 0.311 : (área ent¡e z: O y z: -5.5 y 260. : 4..5 . entre 239.35) : 0.e z: O y z:2. Hallar la probabilidad de que resulte 4 (c) 18 veces o menos y (b) 14 veces o menos.94 ib) Necelitamoe la probabilidad de que el n(¡mero de caras la encuentre entre22O y datos como continuos.4 4.31-i Probabilidad pedida : (área bajo la curva normal enhe z : -5. remplazando 18 por 14.02 y 2 : -1. o si consideramos : (219.18 : -2.02 18. Un dado se lanza1-2O veces.35) : (á¡ea entre z : O y z : -5. 219.. Entonces -0..5 cuatros. Hallar la probabilidad de que el número de caras no difiera de 250 por (a) más de 10.5.5 en unidades tipificadas : 2. un 4 debe apariecer 14 vece¡ o menos en aproximadamente la décima parte de estas muestras. entre 219.5 y 280. es decir etabacargoda 280.18 (o) Necesitamo¡ la probabilidad de que el número de caras se encuentre enbe 240 y 260.20)14.."p: .6528 = (239.OB tipificadas : -0.'. t.OB pero debido a que el habajo involucrado en la computación es excesivo.73\ por más de 30.(i) = 250 s '= \/ill = . (rzo\/r\/!\'.3? (D) Procedemos como en ha parte (o).18: .L28 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP.. pbr (o) Deseamos la probabilidad del número de 4 entre 0 y 18. .5 a 18...6 . (b) por más de 30.0.3557 -0.94):2(0.5 en unidades : (área bajo la curva normal entre z: -5. Una moneda honrada se lanza 500 veces.18.19.5 en unidadee tipificadas :-5. Esta se encuentra exactamente ¡rzo\/f\"i 5\'o' .94 y z: 0.(.

Entonces donde E(X) /-\ (I ) se convi'erte en rl Entonces cuando ¡. n/\ n/ \ en tanto que ('-+) +. = "-^.cAP.er = 1 y se completa la verificación. dado que ).I \n/ / r \ ¡-¡ ) n1@. Segundo.20. 1'-t)/'-?). ' . Otro método. 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. obseryamos queP(X: ¡) ) r=0 O para r = 0.rl ('* i) = Se deduce que cuando n (2') / \¡ eu - pero I permanece frjo (es decir p -+ 9¡ P(X=r) + ¡:q. . entonces (f) P(X=r\ = l'"lqrq¡-r \r/ : np. Hilgase ¡.. Si X está dishibuida binomialmente. Establecer la validez de la aproximación de Poisson a la distribución binomial. página 80.+:: ¡=(l ' ' e-).i)-' + m/ \ \ cálculo = €-tr empleando el resultado conocido del ./ \ --> = (r-\)'1t . que ee la distribución de Poisson.-r)" r?. 4.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L29 DISTRIBUCION DE POISSON 4. ) 0. . (¿-r)(1) /. Verificar que la función límite (2) del Problema 4.20 realmente es uná función de probabili' dad.. : rtp de modo que p : I/n. 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. tenemos >{] !a1*="¡ = t=O -. . El reeultado pedido entoncec ¡e deduce utilizando el Teorema 3-10. Primero.'ir . 1.21.

np)/l/nW y la función generatriz de momentos Eletx'¡ E(et<x-nú/t'/-nil¡ tnnr rliii g 1"txrl noÁ ¡ "" = e-tnpt.. Entonces de acue¡do con la distribución de Poisson I¡¿- P(x--x) . t ¡t qn.130 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.re = (10)(0. )r.180 (b) P(X>2) = 1-[P(X=0) *P(X:1) +P(X=2)] _ I fzo¿-z.001) :2 _ 0.r¡r1s.18 En general la aproximación es buena si p É 0.2te-z --z! ./)(p".1# ^:?¡p:(2000)(0.183e ó 0.001. lioo ¡ln p¿tar liii¡ {ili ¡n .1. (o) La probabilidad de una herramienta defectuosa es p :0. Zze-21 -. 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..1) - 1.23./íil 2 o et't-(. Entonces de acuerdo con la distribución binomial p(x:zl (b) Tenemos )\: np (tJ )10.e¡' = \z/ 0. (b) la aproximación de Poisson a la distribución binomial. es decir P(X:x\ -. tfi-oa = > ¡=0 |\_. Diez por ciento de las herramientas producidas en un proceso de fabricación determinado re. 4.(d) I¡¿-)\ donde p(x-Bt . determinar la probabilidad de que de un total de 2000 individuos (c) exactamente 3.4 4. Si la probabilidad de que un individuo sufra una reacción por una inyección de un determinado suero.tr r/iñ 1o + per/ lliii tvr ll-nw 1n ¡pt e ' tnp. Denótese por X el número de herramientas defectuosas de las 10 escogidas.' . _/1t\ para X* es ". pero ya que las reacciones se suponen sucesos raros.r -Lót 1! ) = l-6e-z = 0.22. Halla¡ la probabilidad de que en una muestra de 10 henamientas seleccionadas aleatoriamente. e t.- 6 P(X=2) = %: = 0. es 0.t ¡n = le(qe + pet. vC. sultan defectuosas. TEOREMA DEL LIMITE CENTRAL 4.1e37 ó o.1 y \ = np 5 5. exactamente 2 estén defectuosas. Denótese por X el número de individuos que sufren una reacción.323 Una evaluación exacta de las probabilidades empleando la distribución binomial requeiiría mucho más trabajo.0"-' . empleando (o) la distribución binomial. La variable tipificada para X es X* = (X .24. X tiene una distribución de Bernoulli.. (b) más de 2 individuos tengan reacción. podemoa suponer que X tiene una distribución de Poisson.

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

Entonces la probabilidad de escoger 3 bolas rojas /5tl2\3 . Método 1. . i-paIpo)G donde p. Una bola se selecciona aleatoriamente de la caj4 se observa su color y luego se remplaza. 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 cqia contiene 5 bolas rojas.+)' = ffi es es Método 2. pero no se remplaza la bola. Hallar la probabilidad de que después de 5 pruebas del experimento se hayan escogido 3 bolas blancas. 2 blancas y 1 azul en ese orden es /s\'/¿\'/rY \tll \.h(¡r)'(#)'(.\ [ . lJna caja contiene 6 bolas blancas y 4 rojas. rc 2l . 2 brancas.rt. 12. pb = 4/72. Halla¡ la probabilidad de que de 6 bolas seleccionadas de esta forma 3 sean rojas. /o\ /r'i \. ) Por tanto el número de mueshas y 2 rojas ". Se realiza un experimento en el cual se selecciona una bola aleatoriamente y se observa su color. 2 blancas y 1 azul.ri \z ) /ro\ \5. La probabilidad de escoger cualquier bola roja es 5172.4 DISTRIBUCION MULTINOMIAL 4.26. P(roja en cualquier extracción) = # P(blanca en cualquier extracción) = h P(azul en cualquier extracción) p(B rojas. El número de formas diferentes de selecciona¡ 3 bolas blancas de 6 blancas * \r/. 6t In\"lt\-/:lY z!r!\itl/ \itl \rrl $/ La probabilidad pedida es el término 44p" en la expansión multinomial de (p.i Entonces r azur) = . Por tanto Ia probabilidad de escoger 3 bolas rojas. En forma análoga la probabilidad de escoger 2 bolas blancas e (4ll2l2 y la de escoger 1 bola azul (3/12)t . Método 1 (por fórmula).'. DISTRIBUCION HIPERGEOMETRICA 4.t \A/ Pero la misma selección puede realizarse en otros órdenes diferentes.El número de formas diferentes de seleccionar las 2 bolas restantee de las diferenües que contienen 3 bolas blancas /a\ 4 rojas * (. Po=' 3/12' Porexpansión se obtiene elresultado anterior.132 DISTRIBUCIONES DE PROBABILIDAD CON NQMBRE PROPIO lcAP.t i .27. 4 blancas y 3 azules. y el número de estas formas diferentes 6l 3!2!1! como se expuso en el Capftulo 1. Entonces la probabilidad pedida es lr Método 3.

(a) La función gerreratriz de momentos de X es -¿.. tiene unadistribución Cauchy en. Í".laprobabilidadpedidaes . ¿ > 0 e.28. : Ll2(a + b).'f-+ = #tl. Oemos- /(a) = ! -L2- . E(erx¡ = g (" -J".modo que = r*tu*lfí*.dz T . PIX=S) DISTRIBUCION T.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Método 2 (empleando la fórmula). = E(x) = E(xz\ l"'* = #:af" b2-a2 Z(b-a\ a*b 2 (b) Tenemos = I. -> t!! I y la integral a la derecha diverge.2+d2dr ' _ donde hemos utilizado el hecho de que los integrandos en el segundo renglón son funciones par e impar respectivamente.. Sea @ una va¡iable aleatoria distribuida uniformemente en el intervalo -l=t trarque X: atan @.cos or = .. i J-6 x'' + a: ""'l' .rr¡ r¡¿n' ("' 2o (" cosor r=. 4. (b) o2 : Ll72(b -a)2.159). J-.' La función de densidad de @ es < j.@ 1x1*.' 7't|^ou" (b) La función característica de X es E(eiox) = g (¿.#ruo.'NIFORME 6 = \/4 }i|j.r-n '.30. = ffi= Yt+Y = Entonces la va¡ianza está dada por s2 = E[(X-u¡21 = E(Xzl-uz ry4y_ (+). Jo r. a f . Puede demostrarse que la úlüima intcgral existe y es igual a e-aa (véase hoblema 4. Demostrar que la media y la varianza de la dishibución uniforme (página 114) están dadas respectivamente por (¿) ¡.r! * la cual no existe si ú es real. de. Entonces por(I9). n=6. X con DISTRIBUCION DE CAUCHY 4.29.l \ /10\ \5/ 4.cAP. r = 3." = o 2 . 7+ azctr sin +-ai )-. Tenemos b 133 =6. Esto puede verse al notar por ejemplo que si r ¿ 0. o > 0. (a) t. = firo_ot. r= 4.páginallS. .. 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. = n# Í.

r Y dx Íz+a' Entonces por el Teorema 2-3.4 ¡: a tan 0 tenemog o-t¡¡-L! a .'#0" p2(a*t)a." "loo"¡.1o" xlQ: t tenemos : f.." ".o*r"-ro. Por tanto p2 = Bz(aIL)a"2 ..r . Demostrar que la media y lavananza de la distribución gamma están dadas por (a) p: aP.lff. = r@l#l = :a+-a DISTRIBUCION GAMMA 4.33.19: t tenemos E(xz¡ = ff"*..¡^." = ffirt"+f¡ = R RemPlazando p= Bon f' Fe-tdt aB (ó) Remplazando E(Xz¡ = t. la función de densidad de X está dada por s(r) que es la distribución de Cauchy. t.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. l'(a r. El segundo momento alrededor del origen es * 0) l'(a + 1) r(B) o I a B E(xz¡ = f(a)f(p) (t .. fo"' .rÍ"...¡a-\d.z¡ro-r1l.32. ." ffi."-r{r-x)F-tlitr = frffiJ. HaJlar la media de la distribución beta.E(X2) - (ap)z - "Bz DISTRIBUCION BETA 4. . 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_! . = Í.)*: = ift)"("+z) = n2 Í. p = E(x) = ### fo'*¡.+fl Jo * l* _ r(a)I'(p) r(c r'(a + 4)- Jo (t *su+t11 2) l'(B) n)e-r ¿. Hallar lavarianza de la distribución beta. (b) o2 (a) = oB2. ya que I'(a + 2) = (c * 1) r(c * 1) = (a * 1)a I(a).134 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Considerando la baruformación [cAP.31. página 46.

la varianza es 02 = E(xz¡-l'(x)l= _(rro)'= cr6#T_Fn : (1.r2 Al remplazar (l - 2t)n/2 = 7. como se ve al página 116.-rr/2e-. colocarz: 1 en (39). grados de liberta u2 Z:Xt *X.34. 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. pá4ina 1-1.r2.t Pero esta es una distribución chi-cuadrado con 1 grado de libertad. es con (¿ dA v. Puesto que Ia correspondenX y Y no es uno a uno no podemoe aplicar el Teorema 2-3 como está.cAP. ! X.ztl-v/2 fa u<v/z)-re-udu = (L-zt¡-'rz r'(v/z) )o 4.a una distribución normal para X. por el Teorema B-18. utilizando el Problema 4. cia entre Paray Deseamos hallar la distribución de la manera siguiente. t : (1 - N¿¡-Qr+v2t/z (b) Se observa del Problema 4. ea M(t) : Enet(xr+xü1 : E(etx. y utilizar el hecho de que r(á) = V7.B2.34 que una distribución cuya funéión generatriz de momentos es (1 2t)-<vt+v2)/2 es la dishibución chi-cuad¡ado con v11. Sean ¡t y X.v2 gadosde übertad.36. DISTRIBUCION CHI. obtenemos P(Y < ú = -! fs rrrze-uz t/2r Jo d. Sea X una variable aleatoria distribuida normalmente con media 0 y varianza 1.'rz¿s (-fr"-.s(v-2)/2e-<L-2t>r/2 dr =J-r(v/2) )o 2. Y: x2 dad. do ) función generatriz de momentoo de Z = X. Esta debe ser la distribución de Z.1 en la última integral hallamos M(tl = 2. página g1./2dü (-.t2r(v/2)Jo " r-2t \r-2t/ : ll . .6. Pa¡a ( 0es lóglco que P(Y SU) y> 0 tenemoe P(Y<u): P(Xz<a) = P(-\/u=X<+\/a) +fr"-.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 135 Entonces. Demostrar que X2 tiene distribución chi-cuadrado con 1 grado de libertad. pero procedemos de :0.2t)-.CUADRADO 4. grados de libertad.'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.36.84. a * v. Efectuando el cambio de variable x : *t/T en la última integral. 4.)Eqéx"¡ : 1l-2t¡-'r/2 1l-2t)-vz/2 utiüzando el koblema 4. Al generalizar los resultados anteriores obtenemos una demostración del Teorema 4-4.

El resultado 11.01.píryina 116. (d) el área sombreada a la derecha: 0.05.35(b). lcAP.3correspondiente^v :40.¡ se deduce en la misma manera. búsquese el valor 5. X.9?5 Análogamente.O25 representa la percentila 2. Hallar los valores de xf. 4.8.0.01. . hay muchos valores para los cuales el área totál sombreada : 0.O.. hallamos en la columna ¡. a! es 0.39.10. (Véase las consideraciones sobre notación en la página 116). parav> 10 los valores de la mediana son iguales av .99 y ¡22 representa la 4.0 correspondientear: av:21.61. .la cual del Apéndice E es 12. Es de interés notar que los valores de la mediana están muy próximos al número de los grados de libertad' En efecüo.05.. (b) 28 y (c) 40 grados de UtÍIizando la tabla en el Apéndice E.95 y xz2 Refiriéndose a la tabla en el Apéndice E. (b) el área total sombreada: 0.38. Por tanto los valores son 0. 4. el área sombreada a la derecha puede ser 0. (c) el área sombreada a la izquierda: 0. xl es (1 .4 4.2gs..10.025.36 vemos que si X¡ y X2 es.8. el área sombreada a la izquierda de x3 es 1 ¡j iepresenta la percentila 9?. qi" Z = X?*X2" tiene distribución chi-cuadrado con 1 * 1:2gradosdelibertadsiXr y X2 son independientes. (b) Puesto que la distribución no es simétrica. 4-18 (o) Si el área sombreada a la derecha es 0.150.¡ (puesto que la mediana es la percentila 50 ) los valores: (o) S. en este caso cada área:0.0.025: 0.la cual es igual a 0. el átea a la izquierda de percentila 99. Por ejemplo.05. (c) 50' Utilizando la tabla en el Apéndice E hallamosenlacolumna ¡2er. 4-18. xi representa la décima percentila. La representación gráfica de la dishibución chi-cuadrado con 5 grados de libertad se muestra en la Fig.O5): 0. Hallar el valor de la mediana de libertad. x. el área a la izquierda de x? es O.1.04 en tanto que el área a la izquierda es 0.. X.05.026. xz:.40. Véase Problema 4.¡r. Entonces. Fig. escoger las dos áreas iguales. Demostrarel Teorema 4-3.025. y Si el área sombreada a la derecha es 0. (c) S9.37.. u"mo. x.¡2. (b) 32. si el á¡ea sombreada a la izquierda es 0. x! por los cuales (a) el área sombreada a la derecha: 0.831.(b) 2T.x?o¿s. Entonces procédase hacia la derecha hasta la columna x%r. entonces el á¡ea a la izquierda de representa la nonagésima quinta percentila.136 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 2.1 es el valor pedido de 12.? conespondiente a la derecha de la distribución ¡2 es 0.5 correspondiente a z: 50. al menos se especifique lo contra¡io. (c) 67.831 y 12. (d) Si el área sombreada a la derecha es 0. si el número de gndos de liberbad v es igual a (c) 15. Hallar los valores de ¡2 para los cuales el área de la cola 15. (b) 2I.01.7. la cual es igual a 15. en la columna /. como puede observarse de la tabla. Sin embargo. se acostumbra. Entonces del Problema 4.3correspondiente av:28.2-.5. para v : Por el Problema 4. ¡! que corresponde a (a) 9. El resultado general para todos los enteros positivos l. y x? (c) Si el área sombreada a la izquierda es 0.05.5. los valores: (a)25.Ia cual es igual a 1. entonces X? V X3 tienen distribución chi-cuadrado con 1 grado de libertad cada una.tán distribuidas normalmente con media 0 y variánza 1.esr.34correspondienteav:9.

=o"r. Hallar xlerpm (a) v : 60 y (b) y .42."^' + zo+"/2 Í"'=-* d.0(v¡lorre¡l =L24.ss+rtrOool-t¡z = |(1.100 gados de libertad.@ hast¿ rl/z/r. -/.64+rfss¡z =69. Entonca ti z.t¡ e¡tl c¡¡i dbEibuido norm¡lmenüc con medie certr y varianza uno.2. ..tz¿ul¿" LJ":_-e A = urfi en la integral entre parénteais rectangulares hall¡mo¡ . dud.t' / 2 e..64+/199P = 124./4 f ( 7<rrz>-r e-<yz+ztrz ¿. oon un alüo grado de aprorimación.z \f 2nz. #..lt * T ) eeto puede eocribir¡e d. Demostrar el Teorema 4-6.Elrode donde t6=t = .3).#.-j(* .(z.Lu€{p integrannr_conrespecto az de¡de 0ha¡t¡o. z ) La función de di¡tribución de I = Ylt/ffi e¡ F(u) = P(T=r) = P(Y=er/Zfi) = y@2.\2/ r\ (l + u2¡'¡<'+t>rz .= .6 = f.. er la percentil¡ 10Op de l¡ di¡trlbución nornd tipilicada.o 6 .41.FA = zp I t/Ft x| = *(zo+tffj¡z (o) Si v=50.(' F(r) = _ tf Jr=-. podemor utiliza¡ el hecho de que ({Tx2 ./ .cAP."a']au de acuerdo con lo pedido. himero fijamor r z b = integramos con reepecto a y de¡de . zo/2)-re-z/21ffi e-uzzr2.va J"' {2r2. tn¡r( z\ Ju= -' . xlgs = \@.rr-r"-. Para .es+ftool-t)2= +(1.r/2. (b) Si r=100.tzl(vl7\ Jz=o = .er dccir z<v/z)_te_ :|-r+zr/2 para -o 1g 1lo. Por tanto tenemos Remplazando F(xl = .u\ .y ¿2 # donde la integral ¡e toma ¡obre la región ( del pleno lz parn l¡ cr¡¡l g ut/ñ..rf ¡"ffi "-r.. '\ z / (. Debido a que Y y independientee ¡u función de den¡id¡d coqjunta er 6l producto de (I ) y (2). DISTRIBUCION ü x3s¡ dado en el Apéndice E.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPTO 13? 4. DE STUDENT 4.tzt'(vl2\ ).rzrl.zl ztÍt + <t2 | v>r a")au ( " Susüituyendo F(r) = G. / mayor que 30. página 117. *^ I' = - *l Í": como z('' . 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..locuale¡tÁde¡cuerdooonelvalor6?.. podemoe ercribir.u [f=.

4-19 tt (a) Si el á¡ea sombreada a la derecha es 0. J z t . hallamos en la columna te. ú.05.99.O5): 0. 4-19.[.5.38. ) 0.26 como el valor pedido de ú. entonc€s por simetría el área sombreada a la derecha es 0. . 4.ú.l4\ -1- f 'pw\"rz'-' ID'-''-"e '"''o'-. sea 0.nD\]uJur0.:: ::'.05. (c) Si el irea total sin eombrear ee 0.la/2.01 es (e) -2.::l = l"*:" 'u':'" Denotando la densidad como función de u y w por g(u. Sielá¡eaalaizquierdadeú¡ es0.05 Refiriéndonos al Apéndice D. tenemoe | 1U) t. entonces el área total sombreada es (1 .43.'.e. losvalores: (o)L. a..0. t.90. ODt=r.gg) = 0. ) 0 y 0 de otra forma. De la t¿bla t ss = 2. -1)(v'\/2) "-.css = 3.(b) 1.DZ=ü l1U7D Entonces el Jacobiano es i'. (d) el área sombreada a la izquierda : 0. El resultado 1. Halla¡ el valor de ú1 para el cual de Student con 9 grados de libertad se muesha : 0. entonces el área a la izquierda de ú¡ es (1 repreeenta la percentila 95.01/2 : 0.u) = .01. (d) Si el Área sombreada a la izquierda es 0. DISTRIBUCION 4.01 y el área sombreada a la derech¡ es 0. (b) el área total sombreada: 0. ú es 0.:"i = l::"'.lL=-=_rü=02 L"a/ ar t'2ú | vl1t2' .025 por simetría. Por tanto el área de t para el cual el área sombreada a la izquierda es 0. Efectúe Ia transformación u 1/ v1 .75 correcpondienteay:16.82. entonced el área sombreada a la derecha es 0.90. La función de densidad conjunta de f '' V¡ y V2 etá.e0.138 DTSTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO ú [cAP. (b\ 27. (e) el área a la izquierda de ü.01.quedelatablaes igual a 1.r) a\.05. vlW v2 ..45. (c) 200. En el Apéndice B e¡te valoi corresponde a la enhada en la última fila ma¡cada ó).645 correepondiente a y: 200.1 ez(vt+ v2)/2 lQl/21 f (u2/2) <t | + ú2)' ri o.t u(v2/ 2) . Deimostrar el Teorema 4-?.70 correspondiente a v = 27i (c) 1.83 es el valor pedido de t (b) Si el área total ¡ombreada es 0. ._tr Fig.olumna ¿.2 g(u.es.82.005.025): 0. (El último e¡ el valor que se obtendría utiüzando la cu¡va normal.0.44.) = 6"i.4 4.25. ¿. Por tanto el á¡ea a la izquierda de ú1 es (1 .er5. Entonceg búequese la c. t. t. La representación gráfica de la distribución (c) el área sombreada a la derecha en la Fig.95 y úr Refrriéndonos a la tabla en el Apéndice D. (c) el área total sin sombrea¡: 0.99. r / Ll+ lvt/v)). dada por 1 (. 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) 16.05.rl).9?5 y úr reprecenta la percentila 9?.O. búsqueee en Ia columna y el valor 9. Del Apéndice D hallamoe 2.entoncesúl correspondealapercentilagO.'') (?ñ rr^ o(vz/2) -| "-'.:.01. De la tabla hallamos t.

.30.r. que es el reeultado pedido.78)2.. (c) = 10. primera f.1 -.r' / 2(.\z .n. . A diferencia de una conetante. ( " *. ) 2' de (. Pero de Tenemoe (r h(u) / v2\vr/2 4Q 1/'' . . u.rr. hallamog .4l si u DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 139 > 0.l= *.ss : ".ee. \.18)2. 4.cAP. donde vt -..9.(vz/2) Jo -tL-!:j!::-:(I5).*r. hallamos F.2\/2)-t e-tt+<v{/v2)t(o/2> z(tt ' u2)/2 t0t/21 l.1 = (3.71)2.- r1u)-¡(.. = 0. ro.\rt. RELACIONES ENTRE LAS DISTRIBUCIONES F.\i = /v' I vr\ ) si u ) 0 y 0 ¡i z¿ 5 0.o.oc. .5 L6l = (72.. (a) Comparar ia¡ entradas en la columna de la tabla F..rt) - (¡'r +t2)/2 - . ro. 10. r¿ desde La función de densidad (marginal) de U puede encontraree integrando con recpecto a decir 0 ha¡ta €.o. (d) F..48.ob. F. er hkt) = ei u (.ss : t?n (b) fl. Utilizando la tabla para la dist¡ibución F en el Apéndice F.t .47.ul F'..'r2\ ) = 0 ó trt ry = /.. hallar (¿) F.rr.t e. donde.i/2)--t (v2:L vru)-(r.t)- tyt ('4fa) (.2* r.8 = 3.io = F_¡ .TZ) \ (-" se Utilizando el criterio de la segunda derivada podemos demoetra¡ que realmente trata de un máximo.50¡2.e75.96. página 118. (b) Del Apéndice F.\/2i-r. (c) Por el Teorema 4-8. etc...L5. 7.'rrr. 11 . página 118. Vemos que 18.o5 en el Apéndice F con e¡a¡ en l¡ distribución ú bajo ú... 4.. ¡2 y ú 4. la función densidad de la di¡tribución F es r[(t.t r rz)tz Si tiene un máximo relativo se presentará cuando la derivada sea cero.. rs = 3. (o) DeI Apéndice F.46. \ : ¡... Demostrar que la distribución F es unimodal en el valol ¡v' ' La moda localiza e! valor máximo de la función de deneidad.'. rr.326.so. (b) F . ir ua 0. /. 15.\ z /.ut = t'(P) ap Jo da) ) 0 y 0 ei rt É 0. /.o. rr. Apéndice A.r. hallamoa \-i.ot. =- 9.+v2't/2r-r = 0 Dividiendo Wt ut|ti2)-2(t2l t¡t)-[("\+t.au d.7L = (2. > 0 y 0 de otra forma.¿t.+t. r.80. = # = 0.s.s.0g (d) Por el Teorema 4-8. Verificar que (o) /.5.257.1-2\/ /\. : (4. i \rn) - 2\ / v' \ si v.0 = 4.2* .l¡. es decir (r.-'1t'"tvp)-uvr\j-:.F' gs.

. vemos que el lado izquierdo de la última ecuación es igual a z. P(. Entonces por la definición de un valor de percentila.'. Entonces y a. v2 = v en la funeión de densidad para la distribución F f (ul = ./ para u /_u_r.*rr.r(l +3!) t r-ru+l)/9 ) O.ee en el Apéndice F conegarenladistribución ú bajo ú... Vemos que 4050 : (63.(. pfuina 116.92)2. Re¡olviendo. 21.4*)___\-. página 118. P. Por tanto ^\ F.2 -. '\2/'\2/ "11\ "/r\ t -/.(4.66)2.l / +z\-r¡ \ '/ ¡=.Ft-o) f(u): 0 para ¿ < 0.P(f 0) = = P(T=+\E|-+ donde hemo¡ usado la simetría de la distribución ú.o) r\ \ '/ ll '=2 | '\ .-.r¡ n'(.140 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP. tenemos P(T=+tlrno¡ = t -Pi . t { l'-'u-r.)" \/ Com¡rarando con (42).sí generalizar los resultados del Problema 4. etc.página 11?].4 (b) Comparar la¡ enhadas en la primera columna de la tabla F.)" .es el nhmero tal = 7- * t\ "/" . \ : {".48.r( ./" + r\ \ / l+1) "/ \-(!¡!'/'l tru = } -p En la integral efectf¡e el cambio de variable t=t t/-u: r)r'rl '\ J -'(f+-¡ dt = t-p 2-r 2. 34.5 = (9. que puede establecerse simplemente como F r-p = t? ott¡ l(4í). Demostrar el Teorema 4-9.rtF. 4. . 98..eer.84)2.9 " / +1\ -t'* "" t / vv/21l-12v-(.1 = (5.l. + r\ r( ol -r- .-¡l r.t.u/2¿-r/2(y + ul-(r1tr/2 ^/.'.'.49. Por tanto t-P 2 = Pp<T:.+tfttur¡ = P(T s +VFt-p) . I ^F. Sea 11 .0 <'T = *t/Ft_o) ú donde ? es una variable aleatoria con distribución de Student con u grados de libertad. y que P(U 5 .60)2.

.¡ !.145.. Sean X...il = (4 .s2 T r.r"?ll--+"-.99..78 = #.:\/2= en .Por tanto la probabiüdad de obtener un 3 en el quinto lanzamiento es 1/6.¡ es el número üal que P(T=tt.52. 4. s.(p/z\\ = l-?. = @) con = "'13. DISTRIBUCIONES DIVERSAS 4. si X. para (a\ p : a1 0..25 77i6 . Entonces vemos que a r': ó) con etc.51.94 3.GB a ¡'. y) dada por (49) debe para todos los valoxes de x.r y una función solamente en y. Y variables aleatórias cuya función de densidad conjunta es la distribución normal bidimensional.L .7 2. página 118. 3.4!¡ 4 2. se convierte en l@.. entonces la función de densidad normal bidimensional (49). Entonces la probabilidad de no obtener un 3 en lo¡ primeros cuaho lanzamientos es (5/6)(5/6)(5/6X5/6): (5/6)4. er el Apéndice F (correspondientes las enhadas bajo x:nn en el Apéndice E. Entonces vemos que 6..r'il ) y y puesto que este es un producto de una función solamente r. (c) Comparar las entradas en Ia última fila de la tabla F o= en el Apéndice F (correspondientes las entradas bajo ¡. Demostrar que X.+.. etc. por definición.50. la probabilidad pedida es Y/r\ \6i \6/ / s c. Ll .4] DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L4t Pero.. Esto es posible sólo si p : 6. 3. Hallar la probabilidad que en lanzamientos sucesivos de un dado honrado resulte un 3 por primera vez en el quinto lanzamiento. tt tt¡/z. Comparar las entradas en la última fila de la tabla . Y son independientes.. producto de una función solaménte en. Méüodo 1. = tt-(p/zt ó Fr-p : tl2t'-tptz'.'. que era lo que se querfa demostrar. página 118. Verificar el Teorema 4-10. Por tanto ú es estrictamente +\/F. + * en la distribución F en DISTRIBUCION NORMAL BIDIMENSIONAL 4.60 -.21 . _ 9.02 = #. La probabiüdad de no obtener un 3 en el primer lanzamiento es 5/6.. -. y se deduce que X.. f(x. ya que la función de densidad de Ia distribución positiva. Si el coeficiente de correlación p = 0. Y son independientes solo si su coeficiente de correlación es cero.ú los valores de = t-+o-.CAP. en el Apéndice E.F e. K (r(r .1. y este nfimero se determina finicamente. Y son independientes. etc.. La prueba general del Teorema 4-10 se deduce tomando el límite cuando U2 la prfuina 117. Véase Problema 4. 't7 2. 4.95 y (b) p : 0. s.00 =. lo cual provee la verificación requerida. lo cual provee la verificación requerida.'. )Lo. Análogamente la probabilidad de no obtener un 3 en el segundo lanzamiento ee 5/6.8t (b) -. lotll. r por una función solamente en y para todos ser el Inversamente.

. : atb pa. DISTRIBUcIoNEs DE rRoBABTLTDAD coN NoMBRE Método 2 (utilizando fótmula). etc. ó aprorimando 0.4)0(0. 11. i7't6 4.p(\ t + +)-l ó/J 4.L42 . página 118.55.977?6.2692.4.6)4 = 0.63.oJs u. \i)"-". 1 en el primer dado y 2 en el regundo dado. 6 = 36 forma¡ en las cuales ambo¡ dadoe pueden caer. (a) P(ninguno ee gradúe) = 5Cs(0. Determinar la probabilidad de que de 5 estudiantes (a) ninguno. se gradúe. (o) t' = E(X) = JO f abrb e-o"o d. ¿Cuál es la probabilidad de obtener un total de 9 (o) dos lanzamientos de r¡n pa¡ de dados? en veces. E¡ta¡ ¡on 1 cn el grimer dado y 1 en el regundo dado.26 (c) P(al menos uno re gradúe) = 1 -P(ninguno se gradúe) :0-92224. - f. i) integral.¡ :6 Gzl vemo¡ que la probabilidad /t\/o\' _ \6/ \6 / página 119.r I ú ).""tb)-t a-ub I ur/be-! du Jo a_. 4 Utilizando la di¡tribución geoméhica./ du (' = o-r.08 (D) P(re gradúe uno) = 5Cr(0. de la distribución Weibull.ra evaluar la (ü) E(Xz¡ = fo- oOro*r¿-oto¡lg r "b ('/z\r*ttro> e-!:u(t/b)-t = o"o )o \. (b) uno.64.q:616. . La probabilidad de que un estudia¡rte que ingrese a la universidad se gradúees 0.tbr donde hemo¡ ütilizado Lr ¡ustitución u f@ ab ('/"\ du /' (r. Verifrcar las expresiones dadas para la (a) media. (b) la variarrza. 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. etc.be-! = o-2/br\t + a) Entonce¡ / o\ ¿u 02 = El(X-u¡21 = E(Xz)-uz = PROBLEMAS DIVERSOS o-". ó aproximando 0.92.4)1(0.of ¡(1 + 3) b/ L\ . (D) al menos dos veces en 6 ¿ead¡¿o¡ por (1. pedida er pRopro [cAp. eon p: Ll6. alf hay 6 . 2¡.6)r : 9. ó aproximando O. (c) al menos uno. 4.

7)1L. determinar (c) el porcentaje de estudiantes con 6 puntos.2 = -'1.. un total de 9 ocurte en 4 cqlos¡ (3. (D) Varianza : npe: (40OXO.2. (a) la di¡tribución normal a datos discetoe.5?.17 (5./ \ó/ * '"'foi ó * '''Gi 72689 1 10240 960 48 61 = 681 440 65f ¿¿T . la distribución está sesgada a la derecha. es decir podemoselpemr que 40 tornillo¡ esüén defectuosos. Para aplicar : 6. ^ /r\'/e\'./ \. .6.a di¡tribución ee s+l---^6:q : 3+ff1-6(0'1X0'9) = nuq 3'01 ligeramente má¡ apuntada que la distribución normal.5 .7)1L. hallar (c) la media y (b) la desviación típica para la distribución de tornillos defectuosos de un total de 400. Suponiendo que las calificaciones están distribuidas normalmente. (5.4I DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 143 De estas 86 forma¡ todar igualmente factibles ¡i los dados ¡on honrado¡.2.-.5 en unidader tipificadar : 5. 4). eb necesario con¡idcrar los datoe como si fueran continuoe.0 (6. Halla¡ los coeficientes de (a) sesgo y (b) curtosis de la distribución en el Problema 4. Las calificaciones de un parcial corto en biología fueron 0. dependiendo del número de respuestas conectamente solucionadas de un total de 10.2788: . L. Si la probabilidad de un tornillo defectuoso es 0. (b) la calificación máxima del L0% más bajc de la clase. (4. ^ /r\u = 'c'(o/ \é/ * '"'(.6.3418 - y e = 0) (áre¡ entre z :{.9): 36.133 coeficienüedecu¡tosis: l.5Bt 441 = 531 441 441 Otro método.6 (área entte 0.1XO./r\'/e\a. 10 puntos.? y la desviación típica fue 1.6u. == vnpq H = 0.17 z: -1 y z:-4."'\g/ ' ^/rY/s\u.5 en unidadee tipificadar hoporción pedida: á¡ea entre : : . Véase Fig.17 z: -1 y 277o z: O) 0. (a) (b) Coeficientedeeeego= Puesto que es positivo. P(al menoe 9 doa veco) : 1 - P(9 cero vecer) - P(9 una vez) : . 4.-"^11Y - \0/ -61 441 6sl 440 (b) P(al meno¡ 9 doeveces) (9 seis vecee) =P(9 dos vecee) *P(9 trecveces) *P(9 cuatro vec.er)*P(9cincovecer)*P .. (c) la calificación mínima delL0% más dto de la clase. ^/r\'/a\'.58. ^ /r\ta. 4-20. 4.0676 : O. .1): 40.5gr 441 * ss1 441 .cAP. 3). . 6). Entonces la probabilidad de un total de 9 en un ¡olo lanzamiento de un per dddados esp :4136:1/9 y la probabilidad de no obtener untotaldeg enunsololanzamiento esq=L-p8/9. Por tanto la de¡üación tfpica = /56 = 6.2:{). 5).ó6. (6.5 puntoe.6 a 6. Por tanto una calificación de 6 puntos ¡e cor¡sidera como 5. La calificación media fue 6. (o) P(9 do¡ veces en seis lanzamientos¡ = 6"'\t/ /q\t-' .56./ * '"'(. (a) Media : np :400(0.\0/ \e/ \s/ ^/l\'/q\' ffitZü 7268s 4.1.

4 . 4-2L el la izquierda de z¡ eo LOT.28. 4-22 repteeenta el eje de tiempo c. La probabilidad de que se cuente una parüfcula en el tiempo Af ee proport t tatr cion¡l a At y puede eecribir¡e como l. 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 halla¡ la probabilidad de exactamente una cuenta en el tiempo t. De la Fig.I At. exiatirán término¡ adicionalecqueincluyen a (Aú)'y órdene¡ ruperiores.x2:8. Si se suponen lar llegadae de lae partícula¡ sucegos independientes.28.2 ! 22 Eu equivalente en unidades tipificadas.4-20 Fig.40 : -L.17 I'ig.L14 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP. Un contador Geiger se emplea para contar la llegada de partículas radioactivas.28y Ír:6. (c) Sea . la probabiüdad de no cuenta en el tiempo t Entonces Po (ú + At) es la probabilidad de no cuenta en el üiempo ú + Aú.26 6 aproximando y al entero má¡ cercano. Si (b). Máe precisamente.10.7)17.Z:-t. a Area entre zt y O: 0.60. por tanto área.6. pero no se consideSea P6 (ú) r-----]--l Fig.que lógicamente e¡ 1. cue¡rta en el üiempo SeaPl(ú) la probabilidad de una cuenta en el tiempo f+ I de modo queP¡(t + Af)er la probabilidad deun¿ Aú. la probabilidad de no cuenta en el tiempo t * At es el producto de la probabilidad de no cuenüa en el tiempo ú y la probabilidad de no cuenta en el tiempo Af.r2 la calificación mínima pedida zz =L. rin considerar los términoe que incluyen (Aú)2 y término¡ cuperiores.I -0.2 u 8 aproximando al entero má¡ cercano.P6(0): c e¡ la probabiüdad de no cuenta¡ en elüiempoGrro. At. Por tanüo c = I y l¡ probabilidad pedida ee (11 Po(¿) = ¿-^t 4.69.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. 4. Refi¡iéndose al Problem^ 4.7)lt.28 (aproximadamente). Entonces (x2 - 6.4-22 o ran si AÍ es pequeño. por simetría : L. 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 .on O como el origen. Por tanto la probabilidad de no contar en el tiempo At ec 1 . Por tanto. La Fig. Halla¡ la probabilidad de que en un tiempo f no se cuenten partículas. = 0. 4-21 (b) Sea r ¡ la calificación máxima pedida ] z¡ !u equivalente en unidadec tipificadas. zt Enüonces zt = (xt .

Hallar fal¡o. sin coruiderar los té¡minos que incluyen (Aú)2 y ruperiores.I a¿). Por tanto.67.t * \P. (n 5. que es cero. caras.s supletnenta. Problerna. (r) Esto puede escribirse Pl (ú + a¿) = Pr (ú)(1 - r aú) + P0 (¿)r a¿ Pr (¿ + (2) l¿) Lt . 4 caras en un solo lanzamiento de 6 monedas hallar (o) P(X = 4.I"(t) = XF'o(¿) - IP1 (¿) ge Tomando el lfmite cuando Af -+ 0 y utilizando la expresión para Pe(ú) obtenida en el Problema 4. Utilizando e¡to en (6) hallamos Pt (Ú) c2 0. 4.¡e-rtt esto puede escribirse como d. Suponer 4. (d) 3' @l a. @l 6 caras.62. (c) 2. (b ) 1. 4.P.ar una moneda honrada 6 veces aparezcan (o) 0.66. Por tanto (7') = ¡¿¿ .4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 145 La probabilidad de (i) es P1(ú)(1 .cAP. Si P(X=2).69.(b)5niñar. la probabilidad de acerta¡ correctamente al meno¡ 6 de 10 res¡ruestas en un examen tipo verdadero- . (c)o2ó3niños? probabilidades iguales para niños y niñas.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). P1(0) eo la probabilidad de 1 cuenta en el tiempo 0. ¿cuántaseeperaríantener(o)3niños. X denot¡ el número (d) de caras en un solo !¡nzamiento de 4 monedas.66. .59 esto convierte en dP. (b) dog vece3' en dos lanzamientos de un par de dados honrados. Iülla¡ la probabilidad de (o\ 2 o már honradas. u) Multiplicando por (5) e^¿ d. (b ) menos de 4. Hallar la probabilidad de obtener un total de 11 (c) una vez.rlos DISTRIBUCTON BINOMIAL (BERNOULLI) 4. ¿@xtPr) = x que al integrar (6) Pr(t) = \¿¿-rú+c2e-\r Si : t:0. con un par de dados? ¿Cuál es la probabilidad de obtener un 9 exactamente una vez en 3 lanzamientos 4. La probabilidad de (ii) es Po(ú)I at. Halla¡ la probabilidad de que al lznz.64. 3). tr¿-At (3) dt = ^Pl o d. (b\ P(X <21' (c) P(1<x=3).61. DeSOOfamilia¡con Shijos.i que es [a distribución de Poisson.

83.23 y z sea O. -0. (b) menos que p .71. EnelProblema4.4O. (ó) el área a la izquierda de z sea -0. (e) el áiea en¡e-z y z 4.2 o.O?30. ¿qué porcentaje de esas mediciones diferirá de la media por (o ) más de media desviación típica.2O y z --2.b superior de los estudiantes recibirán una calificación A (excelente).gShallarlacon¡tanteatalqueelporcentajedelo¡casos(o)dentrodelrecorrido 7 í'. ¿cuántos estudiantes tienen estaturas (o) ¡nayores que 1.61? pul. En un examen la media fue 78 y la desüación típica 10. ¿Cuál es la cslificación mínima que debe obiener un estudiante para recibir una A ? Si un conjunto de mediciories está distribuido normalmente. El l}'.80' 4. (c) Si las estaturas de 300 estudiantes están distribuidas normalmente c\on media 1. llallar el área bajo la curva normal z: 0. 4.0025 pul.50.15 y z *aO.23yz:1. (d) el áreaentre 1.6 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 -0.0314.55 m.86. (c) a la derecha d.2 respectivamente.79' 4. (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. (/)ala izquierda de z:-2. (b) Determinar los puntajes de dos estudiantes cuyas calificaciones tipificadas fueron y 1. (d) iguales a 0. (b) a la izquierda de z:0.El m inclusive. (e)correcpondientea-0. (c ) mayor que g 1.59 y 1.68. 4. ¿qué porcentaje de las medicione¡ están (o) dentro del recorrido I. (c) menores que 0.96 =_ Z < t. entre (o) 4. z:-I.7O.610 y 0.80< z< !. DISTRIBUCION NORMAL 4. (dl al menos I persona esté viva. (d) igual a 1. 4. Calcular la (o) media.64).45.85 m.76. dondeZestádistribuidanor¡nalmenteconmedia0yvarianzal.77. (b ) al menos 3.82.?8. 4. Evaluar (o) ) (c - p\3 f (r) v (b) > (r .81' 4.5 o? 4'83.900.e z: -1.75.72. (c) coeficiente de sesgo.74. Hallar la probabilidad de que en 30 años (o) Ias 5.85- 4. (b) P(-1.t ! 2 o. La calificación media de un examen final fue 72 y la derviación típica g. (c) solament e 2.608 pul. (b) menos que o iguales a 1. (d) correspondientea z>:2.5722.!6.?O m y desviación típica 10 Si los diámetros de los cojinetes de municiones están normalmente distribuidos con media 0. Z está distribuida normalmente con media 0 y varianza 1.L46 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. Demostrar las fórmulas en la página 109 para los coeficienües de seego y curtosis.79.82. Hallar el área bajo la curva normal (o) a la izquierda de z : -1. determinar el porcentaje de los cojinetes de municiones con diámetros (a) entre 0. 4.r)af(rl para la distribución binomial. 0. (D) mayor que 0.615 pul. Interpretar los resultados. su coeficiente de curtosie es 2.85V 4. (b) desviación típica.6140 pul y desviación tipificada 0.52 y a la derecha de z: 1.8{. 4. 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. (c) el área entre de z tales que (a) el área a la derecha de z sea 0. todas de edad idéntica y con buena salud. (b) por fuera del recorrido ¡t ! 1. lt!aosea .618 pul inclusive. haltar (a) P(Z = -1. Un agente de una compañía de reguros vende pólizas a 5 personas.4 respectivamente.56. (c)z:-2. 4.78: Hallar los valores sea 0.9. Hallarz¡ si P(Z-21)= 0. Si (c) P(lzl > r). hallar P(X > S).58.69.?0 m? cm. 4.2266. (d) coeficiente de curto¡is para una dishibución binomial en la cualp : 0.oo ¿ea 22c/a.(b)z=I. Si X está distribuida normalmente con media 5 y desviación tipificada 2.96). (a)Determinarlas calificacionestipificadasdedog estudiantes cuyos puntajes fueron 93 y 62 respectivamente.? y n : 60.t'c.6 y 1. entre 1.84. 4. Demostrar que si una dishibución binomial con n : 100 es siméhica.4 4.

hallar la probabilidad de que en una muestra de 100 lámparas eléctricas (a) 0. o 2lámparas eléctricas sean defectuosas. Explicar por qué se podría esperar que el teorema üengan la distribución de Cauchy. de loe tornillos sean defectuosos.87. Hallar la probabilidad de que un estudiante pueda acertar eorrectamente lasrespuestas a(a)12 o más de 20. Demostrar el teorema del lfmite central para el caso en q rre X ¡.97. Xz. 2 "doses" y . arí generalizando el Problema 4. Department of Health.0 de cada 100 000 personas.101. Halla¡ la probabilidad de que el resultado sea: (o ) 1 "uno". 4. (d) exactamente 100 cara¡. .90. -'. (c) menos de 85 o más de 116 caras. Según Ia National Office of Vital Statistics of the U. Hallar la probabilidad de que en un muestreoaleatorio de 400 tor4illos producidos por estamáquina (a)máximo 30. Se extrae una bola y se obsen'a su color. r¡ : L - p.9!. el promedio de ahogados en accidentes por año es 3. DISTRIBUCION DE POISSON 4. ( L 1 prob. Utilizando (o) la distribución binomial y (b) la aproximación de Poisson a la distribución binomial.98. 4. (d) 55 o más. 1/2 prob.(f)menosdeS ahogados por año. Entonces se coloca la bola en el talego.cAP. (c) menos de. Generalizar el resultado a n variables. son independientes y están distribuidas idénticamente con la distribución de Poisson. Xz. (b)entre 30y 60. p pr.96. (b) entre 1 y 3. página I 1 1 . . 4. (d) 3. Un talego contiene una bola roja y siete blancas. f.10O. S.(e)entre4y8.#Tf DISTRIBUCION MULTINOMIAL 4. ( t 3 ). 4. (e) 4. enunaciudadcuyapoblaciónesde200000ocurran(a)0. Education and Welfare. . 4l DISTRIBUCIONES DTSTRTBUCTONES DE PROBABTLTDAD CON NOMBRE PROPTO PROBABILIDAD PROPIO I47 L47 APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 1. f(r) =. Demostrar el resultado (l 7). Hallar la probabilidad de que en 200 lanzamientos de una moneda resulten (a) entre 80 y 120 caras inclusive. (c)entre y 46. En el Problema 4. .(c)6.92. 4.99. (b) cada ca¡a una vez. Halla¡ la probabilidad de que 4.2. página 113. 1/2 -r -t Demostrar el teorema del límite central para las variables independientes 'Yk donde g = | | 1 prob. hallar la probabilidad de que (of rnís de 5.ar la función generatriz de momentos).91. 36 LO"/o de los cuales son defectuosos. Se lanza un dado honrado 6 r¡ece¡.b. Demostrar que si respectivostrr X1 ¡l X2 son variables independientes con distribuciones de Poisson con parámetros ytrz. .1 t\. Una máquina produce tornillos. "heses". <x< @ 4. 4. del límite central no sea válido en el caso que X¡ . Demostra¡ el teorema del límite central para las variables independientes xk = 4. (c)2. (b) 7. 4. hallar la probabilidad de que en 8 de tales extracciones se seleccione una bola roja 3 veces.97. (b) menos que 90 caras. TEOREMA DEL LIMITE CENTRAL 4. 3 .(n5lámparar sean defectuosas.95.(Sugeren- cia: Utiliz. Hallar la probabilidad de obtener más de 25 "sietes" en 100 lanzamientos de un par de dados honradoe. 4.88.(d)8. .94.93.(b)2. (bl 24 o más de 40 preguntas en un examen tipo verdadero-falso. Si 3% de las lámparas eléctricas producidas por una compañía son defectuosas.t9.entoncesXr+X2 tieneunadistribucióndePoissonconparámetro).

2 ó 3 en cuatro lanzamientoe de un dado honrado. hallar la probabili4.116. 4. 4.103.113.Hallat(a) P(X i. es una función de densidad. o:2.148 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cA¡. 4. DISTRIBUCION UNIFORME reduce a (I ). Yerificar la (a) función generatriz de momentos dadas por (33 ). ¿Porqué en este caso el 4. 4.Hallar(al P(X <1). (b) todas sean blancas.115. Z. 4. entoncel su mdia 4. página 108.119. Demostrar directamente que (22).págrna114.4 4. Si se seleccionan 20 aspirantes aleatoriamente. página 116.9: 4.112. tl¡llar(o) P(X= 1). hallar P(lX .11?. DISTRIBUCION HIPEBGEOMETRICA 4. Hallar la probabilidad de que de 10 bolasextraída¡: (o) 4 rean rojas. (b) no más de 2. (c) al menos una sea roja. cuando N ' e. 4.102.107.104. Demostrar que el recorrido semi-intercua¡tílico para la di¡tribución de Cauchyeeo. SiXestádistribuidauniformemente en-2< x=2. (t) P(l = X=2). 4. recorrido gemi-intercuartílico es un eustituto de la desviación tfpica? aritmética también tiene esta distribución. Determinar el coeficiente de (a) > ll 6/. Una caja contiene una gran cantidad de bolas rojas. Si se seleccionan 13 cartas aleatoriamente (sin remplazamiento) de una baraja de 62 cartas.111. Determinar los valore¡ modales de la distribución gamma.págin. Si Xt y Xz son independientes y distribuidas de Cauchy.106.122. Hallar (a) el tercero y (D) el cuarto momento alrededor de la media de una dishibución uniforme. Si X.fl DISTRIBUCION DE CAUCHY 4. azules y amarillas en la proporciün 4t 3z 2: L. 4. Hallar la probabilidad de no obte4er un 1. Una variablealeatoriaX tiene una distribución gamma conQ:3. ó (24\ se para resolver el Problema 4.11E. 4.(b)8 sean rojas y 2 amarillas. Una caja contiene 5 bolas rojas 5l l0 blancas. (b) ninguna sea figura. Hallar la función generatriz de momentos para la di¡tribución uniforme. hallar la probabilidad de que (o) 10. sean del oriente.con < 2). 4.110. 4. Emplear la aproximación binomial (18) obtenida. De 60 aspirantes a una universidad 40 son del oriente. y (b) la función caracterfstica de la di¡tribución gamma .121. S blrncar.116. 2 zzulee y l amarilla. (b) P(lX-11 = +). Si se seleccionan 8 bola¡aleatoriamente (sinremplazamienüo) determinar la probabilidad de que (a) 4 sean rojar. Y son independientes y ambas eetán distribuidas uniformemente en el intervalo de 0 a 1. normalmente con media 0 y varianza l Demostra¡r que Y: Xt lXz tiene una distribución DISTRIBUCTON GAMMA 4. Suponga que X tiene una distribución de Cauchydeacuerdocon(29). Verificar que (31 ).105.109.108.z 114. Demostrar que si X1 y X2 son independientes y tienen la misma distribución {e Cauchy. página 115.114. Generaliza¡ el resultado del Problema i.106 y e¡tudia¡ la precisión 4. blancas. dad de que (a) 6 sean figuras.120. (b) P(Xz > r2). sesgo y (b) curtosis de una di¡tribución uniforme.

(o) llaltar x! y x? tales que el área bajo la distribución x2 correspondiente a v -. (e ) 150. 4.05.20 91tt: 1i Y_4_.123.132.rúmero e.oo. Verificar que la integral desde u lsugerencía: Hágase a : 0 hasta e v2u).or'so'lr-. + p .140.136.(c)eláreaaladerechadeú1 eea0. = t2ul(v1* . Halla¡ (o) 4.12?.126. (d ) 60.ol/l'. Para una distribución chi-cuadrado con 12 grados de libertad. 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. (d) P(U 2 c) = Q.g.90yy:25t (b)eláreaalaizquierdade-ü1 sea0. (d) 40. y x! tales que (a) P(U > x?rl = 0'025.02'5yv=20'(c)eláxea 16. Demostrar que (a) E(xz) = DISTRIBUCION ú DE STUDENT 4.9¡' P(U>c)= 4. - 2). la distribución ú es 0. (ó) y (b) x. (c) P(x?< U < x2z) = 0. 4.01. Hallar 4. (c) el á¡ea a la derecha de xl sea 0. v.2\' 4. (b) F. (e) el área entre -f1 f f1 sea 0.13E. Si la variable U tiene distribución chi-puadrado P(u < x?) : 0. : 6. (b) Demostrar que si la suposición de áreae iguales en la parte (o ) no se cumple.donde zo hra una distribución f de Student con 15 grados de libertad. Hallar (a) es la x. Resolver el Problemz 4.95.z¿i (d) F.' dada Por r * . (b) 19.134. ee la 0.¡. (D) P(-a= U 3 c) :0. Demostrar que para 1 grado de libertad la distribución ú es una distribución de Cauchy.páSrrra 115.or.99. v: -f1 sea 0.i) 4.05.¡' 4. 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. Hallar los .130. (b) el área a la izquierda de xi sea 0. (c ) 25.55 ! 4.1 de la función de densidad (45'¡.142. lJnavariablealeatoriaXtieneunadistribuciónbet¿cono:3. (d) el área a la derecha de ú1 sea 0.01.rales a la derecha de xB y a la izquierda de x!.125. (b) 12.gc. hallar el valor ie . 4.ti ti¡l gue (o) el área a derecha de ¡l sea 0.133. \b\ Yar (7zl -.zoi (.98. hallarlaconstantec talque (a\ 0.50. hallar el valor de ú¡tal que (a) el área a Ia derechadeú1 seaO.128.2./(. v ) 2. (c) P(U = cl = 0'20. Demostrar que la distribución beta tiene una moda l¡nica en DISTRIBUCION CHI-CUADBADO r: (a - l)/(a P(lX-+l = +). si el r.(b)eláreaalaizquierdadetlsea0.01 y ¡.cAP.%t con y :7. / una buena aprorimación para percentila (100p) de la distribución normal tipificada.10'(d)el sea 0. hallar x2. Verificrü que (34). 4.rs. los valo-res de x? y x! no son únicos' 4. Hallar el valor de: (a) F.9:2.01.129.124. Demostrar que la va¡ianza de la distribución t de Student con t.025.2gs para r = 150.? 9:?^5: suponiendo ireae'ig.eo. (c) 28. es una función de densidad..131.90.95.01..os. pígirn 117. área combinada a la derecha de ú1 y a la izquierda de -f1 4.rzo. f f.:10. ¡2o egtá x?ozs y (b) xizs para'r = 4.4l DISTRIBUCION BETA DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO t49 4. 250.141. si el número de 4.ss. grados de libertad DISTRIBUCION x .05. er igual a 1. 4. Si una variable Utiene una distribución de Student con ¡.valores de grados de libertad I ú para los cuales el á¡ea de la cola derecha de es igual z (a) 4.139.rz.13?. (c) F.727 si el área de la cola derecha es 0. Q) F.136. Demostrar que para grandes valores de 4.ss.

página 114.. 4.A) = ke-(!¡z+2bra+"v'l donde a. página 118.36. 4. (ó) io ". (Sugerencia: Ilaga la transformación u : 1/u). Si X.prgradoe X¡ + .. . Si X está distribuida normalmente con media g y variznza grado de libertad? Véase Problema 4..1 o2 . demostrar que e8t6n distribuidas marginal- "? y oi respectivamente.pfuinal77. Demostrar que cuando v "> @ la distribución f de Student tiende a la distribución normal tipificada.. Demostrarque k=l ) X* tiene distribución de Pascal 118).' o) 4.155..15E. hallar la función de distribución de lonva¡iablesaleatoúasindependientescon di¡tribuciónchi-cuadradoypr. página I44..7ffi1. Demosha¡ el teorema del límite central para el caso donde Xt. 4. libertad respectivamente. . Xz. página 116. k=l son variablee aleatoria¡ independiente¡ disürluna distribución chi-cuadrado con y libertad. Generalizar el Problema 4.147... b.16O.o2)a(0. y varianza 1.145.8. PROBLEMAS DIVERSOS 4.c<ts -.X.e8)2ez \3 /' y dar una interpretación de probabiüdad.162. Si Xr.154. Halia¡ el valor aproximado de (t3o). É^ ¡=o .6O. (véase página cada unacondistribucióngeométrica. de 4. 4.157. c. .149. Hallar la función generatriz de momentos de la di¡tribución hipergeométrica.143.4 4..161. demostrardirectamentelosresulta- 4. k=1. Demostrar el Teorema 4-8. Sean las variables independientes n X¡. mente con varianzas h aon 4. Demostrar el Teorema 4-5.. RELACIONES ENTRE LAS DISTRIBUCIONES CHI-CUADRADO.0r. ¿Puede deducirse la ley de los grandes números en forma débil del teorema del límite central? JuEtificar su solución. Y tienen la función de densidad conjunta f(r. Completar la demostración de la ecuación (8) del Problema 4.X. Demostrar que 2u (.^h. ento'nces ) Xf ti"tt" 51.. .Porevaluacióndelasseries dos del Problema (") 4.150... constantes y b2 < ¿c.r.0. Demostrar el Teorema 4-10. 4. Suponer que X..n.. son independientes pero no necesaria. ¿tiene X2 una distribución chi-cuadrado con 1 X1. Demostrar el resultado (46).159. (a > o' o . Verificar que estas constantes son l¿¡s dadas en (19).. 4. Y mnjuntamente tienen la distribución bidimensional (19).e8¡zsa \z /' * (tlu)to.. ..150 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.14E.144. + Xn. 4.153.156. DISTBIBUCION NORMAL BIDIMENSIONAL 4.. rj +n'r l¡ = ¡'oof 4. 4. 4.37 demost¡ando que si buidas normalmente con media 0 grados de 4.I Y T' 4.0.. prfuina 118.r. . Demostrar los resultados (20) y (23). mente tienen una distribución idéntica.146. página LL8.

163. Determinar (a ) la conetante c. Comparar sus resultados con l¡ entrada 5. (b) v = 2.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 4. Estudiar qué le sucede a la varianza de l¿ distribución t 4. (d) la velocidad efectiva(rme. Estudiar qué le sucede a la media ¡i (o) r = .F' f.cAP. y varianza de la distribución gas para loc casos (o) (b\ v2= 4.164. 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. página 119. (c) v1* 4.162. (c) la velocidad más probable.esdecirlarafzcuadradade la velocidad media al cuadrado). . (b ) la velocidad media.

.

Farte tl ESTADIST¡CA .

.

La población consiste en iodos lc lanzamientos poeibles de l¿ moneda.1 podemos hablar de la población de 12 000 estaturas (o pesos) en tanto que en el Ejemplo 5. la población puede ser finita o infinita.s observaciones o medida.Nesinfinito.lo cual puede resultar difícil o imposible. EJ EMPLO 5. EJEMPLO 5. el número se llama el tamaño de Ia población. En el primer caso un objeto determinado puede seleccionarse una y otra vez.n: 60.4. loa primeros 60 lanzamientos de la moneda y notar los porcentqiea de caras y sellos. en tanto que los 120 tornillos escogidos constituyen la muesha. EJEMPLO 5. la palabra población no tiene necesariamente el mismo significado como en el lenguaje común.1. 155 . comítnmente denotado por N.2. zamiento. Desearfamos ertraer conclusiones respecto a la honradez de una moneda deüerminada al lanzarla repetidamente.s y no los individuos u objetos. En el Ejemplo 5. puede llegarse a la idea de examinar solamente una parte pequeña de esta población. que se llarna la muestra. En forma semejante el número en la muestra se llama el tamóño de la muestr. 1 . n = 100 mientras que enelEjemplo S. INFERENCIA ESTADISTICA Con frecuencia en la pÉctica estamos interesados en extraer conclusiones válidas respecto a un grupo grande de individuos u objetos. denotada pot n. MUESTREO CON. El-proceso de obtener muestras se llama muestreo. Así en el Ejemplo 5. por ejemplo. Segundo. mienhgs que en el segundo caso solamente puede seleccionarse una vez. Desearíamos extraer conclusiones reapecto a los colores de 200 bolas (la población) en una urna seleccionando una muestra de 20 bolas de la urna.S. N : L2 000. En este caso los tornillos producidos durante la ¡emana conforman la población.Y SIN REMPLAZAMIENT\O Si extraemos un objeto de una urna. Se podría obtener una muestra al examinar. generalmente finito. Tercero. un proceso conocido como inferencia estodística.3.c. llamado la población. 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. como en "la población de determinada ciudad es de 180 000".Capítulo 5 Teorío de muestreo POBLACION Y MUESTRAS. tenemos la alternativa de colocarlo o no en la uma antes de una segunda extracción. Primero. 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. mientras que si cada miembro no puede seleccionarse más de una vezwllamamuestreo sin remplazamiento. donde cada bola seleccionada se regresa luego de observar su color. EJEMPLO 5. En cambio de examinar un grupo entero. El muesbeo donde cada miembro de una población puede seleccionarre más de una vez se llama muestreo con rempla. la palabra poblacíón se utiliza para denota¡ la. Esto se hace con el propósito de inferir cieitos hechos respecto de la población de los resultados hallados en la muestra.4 podemos hablar de Ia población de todos los 200 colores en la urna (algunos de los cuales pueden ser iguales). Deben nota¡se varias cosas.

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

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

la media de la población. entonces la varianza de la distribución muestral de medias.ux. 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. si el muestreo es sin remplazamiento. que se llama la distribución muestral para h media de la muestm o la distribución muestrcl de medias. oft = . Entonces es natuml buscar la distribución de probabilidad del estadístico muestral X. Nótese que (6) se reduce a (5) cuando N .(¡¿ -n\ -f / en tanto eue ¡r* aún se da por (4). Los teoremas siguientes son importantes en este sentido. De otra forma Io anterior es conecto si remplazamos o/l/-n en (7\ por o* como se da en (6).r es F*. 9.158 TEORIA DE MUESTREO Jrf ll |"'Fi. dada por Z: es x-r "/\n es (7) normal reintóticamente. página 112. Teorema (5) 5-3: Si la población es de tamaño N. 2 entonces la media muestral .-. Entonces la variable tipificada asociada con X. 5 (3) EJEMPLO 5.¡ n lcAP.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. Se supone aquí que la población es infinita o que el muestreo es con rernplazamiento.6. 1. denotada por . y si el tamaño de la muestra es n S N. Teorema 5'1: La media de la disbibución muestral de medias. estn lim P(Z -z z) = -= f = J 1 vzr -* "-uztz ¿r. = t' es la media de la (l) población.5. Si la población de la cual se toman muestras está distribuida normalmente con media está normalmente dishibuida con media Teorema 5'5: Si la población de la cual se toman las muestras tiene una distribución de probabilidad con media p y vatianza o2 que no necesa¡iamente tiene una distribución normal. entonces (5) se remplaza por o2/N . denotada por oi. = ll s_t_1_t_gl" 5 5 DISTRIBUCION MUESTRAL DE MEDIAS Sea /(r) la disbibución de probabilidad de alguna población dada de lia cual extraemos una muestra de tamaño n. Si una muestra de tamaño 5 resulta en los valores muestrales 7.. . (s) El Teorema 5-5 es una consecuencia del teorema del límite central. está dada por E(X) = donde ¡. est.

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

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

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

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

el resultado sería una distribucíón de frecuenciarelatiua oporcentual.5 y 62. EI punto medio del intervalo de clase.:) riri {l¡ ¡ lii 12 o ilr -71 27 8 . desviación típica. En el intervalo de clase 59. En este La primera clase o categoría. 5l TEORIA DE iúUESTREO 163 definiciones son análogas a esas dadas para poblaciones en el Capítulo 3.5 y 62. denotado por c¡r que comúnmente es el mismo para todas las clases (en cuyo caso se denota por c). consiste de estaturas desde 60 hasta 62 pulgadas. conjuntamente con los dados.) de tro estudiantes É tr-r (::i t'. inciicadas por 6G-62.'J ir z 61 64 6t- l0 ?3 76 (pulgadas) Estatura (p [:ig. Ya que una estatura registrada tromo 60 pulgadas realmente está entre 59. como se muestra sombreado en la Fig. El ancho del intervalo de clase 7-ésimo.'RECUENCTA Si una muestra (o una población) es grande. . etc.Por e¡emplo. La suma de ias áreas es 1 ó l-00'. DISTRIBUCIONES DE FRECUENCIA RELATIVA Y OJIVAS estudiantes err cada clase. Como ilustración suponga que una muestra consiste de las estaturas de 100 estudiantes de la univelsidad XYZ.5 se conocen como límites reqles de clsse. puecen enct-¡ntrarse con frecuencia. podríamos haber registrado el intervaIo de clase como 59. Es interesante observar que Ia gráfica parece indicar que la muestra se extrajo de una población de alturas normalmente distribuida. Distribuciones muestrales para estos estadísticos.5 los números 59. Tabla 5-2.5. denominada la frecuencia de clase.cAP.5 pulgadas. es Ia diferencia entre el límite real superior e inferior.5. se ¡nuestqan en la tabla anterior.. EI siguiente intervalo de clase sería entonces 62. se conoce como d¿süribución de frecuencia o tablade frecuencia.5:3. es difícil observar las diferentes características o computal estadísticos tales como la media.5-59.5--65. Si en la Tabla 5-2 registramos la frecuencia relativa o porcentual en cambio del número de . por ejemplo. o por un polígono de frecuencios uniendo los puntos medios de los techos del histograma.5 y 60. DISTRIBUCIONES DE F.5 pulgadas mientras que unaregistrada como 62 pulgadas realmente está entre 61. 5-1. El histograma correspondiente es entonces semejante al de la Fig. Orden3mos los datos en clases o categortbs y determinamos el número de individuos que pertenecen a cada clase. que puede tomarse como representativo de la clase. La ordenación resultante. o al menos sus medias y desviaciones típicas (errores típicos).-r-l correspondientes a esta clase Ia correspondiente frecuencia de clase es 5. 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.5-62. 60-62 es 61. Puesto que 5 estudiantes tienen estáturas casoc:62. etc. Tabla 5-2 ESTATURAS DE 1OO ESTUDIANTES DE LA UNIVERSIDAD XYZ o H o 10 (pulgadas) fir) Estatnra i Número -f.l . Por esta razón es útil organízar o agrupar los dofos. Io que se llama uninterualo de clase.5-62. la frecuencia relativa o porcentual correspondiente a la clase 63-56 es 18/100 ó 18'i. 5-1 ercepto que el eje vertical es frecuencia relativa en cambio de frecuencia. se llama marca de clase. Algunos de estos.

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

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

4.2\ Esto pone de manifiestrque '' . Para una demostración general de este resultado véase hoblema I .8/2 = 5..5.3).05.40. 7.* 2.1 para el caso de muestreo sin remplazamiento. Para una demostración general véase Problema 5.5 1 4. Para una demostración general véase Problema 5. Estas so r (2.2t (3. 3) (3.11) (1r.0 -('25-10 - c.11) (3. 2) (8. 6) (3. o: 3.0 9. se considera la misma que (8. (3. (3.1¡ muestras (2. 8).0r 6.. 4 135 : -.166 TEORIA DE MUESTREO lcAP.1.0.0 -i. (o) y (ó) como en el Problema 5. 6.2) (6.o2/ N ."\.0).5 + 4."2*= o2/r.0 7.3) 111. rj). 11).r ) 4. sumando los 25 números así obtenidos y dividiendo por 25. 11) La selección (2. _Í ) .01.8) (6.puestoqueel segundo miembro es 10.0 (2.5 + 10 /r.6) (tt.2.0)2 = 4.?.8) (8.0 + 7.40 = 2'32 Esto pone de manifiesto el hecho de que para poblaciones finitas en las que se efectúa muestreo con remplazamiento (o poblaciones infinitas).5. y la media de la distribución muestral de medias es 9. (6. 8). El resultado final es .\ N _irl. + l:1.0 otr 3.6.5. de acuerdo con el valor anterior. 3) (2.O.8) \3.0 y la media de la distribución muestral de medias . nuesto que segundo -:^-L-^ "" (.0 : itO + 6. 11).6). or". de la distribución muestral de medias x es 6..2. 5. 8. l'I1!11-q9-"'-lgl-99'":'I9't3ls 25 comprobándose que ) 150 tt - o'' t{' -.6) \2. 6) (8.5 I.5 ¿" (l 8.0¡:: -f -' .8.to oue el sesundo miembro ^^ .2) (11. de la distribución muestral de medias se obtiene restando el valor de la media 6 de c¿da número de (1 )..D 6.05 Y ox r.5 = 6. de tamaño dos que pueden extraerse sin remplazamiento (esto significa que se extraerá un número y después otro número diferente del primero) de la población.0 O.0 6. 7.29.11) 4. que es el valor obtenido anteriormente.5 . éstas son (2.8) Las correspondientes medias muestrales son 2. 10'8/5 ..11) (8.2) 12.U t< (. (2.5 5. ) "l .40 de modo que o.5 + 9. Lo mismo que en el Problema 5. ¡r: 6 y o2 :10.r' = 16.!lr_115.b - 6.5 6. por ejemplo.5 7.0 5. 5.8.5+ 5.11) (6. (2. (6.0 es 8. 4. (3. 3) (rl. + (9.* . 4.0.47. (8. Las correspondientes medias muestrales son 2.5 7.8). 5.5 (c) Hay 5(5) : 25 muest¡as de tamaño dos que pueden extraerse con remplazamiento (puesto que cualquiera de los cinco números de la primera extracción puede asociarse con cualquiera de los cinco nfrmeros de la segunda extracción).5. 5. ll ). (c) Hay iC-.2).3) (6. ¡'.1-¡ .0.0 5.6.0 poniendo de manifiesto el hecho de que tÍ - (d) La varianza.3).0 8.f.5.5 11. 7.5 9..0 4. elevando al cuadrado cada diferencia.6) (6. (d) I'a varianza o{.-.8) (11.

0.6 pulgadas 3000 3000 (b) p* = p - 68.68.304 o cero.5 Proporción de muestras con medias entre 66. la media y desviación típica esperadas serán muy próximas a las de la distribución teórica.67) : : (área a la izquierda de z : 0) y z : O) .02 onzas y una desviación típica de 0. sino solamente una distribución muestral experimenú¿1.4 pulgadas . Por ello.6 (o) 66. habría mucha aproximación entre las dos disbibuciones muestrales.3 cabría esperar una media (o) entre 66.(área a la izquierda de z : -2.6682) ó 59.1915 : 0.cAP.3 en unidades tipificadas : : (66.6 : -2.02 ? .3 pulg. Así. Sin embargo. para todo propósito práctico.5\ :(áreaentree:-2yz:O) * (área entre z : O y z : 0. pulgadas.8 y 68.(área entre z : 0.5) : O.0 : 0.3 .25 -1 que es ligeramente menor que 0.6 : -2.8 y 68.6687 Entonces el número de muestras esperado es (80)(0.4 en unidades tipificadas: (66.30 500 /ioo 500-1 - 100 0.5.0 pulgadas y Yox=- ox = o=3 \/n {zs = 0.0 pulgadas y dewiación típica 3.4 pulgadas? ¿En cuántas muestras del Problema 5. puesto que el número de muestras es grande. considerarse la misma que en el muestreo con remplazamiento.0098): 0. = tL = 68.0 0.5 - 0. Fig.30 onzas. (b) 66. (b) de más de 510 Pa¡a La distribución muestral de medias ox- o yn !* = p = N-n N-1 5.0)/0.4 - 68.8 .68.6 pulgadas.0038 -2 A7 Entonces el nhmero de mueshas esperado es : (80)(0. (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. : (área bajo la curva normal entre z : -2. Supóngase que las estaturas de 3000 estudiantes de una universidad se distribuyen normalmente con media 68. ¿cuál será la media y'la desviación típica esperada de la distribución muestral de medias resultante si el muestreo se hizo (o) con remplazamiento.0)/0.67 0.6 pulgadas y puede.4962 : -2.0 pulgadas.5l TEORIA DE MUESTREO r67 5. De aquí que con 80 no se obtenga realmente una distribución muestral de medias. cabría esperar que la distribución muestral experimental de medias se distribuya aproximadamente normal con media 68. que son muchas más de 80.67 Proporción de muestras con medias menores de 66. Así se tiene.3. (b) menor de 66.0 y z : O. 5-3 5.6 (68. 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. cojinetes de bolas tienen un peso medio de 5. por tanto. pues. Si se toman 80 muestras de 25 estudiantes cada una.0pulgadas o vn N-n _3 N-1 \/% .3 La media X de una muestra en unidades tipificadas viene dada por Z X-p* aX X-68. \a) p*.02 onzas.8 en unidades tipificadas 68.0)/0.4772 + 0. 5. Quinientos onzas.0 pulgadas y desviación típica 0.4.

5 ..8.96 Probabilidad pedida : 2.00 onzas.+ "' + -' Entonces puesto que X¡. son variables aleatorias que tienen la misma distribución que la población.96\ (área a la derecha de z:0) .216-1 (área entre z : : 222 -074 Fie.t - .7 4) (áre^ entte z : -2. DISTRIBUCION MUESTRAL DE PROPORCIONES 5.. mediante la aproxlmación normal a la binomial.22 y z : -0.00 en unidades Probabilidad pedida tipificadas : (5.O2\10.5 y 72. Hallar la probabilidad de que en 120lanzanientos de una moneda el número de ca¡as (o) esté comprendido entre el 40% y el60%.5-5 5. página 158. 6 72. Demostrar el Teorema 5-1...(área entre z : -4.48(i8 .) - . 5.96) :0.10 onzas.5 se encuentra entre 4. Puesto que el número de caras es una variable discreta.10 en unidades tipificadas: (5.96 ) El peso total se éncontra¡á entre 496 y 500 onzas si la media de los 100 cojinetes y 5.ruo2. tenemos l¿-12 E(X¡) = * Entonces ya que la media muestral se define como -Y='' x.pues.(. (a) ' pide ra probabilidad de que el número de caras en los 12Q lanzamientos se encuentre ent¡e 4O(/o de 6 48.6.E6)) = L(rr\ = t! 6.027 5. (b) sea 5/8 o más del número de lanzamientos.7. la cual tiene media ¡1. tenemos por los Teoremas 3-5 y Var (X) -f vu. Se consideran los 120 lanzamientos de la moneda como una muestra da la población infinita de todos los posibles lanzamientos de la moneda.0. .5.. Tenemos .22 : --0.02)lO. F'ie. En esta población la probabilidad de cara es p : I12 y la probabilidad de sello es C :1P : l12.(área entre z : O y z = 2. se pide Ia probabilidad de que el número de caras se encuentre entre 47.O27 : -2.O27 : 2.02)lO. '1-.. (x1) r rI (x..0015 : (área a la derecha de z Así. 3-7 " x. son ina"p"nl'i"nt". X. Demostrar el Teorema 5-2. 4.+-\1L tenemos como se requiere l E(X) = ]lEtX.5. Puesto que X1. X2. página 158.+"'") =.96 en unidades tipificadas: (4.7 4 y z : O) = 0.0.ttr rr"rr"n Var uuri^X.4985: 0.00 - 5. Se 1-2O.22 y z : O\ .96 5.10 .5-4 (ó) El peso total excederá de 510 onzas si el peso medio de los 100 cpjinetes sobrepasa las 5. y 6Ol/" de l2O. Se procede como en el Capítulo 4.7 4 : -2.168 (o TEORIA DE MUESTREO lcAP.2704 : 0.. solamente se darán 3 casos cada 2000 de obtener una muestra de 100 cojinetes con un peso total superior a 510 onzas.

fn ficadas son.8.0040 -_ 0'6250 5.00417) en unidades tipificadas Probabilidad pedida .5 .60+0. Teniendo esto en cuenta se resta 11 Z" = Al¡. ¿En cuántos individuos cabe esperar que (o) el númoro de caras se encuentre entre eI 40% y el 60% desuslanzamientos.117 l1 a 0. Aquí se consideran S00muestras.00.0041?-0.4887 ) : O.50 = _2.60 5.5 en unidades tipificadas = - 60 72.19 : 2(0. puesto que L1240: 0.4857) : Aunquees:cresultadotiene dos cifras significativas.idad pedida = 2.t9 yz : 2.40 0.0456 (0. puesto que 5/8: - 0.5/120 y (b) Empleando el segundo método de (o) se tiene. que 0'00417 0.=1p= ^FY = 120 = 0. puesto que no se ha utilizado el hecho de que la proporción es realmente una r¡ariable discreta. Cada persona de un grupo de 500 lanza una moneda 120 veces. i:abe esperar el encontrar un97.0456 40Vo enunidades tipificadas 60o1c -2.5 en unidades tipificadas = 72.detamaño 120 cada una.00417) y (0.65) : 0.0456 = 2.uo ".28) 2(área errtre z : O y z : 2.s los posiblea l¿nzamientos de una moneda. 5l TEORIA DE MUESTREO ¡r: núrnero de ca¡ae esperado .8 se ha obtenido que todas las posibles muestras de 120 lanZamientos de una moneda.I9 en unidades tipificadx: ffip z sí la probabilidad pedida es el área bajo la curva normal entre 0.65\ : (área a la derecha de z : 0) .6250 - 0. no concuerda exactamente.np = rzo(!) = oo o= 47 \/"pq 47.0'60 = 2. de 0.(áreaentre z : 0 y z : 2.9. - 0.0r56 - 0. 0.40 y se Buma .40 72. = .28 : : : Otro método.0041 7.4960 : 0.I9 : -2.cAP.48 . (o) En el apartado (o) del Problema 5.28) 2(O.60.28 _ y 0.5 5.60 + 0.48 Probai¡ .1.00417) corresponden a las proporciones 47.28 que concuerda con lo obtenido por el primer método.971.0. (b) 518 o más de sus lanzamientos resulten cara? Este problema está estrechamente ligado al Problema 5.50 0. de la población infinita de todo.5 . Así pues.6250.977 4 ttp=P:i=o.51720 del primer método.86 : (área bajo la curya normal a la derecha de z : 2. las proporciones pedidas en unidades tip! 0.28y2:2.74% de ellas con porcentaje de ca¡as entte AOVI y el . (área bajo la curva normal entrez=-2. Adviértase que (0. = 2.

2t) : 0..02(0.0714 se : O.5 y'1+oo)1onz)¡rsg : 2. (Esta proporción puede también obtenerse dándose cuenta que 101 o más indica mayoría.5 en unidades tipificadas : " : {"w : (11. 12 o más significa 11.0'02 -: 0.0362: 1.00125) en unidades tipificadas 0'02 r 010q1?5 .3869 :0.1131 . (b) 1000 individuos elegidos aI azarde entre la población votante se hubiese obtenido una mayoría de votos para dicho candidato. (3% de 400 ) : 12 piezas defectuosas. ó 489 muestras con esta propiedad.10.5 6OVo. Se sigue que en 489 individuos se esperaría que su número de caras se encontras€ entre eI 4O% y el 6O%. hubiese obtenido 0.5000 + 0.5 o más. En ó00 muestras se puede esperar 97 . : 2 personas se esperará que los 5/8 o más 5.0025.4G y ".21 (área bajo la curva nonnal a la derecha de z : l.489 : 1I individuos cabe esper:ü que su número de caras no se encuentre entre el 4O% y el 6O% de los lanzamientos. Otro méüodo. Los resultados de una elección demostraron que un cierto candidato obtuvo el 46% de los votos.7 4% de 500.8 : - 1.57L4 Si no se hubiese aplicado la corrección. sería 100.14 = 20 0.o3_o.8)12.00125.0025 : 0.0.5000.25 y como antes la probabilidad pedida (b) {0. L/2tt.5025 en unidades tipificadas : (0.5025 Probabilidad pedida : .5025. También puede utilizarse el aegundo 5.={-= . (2()'o de 400) = 3 Entonces 11.0040) de sus lanzamientos sean caras.-' 0. Este tipo de error es un rresgo que se presenta siempre que se trata con probabilidades.1056 Si no se hubiese aplicado la conección se hubiese obtenido 0. una mayoría se obtendría en la muestra si la proporción en favor del candidato fuese 0. Se ha encontrado que el 2% de las piezas producidas por cierta máquina son defectuosas.02 I 0..11.98) v = 400 _ 0.5/200 = 0. (b) Razonando como en (o). (a) Puesüo que I.170 TEORIA DE MUESTREO lcAP. se tiene (o. pero ésta. 0. Tales individuos pueden razonablemente sospechar que sus monedas no están bien hechas aunque sí lo estén. como variable continua. p0. método del apartado (o).5 y así la proporción sería 100.02 (o) y oP=tE= : 1/ 0. Determinar la probabilidad de que de (a) 200.1056.) Entonces.18) 0. Es interesante advertir que en 500 . 1/800 0.0352 L12n: ll40O: 0.46)/0.s (o) 3% o más.5000 - 0.26): 0.25 hobabilidad pedida : (área bajo la cu¡va normal a la derecha de z : I. (b) 2% o menos? PP'=P=0.p = :p = 0. En concepto continuo.50 + 0.18 Probabilidad pedida : : (área bajo la curra normal a La izguierda de z 0. ¿Cuál es la probabilidad de que en una partida de 400 piezas sean defectuosa.a es .oo125)enunidadestipificadas=W=|.007 Mediante la corrección para variables discretas.0764.5025 o más. se concluye que en (500X0.

= varianzadelzpoblación U. = població n lJn = f.4964 DISTRIBUCIONES MT..) o (e) .0158._u. ¿cuál es la probabilidad de que las bombillas deA tengan una du¡ación media que sea al menos (a) 160 horas.]ESTRALES DE DIFERENCIAS Y SUMAS 5. = varianza de la población I/' (3-6)2 + (7-6)2 + (8-6)z _ 33 a2u. Si se toman muestras al aza¡ de 125 bombillas de-cada fabricante. (b\ pu. (f) n'u r- u" = mrianza de la población (U 1- U 2) (1-3¡z + (5-3)2 + Oo.4. = media de La ]{S*?*8) = l. (t) vr..13. @).12.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.) nu..a demostración del resultado general se deduce del Teorema g-7 .. ofi.. 14 (d.46..69 Probabiliüd pedida : (área bajo la curva normal a la derech¿ de z = 2.6g) = 0. Las bombillas eléctricas de ün fabricante á tienen una duración Lned.' Éiinz. (f. = mediadelapoblaciónU. 8 y U2 lavariable de los elementos de lapoblaciín2. (b) 250 hóras más que las bombilhjde B? .6l (b) pp TEORIA DEMUESTREO = p: 0. Sea Ut la variable de los elementos de la población 3.= \Ej7r-._ri. 7.iu. = (2-3)2 * (4-3)2 =l ó ou"= l. = FLrt = 4Lrr.ia de 1400 horas con una desviación típica de 2OO horas..-(e) ou"._u". = t/f. y 0.m=!T. 6 r¿.' ¡ecado dc 5.46@Ba)/1000= 0. [. o.5000 - 0.0036 = 2..q/n = y'd. ou.7 g ..j ut-v2 (6-3)21(-. -3)2 + (3-3)2 + (4-3'¡z b L7 3 Eeto concuerda con el reeulüado general para muestras independient"" ou. Calcular (a) *u. (d) V @ ).5025 en unidades tipificadas = ff*s : 0.cAP. rnientras que las de otro fabricante B tienen una duración media de 1200 horas con una desviación típica de 100 horas.. (o) (b) (c) Éy.Ur) Fur-u. sacado de (o) esto concuerda con el resultado general FLtr_uz= y (b).

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.

Cuatro grupos de estudiantes.3.2.32.0 o o É o C t{0 6 N^^ Eou o O .6.8. dos 2 y tres 8. 5-11 y 5-12 corresponden a las Figs.4.10 y 18 individuos registran una media de pesos de 162. 5-11 o en la Fig. 5-12 muestra el polígono de frecuencias acumuladas u ojiva de los datos y los trata como si en esencia fuesen continuos.. dos 3.3 + 4 + 5+ 4 + 8 1 2+ 5+ 4 20 =ñ:n'" Método 2.4. el porcentaje de lanzamientos en los que haya menos de 2 caras es igual aI porcentaje en las que haya menos de 1.4.8 5.10 N-^ EOU G' o :! . La Fig.3. de modo que eI mismo porcentaje l8. 1. .5-ll (c) La representación gráfica puede indicarse como en la Fig.2ol.2. Hallar la media aritmética de los números 5. formados por 76. 2x It 5 qA +3 | fi + 5 + 4 + 5 + 2 + 8 + 6+ 5+ 4 + 8l. 5-12.8. respectivamente. 5-11 es Ia más lógica para representar datos discretos.5 100. CALCULO DE LA MEDIA.8.2 52.(6)(5) +(2)(3) +(2)(6) + r5)(4) I (2)(2) +(3)(8) 6+21-2+5+2+3 96 20 = 4.4 81 . 5-9 y 5-10 de la parte (a). Método l.23 caras.4. 153 y 140 libras.8 18.aparece para todos estos valores (indicado por la línea horizontal).10 Hzo o lzo A 0123456 Número de caras 6 0123.1 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?. 20. La Fig.5.56 ó 1. así por ejemplo.6.6. VARIANZA Y MOMENTOS PARA MUESTRAS 5. 5-12 Fig. L48. Hay seis 5.0 3. Hallar el peso medio de todos los estudiantes.4. cinco 4.31.5. 5. Nótese que las Figs.TEORIA DE MUESTREO Nfimero de lanzamientos Nfrmero de caras (frecuencia acumulada ) 0 Porcentaje de lanzamientos (frecuencias acumuladas porcentuales) 0.75. Entonces _ )/¡ n .1 Número de caras Fig.5. dos 6.

pulgadas. Utilizar la distribución de frecuencias de estaturas en la Tabla 5-2. 5.33.45 pulgadas . se consideran como teniendo estaturasde 61. Utilizar la fórmula clave del Problema 5. etc. Elproblema entonces se reduce a encontrar la estatura media de 100 estudiantes.o. es igual al tamaño de intervalo de clase c multiplicado por algún entero u¡. 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 >/ - + . 18 tienen una estatura de 64 pulgadas. El método se denomina el método claue y debe emplearse siempre que sea posible. para hallar tatura media de los 100 estudiantes de la Universidad. si 5 tienen una estatura de 61 pulgadas. especialmente para los casos en los que los números son grandes y hay muchas clases. Véase Problema 5. Denótese la clave de marca j-ésima por . XYZ. 63-65 pulgadas. La solución puede ordenarse como se indica en la Tabla 5-10..rj. xj . pígina 163.ffiq = 6?.34.. )/'(o*crr¡) = o>f. 67.35.t yaque n=2f¡. Técnicas breves se encuentran disponibles para disminuir el trabajo en tales casos. es decir r¡ -o:cltj óx¡: a *cu. La media está dada por fi _ 2f¡r¡ = = nnnn. por ejemplo.64.r¡ con respec[o a alguna marca de clase determinada a..180 sfn TEORIA DE MUESTREO lcAP. = a*c! )/'rr' .34 para hallar la estatura media de los 100 estudiantes de la Universidad XYZ (véase Problema 5-33). Derivar la fórmula clave (27). T abla 5-lO 5. etc. Entonces la desviación de. alcú" 2f¡u.¡ (tambiénescrito brevementecomor =a I cui.página 164. 5 = 150 libras 5. -..)" = 67+ (i%). Adviértase que todos los estudiantes con estaturas de 60--62 pulgadas. la es La solución se indica en la Tabla 5-9.45 pulgadas Los cálculos involucrados pueden conveitirse en tediosos.35. etc. )fu = l5 u = "*(?t. para la media aritmética.

4. Derivar la fórmula clave (28).8):¿ + 3(8 - 4.33.11 Estatura (pulgadas) Ma¡ca de clase 61 r r- r-r = 67. Del Problema 5. Entonces n20 _ 59.31 tenemos ú = 4.DO'O 64 67 70 73 -3.2460 8.cAP. para lavarianza. (o) Método 1.8. Tabla 5.45 2.32.33.31.rlgadas.36.5025 30.Do 18 42 27 8 0. x: 67.u.36. Como en el Problema 5.6025 11. Como en el Problema 5.r\2 n 15(162.20 20 2. aír 20 Méüodo 2.150)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. Hallar (c) la varianza y (b\ la desviación típica para los números en el Problema 5.a solución puede ordenarse como se indica en la Tabla 5'11.2025 6. página 164. donde hemos utilizado el hecho de que las 5. = +:q = 65'6 en unidades libras cuad¡adas o (libras)2 .39.7500 f(r TL n\z 852.96 y "-rfzs6=1.20 .0L25 214.34 tenemos ri = a + cui y ft = a*c'" 2f.10 libras. : y'Gb.37.5050 I¡D.92 pulgadas 5.8)2 _ (b) De (o\.45 4t.55 o. .38.45 -0. s2 = 59. 5l TEORIA DE MUESTREO 181 5.45 lr - fr)¿ Frecuencia 5 / f(r ñ\2 60-62 63-65 66-68 69-71 -6. 5. HaIIar Ia desviación típica de los pesos de los estudiantes del Problema 5. " 2f(r-r\2 _ n 6(5 .8)2 = 2QA (2_20 4. [.4200 n=)/=100 2 2f(r-ñlz= 852.6 (libras)2 : \6bS libras : 8.z - 2 f(r . = a*cú' t¿ .9025 208.8025 72-74 246. Hallar la desviación típica de las estaturas de los 100 estudiantes de la Universidad XYZ Véase Problema 5.45 pr.7500 100 = {dEfB = 2.

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

42. Hallar los coeficientes de (o) sesgo y (b) curtosis para la dishibución de estaturas del Problema 5. ffi2=s2=8. PROBLEMAS DIVERSOS 5. (o) Emplear dos dígitoe para numerar a cada uno de los 100 estudianües: 00.5275)3 (b) Del Problema 5. que tomamos como n(¡meros muestrales aleatorios.6l Entoncee. (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. Del primer renglón hallamos la secuencia 5I. -0. cada uno de los cuales determina la estatu¡a de un eetudiante determinado. (c) Comparar los resultados de (b) con los valores teóricos.3759 ffiz:s2=8.6932 a3 Coeficiente de eesgo = a. 67..41.5275 rttt Coeficiente de cu¡tosis as=E = : 199.88 "z1ML- 8.(0.1s)2] = ca(ML-gLI|Mi+ zM'Lz) = 2?[0. 27..15)2(0.15 ML=Zy = o. De (D) yemos que e8 menoc apuntada que la dishibución normal (que tiene un coeficiente de curtosir: 3).BB Mí= >fu2 n y de (32).97) -3(0. 46 resultan en'estatu¡as de 70.67 pulgadas respectivamente.nL¡ = ca(M't.33.43.cAP. . Así 51 conesponde a un estudiante con estatura 66-68 pulgadas. Asf los 5 estudiantes con esüaturas 60-{2 Tabl¡ 6-14 pulgadas s€ numeran 00-{4.. tenemoe 183 M] = >fu n = 0. los 18 eetudiantes con estaturas 63-65 pulgadas se numeran 05-22. (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 27.9? .^=>+=2. 02. (o) DeI Problema 5. 7'1. 99 (véase Tabla 5-14). fflg = p: { (8. En forma semejante 77.15)41 : 199. etc.14 m+ Entonces = 199. Cada Nf¡mero Estatura n(rmero de estudiantes se denomina número'muestral.97 M. . Entonces extraeremo8 nl¡meros muestrales de la tabl¡ de nf¡meros aleaüorios (Apéndice I).6982 .53-4(0. explicando cualquier discrepancia.5275 Entonces mB = -2.4MiML+ 6M'r2ML- BMin) 81[2.41.. utilizando La TEORIA DE MUESTB. 46.15X0. etc.3759 qa-szrgy _ 6 al = z't+ De (o) vemos que la distribución está modetadamente sesgada a la izquierda. que tomamos como 67 pulgadas (la marca de elase). lttt = ffi2= ffi3= 0 0.3?59 5. (b) Hallar la media y la desviación típica de la distribución muestral de medias en (o).1b)B] = -2. 40. OL.53 M'r') = 9[0.6275 B(0.9?) + z(0.33) + 6(0.EO notación de la página 165.15)(0.

70. 10. 45.24.58 9.64.91.52 13. 73.25 68. T¡bh 6-ró Nf¡meros muesFale¡ Est¡twr¡ o- E¡la+ Nfrmeros muestralea extrafdo¡ rrcqrondieatcc 67.77.f = n 30 4 ).27.32 8. 51.70 70. 40. 67 Ír¡f¡f media 66.25 67.fu.25 69. 67.75 67.57.0L.67.75 66. = 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). 21. 67. 67. 70.08. 60.00 64. 07. 15. 51.50 67.36 08.25 70.70 Trbl¡ 6-16 Media muestral 64.62 4.50 68.50 68.84 64. 96. 64 70. tt. 67 70. 16. 63.73 73. 10. 70 73.8s 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.99 23. L¡ medi¡ y la derviación tfpica ee obtienen como es usual por los métodos claves delcrito¡ anterbrmeuüe.70. 67.50 1. 67. 67. 56. 70 64.64.83.91. 67.75 68.03.25 68.70. 67 67. 67 23. 67.67 64.79. 67. 64. 68.09. 70 6L. 18 70.97 24. 67.46.50 79. 70 67. 86 6.6L.25 64. 19.82. 73.73 67.96.70 medi¡ 67. 67. 19. g8 25. 67.00 70.00 67. 33 m.50 66'.64. 73 67. 67. Esta ee una distribución mucet¡al de mediu.25 66.93 5. 1t. 64 67. 58 70.41.70.70. 67. 6L.00 (0'75)(23\ = * 'ñ- 67'58 Pulgadaa 2fuz />1"\' n -\ i " (0. 70. 05. 67. 06. 55. 70. 67.75 69.50 68.24 64.44. 67 64. 64. 67. 73.64 73.93. 3 14 16 4 I l.64.76) = 1.25 69.97. 61. 98. 64 67. 34. 56.91.60 67.'7L.73.96.42. 42.70 7.00 -4 -3 -2 -1 0 1 -4 0 -4 -6 0 0 4 / 28 45 16 23 d D . 67 67. 70. 73.28. 73.22. 07.64.50 68. 70. 64. 67.74. 53.23. 67. ?1. 87 fl. 11.75 65.54.58. 70.6r. 64. 13.25 Cl¡enta Í 1 u fu fu2 16 0 8 6 0 2 ñ( /t/t )#{ 6 4 A a+67.31.67 67. 20. 73. 31.50 65.98. 70 64.50 66.2L. Medi¡ = a*cú Derviación = o*c2fu típicr = = e - 6?. 67.93 27. 67. l.87 26.25 67.5 Por eete proceso obtencmo¡ l¡ T¡blr Fló quc rnue¡tra lo¡ n(¡mcro¡ mue¡trale¡ extrafdor. 43 1f. 93. L2.54 2:2. 21. 70. 81.74.ón dc l¡ trbl¡ de nl¡rncro¡ dcatoiio¡ h¡brfrmo¡ podido inici¡¡ en eualquier parte y escoger cualquicr patrón dctetmindo.00 66.00 66. 64. 73 67.00 67.184 TEORIA DE MUESTREO lcAP. 76.25 69.69. 67 . 67. 90. 67 29. 64.25 65. 67.25 67.08 12.50 69.00 68. 12 3. 64. 67. 56.00 extnfdo¡ Estatr¡¡as corespondientec 64. 30. 75.2L 10. 70.02. 45. 65.33. 67 64. 70. 67 70.30 58.75 69. 39 13.93 14.41 pulgadar . 59.28. 58. 67 70. 67 70. 46 2.79 70. 6? 15.04. 03.64.64.

l' ra. ) ea el producto de (1 ) y (2). Hallar (c) la media y (b) la dewiación típica de la distribución muestral de las dewiaciones típicas.0 libras.0. es igual a o/y'[.46 pulgadas. 5.0.10.4 es (0. Las discrepancias se deben a que solamente 30 muestras fueron seleccionadae y el tamaño de la muestra fue pequeño.3'/'. Podemos considera¡ que el muestreo es o de una población infinita o con remplazamiento de una población finita.8%.t. La desviación típica de los pesos de una población muy grande de estudiantes es de 10. ¿Cuál es la probabilidad de que las dos últimas observaciones sean menores que las primeras cuatro? Suponemos que la población tiene función de densidad f(xl.0 es (0.a a. estamos de acuerdo con el valor de 1. /(r) tr. de acuerdo. esto es Q\ (r) f" sean . es ig¡ual. De la Tabla 5-1.0 lb ( lr) \/2" + = 0.?d L -r.33).50 libras. (b) menores que 8.8 .cAP.8libras? La distribución mueetral de desviaciones típicas es aproximadamente normal con media 10.92 pulgadas (véase hoblema 6. 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) . donde la dewiación típica poblacional o = 2.10.4772) = 0.40) y el tamaño de la muestra n : 4..0)/0.0 libras. Una muestra de Por 6 observaciones se hace aleatoriamente de una población..50Ib v400 5.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.t J.8 libras en unidades típicas : (8. tenemos: ( ¿[.".g2/fi = 1.50 : -2. (a) : 11. por tanto el porcentaje pedido ec 0.) ps: o = ts=-' o 10.r. ¿Qué porcentaje de las muestras del Problema 6.4. por tanto el porcentaje pedido es 2.4918) : 0. .5 . Puesto que o/t6':2. 5.con el valor de 67.f 'LJ" f t@ta*l'/t.50 : 2. El área bajo la curva normal a la derecha de z 2.0 libras y desviación típica 0. dada por a¡.46. de (b) 8. dada por o*.) au .41 pulgadas de la parte (b).0228.0.0y0.r . La desviación típica teórica (error típico) de la distribución muestral de medias. ¡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 €.45..a la media poblacional ¡r que 67. Entonces la probabilidad de que las primeras 4 sean rnayores que ü y las 2 últimas 6ean menores que u es decir - nc.58 pulgadas de la parte (b).' ¡p¡ a*)"lJ'"-r.5 . El área bajo la curva normal a la izquierda z : -2.44 tendrían dewiaciones típicas (o) mayores que 11.0 libra¡ en unidades típicas: (11.44.1 aJ.5l (c TEORIA DE MUESTREO 185 ) es t a media teórica de la distribución muestral de medias. Se escogen muestras de 200 estudiantes de esta población y se calculan las dewiaciones típicas de las estaturas de cada muestra. Í:-lÍ.0082.45 pulgadas (vóase hoblema 5. pfuina 162.0 .

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

Ét ". el lado izquierdo e8 cero. Demostrar que (c) la media y (b) la varianza de la media muestral del Problema6.62.á var(X¡) * .(-r¿_ i)] = Lfr-"-rf = 4(N-"\ nl.50. obtenemos var(x) = Sv^.4L .rlo s 6.' " ) = . ¿en cuántae de lag mue¡tras aleatoria¡ cabe ecperar que sus medias (a) ertén enl'l.p) = -Noz r \ -2 'r' X¡) = . Resolver el Problema 6. Hallar (o ) la media poblacional. 5. (d) la dewiación típica de la distribución muestral de media¡.cAP..x¡)] = #ú* *.. ya que por definición a1 187 -la2+'.á.51 si la población 5e compone de 22 cojineter.f x"\ D p (.iE(x)+"'+E(x")l 1 =1 n (p -r "'+p) donde hemoe empleado el Problema 6.39 onzas.e 22. = p (b) Uüilizando loe Teoremar 3-5 y 3-16 (generalizadoe).49.37 onzaa.. 15." +a¡v = a N 02. (b ) sin 6. Por tanto I+v:l Cov (X¡.4L onzas? y 22.Ét suplernenta.48. Considerar toda¡ lae posibleamuestrasde tamaño dos que pueden extraers€ de esta población con remplazamiento.40 onzas y dearriación tfpica 0. (c) sean menor de 22. (c) la media de la digtribución mueshal de medias. ó.048 onza¡.) = #[.7. remplirzamiento. Una población est6 formada por los cuatro nfrmeros 3. 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.( rr-:--r l(-. (d) ¡ean menor de 22.51. Si se erüraen 300 mueetras de tamaño 36 de e¡üa población. g (o¡ - p)(o. Encontrar (c) v (d) directamente de (c) y (b) mediante las fórmula¡ 5.N-1J '¿\N-1/ Problern DISTRIBUCION MUESTRAL DE MEDIAS a.6l TEORIA DE MUESTREO En esta ecuación.47 están dadas respectivamente por t*= (o) E6) = "1 =*"(x=) /X' +.a7 @). (b ) la dewiación típica poblacional. NÉ y la primera suma en el lado derecho er igual por definición. adecu¡das.LL. En el Problema 5.38 o mayor de 22.¡ = . Resolver el Problema 5.51. cov(x¡.N\N-rl' 't/ 5.53.(. .49 si el muestreo fuese sin remplazamiento. Loa peeos de 1600 cojinetes de bolas se distribuyen normalmente con medla 22.1'".42 onzae. (b) sean rnayor de 22.N-1 ^' . y el Problema 6-4?.(n_'.

y explic. haya una diferencia superior al1^o"k en las proporciones que votaron por dicho candidato. (c) más del 640/o sean niños. (c ) el 63"h o más sean niñas? Resolver el Problema 5. (c) entre 2 y 5 Una urna tiene 60 bolas rojas y 40 blancas. rojas? 5.62.6t. tomada de entre ellos tenga una duración media de (a) entre 790 y 810 horas. ¿Cuáles son las probabilidades del Problema 5. 5.54. Un fabricante despacha 1000 DISTRIBUCIONES MUESTRALES DE DIFERENCIAS Y ST'MAS 5.ar las diferencias en los Una u¡na contiene 80 bolas de las que 6oo/a son rojas y 4OToblanca* De un total de 50 muestras de 20 bolss cada una. En una prueba de aptitud puntos? la puntuación media de lo¡ estudiantes es de ?2 puntos y la dewiación típica de 8 puntos. Hallar la probabilidad de que en dos muestras aleatorias compuesta cada una de 200 votantec. (b) 6 o más puntos.66.54 si la muestra extraída ee de 64 tubos. De un total de 1000 muestras de 200 niños cada una.60. que es de 8200 libras? DISTRTBUCION MUESTRAL DE PROPORCIONES 5. 5. ¿en cuántas cabe esperar que (o) menos del 4OVo sean niños. A y B fabticzn dos tipos de cables. sacadas de la urna con rempliazamiento. (b) 98 o más bombillas buenas? 5. (ó ) entre el 43% y el 57% sean niñas. 5. ¿Cuál es la probabilidad de que el peso de 25 paquetes recibidos aleatoriamente y cargados en un ascensor supere el límite de seguridad del ascensor.12. 5. ¿Qué enores pueden introducirse al utilizar dos conjuntos diferentes de monedas? lotes de 100 bombillas cada uno.69. ¿en cuántas cabe esperar (a) igual número de bolas rojas y blancas. (d) enhe ??0 y 830 horas. (b) menor de 785. (b ) entre el 4O% y el 60% sean niñas. sob¡e las que se escrriba la inicial . Se extraen dos cotecciones de 30 bolas cada una con remplazamiento y s€ anotan sus colores.R o I en las proporciones adecuadas.55. 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. llallar Ia probabilidad de que de los próximos 200 niños nacidoe (o ) menos d. 6. se pueden usar hojas de papel. (c) 8 bolas rojas y 12 blancas. 6.6 6.63.nedias a larotura de 4000 y 4500 libras con desviaciones típicas de 300 y 200 libras. formados de 28 y 36 eetudiantes.6?. 5. Explica¡ la diferencia.56. En lugar de bolas rojas y blancas.5t.59. 5. Supónganse iguales las probabilidades de nacimientoe de niño y niña. Si U¡ y U2 son los co¡r¡\ntos de nhmeros del Problema 5. respectivamente. comprobar que . (d) 10 o más bolas blancas? Dseña¡ un experimento que ponga de manifiesto los resultadoe del Problema 5. que tienén unas registencias .188 TEORIA DE MUESTREO lcAP.63 si se comprueban 100 cables de cada fabricante? Explicar las diferencias. Lo mismo del Problema 5.el 4Oi'o sean niños. difieran en su puntuación media en (o) 3 o más puntos. 5. (b) l2 bolas rojas y 8 blancas. Ciertos tubos fabricados por una compañía tienen una duración media de 800 horas y una dewiaeión típica de 60 horas. ¿en cuántos lotes cabe esperar (o) menos de g0 bombillas buenas.57. ¿Cuál es la probabilidad de que las dos coleccionee difieran en 8 o más bolag Resolver el Problema 5.65.57 si se consideran 100 en lugar de 200 niños resultados. Los resultados de una elección mostraron que un cierto candidato recibió el 65% de los votos.64.60.66 si las exüracciones son sin remplazamiento al obtener cada colección. (ó) al menos 450 libras más que A? 5. 5.' ¿Cuál es la probabilidad de que dos grupos de estudiantes. (c) mayor de 820 horas. Si normalmente el 6Vo de las bombillas es defectuoso. Hallar la probabilidad de que una muestra aleatoria de 16 tubos. Los pesgs de los paquetes recibidos én un departamento de almacenamiento tienen una media de 300 libras y una desviación típica de 5O libras.61. respectivamente.

TOTAL 400 .899 900 .5I TEORIA DE IIIUESTREO ttur2 189 (a) 4. Una en tanto que muestra de 8 bombillas se toma de A y 16 de 8.73. Se pesan tres cantidades dando 20.8 o másvoltios? DISTRIBUCION MUESTRAL DE VARIANZAS 6. (b) se encuentre enüre 50 y 70 horas. Verificar si los resultados del Problema 5. ?s 6.70. 6.E0.399 400 . Verificar si los resultados del Problema 5. (b) mayores que 20. I 6. (e) Tamaño del intervalo de clase.05 y 0.75.72 ei el muestreo es sin remplazamiento.79.8f . (d) Límites reales de la última clase. El voltaje medio de una baterfa e¡ de 15. Reeolver el Problema 6.01? Dos compañías. Si se extraen muestrae de tamaño 5 de esta población.i se confirman por este valor y explicar cualquier diferencia.799 800 . De acuerdo con la tabla de distribución ú de Student para 1 grado de libertad (Apéndice D) tenemos P(-1 < 1) : 0.77. ¿Cuál er la probabilidad de que cuatro de estas baterfas conectadae en serie tengan un voltaje conjunto de 60.3?6 < ? 1. hallar (o) Ia media de la distribución muestral de varianzas.0.46 y 0.80 si las desviaciones típicas de las duraciones son (o) ambas 40 horas. la de la segunda.0. respectivamente.2 voltios. (h) Porcentaje de tubos cuya duración no sobrepasa .71.54 libras.376) . ¿Es la probabilidad de que una ttarianza sea mayor que 1.cAP. (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. Con 6. (b) el error tfpico de varianzas. Con referencia a esta tabla determinar: (¿) f 'ímite superior de la quinta clase.999 300 1000-1099 1100-1199 las 600 horas. 6 Frecuencia de Ia cua¡ta clase.72.50. o menor que 0.21. (b) Límite inferior de la octava clase.0 voltios y la dewiación tfpica 0. (g) Flecuencia relatir¡a de la sexta clase. La Tabla 5-17 rmuestra una distribución de frecuencias de la duración de 400 tubos de radio comprobados en la L & M Tube Company.tr*Lrr: ru.48. 6.5 veces la otra mayor que 0. (b) ambas b0 horas.74. Determinar la probabilidad de que la varianza de la primera muestra sea mayor que (o) dos veces. página 161.699 700 . Una población normal tiene una vari¿nza de 15.35.599 600 . Si se seleccionan 10 . donde ? tiene.tubos aleatoriamente hallar la probabilidad de que la dewiación tfpica muestral (o) no exceda a 50 horas.499 500 .60. (c) Marca de clase de la séptima clase.54 libras con dewiacionee típicar de 0. ¿qué porcentaje puede tener varianzas (a) menores que 10. para diseñar una tabla de distribución f de Student como la dada en el Apéndice D.?6.2 veces. Hallar (o ) la media y (b ) la desviación típica de la suma de las cantidades. (b) ou1+ur = \Grtr. Explicar cómo podría utilizar el Teorema 5-7. = 1.78. A y B fabrican bombillas. DISTRIBUCION DE FRECUENCIA 5.50. 5. y Se halla que CASO DONDE SE DESCONOCE LA VARIANZA POBLACTONAL 5. (ó) P(1. = 5.49 se confi¡man utilizando (a) P(-1 < f < 1) = 0. DISTRIBUCION MUESTRAL DE RELACIONES DE VARIANZAS 5.01. referencia al Problema 6. Tabla 5-17 Duración (horas) 5. entie 0.05.82. una distribución ú de Student con r.97 y 62. ó. La duración parz A tiene una desviación de 40 horas la duración de B tiene una desviación típica de 50 horas. Número de tubos L4 46 58 76 68 62 48 22 6 Solueionar el Problema 5. Dos muestras de tamaños 4 y 8 se extraen de una población distribuida normalmente. (b) 7.49.

Los tiempos de reacción de un individuo a determinadoe estímulos fueron 0. Tles profesore¡ de economfa regieünron una ealificación media en sus eiámenes de 79.55 segundos. Una 6.44 los.736 0.734 0.?30 0.732 0.50.742 0. Con log resultados del Problema 5.128 0.741 0. (d) un histograma de frecuenoias relativas.738 0.0.t4.736 0. 6.82.746 0. horas.732 pulgadas.732 0. 5.90.72t 0. (c) los límite¡ de clase.92. "de"*- Tabla 5-18 0.5 5. Las calificacione¡ de un estudiante en cinco aeignaturaa fueron 85. (c) Si las ponderaciones asignadas a cada asignatura rcn 2. ó.82 con duraciones de (o) menos de 560 horas. 5. (i) una ojiva porcentual.?30 y 0.725 0.740 0.735 0. CALCULO DE LA MEDIA.?36 pulgadas.78 y 89.734 0. 0.739 0.86.724 0.95. Si las marcas de clase de gna distribución de fiecuenciaa de estoe diámetros vienen dadas en pulgadas por los números 0.82 construir (o) una distribución de frecuenci¿s acr¡muladas.731 0.87.735 0.?30 0.(a) el tamaño de intervalo de clase.734 0.63.742 0. 5-18 niuestra los diámetros en pulgadae de una muestra de 60 cojinetes de bolas fabricados por una compañía.726 0. (h) una ojiva. (g) una distribución acumuhdá porcentual.324.88 consüruir (o) un histograma. (d) una ojiva porcentual. (c) entre 0. (b) una distribución acumulada relativa o porcentual.738 0. siete 7.737 0.736 0.333 y 0.746 0.46. correspondientes a la distribución de frecuen- 5. ó. (e) un polígono de frecuencias relativas. Comparar estos resultados con los obtenidos directamente de la colección de datos de la Tabla á-18. (c) di¡tribución de frecuencias relativas.E5' Para los datos del Problema 5. (c ) un polígono de frecuencia¡ relativas.52. ¿cuál es el promedio adecuado para sus calificaciones? (b ) ¿Cuál sería si todas las ponderaciones son iguales? 6.0.96.734 0.?36 0.738 0. 0.321. 0. (b un ) histograma de frecuencias relativas.?39 0.89 para los dato¡ del hoblema 5. ¿Cuál es ¡u media Las calificaciones de un estudiante en las tres asignaturas del curso fueron 77. Con los datos del Problema 5. (c) una ojiva.736 0.740 0. ?6.739 0.729 0.330. Estimar el porcentaje de tubos del Problema 5.88. (b) los límites reales de clase.740 una 5.735 0. Construir (a) un histograma y (á) un polígono de frecuenciae ciaa del hoblema 5.732 0.737 0. Porcenüaje de tubos cuya duración es al menos de 500 horae pero menor de 1000 horas. (b) no superioree a 0. Para los datos del Problema 5. 82 y 96.93.327.731 0. ocho 8. (b) un polígono de frecuencias. nueve 9 y diez 10.732 0.82 construir (o ) una distribución de frecuencias reliativas o porcentual. 0.732 0.89.83.0.733 0. sue clasee . Hallar la media a¡itmética de dichas calificaciones.386.63.49. hallar.741 0.743 0. 93.744 0.736 0.729 0. (f) una distribución de frecuencias acumuladas.728 0.94. ee¡ie de nfimeros está formada a¡itmética ? por seis 6. 0.735 0.730 0. 5. 4 y 6. Construir una distribución de frecuencias de los diámetros utilizando intervalos de clase 5.?38 pulgadar.737 0. 0. respectivamente.735 0.727 0. lcAP. y 0.89 determinar el porcentaje de cojinetes de bolas que tienen diámetros (o) superiores a 0. (b) 9?0 o mág Los diámetros interiores de las arandelas producidas por una compañÍa pueden medirse con aproximación de milésimas de pulgada.735 0.735 0.74 y 82. La Tabla dos. Deüerminar el tiempo medio de reacción del individuo a los estÍmu- 6. DESVIACION TIPICA Y MOMENTOS PARA MUESTRAS 6. (c) entre 620 y 890 horas.735 0.733 0.91.190 (i) (j) TEoRTA DE MUEsTREo Porcentaje de tubos cuya duración es mayor o igual a 900 horas. O.733 0. Resolve¡ el Problema 5.82. respectivamente.

0. Determinar el porcentaje de hombres y mujeres empleados en la compañía.8-L3. i) 5.5l estaban formadas por 32.5. El salario medio anual pagado a todos los empleados de una compañía fue de $6000. La Tabla 6-19 muestra la distribución de las cargas máximas en toneladas cortas (1 tonelada corta : 2000 libras) que soporüan cierüos cables producidoe por una compañla.6por2ydespuéssumando6seobtienelaseriell. Calcular el diámetro medio.98.0.7265-0.7270 0.9.?.7253-0.2 10. 19.7. 1' 1' 5. (b) el méto' do clave.7249 0. 10.7277-0.7258 0.262-0.8-10.2 11. ' 164.101.7280-0. La Tabla 5-21 mue¡tra Ia distribución de los diámetros de las cabezas de los remaches fabricadoe por una Tabla 6-22 Freeuencia I 6 8 Diámetro (pulgadas) 0.7.7271-0.6.. (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 6.7. Calcular la media de los datos de la Tabla 6'22. 25 las clases.7 L2.3-11.99.8.2.1273 0.7264 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. 1.7 t2 17 l4 6 3 1 Tabla 6-2O fr 11.7274-0.1. (c) 0. Demostrar que ¡as dos series tienen lae mismas desviaciones tfpicas.4.4.7.8-11.7279 0. reqrectivamente. Halla¡ i 9.6. Hallar la dewiación típica de la serie de nl¡meros de la progreeión a¡iümética 4.99.0. Tabla 5-21 60 ó. Tabla 6-19 Carga móxima Nl¡mero de cableg (toneladas cortas) 9.7259-0. (b) el método clave.2.7256-0. (b) 3. (o) Sumando 5 a cada uno de los nl¡meros de la serie 3. 15.2. ¿Cómo están relacionadas las medias? (b) Multiplicandocadaunodelosnúmeros3.100.0. TEORIA DEMUESTREO 191 y 11 estudiantes.8-r2. . pero diferentes medias.g?. 2.6. L7.102. Determinar lacalific¿ciónmediaparatoda8 5. .7 10.7252 0.22.6.7282 TOTAL de de Sfmenos de 36-menos de 40-menos de 16 L2 30 36 40 45 I o 2 TOTAL 54 250 6. .2. 7.7255 0. Log salarios medios anuales pagados a hombies y mujeres de la compañía fueron $á200 y $4200.7268-0.104.?276 0.3-10.98' (b) 6.6. 1.103.2 624 2 462 480 498 516 534 552 570 588 606 12. para los daüos de la Tabla 6'20 empleando (o) el "méüodo largo".5.3- 9.4. tlalla¡ la dewiación üípica para las distribuciones del (o) hoblema 6.106.7 . L. 12. 10' L6.6 se obtiene la s€rie 8.2 TOTAL Í 98 75 56 42 30 21 15 11 6 compañía. 5.3-L2.7267 0.7247-0. 11 . Hallar la desviación típica de los número¡: (a) 3.2.726L 0. respectivamente.cAP. Determinar la media de la carga máxima empleando (a) el "método latgo".7250-0. 6. ó.

Los momentos de segundo orden con respecto a la media de dos distribuciones son g y 16.111. Hallar (a) ntr. (a) Hallar la media y desviación típica para los datos del problema 5. ¿cuál es la media? 5.(b)curtosisparaladistribucióndelProblema5. 6.98.30explicandoelsignificado 5.108.126 son 230y 780 respectivamente. y comentar las diferencias observadas. tt. Los momentos de cuarto orden respecto a la media de las dos distribuciones del Problema6. - ?n: - 1m'rm! * l}m'r2nt!. - l}rnlstn" * 4n. Hallar (a) la media y (b) la desviación típicaparaladistribucióndelProblema de los resultados obtenidos..g. Hallar los momentos de (a) primero.mt. Hallar los momentos de (o) primero. Hallarloscuatroprimerosmomentosconrespectoalamediadelosnúmeros0. comprobar las relaciones entre momentos (a) mi2.li. (c) nt3. (b) segundo. la fracciónp son unos mient:'as que la fracción q : 1 -p son ceros. (b) segundo. Aplicar el resultado de (o) al Problema b. @') mt y (d) ma para los números. ) Construir una distribución de frecuencias para los datos y hallar la desviación (c) Comparar el resultado de (b) con el de (a).1 .L92 TEORIA DE MUESTREO lcAP. .f 07. l. Calcular los cuatro primeros momentos con respecto a la media para la distribución del Prol¡lema 5.108 para los datos del problema 5.1!2. De un total de n números. Lo mismo del Problema 5.¡nz = ml- 5'115. 20 22 2 AI.10.1. determinar los correspondientes momentos (o) respecto a Ia media. (c) tercero y (d) cuarto orden respecto al punto ? para los números del Problema 5.-Btnini l2m'rs. Hallar los cuatro primeros momentos con respecto a la media de los números de la progresión aritmética 2.11g.g.120. "on 5. (t l3s)? (c) Comparar los porcettajes'de (b) lo. (c) respecto al origen..114.117.llE. Calcular los primeros cuatro momentos con respecto a la media para la distribución de la Tabla 5-23.111 y 5. (b) asimetría? . 1. 8.121. Hallarelcoeficientede(c)sesgo. (t t 2s).102(c).0.125. Demostrar que la desviación típica de La serie de números es fi.109. (c) tercero y (d) cuarto orden con respecto los números del Problema 5.8 respectivamente. (l).2_ Bm. (b) rr.127. teóiicos esperados. 30 5. (b) m. (f) s. Tabla 5-23 f t2 t4 16 18 5. = nt. (b) ¿eué porcentaje de diámetros se encuentra entre (r1 . Véase Problema 5. 5. (D ) Derivar una fórmula análoga par^rns.l F. k) ¡¡.124. 5. @¡. Con los resultados de los hoblemas 5. 5. 11. (b) curtosis para la distribución del Problema 5. 5'121. 5. I 4 o 10 7 5.1 y -12.r5. 5'112.r5 1.. mientras que los momentos de tercer orden con respecto a la media son -8.lOO. Hallar el coeficiente de (o) sesgo. 5 5.. S.. l.101. la distribución del Problema 5.98. (b típica. (b) respecto al punto 5.t s). (a) De un total de n números. 5.111. (c) tercero y (d) cuarto orden de los números 4. Si loscuatroprimerosmomentosdeunaseriedenúmerosrespectoalpunto3sonigualesa-2. la fracción p son unos mientras que la fracción q : 1 p son ceros. (a) Demostrar que . 17. (b) segundo. Si el momento de primer orden con respecto al punto 2 es igual a 5. (c) lrq .116. t¡l F.-2bybO.f f O.126.nl_ thnirni+6ml2rn. tlallar los momentos de (o) primero.+. 5. a la media de 5.gg.111.0. 5. (o) Hallar la desviación típica s de los diámetros de los remaches del Problema b. y (i) (i+ rFpara 5. 5.119.5. 3. Comparar con el problema b.L22. 5. 5.2g.113. si la distribución fuese normal. ¿Qué distribución se aproxima más a la distribución normal desde el punto de vista de (a) apuntamiento. Hallar (o) m t . (b) mz.722.1o6.123. ¿Qué distribución está más sesgada a la izquierda? 6. 14.

133.129.115. Demoetrar que Vt y Vz definidas en el hoblema 5.132. (o) Hallar la calificación mfnim¿ del 2O% superior de los eetudianües.aI progresión aritmética con primer término o y raz6n d) erlt6 dada por tl1-2 (n2 Dd2 . pfuina 160..6l PBOBLEMAS DIVEBSOS TEORIA DE MUESTREO 193 5. Si muestras de tamaño 5 se ertraen de esta población y se calcula la varianza de cada muestra.104.1)a = $n(n-l)(2n-ll8n2-Bn1 ).129 si la medi¿na de duración es de 900 horas.129(o) y explicar ous reeultados. 1z+22+32+".135.cAP. Una población de 7 números tiene una media de 40 y una desviación típica de 3. Demostrar el resultado (I9). (n-1)d (eadecirun¿ 6..al2d. En un exarnen las calificaciones fueron normalmente disüribuidas con media 72 y dewiación típica 8.130. Una mueetra de 8 obeervacione¡ se hace aleatoriamente de una población.. mt = 0.'*(n-1)=in(n-1). halla¡ la media de la distribución muestral de varianzae si el muestreo ee (o) con remplazamiento. . Demoshar que los primeros cuatfo momentos con respecto a la media de progresión a¡itmética a. La compañfa envfa 1000 lotes de 100 tubo¡ cada uno. a * d. ¿en cuántos lotes cabe eErerar que la mediana de duración exceda a 910 horaa? Comparar ¡u solución con el hoblema 5. En el Problema 5. a * 2d. 5..1 5.a*d.22. hoblema 6.131.136.. ¿Cuál es la probabilidad de que lae primeras tres obgervaciones sean mayores que las'últimas cinco? ó. (b) Hallar la probabilidad de que en una muestra aleatoria de 100 eetudianües la calificación mínima del 2O% superior Eea menor que 76... página 175.+(n-l\z=fn(n-Il(2n-1)..134. 6. son independientes.a|(n-l)dson 11 ffit = 0.128.1 (b)Emplear(a)enel 6. 5.. (a) Demostrarquelarvarianzasdelconjuntoden nfrmerol a. tno = ñ(n2-l\3n2-7'td4 CompararconelProblema 5. ¿En cuántos lotee cabe esperar que (o) la duración exceda 910 horar.* (n . Determinado¡ tubos producidos por una compañfa tienen una duración de 900 horar y una dewiación típica de 80 horas. fSugerencia: 14+24 +34+' .. (b) la dewirrción tfpica de la duración exceda 96 hora¡? ¿Qué ruporicioner deben hacerse? 6. (b) sin remplazamiento. mz = i.fsugerencio: Utilizar - l+2+3+.@z-L)dz.

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. U 13 t) = o2. DE PARAMETROS POBI. La precisión o conocimiento del error de una estima se conoce también como su seguridad. EJEMPLO 6.2. L94 .s*o. cabe esperar que el estadísticoSseencuentreenlosintervalos&s o^s8Í. El valor correspondiente del estadístico eficiente se llama estima eficiente. El valor correspondiente del estadístico se llama estima insesgada del parámetro. Véase Tabla 5-1. Lógicamente se prefiere tener estimas que sean eficientes e insesgadas.31 pies. por otra parte. 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.3. EJEMPLO 6. La media X y la varianza 3' d"finid". ambas tienen la misma media. S realmente es un estimador sesgado de o.73% de las veces. Por tanto. Los valo^res i y 3 z se llaman estimas insesgadas.ACIONALES Sean ¡rs y o" la media y la desviación típica (error tÍpico) de la distribución muestral de un estadístico S. &s-2o"EFsl%a'" ó ¡r. Sin embargo. puesto que E'(X) = u. la distancia real se encuentra entre 5. la va¡ianza de Ia distribución muestral de medias es más pequeña que la distribución muestral de medianas.28 pies.r--Bo. u-¡r"* 3o" . Si las distribuciones muestrales de dos estadísticos tienen la misma media..27 % . es decir.95. Si. respectivaménte. La distribución muestral de la media y la mediana.1. se está dando una estima de punto..Capítulo 6 rF I | .28 + 0.que es cierto para muchos estadísticos. €l 68. SEGURIDAD La estima de un parámetro poblacional dada por un número se llama estima de punto de. eonq de esttmocton : . EJEMPLO 6. la media poblacional' Sin embargo. utilizan estimas sesgadas o no eficientes. En la práctica se ellas pueden obtenerse.46% y 99.2_5 y 5. si la distribución muestral de S es aproximadamente normal (lo que se ha visto-. ESTIMAS POR INTERVALOS DE CONFIANZA. el estadístico con la menor varianza se llama estimador eficiente de la media. ya que en general Z(3) + o. si el tamaño de muestra es n > 30).03 pies. en las páginas 157 y 160 son estimadores insesgados de la media poblacional ¡r y de la varianza poblacional 02. se dice que la distancia es 5. página 162. Entonces. se está dando una estima de intervalo. pero esto no siempre es posible. por la relativa facilidad con que algunas de ESTIMAS POR PUNTOS Y ESTIMAS POR INTERVALOS.s.l parámetro. Si se dice que una distancia viene dada por 5. la media provee una estima más eficiente que la mediana.

Utilizando los valores de o.00 0. Para niveles de confianza que no se encuentran en Ia tabla.58 o. t 6 . la desviación típica poblacional o es desconoc^ida.645 r.58 ox respectivamente.05 2.96 o.46% y 99. Iímites fiduciales.6746 En los casos donde un estadístico tiene una distribución muestral que es diferente de la distribución normal (como chi-cuadrado.28 1. Más generalmente.6% del área se encuentra en cada "cola" de la distribución ü. en el caso de un S insesgado). si el muestreo es sin remplazamiento én una población 2. se utiliza la estima muestral S o S.68. Poi estos se 99.F') se hacen fácilmente modificaciones apropiadas para obtener los intervalos de confianza. El porcentaje áe confianza se"llama también nivel de confíanza.respectivamenllama¡ a estoé intervalos los interualos de confianza del68. Los números extremos de estos intervalos (S i o5.1.6l TEORIA DE ESTIMACION 195 Análogaménte cabe esperar o se puede confiar en encontrar. para estima¡ el parámetro poblacional. Por ejemplo si -t.szs son los valores de ? para los que el 2. Pequeñas muestras (z < 30). como otras veces sé conocen. 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.27 %. entonces un intervalo de confianza para ? está dado por (véase pagina 161) (N -t.73% o.96 o7 Y X + 2. de modo que para obtener los límites de confianza anteriores."\\ñ s (3) .Grandes muestras (n > 30).33 2.68 2.73% "pueden Análogamente. Tabla 6-1 Nivel de confianza zc e9. son los límites de confianza del96% V 99% (ó 0. En general.73% s9% s8% s6% s5. 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. etn. En este caso utilizamos la distribución t para obtener los niveles de confianza.szs y ú.46%y99.45%y te. En la Tabla 6-1 se dan los valores de z" que corresponden a distintos niveles de confianza utilizados en la práctica.00 1. S-2o" a S+2o" ó S-3o.96.srs . 95.95. $ I 3or) son llamados los límites de confianza del 68.. a S * o' delasveces.96.. y S -r 2.96 1.27% 60% 3.9q -V 0.r. entonces los límites de confianza d'el95% y 99% para la estimación de la media poblacional ¡. . 2.o. & S*Sorenel 68. INTERVALOS DE CONFIANZA PARA MEDIAS 1.27%. ps er los intervalos S .73% para la estima de ¡rs (es decir.1. obtenidos en el Capítulo 5. los valores de z" pueden sacarse de las tablas de la cuwa normal en el Apéndice C. de los límites de confianza se llaman coeficientes de confianza o ualores críticos y se denotan por zc.. De los niveles de confianza se pueden obtener los coeficientes de confianza y recíprocamente.00 2.46% 95% 90% 80% 68. se puede ver que los límites de confianza para la media póblacional vienen dados por Xtz"* vn N-tt. S -+ 2o. S +.99) para p". vienen dados por X r. Si el estadístico S es la media muestral X.27%. Los números 1.cAP.

los límites de confianza para la diferencia de los parámetros poblacionales correspondientes a Sr y 52 vienen dados por S. en el caso de que las poblaciones sean infinitas.Sr! z"{fl--}s. Comparando (5) con (I) se observa que para pequeñas muestras remplazamoszc por t". 51 +52 Sl + 52 t (e) Por ejemplo. esexacta) es que S aparece en (5) de modo que la desviación típica puede utilizarse en cambio de la desviación típica poblacional (que generalmente se desconoce) en (l ).".s2 con tal de que las muestras sean independientes. .tS L 975---= vn (t') con el 95% de confianza. es decir. Para calcular estos límites de confianza puede utilizarse la estima muestral P para p. o con remplazamignto en una población finita.196 13ORIA DE ESTIMACION lcAP."1pmás exacto se da en el Problema 6. vienen dados por \ T. 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. 2. Debe anotarse que una ventaja de la teoría de pequeñas muestra.s2 : S. la probabilidad de éxito).-. N-n N-1 (7) si el muestreo es sin remplazamiento en una población finih rre hmaño N. Un método INTERVALOS DE CONFIANZA PARA DIFERENCIAS Y SUMAS Si Sr V S: son dos estadísticos mueshales con distribuciones muestrales aproximadamente normales. r"1474.27. 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. Con los valores obtenidos en el Capítulo 5 de op. 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."rr* a < ¡r ( X+ vn . los límites de confianza para la diferencia de dos medias poblacionales. t .s (que lógicamente puede emplearse para grandes muestras.Patan > 30. dondeP es la proporción de éxitos en la muestra de tamaño n. - S.o. . Análogamente los límites de confianza son . los límites de confianza para p vienen dados porP ! z"op.. Obsérvese que estos resultados se obtienen de (I) y (2) remplazando X por P y o por Vpq. (10) "r. "". (8) mientras que los límites de confianza p^ra la suma de los parámetros poblacionales son ""nrr*. z" y t" son realmente iguales.. t .6 de lo que se deduce que p se encuentra en el intervalo X-t.

extraídas de las poblaciones. vimos que si dos muestras aleatorias independientes de tamaños m de vatianzas ol. Para estadísticos con distribuciones muestrales simétricas. entonces la variable aleatoria En el Capítulo 5.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.. S$ si.ozs (1t ) S{n-7 X. están dados por Análogamente. INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS y n con varianzas Sí. los límites de confianza paÍa la diferencia de dos proporciones poblacionales.cAP. En forma semejante ohos intervalos de confianza pueden encontrarse.02S o2 (12) ^. Si se extraen de'dos poblaciones distribuidas normalmente respectivamente."1=. : P.n2 son las respectivas medias./4 s?/a s7/"7 A tiene una dishibución F con fr . flt! nz son los tamaños P. para distribuciones no simétricas.6l TEORIA DE ESTIMACION L97 'donde Xpopnr y X2. como las distribuciones normal y ü.28. esto se consigue utilizando colas de áreas iguales. g 4 Fo.I.ss los valores de F para los cuales 1% del área se encuentra en cada "cola" de la distribución. Sin embargo.F. p$na 161. (17) . n - L gndos de libertad.o2. - Pr. *'T donde Pt y Pz son las dos proporciones muestrales.S.ozs = (13) De esto vemos que o puede estimarse que se encuentra en el intervalo S\n X. entonces un intewalo de confianzadel95% es v2 nS2 ^. Generalmente es deseable que la amplitud del intervalo de confianza sea tan pequeño como posible. El proceso se ilustra en el Problema 6.entonces con98% deconfianzatenemos F.P. of. Porejemplosi x%rry X?szs sonlos valores de ¡2 para los cuales 2.6% del área se encuentra en cada "cola" de la distribución. desviaciones típicas y tamaños de las dos muestras extraídas de las poblaciones.ot y tr'. como la distribución chi-cuadrado puede ser deseable ajustar las áreas en las colas de tal manera que se obtenga el intervalo más pequeño.975 o de manera equivalente -. siendo las poblaciones infinitas. = .szs (1 5) con confianza de g5%. (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. . y Pt V Pz). W*"í-üt z"orr_r. Así por ejemplo si denotamos por F.2 X!.

la función de densidad conjunta para estas obsen¡aciones es un parámetro poblacional. El valor de F.ütr I af(rt|) + 1 0f(r". d ). xn. . Para este propósito es conveniente tomar primero el logaritmo y luego la derivada. El método puede generalizarse. página 118. Sin embargo ambo¡ no son eficientes si se les compara con X. Pa¡a obtener el "mejor" de tales estimadores.ss se obtiene de la tabla del Apéndice F. de acuerdo con el Teorema 4-8.198 TEORIA DE ESTMACION lcAP.. Los dos son estimadores insesgadoe de la media poblacio- nal.s resueltos ESTIMAS INSESGADAS Y EFICIENTES 6. Esto vendría dado por r F. Para ilustrar el método suponemos que la población tiene una función de densidad que contiene d-eterminado. (c) sesgados y no eficientes. . donde Qr y @¡ ¡on las cuartilas muestrale¡ inferior y superior.F.0). --LtSz son dos de tales ejemplos.1.zmuestral modificadas f eficientes.e\ffi = o (20) De aquí podemos obtener 0 en términos de r¡. La¡ruíxima uerosimilitud puede obtenerse tomando la derivada deZ con respecto a 0 e igualándola a cero.3. son dos de talee ejemplos. (b) insesgados y 3t = .01 "'+ fl*. empleamos una técnica conocida como el estímador de móxima uerosimilifud. los igualamos a cero y resolvemos las ecuaciones resultantes simultáneamente.or €s el inverso de .ss . Por tanto. la función de densidad puede denotarse por f (x.31 $z o-n o-t - I' . (b) La mediana muestral y el estadístico muegtral *(Qt + Qs). Problerna.. debida a Fisher. Suponiendo que hay n obsen¡aciones independientes x1 . semi-intercuartílico son cr¡atro de tales ejemplos. De esta manera hallamos f@.f(r¡?\ f(n2. Así para el caso donde existan varios parámetros tomamos las derivadas parciales con respecto a cada uno de los parámetros.6 Adviértase que F. que se va a estimar por un estadístico L . por ejemplo g. (c) fa desviación típica muestral g la desviación típica modificada . puesto que la media de sus dishibuciones muestrales es la media poblacional. . f(r".ee con los grados de libertad para el numerador y el denominador inyertidos.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. De una manera semejante podríamos hallar un inten¡alo de confianza del g0% empleando la tabla apropiada en el Apéndice F. Dar ejemplos de estimadores (o estimas) que sean (c) insesgados no eficientes. h desviación media y el reconido .0) (1e) que se llama la uerosimilitud. . . (¿) La media muestral X y Ia varianz.

58o/tñ.45 ! 1. En símbolos se escribirá P(66.96. (b) Los lfmites de confianza del 99% son X 2.saa = tln ! 2.02 pulgadas.93/V100) ó 67. Para la muestra dada 67.iroentre s yG. los lí¡nites de confianza son 6?.96(2. de la media poblacional).!1t.93 pr¡]Éadas como una estima de o (véase Problema 6. decir que ia probabilidad de que la estatura media de la población se encuentre entre 66.35)2 F (6.96"/\f.46 pulgadas.35)2+ (6. Dar una estima insesgada Problema 6.336. ESTIMAS POR INTERVALOS DE CONFIANZA PARA MEDIAS (GRANDES MUESTRAS} 6.33.45 ¡ + z. Determinar unas estimas insesgadas y eficientes de (c) la verdadera media. 6.00055 cm2 Nótese que 0 = /0"00055 = 0.57 pulgadas.5275) = 8.88 y 68.6136 s2 Así . 4er.36-6. 6.02): 0.02 pulgadas.36 cm. 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 66.88 a 68.6136 : y. Utilizando n : 67..6l TEORIA DE ESTIMACION 199 6. y no eficiente del verdadero diámetro medio de la esfera del La r¡ediana es un ejemplo de una estima insesgada y no eficiente de la media poblacional. n-1" (6.3). = n .023 es una estima de la verdadera desviación típica pero esta estima no ni eficiente.37 centímetros. (a) Los límites de confianza del 95% son X t I. 95Vc ó 0.88 y 68.32 y 6.ó. el intervalo de confianza del 95% para la media poblacional ¡t es 66.2. por tanto.02. = i2 = .45 pulgad.37.? = /8. (b) la verdadera varianza. Así.35)2 2(n-ñ\2 - n-l = = es insesgada + (6.93.35)2 5-1 0. 6. 2. que puede denotarse por 66.32 6.33: Estima insesgada y eficiente dé la verdadera altura Del Problema 5. = S tr.58-?+ = V100 67. Adviértase que puesto que n es grande.95. - iT $. 6.3. Hallar los intervalos de confianza del (a) 95% y (b\ 99% para estimar la estatura media de los estudiantes de la Universidad XYZ del Problema 6. (o) Del Problema (b) ó.cAP. (o ) Estima insesgada y eficiente de la verdadera media (es decir.02 pulgadas es.38: Estima insesgada y eficiente de la verdaderava¡ianza media: t : 67. pues.3?-6. JC = . de la varianza poblacional).36. Se puede. no hay esencialmente diferencia entre 6.88 < p < ti8.3. Supóngase que las estaturas de 100 estudiantes de la Universidad XYZ representan una muestra aleatoria de las estaturas de los 1546 estudiantes de la universidad.45 -- 0.as y i : 2.JDani (b) Estima insesgada y eficiente de la verdadera varianza (es decir. Determinar unas estimas insesgadas y eficientes de (o) la verdadera media. Una muestra de cinco medidas del diámetro de una esfera se registraron como 6.2. Para las cinco medidas puestas en orden de magnitud la mediana es 6.3?-6.4. (b) la verdaderavarianza.45 ! 0.35)2 + (6.88 < tt<68.TG pulgadas .

O42 pulgadas. se utilizaría t. : t.96? como 1. Si se utiliza.= vn Vn V200 ó 0. En general.0U89pulgadas. es total. 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. Para obtener los intervalos de confianza.0.G. Lad medidas de los diámehos de una muestra de 200 cojinetes de bolas hechos por una determinada máquina durante una.824 pulgadas y uná desviación típica de O. 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. pues..6450'942 = 0.Hallar los límites de confianza del (o) 55"1. los límites de confianza del90ak son n!I.45 t utiliza¡lo.4í. el área a la izquierda de z:-zce8 también lVo.00b8 pulgadas Los límites de confianza d. son xtz. que puede denotarse por 66. Adviértase que se ha supuesto que la desviación típica dada es la desviación típiez modific¿d¿ i Si la desviación típica dada fuese S.824 * 2. r.49.73 pulgadas. de aquí que z":2. (o ) Los límites de confianza del g5% son 6 (b) x t 1.semana dieron una mdia de 0. v (bl99% para el diámetro medio de todos los cojinetes. (b) 9O% y (c'¡ 99.824! 0.69 (¡¡ < 68.824 ! 0.824=z.824tSL93 = \/zoo . el área desde z eE 0.824t0. para n > 30 se puede asumir que s y 3 son prácticamente iguales. Entonces por simetría.00??putgadas t 0.g6a = Vn 0-824:t 0. de modo gue no 6?.33. lugar de Para y muestreo sin remplazamiento. los límites de confianza anteriores se convie:rten en 67. el intervalo de confianza del 997o para la media poblacional ¡r e¡ 66.6 Asf. se habría empleado ?: \/n/@4s = y'200[99s que puede tomarse como i para todos los propósitos prácticos.645a (c) .b6 y 0.73V.sa| = r*z. 6.21.824 t 1.' o^.ss9 = 0. (a) " lok.200 TEORIA DE ESTIMACION lcAP. Oa z : zc ea O.7.el 99.gg9!9 = \/zo0 0.96ry = \/200 0.E8y. ñ!3+ \ñ - 0. srn embargo.008 pulgadas. los límites de confianz¿ del 98% son r ! 23g+ = \/7i Asi 0.824 t 0.i :.69 a 68.824:r0. se puede considerar el factor es necesario = 0.73% para el diámetro medio de G.6.45 1 0. Los límites de confianza d. respectivamente.82¿!L.006 Pulgadas .el 99o/. 6. puee.0049oulgadas t/-zoo sn 0.0069 pulgadas Fig. : O es Asi pues. z:zc Puesüo que el área total bajo la curva es 1.6-l (b) S" busca z" tal que el á¡ea desde z : entonces z.{ñ= 0.so! = Vn 0.645. los cojinetes del Problema Hallar los límites de confianza del (a) 98%.824 0.21 pulgadas.

8.05 segundos.38 t 2. TEORIA DE ESTIMACION 20L es de Al medir el tiempo de reacción.Entonces los coeficientes de confianza pedidos son tú.t = t.81.01 segundos? 0.10.26fvéaeet¿mbiénProblema6..hallamoat.96. Eláreabajolacurvanormal : O t z: 0.cAP.9df (b) tos vn N-n A¡-1 = N-n N-1 75 t 1.:n-L:10-1:g. Para lo¡ valores de v dados egtos son (a) t Z.setienequel.9.06)/0.26 &- Vlo-1 = 4. Halla¡ los límites de confianza para el diámetro verdadero del (o) 96% y (b) 99%. : 166.96+ v50 (10) 200 . debe emplearse la fórroul¿ para poblaciones finitas con muestreo sin remplazamiento.05)/\. un sicólogo estima que la dewiación típica del mismo (c) .96)(0.10(c)]. AsÍ. (c) v : 30.r¿ -.01 soliamente ¡i n es 167 o mayor. . Entonces (2.01 ¡i n e¡ 97 o mayor.05 segundoe.01 si (1.051/\/n = 0.04. Los coeficientes de confianza del 96Vo ("d.q'-: 200 v50 200-1 = 75 + 1.29lO):0. 1fi = (1.8 ó n : 96.9Tolfi. ¿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 0.50 2oo-L = 76!2.38 y c : 0.0452 pulgadaa . 6.g6ol{n. 8e tiene la confianza del99% de que el error de la e¡tima eerá menor de 0.682ó ESTIMAS POR INTERVALOS DE CONFTANZA PARA MEDTAS (PEQUEñAS MITESTRAS) 6.96X0. (o) Los llmitee de confianza delglovo están dados por.38 pulgadas y una desviación típica s : 0.n r1s/t/Á¡.Entonce¡ utilizando ¡ : 4.06 pulgadas.X+r"L . Entonces los lfmite¡ de confianza del 964o eon .oble cola") para la distribución normal vienen dados por i1. ¿Cuáles son los coeficientes correspondientes pala la distribución úsi (a) v = 9. arrojó una media de 75 y una desviación típica de 10. (d) =2.gzs:2.11.58')(0.58o/{i. Fig.r. pues. = * t1. Aef.goo*.7I 6.38 + 0. (b) Loe límite¡ de confianza del 99% son X t 2.f I l.6 : 0. lo¡ límitee de confianza del96% pedidos eon 4. Puegtoque¡.01.Tomando o = la estima eerá menor de 0. se tiene que el error ser6 igual a 0.04. 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. 6-8 debe ser 0.4. : 20. er decir.siendo 0. (o) ¿Cuáles sonloslímitesdeconfianzadel9Ú% para la estima de la media de las 200 calificaciones? (b) ¿Con qué grado de confianza poüá .*.2910.06. de aquf que el grado de confianza pedido *162(O. Una muestra aleatoria de 50 calificaciones de matemáticas de un total de 200.05.81 es 0. Asf el área ¡ombreada en la col¿ derecha es 0.e?'.21o.23 zc h¡estoqueestodebeserigualaTSll.01 : 9. 6-3 6.orr. (ó) +2. (d) t= 60? Pa¡a los coeficientes de confi¡nza del 96% ("doble cola") el área total en la Fig.Ze. (b).2S z"=L6 z"=0.00.4 60 límitee de confianza pueden repreaentarse por Ítz"ox deede z 68.026 y el valor crítico correepondiente es ú. Una muestra de 10 medidas del diámetro de una esfera dio una media ñ: 4.i=r. <í n.09. (c'¡ t2.decirse que la media de las 200 calificaciones es 75 r 1? (o) Puesto que la población no es muy gtande en relación con el tamaño de la mueetra.01.

38 4.-'\ r1/pg-p)/n / rB I l-r'-tt'/z¿y t/2.55 + 0.06b0 pulgadas y el inüervalo de confianza del99% e¡ 4.O37pulgadas ? donde se ha utilizado la desviación típica muestral 0.55 para estimarp.06/y'10 .13 para que la confianza de que el candidato sea elegido sea del g5% z El candidato se elige si p ) 0.l)6or. (c) 6. 0D > 0. Análogamente.ssr(S/tñ-l.73% parap son 0.55 del Problema 6. (b) Comparar los resulüados de los dos métodos.446 pr'lgadas.88 i g.06 como estima de o.049 pulgadas. Entonces loe límites de confianza del 99lo rcn i t ú. (a ) Los límites de confianza d.Z5(0.426 pulgadas.9ó utilizando el Apéndice C indica que e-Bt/fi-fl/n:0.045 TEORIA DE ESTIMACION lcAP. los límites de confianza del 99% son 4.. indicó que el 55% de ellos estaban a favor de un determinado candidato.38 * (2.315 a 4. = P t 1.el95o/o para la población p son P : l.f) = 4. Para hacer este problema de una fo¡ma más exacta. - ó Prob(p > e-Bt/p6-ffi¡ = + J(t t/2r -.13. y para tener una confianza del g5% de su elección necesitamos : 0.55 y la estima p : 0. (a grandes ) Mediante loe métodos de Ia teoría de grandes muestras los límites de confianza del 95% son X t 1. véase Problema 6.55 2. 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 6.88 + 0. (b) En cada caso.6a5y'i6lBB)Io-75j7i : 0.6 : se puede estar en la confianza del 96a/o de que el valor ve¡dadero se encuentra entre 4.0 = 4.50) Prob( que hob / J--ct t)_p .50): 0. Puesto que (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. los intervalos de confianza mues¡ras.15.73% para la proporción de todos los votantes que estaban a favor de este candidato.55 t 0. ¿Qr'é tamaño de muestra debe toma¡se en el Problema 6.88 r 1.50."-.pV" es normal asintóticamente.13.25.1. 6. = 3. tenemoe 0. Una muestra de 100 votantes elegidos aleatoriamente entre todos los de un distrito dado. (b) Los límites de confianza del99% parap son 0. (a) Soluciona¡ el hoblema 6. t./e(l -p) ¡? V = 0.2/z¿y L645 Al comparar con Prob(p > 0.55. 0.55 = o'55t0'10 donde se ha tomado la proporción muestral 0.88 + g. utilizando P donde B = : 0.045 : 4.18.L2.38 + 0.27.qq /lo - 4.50 ó n= 27r . J_.06) /\t1.p')/\/p(l .55 '^^ I(0'55)(0'45) :r 1'e6!ff : = 0.b0 Entonces.96-0-.11 suponiendo válidos los métodos de la teoría de muestras.38 t 0. Hallar los límites de confianza del (a) 95%.96-9. t 3ú058)16:¡8 10d 0.335 pulgadas y 4.95.58ú6:5EXb:¡BtTdd = Los lfmites de confianza del 99. (b) 99%y (c) 99.se5 - (b) Para v = 9.l = 4. pues.58)(0.96.202 Asf.14.= v-n 4.

tr 7.Xn-. -loi*o'o -"1/"o-"" Los límites de confianza del 9b7o son: 1400 1200 .83. el intervalo 0.4 y B son dados por (a) *o.?4 y el INTERVALOS DE CONFIANZA PARA DIFERENCIAS Y SUMAS 6. Hallar los límites de confianza d9l (c) 96% y (b) 99. pues.33.58\.5B = 0.50 encuentre entre 0.6V n:40 enlafórmula \tF(l=A/.50 ! Pz : 100/400 : 0. PzQz el - O.60 La fórmula más exacta del Problema 6. 6.el 99% son: 1400 - 1200 12.23. [-os límites de confianza para la diferencia de medias de. Mediante la fórmula aproximada p = P + 0. Los límites de confianza para la diferencia de proporciones de los dos grupoe están dados por 'll1 1t2 dondelossubíndicesly2serefierenaadolescentesyadultos./.73% para la proporción de caras que se obtendrían en un ilimitado número de lanzamientos de la moneda. intervalo de confianza del 99. dando. se puede encuentre entre 0. gt= Ptz" t z¡/F(=ffi.96 La verdadera = 0. Una muestra de 150 bombillas del fabricante A dieron una vida media de 1400 horas yuna desviación típica de 120 horas.BZ a 0. PtQt .25 ! Z.cAP. se puede esperar con el encuentre entre 175 y 225 horas..96.?9.17 y 0. Una muestra de 100 bombillas del fabricante B dieron una vida media de 1200 horas y una desviación típica de 80 horas. pues.27 da el intervalo de confianza del 95'ib como 0.el 96% que diferencia de proporciones (ó) Los límites de confianza d. pues. 100 adultos y 300 adolescentes dijeron que lei gustaba.45 a 0.25 = 0. se tienep : 0.45 a 0.25 = 0.16.60 + 15.31. (a) Los lÍmites de eonfianza del 95Va son 0. Hallar toi tí-mites ae confianza del (c) 967" y (b) 99% para la diferencia dé propoñiones de todos los adultos y adolescentes que ven el programa y les gusta..19 y 0. se Así.50 - 0.t 1./i120)r/15¡+-G0)r400 = 200 + 82.75. dando el intervalo 0.73% como 0.96/il2OtG0I80)2/100 Así.15. z" = 3.g. se puede esperar con confianza d. se tienep = 0.Zb + 1.el ggVoson 0. SustituyendolosvaloresP:24140 = 0.0g.6.il3li.25 son las proporciones respectivas de adolescentes y adultos a quienes les gusta programa. ae confianza que Ia diferencia'de las medias de las poblrcionee (b) Los límites de confianza d. Así. se As( pues.6l TEORIA DE ESTMACION 203 6. esperar con confianza d.37 a 0. (a) Al nivel del g5o.06. (b) Al nivel del 99. se puede esperar con el 994n de confianza que la diferencia de las medias de las poblaciones se encuentre entre 167 y 233 horas. z" = 1.respectivamente. En una muestra aleatoria de 400 adultos y 600 adolescentes que veían un cierto programa de televisión.. pues.AquíPr:300/600:0.el 99Vo que la verdadera diferencia de proporciones . En 40 lanzamientos de una moneda. se obtuvieron 24 ca¡as. Hallar los límites de confianza del (a) 95% y 99% para la diferencia de las vidas medias de las poblaciones A y B. 95"/o de = 200 t 24.

04 V. pues. 5O%son:180. puesto que /¿rr = lLEt lr'. = 45. (a) Loslímites de confianza delgSv" están dados por sy'7/x.f8.. El valor de 0.4 (o) (b Los límites de confianza del95% son: 180.o/yEi.9. . Si Er.4 + 2. de la desviación típica para todos los estudiantes del colegio.73% con: 180.2L.21 voltios. = 0.r Bo/l-zn Ss/\/Zn.ozs.4 t 3(0..4 t = 180. Es y Eq representan los voltajes de las 4 baterías.1 V y la desviación típica 0. (o) Alniveldel 95". * uotr* l'a.08) = 180.9 horas. los límites de confianza del 99.204 TEORIA DE ESTIMACION [cm.054 voltios se llama error probable. 82. entonces n 1800.96(0. Así. 6.x {2n 300//t = 5. pues. La desviación típica de las duraciones de una muestra de 200 bombillas fue de 100 horas.24 ) Los lfmites (c) Loc lÍmites (d) toslfmitesdeconfianzadel voltios. FfJ voltaje medio de las baterías producidas por una compañía es de 45.20.6?45(0.1) = 180.4O pulgadas.73% la verdadera desviación típica de la población ::o difiera de la desviación típica muestral en más del (c) 6%. 46O.. Así.r-= oE. (b)LO%? De igual forma que en el Problema 6.08) = 180. se puede esperar con confianz¿ entre 90.8 horas. página 162)loslímites de confianza para la dewiación típica de la población son dados por S * z. se tiene ltlt+Ez+at+¿o = Fu. (b d. Si se conectan 4 baterías en serie. Hallar los límites de confranza del (c) 95% y (b) 99"/.1 y 112.58(0. el tamaño de la muestra deberá ser 450 o más. ¿Qué tamaño de muestra en el Problema 6. La desviación típica de las estaturas de 16 estudiantes seleccionados aleatoriamente en un colegio de 1000 estudiantes es 2. = orr. 0.= lr'. ee puede esperar con confianza del 99'y'" que la deerüeión típica de la población se encuentre entre 87.* o".73"/o para o son S . 6. Y t¡. * l'a.4:t0.96(100)i/200 = 100:tg.19.2 y 109. (c) 99. donde 2./nloslímitesdeconfianzason:100 11. o 6.58(100)/r/Zbd = 100 r 12. hallar lós límites de confianladel (a) g5%.08) 0. entonces n : = 10. (b) 99%. Entonceg el error porcentual de la desviación es 3s/t/-at (¿) Si 300 _ = s. osr* Ez+t:. oE.73% y (d) 5O% para el voltaje total.4 + 1.16 voltios.. 0. Entonces.g.4i0. = 1la1ffiy : 0.t+ti. utilizando s como una estima de o. el tamaño de la muestra deberá ser 1800 o más.08)=180.04 volüios. INTERVALOS DE CONFIANZA PARA VARIANZAS 6.r+r 2+Er+84 = . indica el nivel de confianza. Así. (b) Si }OO/\E : Aei pues.19 deberá tomarse para que con confianza del 99.19.4 t de confi¿nza del 99. Por tanto (véase Tabla 5-1. Hall¿rr los límites de confianza del (a) 95% y (b) 99% para la desviación típica de la población de tales bombillas.el 95Vo que la desviación típica de la población se encuentre ) Al nivel del 99% los límites de confianza son: 100 * 2.4 V r de confianza del 99% son: 180. Se utiliza la dewiación típica muestral para estima¡ o.08 ÉEr+nz+E¡+Eo = 4(45.e75 y st/n/x. pues.0b4voltios.1 voltioE y dc. En este caso se aplica la teoría de grandee muestras.[4: "'rJ o'r.

1 : 199 grados de libertad. (o) Los límites de confianza d.9212 : 239 161 = olz02s+V2(199)-1)e =.el99% están dados por Sy'-nl¡.14. Entonces los límites de confianza del 95% son 2.19(a). y 18 respectivamente halla¡ los límites (o) Tenemos nt = l(t. Entonces los límites de confianza del 99% son 100/Eñ6 de donde X sq¡ INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6. 200 . Dos muestras de tamaños 16 y 10 respectivamente de confianza del (c) 98% se extraen aleatoriamente de dos poblacio- nes normales.49 pulgadas.68 y 4.¡¡5." x%os 1_l .s¡5=2.sor-79.. están dados por Sy'-nlx ors y Sl-n/y.2.ozs. Por tanto se tiene la confianza del 95% de que la dewiación típica poblacional se encuentra entre 1.11. x?szs = 27. Solucionar el Problema 6. 3? = t=r"i = (lf)rznl = "? = 18 de modo qrre 26. Por tanto se tiene la confianza del 95% de que la desviación típica poblacional se encuentra entre 91. y St/T/x. Entonces los límites de confianza del 997o son 2.¡]oor=32. Paray:16-1:lSgradosdelibertad.5 y Entonces los límites de confianza del 95o/.g = 88. Por tanto se tiene la confianza del 99% de gue la desviación típica poblacional se encuentra entre 88.o .SO+19. : 200 - 1 : 199 g¡ados de libertad.23.2 y 111.t-t.92)2 = : \2. Por tanto se tiene la confianza del 99/o de que la dewiación típica poblacion¡l se encuentra entre 1.83 y 3.40Vf 6 /1.40\R/2.50.6l Para o TEORIA DE ESTIMACION 206 x?ozs = 16- 1 = 15 gradoode libertad.sa+19.22. .o75 = |{zsrr.5 6 x. hallamos como en el Problema 4. 1.r+l/Z[I6Ef-T¡z = jtz. = 15.s¡5. rz = 10. it.19 utilizando la teoría de pequeñas muestras._.8 ó ¡.3 horas.9 y x.83 y 3'84 pulgadas.el95')h están dados por Sy'-n.ozs l-l Vz(rssl -r)z = itt.)rto = \/ 2o.. ee decir.' son 100y'2b-0 115.84 pulgadas.9 y 1001800/t2.n.!75= 5. (b) Los lÍmites de confianza d. 1.?3 y xz.60 ó y.cAP.92)2 = 253 lL6.24 y = 6.oos = 72.7..73 y 2.15. Este resultado debe compararse con el del Problema 6.5 = 91'2 y 100y'200/12'1 = 111'3 horas respectivamente.9 horas.40\f-I6/5. Este resultado debe compararse con eI del Problema 6.40\f-16/2.9 horas respectivamente.14.. Si se encuentra que sus varianzas son 24 y (b\ 90% para la relación de varianzas.9 y 115. (b) tos lÍmites de confianza del 99\i.t.19(b). x1..= r\ri= (f.50.49 pulgadas.26 6 7.ee5 Para v y Sy/i/7.2 a. esto es.oe5=5.24 y 2./x Para v : sr.oos:4. x2nzs de donde ¡¡.68 y 4. pfuina 137' x. s! = 20.2= 115. 6. X.n25 = 2.

89 de modo que l/F. 6.z8a =# : = rsee.59.6 Del Problema 4. v Q) 90% para la relación de las desviaciones de las desigualdades del Problema 6. Por tanto el intervalo de #(ffi) s += 6 0. También del Problema 4. tenemos pataUl: 15 y ez:9 grado¡ de libertad f or : 1/3.zt oz 0.96 parapl : 16 1 : 15 ! U2 =LO-1 =9 grados de libertad. tenemos F ge = 4.4437 oí = * ('z'6'g)(?q¿. pl = (2to2)-tt2¿-zbk-r)2t2o2 (z') (r) Fijando íLldp = 0 t¡L = a -f.eg oz 6.'or¡ g.(ffi) 4. reculta . ü = \/2ro2 -J- r-<x¡-ü2rzoz L = f(nt. como lógicamente era de eryerarse.25. . pfui¡1g 19?..89. página 13p. Hallar los límites de confianza del (al 98% típicas del hoblema. (#)(ffi3) o.tn1z.e5 2.84 V F.24. = 3)@*-Pl reeulta Q.#>@t-pl2 Tomando Ia derivada parcial con re4ecto raL 1:' fr. Entonce¡ utilizando (171. Al tomar la raíz cuadrada 98% v el9o%.206 IEORIA DE ESTIMACION [cAP. Si n obsewaciones Xr & se toman de una población distribuida normalmente de la cual se desconoce la media y se conoce la varianza.47(b). 6.47(d). hallrrmoe para el intervalo de confianza del 98%.23.sg<!=z.e¡ = 3.os : 1t2. Halla¡ la estima de máxima verosimilitud de la media. ó )("*-p) = o e¡decir )"*-nr p-n 2 an = o (6) A¡f l¡ ectima de márima vero¡imilitud e¡ la media mue¡tral.6?=1=r. gue tenemos (I) Puesto Por tanto l(rx. = (b) Como en (o) hallamos del Apéndice F que confianza del g0% es F.eo = ".0.) Obsérvese que el intervalo de confianza del9O% e¡ mucho más pequeño que el intervalo de eonfianza del 98Vo. pl" 'f (r.23 hallamos los lfmitec de confianza para el (¿) (ó) ESTIMAS DE MAXIMA VEROSIMILITUD o.

) Dividiendo numerador y denominador por 2n. Si escribimos f (rx. donde z" deüermins el nivel de confianza. zi n -4nz | +! . .63. halla¡ la estima de máxima verosimilitud de la va¡ia¡rza. queda. se tiene P-P Elevando al cuadrado los dos miembros. 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) . En estos valores extremos.26.ca p= _6 + 1/@=lo" 2a z"P+27=W 2(n* z7\ 2nP I 22" * ""t/6F(L1VlT7" 2(nI zf. La proporción muestral P en unidades tipificadas . todo lo efectuado en el hoblem¡ 6.25 se conoce la media pero se desconoce la varianza.0 hallamos Vé¿se Problema 6.6l TEORIA DE ESTMACION 207 6.p). (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.p oP = -1. Entonces tomando la derivada parcial con reqrecto a 02. 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 6.25 ha¡ta la ecuación (2) aplica.13. se tiene e+ flt "" P(L-PI .cuyassoluciop son dadas por La fórmula cuadráti. (a) Si P es la proporción observada de éxitos en una muesha de tamaño n.L n - pl pz-2pp*p2: (nI nes para zp\p2 "?P# z?lp Multiplicando los dos miembros por ¿ y simplificando. {P(L = *2" p(. (a) como la utilizada en el Problema 6. Si en el Problema 6.27.TS% delProblema 6. estaecuaciónsereduceaafi*bp*c:0.13."2) en cambio d.P)/n Los valores mayor y menor de esüa variable tipificada son tzc. - (2nP I * nPz = 0 Si o=n+z!.e f(x¡. tenemos ee i'# Fijando aLl0o2 .cAP. por tanto.

TSVo.r De la tabla se observa que un intervalo del95%.Entonces.Es posible haltar otros límitee de confianza escogiendo valores críticos de X2 gar. cuya amplitud sea menor que la del Problema 6. X.05. La media y la desviación típica de las cargas máximas soportadas por 60 cables (véase Problema 5.'. respectivamente.22(a) fueron obtenidos escogiendo valores críticos de y2 de tal manera que las áreas en cada cola fueran 2. La media y la desviación típica de los diámetros de una muestra de 250 remaches fabricados per una compañía gon O.?3 ton. (c) Si n es gtande. dieron una du¡ación media de 1200 y una desviación típica de 100 horas.31.=B. (c) Comparar la desviación típica muestral con la desviación típicÁ de la población estimada. horas Una muestra de 10 tubos de televisión producidoe por una compañía.7. ó 0.100).7s7=15./zn.s sr¡plernenta.e6 : 15. 2g.64. y (b)99dto para la media de las cargas máximas de todos los cables producidos por la compañía.4 20.0 a 110. 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. En la Tabla 6-2 se indican varios valores críticos y los conespondientes intetwalos de confianza del 95%.9 110. Valores Crítico¡ Tabl¡ 6-2 Intervelo de confianza d.ge = 15. entonces zf.40 y 0. (b) 98Vo. de forma 6.55yn:100enlafórmula y 22"/nson despreciables y pueden sustituirsepor cero.. la disminueión en el intervalo que 8e obtiene es comúnmente despreciable y no Probletn.a. .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. g.28.9 7. 6.z.2 19.7 a Lt3.0 = 12.s2=12.2 y 9.72642 pulgadas y 0. Determinar estimae insesgadas y eficientee de (o) la media de la población v (b) la varianza de la población. Sin embargo./Anz que se obtiene la fórmula pedida. 8.44.o¡r y x e8l.. Un intervalo con amplitud af¡n menor puede hallaree continuando el mismo método de aproximación x. es de g1. de amplitud sol.7 7.O a 110.30 si se obtienen los mismos resultados para 30.32. Hallar los límites de confianza del (o ) 99%.32 92. X 032 y X 1¡2.el 95"tb Ampütud 2r.4 libras.a los cuales la suma de las áreas en l¡as colas sea61. pero de tal manera que las áreas en cada cola no sean iguales. lcAP. ¡es=15.98) están dadas por 11.utilizando de (a).e4 91.6. Estimar (o) la media y (b) la desviación tÍpica de la población de todos los tubos de televisión producidos por esta compañía.6 = 12.208 TEORIA DE ESTIMACION (b) Paraloslímitesdeconfianzadelgg.rlos ESTIMAS INSESGADAS Y EFICIENTES 6. 6'33. etc.8.8 ¡. zf.29.3 91. en general.?3 20.8. 10.¡amente 19. se tienep : 0.. 10.69 en acuerdo con el problema 6.30.$=12'76.42 a a 111.13(a). Hallar los límites de confianza del (o) 951/. Las medidas de pesos de una muestra fueron registradas como 8.8. (c) 95% y (d) 90% para el dirimetro medio de todos los remaches fabricados por la compañía.09 ton.54 ¡. (o) Solucionar el Problema 6.85.8.6%.8 89. respectivamente (véase Problema 5.00058 pulgadas.6 p=0. y 0. empleando t¡alores críticos tales como justifica el trabajo involucrado. respectivamente. 6.

ESTIMAS POR INTERVALO DE CONFIANZA PARA PROPORCIONES 6. INTEBVALOS DE CONFIANZA PARA VARIANZAS Y DESVIACIONES TIPICAS 6. 0.a h diferencü de proporciones de cerrojos defrctuosos de las dos máquinas' Estudiar los resultados obtenidos.82 con una desviación típica deO.38 onzas los límites de confianza del (c) 95% y (b) 997o para la resistencia real' desviación típica de 1. 6.80. 0. 6.ParalosdelgrupoB fueron 6. La desviación típica de resistencia a la rotura de 100 cables producidos por una compañía fue de 180 libras. dio el 7O% de bolas rojas. De dos grupos análogos de enfermos A y B formados de 50 y 100 individuos. (b)gg%y (c)99J37" para la dewiación típica de todoslos cables producidos por la compañía. Hallar los límites de confiánza (a) del 95% Una compañía fabrica cojinetes de bolas que tienen un peso medio de 0.(b\95%'(c\99% deladecisiónen favor de uno de los candidatos? INTERVALOS DE CONFIANZA PARA DfFERENCIAS Y SUMAS 6. Halla¡ los límites de confianza del (a) 96%V @)99% para la diferencia del número medio de horas de sueño inducidas por los dos tipos de somníferos. 6. Una muestra de 200 cerrojos producidos por una máquina mostró que 15 eran defectuosos.30 horas. como 0'28. o. (b)g|%t (c)997oV @)59. 6. ¿qué tamaño de muestra deberá tomarse puüa que sea del (a\96%.3g.94" Hallar (¿) los Problema 6. y (b) el error probable para la media de los diámetros del 6.45.g5.43. 6.73% la confianza de que el error en la media de la duración estimada no exceda de 20 horas? no debe ¿Cuáles serán los tamaños de muestra en el Problema 6. Si la desviación típica de la duración de los tubos de televisión se estima en 100 horas.2?.73V"? 6. 6. (b\ 99% y G\ gg.33.42. HaIIar los límites de confianza del (o) g5%.41.g1 sfoundos.gg.3? suponiendo aplicables los métodos de la teoría de los resultados obtenidos. Hallar grandes muestras y comparar Solucionar el problema 6.012 libras.2[horas. (b ) del 99%.40.638 libras y una desviación típica de y (b) del 99Vo pata los pesos de lotes de 100 cojinetes cada uno. Una r¡rna contiene una proporción desconocida de bolas rojas y blancas.6l' TEORIA DE ESTIMACION límites de confianza del 5O% 209 6. Dar los resultados utilizando la fórmula aproximada y la más exacta del Problema 6'27.7g% para la proporción real de bolas rojas en la urna. respectivamente.36 si el error en la duración media estimada superar las 10 horas? ESTTMAS POR INTERVALO DE CONTIANZA DE MEDIAS (PEQUEÑAS MUESTRAS) 6. mientras que de 100 cerrojos de otra máquina 12 eran defectuosos. Una muestra aleatoriade 60 bolas extraídas con remplazamiento de la urna.46. Hallar eI error probable de la desviación típica del Problema 6'46' .76 y 0.86. (c) del 99. Hallar los límites de confianza del (a) 95% y (bl99% para el tiempo reacción.24 onzze. ¿Cuál será el número mínimo de voranües que se deberá mue\trear para quelaeonfianza sea del (a) 8O%. 0.g?.44. para que la confianza de que la proporción ¿Qué tamaño de muestra se debería tomar en el Problema 6. Para los pacientes del primer grupo el número medio de horas de sueño fue 7. y una Una muestra de 12 medias de resistencia a la rotura de hebras de algodón dio una media de 7.g9. Hallar los límites de confianza del (a) 95%' (b)99o/oy (c) gg . al primero le fue dado un nuevo tipo de somnífero y al segundo un tipo convencional. respectivamente. 6.40 verdadera no difiera de la proporción muestral en más del 6Vo sea (a) del 95Vo. Se cree que una elección resultará muy reñida entre dos candidatos. Hallar los límites de confianza del (c) g5%.7 Bdn pá. Cinco medidas del tiempo de reacción de un individuo a un cierto estímulo fueron registradas real de 0.41.cAP.

(d)v : 30' (¿) v: 40? Una compañía tiene 500 cables. 6.e 24OO libras y una dewiación típica de 150 libras.60. 6.51. . Una población tiene una función de densidad dada por 8e toman n observaciones l(r) = l^0 [ Si se toman n observaciones X1 . ¿Cuáles son los coeficientes correspondientes para la distribución f si (o) v = 4. Las desviaciones típicas de los diárnetros de los cojinetes de bolas producidos por dos máquinas son 0.62.042 cm y 0.. ¿Considera que las dos muestras del hoblema 6.49 si 25 bombillas tienen la misma desviación tÍpica de 120 horas. . .035 cm respectivamente.58.54 si las muestras tienen tamaño 120 cada una. .59.54 fueron extraídas de la misma población? Justificar su solución.e 11. .? ¿Son lc mismos a los dados en los hoblemas 6. Determinar los intervalos de confianza del (o) 98%v @\gOVapara larelacióndelasdesviacionestípicasdel Dos muestras de tamaños 6 y E respectivamente tienen la misma varianza. .52. X1.52 y (b) Problema 6. . Si Xr. Una población tiene una función de densidad dada por i@l = 2rt/r/" ¡2s-v*.51 que tiene la menor amplitud? 6.62. 6. basados en muestras de tamaño 10 cada una. 6. (o) ¿Cuáles son los límites de confianza del 951/o y 99% para estimar la media de la resistencia de rotura de los 460 cables restantes? (b) ¿Con qué grado de confianza podríamos decir que la media de la resistencia de rotura de los 460 cables restantes es de 2400 1 35 libras? ¿Cuál es el intervalo de confianza del 957. Hallar el estiniador de máxima verosimilitud de ).61.(c)v:25. . límites de confianza del (o) 96'/o y (b)99Eb pa¡a la desviación típica de todas las bombillas fabricadas Solucionar el Problema 6. para la relación de las varianzas de las poblaciones de donde se exhajeron. ESTIMAS DE MAXIMA VEROSIMILITUD 6.57. Comparar los resultados con los obtenidos empleando la distribución normal.49 utilizando la distribuciíny2 si una muestra de 100 bombillas tiene la misma desviación típica de 120 horas. . 6.58.26? Explicar. . INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6. . X¡. 6.50. Hallar los intervalos de confianza del (o) 98% y (b)907. 6.7T% de que la desviación típica de una población no difiera de la desviación típica muestral en más del 2%? 6. Hallar Ios intervalos de confianza del (a) 98% y (b) 90% para la relación de Ias varianzas. Hallar los igr la 6. . Los coeficientes de confianza del 999á ("doble cola") para la distribución normal están dados por 12.48.53. Si n observaciones 6.(b)v:12. (b) gg% y (c) gg. Si se toman n observaciones. La desviación típica compañía. . Xn de una población distribuida normalmente con media ¡l y varianza ¿Pueden determinarse estimas de máxima verosimilitud de ¡t y o2 en términos d. Xn de esta población. PBOBLEMAS DIVERSOS 6. r. . de la du¡ación de 10 bombillas fabricadas por una compañía es 120 horas. [(A'+t)st 0<¡:<1 de otra forma Xn de esta población hallar la estima de máxima verosimilitud de h. Xn se toman de una distribución de Poisson con parámetro tr desconocido. . TEORIA DE ESTIMACION [cAP.25 y 6. 6.54.6 ¿Qué tamaño de muestra deberá tomarse para que la confianza sea del (a) 95%. . En una prueba de 40 cables seleccionados aleatoriamente resulta una media de la resistencia de rotura d. . -t 1 r ( -.. . . .2to 6. hallar la estim-a de máxima verosimilitud de z. 02 desconocidas. hoblema 6. del Problema 6.49.56. Solucionar el Problema 6. .63. Solucionar el (o) Problema 6.55.

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

96 a 1.1.96 a 1.1. al diseñar un ensayo de hipótesis. Esto equivale a decir que el estadístico muestral observado es significativo al nivel del 0.05 si la z obtenida para el estadístico S se encuentra fuera del recorrido . . Así pues. Como se indica en la figura. es decir.1. Representa la probabilidad de rumeter error al recbazar la hipótesis es decir.05 ó 0.05 6 6"/. ¡--lglj . si la hipótesis es cierta. En la práctica.El conjunto de lasz que se encuentran dentro del recorrido .96. ENSAYOS REFERENTES A LA DISTRIBUCION NORMAL Pa¡a aclarar las ideas anteriores. un tipo de error puede tener más importancia que el otro. 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. Esta probabilidad se denota frecuentemente por o. supóngase que con una hipótesis dada.96 podía entonces llama¡se región de aceptación de h hipótesis o región de no significación. De acuerdo con lo dicho hasta ahora..)/o.95).=lD6 I'ig. z > I.96).05. va generalmente acompañádo por un incremento en el otro tipo de error. de modo que los resultados obtenidos no influyen en la elección. Entonces puede decirse que esta z difiere signifícatiuamente de la que cabía esperar bajo esta hipótesis y se estaría inclinado a rechazar la hipótesis. la probabilidad de cometer error del Tipo I. 7-1.05 o que la z obtenida del estadístico muestral dado es significatiua al niuel de significación del 0.01. Si. entonces hay aproximadamente 5 ocasiones en 100 en que se rechazaría la hipótesis cuando debería ser aceptada.96 (es decir. varianza 1) y se muestra en la Fig.. se está con un 95% de confianza de que se toma la decisión adecuada. Esto no es tah sencillo como pueda parecer puesto que para un tamaño de muestra dado. La única forma de reducir al tiempo ambos tipos de error es incrementar el tamaño de la muestra. El área total sombreada 0. si al elegir una muestra aleatoria se encuentra que z para ese estadístico se halla fuera del recorrido .212 error del Tipo da. ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. En la práctica se acostumbra a utilizar niveles de significación del 0. En tal caso se dice que la hipótesis ha sido rechazada aI niuel de significación del O.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 del0.96 y 1.1. un intento de disminuir un tipo de error.96 a 1.05 (área sombreada de la figura) si la hipótesis fuese verdadera.O6El conjunto de las z que se encuentran fuera del rango -1. el valor de e obtenido de una muestra real para el estadístico S se encontrará entre 1. 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. lo que quiere decir que es un suceso con probabilidad de solamente 0.96 (puesto que el área bajo la curva normal entre estos valores es 0..lo que significa que se puede cometer error con una probabilidad de 0.7-l Sin embargo. generalmente se fija antes de la extracción de las muestras. y así se tiende a conseguir poner una limitación al error de mayor importancia. aunque igualmente pueden emplearse otros valores. por ejemplo se elige un nivel de significación del O. Entonces la distribución de la variable tipificada dada por Z : (S ¡. se dice que la hipótesis se rechaza al niuel de significación del0. ? II. se puede estar con el 957o de confianza de que. la distribución muestral de un estadístico S es una distribución normal con media p" y desviación típica o". lo cual puede ser o no ser posible.O5.05 es el nivel de significación del ensayo.96 constituyen lo que se llama región crítica o región de rechace de Ia hipótes¡'s o región de significación. es una normal tipificada (media 0. debe diseñarse de forma que minimice los errores de decisión.96 ó z 1.05.

Medias. Por ejemplo.96 1.05 001 45 0. página 195. media muestral. puesto que la suma del nivel de significación y el nivel de confianza es L00%.7l / ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2L3 (b) Se acepta Ia hipótesis (o si se desea no se toma decisión alguna) en caso conhario. donde o es la desviación típica poblacional y n es el tamaño de la muestra. = op: o/1/i. Los co.96 en todo lo visto anteriormente por 2. los resultados son para poblaciones infinitas o para muestreo con remplazamiento' Para muestreo sin remplazamiento de poblaciones finitas los resultados deberán modificarse. Tales ensayos se llaman ensayos de una cola o ensayos unilaterales.645 cí 2.28 ó -1. puede también emplearse. es decir. En cada caso. En tales casos.6 1.33 ó -2. con área igual al nivel de significación. Ia región crítica es una región a un lado de la distribución. tales ensayos se llaman ensayos de dos colns o ensayos bilaterales. tss =.645 y 1.-: ú1V11. en las dos "colas" de la distribución. La variable tipificada viene dada por Aquí S : X.96 y -2.. Entonces.58 2.58 2. en una "cola" de la distribución.08 ENSAYOS ESPECIALES DE SIGNIFICACION PARA GRANDES MUESTRAS Para muestras grandes. Para ensayar la hipótesis nula (f) co (I ). Debe ponerse de manifiesto que puedgn igualmente emplearse otros niveles de significación.645 1.08 y 3.cAP. Por esta raz6n.28 1. aceptaríamos -EI6 de que la media poblacional es p : o utiliza¡íamos el estadísti-EÍe (o al menos no lo . cuando se está ensayando la hipótesis de que un proceso es mejor que otro (que es diferente a ensayar si un proceso es mejor o peor que otro).88 y -1. Si4 embargo.58 ó -2.81 2. que da los valores críticos de z para ensayos de una y dos colas a distintos niveles de significación. Cuando es necesário se utiliza la desviación muestral observada s (ó G)..002 ó -t. 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. Valores críticos de z para otros nivelei de significación. Z = -.88 2. será de utitidad para propósitos de referencia.58 (véase Tabla 7-L).005 0. se pueden encontrar utilizando la tabla que da las áreas bajo la curva normal. o. si se utilizase el nivel del 0.58 y -2. 1. 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. como por ejemplo. Tabla 7-1 Nivel de significación o Valores críticos de z para ensayos unilaterales Valores críticos de z para ensayos bilaterales 0. para estimar o.8I -3.01 se sustituiría 1.33 -2. utilizando un ensayo de dos colas.10 0. con frecuencia se puede estar solamente interesado en los valores extremos a un solo lado de Iá media.i: ¡t. La Tabla 7-1. La Tabla 6-1. Véanse páginas 158 y 160.la X-. media poblacional. es decir.

-X2-0 z _:.De (//). Entonces.EIo al nivel 0. de éxitos en la población (4) Aquí S : P.p. Para ensay¿ü la hipótesis de que la media poblacional es menor que a acepta- iñ 2.e6 y lo rechazaríamos por el contrario. utilizar las desviaciones típicas muestrales sr V sz (ó 0t y 3. '\ l x2 (7) ¡ donde se puede.05 si p¿üa una muestra específica de tamaño n con media r (2) -1. 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. Proporciones. donde X en es el P-p \/pql" (5) número real de éxitos en una muestra. página 159. ? rechazaríamos) al nivel 0.r. Considérese la hipótesis nula de que no hay diferencia entre las medias poblacionales.05 si ry olVn ríamos. = 0 O:. 3.05 si (véase Tabla 7-1). Diferencias de medias.e6 = "ñ+ = 1. Para otros niveles de significación cambiaríamos (2) apropiadamente.-'. 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._ = Xr-X" \. donde e : ! . utilizando un ensayo de una cola. es decir.. ¡r" : ltp : p. lt : !z. La variable tipificada viene dada por z: En el caso de que P .*r_*... : ltulln. la proporción de "éxitos" en una muestra. 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. (5) se convierte (6) Z= X-np \nLPrI Consideraciones semejantes a las hechas anteriormente para medias pueden hacerse. como estimas de or y 02. 18) de una manera semejante a la descrita en la Pa¡te 1 se puede ensayar la hipótesis nula contra la hipótesis alternativa (o la significación de una diferencia observada) a un nivel de significación apropiado. donde p es la proporción y n es el tamaño de la muestrsi o" : o. si es necesario. aceptaríamos Ilo (o al menos no la rechazaríamos) al nivel 0.= X/n.

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

provienen o no de la misma población normal.1)^ii + fn. y o!.1 grados de libertad. de que la varíanza poblacional es mayor que o2 emplearíamos la hipótesis rilo . 4. Esta es la uarianza 3. Relaciones de varianzas..05 si X. El empleo de (12) está plenamente justificado al hacer o. n . página 159.0. . combinada obtenida al donde ^31 t . . basados en el ensayo de dos colas. cuyas varianzas medidas son sl y sr2. Por tanto rechazaríamos Hs. es correcta) si la varianza muestral específi- ca.s? + + n.05 (y por tanto concluiríamos que f/. Entonces.EIo (o no la rechazarí4mos) en el nivel 0. en el nivel 0. 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..1 grados de libertad.s'. (/8) y lo rechazaríamos en el caso contrario. sí sí = F'o.3¿ son estimas insesgadas de oi combinar los datos.10 si Fo.1. (rz' . Para ensayar la hipótesis H. pero entonces emplearíamos un ensayo de una cola. primero anotamos que F en (16) tiene la distribución F con fr . En este caso utilizamos el estadístico (véase página 161) F= donde (16) fi.J)9j 1) + (nz -1)-- l' n. Entonces si una muestra aleatoria de tamaño n tiene varianza s2 aceptaríamos flo .'oz¡ o<nsz< (14) semejante puede obtenerse para el nivel 0. fi son las varianzas de las dos poblaciones normales de donde se extraen las muestras. Si ¡/o denota la hipótesis nula de que no hay diferencia entre las varianzas poblacionales. y después utilizar como estima de o2 la media ponderada (n. aceptaríamos. En algunos problemas deseamos decidir si dos muestras de tamaños m y n respectivamente.oz : o en(12).t n. (o al menos no la rechazaríamos) en el nivel 0.2L6 ENsAyos DE HrporEsrs y srcNrFrcAcroN / Se'tt. -2 gradosde'libertad.t. por ejemplo. fuera tal que nsz t2 y aceptaríamos IIo (o al menos no la rechazaríamos) de otra forma. Varianzas.01 u y la rechazaríamos de otra forma. * 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 . Un resultado otro nivel. es decir = o3.. utilizando un ensayo de dos colas.) (17) Para ensayar esta hipótesis al nivel 0. . s2. t La distribución de ? es una distribución de Student conv: n. . Bajo esta hipótesis (16) se convierte en "! F::-l q2 q2 \.

al menos en el caso de los ensayos de dos colias. Útt "trrayo ajuste de distribuciones teóric as. Un resultado semejante para_ ensayos de una cola requeriría intervaloi de confianza unilateralás. 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. Es posible evitar el riesgo de error < nunca la hipótesis. el enmyo chi-cuadrado. POTENCIA DE UN ENSAYO Se ha visto cómo el error del Tipo I pued.14). etc. Los gróficos de control suministran un método útil y sencillo para tratar tales problemas (véase Problema 1. Sin embargo. r a¡ la bondad d. donde s camb se deben simplemente a fluctuaciones causa de deterioro en las máquinas.7.136 y también Problema 6. la si de modo que puedan darse los pasos rápid ejemplo en control de calidad. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2t7 R. conviene utllizar papel grófico de curua normal o papel grófico de probabilidad. es posible frecuenten llamadas "modelos" o distribuciones "esperadas") tras de la población. . A pesar de que la necesidad de tales intervalos es rara' es posible definirlos (véase Problema 7. significación.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. GRAFICOS DE CONTROL DE CALIDAD importante conocer cuándo un proceso ha cambiado suficientemente. se describe más adelante.05 es eq pigtm 195 conducente al intervalo de confianzadel96"/o se puede obsenrar que existe u eoría de ejemplo. CURVAS CARACTERISTICAS DE OPERACION.30. 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.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. poüíamos realmente emplear el intervalo de confiaíza del Capítulo 6 para e¡¡sayar ttipótesir.32 y 7. El método utilizado general: típica de la muestra para estimar la media y des 7. como a veces se le llama (véase Problema 7.31). qué tamaños de muestras deben emplearse. por ejemplo. érrores de los empleados. (/ ) 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.33.29).elo vn vn Por tanto.cAP.

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

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

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

en unidadee tipificadas = 60.-210 caras) FiE. 39. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 22r Problema.tp = 1oo(. puede utilizarse para la er¡aluación de la suma anteriqr la aproximación normal a la distribución binomial.I de la regla de decisión y la probabilidad de cometer este error es igual a 0. ambos inclusive. la hipótesis de que una moneda está bien hecha. la probabilidad de no obtener entre 40 y 60 caras inclusive si la moneda está bien hecha 1 . (b) Interpretar gráficamente la regla de decisión y el resultado del apartado (c). Según la distribución binomial. Si en una serie de 100 lanzamientos sg obtiene una z entre -2.e la regla de decisión y es igual a 0..58%.'| rrx'ti'\r/ /tY' \-/ \-/ \-/ \-/ \-/ La media y la desvi¿ción típica del nf¡mero de ca¡as en 100 hnzamientos vienen dadas por t. está representado por el área total sombreada de Ia figura. el área total sombreada (es decir. 53 (o) (b) Por el Problema 7.7-2 z (60. entre 40 y 60 caras inclusive es lo mismo que entre 39. -.0358 6 3.5 caras. Región de recbace ? El error que se puede cometer de rechazar la hipótesis (39. se acepta la hipótesis.L0 y 210. pues se habla de rechazar la hipótesis a un nivel de significación de 0. cuando debería aceptarse q el error del Tipo.lO 2. /1Y. de otro modo se rechaza y se decide que la moneda no está bien hecha.. La regla de decisión se ve gráficamente en la Fig.10 y nq son ambas mayores de 5. 7-2. En una escala continua.0358 del apartado (o). (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. Por esta razón.'lóJ /1Yo .s resueltos ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NORMALES 7.1.) +'noc.0358 en este casc. la probabilidad pedida es /1\'t0 'oocoo( i) /r \6r' .5. (2) de otro modo. Para ensayar (c) Hallar la probabilidad de rechazar la hipótesis.5 .1O y z: 2.1. Hallar la probabilidad de obtener entre 40 y 60 caras inclusive en 100 lanzamientos de una moneda.) =.10) 7. .0.que muestra la distribución de probabilidad de caras en 100 Ianzamientos de una moneda bien hecha. \ql ..5 y 60.CAP. Entonces la probabilidad de rechazar la hipótesis cuando es correcta : 0. se rechaza.9642 : 0. .5 - 50 = 2.2. uo Pueeto que np o-{ffi=['r{ffi=' = _2. se dirá que esta z difiere significatiuamente de lia que cabría esperar si la hipótesis fuese cierta./ 1" (.0358. Así.5 en unidades tipificadas = q9'5-:-E 60. cuando en realidad es cierta. probabilidad de error del Tipo I) se llama níuel de significación d. se toma la siguiente regla de decisión: (1) se acepta la hipótesis si el número de caras en una serie de 100 lanzamientos se encuentra entre 40 y 60.I0 Probabilidad pedida : : área bajo la curva normal e¡tíe z: 2(áreaentre z: O y z: -2./lY' (..0358.5 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.

en ambos casos se aceptaría la hipótesis de que la moneda está bien hecha.96(4)< (x6 32.3. el área entre 0 y zr es 0. nótese que la media y la desviación típica de la distribución binomial exacta de caras están dadas por ! . Entonces. Entonces el área entre 0 y zr = 0.25.68 y Bz + Entonces la repla de decisión sería: (l) Aceptar la hipótesis si el nfrmero de caras se encuentra entre 22 y 42 inclusive.58(4):21.96 y 1.32.96(4) la regla de decisión anüerior.95. por ejemplo.01 .96 equivale a . np. Entonces.575). (i ) Se acepta la hipótesis de que la moneda está bien hecha si el número de 24. Se puede aceptar la hipótesis cuando realmente debería rechazarse como.(X-32)l¿:1-96óX:39.96. sería el caso cuando la probabilidad de cara fuese realmente 0.16<X< 39. es decir.025 por simetría.58o y pt*. pues.t6. 7-3 es 0.96 <(x-gz)l¿. 89. (o) Primer método: Si el nivel de significación es 0. caras se encuentra entre (2) es Se rechazá la hipótesis en caso contrario. Diseñar una regla de decisión para ensayar la hipótesis de que una moneda est.05 y (b) 0.< 1. Para mayor discusión véanse Problemas 7 rechazarse ea error del Tipo 1I de la .84.96 y 1.? en lugar de 0. es decir. SiZ:1. entre 25 y 39 ambos inclusive.1. 24.á bien hecha si en una muestra de 64lanzamientos de la moneda se toma un nivel de significación de {c) 0. se ve que con probabilidad 0. El error que se comete al aceptar la hipótesis cuando debería decisión. Segundo método: Con probabilidad 0.84que 32) < 1. es decir. Siguiendo el mismo procedimiento del método segundo del apartado (o ).que también conducea ) obtenerse de la Tabla ?-1.96(4) :24.99 .Asípues.(X-32)14:-1. .58o. se habría rechazado la hipótesis.5) . 7.5000 0. Tercer método: y np+1.96(4). (2) Rechazarla en cualquier otro caso.5000 . (b -1.960. 2.96yñpq lleva a Ia regla de decisión anterior. el número de ca¡as se encontrará entre ¡¡ decir.96{npq o entre 32 - 1.bg (másexacüarnente 2.5. Si el nivel de signilicación es 0.76y 32+ -1. una posible regla de decisión es: (I ) Aceptar la hipótesis de que la moneda est:á bien hecha si Z está entre -1. ? (c) Según la regla de decisión. Esto es lo que se debe afrontar cuando para tomar decisiones se toma cualquier línea de división.32 y o -= t/iw = y'6llos)(05) = = (X p)/o 4 bajo Ia hipótesis de que la moneda está bien hecha. Así.960 y ¡J + l.96.84. g2-2. cada6rea sombreada en la Fig.96(4): 1. cada área sombreada en la figura anterior es 0.np: 64(0.96 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.96 < z < 1.58(4\: 42.96.96_ (2) Rechazar la hipótesis en cualquier otro caso.0050 :0.2.O.05.16 y 39.222 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.01.1.1.966X=24.84.7-B 2r Los valores críticos la Tabla 7-1- -1.005.96. (d) Si. Estopuedetambién - el número de ca¡as se encontrará entre lr 2.5i2:-1.23-7. -zr Fis.96(4)< X< 32 + 1.1.y z¡ : 1. Entonces Z la regla de decisión resulta: = (X - 32\14. Se puede argüir que con solo una cara más que se hubiese obtenido.4950 ! zt = 2.O25O : O-4750.

lo que efnificarfa que ee rehuaa cualquier decisión en este caso.3(b) serfa: (I ) (2) No recltzz. 7. Entonces el área enüre O y zt = 0. Es desconocido-para el zujeto cuántas cartas rojas o azules hay en el lote. 7-4 de modo que el área sombreada en la región crítica de r¡alores alüos sea 0. p es la ptobabilidad de que el sujeto elija conectamente el color de una catta.np = 50(0.84) que es menor que 2. 7-4 Puesto que 32 unidades tipifrcadas (32 .01 ¡on altomente significatiuos.5. (I) ee Adüértase que tealmente debería aplicarse una conección de continuidad. sino en la facultad de obtener aciertos numerooos. es decir. los resultados son significativos al nivel del 0.645. de modo que posteriores investigaciones del fenómeno están probablemente justificadas.) 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. Si la hipótesis está dado por ff6 es cierta. mientras que los resulüados significativos a niveles superriores al 0. Sin embargo.64:1. .23-7.26'). la regla de decisión o enaayo de significación es: (f ) Si la z observada es mayor que 1.33.05 y el indiüduo tiene fue¡za de E. es decir. Asfrpues.06 se debe elegit z1 en la Pig.5 üiene un valor tipificado de (31.25\15.4900Y2r:2.645.01. Rechazar Ia hipótesis en ca6o contraúo. no significativos al nivel del 0. Se elige un ensayo de una cola.01 son probablemente significotiuos. los resultado¡ son totalmente casuales Ht: p ) 0. Algunos estadísticos adoptan la terminología de que lios resultados significativos al nivel del 0.4500.645. Si el zujeto identifica conectamente 32 cartas' determinar si los resultados son significativos al nivel de significación de (c) 0. los resultados significativos al nivel del 0. ¿Cómo se podría diseña¡ una regla de decisión en el Problema ?.S. en lugar de aceptar la hipótesis.26)13.645 los resultados Be deben a la casualidad. se concluye que los resultados del experimento anterior wn probablemente significatiuos.64: 1.05 el individuo tiene fuerza de E. en muchos ejemplos prácticos es importante decidir si una hipótesis debe eer aceptada o rech¡zada.3 que evite el enor del Tipo T? El error del Tipo I[ se c. puesto que no se está interesado en la facultad de obtener valoree bajos. lo que se hace es simplemente no rechazarla.entonceseláreaent¡eOyzt:0.cAP.05.S. puesüo que 32 en una eecala continua está entre 31-5 y 32. Fig.05 pero no al nivel del 0. (D) Sielniveldesignificaciónes0. se concluye que al nivel del 0.S.84 llegándose a Ia misma conclusión anterio¡. la decisión rnantiene es decir. Esto puede también eacarse de la Tabla 7-1.54 p=.P.5 y el sujeto tiene fuerza de E.5 V el sujeto está simplemente adivinando.05 y (b) 0. entonces se tiene que decidir entre las dos hipótesis siguientes: Si Hoi p: 0.33.P.05.6. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 223 7.98 (ó 1. Sin embargo. la media y la desviación tfpica del número de cartas identificad¿c correcüamente 3. la regla de decisión del Problema 7.Puestoque32(ó 31.P.06 son no significatiws. Una completa discusión de tales casos requiere l¿ consideración de errores del fipo II (véanee hoblem¿s 7.01.98 es mayor que 1.ar la hipótesis si el número de caras se encuentra e¡fte 22 y 42 inclusive. Así por ejemplo. se deduce que los reeultado¡ no son significaüuos al nivel de 0. Y zr : 1. 31. En un experimento sobre percepción extrasensorial (E.5) = zb ! o=\/wq = /86(05)(-05) = ¡/Es = (a) Para un ensayo de una cola al nivel de significación de 0.S.01.4.omete al aceptar una hipótesis que debería ser rectrazada. Para evitar este etlor. zl (2) Si z es menor de 1.5) en unidades tipificadas es 1.5 .P. Seglrn la üerminologfa.

33.33 (en cuyo caso se rechaza H¡). altamente significatiuos (véase final del Problema ?.viacióntípicaop:s/1/i.84):0.7. comprobar la hipótesis ¡¡ : 1600 horas contra la hipótesis altemativa r¡ # 1600 horas con un nivel de significación de (a) 0.5(b).0322. . El estadístico bajo consideración es la media muestral X. \/"pq = /?2ooxo. El fabricante de una patente médica sostiene qu€ la misma tien'e un 9O% de efectividad en el alivio de una aler_gia.r es la duración media de todos los tubos producidos por la compañía. Entonces tre las dos hipótesis: se debe decidir Ho: p: 0.96. por un período de 8 horas. Se zl Fig.9)(o. (a) Paraunensayobilateralalniveldesignificaciónde0. 7. 7-5 es 0.l8O)14. como puede deducirse del koblema 7. Se tiene que decidir entre las dos hipótesis: Ho. mediante la simetría de la curva. 3.33.23: -4.Ossetienelasiguienteregladedecisión: (/) Se rec}raza 116 si la z de la media muestral está fuera del rango .S. lt:1600 hora. con una desviación típica de 120 horas. Denótese porp la posibilidad de obtener alivio de la alergia utilizando la medicina. H1: ¡t* 1600horas Un ensayo bilateral debe utilizarse aquí puesto que g * 1600 incluye valores mayores y menores de 1600.0322 el estadístico puede decir que en base a la posibilidad de que en el experimento se llegue a una conclusión errónea sobre que el individuo tiene fuerza de E. . Asípues. es decir. que es mucho menor de -2. La distribución muestral de X tiene una media r¿x-Éyunades.6.05 y (b) 0.r¡ = a.9 y la aseveración Se elige un ensayo unilateral.01 . Si se toma el nivel de significación del 0. en este problemapuesto quep(Z > 1. ta probabilidad citada en-este caso 0. 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. es sobre el 3 por 100..En una muestra de 200 individuos que tenían la alergia la medicina suministrada alivió a 160 personas.01.dondegvoscnlamediayladesviacióntípicadelapoblación de todos los tubos producidos por la compañía. Ahora 16O en unidades tipificadas (160 . (2) Se acepta l/6 (o no se toma decisión alguna) en caso contrario.s. 7-5 toma como regla de decisión: (1) La aseveración no es legítima si Z es menor de -2. (2) En caso contrario.01. algunos estadísticos citan las probabilidades reales inherentes.96 a 1. Si ¡. puesto que Ee esüá interesado en determinar si la proporción de gente aliviada por la medicina es demasiado baja. entoncegz¡ : -2.23.9 y la aseveración es correcta es falsa Hy: p10. La duración media de una muestra de 100 tubos fluorescentesproducidosporuna compañía resulta ser 15?0 horas. o de la Tabla 7-1.1. la aseveración es legítima y los resultados obtenidos se deben a la casualidad (en cuyo caso Si se acepta 116 ). 7 Puesto que los niveles de significación sirven de guía en la toma de decisiones.P.224 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.$) : 1AO y " - 7. Por ejemplo. se llama a veces niuel de significación erperimental o descriptiuo. Determinar si la aseveiación del fabricante es cierta. si el área sombreada en la Fig.5).

01.F/0 (2) De otro modo. 7.01.01.¿ 7.01? Se tiene que decidir entre las dos hipótesis: Ho: lJ: Ht: lt > 1800 libras. se ensaya una muestra de 50 cables y se encuentra que su resistencia media es de 1850 libras. ¿Puede mantenerse que. ' (b) Si el nivel de significación es 0. II1: ¡t{ 1600 horas. puesto que z -2. Las decisiones concernientes a hipótesis'lfe dadas.58 a 2. hay un aumento de resistencia al nivel de significación del 0. De aquí que se adopte la regla de decisión: (I ) Se rechaza H¡ si Z es menor de -2.05.645.01 y.58. que es menor de -2. . En el Problema 7.9 6. ¡. Para ensayar esta aspiración.1600y12 : -2. naturalmente esperarse. en efecto. que es menor de -1 .05. Se ¡ecltaza 7 . I/e es cierta. laregiónsombreadadelaFig.645. (a) Sielniveldesignificaciónes0.8. y realmente no hay cambio en la resistencia 1800 libras. ensayar la hipótesis p : 1600 hora.96 a 1. no están siempre en concordancia. Se debe < 1600 decidir entre las dos hipótesis: Ho: lJ: 1600 horas. acepta H6 (o no se toma ninguna decisión) en caso contrario.01.96 a 1 .7(b) mediante un ensayo bilateral. (a).50. por tanto la regla de decisión: -L.01 la regla de decisión es: ) Si eI valor de z es mayor que 2. Adviértase que esta decisión es la misma que la obtenida en el Problema 7.96 en la regla de decisión del apartado (c) se sustituye por -2. Puesto que / : (X . 7-4).01 eI valor de z1 en la Fig.1800 -------------ó.50. /ls al nivel de significación del 0. 7-5 es -2.T-Stieneunáreade0.7 Como en el Problema de significación del 0. el valor de e es -2.Ff6 (o no se toma ninguna decisión) en caso contrario. Ilo es aceptada (o no se toma decisión alguna). con los niveles de significación de (¿) 0.9.0Sysetieneque zt : Se adopta. Esto cabe.7(a) mediante un ensayo bilateral.cAP. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 226 eneuentra fuera del rango Bajo la hipótesis I/6. Como en el Problema 7.s frente a la alternativa horas.7. Mediante una nueva técnica en el proceso de fabricación se aspira a que esta resistencia pueda ser incrementada. se tiene X-p ol\n 1850 . (1 Hs si Z es menor de -1. y hay un cambio en la resistencia Aquí debe emplearse un ensayo unilateral (véase Fig. Debe aquí utilizarse un ens¿ryo unilateral (véase Fig.1600)/12 : (L570 .05 y (b) 0. se acepta Ile (o no se toma ninguna decisión) al nivel de sfinificación del 0. el valor de z es -2. puesto que se ensaya I/6 conha una alternativa diferente en cada caso.oo loo/v5o que es mayor de 2.645. Al nivel de significación del 0.50 se -l . Entonces. ) (2) Se acepta. se tiene g : 1600 y o* = a/t/n = 120/\/L00 = 12.05.33.33 los resultados son significativos al nivel de 0. 7-5).33. se rechaza pues. utilizando la desviación típica muestral como una estima de o.33. basadas en ensayos de una o dos colas. se rechaza /16 al nivel de significación del 0. De aquí se deduce que los resultados son olúamente significatiuos y Ia aspiración de mejora debe ser admitida. fle al nivel (b) Si el nivel de significación es de 0.50 se encuentra dentro de este rango.7(a). 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.33. (2) S. Bajo la hipótesis de que (I es rechazada. el rango -1. se rechaza pues. Adviértase que esta decisión es idéntica a la obtenida en el Problema 7.

01? ces.58 y 2.5.4s Puesto que los resultados scin significativos al nivel de 0. Entonces z= (a) (ó) Pata un ensayo bilaüeral. (b) 0. n2 = 0. z ENSAYOS RELACIONADOS CON DIFERENCIAS DE MEDIAS Y PROPORCIONES 7.226 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [g. Ensayar la hipótesis de que los estudiantes que participan en las pruebas atléticas son más altos que los otros.8 pulgadas. Para un ensayo bilateral.645. p2 .la estatura media del primer gtupo ^o hay diferencia entre las estaturas mediases mayor que la del segundo ur?. I vez cada 10. .05 pero no al de 0. = o*r-fr.10 si se está dispuesto a correr el riesgo de tomar una decisión errónea con una probabilidad de 0. se tiene que Supóngase que las dos clases provienen de dos poblaciones que tienen de medias respectivas decidir entre las hipótesis: l\ y tJz.05 si Z se encuentra fuera del recorrido -1. = 1# = -2.01. los resultados son significativos al nivel de 0. ambas clases provienen de la misma población.53 donde se han utilizado las desviaciones típicas muestrales como estimas de o1 y o2Entonces Con un enr¡ayo unilateral y al nivel de significación del 0. De aquí se deduce que al nivel de 0. 7. se rechaza la hipótesis lls si el valor de z fuese mayor de 1. "Z= l8r.96 a 1. de acuerdo con la terminología utilizada al final del Problema 7. mientras que 50 estudiantes que no mostraban interés en tal participación tenían una estatura media de 67.0ó hay una diferencia significativa entre las dos clases y la segunda es probablemente mejor. no se puede rechazar la hipótesis a este nivel de significación. ft1 "8.11.hay una diferencia significativa entre las dos clases la hipótesis lls. De aquí se deduce que al nivel de 0.10.. Debe sin embargo ponerse de manifiesto que la hipótesis puede rechazarse al nivel de 0.lp. = o n*r-'^" = !t-".e 2.10.e o1 y o2.01 no hay diferencias significativas entre ambas clases.05.2 pulgadas con desviación típica d. ! la diferencia se debe simplemente al azar H t : Pt * ¡t2 . Así pues. los resultados son significativos al nivel de 0. se deduce que los resultados son probablementesignificatiuos.606 donde se han utilizado las desviaciones típicas muestrales como estimas d. Se debe decidir entre las hipótesis: Ho: llt : H t: Ft ) Bajo la hipótesis. Enton- Bajo ferencia de medias están dadas por Ho: ltt : llz. !40*50 = 1.El6 . ?.05. es decir. =o n*r-rr"= "? . La media y la desviación típica de la di- uir-i.01 si Z se encuentra fuera del iritervalo -2. La estatura media de 50 estudiantes de un colegio que tomaban parte en las pruebas atléticas fue de 68. ltz . ¿Hay una diferencia significativa entre el restfltado de las dos ciases al nivel de significación de (a) 0. Se hizo un examen p dos clases formadas por 40 y 50 estudiantes respectivamente. En la primera clase la puntuáción media fue de 74 con una desviación típica de 8.58. - l"? . mientras que en la segunda clase la puntuación media fue de 78 con una desviación típica de 7.5 pulgadas con desviación típica de 2.5 pulgadas.-*.96.

0."io" dos grupos per- o*r- *. respectivamente se han recuperado de la enfermedad.05 si Yif-t'uou (b) La diferencia observada ó 1/-n=8. se debe deducir que los resultados se deben al azar a este nivel de significación.54 (c) De acuerdo con un ensayo unilateral al nivel de significación del 0. Ensayar la hipótesis de que el suero ayuda a curar la enfermedad al nivel de significación del (a) 0.33.645. Puesto que esta condición es satisfecha.l las diferencias observadas son debidas al az.09 3. urr-r'. (b) 0.t. De donde se deduce que a este nivel tambiénlas diferencias se deben al azgt.01 si : 28 al menos. respectivamente las proporciones poblacionales curadas ( I ) utilizando el suero . ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 227 7.zorro.7 3.r-r. ui'!!=r.05.13.CAP.r. (a) o.75/\n 0.30."2 nn (2.05. (b) 0.?50 - = 1. siendo en todo lo demás los dos grupos tratados idénticamente. = o o.01? Supóngase que el tamaño muestral de cada grupo eB n y qLe las desviaciones típicas manecen iguales a las de antes. Puesto que el valor de z es 1.xz 4 . pero no al grupo B (que se llama gtupo control).L2.70 y donde q : 1 p : 0.o*r-*.y el suero es efectivo Bajo la hipótesis 116.7\n 3'75 La diferencia observada será significativa al nivel de 0. H t : pt ) pz.ir_*. Entonces ry- en los dos grupos muestrales el valor (?5 * P.5¡z ¡ ".650 0. Dos grupos A y B fo¡mados cada uno de 100 individuos. ¿En cuánto deberíán incrementarse los tamaños de muestra de cada uno de los dos grupos en el Problema 7. .54.10. se tiene . 7. al nivel de significación del 0.ebr(-#. Entonces._P" orr.05.7 observada en las estaturas medias se tiene xt . Denótese por P utiliza¡ suero..10 se rechazaría f/e solamente si el valor de z fuese superior a 1. = 0 V p"./" Para la diferencia de 0.5 ó t57 n>1b? 50 De aquí que se debería incrementar cada muestra en al menos : lO7 . deberá incrementarse el tamaño de cada grupo en ?8 será significativa al nivel de 0. 14. se rechazaría la hipótesis IIs solamente si z fuese mayor de 1.0648 donde se ha utilizado como estima de la proporción 65)1200 : 0. (ó) De acuerdo con un ensayo unilateral (c) Si se utilizase un ensayo unilateral al nivel de significación de 0.#) = 0. se r*}lrazaría lahipótesis1116 solamente si z fuese mayor de 2.8 í¡ n>78 50 Así pues. el suero no es efecüivo Ho: Pt : Pz.7 pulgadas en las estaturas medias sea significativa al nivel de significación (o) 0.II para que la diferencia observada de 0.75 n .0648 ro.zt. Se debe r! p2. Se encuentra que en los grupos Ay 8. = o?.01. padecen una enfermedad. (c) 0:10. se deduciría que el suero es efectivo al nivel de significación de 0. bajo la hipótesis tiI6. Se administra un suero al grupo A.28.tt d \/a>r2.75 y 65 individuos. (2 ) sin decidir entre las dos hipótesis: es decir. = p de curas 0.01.

estaban a favor de un candidato dado.. 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.195y600:0. se está forzado a toma¡ decisiones en acuerdo con la información utilizable y asÍ se tendrá que correr mayor riesgo de tomar decisiones erróneas. se compone de 300 individuos y si se curan 225 i* : 0." 0. . es decir.70 utiliza como estima dep.0374 . (b) el candidato sea preferido en el distrito A.13 si cada grupo dividuos del Grupo. Si los resultados se deben realmente aL azar y se toma la decisión de que son debidos al suero (error del Tipo I).750 = ro. que son las mismas del problema anterior.15.96..05 se rechaza H¡ si Z fuese mayor de 1. se deduce que el suero es efectivo con solo una probabilidad de 0.01. en muchos casos es imposible el aumentar el tamaño de la muestra. Co¡r un ensayo unilateral y al nivel de significación del 0. Este es un riesgo que nb siempre deseamos suponer.01 de equivocación. Bajo la hipótesis ^FIe. Puesto que éste es el caso.encontrándosedentrodelintervalonosepuedetechazatH¡ a este (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. Una muestra de 300 votant€s del distrito A y 2O0 del distrito B mostró que el 66% y el 48% respectivamente.472.750 y 195/300 Adviértase que en este caso la proporción de gente curada en los dos grupos son 225/300 : 0.645. En tales casos.zol ro.14.33. decir.Puesto queZ:1.05.0374 P.?S. l'pr-pz = donde (225 0 ú¡'. _ 1. se puede proceder a dar el'suero a grandes grrlpos de gente solamente para obtener entonces que realmente es inefectivo. se rechazaría Hs si Z estuviese fuera del in' tervalo-1 . (¿) Si solamente se desea determinar si hay diferencia entre los distritos. z Adüértase que las conclusiones anteriores dependen de lo que se esté dispuesto a arriesgar de tomar una decisión erróneá.-t'r= se ú'G.480 = -0^0456== nivel.650 0. Al nivel de significación del 0.228 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. Entonces = 0 or.560 dondesehautilizadocomoestimadepyqlosvalores +(0. ?.. Por otro lado.528 = z - P.6b0 respectivamente. Denótese por pr y p2 las proporciones de todos los votantes de los distritos A y B. Bajo la hipótesis (Ho: pt:pr ) se tiene l¡.67 es puesto que el valor de z es mayor de 2. que se estudia con un ensayo unilateral. z=ñ= - = 2. .48)(200)l/500:0. Sin embargo.sol( r*-L * r*-L ) : 0.P" = rrar.528 l'75 y 1-0.05 ensayir la hipótesis de que (o) haya diferencia entre los distritos. se puede rechazar la hipótesis al nivel de significación del 0. Esto muestra cómo al incrementarse el tamaño de la muestra aumenta la seguridad de las decisiones. ?. Entonces 0.-P.0.t 0. se debe decidir entre la hipótesis (Ho : P t : pz\ y (Ht : P t * pz). se debe decidir entre la hipótesis (f/e ). Solucionar el Problema 7. que se estudia con un ensayo bilateralCon un ensayo bilateral y al nivel de significación del 0. se rechaza É16 a este nivel y se deduce que el candidato es preferido en el dis' trito A .zt y 195 del grupo B.96a1.56)(300) 0. respectivamente. = ú(¡D=@=00456 f(0. que están a favor del candidat<¡.

050 pulgadas.05 se adopta la regla de decisión: (I) (2) (ó) Se acepta fle si f se encuentra dentro del intervalo-f cz¡ a f e75. Para un ensayo bilateral aI nivel de significación del 0.26.003 pulgadas.01 se adopta Ia regla de decisión: (I ) (9) Se acepta .86 .01 .i6= = -8. se rechaza ffs . Se rechaza.17.050.26 a 2.ee.01. 7.00. Puesto que T = -3. H lJ: 8000 libras.F/6 eri caso contrario.un. se rechaza Puesto que ?: 3.16.01. I/6 al nivel de 0. lo cual para 10 libertad es eI intervalo -2. que para 5 grados de libertad da 7') -3.F/e en caso contrario.05. (b) 0.01? Se tiene que decidir entre las hipótesis Ho:. se adopta Ia regla de decisión (l) (2) (b Seacepta116 si ?esmayorde -ú.. ¿Se puede admitir la afirmación del fabricante aI nivel de significación del (a) 0.25.o.36.00. Ya que se rechaza lls al nivel 0. -t/n- t = 9!$-. : 9 grados de liber- Puesto que ?: 3.f. Se rechaza -1 :9 gradosde lls en caso contrario. En el pasado una máquina ha producido arandelas con un grosor de 0.25 a 3.6).L7¡"- 1= ?l|'!-_99rnJ . -1:5 gradosdelibertad da ?) -2. y la máquina Ht: P + 0. Para determinar si la máquina sigue en buenas condiciones de producción. se dice que lamuestraresultaproboblemente significatiua (véaee la terminología del final del Problema 7 . Ensayar la hipótesis de que la máquina está en buenas condiciones de producción al nivel de significación del (o) 0. se encuentra en buenas condiciones no se encuentra en buenas condiciones Bajo la hipótesis (o H¡ se tiene . Bajo la hipótesisae se tiene (o . y la afirmación del fabricante de modo que se requiere un ensayo unilateral.05. se toma una muestra de 10 arandelas. que para 10-1 tad es el intervalo -3. (b) 0.01 . Se desea decidir entre las hipótesis Ho: lt:0.01. . 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Ú ENSAYOS RELACIONADOS CON LA DISTRIBUCION DE STUDENT 7. Se deduce que la afirmación del fabricante es extremadamente improbable que esté justificada.Efs al nivel 0.05 pero no al nivel 0.4!9 ú0 -t -_. se adopta la regla de decisión (1) (2) Se acepta f/¡ : si ? es mayor de -f.050. á ú. se rechaza .É16 elr cáso contrario.00. .cAP. : ) Para un ensayo unilateral al nivel de significación del 0. ) Para un ens¿ryo bilateral al nivel de significación del 0. Se rechaza. que para 6 Se rechaza.g. que resulta tener un grosor medio de 0.053 pulgadas y una desviación típica de 0. : ) Para un et¡sayo unilateral al nivel de significación del 0.86.F/6 si ? se encuentra dentro del intervalo --f. 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. se acepta. = 4---f. y la máquina de modo que se requiere un ensayo bilateral.05 .F/s. y la afirmación del fabricante está justificada es falsa 1 : ¡t 1 8000 libras.05.86. ABI sería aconsejable comprobar la máquina o al menos toma¡ otra muesha. Puesto que ? -B .ee5.

05. no se puede rechazar Se deduce que no 116 al nivel de significación del 0. Para ello. de los estudiantes de las dos zonas. de los dos grupos. Así pues.ee5. ¿Hay diferencia significativa entre el I. En una estación agrícola se deseaba ensayar el efecto deun determinado fertilizantn sobrela producción de trigo.76. tiene que decidir entre las hipótesis se Ho: lt : ltz.S! + nrS! n1 -ln2-2 Entonces t6+L4-2 =9. mientras que el L Q. se tiene que Ho: lt : ltz ! no hay diferencia esencial entre los grupos Hti ltt =* tlr.ffi + 12(0-36)2 t/".8 fanegadas con una desviación típica de 0. ? ?. eue para n¡ I nz . Así pues.ctsa ú e75.4012 =o'397 v T= 5. Así pues. eue para 28 grados de libertad es el recorrido -2.1 fanegadas con una desviación típica de 0. y ¡r2 las medias poblacionales del decidir entre las hipótesis I.O5 a 2.44\/ l/16 + l/t4 = 1.2 : 22gradosde libertad es 2. T- xt-x. El I.8 0.Ef6 al nivel de significación del 0. la mitad de ellas fueron tratadas con el fertilizante y la otra mitad no (grupo control). ¿Puede deducirse que hay un incremento significativo en la producción de trigo por el empleo del fertilizante al nivel de significación del (a\ 7% V Q) 6%? Si ¡¡r y pt2 son las producciones poblacionales medias en los suelos tratados y no tratados. de los dos grupos al nivel de significación del (o) 0. (cociente de inteligencia) de 16 estudiantes de una zona de una ciudad dio una media de 107 con una desviación típica de 10.44 y T= ltz - t07 9. n1*n2-2 "=!ffi (a) I 12(0. a ú.01.01.y hay diferencia esencial entre los grupos Bajo la hipótesis lls.45 (¿) Con r¡n ensayo bilateral al nivel de significación del 0. Q. T= Entonces xt- X.18. Q. hay diferencia significativa entre el I.01.3s7\n/12 + Urz = 1. 7. y (b) 0.1 - 4. Todas las demás condiciones fueron las mismas.2 : 72 + t2 . "t/U"t+ Y"2 donde o - n..36 fanegadas.05? Si se denota por ¡l-.ee. Q.16 + 74 . Q.01.?6 a 2. mientras que la media en las parcelas tratadas fue de 5. de 14 estudiantes de otrazona de la ciudad dio una media de 112 con desviación típica de 8.85 Con un ensayo unilateral aI nivel de significación del 0.40 fanegadas. donde nrsl + n252. se eligieron 24 parcelas de terreno de igual superficie.05.2:.y el fertilizante incrementa la producción Bajo la hipótesis I/6. sé rechazará Ia hipótesis f16 si ? fuese mayor que ú. respectivamente.01. no se puede rechazar É16 al nivel de significación del 0. no se puede rechazar.ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. La media de trigo conseguida en las parcelas no tratadas fue de 4. "tf. (b) Con un ensayo bilateral aI nivel de significación del 0.05.19. se rechazará la hipótesisl{6 si ?se encuentra fuera del recorrido --t r¡g¡. lo cualpara n1 * nz .51. .2: 28 grados de libertad es el recorrido -2. se rechazará Hs si T se encuentra fuera del recorrido -t.y la diferencia se debe al azar H t: pt ) tt1.

74 eí Entonces.32 on?T. en una asignatura específica.Alnivel 0.05 que la variabilidad de la clase B es mayor que la de la clase A? (o) Tenemos.32)2/(O.01? Hay que decidir entre las dos hipótesis: Ho: o :0.tá h.01. El número de grados de libertad para las clases son respectivamente rr¡ :16-1:lb. ¿Es el aparente incremento de va¡iabilidadsignificativa al nivel de signifióación del (a) 0. Sin embargo antes de sacar conclusiones definitivas referentes a la conveniencia del fertilizante. lo cual para22 grados de libertad esL.05. 9tt" 4'rn. Y deberá efectua¡se una revisión en la máquina.Ffs al nivel de significación del 0. (o) (b) Mediante un ensayo unilateral. sz :12 de modo -que G? = . se rechazará.25 onzas. Una muestra aleatoria de 20 paquetes dio una desviación tipica de 0.EIe al nivel de vel de significación del 0. se rechaza ._Lr'? = if Itr¡ (e)2 = 86. no se rechaza. y los resultado¡ observados se deben alazar H 1 : o > O .v2 = 24 tenemos del Apéndice F. = E = *n@ = r. (b) Ya que f'.2 para 19 grados sig de I O. Un instructor tiene dos clases.01 si el valor muestral de pues. ¿Podemos concluir al nivel d-e significación del (c) 0. sería deseable tener alguna prueba más. sr g.8g. F. ENSAYOS RELACIONADOS CON LA DISTRIBUCION CHI-CUADRADO 7.05 Si el valor de X2 muestral fuese mayor 9ue x?gs.01.EI6 al nivel de significación del 0.sr. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 237 (ü) Conunensayounilateralalniveldesignificacióndel 0.72.25 onzas. Así. (b) 0. aunque no hubo diferencia significativa en medias de las calificaciones.LL para 15.É16 al ni- Se deduce que la variabilitlad se ha.e5. LaclaseA tiene lGestudiantes en tanto que la clase B tiene 25 estudiantei. empleando eubíndices 1 y 2 para las clasee A y B respectivamente. y cualquier va¡iabilidad observada se debe al azol Íi1: o1>. .06.4. A y B.máqlLlina era de 0.0 onzas. se rechaza. llenados por una. 24 grados de libertad (véase Apéndice F).ee : 2.25 onzas. ¡12 fuese mayor- Mediante un enaayo unilateral.er:z. 4 = .ltle al nivel 0.Z5l2 = 82. ya que Ad F( F . vemos que tampoco podemos rechazar.05.oz.nn no podemos techazar ff6 al nivel 0. probablemente incrementado.!4 = '*rrrr'= 1Eo Hay que decidi¡ entre las dos hipótesis : o ¡ = o2.01 paraZ¡ = L5. En el mismo examen. Vz:26-L=24. y la variabilidad se ha incrementado El valot de 12 para la muestra €8 X2 : nsz/sz :20(0.01.05. se rechaza ^Ef6 al nivel de significación del 0. p.?0.cAP.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. Entonces.la clase A tuvo una desviaóión típica de 9 en tanto que la clase B tuvo una desviación típica de1'2. f ( F.. pues.1 : 19 grados de libertad.1 para v : 20 . que es igual a 30. ENSAYOS RELACIONADOS CON LA DISTRIBUCION ¡' 7-2L.05 y (b) 0.serechazarálahipótesisfl6si?fuesemayor que ú.Por tanto .8. En el pasado la desviación típica de los pesos de ciertos paquetes de 40. Así puee. muestras en cuestión. que ás igual a 36. Se deduce que el incremento en la producción de trigo alttilizar el fertilizante es probablemente significoúiuo.

2L si existe una diferencia significativaenla media de las calificaciones de las clases? Justificar su solución.4) = 4. Solucionar el Problema 7.0192 Así. 7-6. cuando realmente P : 0.5 en unidades ' = : r/"pq 60.58 = 70 y'6oo)(oJ)(0. probabilidad de error del Tipo II). CURVAS CARACTERISTICAS DE OPERACION 7.90 4. Esto es de esperarse ya que no estamos tratando de decidi¡ si hay una diferencia en las medias de las calificaciones.O1).07 -6. En la práctica se pue' den presentar otras dos posibilidades: (I ) Se decide sobre c (tal como O.7 (es decir.5 p=o.5 4.6. con la regla de decisión dada hay muy poco riesgo de aceptar la hipótesis de que la moneda eetd bien hecha.5.7-6 Si la probabilidad de cara es p : 0.5 en unidades 39.99 60.232 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.22. y después se calcula p.6)(0.2 es decir.¡O tn Entonces I: áteabajo la curva normal entre z --6'66 y z -2-O7 : 0. la media y la desviación típica de la distribución de caras vienen dadas por !=np=(100X0. .24.Efs cuando realmente p : 0. está dada por el área rayada p de la iigura. Puesto que la media real de las calificaciones no se usó para nada en el Problema 7 . Adviértase que en este problema se tenía la regla de decisión de la que se obtenfa c y p. (c)p :0.? tiene una media y una desviación típica que Bon dadas por p=np=(100)(0.6 p-0.23 si (a)p:0.5 en unidades tipificadas = 39. ?-6.7 39 5 caras 60. es igual a 0. Para calcular esta área se obeerva que la distribución bajo la hipótesisp : 0.7.23. En el diagtama se ve claramente que la probabilidad de acepLr . ¿Canbiarían sus conclusiones en eI ProblemaT.90 V(100)(0.7 7.2(ol.3) = 4. rOalculada en el Problema 7.6)=60 ú = lnpq = 60. llegando a una regla de decigión (2) Se decide sobre Q y P y después se llega a una regla de decisión.5 en unidades tipificadas = - 60 60 = = 0.6.102 -4.8.jo la curva normal de La izquierda en la Fig.2L no inüeiresa su¡ valoree.5 caras Fig. Con referencia al Problema 7 .58 tipificadas = üipificadas - = = : -2. ¿cu6l es la probabilidad de aceptar la hipótesis de que la mohecha cuando la probabilidad real de ca¡a es p : Q.7)=70 60.ó y 60. ?.tO2: 0.9' (d) P : O-4.18 Entonces 9: área bajo la curva normal entre z : -4.? .5 4. se acepta cuando el p = 0.5405 Asi pues. pues. probabilidad de error del Tipo I) viene: dada por el área toüd c de la región sombreada ba. con la regla de decisión dada hay un gran riesgo de aceptar la hipótesis de que la moneda está bien hecha cuando realmente P : 0.18 yz : O. sino solamente si hay una variabilidad en las calificaciones. La probabilidad de rechazar Ffe cuando debería aceptarse (es decir.0358. que representa el nivel de significación del ensayo de lfe. (a) Sip : 0.O5 ó O.5 39.6.J? neda está bien La hipótesis ff6 de que la moneda está bien hecha.66 to'l. entonces la distribución de carag en 100 lanzamientos eetá representada por la curva normal de la derecha en la Fig. (b)p : 0. esta á¡ea d. número de caras en 100 lanzamienüos se encuentra entre 39.

4 0.6 0.0192 0.3 0..0000 la Tabla 7-3.(a).0 0.9642 0.2 0. Sin embargo.9 0.5 0. (b) Sip=0.cAP.0192 0.12 y z -4.6 en unidadeb tipificadas Entonces = ry = q9? : = = -4.1 06 0{ 0.9: 0 pa¡a todos los propóeitos prácticoe.eedecir.4 0.5405 0. .1 0. si realmente'p : 0.8 0.0000 muy aproximadamenüe. 1c) Comparando con (b) o por cálculo.1 0 0 (a) (D) Fig.6.9 0. comolorobtenidosenlosProTabla 7-3 p B 0. Be ve que sip = 9.5 en unidades tipificadaa 39.09ó8 al nivel de significa- En general. Nótese que p representa la probabilidad de aceptar la hipótesis p : 0.88 -10.4 da el miemo valor deÉq. 7-z (o) El gráfico p.enüoncea p=np = (100)(0. (d) Porsimetríap = 0.7 0. (b) ( 1 p ) y p.0 0.9 1.25.24. Interpreta¡ los gráficos obtenidos. Representar gráficamente los resultados de los Problemas 7.5. 7.5 cuando realmente p tiene un valor distinto a 0.p:0.0358 :0. Esta probabilidad es igual a 1 0.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION y'(100X0-S)(0¿) 233 =¿. 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./nW= 60.24 construyendo un gráfico cuyos ejes sean (a\ I y p.8 0. La Tabla 7-3 muestra los valores de p correspondientes a valores dados dep.9642 y ha eido introducida en - L-p 1.6 0.88 = 0.3 0.5405 0.12 p: área bajo la curva normal entre z : -10.0000 0.0000 0.8 0.9.6 0.5 se puede interpretar p como la probabilidad de acepoar p : 0'5 cuando debiera ser aceptado.8.2 0.23y 7.t"p:0.6 0.23y7.0000 0.? 0. 7-1.3 02 0. el apuntamiento mayor de la curva OC es la mejor regla de decisión pa¡a techazar hipótesis que no son válidas.8) = 80 y o=.5405.se gla de la decisión o enoayo de hipótesis. p ee muestra en la Fig. blemas7.

158?. (c) Diseñar una regla de decisión para rechazar el proceso primitivo al nivel de significación del 0.P). ? ) E gráfico (1 .00. Esta curva ae obtiene ¡encillamente invirtiendo la curva OC. de modo que realmente ambos gráficoe aon equivalenüee. *r. se puede hdla¡ p para loe caeor en que el .01. 7-9.9qo. : -1. puesto que indica la aptitud o potencb de un ensyo para rechazar hipóüesie que son falsas. de aquí que A - 310)/3 = Fig. Razonando análogamente a como se hizo en el Problem¿ 7. p ¡e muestra en la Fig. que debieran ser rechazadas. ?-8): (t ) Se rechaza lle si la e de la media de resistencia muest¡al es riayor que 2.234 (D ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. Se cree que mediante un nuevo proceso de fabrica- puede inc¡ementarse la resistencia media.310 libras? Supóngase que la desviación típica se mantiene en z4libras. Constmir (a) una curva OC v (b) una cun¡a de potencira para ei Problema 7. Una compañía fabúca cuerdas cuyas resistencias a la rotura tienen un valor medio de 300 li bry" y una desviación típica de 24libras. bajo la curva normal de la derecha a la izquierda de z dect.0 lb.01 si se pone dé manifiesto qu¿ debe rechazarse al ensayar 64 cuerdas.26(br.e potencia. respectivamente con las distribuciones normales de la izquierda y de la derecha de la Fig. 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. Para hallar su valor nótese que 307. (b) Bajo la regla de decisión adoptada en (a). Considérense las doe hipótesis (Ho: bras) Las distribuciones de las resistencias medias correspondiente¡ a estas dos hipóteeis se repreeentan.0 libras. Si ción (a) ! es la resistencia media. (2) Se'aceptqlfq pue¡to 'que z = cessi Z>2.0 tb 307 tb 3r0 lb -1. ¿cuál es la probabilidad de aceptar el proceso primitivo cuando en efecto el nuevo proceso incremente la resistencia media a.7-9 = iren. 7.33.Enton= "lr/ñ 24/\/u Así. X>300+3(2.310 libras es cierta. 7-9. Esta es Ia probabilidad de aceptar Ho: ! : 300 libras cuando realmente es la probabilidad de comeüer error del Tipo II. es decir. Se acepta ^Éfs en caeo contra¡io.26. tiene la siguiente regla de decigión (referenüe eon la Fig.27.0 libras en unidade¡ tipificadas : 300 (307. y (Ht: tt: 310 libras). y el nuevo proceso es igud que el primitivo 300 libras.00 = 0. i 800 *sz. ae quiere decidir enhe las hipótesis: Ho: U: Ht: ! ) Pa¡a 300 libra¡. H t : ! -. ¡e llama curua de potencio de la regla de decición o ensayo de hipótesis. 7 -7 (b). La cantidad p se llama tambiénfunción caructerístico de operoción de un ensayo. la regla de decisión anterior se convierte en: (I ) (2) (ó) Se rechaza 116 si la reeistencia media de 64 cuerdae excede a 30?.J = 't. y el nuevo p¡oceso es mejor que el primitivo se un ensayo unilateral d nivel de significación del 0.33. I¡ cantidad (l . suponiendo que la desviación típica de las ¡esistencias se mantiene en z4libras.p) ¡e llama a menudo función d.26. en caso contrario. es 7.33) =30?.

ya que lae dog curvag eon esencialmente equivalentes. (b) La curva de potencia se ve en la Fig.0 B 0.01 cuando el nuevo proceeo da una media de 800 librar).305y9 = 0. límite al riesgo de error del Tipo I Por ejemplo. Tabla 7-4 tt 290 1.1 0.5 en 0. p > 0. en- 9: i¡ea bajo la curva normal de la derech¡ a la izquienda de z :0. Por ejemplo. se desea imponer las siguientes restricciones: (A) la probabilidad de rechazar la hipótesis cuando sea realmente conecta debe ser a lo sumo 0.cAP. si el nuevo da una resistencia menor de 300 librar.9900 L1.05.1 o más (es decir. por encima del cual se rechaza la hipótesis de que p : 0. y de aquí - 396 librae. (¡) U probabilidad de aceptar la hipótesis cuando realmentep difiera de 0.0 libra¡ en unidades tipificadas: (307. 7-11 se tiene: .2 0.¡ o.05.9 0.05.0000 300 305 0.7 0. 315 librae.8 o. Determinar el tama¡1o mínimo de muestra necesario y enunciar la regla de decisión resultante.7-11. la curva baia ró- pidamente hacia cero. 7.0000 296 1.5) mediante un número de lanzamientos de la moneda. La eituación planüeada se ve gtáficamente en la Fig.6?.28.7-r0 (¿) La curva OC se muestra en la Fig.6 0.5 0.l (excepto para el nivel de significación del 0. Para ensayar la hipótesis de que una moneda está bien hecha (es decir. se ha puesto Denótese por n el tamaño de muestra pedido y por ¡ el número de caras en los n lanzamientos. sepuedenobtenerdeellalaomismasinterpretacionesque de la curva OC. etc.4) debe ser á lo sumo 0.0038 320 0. De la Fig. es piácticamente. mientras que la restricción (B) requiere que la probabilidad de error del Tipo II eea a lo sumo 0 : 0..7-10(b). Eeepués.1 p (lb) 300 300 3to 3t5 (o) (ó) Fig.?4Eo De esüa forma se obtiene la Tabla 7-4.1687 316 0. la restricción (A) impuesta requiere que la probabilidad de error del Tipo I sea a lo sumo c : 0. ri ¡r tonces 307. AquÍ y Tipo II. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 235 nuevo proceco da un¡ resistencia media ¡r igual a 306 librar. p : 0.7486 3r0 0. de modo que no hay probabilidad de aeguir con el proceeo primitivo cuando la media de resistencia es mayor de 316 libras.6 6 p f 0.6? : 0.05. ?-10(o).5.0 . En esta curva 6e ve que la probabilidad de seguir con el proce' so primitivo.0000 p 0.

se toma una muestra de 6 cojinetes ejemplo.ít/n Vnpq= "- :0. (2) es una cantidad muy aproximada. (o) Diseñar una. y se obsen¡a el diámetro medio de la muestra. también s€rá 0. hay la posibilidad de que falle algo y se precisa una invesüigación del posible fallo.5. GRAFICOS DE CONTROL DE CALIDAD 7. ¡- np :1-77 - 159. (b) Mostrar cómo se.7 3% se puede decir que la media muestral X debe estar denüro del intervalo (p¡ entre cae a m p ¡t:0. Para decir. muestrales puede tlevarse por medio de un gráfico tal como ee muestra én la Fig.5 en caso contrario.6 n Y x - 0.. Cada vez que se observa una media muestral se representá por un punto en el gráfico.llamado grófico de control de colidad.49\/n n = o. la moneda al menos B1g veces.564 a 0. pueden igualmente determlnarse otros lfmiües de confianza. es 0. 7'l2. 7 0.574 .584 pulgadas.645 ó (t) o.6 r¿ * 0.o:0. . tales como los límitee d'el 99% o d.9É!= -r.5. En tanto que los punüoe se encuentran entre los límites 0.egla de decisión mediante la cual se puede estar razonablemente cierto de qúe la calidad del producto esüá de acuerdo con las noÍnas requeridas. Se construye una máquina que pr-oducfuá cojinet€s de bolas teniendo un diámetro medio de una desviación típica de 0. Se sigue que el tamaño de la muestra debe ser al menos 31g. Para determinar si la máquina esconstruida para el fin que se destina.98.6n 0.) Eláreabajolacurvanorrnalp:0.r) - 0. Cuando un punt'o se rale de estoe límite¡ control (tal como en la tercera muestra tomada el jueves).5n = 1.584 pulgadasi ee supone que la máquina es a- (2) De otro modo.4r rtñ- (n. p = 0.05 en el "peor de loc casos". el procelo está bajo control.6.. la máquina (b) Un registro de las medias no s€rú adecuada y habrá que buscar la razón de su ineptitud.0'6n Realmente el área entre -f.0. que representan la probabilidad de error del tipo II.n: 318.05. ..6. e¡ decir.Haciendo n : 319 en (3) o (4).0.05 o menoa.05 o menos cuando p tiene cualquier otro valor por fuera del recorrido 0. dentro del intervalo 0. Así pues.5. (o ) 3o¡) a (p¡*3o¡) con el 9€.008yn=6. La elección en cada caso depende de la¡ circunetancias particulares del tnismo.4s 1/A 0. Los límites de control determinadog anteriormente se llaman límites de confianza del gg.4 a 0.Saladerecha a" 7 (9) El área bajo la curva normalp 09" O. enfte 742 y 177 si el número de carac en Slg lanzamientos está dentro del recorrido 159.5\/n De 0. es 0.re'presentaría grárticamente la regla de decisión de (a). se adopta la riguiente regla de decisión: (o) Se acepta la hipótesiep:0.008 pulgadas.9801fa- e'¡ 9-.96 r ó (Sl u. Obeérvese que tomando la probabilidad de aceptación como De(/) x . Sin embargo.5.6 a la izquierda ae es 0.O\4\'\/E) o Con confianza del 99 .5 : .73% de O. Por tanto un promedio ponderado de todas estas probabilidades. L7 .seeigueque I se encontrará entre (0.29.7 BVo o brevemente lfmite¡ 3o.806y'-n es De (3) y (4).6 n- 0.025.014l\/6\ y (0.564 y 0.x :177.674. ? (f. se debe lanzar p - 0. = 0.05.49{n vnpq = '--.524 * Puestoque De aquí que la regla de decición eea como sigue: (l ) Si la media muestral decuada para el trabajo pedido.el 95V".236 ENsAyos DE Hrpornsls y sIGNIFrcAcroN lcAP. automáticamente tomarÍamos como 0. (b) S€ rechaza la hipótesis + 17 .

cAP.1619 0.3162 0. Ajustar una distribución binomial pectivas de cara a los datos del Problema 5.7 ó 151 29.4 6 29 33. la distribución binomial ajusta- En la Tabla 7-5 se han obtenido estas probabilidades así como las f¡ecuencias esperadas (teóricas) y las observadag. .2 ó 316 308.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 297 Lunes Martes Miércoles Jueves Viernes $ € bD osal 1} a a t ü {.43.30.1507 0. Utilizar papel gráfico de probabilidad para determinar si la dist¡ibución de frecuencias de la Tabla 5-2.1: np : 6p. : 2. Tabla 7-5 Número de caras (r caras) Frecuencia esperada Frecuencia observada 38 0 1 0. la media del número de caras es 2fr_ / _2470=2. x F a os74 a a a t I a : o 0 s64 o Fis. 7-12 AJUSTE DE DATOS A DISTRIBUCIONES TÉORICAS 7. La media del número de caras es ¡.0332 0.(0.9 ó 162 316.31. Así pues.C.¿94)¡(0.506)5-¡.7 ó 309 150. Se tiene P(x caras en una serie de 5 lanzamientos) : f(¡) = sCrprqs-".30.2 t44 342 287 164 25 7.47 6 p :0.3087 2 3 ^ 0. página 163 puede ajustarse a una distribución normal. dondep y q son las probabilidades resy sello en un solo lanzamiento de la moneda. La bondad del ajuste se estudia en eI ProblemaT.47 rooo Igualando las medias teóricas y real se tiene 5p da viene dada por /(r) = .. página 178.0294 5 6 33 161.494. El ajuste se observa que es bueno. Para la distribución de frecuencias observada.

las frecuencias relativa¡ acumuladas expreeadar en porcentajes.z z = .6 74. ? 76 Frecuenei¡¡ Estatun (pulgad¡¡) menor que 61.92 ó 39 27. la distribución de frecuencia¡ dada se convierte en una di¡tribución de frecuencia¡ relativas acumuladas. donde la media i y la desviación típica 6 se han obtenido en los Problemas 5.238 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla [cAP. son pasadas sobre los límites reales superiores de clase. De aquÍ se sacan las áreas bajo la curva normal entre los valores sucesivos de ¿.4920 0. ?-r3 hoblema ?.6 menor que 73.a -2. dadas en la quinta columna.0 Io a E ql € ó a () 95 90 80 70 Q0 a (t 6 . 7-13.6 &tatura (pulgada¡) Fis. El grado en que los puntoe así dibujados ee encuentran sobre una lÍnea recta. = 61.41 0. determina la bondad de ajuste de la distribución dada a la distribución normal. 7.92 pulgadas (x mente El trabajo puede organiza¡se como en la Tabla 7 -7 . página 163. Par:a. Ajustar una cunra nonnal a los datos de la Tabla 5-2.0413 0.4177 0.3892 0.6 menor que 67. 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).72 -1.5 62.0 100.5 66.7L 6 28 7. 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 59.0 65.36 1. en un papel.35 y 5.46 pulgadar.44. anotadas en la última eolumna.39 2. como se muestra en la Tabla 7-6.32. que da las áreas bajo la curva normal de 0 a z se obtiene con la tabla del Apéndice C.40 respectiva- La cua¡ta columna. Después.5 7t. La¡az6¡ de esto se ve claramente con un diagrama.5 oD. como se ve en la Fig.tlls.grófico de probabilidad eepecial.32.68 6 2l 38.6 Rcl¡tiv¡¡ Acumulada¡ (%) 6.0 92.t3 D 18 42 27 8 ñ. Por lo anterior.0743 72-74 6 4 20. se observa que hay una distribución normal que se ajusta e¡trechamente a los daüos. s = 2. .5 7L.2068 6L65 6&68 69-71 68.43 ít 7 4.6 menor que 64.E 50 40 30 20 Primero.2771 0.6 68. Multiplicando lo¡ valores de la quinta columna (que representan las frecuencias relativas) por la frecuencia total n (en e¡te ceso n = 100). se rutiliz.5 menor que 70. Y se pone de manifiesto que ee ajuetan ba¡tante bien con las frecuencias observadas realmente. Véase o a I É to 5 o a d E 62.6 ¡¡+ 0.6? 0.0 23.70 -0.5 7¡. La "bondad {el ajuste" de la distribución qe congidera en el Problema ?. se obtienen lae frecuencias esperadas de la sexta columna. caicular e de los límites reales de clase.

respectivamente rr = 115. ?] ENSAYOS DE HTPOTbSIS Y SIGNIFTCACION Tabla 239 7-t 7.rj días. Tabla 7-9 Número de accidentes. puesto que 4.36. 0 r N(rmero de dÍasr Número de días obsen¡ado 2L 18 7 3 1 {r accidentes) 0. La Tabla 7-8 muestra el número de días f durante un período de 50 días. a¡í com.84. Para conveniencia de la comparación.'12 ¡ 85.05. se rechaza la xlo¡ para 1 grado de libertad es 3.np)z npt npz - (115__100)2 Pueeto que el número de categorías o clases (caras.01. hi' la ) El valor crítico xlso para 1 grado de libertad = 6. El número medio de accidentes es Número de I Número de accidentes.4066 0. de acuerdo con la distribución de Poisson. blemente bíen heclu.1.30 8.34.9?.24 2.o loe números teóricos de días en los que ee presentarán ¡ accidentes (obtenidos multiplicando las correspondientes probabilidades por 50). . la euarta columna que da los números de días observados se ha repetido. respecti- xz = (o) El valor crítico (b @t:lptlz -(rz:.eo Entonces. Para una verdadera distribución de Poisson.1647 espeado 20. Las frecuencias de caras vamente. Ensayar la hipótesis de que la moneda está bien hecha con un nivel de significación del (c) 0. Comparando con el valor de \ : 0.3659 0. puede ser esto un indicio de la adaptabilidad de la distribución de Poison a la muestra de datos. Entonces. puesto que 4. np2 : tOO.CAP.01. Las frecuencias de caras y sellos observadas son.84. LA PRUEBA CHI.63.v: + (85:!00)2 = 100 h 4. El cálculo de la varianza de la distribución da' da.3 y 4 accidentes de esta distribución de Poisson. 313 {11 = Iq"+ill En l¿ T¿ble ?-9 aparecen lae probabilidadee para 0. < 6. 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.60 hipótesis de que la moneda está bien hecha al nivel de significación del 0. Entonces.33.90 hallado.33 I 2 3 18.63. 100 sellos) es h:2.50 .7:2 -L = l. la varianza d : L.0494 0. (b) 0.f 0l2r + : (21)(0) '50 (18X1) + (7X2) + (?liQ_l q)(a) = . da 0. En 200 lanzamientos de una moneda se obsen'aron 115 caral¡ y 85 sellos.50 pótesis de que la moneda está bien hecha al nivel de significaeión del 0. véaee método 1 del Pro" blema 7.2.56 6 ó 20 18 8 2 1 0. Ajustar los datos a una distribución de Poisson.47 0.* : P(r accidentes) 1118 2 7 o. durante los cuales r autos tuvieron accidentes en una ciudad. Entonces y eeüos esperadas si la moneda está bien hecha son np : 100.0111 4 6 6 ó Nótese que el ajuste de los datos dados a una distribución de Poiseon es bueno. > 3.05..CUADRADO ?.

7.O7 : 2. (ZJ2)2 : 4.npr o _ (rt-np)2 .7OO)17 .-nps)2 (ra-npe)2 < 11. de nuevo en consecuencia del Problema 4.05)2 7 -37. Nótese que el cuadrado del valor anterior.2o5 < 6.96 a 1.5 o más caras. .36.01. 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. Esto se cumple siempre que la prueba de chiruadrado eomprende dos categorías y se aplica la corrección de Yates.1. (16_20¡z _ *--lO-+ +ñ=5.s)z = 100_ 100 tt q^< 4. ^-------::-:-. véase método 2 del Problema 2. Con un nivel de 0.05 y un ensayo bilateral. (rs-np¡.84. dades tipifica¿¿5 : 4. es el mismo valor de X2 obtenido en el probl.2.6)esh:6.34 que la hipótesis se rechaza al nivel de 0. (185 _ __ 1001 Í4.34 mediante la aproximación normal respectivamente. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación del 0.05. x2 (conegida) = = (lzt - nptl nPt 1001 0'5)z + !1""- np2l npz - 0'5\2 (1115 - 100 _ 0. 115 caras en unidades tipificadas Bajo la hipótesis de que la moneda está bien hecha.05 pero no al de 0. El valor crítico a2e5 para 5 gados de libertad es 11.5 . Entonces 114.86. (rt-nptl2 . (2.86. Método 1.00 la hipótesis de que el dado está bien hecho.34' Esto Con un nivel de significación del 0.5) =100yo=1fipq=/IZOO¡O.v:h-1-:6-1:b. puesto que 5.0.01 el intervalo sería -2. la media y la desviación tÍpica del número de caras espe- : (l1b -lOO)t7. Véase Problema 4.93_4)' _(15-20\2 .63 se deducen las mismas conclusiones que en el Problema ?.L2.1. ? 7.ema se cumple siempre que la prueba de chi-cuadrado comprende dos categoiías. a la distribución binomial. La Tabla 7-10 muestra las frecuencias observadas y esperadas allanzat un dado 120 veces.06.zvb Puesto que 4'205 > 3. es igual al valor de ¡2 corregido con la corrección de Yates p¡ra la continuidad del Problema7.)z .07.35.5. 115 o más caras equivale a 114.00 20-+ n 20 Puestoqueelnúmerodecategoríasoclases(carasl.b8 a2. Esto conduce a las mismas conclusiones que por el primer método. Con la corrección para la continuidad.00 > 1.35.240 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.86. no se puede rechazar Para 5 grados de libertad x%s: 1.g. de modo que X2 : 5. si el valor de z está fuera del intervato -1. (rr.96.5)z = _100 )_ (L[. solucionar el Problema 7.15. se rechaza la hipótesis de que la moneda eetá bien hecha. Se sigue como en el Problema 7. (24-20\2.15. Solucionar el Problema 7. De ello se sigue que la concordancia entre ambas frecuencias no es tan buena como para no dudar de Io deducido.84 y 4. (23-20)2 +--lO . 7.58.20.5)2 .34 utilizando la corrección de yates.07 :2.5)z _ . Entonces.S¡(0f)--7. Nótese que el cuadrado de este valor. (rz-npzl2 .5 en uni: (114.60. Pa¡a una comparación con los métodos a4teriores. Método 2. radasen200 lanzamientosdelamonedason¡r=np=(200)(0.4.

01. 5 naranjas. de modo que no se puede rechazar la teoría al nivel de 0. obseryó 315 lisos y amarillos. ¿Hay alguna evidencia que permitadudarde su teoría al nivel de significación del (a) 0.352 y X2 :0. loe resultados obtenidoe están sujetoe a unh razonable influencia de error muestral..81. . teoría y los reeultados del experimento están de acuerdo. Puesto que eetos números esperados Bon menores de 5. 4 amarillas y 1 verde. 9 que se da en la Tabla 7-11. amari'llo y verde. ?. Una muestra de 12 bolas extraída aleatoriamente de la urna dio 2 rojas.39. x2.470 Puestoquehaycuatrocategorías.2. Para evitar esto se agrupan las categorías de modo que los núme¡os esperados en cada categoría sea al menos 5.76\2 3t2. (b) 0.h=4yelnúmerodegradosdelibertadesv=4-1=3. 7.75lisosy amarillos tol. .7. de modo que no se puede rechazar la teoría al nivel de 0.76 *W = 0.3 >2!3 sededucequeladistribución observada dífiere significativamente de la esperada al nivel de significación del 0.L. Ensayar la hipótesis de que la urna contenga proporciones iguales de los diferentes colores. .05? El número total de guisantes es 315 + 108 + 101 + 32:556. De acuerdo con su teoría. Se deduce pues. Bajo la hipótesie de que la urna contiene proporciones iguales de los cuatro colores. Una uma contiene un gran número de bolas de cuatro eolores dife¡entes: rojo. 101 rugosos y amarillos y 32 rugosos y verdes. ¿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.zS lisos y verdes Struol = frtssol 104.cAP. .01. la aproximación de chi-cuadrado será errónea. Se deduce que cabe sospechar alguna tendencia no aleatoria en dicha tabla de números. x?ss: 11. .'nr parav: h -1:9 gradosdelibertad es21-.05. estos números deberían presentarse en la proporción 9:3:3:1. que la Nótese que para 3 gtados de libertad..zb rugosoe y verdes ft Entonces tssol = x2= (o) (b) Para v Para v (3L5 3L2. cabría esperar 3 bolas de cada clase en la muestra de 12 bola¡. naranja.g El valor crítico d" x.como 23.40.26 rugosos y amarilloe B4. 108lisos y verdes. r ry = 2s. De modo que aunque el acuerdo es bueno.352.Qe-2512 try+ . : 3. Una tabla de números aleatorios de 250 dígitos mostró la distribución delosdígitos 0.3. En los erperimentos de Mendel con guisantes.01. ?. ¡$5: 0.38.7I ENSAYOS DE HIPOTESIS Y SIGNIFICACION 241 7.ss= = 3. Puesto que los números esperados están en la proporción 9:3:3:1 (y 9 * 3 + 3 + 1 : 16).se esperarían fttssel = -- 312.4?O > 0.

en 360 lanzamientos cabría esperar "siete" y 1/18(360):20 veces "once". no se rechazaría la hipótesis al nivel de 0.10). de modo que (74-60)2 . se rechazaría la hipótesis a algún otro nivel (tal como 0. se tiene (9 ^cuando las proporciones de los colores sean iguales.. 7. ¿Es el resultado consistente con la hipótesis de que el nacimiento de varón y hembra son igualmente probables? . Sin embargo.1.Desgraciadamente. De otro modo. se observaron 74 veces "siete" y 24 veces "once". 7. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación de 0. se tiene x: = 0qj:_6Fo. - e¡z -9 Parav:2-l:1. para grandes muestras tales como las de aquí.41.(ig:lf-!éE.05(aunque sí se puede al nivel de 0.05.65 De acuerdo.-ss:3. (24-20\2 . ? Si se desea rechazar la hipótesis.0?>3. se duda acerca de la decisión que se debe tomar. se tiene (174 (correglda. . Los resultados observados pueden imaginablemente deberse al azar.Entonces. respectivamente. En general.:?.84.rP. = - 60l 60 - . se obtendría ¡2 a pesar de que las frecuencias sean dema- (2-3¡z .0.05. Así pues. (4--3)2 .05.:-:_+r::__-::_:sis de que los dados estén X¿ 4. empleando la corrección de Yates. pues con la X2 corregida.42. = siempre reduce el valor de ¡2 .81 sellegaríaalasmismasconclusionesqueantes.r que conduce a las mismas conclusiones anteriores. Un par de dados puede caer de 36 formas.puestoque4.84seestaríainclinandoarechazarlahipótebien.242 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.5)2 #-g*): = 3. la aproximación ¡' para frecuencias pequeñas es pobre. (5-e)z . Esto cabía esperarse puesto que la corrección de Yates Debe ponerse de manifiesto que si se emplea la aproximación de siado pequeñas. de aquí que cuando no sea aconsejable agrupar frecuencias se debe recurrir a los métodos exactos de probabilidad incluyendo la distribución multinomial.07 Parav:2-1:7. Ento¡-. puesto que incluso el valor corregido de y2 se encuentra cerca del valor crítico.x2l)s==3. x' _ (1 -3¡:r ooo Puestoqueparav=4-1:3.ces P("siete") : 1/6(360):60 veces 6/36 : 1/6 y P("once") :2136: 1/18.84. "Siete" se puede presentar de 6 formas y "once" de 2 formas.Asínosepuedetechazrlahipótesisalniveldesignificacióndel 0.5)2 (124 - 2ol - 0. Puesto que el número esperado en cada categoría bajo la hipótesis de iguales proporciones es 6. Sin embargo. se agrupan las categorías de forma que la evidencia en contra de Ia hipótesis se muestre claramente.xjr¡.) x2 _ = -6-. En tales casos.ü. l)na encuesta sobre 320 familias con 5 niños dio la distribución que aparece en la Tabla ?-12. En 360 lanzamientos de un par de dados.10). = ry. los resultados que se obtienen utilizando la correc- ción de Yates son más dignos de confianza que los resultados no corregidos. aun Otro método: Utilizando la corrección de Yates. para las que la muestra dio 3 y 9 bolas. 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. z. Esto se consigue en nuestro caso considerando las categorías "roja o verde" y "naranja o amarilla".tz.

xL¡s:0.--I¡Ié- . . Asf'puesto que X2 = 7 . Pa¡a rr = 2. Bajo la hipóteeis nula lfq de que el suero no tie' ne efecto.64 > O. (88_100)2. Así se deduce que los reeultados son probablemente significativos y el nacimiento de varón y hembra no son probablemente iguales..45.=--_a6---_Eñ-----Jó¡-----i6b--_-Ed. pectivas probabilidades anteriores por 320.-El: .z = 6 4.103. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla ?. X?ss = 9.7t 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).2 : 2.4.serechazarálahipótesisalnivel de significación del 0. Para v : 2 (que son la me- = 2. x. cabría esperar que 70 individuos de cada uno de los grupos Be recuperase y 30 en cada grupo no se recuperase.= (s8_33.i". . (164-150.-. De aquí (8_10)2 _.1 . (110_100)2. el ajuate no es tan bueno como pudiera = 4. Determina¡ la bondad de ajuste de los datos del Problema 7. 100.--lóo:t- . Adviértaoe que ¡fo es equiyalente a afirma¡ que la recuperación eeindependie¿úe del empleo del suero.1 : 4.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. x.--_-16-_¡&... v : k .12 243 Número de niños y niñas 5 niños 0 niñas 18 4 niños 1 niña 56 3 niños 2 niñas 110 2 niños 3 niñas 88 I niño 0 niños 4 niñas 5 niñas 40 8 TOTAL s20 Número de f¿milias .103.13 *(18-2-0:68)2 *(a2:^-39=92\2-(27:3ft7rl2 *(8:?'j13)z:0. 2..01. . puesto que X2 = 0.43. Seap:probabilidaddenacimientodevarón.32. . el ajuste no es "demaiido bueno".1 y x.---r¡If.9)2 . lag cla¡ificaciones 8on independientes.?11.959 7. .99. Entonces.!.^ _ (18_10)2 (56_60)2. (5 niñas) son dadas por loe términos del desarro(p llo binomial * C)5 = p5 + 5p1q I l|psqz ¡ l0pzqs ¡ Spqt 1- qs SiP:O:t12.13 utilizando la prueba chi-cuadrado.m : 5 .44. es decir.?)2.49. TABLAS DE CONTINGENCIA 7. De aquf queel ajuste de creerse..?11.os= 5.05.m : 6 . x2.:z .1 para y:61:6gtadosdelibertad. 7. pero no al 0.2)2 .U Puesto que x:e5:11.(342_316. BONDAD DE AJUSTE ?.43 20. 50.cA¡.212. como 8e indica en la Tabla ?-14.959 > 0.yg:1-p:probabilidaddenacimientodehembra. 10.(287_308. Utilizar la pmeba chi-cuad¡ado para determinar la bondad de ajuste de los datos del Problema 7.x2.1 . .os:0.L .68 38.?)2 .30. 50.92 27. y los reaultados son 10. (4 niños y 1 niña).Entonpiobabilidadee de (5 niños).1y0 niño¡seobtienemultiplicandolasres' (40-50)2. 100.1 . La¡ condiciones del problema se presentan en la Tabla ?-13. "!ü Puesto que el número de parámetros utilizados para estimar las frecuencias esperads e8 m metro p de la dietribución binomial).(L44_161. Se deduce que el ajuste de los datos es muy bueno.".3. Para y : 4. Para V 1 (que er el pará- los datos es muy bueno.412_ -58:t-- . v = k . .sss:15. Solucionar el Problema 7.-r3)2 .---T08J.(26-29.

pueeto que una vez hecho esto loq números de las restantes casiüas vienen obligados por los üotales ya indicados.45 aplicando la corrección de Yates. Ensayar la hipótesis de que las proporciones de estudiantes suspendidos por los tres .45 son también válidas aquí.gs.--.e5óx{-x. or^_. como en la página 215 (véase Problema ?. 7. obtenido en el Problema ?. De modo que hay un grado de libertad.0.¡.5)2 * ----?O- (i65-701 -0. Z.vó Obteniéndose que las conclusiones del Problema 7. que es igual a la¡ dos dadas anteriormente. ? Tabl¡ 7-14 FRECUENCTAS ESPEBADAS BAJO Ho Se re.10 uüilizando z. x2)x2ss correrpondea x>x. ya que la corrección de Yates siempre disminuye el valor de ¡¿".51). conaidérese la Tabla 7-15.5)r . ^.30\2 (36 *ffi = 2'38 Tabla 7-16 Para determinar el número de grados de libertad.47.05 utilizando X" equivale a rechazar esta hipótesis con un ensayo unilateral al nivel de 0.Puestoqueparalastablas2Xz. Tabla ?-16 FRECUENCIAS OBSIERVADAS Sr. Y 47 L4 61 Sr. Esto podría haberse visto rápidamente. Solucionar el Problema 7. X Sr. habrían suspendido 27 lL80 : Iíc/o de los estudiantes y DO . _ ¡¡ (corre(rda) = (i75 -70\.46.05.5)2 * ----TO* ?O S0 _ . 7.ss : 3.84 para 1 grado de libertad y puesto que ¡2 = 2. drado Cel valor de z.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. 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.84. En general.54.38 < 3. Está claro que solamente se tiene libertad lara colocar un número en una de las cuatro casillas vacías. Nótese que X2 : 2. se deduce que lob resultados no son significativos al nivel de 0.38 es el cuadrado del valor de z : 1.244 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla 7.!t_. (125-301 -0. pero en la que solamente se han puesto los totales.13. porejemplo. ya que.Xz egelcua- Nótese también que yn ensayo unilateral utiliaando ¡12 equivale a un enEayo bilateral utilizando.5)2 . No se está así en condiciones de rechazar Il¡ a este nivel y se deduce o que el suero no es efectivo o se deja sin tomar decisión en espera de posteriores ensayos. Asf pues. Sr.No ee recuperan cupetan TOTAL [cAP. al rechaza¡ una hipótesis al nivel de 0. 200 140 30)2 o _ (75 x-1rc-?o70)2 - 70)2 . Y y Sr. X. (35-301 -0.-. En la Tabla 7-16 se indican los estudiantes aprobados y suspendidos por 3 profesores: Sr.13 FRECUENCIAS OBSERVADAS Se re.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. Se No ¡e recuperan recuperan TOTAL 100 100 Grupo.^se sigue que X er lo mismo que z en este caso.profesores son iguales.A Grupo B TOTAL 140 60 200 Puesto eue X. = I.

40 : Aprobados Suapen- Suspen.05. 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. Hay h (fz > 1.60)2 4175 -. Í4-9.n2nslnl2 .L5% de 55 : I5% de 6t 9.núnR/n "r'._ (50-46. de otra forma se necesitan ajustes como los descritos en ( b ). que puesto que x:eg : 4.25 OD : didos TOTAL 55 61 9. Entonce8 *. X ¿IO Tabla 7-18 Sr.61.60-=4.ecuencias teóiicas. Pero : (ar- nrnn/n)z (a".(h+Ic-l) = (h-lx/ú- 1) como se requería.49.CAP. (47.-. Z TOTAI. todos los números restantes vienen obligados por lo8 totales.1). se puede rechazar lfs aI nivel de 0. considérese la Tabla 7-18. Puesto que x. k > 1) el número de grados de libereg * & - 1 totales independientes de un total hÉ.99. hay en este caso dos grados de libertad.15 61 15% de 64 8. pá. Se deduce que el número de gtados de libertad hk . at__n_ = -nrrxJn (ór nrnsln)2 (b2. Tabla 7-17 ITRECUENCIAS ESPERADAS RAJO Sr. Y St.zs¡ : 5.51.ó+ Pa¡a determinar el número de grados de libertad.85)2 (56-54. Sr. .75 = = 51. 7. no se puede rechazar I/e al nivel de 0. 153 qn X Sr. después de lo cual. sin embargo. Mostrar que para una tabla de contingenciah X h tad es (h .85 85V" d.75\2 .40)2 (5-8.15)2 (8-9. solamente se está en libertad de poner al azat un número en una de las easillas de la primera columna y ot¡o en una de las casillas de la segunda o tercera columna.5135-547ó-----d25 9J5 --. Z TOTAL 153 27 Aprobair¡c didos TOTAL 85% de 55 : 6l 4G.25)2 .1Xk .r"/" a1b2 (o.e 64 54.48. que es igual que la Tabla 7-L7 pero en la que solamente se han puesto los totales. Nótese que este resultado es válido si se conocen los parámetros poblacionales necegarios para obtener las fr.n"n¡ln\z' nrnn/n ntftl. los resultados esperados bajo la hipótesis nula aparecen en la Tabla 7-20.10 si se está dispuesto a correr el riesgo de estar equivocado 1 vez de cada 10.gina 22O . Y 85% de S¡. 7. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION habrían aprobado el 86Vo de los estudiantes. Las frecuencias esperadas bajo FI¡ se muestran en la Tabla 7-17. * ó1)(o1 * o2) o1*óq*a21b2 n a2b.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. Está claro que como cada fila y cada columna han decumplir con loü totales. Nótese.60 64 180 64 180 Entonces o x-. Así pues.

45. Dr = 65.49 da x2 = n(1aft2. Ilustrar el resultado del Problema 7. ^ (t) n /otbr-ozbt\2 n lotbr. ¡e tiene del Problema 7. frA=úr*az.38 : Empleando la corrección de Yates. EnelProblemaT.Prl .10012 = 1. da x' : D'- n(a. COEFICIENTE DE CONTINGENCIA ?..=&r*a2*b1*b2. nt=140.n2P2n{l .P)2 nWtPrA$ . P. a2=26.. 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). dado en (IO) en la página 215. bz = nz(l- Pz) tlg = flq Utilizando (3) y (4). f. Con referencia al Pro- (r) (2') P.ln)? = -"r!rrrñr" 7. a1 =75.ozbr\2 n /orbz-ozót\2 ml?¿B\ n n nzn¡\ n n¡r¡\ / / / n fatbr-tzDt\2 n ?zrs\ / que al simplificar. C= vra = {*#fu : r/d'6112e = 0'1084 . 1-Pr .49 paralos datos del Problem^I.45. 7 Análogamenta Así.52. n2:60. n1=at*b¡ nz=a2*b2.bq - aqb'12 donde A:&tbz-azbt..a2b)2 -T nrn2nAnB nrn2(Pr. - O2 l¿z' fL¡ tl' ó. r¿r(1 - Pr). Or--m arb2 = - a2b. entonces riI ) del Problema 7.azbtl .46 ¡2 (corregida) = ---ñ^"" - = - (25X65)l (140)(60X100X100) . Sise aplica la corrección de Yates. Denótese por P1 y P2 las dos proporciones muestrales y blema 7. de modo que (r) (4) ú1 = nlPy az = nzPz. (/ ) se remplaza por (21 "rr"r"^"" : nL2 nrnznAnB x2 (conegida¡ n(ltl.=.49. Halla¡ el coeficiente de contingencia para los datos de la tabla de contingencia del Problema 7.4S. = #.tn)z = 200il(?5x35) 2. bz:35. ns = 100. se tiene p la proporción poblacional. .Pr)]2 nrnínpnq = nfri\+LlllrJ (Ya que n = nt+tt2l (Pt.93 7.246 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.50. ür : 'tL¡ = flP. se puede escribir az-ry = ur-ry = Í2fts . ns = ür*ó2.49 x2= n(ap2. -flg L-p l-P2 = bc -= = q = -. r¿¡ = 100.51. yn:2OO.P)2 que es el cuadrado del estadístico Z. el resulüado eg el mismo que en el Problema 7.

En tal caso.6)?(0. para la dependencia total en uua tabla de conüingencia. todor loe que tomen el suero 8e recuperarán y todor lor que no se lo tomen no Be recuperarán. hallar la probabilidad de aceptar la hipótesis p P : 0.X. 7..---80. Para ensaya¡ la hipótesis de que el estudiante acierte por car¡udidad.9.(+Xá) * . son todas igualea a 50. " x.a 7.56.= (100 zw En general. en la gue el número de fil¡s y columnas eon ambas iguales a &.5 cuando realmente = O'7' : O.ro)¿ .-60 .618 .3) + r0Cr0(0.t.? Bajo la hipótesis p P(menoc de 7 corectas) : - 1 -P(7 o mác conectas) 1 ./Zt(xz + n'l = t/ñl@6T 2oo-) = 0.. Pueeto que las frecueneias eeperadas.7)8(0. Nótees la probabilidad de error del fipo I.4) + 10010(0. .55.5 (ee decir.". (d) p : O. La probabilidad de conteetar correctamenté Bajo la hipótesisp r pregunta¡ de las 10 será rcCrqqto-'. donde g =L- p."..64.1?19. (Véase Problema 7 .8. la probabiüdad de decidi¡ que el eetudiante no reeponde al aza¡ cuando es que si.. 7l ENSAYOS DE HIPOTESIS Y STGNIFICACION 24V 7.3)10] = 0.13. Hallar la probabilidad de rechazar la hipótesis cuando es corTecta. ee 0. Esta tabla de contingencia aparece en la Tabla 7-21.6.(iX.6 la probabilidad pedida será 1 - [P(? conectas) * P(8 correctas) + P(9 cotrectas) + P(10 correctas)] =|- ho0?(0.3)3+ r0Cs(0. do¡ clasificaciones son perfectamente dependiente¡ o a¡ociadas.60)2 50 .21 valor máximo de C ee presenta cuando la¡ Se recuperan No se recuperan 0 TOTAL 100 GrupoA (utilizando auero) (no utilizando .cAP.6)e(0.----80Entonceg el valor máximo de C e¡ .53. D Tabl.3504 7.¡* . (f) p : 0.54. adopta la siguiente regla de decisión: (i) si 7 o más respuestas son acertadas el estudiante no las acierta por casualidad.7)e(0.6)8(0. el e¡tudiante acierta alazar).5 cuando realmente (a) p : 0.0o)z (0 .(g)p : O.4.. PROBLEMAS DIVERSOS 7. las únicas frecuenci¡¡ de casillas que no Eon cero aparecen en la diagonal que baja de izquierda a derecha de la tabla.6)101 = 0.(á) = 0. (ii) en caso contrario.50)2 (0 . suponiendo independencia total. (b)P : 0. (c)p : 0..". = 0.. Hallar el valor máximo de C para la tabla 2X 2 del Problema 7. C. En el Problema 7. En el problema 7.3. P(7 o más correctas) : P(7 correctas) * P(8 conectas) + P(9 corectae) * P(10 correctae) = . el estudiante está adivinando. Seap la probabilidad de que una pregunta sea contestada correctamente.L27). (e) p : 0.7)7(0. = 1/@-ffi.(.4)2+ ro0a(0.3)2+ r0Ca(0.4)3+ roOs(0. Para taleo ca¡os.54. (100 .[roOi(0. hallar la probabilidad de aceptar la hipótesisp = 0. Un instructor hace un cuestionario forurado por 10 preguntas falso-verdadero.ueno) TOTAL 100 (irupo ó 0 100 100 100 100 200 . (a) Sip : 0.".?1e Asi ee que ésta pues.2.o.?0?1.i .

121 0.999 0. se habría obtenido la curvo de potencia de la regla de decisión.4 0.5).01). viértase la semejanza con Problema 7-27. **. el resultado observbdo es significativo al nivel 0. como se muestra gráficamente en la di¡tribución de probabilidad de la Fig. (g) pueden hallar¡e análogamente y se indican en la Tabla 7-22 junto con el valor correspondiente a p : 4. Utilizar el Problema 7.01 la moneda no está bien hecha? Considerar ensayos de una y dos colas. 3. 1. .6 0. ee puede rechazar ñfe Ensayo bilateral: al nivel 0. $oluciona¡ el Problema 7. 7-15.7 hallado en el Problema 7 .01. Una moneda que se lanza 6 veces da 6 veces cara.6 y 6 caras son dadas.945 0. 4. ? Loa resultados de (b). (c). se puede rechazar.000 0.1 El grafico indica que la regla de decisión dada ee muy odecuado para rechazat p:0.57.5). Puesto queP(0 ó no ee puede rec}ntzar H¡ al nivel de 1ó 5 ó 6 caras) = 2(t) = 0. Aquí se desea decidir entre la¡ hipótesir (Ho: p : 0.2 0.01 (es decir. Nótese que la probabilidad se denota por p (probabilidad de error del Tipo II).05.5 0.05 ó 0.1?19 : 0.5 cuando realmente p > 0.0.t v i. si en la moneda sale 5 veces cara.06.05 ó 0.01. 2.ó) y (Ht:. respectivamente.8 0. Ad- la curva OC del 06 Si se hubiese dibujado (1 -p) yp. por #.5)(ee decir. 0.01662 y P(6 ó 6 carad) = * +-# : 0.1094.05 y (b) 0.350 0.54.!¡. pero no d 0.7 0. 03 02 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. Sea p la probabilidad de ca¡a en un solo lanzamiento de la moneda.9 0. Ensayo unilateral: Aquí se deeea decidi¡ entre las hipótesis (Ho: p: 0. pero no al 0. Ensayo bilateral. 7-14. Tabl¡ ?-22 p B 01 1.Puesto queP(6 caras): f¡ :0. pero no al 0.65.248 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. 7.05.Ele al nivel 0. l0 09 08 0? El gráfico pedido es el de la Fig.828 del Problema 7.6) y (Ht: p > 0. +i. caraa en 6 f(x\ = P(x lanzamientos) = Entonces lae probabilidsdes de 0. ¿Puede deducirse que al nivel de significación (c) 0. Ensayo u¡ilateral.5 dado por p : 1 . la moneda está bien hecha).59.2188.01.1.989 0. 0.013 0 828 7.68. . . .t+. p + 0.trf6 llnivelde . no se puederechazar.618 0.3 0. Pueeto que P(6 ó 6 earar): * + # = éa:0. 7.58.8.03125.64. Puesto que P(0 ó 6 carar): t'o+* = 0. Bajo la hipótesis (Ho: p: 0.1094.¡qn. Se ha irrcluido también el valor para p : 0.

^#--"Jpltpf2"'plk 7. página 118]. .60. *Y¡r= n¡ PlYr=At..Pl n(l-p)=nq TOTAL n . de acuerdo con la resüricción (221. de (I ).. / \V^r/ \Vrzl . ce pueden describir las ei- ría I.62. tiene aproximadamente una distribución chi-cuadrado.. el Problema 7... Suponga que Xt.61.. . Epplear el resultado del ProblemaT. Sin embargo. yx= ax) = 19#)1-+gj. .endientec..p)z = ..7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 249 7. Tabl¡ ?.23 Si P es la proporción mue¡tral para La categoes la proporción poblacional y n eo la frecuencia total.Y2=U2. busc¿ndo está dada por Iadi¡üribucióncondicionalqueeetamos P(Yt. que Yr + Y.. npp respectivamente. i npn: n. . . el valor En cuanto aI denojminador.. n(P.Yz=Az.61 demuestra que podemos remplaza¡ las X por lae Y independienúes con dietribución de Poisson ai ae cumple que Y¡ + Y2 + " '* Y¡": ¡. (21) ea diffcil de manipular ya gue las X di¡üribuidas multinomialmenüe son dep.1'"'-.tYx=at I Yr* Yz-1. iYr...+ph=L.págtna 218. con frecuencias esperadas flPt..." Por tanüo (2) ee conüerte en P(Yr=Ur.*/t'-^'\' \Vrr.. y2= u2.¡p_r¡rll*l)q/ = '' \P Pq = (P-.L tu¿cione¡ por medio de la Tabla 7-23. Yr + ).cAP. p I Frecuencb observada Frecuencia esperada nP np II n(l. Xz X¡ tienen una distribución multinomial. Pa¡a la función de probabüdad conjunta de ft l¡¡ Y tenemos (r) (21 p(y. + ' ' ' + Y¡ es en sí migma una va¡l¡ble de Poi¡eon con parámetro np¡ * np2 + .nPz. = (nP . por definición. página 14?.Yt va¡iablesmutuaÍienteiñdependientes con dist¡ibución de Poisson y parámetros tr¡ : npt. sabemos del hoblema 4.96. ..'.:í-^*f e-^ dondehemo¡uuiüzadoelhechodequept*pz+. Enüoncec.. Asl el denominador tiene el valor "":. Tal como oe establece. como se define por (21)..Yz=U2r .. (5) de la página 214.= ut... *Y¡= n¡ = que ee la distribución multinomial de la¡ X [compárese (I6).l\z : npz trr : zpr respectivamente.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.6t pa¡a demostrar que ¡2.. . Sean f. Mostrrir que una prueba en chi-cuadrado que comprende dos categorías es equivalente al ensayo especial de significación para proporciones (pagina 214).¡Yt=Ur Y Yt+Yz+ "' *Y¡r= P(Yr+ Yz| "' * Y¡ = n¡ e-n n¡ Entonces. el numerador en (2) tiene.p)2 PQI'I¿ 7... Demostra¡ que la dist¡ibución condicional de las f dado que Yt*Yz+ "'+Yx = es precisamente la distribución multinomial de las X..aL. Por t¿nto reeecribimo¡ (2/ ) como (r) x2 = /t'=^')'*f"'=^'\'*..Y¡=Ur I Yz* .

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

7.01 que el es ahora peor? hilo 7 . Un fabricante sostiené que al menos el 95% de los equipos que Euministra a una fábrica eetá de acuerdo con las especificaciones requeridas. 7. Var (W) = pr(l) * pz$) * .05. * p¡(1) = de den¡idad paraW es p(rr) : (Zr)-r/2e-u2/2. (o) Hallar la probabilidad de rechazar la hipótesis cuando en realidad aea correcta.OO. 7. (Zr)-t/2(ze) Al dividir (8) por (9) obtenemos el resultado deseado.1 y la desviación típica fue 8. + V!f. ¿Se puede deducir al nivel de signüicación del (o) 0.ebolac rojas que de azules. Enaayar la hipóteaie de que los dados esüén bien hechos. Una urna contiene bolar roja. La "demostración" anterior (que puede hacerse rigurosa) muestra incidentalmente que cada restricción lineal colocada alas Z. normal (puesto que e8 una combinación lineal de la¡ variablee Z normaies e independientee). y que E\W\ = VE(O) + \/p2(o)+ .05 desde el punto de vista de (o) un ensayo unilateral y (b) un ensayo bilateral.05? 7.66 ei el nivel de significación es del 0.e) = p(lWl < e) - e4(0)(Z€) = 7.. no cargados. erplicando las conclusiones sacadas con estos ensa- . y por tanto a la¡ Y o a las X reduce el número de grados de libertaá en X2 en 1.1i¡ ee rechaza en caso co¡rtra¡io. Para ensayar la hipóteeis de proporciones iguales de e¡to¡ colores.63 si ee quisiera que la probabitidad de rechazar la hipótesis siendo realmente conecta sea a lo sumo 0.05 y (ó) 0.entarios ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NOBMALES ?'63. Supóngase que en el Problema ?..cAP. + {pt Zt.Of O.63 se desea eneayar la hipóüeeis de que hay moyo. Comentar la significación de este resultado al nivel de 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 + . En un examen dado a un gtan número de estudiantes de muchas escuelas distintas. (o) ¿Qué regla de decisión ?. proporción d. 7'68.. yos. 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.40 onzas. y Denominado¡ (.0.93 onzas.trLtroyo uniiateral y un nivel de significación del 0. Un examen sobre una muegtra de 200 de talee equipos reveló que 18 eran defectuosos.. donde z : h - las bases para las reglas dadas en la página 219.66.01. una muestra de 36 piezas de hilo dieron una resistencia media de 8. (ó) Interpretar gráficamente la regla de decisión y el resultado obtenido en (o)... mediante (of un ensayobilateralyla¡.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. Esüo provee Problernas suplem.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. se quiere un nivel de significación del 0. se adoptarÍa en el Problema 7.01.69.(o¡ : 1 s Por tanto la función .0ó? (d) ¿Cuál sería la regla de decisión si el nivel de significación fuera del 0. .64. ee decir.9. Recientemente. (¿) ¿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. Solucionar el Problema 7..01? Se lanza un par de dado¡ 100 veces y se observa que un total de ('siete" apa¡sce 23 veces.e y azules. Discutir las razones de las posibles preferencias de uno de estoe ensayos sobre el otro. la puntuación medi¡ fue de 74.67. es decir.7 o. Ensayar la afirmación del fabricante al nivel de aignificación del (o) O. En una escuela determinada con 200 estudiantes el mismo examen dio una puntuación media de 75.65.

24%.77. 7. A y B fueron ensayadas pa¡a ver su pH (grado de acidez de la solución).01. Mediante unniveldesignificación del 0.7 4.05.05. Ensayar la hipótesis de que la duración media de las bombillas no ha cambiado. Utilizar el nivel de significación del 7. Explicar las diferencias entre esto y lo que se pedía en el problema anterior.4a. ¿Puede deducirse al nivel de significación del (c) 0.05 que el producto presenta las especificaciones requeridas? ?. ensayar la hipótesis de que el nuevo fertilizante sea mejor que el antiguo.05 y (b) 0.8 y 0. 0.54 fanegadas.8f En el Problema 7.32%.01 y (b) 0. ción típica de 6. Muestras al azar de 200 tuercas fabricadas por la máquina A y de 100 tuercas fabricadas por la máquina B dieron 19 y 5 tuercas defectuosas. A causa de lo costoso del mantenimiento de estas máquinas resulta que a menos que el tiempo 4e producción ee disminuyaen un8.O7o laintroducciónde tales máquinas en eI proceso resulta antieconómico. Las especificaciones para Ia producción de una cierta aleación piden el 23.05 ensayar la hipótesis de que las máquinas deben ser introducidas. Análisis de 6 muestras de A dieron un pH medio de 7. ¿Hay diferencias entre las duraciones medias de las bombillas de los dos fabricantes al nivel de significación del (o) 0. En un examen de psicología de 12 estudiantes de una clase hubo una puntuación media de 78 con una desvia- 7.01. Una muestra de 75 bombillas de otro fabricante B dio una duración media de 1230 horas con una desviación típica de 120 horas.05 y (b) 0. ?. El número medio de fanegadas de trigo cosechadas por cuadrado en los que se utilizó el fertilizante nuevo fue de 18. 7 . mientras que 15 estudiantes de otra clase tuvieron una puntuación media de 74 con una des- .032.73.01 V (b) 0./o con una desviación típica de 0.83.01.76.52 con una desviación típica de 0. El nuevo fertilizante se aplicó a 30 de estos cuadrados y el antiguo fertilizante a los restantes. [.19.a media y desviación tfpica correspondientes a los otros cuadrados fueron 17. (b) 0. Unamuestrade 10 análisis dio una media de contenido en cobre de 23.024.05. 7. Análisis de 5 muestras de B dieron un pH medio de ?. ¿Se contradicen los resultados con los del problema anterior? En un examen de ortografía en una escuela elemental.05. me- 7.5% y una desviación típica de 0. respectivamente.01 las niñastengan mejor ortografía que los niños. ENSAYOS EN RELACION CON LA DISTRIBUCION ú DE STUDENT 7. En el Problem a 7 . todos ellos tenían idénticas características de suelo. exposción a la luz del sol. determinar si los dos tipos de soluciones tienen diferentes valores de pH. 1 .76.79 ensayar la hipótesis de que el contenido medio de cobre sea más alto que el que marcan las especificaciones.72.01? En el Problema 7 .7 8.05 y (b) del 0.72 ensayar Ia hipótesis de que las bombillas del fabricante B sean mejores a las del fabricante A utilizando un nivel de significación del (o) 0. respectivamente. lcAP. Utilizando un nivel de significación del (a) 0.63 fanegadas. la puntuación media de 32 niños fue de 72 con una desviación típica de 8. Ensayar la hipótesis de que (o) las dos máquinas tengan diferente calidad de fabricación y (b) la máquina B sea mejor que A. Una muestra de 8 bombillasdelaproducciónactualdiouna du¡aciónmedia de 10?0 horas. Con un nivel de significación del (a) 0.49 con una desviación típica de 0. etc. 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 7 ensayar la hipótesis ¡¡ : 1120 horas contra la hipótesis alternativa tt diante un nivel de significación del (o) 0.01.70 si el nivel de significación es del 0.a2. .05 y (b) 0.7L. mientras que la puntuación media de 36 niñas fue de 75 con una desviación tÍpica de 6.80. ? 7.2% de cobre. En seis pruebas de este tipo se obtuvo un decrecimiento en eI tiempo de producciónde 8. ENSAYOS REFERENTES A DIFERENCIAS DEMEDIAS Y PROPORCIONES 7. Un experto efieiente mantiene que introduciendo un nuevo tipo de maquinaria en un proceso de producción se puede disminuir sustancialmente el tiempo de producción.252 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Solucionar el Problema 7. una parcela de terreno se dividió en 60 cuadrados de áreas iguales. con los niveles de significación de (o) 0.05 y (b) 0. mediante un nivel de significación del (a) 0.01. Dos tipos de soluciones químicas. 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.2 con una desviación típica de 0.01 y (ó) 0. Para ensayar los efectos de un nuevo fertilizante sobre la producción de trigo. < 1-t2O horas. Ensayar la hipótesis de que a los niveles de significación (a) del 0.

Dos muestras consisten de 21 y 9 observaciones. ?.90 construyendo un gráfico de (c)p V p. t¿ ?.9.87 si las dos mueetras con¡i¡ten de 60 y 120 observaciones respectivamente.93.64 onzas y una desviación típica de 1. En el pasado.27 si se eru¡ayan 400 cuerdas. (e ) 0. Ensayar la hipótesis de que la primera varianza poblacional es mayor que la de la segunda a un nivel de significación del (o ) 0. ?. mediante un nivel de significación del (a ) 0. Ia desviación típica de las temperaturas anuales fue calculada como de 10o Fahrenheit. ¿podemos concluir que hay una diferencia significativa en la variabilidad de los valores del pH para las dos soluciones al nivel de significación del 0. 7.25 considerando Ia analogía de bolas rojas y azules con caras y sellos respectivamente.E8. se toma una muestra cada 4 horas de 200 de las tuercas producidas.3.26 y 7 .CUADRADO 7. Determinar los Iímites de control del (a ) 99% y (b)95% pam el número de tuercas defectuosas de cada muestra. determinar Ia probabilidad de aceptar la hipótesis de que haya igual proporción de bolas rojas y azules. (c) 0.27 GBAFICOS DE CONTROL DE CALIDAD 7.7.01.77 una muestra de 20 bombilta¡ reveló una desviación típica en la duración de 150 horas. (b) 0.84.90.01 .6.05. Construir (a) unacurva OC y (ó) .91.81 . tienen varianzas dadas por s? : 16 y s2 : 8 respectivamente. al nivel de significación del (a) 0. Para determinar si el producto está de acuerdo a estas normas.731o ó 3o. Alrededor del lVo de las tuercas producidas por una compañía son defectuosas.05 determinar si el primer grupo do. durante los 15 últimos años.05 y (b ) 0. La desviación típica de resistencia a la rotura de ciertos cables producidos por una compañía viene dada por 240 libras. Ensayar la hipótesis de que las temperaturas en esta ciudad presentan ahora menos variabilidad que en el pasado. La resistencia a la rotura de una muestra de 8 cables dio una desviación típica de 300 libras. En el Problema 7. ?.0f .82. (b ) ¿Qué conclusiones pueden sacarse de acuerdo con Ios riesgos de error del Tipo II cuando se incrementan los támaños muestrales? 7 . cuando la proporción real p de bolas rojas sea (o) 0.89. Para mantener esta calidad de producción.65. En relación con el Problema 7. ?.8. En el Problema 7. ?.94.85. Comparar estas curvas con las del ProblenaT . 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION es 263 superior al segun- viación típica de 8.92.28 onzas. Hallar los límites de control del (a) 99. Representar gráficamente los resultados del Problema ?. (d) 0.ores. ENSAYOS EN RELACION CON LA DISTBIBI'CION CHI. una curva de potencia correspondientes al Problema 7. . Solucionar el Problema 7. Después de introducir un cambio en el proceso de producción de estos cables.cAP. ¿Concluiría que esto no es común? Explicar.63. Con la temperatura media del día 15 de cada mes. ENSAYOS EN RELACION CON 7 LA DISTBIBUCION F . (b ) 0. (b) (1 -p) y p. Investigar la significación del aparente incremento enla variabilidad. se toma cada 3 horas una muestra de 16 piezas de hilo y se determina la resistencia media. (o ) Solucionar los Problemas 7 . un cierto tipo de hilo producido por un fabricante tenía una resistencia media de roüura de 8.86. Adviértase que en esüe caso solo son necesarios los límiúes de control super.95. desviación típica de las temperatwas anu¡legde una ciudad en un período de 100 años fue de 16" Fahrenheit. Comparar estos gráficos con los del Problema ?.01? CUBVAS CARACTERISTICAS DE OPEBACION ?. Con un nivel de significación del 0. (b ) 0.05. (b) 99% sobre un gráfico de control de calidad y explicar sus aplicac¡o- nes.

Una urna contienc 6 bolas rojas y B blancas. Ajustar una distribución de poisson a los datos del hoblema 2.98. Juev.r02 utirizando la corrección de yates.LB% B.96 y comparar con el ajuste obtenido utilizando la distribución binomial. las puntuaciones dadas por un grupo de profesores en un determinado curso dieron un promedio d. de probabilidad para determinar si los datos del Problema 5. 7 '97 Ajustar una distribución binomial a los datos dela Tabla 7 _24. el número de muertos por unidad y año debido a coz de caballo se dan en la Tabla ?-2b. En 10 unidades del ejército prusiano y en un período de 20 años 1875-1894.05. Ensayar la hipótesis de que la moneda está bien hecha utilizando un nivel de significación del (o) 0. .se muestran en la Tabla ?-2g.34 8. (b) Determinar al nivel de significación del 0. Ajustar una distribución normal a los datos del problema 5. 146 t20 7.107. . 10.05 si el profesor nuevo sigue las mismas nornns de puntuación que los otros. 114 Vier.108. 7 z AJUSTE DE DATOS A DISTRIBUCIONES TEORICAS -24 2 7.103. Durante un largo período de tiempo. 108 Mierc. 7.05 2 rojo 0 blanco Número de extracciones con Ios esperados. (á) 0.254 ENSAYOS DE HIPOTESTS Y SIGNIFICACION Tabla f 0 [car.05.^ 30 Frecuencia esperada )0 90 3() ?.e 12% A. Se eligieron aleatoriamente tuercas de la producción de . 7. Este proceso se repite un total de 120 veces y los resultados obtenidos.1'04. Un profesor nr¡evo da durante dos se_ mestres 22 A. Tabla 0 ? -25 I ?-101. 7. se anota su color y se vuelven a la urna. Se Tabla 7-28 0 rojo 2 blanco 1 rojo 1 blanco 53 si los extraen aleatoriamente dos bolas de la urna.rrru de 4 máquinas. 3 4 . 9. resultados obtenidos son consistentes (. 7. utilizar papel gráfico 30 62 16 l0 .l 1 cara 108 bien hechas.100.Lg?o D y 12% F. (b ) 0.106. Delerminar al nivel de significación de 0. solucionar el Problema 7. El número de libros sacados de una biblioteca pública durante una semana determinada viene dado en la Tabla ?-22.96.99.CUADRADO 7'102' En 60 lanzamientos de una moneda se observaron 37 caras y 23 sellos. 7. El número de defectuosas ""d" fueron 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. con un nivel de significación del (o ) 0.66 C' 16 D y 12 F.05. Mar. Determinar si existe entre las máquinas una diferencia significativa al nivel dc significación del 0.0b. Ensayar la hipótesis de que el número de libros sacados no dependa del día de la semana.g8 pueden ser aproximados estrechamente a una distribución normal. I 65 22 a l 10!¡ I LA PRUEBA CHI. Se lanzaron tres monedas un total de 240 vese observó cada vez el número de caras obtenido. Número de libros sacados Tabla 7 -27 Lun.01. Ensayar esta hipótesis al nivel de significación del 0.105.0r . Ajustar una distribución normal a los datos del problema 5. 6l ?. 7.100. Ajustar una distribución de Poiss<¡n a los datos.40% C.gg. 3. (o) Determinar las frecuencias esperadas.

la Tabla 7-32. (a) Utiliza¡ la prueba chi-cuadrado para determinar la bondad de ajuste de los datos del Problema?. mientras que a otros se les dio píldoras de azúcar (aunque todoselloscreíonque suspíldoraseranparadormir). (b) Problema 7. 7l BONDAD DE AJUSTE ENSAYOS DE HIPOTESIS Y SIGNIFICACION 265 7.ensayarlahipóteois de que no hay diferencia entre ambos partidos en lo que a esta decisión se refiere.L17.115. Suponiendo que todos los pacientes dijeron la verdad. se Ies preguntó si las pastillas habían surtido efecto o no. a unos se les dio pfldoraspa¡adormi¡.06.100.01 ensayarlahipóteaisdequeelnúmerodeaccidentes es independiente de la edad del conductor. A 72 64 t7 23 Clase B 7.f09.05 y en cada caso determinar si el ajuste es "bastante bue. ensayar la hipótesis de que no haya diferencia entre los grupos vacunados y no vacunados. Mediante un nivel de significación del (o) 0. 7. 7. A un nivel de significación de (a) 0.110. los votos de los demócratas y republicanos registraron los resultados que se observan en. Tabla ?-30 Aprobados Clase 7.96. Los resultados de una encuesta hecha para determinar si la edad de los conducüores a partir de los 21 añoe. Sobre una decisión de importancia nacional. Hacer el problema con y sin la corrección de Yates. tiene su efecto en el número de accidentes de automóvil (incluyendo todo tipo de accidentes) se indican en la Tabla 7-34.ensayarlahipótesis de que no hay diferencia entre las píldoras de dormir y las de aziucar al nivel de significación del 0. enfer No se maron 'enferma¡on Vacun¡dos No Vacunados I L7 42 28 ?. Mediante un nivel de significación del (o) 0. Tabla 7.06. Ia Tabla 7-33 da la relación entre las notas de los estudiantes en matemáticas y física.112. 7. N nivel de significación del (a)0. ¿Es consistente el resultado de (o ) con el del problema 7 .101. es decir. Mediante la prueba chi+uadrado determinar la bondad de ajuste de los datosde (o)Problem¡ 7.116.99.118.cAP. Dott.114.01. Utilizar el nivel de significación del 0. (b)hoblema 7.0ó. De un grupo de enfermos que se quejaban de que no dormían bien.01 y (b)0.113. IA Tabla 7 -29 muestra el resultado de un erperimenüo para investigar el efecto de vacunación de animales de laboraüorio contra una determinada enfermedad. Ensayar la hipótesis de que las notas de física sean independientes de lás obtenidas en matemáticas.05 y (b) 0. El resultado de sus respuestas se muestra en la Tabla 7-31. 7.01 y (b) 0. las dos claees.LOg? TABLAS DE CONTINGENCIA 7 Tabla 7-29 Se .05 V (b) 0. Mediante la prueba chicuadrado determinar la bondad de ajuste de los datos de (c) Problema ?. Solucionar el Problema 7.(b) ¿Es el ajuste "bastante bueno"? Emplear el nivel de significación del 0.112 introduciendo la corrección de Yates. medianüe un nivel de significación del (o) 0.111.05. Posteriormente. 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.05 v (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. ensayar la hipótesis de que no haya diferencia entre. la vacunación y esta enfermedad son independientes. ¿Qué poeiblee dificultades en las t&nicas de muestreo como en otras consideraciones pueden afect¿r las conclusiones? .98.01.

COEFICIENTE DE CONTINGENCIA 7.126.) 7. 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.128.LL4.122.49.1L2 y (b) Problema 7.121. 7. Hallar el coefieiente de contingencia para los datos del Problema ?. (o) Demostrar eu€ ¡2 = 2@l/np. Xu) r¡ñY Azules No azules 49 30 8-ó 7.8165aproximada- 7. respecüivamente. Demostrar que el coeficiente de contingencia máximo para una tabla 3 X 3 mente. 7'. ( sin y con coeficiente de n de yates.1 . Demostrar que el coeficiente de contingencia máximo para una tabla fr X k es 1/1t¡ PROBLEMAS DTVERSOS . mostrar que la frecuencia esperada para la casilla perteneciente a la fila i y a la columna j es n¡n. Por similitud con las ideas desanolladas para tablas de contingencia h X &. Hallar el coeficiente de contingencia sin y con la corrección de Yates para los datos de (o) problema 7.121. 7. donde n es la frecuencia total de todas las casillas. diantes. pero se desconocen las proporciones de boias rojas y blancas en cada una de las urnas.266 ENSAYOS DE HIPOTESIS Y SIGNIFICACIOD¡ Tabla 7-33 lcAP. es JUS:0.¡¡¡. la suma de frecuencias en la fila ¡ y en la columna j de una tabla de contingencia (frecuencias marginales). . (b) el coeficiente COLOR DE PELO Rubio No rubio 25 96 7./n.11?. Si nI y n! denotan. Demostrar el resultado (2) det Problema 7. (b) Con el resultado de (c) hacer el 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. se toma una muestra de 50 bolas con remplazamiento de cada una de las urnas. 20.L23. ?.117. señalando las posibles aplicaciones que pueden_tener. donde n és la frecuencia total de todas las casillag.127.?r para toda tabla de contingencia.119. discutir las tablas de contingencia h X k X I.125. Dos urnas A y I contienen igual número de bolas.

?. A B Tabla 7-36 I &1 II A2 III dg ó3 'tLg TOTALES ?. Comentar los resultados. (b) 0. Al nivel de significacióndel 0. Explicar cómo podría definir interualos de confianza unilateroles y dar una posible aplicación.48. Solucionar el Problema 7. Utiliza¡ el resultado del Problema 12 para el Problema ?.l4O para obtener el valor de TOTALES lr2 n . el número medio fue de 21.0ó.54.55. ¿Se puede rechazar la hipótesis de que la moneda está bien hecha al nivel de significación del (o) 0. ?.01? Utilizar un ensayo bilateral.05. Ensayar la significación de este resultado a un nivel de (a) 0.0Sinvestigarsila marca A realmente es mejor que B proporcionando mayor recorrido por galón.138.56 si el 7 en la regla de decisión del Problema 7.136. (b) 0'01. 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. 7.001' (d) 0.6 con una desviación típica de 0.4?. 7. Con otra marca B.cAP. (b) 0. Con una determinada marca A de gasolina. ?. Mediante un nivel de significación del 0. Con referencia al Problema ?. ?. ?. ?. Una moneda se lanza 8 veces y se obtienen ? caras.140.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 267 dando la de A 32 bolas rojas y la de B 23 bolas rojas. Demostrar que para la Tabla ?-36 y2 " n = o(l+ú+"?\ * 2a (u" +ú+ rt2 'tL2 ns/ rr o?) ns ¡\ ?t I \t¿r / -.133.10.132 si salen 6 caras. Durante un período particular hubo 40 calificaciones A en un grupo de 300 estudiantes. El porcentaje de calificaciones A dadas en un curso de física en una universidad determinada durante mucho tiempo fte L0%. ?. Solucionar los Problemas 7.132 empleando un ensayo unilateral.13?. (c) 0.132. (c) 0.4 con una desviación típica de 0. Solucionar el Problema 7.64-7.01.05.131.13g. En eI Problema ?. Construir gráficos análogos a los del Problema 7.06 de que el estudiante no está contestando al azar. Generalizar el resultado del Problema 7. Comentar cómo puede utilizarse la teoría del muestreo para investigar las proporciones de diferentes tipos de pescado presentes en un lago.134.135. 7.05 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 8.129.138 ¿hay mayor variabilidad en millas por galón utilizando la marca B que utilizando la marca A? Explicar. el número medio de millas por galón consumido en 5 automóviles análogos bajo idénticas condiciones fue de 22. ?.23 pzra el Problema 7.54. 2.54 ?.141. 7 n¡ ng üt fl1 b2 .130.142.140. es ahora 8.

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

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

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

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

por ejemplo. ó. y respectivamente y sumando. y. Por ejemplo. con a y b dados por (4). ' Estas ecuaciones.23. si creemos que dos variables inaependi"áfus y. por la recta de mínimos cuadrados en términos de la varianza v del coeficiente de correlación como s?. esto es -1 < r < 1.8 REGRESION MULTIPLE Las una ces busc hay ás variables.r €l valor estimado de y para un valor dado de ¡. entón". : a* br. (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.-' perficies de regresión en espacios tridimensionales y superiores..denotamos por U". debemos hallar si n es lo suficientemente grande para que estén rectas alrededor del 68%. se hacán fácilmente. c en (20) de modo que que (20) lz = tmtb)r+ "2a 2*. Si r es la variable dependiente una ecuación semejante se llamarú ecuación de regresión de x sobre y. = o2r +b>12*c)ry 2u" : "2u + b> ry 1. se obtienen como resul- ERROR TIPICO DE LA ESTIMA Si. z. .s curvas de regreéión posible. la cun¡a de o de la estima.. REGRESION Y CORRELACTON lcAP. tenga la forma (20) z = a*br+cy Esta se denomina ecuación de regresión de z sobre r."t)z = 2¿2.r)2 (22) r. x.' : f"(L-r') Í l. entonces una medida de la dispersión con respecto a la curva de regresión está suministrada por la cantidad sg.262 CURVA DE AruSTE. como se emtodas la. llamadas las ecuaciones normales correspondientes a (20).: 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". n¿viértase qúe pueden obtenerse formalmente de (20) multiplicando por L. tenemos (23) (24) También podemos expres¿u s. obtenido de la curva de regresión de y sobre r. Genetalizaciones a más variables. si construimos p¿ües de rectas paralelas a la recta de iegresión de y sobre r a distancias vertióales te. puesto que >(A 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.c)y2 (21) tado de aplicar una definición análoga a la de la página 2sg. incluyendo ecuaciones lineales y no lineales conducentes a s¿.2.96% y 97% de los puntos muestrales res.

.2).) . es decir.r7 se explican por Ia recta de regtesión de mínimos cuadrados y así tienden a seguir un patrón definido.. 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..*-u)' (27) La cantidad a la izquierda de (27) se llama la uariación total. y sy tenemos )('?-U""')' D2 = r Entonces podemos demostrar que (véase Problema 8. si 12 : L í. entonces la variación explicada es cero y así r : 0. En otras palabras. r mide qué tan bienla recta de regresión de mínimos cuadrados se ajusta a los datos muestrales.)2 * 2(u.. Al tratar de hacerlo notemos que de (25\ V las definiciones de sy. r : + 1. Fórmulas equivalentes a las anteriores. algunas veces llamada coeficiente de determinación.r s€ comportan en una manera aleatoria o impredecible en tanto que las desviaciones /esr .INEAL Hasta el momento hemos definido eI coeficiente de conelación formalmente por (I5) pero no hemos examinado su significado.. 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./(n . que se utilizan en la práctica son M n2ry . Por esta raz6n algunos estadísticos prefieren expresar (22) con n . y (en COEFICIENTE DE CORRELACION I. Este está dado por 3r2. En Ia práctica la cantidad 12.24) (26\ 2@-ü' = 2ta -?/". La primera sunra a la derecha de (27) se conoce como la uarincíón no explicadc. 8l CURVA DE AJUSTE.(>rX>y) (3r) ra-ra (? . De otra parte si la variación total no se puede explicar..x"l(E (32) a. Esta terminología surge debido a que Ias desviaciones y -U. REGRESION Y CORRELACION 263 Así como hay una estima insesgada de la varianza muestral dada por 3t : nsz/(n . se encuentra entre 0 y 1.cAP..2 en cambio de n en el denominador. decimos que hay una correlación lineal perfegta (y en tal caso también regresión lineal perfecüc). 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.1) igualmeninsesgada del cuadrado del error típico de la estima. La fórmula (29) se conoce como la fórmuln producto-momento para correlación lineal. Si la variación total se explica totalmente por la recta de regresión. mientras que la segunda suma se llama uariación explicadn. : nsl .

r. (31\. Sin embargo. k = A. donde coincide con (30). esüá dado por rs¡ad donde d 6>d L-i@r_l) = . el coeficiente de conelación gradual. importancia. es ilógico utiliza¡ un coeficiente de conelación lineal donde los datos no son lineales. puede existir vna gran correlación no lineal. Sin embargo. o cuando la precisión no puede obtenerse. n. y. . . si lz : ñ. empleando los números t. suponga que se aplica (29) a datos no lineales y se obtiene un valor que es considerablemente menor que 1. es derivada en el Problema 8. coeficientes de correlcción múltiple. si utilizamos (30) para obtener r debemos aplicar el signo apropiado. hallamos n2n'y'. Si dos conjuntos correspondientes de valores. por generalización apropiada. la última definición. 8 Si utilizamos la transformación (9). L'a conexión (25) entre el coeficiente de conelación y el error típico de la estima es válida para corelación no lineal. Entonces la conclusión a extraerse no es que hay poca correlación (conclusión algunas veces alcanzad. (32).36. 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.2.264 CURVA DE AruSTE. y se clasifican de tal forma. En particular. El signo se toma en cuenta automóticamenüe si empleamos el resultado (29). 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). se denomina fórmula de Spearman para la conela- . Puesto que un coeficiente de cortelación simplemente ¡ride qué tan bien se ajusta una cun¡a de regresión (o superficie) a los datos muestrales. y) en los datos ción graduaL La fórmula (36). 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. los datos pueden clasifica¡se en orden de tamaño. r. denotado por rgrad o sencillamente r. etc. . (8t) El coeficiente de correlación lineal puede ser positivo o negativo. y (86) : n: diferencias entre las clasificaciones de los conespondientes número de pares de valores (r.a pot aquellos laicos con los fundamentos de la teoría de correlación) sino que hay poca correlaciín lineaL En efecto. (33) se convierte en 2'r'a' (2x'2)(2y'2) que comúnmente se emplea en computacion. CORRELACION GRADUAL En cambio de utiliza¡ valores muestrales precisos.()r')()y') (83) que indica que r es invariante bajo una traslación de ejes. REGRESION Y CORRELACION [cAP. página 260. excepto en el caso de regresión lineal. 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. En consecuencia da el mismo número para todas las formas de curvas de regresión y no es útil como medida de ajuste. Sin embargo.. (33) o (34).

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

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

lo = a * bxs.Para este propósito debemos conocer la distribución muestral de r. Los ensayos siguientes resumen los procedimientos involucrados. .43 y 8.47 y 8.49 y 8.50. De aquí pueden hallarse los tes de confianza para valores medios poblacionales predichos.. Ensayo de la hipótesis p * 0.44.2 grados de libertad.1618"". Véase Problema 8. Ensayo de hipótesis para valores medios predichos. Ensayo de hipótesis para valores predichos.8 : to estimado de la ecuación de regresión muestral. = 1. Véanse Problemas 8.46. 2.'\[+Fi. es decir. 2. Esto también puede utiliza¡se para hallar inten¡alos de confianza p¿ua coeficientes de regresión poblacionales de los valores muestrales. De esta ecuación se pueden ha' llar límites de confianza para valores de población predichos.. Aquí utilizamos el hecho de que el estadístico z =*r"(i+) = r. Véase Problema 8. Ensayo de la hipótesis p = 0. Denótese por ¡lo el valor predicho de y conespondiente i f : ts estimado de la ecu¡ción de regtesión muestral. Entonces el estadístico t- su.cAP.2 grados de libertad. REGRESION Y COBRELACION 267 tiene una distribución de Student con n . Denótese por Jo eI valor predicho de y correspondiente o. es decir.er. = ffi - (51) Z de Fish. En ese caso una transformación debida a Fisher produce un estadístico que aproximadamente tiene una dishibución normal. Denótese por üp elvalormedb predichodey correspondiente a x = Ío para la población [esto es. 1. Véanse Problemas 8.2 grados de libertad. Véanse Problemas 8. Para p + Ola distribución es sesgada.8l CURVA DE A'USTE.45.(i#J aproximadamente tiene una distribución normal con media y desviación típica dadas por (50) -Zt" /1+p\ *. En el caso de que p = O esta distribución es simétrica y se puede utiliza¡ un estadístico con distribución de Student.ffi @o- a"\{n-2 Urr¡ tiene una distribución de Student con n .m (ao- úor\Ñ @a¡ tiene una distribución de Student con n . Entonces el estadístico t- ú- ru.48. fo = E(YIX = co)]. Aquí utilizamos el hecho de que el estadístico f = rl/n-z \/fr (+s¡ tiene distribución de Student con n - 2 grados de libertad. Denótese Por Jp el valor predicho de y conespondiente 2. lo : a * bxs. (i=/ : 1'1513 tos'o(1 Estos hechos pueden también utilizarse para hallar los límites de confianza para los coeficientes de correlación. La transformación (60) se llama transformación /1+p\ I o/' ". Í : Ís para la población. 3. 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.

Luego utilizamos el hecho de que el estadístico Zr.@ se mueetra en la Fig. EJEMPLO 8.2. y 22 conespondientes a y rz utilizando (50). rt y nz respetivamente difieren Pa¡a determinar si dos coeficientes de correlación rr y tz extraídos de muestras de tamaños n1 apreciablemente entre sí.)w-. Una recta pasa por los puntos (xr. lt ) y ( rr.11 ) de (2) y (l pedido sustituyendo en ). 8-5. Entonces ya que (¡r.Zrpzr-2. Significado de una diferencia entre coeficientes de conelacion.lLzr. podemos utilizar una ecuación de la forma de (39) pata predecir el valor de Y a partfu del valor de X. La gÉfre de la recüa . Y tienen un coeficiente de correlación diferente a cero. La consüante b : (yz .s resueltos NECTA DE MINIMOS CUADROS 8. Y variables aleatoria¡ que representsn eetaturas y pesos de individuos. Por tanto (1) A2 = aibr2 u-a1 = @*br)-(a+b*t) (2\ . y..b(r-r-1\ Í2trt Uz-Ut . calculamos Z.t [. Es importante acla¡a¡ que "correlación" y "dependencia" en el sentido anterior no necesariamente implica una independencia causal di¡ecta de X y Y. = Pzr. (521 donde se Itzr-|. Se¿n X.(. 8 3. su distribución conjunta no se factoriza en sus distribuciones marginales). Además. yr ) V @2. ozr-2.yt)l@z .a*br)-(a*br1l = b(r2-r1l Obteniendo que b : (yz . Pero diffcilmente diríamos que hay interdependencia düecta entre X y Y. Problerna. eI coeficiente de correlación puede eer diferenüe de cero y podríamos halla¡ una ecuación de regreeión prediciendo una variable de la otra. ozr-2. = Y nr- n^ = nt-3' nz-B (53') disbibuye norma[mente. CORRELACION Y DEPENDENCIA Si dos variables aleatorias X.yt)lfz . cuando p + O. Véase Problema 8. Aquí hay una independencia directa enüre X Y. el resulüado se deduce. y2 ) son puntos sobre la recta yt = a+bn1.51.¡r ) es la pen- .1. Demostrar = que la ecuación de la recta es U-Ut tenemoe (Ty. EJEMPLO 8. página 82) que son dependientes en el sentido de probabilidad (esto es.268 CURVA DE AJUSTE. diente de la recta.a ecuación de una recta es ! : a * b*. Esto se demuestra en los ejemplos siguientes. REGRESION Y CORRELACION [cAP. Si X representa los s¿larios anuales de los profesores en tanüo que Y representa la cantidad de crímenes. ).1. sabemos (Teorema 3-15.

escójarrse dos puntoe cualesquiera sobre la recta. 8) y (14. CURVA DE AJUSTE.2 utilizando a (c) variable independiente.542r ó¡ U=l+0. Entonces el Problema 8. por ejemplo.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.g¡2.rA' ")t)'6"' Fig. dn = a*bxn-yn Fis. 6). 2). (b) Hallar una ecuación para esta recta. (11. dz: albr2-9". aFlab = 0.cAP. Las coordenadas de e¡tos puntoa tomadoc de la gráfica eon aproximadamente (0. 9) sobre un ¡istema de coordena' das rectangulares corno se muesha en l¡ Fig.8l 8. vé¡ee Problema 8'4 que emplea el método de mfnimos cuadrados.tl' a-r =ffiO-l. r como . (6.4. I 4 8 I Una rect¿ que se aproxime a los datoc se dibuja a mono olzada en la figura. 2ra = a2r*b2r2 como 8e pedfa. (o) Dibujar loe puntos (1..b) = l(o * br . albnn Las dewi¡¡ciones verticales correapondientes son dt = a*br1-yt.. 7).61..3. Ya que # = >f.. 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. página 260. F(a. Ajustar una recta de mínimos cuadrados a los datos del Problema 8.os valores de y sobre la. 4). recta de mínimos cuadrados conespondientes a 11. 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.. 8-6. Puede demostrarse que eetas realmente resultan en un mínimo. Refiriéndonoa a la Fig.. 8. 3 2 4 6 4 891114 o a t). es decir. 8. Una condición ó mfnimo (o un máximo) es necesaria para que esto sea un que aFlaa = O.2. (b) Para obtener la ecuación de la recta construida en (o). (9. para la recta de mínimps cuadrados. (8.1 ) y (72. 8-6 . 12.rfnSOn a*bry albr2. tales como P y 8. 6 y-l=0. (3.4\.(4.642r. f.7 . 8-?. (b) Í como variable dependiente.1 . . Para un método que eümine la ne' eecidad de juicio individual. Derivar las ecuaciones nonnales (4).

Ga)(.50 d- - = 1.8 (o) La ecuación de la recta es y : o * b¡.CURVA DE AJUSTE.(56X364) lt ó0'545 = 6 --lE f8-i6 g=w =qffiffiá#l )c = cnld)y = frao.50.60 . REGRESION Y CORRELACION [cAP. la ecuación de la la recta de mínimos cuadrados es ¡ : c * dy.545.r. Nótese que esta no es la recta obtenida en el hoblema 8. t¿s ecuaciones normalee son )Y: 2ru: an*b)r a)r*b).546 + 0.oso (b) Si se considera a r como la variable dependiente y a y como la variable independienüe. Otro método. y. 8c*40d = 56 40ci256d = 364 Estos valoree también pueden obtenerse de ()rx)sz¡ . las ecuaciones normales son 2ru = c2y*d2a2 Entonces utilizando la Tabla 8-2.sz El trabajo involucrado en el crilculo de las sumas puede ordenarse como ae indica en lá Tabla 8-2. Aunque la última columna no se necesita para esta parte del problema.50.636.636 r. n lizando el método a mano alzadt.2 utiPuesto que hay 8 pares de valores de. a = ()y)()r2) . 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. yla rectade mínimoecuadradoopedida es S t + lrx 6 U = 0.)ru) c=ffi==-0. las ecuacionee normales se convie¡ten en dedonde c=-* ó -0. b=+ ó0. d=9 ó 1. se ha agregado a la tabla para emplearla en la parte (b).()r)()ry) = (40)(524\ .

6.4 intersectan en el punto (. y E=-t+*y. b por c. [¡secuacionee delaedosrectassona= llamos 8.333 * 0.pue¡üoque7=-*+*(6).60y t2 10 = y= e.6. ¡ ¡=-0.ha*+É. .: L2 en la recta de regresión de y sobre n.66? r 8 6 1 u= 0. más exactamente.ú). pero ¡e intergectan en (a.8-8 8. hallamos que la recta de (5) que indica que la recta pasa por el punto (4.E. y : 0.6)seencuenhasobrelarerfar=-++$y.4.5).546 * 0. La recta obtenida en la parte (b) se llama la recto de regreeión de x eobre y. U = &* Lrrr.546 + 0. ¡ es la variable independiente. ti). Demostrar que una recta de mínimos cuadrados siempre pasa por el punto (i.Elpunto(?. y es la varirrble independiente. ú). (o) Demostrar que las dos rectas de mínimos cuadrados obtenidas en el Problema 8.9.8.! :5. 2. remplazando las constantes o. (c) Estimar el valor de ¡ cuan' doY: 3' -2a40 a=T=¡-=o Luego el punto (6. es (7. 6) se encuentra en la recta U = 0. 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 ). F = -0. 0. Representar gráficamente las dos rectas obtenidas en el hoblema 8.6).. U = 0'646 + 0'636(12) = g'Z' (c) Al remplazary:3 enlarectaderegresiónde¡ sobre a.636¡.50y. ¡ = 7 . = tllu-úl Nótese que en general. REGRESION Y CORRELACION Por tanto la ecuación pedida de la recta de mínimos cuadrados es r = 0. Ot¡o método. las rectas (¿) V (S) no coinciden. Por üanto la¡ rectas se interceptan en el punto (?.546 f 0.Resolviendoeimultánesmente.333 + 0'667 ¡' que no ee l¡ mi¡m¡ rect¡ 8.60 y.60 + 1.7.cAP.636 ¡ 2 0 6tl012 Fig. (b) Al remplazar x. Nótese que al solucionar esta ecuación para y obtenemos y obtenida en la parte (o).úr. 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.8l CURVA DE AJUSTE. Caso 1. llamedo el centroide. se utiliza para estimar r para valores dados de y.50(3) = {. (b) Estimar el valor de y cuando x: L2. - 0. y.500*1. se indican en la Fig. (o) El punto (?. d respectiremen' üe. lo cual es un¡ indicación de que los datos están muy bien descritos po¡ una relación lineal. r-ñ f).Í. pueeto eue6=*+t(?). la recta de mínimos cuadrados puede escribirse como Q) Caso que muestra que la recta pas¿ por el punto (á. {.636 r o.60+1.fi).60 * 1. Lar gróficas de l¡s dos rectat. Nótese quelas dos rectas en e¡te caso prácüicamente coinciden. mfnimos cuadrados puede eecribirs€ como hocediendo como en el c¿¡o 1 intercambiando r.

7 .t¡z = - t )(>x)2 |ín2rz .(2r)(2r'l n2r. 8.8 tenemos f.-. REORESION Y CORRELACION Demostr^ar que la tecta de regresión de mínimos cuadrados de y sobre forma (8).p'12 El resultsdo er útil para dessrrolle¡ un camino corto para obtener recte¡ de mfnimo¡ cu¿drado¡ al ¡e¡ta¡ con¡tanter epropirad¡¡ de lo¡ valore¡ dadoo de r. 8.pdgina 261. De la segunda ecuación en (5). página 260.9.)(2g. u=7+tc Por üanto . U - g.12). Problema 8.8.9.(2rlz 2(¡z-2nr*12) 2r2-2ñ2r*2i:z 2r2-2n82 lniz 2s2 . g 8..y. re rigue intercambiando D - >(z::elfu.(Ic)z¡ También >(r - t)(v . Tónemo¡ de 11) [eAP. pdgina 260. r puede escribirse en la (l). = n8ru-(2rl()ü _ n2xz _ (2r)z Entonces ti ú = út I h. u=u'*k.ú = b(x. tenemos D_ 2(r n2xy . + k.t). h = f. .272 CT'RVA DE AJUSTE.1 -ñF-trú. ¿ = ñ.(2r.tenemos . U .10 Si en el Problema 8.=-Ep=Ts¡t Del Problem¡ 8.(>. sean c = d *h.úl = 2(rs-i:y-ir*efrl 2ra-ñ2u-ú2n1'2eú 2rU-nEú-nfrE*nitfi . y (véa¡e problema g.()¿X)y) n)¡z .e¡z demo¡tración de (12). j[n2ra Por tanto (I ) oe conüerte cn 2rU t (>¿X>y)] de donde ¡e obtie¡e el resultado (S ).(2x')(2y'l n)s'2 . Ir 2(a .nEú (I¡X)z) ¿ru .n8z 2r2 I Entonces . h_ v- dondeh n2uU yk son constantes. demostrar que D--i# .Demosharque .al r. y.n2r'a' .=7+h.

(c) Hallar la ¡ecta de regresión de mínimos cuadrados de r sobre y. . REGRESION Y CORRELACION 273 Se deduce inmediatamente del Problema 8. 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.y deuna muestra de L2 padres y sus hijos mayores.418 Zny = 54.9 ya que 2fr' = l(c-t) y análogamente = 2r-nñ = 0 ly' = 6.a2n*b2n2 [. (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r. 8-9. 72 de dispersión se obtiene dibujando los r = _8. Tabla 8-3 Estatura r del padre (pulgadas) 65 63 67 64 68 62 70 66 68 67 69 7L Büatu¡a y del hijo (pulgadas) 68 66 68 65 69 66 68 65 7t 67 68 70 (o) El diagrama puntor (r.8l CURVA DE AJUSTE.82 y b = 0. &11 La Tabla 8-3 muestra las respectivas estaturas lc.849 .197 )92 = 64.88+r.a recta de regresión de y sobre r está dada por y = a + b*. de modo que y :96.ae sumas se muestran en la Tabla 8.476x.418b = 64. 8-9.82 + O. La gráfica de esta ecuación ¡e muest¡a en la Fig.cAF.4.L07 de donde hallamoe o : 36.476. (c) Construir un diagrama de dispersión. y ) sobre un sistema de coordenadas rectangulares como se muestra en la Fig. de modo que lae ecuaciones normales se convierten en 9oe 2? 666 864 É¡ E 12o*800ó:811 800o*63./ €70 6 !a 2a'= an * ólr 2ra . 62 62 6{ 66 Fig. donde o y b se obtienen resolyiendo las ecuaciones normales.086/___V (b) f.

8-9. 8 "= (c) ecuaciones normales I]4ff de¡ sobrey viene = 85.036.11 utilizando el método del Problema 8. Por tanto 6?. = delascualeshallamosc:-3.dondecydseobtienensolucionandolas 2a = cntd.asfque¡:-3.38. ¿ = n>r!: (>!)l?nl = n2a2 . b = dada por ry# = 0. y ( los números restados de r tee).38*1. esto ee a = 36. - 68 tenemos r.2y 2uY = c2Y*d2Y2 L2c Utilizando las sumae en la Tabla 8-4.274 Otro método.086 8.849d muestr¿ en la Fig.68. Solucionar el Problema 8.86 * 0.6?.Iagráficadeestaecuaciónse Otro método.9. Réstese un valor apropiado. REGRESION Y CORRELACION lcAP.82. (12X106) (-16)f.L07 E1lc#54.58 n I¡ =7*68 = -**68 = 66.()y)2 1.07) 6 ecueción de regreeión pedida de y sobre x ea a .g8.476(n-66.67.ú de acuerdo con el Problema 8. CURVA DE AJUSTE.5) - (10)z = 0.476u u .d=1.12. = ñ .036y. se convierten en -f SLld = 800 64. De una manera análoga podemos obtener l¡ ecuación de regreaión de r sobre y. 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).476 También ya que &' = ú . . de r. . = ú - 68.4?6 Larectaderegresión x:c* dy.11. aparte de los enores de redondeo. u =7*68 = -**68 = IZ-LZ = b(u. y. Esto nos conduce a la Tabla 8-5. - (>¡XI=y2l.68 = 0.12s¡z _ _s.á).68.(lyX>ay) n2yz . por ejemplo 68.

.40(21 =1.0095 3. = C. y conespondientes a los valores de V.3 61.7 28. donde y y C son constantes.13.cAP. De acuerdo con los principios de la termodinámica una relación de la forma PV. 8.20=logCy (b) Pvt.log P : y.60X104 y y=1.8 49.6 194.5 72.0043 12 ra 3.4533 1.8309 t. La Tabla 8-? da los valores ¡.074L 2.6 88. a = ()y)()rz)-(>rX:g¿l _ n2"2-1>n\z .40.2 PVt = C.4685 3. Tabl¿ 8-7 s = logV L.6946 1.2833 1. P de Ia Tabla 8-6 y también indica los (l ) son 2a = on*ü)¡ de las cuales 2ry .40=-y.0350 3.14. r=logV:2 25. Entonces P=antilog1. (c) CuandoT=100. La tabla 8-6 da valores experimentales de la presión P de una masa de gas dada correspondiente a varios valores del volumen V.20-l.6762 1.13 dibujando los datos en un papel logJog.4 37.40. (c) Hallar elvalorde y y C. C=1.0997 3.9294 2.6953 (o) Puestoqueo=4.2340 2. la última ecuación puede escribirse (r) U = oibr donde¿:logC.2976 )r = 11.7858 1.40 Luego Y = 4.2077 3.859? A = logP 1.2ry . Para cada pareja de valoree de la presión P y el volumen V en la Tabla 8-6.40= lb/pulg2.9479 2. tenemos tomando logaritmos de base 10 cálculos involucrados en eI cómputo de la recta de mínimos cuadrados (l ). Las ecuaciones normales qorrespondientes a la recta de mínimos cuadrados logP = logC-ylogV logC ó logP*ylogV: Tomando log I/: x.4 118. obtenemos un punto que se dibuja en el popel log-log construido especialmente como se muestra en la Fig. Solucionar el Problema 8.()rX>u) 6=-ffi. (c) EstimarPcuando V = 100.b:-'1.to = 16.2878 2.66L7 2.000.0059 2xa - 16.4Ou.ffi¡af'=-1. REGRESION Y CORRELACION 276 ECUACIONES NO LINEALES REDUCIBLES A FORMA LINEAL 8. y y= logP=4.1 Presión P (lb/pul2 ) Ya que 6r.8l CURVA DE AruSTE. debe existir entre las variables.0 10.(b) Escribirlasecuacidnes que¡elacionan aPy V.7348 1.0 pulgadas cúbicas.3019 6.2 t9. n. Tabla 8-6 Volumen V (pul3 ) 54.8543 =-1.7943 4.a2r*b2r2 4. 8-10.7910 1.1 lu = 8'7975 b )12 = 23.20-1.20.

Enton4.1rn ¡on olbr¡lcu!. m 60 so r00 Volumen Y '{l Fig. REOBESION Y COBRELACION [cAP. . .4. re de numéric¡rnente por l¡ relación-de la longitud AB a le longitud AC.¡ U¡ ertfa dadar por dt = qtbx¡Ic¡. Entoncee lo¡ veloree de y ¡ob¡e moc cr¡¡dr¿dor cotrec¡rondieatet a a1. U = a*ba*crz l¡ pa¡óbol¡ de mfni- Se¡n lo¡ puntos mue¡t¡alec (a¡Ittl.2 a = logP-ülog7 = lo926*1. (nn. logPTlle .a*(1.o*blogV ó g = o*bn Ie pendiente D.276 CURVA DE AJUSTE. .8-r0 150 ¡00 ú t00 También ¡e indica un¡ rect¿r (dibujada a mano alzada) que re aprorima a eeto¡ puntos.?"-al' dc = o*bu21-cú-!2.2.a)(2) = de modo que logP* 1.) d^ = o*üc"lorl-t^ y lrr ruma de lo¡ cuadrado¡ de le¡ de¡viacionee eotá dada por )¿t = )(o+ bxlca2-t)1 . .. Pa¡a obtener ¿ ¡e nece¡it¿ un punto sobre ce8 l¡ recta. e2. . (r*uzl. que er negatlva en e¡te ce!o. . Por t¡nto albn2*ct/.. . P: 26 de la g¡lfic¿.16. 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 .. . prigina 261.8 l0 ú' 3o {0 ü.4 los100 = l. [¡ medida en este e¡¡o indica que D = -1. of bur*wl l¡¡ de¡vir¡cionee de.!nl.Ut U2. Deriva¡ las ecuaciones nomales (I9). Por ejemplo cua¡do V: 100. .2. y PVtl = 16O00 PARABOLA DE MINIMOS CUAI)BAI)OS E.4.4 logV = 4.. para la parábola de mínimos cu¿dradoo.

8 3.588 de mfnimoq cuadrado¡ pedida tiene l¡ ecr¡¡- . o ción = 8.42 291.8 7.00 Puecto que n (2) Reolviendo.00 2.42 - - 1449.9 9.28 38.19 2.92 230.9 5.96 96.79 s32.28 233.1 12. págin¡ 261.92c : 1449.9 7.0 7.48 19.O.8r 2n2g I¿= 42.2 1.22 rzy 6.2a*2SL.ólcs*clra H trabajn involucrado en computa¡ la¡ ¡uma¡ puede ordenarce qomo 8e mue¡ha en la Tabla 8-9.12 67.7 12 n3 xy 6.4 2r2 - Ic3 = 2276.6 2.o3to*óc*cr2-a)2 = )2(o+br*crr-a) k = )*a{o*br]-cnz-u)2 = 2Zr(a*brtcü2-a) aF :d.6 9. REGRESION Y CORRELACION función de o.8 r87.49 60.08 10.L6 6470.40 10. b.04 1.2ll0rt .83 29.66 259.49 92.20 o + 2276.2Ob+2275.0 ?.70 38.7 4.8l E¡t¡ ec CURVA DE A¡UsTE.t2 9223.58 4.04 48.cAP.b.06 941.46 254t.82 4t.91 636.OI 32.065 t . T¡bb ü u 1.41 73.1 t€ 14 a 4.61 24. 8.1 8.8 4.73 5. c = {).16.20 18.8 4.24 9. = + 2.1 : 8.6 5.' 7.t=o' *=o Enüonces # = ).36 5?6.2r2].2110¡ arí la parábola 2. Tabl¡ u 1.8 2.75 117.4E 1065.20 c = 48.360 + 18971.36c = 230.971. e¡ decir 277 F(o.7 4.2 )u= 46. lar ecurciorÉ¡ norm¡ler (I ) rc convierten en 8a I 42. c.6 2A = an*óI¡*c2n2 [¡s (r) ecuacionec normales son 2ry = o)¡*b2r9*c2rs 2n2a = o.2 6.62 21.65 185.36 2ua = Zxu 291.2b + 291.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).93 342.27 1.7 7.066.2 6.cl = )(o I Para minimizar esta función debemo¡ tener bx * cx2 - U)z Ti=o' . ? = )f.5 6.44 3.70 26.688. Ajustar una parábola de mínimos cuadrados de la forma ! Tabla 8-8.9 7.8 7.19 36?.2 1. b = : 2.6 a I bx * cr2 a los datos de la t€ D.8 3.

lcAP. (c) Estimar el peso de un muchacho de 9 años y 54 pulgadas de estatura.z¡ dt = a* br1 * cUt.5 5.762.588 + 2.56L 2.2) . La Tabla 8-11 muestra los pesos z ala libra más cercana..19. . b.16 para estimarlos valores de y de los valores dados de r. .. c e igualando las derivadas parciales con respecto za.0. c de modo que satisfaga (21. 8.An) son respectivamenüe a*br1*ey¡ Por tanto las desviaciones de z¡.7 u REGRESION MULTIPLE 8.065(1. Análogamente se obtienen otros valores estimados.2110(I. (rn. all. . Entonces los valores de z sobre el plano de regresión de mínimos cuadrados correspondientes a (r1. 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. (ün. . [. b. b y c a cero.8 4. (b) Determina¡ los valores estimados de e de los valores dados de r.621 5.2)2 = 4.2 6.zt.18 la forma z r. las ecuaciones normales pedidas (21) en la página 262 se obtienen.762 4.0 7. Se desea estimar una variable z de las variables : Sean los puntos muestrales (ryUyzr). . Pata r = 1.9 6. vienen dadas por a*bnr*cyn dn = a* bnr* cUr.8 8. Ue"¡ = 2.613 6.. y por medio de una ecuación de regresión de a ! bx * cy. pág¡na 262.. z.741 4. Tabl¡ 8-10 Uest 4. Demostrar que la ecuación de regresión de mínimos cuadrados se obtiene al determinar a. 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 8-12.278 CURVA DE AJUSTE. REGRESION Y CORRELACION la. 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.Un. (c) Hallar la ecuación de regresión de mínimos cuadrados de z sobre x. y..5 2.640 7. y. y puede escribirse z: albnlcy Las ecuaciones normales (21).17.503 7. .zn\. las estaturas x.os resultados se muestran en la Tbbla 8-10 junto con los valores reales de y. .página 262. ala pulgada más cercana y las edades y al año más cercano de 12 muchachos.8 7. .962 7.2. Utilizar parábola de mínimos cuadrados del Problema 8.).

8436 * 6779c = 40.66+0. ERROR TIPICO DE LA ESTIMA 8. demos- s'?. Utilizando la ecu¿ción de regreción (3) obtenemos log valores egtimados de z. REGRESION Y CORRELACION Tabla t-12 fi 64 Df 59 49 62 51 a 8 10 6 11 z.880 106o*67?9b+976o Rerolviendo.! : 9 en (3).356.926 66.20.606u zesb al susti- ) tui¡ los valores correspondientes de x. denoüado8 pot valoreg Tabl¡ 8-13 2est 2 64.286 66.¡ €stá dado por r viene dada por ! : a * b*.139 34. o aprorimadamente 63 lb.e resultado¡ ¡e dan en la Tabla 8-18 junto con lo¡ mueshaleg de z.6068.920 64 7l 63 67 DD 68 77 67 66 61 76 68 (c) Remplazando ¡ : 54. el peeo estimado es zest : 63. las ecuaciones normales (I ) ee convierüen en l2a1-643b *106c (2) 643¿ = 769 * 34. =í.4t4 69. y. Entonces ^. ü = 0. c = 1."r)2 2afu 2fu-o-brlz o. 2a'- a2g n - b2rY por Ueet Loe valoreg de y ectimadoa a partir de la recta de regrerión vieneÍ'r dados = @ * ü¡.86? 65.225 68.2(Ufl -a.843 Utilizando esta tabla. 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. Si la recta de regtesión de mínimos cuadrados de y sobre que el error típico de la estima sy. la ecuación de regrerión pedida es (t) (b z = 3.206 69.6612.830 2yz = 6796 2uy = 6779 48.cAP.-brl - o-bu) .7r7 68.= v. Ír.8646.136 64.r=n= = 2(a-a.682 ?8.865r+1.8l CT¡RVA DE AruSTE..b2r(u -a-br) .664 78.168 48.

r.81 0.476(66) : 66.¡ Método 1.14 ü a Uesl 65 68 66.24)2+(0.UpotA-ú.*nú') .ú)'- b)(c n - ¡)(u - ú'l Si ¡ = r' * A.21. Sabemo¡ que la recta de regreeión puede eecribiroe oomo blem¿ 8.38 7l 68.19 2. En la Tbbla 8-14 ee listan los valores reales de y (de la Tabla 8-3) y los valorec estimado¡ de y. = 2a@-a-bt\ nll 2a2-a2a-b2ra Este ¡esultado puede extender¡e a ecuaciones de regresión no lineal.. 8 2(A-a-bn) .+(0.20 N3' = 2u2-o'2a-b2xy = 2(a' + ú)2 .b2rtgt * nú(ú .o2(g' * fil .19 0.y.b2r'Y' = 2(a . 8.ú = b(r .81 62 66 66.b2(r.Cuandoeehacenestoeremplazo¡enelProlos datos del Problema 8.47 6r.al@ . cotrespondiendo a ¡ = 65 tenemotgest:36.2O puede escribirse como ^z üu.2y-an-óIr = 0 2r(a-a-br) .€2 + O.76 L.66 7l 70 69.a)2 . Tabl¡ t.28 pulgadac.úl donde hemooutilizadolo¡re¡ultedot2r'=0.ana .b2r'g' .x = lTiltr= 1.98)2 12 = L64z . Por ejemplo. I üyt * r.bnü! = 2U'2 + nú2 .xpot¿-á.r9)z:l-.280 Pero CURvA DE AJUSTE. Erto demueetra el resultado pedido.28 68 69 68.24 -0." y 8t. Demostrar que el resultado del Problema 8.7L 64 66 66. Entonce¡ del hoblema 8.24 68 67 67 67.bi2r' .bñl = 2O'' . 2(a .66 >(u-u.19 67 68 67.bn.a(2U. como se obtienen de la recta de regresión. / .76.11(b ) la recta de regresión de y cobre x ea ! : 36.b2(r' * ñl@' * úl = 2(y'2*2ytfi*¡z¡ . que corteeponde a empezar con l--o+bryremplazando:oporcero.. Catcular el error típico de la estima¡ 8¡. güe ¡e neceaitan para el cálculo de oy.2r-b2rz = 2A = on * ó)c 0 puesüo que de las ecuaciones normales 2ru .2¡ pará Del hoblema 8.22.á). denotados por lresr.ó)(a .62 0.20 se obtiene el re¡ult¿do pedido.24 63 66 65.33 0.")z = "1. Método 2.14 -2.71 -0. g = A'+ ú.11. También ¡e indican lor valorea y - Uest. REGREsIoN Y coRRELAcIoN lcAP.81 U - Aest 0. 2u'=0 y ú = o*bt (que re deducen aldiüdiramboslado¡ de l¡ ecuación normal 2A = an * b)r por n¡.6? 70 68 69.29 -1.14 66 65 67.b2t'g' . (1.!* e!\ = 2a'2 + 2y29' * nú2 .ú = 2u'2 .a2r * = b2u2 Entonces sí.82 + 0.o.28 -1.anÚ .71 69 68 68. E.bt2y' .2na-o..

'.g) sumando. Las dos rectas paralelas..13 1. Demostrar que >(g Elevando al cuadrado A"'r)'* 2(U*r.)(y-uu. y-gfo". ya que es cero...rn.13 -1.23. NOTA: Una mejor estima del error tfpico de Ia estima de la población de la cual so.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. la teoría predice que alrededor d.22).28) = 1. Uir examen poste- 66 6l 62 Otro método. tenemos 2(u-ú)2 . . (b) la variación no explicada y (c) la variación total para los datos del Problema 8.34 0.:'.28 (es decir. ya qve ú la Thbla 8-14 podemos construir la Tabla 8-15..abn) a . '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.56 -0.t)2* )(yn"t-ú)2+ z>fu.r 0.rr. 8-11. = )(U .t-ti) - A)" = 2(A - El resultado pedido se deduce si podemos mostrar que la última suma este es eI caso.?0. se encüentra entre -1..11. (¿) Construir dos rectas paralelas a la recta de regresión del Problema 8. 2r(u . :: :. de datos.24.61 0. Entonces el porcentaje pedido es 9lL2: 7 5%..30 0. ts. ú>@ - a - bn) puesto que de las ecuaciones normales 2(a = 0.U""t)2 .61 -2. En el caso de regresión lineal )(v - Y'"'¡)(v" "r .08 2. y). = 1/@ se tomaron las estaturas vie- COEFICIENTE DE CORRELACION LINEAL 8. 8. (o) ta recta de regresión y : 35.82 * 0.58 del Problema 8.11 a una distancia vertical sy.S-15 Uest : 8]-LlL2: 67.25 1.y""t) * (Uost .brt Q.. Del último renglón de la Tabla 8-14.0t¡z .82¡z+.[t = (y .nrr.04 (a) Variación explicada = (b) Variación no explicada -ú)2 = (-0. Este hubiera sido el caso aproximado si el tamaño fuera más grande. Il ..::. Tabla. ne dada por 6r.77 )(U". = 1. Calcular (a) la variación explicada. REGRESION Y CORRELACION 28L 8.12 (o de la Tbbla 8-4.25. = 19. 8l CURVA DE AJUSTE.:: . del Problema 8.el 6812 de los puntos se encuentra entre las rectas.28 (véase hoblema 8.28 y 1.a) = =Q :y.ne?. cada una a una distancia vertical su.11 se muestra sólida en la Fig. = tpiLo (1. Utilizando los valores - a -0.22. Si los puntos están distribuidos normalmente respecto a la recta de regresión.un"J(v.40 pulgadas.476¡ obtenida en el hoblema 8..58).A)'. parecen estar sobre las rectas.cAP.82 -t. 8-11. se muestrana trazos en la Fig. Tenemos Uest de ú : 67 .. (b) Determinar el porcentaje de puntos de datos que se encuentren enhe estas dos rectas. + (2..) para 9 puntos (¡. Entonces el porcentaje pedido es 9l12 : 7 5d..

l2at2.4e88. obtener el coeficiente de correlación lineal para los datos del Problema 8.70 = 38. derivarel resultado (34).6 L. ¡o )¿ = 800 i.8 (c) Variación total : 2(a . = y -f.3 -1.02 1.69 u'a' a'2 0. aumenta a medida que r aumenta.3 -2. (a) coeficientededetermir¡ación = t = '1Hi1iáf*1"io" =m= 0. /i84s8)?58-3t Tabla E-16 = 0.16 6. REGRESION Y CORRELACION lcAP. Entonces 2r'a' 40.25.A)z = 19.92 10.7 0. Halla¡ (o) el coeficiente de determinación y (b) el coeficiente de correlación pa¡a los datos del Problema 8.3 -2.?0.68 2trtg'= 40.4 .7027.69 0.3 2.4 a'= tr'2 2.4 0.4 2.= EF.16 6.11.A.29 1. Por tanto se sigue el reeultado pedido. .69 22.92 0.7 -3.66 -0..22 + 19. 8.) asír--*2r'a' ffi (2x.7027 u 65 63 67 B4 a 68 66 68 66 69 66 68 66 r-t -t.-0v t'. 8.4 -0. prágina263.27.o.49 -2.16 2.34 \/G.16 o.26(b).:800/lZ = 66.4 ' 0.96 2.[bb tt 62 70 66 68 67 69 -4.09 10.18 0.y.89 13.82 4.6 .7 )y = 811 a = 8LUl2 2rt2 = 84.donde ¡2= variación explicada va¡iación no explicada 2b2r.2 /?r.29 18.92 = 67. Los resultados (b) y (c) pueden obtenerse por cálculo di¡ecto de la suma de los cuadrados. tenemoa &*br 6 Ulr¡= bx.3 4. El trabajo involucrado en la computación puede organizarse como se indica en la Tabla 8-16.92. Utilizando la fórmula producto-momento.76 1.3 0.68 5. Utiliza¡ los resultados del Problema 8.24.'.6 0.56 0.42 -1. pero negativa cuando /est disminuye a medida que r. del Problema 8.6 0.4F7q de acuerdo con el Problema 8.89 0.26.76 11. Entoncee.66 0. A partir del resultado general (30).= !0. para el coeficiente de conelación. y Ulst = U.28.s¿.7 1.62 1. utilizando A. E.z b22r.4 7l 67 68 70 -0.3 a-v 0.82 7.282 CURVA DE AJUSTE..= \Eá/ /rorl = \r¡.09 5.32 1. en el caso de regresión lineal. la conelación ec poeitiva y por tanto escribimo¡ r : O. página 264.' .7027 o con dos cifrar significativas r : 0.09 7. (la fórmula producto momento).)z \/ñtrW Sin embargo. La recüa de regreeión de mínimos cuadrado¡ de y sobrer puedeescribfuse 1lest= b = 2r.6 0.aumenta.7 1. la expresión para r tiene automáticamente el signo conecüo asociado.L2 7.y = EP.7 3. (D) coeficiente de conelación = r : tVñ7d58.f.34 2a'2 = 38.49 1. trt =r- E. Puesto que la varirable yn".36 68 il 'l .6 3.11. puesto que la'gt'es positiva cuando 3/ss¡ autnentá a medida que r aumenta.))' l) n'\ ¡ \) '\il t' jó -0.32 7t 0.

Del Problema 8.| ¿gl\/¿e¿\ 6 =(iiot/\al/ ' ¡=o'7o27 que está de acuerdo con lo¡ Problemae 8.30.a recta de regresión de y aobre r es u=olbx Análogamente. la recta de regresión de donde A=?I.11. Demostrar el resultado (17). . Utilizar el resultado del hoblema 8.8l CURVA DE A.29 para halla¡ el coeficiente de correlación lineal para los datos del hoblema 8. Demostrar que el coeficiente de correlación lineal viene dado por f= En el hoblema 8.cAP.31.28. 2(a-nlz = 2(rz-2rt*r2) = 2s2 . [.036 Enroncec rz = bd.26(D) y 8.>IY w@ : n2rA-(2r'l(2A) . REGRESION Y CORRELACION 288 8.11 (b) y 8.27 ee demoetró que (r) Pero | = -4={@ñ4 = >(x-el(a-il = 2(ra-Da-sú*eúl = 2uU-e2A-fr2ntnD! = 2ru-nú-nfro-lnn! = 2rg-nDfi 2xt = --E . 8. donde ¿=? rz r sobre y er =a*ilu 8y Entonces b¿t = 1g\ 1g) = \c"/\oy./ 8.29.nnn* v Entonces (I ) ee convierte en r(a-üz = 2a2 r : .(>aXIY) n :E Puesto que = (2rlln V'ú = (2Alln" Arúlogamente.2ñ2r 4 ntz (2112 2(2nl' ()r)2 = 2rz = 2r2 .476 d=ffi =1. págrna 261.TUSTE.11(c) respectivamente 484 ' ó=10fr=0.

31 para obtener el coeficiente de correlación lineal para los datos del Problema 8.636y'i-(0.n parabólic a entre x.3?43 (b) De Ia Tabla 8-9.) (42.33.30. como lo indica el hecho de que el coeficiente de conelación en (b) está muy cercano a 1.1 ¡..16.42) [(8)(2e1. i = (2U)/n = (46. y (b) sr.64 (á) Primer método.2z . supóniendo la relación parabólica obtenida en eI Problema 8. y? (a ) Utilizando los cálculos de la Tabla 8-9 y agregando que 2tt2 = 290. (c) Explicar la diferencia entre los coeficientes de correlación obtenidos en (c) y (b). I del Problema 8.40 8 = 1.33 (b). (b) Hallar el coeficiente de correlación no lineal entre estas variables.tal =ffi=0'9822 (c) El hecho de que la parte (a) muestra un coeficienüe de correlación de solo 4. De la Tabla 8-4 r= n2ru .40. 2(A . 8. Esto puede deberse a fluctuaciones aleatorias o a una variable adicional que no se ha considerado. Entonces la desviación típica de y es 8u= 2(u - ú\2 21. Ubtlizar la fórmula del Problema 8.9922 = 0.2)r][(8X2e0.n¡zi = -0. 8.16. y r =0'9911 var6eió. hay una muy buena relación no lineal dada por la parábola del hoblema 8. COEFICIENTE DE CORRELACION GENERALTZADO 8. Utilizando (a) y el Problema 8.32.01?g Por tanto 7.ú)2 = 21. (o) Del Problema 8.21(46. paralos datos del Problema 8. Entonces variación total = 2(A .78%de la variación total permanece no explicada.52) - (40." = ss\/T=F = 1.62.218 6 o. (d) ¿Qué porcentaje de la variación total permanece como no explicada por la suposición de la relacii.636 ó 1. 8 8.34.16.()¡X)z) (8oo)(811) (r2)(54. Sin embargo.3743 indica prácticamente ninguna relación lineal entre r.L071 = 0.26(b).11.33 (b).Oz variación explicada .4O De la Tabla 8-10 Por tanto t-= = l(g""t-Al2 = 2l.4'. variación no explicada va¡iación total (d) = l-r2 = L-0.2g y g. el error típico de la estima de y sobre I es B!. Hallar (a) s.ilz = variación explicada 21.99r1)2 = 0.284 CURVA DE AJUSTE. hallamos r= n2ru - ()¡X)r¿) (8X230.80.4)/8 = 5.20) - (42. (c) Hallar el coeficiente de correlación lineal entre las variables r. REGRESION Y CORBELACION [cAP..16. y.7027 como en los P¡oblemas 8.

os grados son enteros de 1 a n. z gería en general diferente del valor anterior. Derivar la fórmula de correlación gradual de Spearman (36).cAP. Ya que z se determina de ¡. z. ss t+2+.222-n22 48.88 Va¡iación total 2(z-2\2 .33' variación no explicada = 0.22 8.139 . y I va. viene a3: s?+r?-2rs¡ads"sv .*n @l_ryz n*l En = mientras que la varianza es sf.88 = 629.52.218 ó 0.36. *n2 n n(n*r)(2n*11/6 2 n2-l t2 utilizando los reeultados 1 y 2 del Apéndice A.4L4\2 + "'+(68-65'920)2 = 258. = 12-82 = 12+22*. Utilizando el Problema 8. ¡ sobre y.I i son las desviaciones entre las graduaciones. REGRESION Y CORRELACION 286 Utilizando el Problema 8. CURVA DE AJUSTE. vemos del Problema 8. al y el coeficiente de correlación entre grados por * - s2¿.218 6 0. dada en térrninos de e2r. que Para obtenerlo. ! ¡ el grado dado al j'ésimo valor de y ' [. Sea rr: el grado dado al j{simo valor de x.16 y el cálculo adicional 2gz 8y. Análogamenüe. y estamos interesados en el coeficiente de cor¡elaeíón múltiple de z sobre x. el coeficiente de correlación de ¡ CORRELACION GRADUAL 8.-. y. esbturas).. Entonces si d¡ : r i . Explicar córno determina¡ía un coeficiente de correlación múltiple para las variables en el Problema 8.pl.25 Variación explicada Enüonces - 258. tenemos 2a2-a2a-b2ra-c2n2a = 0.L2(62. la varianza de las desviaciones.l'ciñexptñat.35.76)z = 888'26 = 888. la mediaú ylavarianzasf sonigualesa(n l)12 y (n2 L)ll2 respectivamente.19 Variación no explicada = 2(z - zo"tl2 (64-64. [¿ media de r.8l Segundo método..37 Coeficiente de correlación múltiple de z sobre x. pág¡na 264.a = = 299. AquÍ estamos considerando n valores de r (por ejemplo pesos) y n valores correspondientes de y (por ejem.22 Tercer méüodo.19.@ "" = 0'8418 = !ffi = thffia Debe mencionarse que si fuéramos a considera¡ la regresión de eobre y.

6 3 8. 6. 10. 4. ordenadas en forma a¡cendenüe de magnitud.66.6 7.2 24 = Entonces rgrad= t-#!T = t-ir#?u = 0. 9. 66. 8 (r) h¡ecüo que 7 = fgrad = eZ+sT-af.6 1 11 6 8. 6. %. tor \-"rttd- "3 - e¿.5.6.5.rz)/n y (l ) ge convierte en 7')/12 W @2 - * (nz 6>d2 . 6.6 1.6 10 3.(J) y (4).6. a los lugares 8 y 9 ae les asigna el orden 8.6 7.6 11 . le. 70. 2.37. AsÍ. a las e¡tatura¡ de loe padres ee les aaigna los órdenes (2) (3) dio de 7 . 12 De igual forma. 66. REeRESIoN y coRRELAcIoN lcAP.5.l\ltZ . La Tabla 8-17 muest¡a cómo l0 estudiantes fueron clasificados según su rendimiento en el laboratorlo y en teoría de un curso de biología. 66. 67. 10. 6g. les asignamo¿ w orden meg [(6 + z + + 9) / 4 .6 3. 7. 69.7.38. 69. 7l y puesto que los lugares 6. 64. Tbmbién se incluyen dz y 2dz.(2d2)/n = L-nfu2] 8. ?. 1.6 10 t2 7. d d2 -1 -2 -1 1 1-1 I 1 3 I I I 2-L 4 1 -1 1 4 2d. 69. la Tabla 8-B se convierte en Tabla E-19 Graduación del padre Graduación del hijo 4 2 6.6. Tabla 8-18 Diferencias de puntuacionee. 11. 8 y 9 repreeentan la migma estatura (68 pulgadas). las estatura¡ de los padres eon (r) 62.11 y compararfos rezultados con el coeficiente de correlación obtenido por otros métodos. 6?.6. 69. 63. 8.6. 9. 71 Puesto que en esta ordenación loe lugares sexto y r*éptimo represenüan la misma estatura (6? pulgadas).c asignamos a estos doe lugares un orden medío de 6. lac estaüuras de loe hijos ordenadas en gentido creciente son 66. Hallar el coeficiente de correlación gradual. 1¡ (t) y (2). 6g.8s45 indicando que hay una relación entre el rendimiento en laboratorio y teorfa. 3.5.6. Análogamente.6. 3. 66. 3. 66.7.6 1. 70.6. por tanto las estatu¡as de los hijos quedan ordenadas @ Con las correspondencias 1. 69. 11. 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.s" 0.6. 69. Calcular el coeficiente de correlación gradual para los datos del Problema 8.286 Entoncee cuRvA DE AJUsrE. 6?.5 l.5.6 t2 5 7. 6.7.

-ffi!\ = 0.6 -1. 8.26 6.5 3.Fy = p(r . lo+zo¡a. los cómputos de d2 y I¡ )d se mue¡tran en la Tabla 8-20.8l CURVA DE AJUSTE.25 1. .26 L2.6 1.px\ ^t u\ox) | Debe notarse la semejanza de la demostraeión anterior para poblaciones. con la correspondiente para muestras.v)l + Gv-Ft'x-o)2 = "? * F2oI . REGRESION Y CORRELACION diferencia en graduacionec d. Y es l\r'a) : (a | f.25 2. .?466 que concuerda muy bien con el valor r = 0.2Boyy r (py ."l Igualando estas ecuaciones a cero. ) La función de densidad marginal de X es f{r) = [.zBEl(X-pi(Y -¡. Tabla 8-20 -3.dlz} = El(y -pv)21 + BzEl(X-r. La función de densidad conjunta de las variables aleatorias X.ú2 E(X .5 -1.26 1. los resultados para muestras tienen resultados análo- gos para poblaciones e inversamenüe.px) * (pv . 20. utilizando esperanzas. halla- tv = ol Ftx Por tanto si g . = f. utilizando sumas.00 2.}j'2l.40. (b) X sobre Y. íE = dF Denotando la última expresión por F(c.(r+2y) 0<n<7.9px.pvl .5 1.a* pr entonces A .0=Y<L {o deotraforma Hallar la curva de regtesión de (c) Y sobre X. lo cud es una condición necesa¡ia para que F(q.r.5 -2.P¡x.60 rgrad = t-#!T: .26 L2.0 ü 12. p) tenemos AF u = mos -2(pv zBoi - 2oxv - 2px(pv .26 12. 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 .26(b).6 -3.o*t¡ . INTERPRETACION PROBABILISTICA DE REGRESION Y CORRELACION 8.cAP.Fpx.0.a) ó Fok = o*v a-tly="4tr-u*) A-Py - /'.6 3.25 2.px) .7027 obtenido en el Problema 8.F) sea un mínimo. E(Y .P(X .rv) = 0. Derivar (39) a partir de (37). En general.25 6.Fpx.ol.00 d Entonces 2iP = 72.6 2.5 -1.25 2.0 1.39.

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

szs=!2.43)' y n: !2 1 r/o t r--- . sr. .Of Ae que el coeficiente de regtesión de la ecuación de regtesión poblacional es tan bajo como 0. 8.136 y 0. En eI Problema 8.'=o Í"'=o. = {". Hallar los límites de confianza del 95'.nfi162\/28/Bz4 -0. sx: 2.r: L.42..42. En el Problema 8.o+zul)arav =1 3 .9b Con un ensayo unilateral de Ia flistribucirin de Student a un nivel 0..q\I a.05 rechazaríamos Ia hipótesis de que el coeficiente es tan bajo como 0.e5: 1.11 = -l/162/.8I 6..'lW\" . ot : ". (¿) La recta de regresión de Y sobre X es + oXY "+@ . (+) ó a -i : - ür I x) ó -.- 2.40.11. de los hijos cuyp son 8.cAP. Y ltr-2 donde 37e : 85.4?6 r6 (Problema 8.2 = l0 grados de libertad) vienen dados por 95?iparap(obteni.t / ó (b) La recta de regresión de.B4o confianza del 95% de que 6 se encuentra entre 0.-..lrv1l_z=-. 1/ .180 si ú ) ú.2: LO grados de libertad.o1f. 8l CURVA DE AJUSTE. Escribir las rectas de regresión de mínimos cuadrados de (a) Y sobre X.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 8.0 pulgadas' puesto qu€ t s7.82 + O. REGRESION Y CORRELACION 289 (e) xY = Entonces Í.476B-b t=r.11).- = ..43.66 (Problema 8.180.81 para L2 .xY p = n-xÍ oxY oxoy = *-(s)(i*) = = - 1 162 0 -l/162 .22)y 1.0 y lb) 70. r8fl .45. 0.28.2U'L66 0'19916¡= = ya que eo. ¡rara ias estaturas yos padres tienen unas estaturas de (o) 65. Por tanto no podemos rechazar la hiPótesis.2\ o.28 (calculcda en el Problem a 8. se está en la ryHt\ = 0. hallar los límites de confianza d-ei 95'7.47G :t ' +('!!) t" / = 0.2g para 12 .82 + 0.. Ensayar la hipótgsis al nivel d-e significación del O. (b) X sobre Y para el Problema 8.X sobre Y es u-X = '\ av sX "('-i\ r-i( =$<a-rt oi ó r-Í = -#(r-#) TEORIA MUESTRAL DE LA REGRESION N E.66 del Problema 8'11' 8.:2.los Ií¡:rites de conftanza del 95oy' para --j:lq--.2 : 10 grados de libertad.4?6 t Vlo\' t/tz.r: L.43..á para el coeficiente de regresión del Problema 8.23 h es decir.44.losaleolocar t=lt.-- .11 se halló que la ecuación de regresión de y sobre x eray: 35. Loslímitesdeconfianzadcl F = b-+f+) ' \ñ4\82 I para 12 .476x.

se puede estar en la confianza del 96Vo de que las estaturas de los hijos están entre 63.47.rcontalquero -ñnoseademasiadogrande.Los métodos de este problema son válidos independiente del tamaño de n ó to .11.0. En el problema 8. es decir.t)2 : (65 .2óy6!2so.78. (o) Si.45(c)] los límites de confianza delg1l".Estoconcuerdaconlosresultados aproximados mencionados en la página 262.2 pulgadas.476 r6 (Problema 8./i=@0. TEORIA MUESTRAL DE LA CORRELACION 8.45(ó)] los límites de confianza del 95%.290 CURVA DE AJUSTE.05.s1t : 2.11). es decir.ss :7.01 8. los límites de conñanza del 95% están dados aproximadamente 8.80 pulgadas (b) Si 16 : 70.0.za\ = 66. los límites de confianza del 95% para Uo fo son = 2.8OOtl2r2 : 2.96sy.05.?6 pulgadas.E.? y 6?.23 donde y¡ : ffisv.32 sea considerablemente mayor que cero al nivel 0. REGRESION Y CORRELACION lcAP. hallar los límites de confianza del96% para las estaturas'medias de los hijos cuyas estaturas de los padres son (a) 65. 7.23 para 1 0 grados de libertad. ciertamente no podemos rechazarla al nivel 0.8 pulgadas.0 pulgadas se encontrarán entre 65.66 (Problema 8.O . y¡ : 66.Bb Sobre la base de un ensayo unilateral de la distribución de Student a un nivel 0.": 2. ' (b) Si re :70. Ya que t.75 para 18 -2: L6 grados de libertad. Entonces 66. o.05. Tarnbién. Un coeficiente de correlación basado en una muestra de tamaño 18 resultó ser 0. 35.SOO112)2 : 11.76 1 1. hallamos [comparar con el Problema 8.o¡ para n - 2 grados de libertad .1 y 7 4.09 pulgadas.07 pulgadas.05 utilizando un ensayo unilateral de la distribución que de Student. = t.48. (o) (ó) Puesto que no podemos rechazar ) 0).0 pulgadas se encontra¡án entre 67. hallamos [comparar con el hoblema 8.1/l-z = = .6 pulgadas úo 0.46. los métodos muestrales son exactos para una población normal.0 y ?0.14 f es decir. /e : 69.14 + 5. se puede estar en la confianza de| g6% de que la egtatura media de todos los hi jos cuyas estaturas de Ios padres son 70.elgbVo de que las estaturas de los hijos están entre 64.14 pulgadas.' sr. es decir. rechazaríamosI/e si ú ) ú.sz\/ra-z : p l.05? A un nivel 0. se puede esta¡ en la confianza d.i¡z : (?O. t/6 al nivel 0.66.16 :65.05 y (b) 0. ¿Puede concluirse a un nivel de significación del (a) 0. de confianza del g5% son (ro . Porlo +1.45 pulgadas. se puede tener confianza de 95Vo que la estatura media de todos los hijos cuyas estaturas de los padres son 65.32. Nótese que para grandes valores de n. Por tanto no podemosrechaza¡I/6 al nivel 0.01 que el coeficiente de corréhción poblacional es apreciablemente mayor que cero? Deseamos decidir entre las hipótesis (Ho: g :0) y (llr t = .sz).48). Entonces los límites de confianza del 96Vo so¡ 69. el valor mÍnimo de n debe ser 032{n - 2 r/i -to.11.8 los límites (o) Si 16 : 65.0. También (x¡ .?6 a 2'23 es decir.?6 t 3.7 y 70. ¿Cuál es el tamaño mínimo tal de una muestra para que podamos concluir que un coeficiente de correlación de 0.69.0.0 pulgadas.82 + 0.6 pulgadas.0 y (b) ?0.

pa¡a n=2g.s2\/ñ/\Flfu2p.96oz = 1. t=0.51.60.16131og(++*) /r r-\ \r-'l / *t.75.7L.Portantopodemos rechazar la hipótesis de que el coeficiente de correlación poblacional sea üan pequeño como p: 0.05? o.49.50.50./ = 0.05 utilizando un ensayo unilateral de la distribución normal rechazaría' mos la hipótesis solamente si z fuera mayor a 1.tJ2:1. Dos coeficientes de correlación obtenidos de muestras de tamaños nt : 28Y rtz:35 se cdcularon como rr : 0.CURVA DE AruSTE.6.:) = oz= La variable tipificada ee Fz = r. a un nivel de significación del 0. 8.0e86 10.!613*(=. z = t.92.66.05? zr = r.?1.2182 = 1.r5tz'""(+l-&.72.L6rt*(=.4904- = 1. n=26.5606.64 y por tanto n: 25.L613 logS:0.Hallarloslímitesdeconfianzadel96% paraeste coeficiente. los límites de confianza d.6932 0.69.7L.2182:L. ¿Podemos rechazrir la hipótesis de que el coeficiente de conelación poblacional sea tan pequeño como (a) p (o) : 0.) 0. Entonces el tamaño mínimo de la mueetra ean:28.rsr3 loc\t -. Puesto que r : 0.(-) \r P. t--032\r26^tr=@ = 1.o.B0eb #*#= Fzrl. ú. t.5493y2:(0.r¡rlb*'. si Si pz Fz /r +"\ = l.49 y 0.80 y n = 21. ¿Hay una diferencia considerable entre los dos coeficientes a un nivel de 0. (b) p : 0.) nzr-2.sz\/rLtt/l-(u32Y = 1. = Deseamos decidir entre las hipótesis = 0.4620 Entonces ¡t2 tiene el intervalo de confianza del9SVo.5606.r6r3t"" o. v =26. Un coeficiente de correlación basado en una muestra de tamaño 24 se calculó era r : 0.50 y tz : 0.e155.28 A un nivel de significación del 0. L {zt - = Z-pz oZ 0. Por tanto no podemos rechaza¡ la hipótesie de que el coeficiente de correlación sea tan pequeño como 0.s5=1. El coeficiente de correlación entre las calificaciones finales de fÍsica y matemáticas para un grupo de27 estudiantes se calculó era0. v =24.28z (ff3*3) = o.rrro.unrr. 8.94.64.=L. Por tanto los límites de confianza del 95Vo para p son 0.s|= l.s0(-/l1 \ \y'n_B/ = 1. v=26. (b) Sip:0.9730-0. t.60. 8.9r : 1. para n=27.s|= 1./ 0.0. t .266e = 0.30 respectivamente. (Hs p2r= Fzrl I (Hi Fzr* .5366' p = = L.el 95Vo püa pz vienen dados por Z=L.5493)/O. p : 0.80.50 a un nivel de significación del 0. REGRESION Y CORRELACION Para un número Pa¡a infinito de grados de libertad.b4es.9730 0. t. zz: r.50.05.5366 a 1.

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-(#)(#)] =

ParalosdatosdelProblemaS. (b) SolucionarelProblema 8. para obtener las ecuaciones de las rectas de regtesión (¿) ó a-u='!w-nt.926 y r = 0.5+E#9 = ú . Tenemoe 8"".61.60.9) -69.. s!.66.60.0) x-?0... 8l CURVA DE AruSTE.e). 8xv 160. = ¿yt/Ti-rz = = a"t/T7rz = f¿. (b) Í sobre y para los datos rr+qW = 64.v ts. en tanto que su covari¡nza es 160.0 = (b) 6 r-ü='?o-o¡. (b ) r como Ia va¡i¿ble dependiente.cAP.. 8y r-70.s6oy'1:107686)á Problerrra. Entonces utilizamos ( I 6 ).5¿8 8.66 8.0 y 14. 0.uo+qY: 145+q'qfrEq = u= De los resulüado¡ del Problema ?o.hallar(o)losvalore$deycuenda x=6. De la Tabla 8-30 tenemos. r a 3 6 6 8 911 234668 8. Escribir las ecuaciones de las rectas de regtesión de (c) y sobre del Problema 8.20 G&r'-áiÉfutB = o'7686 que concuerda con r hallado en el Problema 8.o 8. = L4. REGRESION Y CORRELACION 299 Por tanto las desviaciones típicas de las calificaciones de matemáticas y fÍsica son 14. Utilizar los resultados del Problema 8.rlos RECTA DE MINIMOS CUADRADOS Tabla 8-31 8.62. 0.64. página 261 . (a) (bl Ey.0=A+##€?!)@-70.?686. para los datos del Problema 8.7t9(u-69. (b) sr.0=q9ff##q(v-6e.64.966.65 utiliza¡rdo el resultado de la parte (c)' .a guplementa.x=L2.0).. Representar gráficamente los datos y las rectas de mínimos cuadrados utilizando el mismq conjunto de ejes coordenados.9 = 8. a y-6e. r.61 a. Calcular los ertores típicos de la estima (c) er.64. = 13.9 respectivamente.gZfy'f - (OfOg6P = = 9.(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. Ajustar una recta de mínimos cuadrados a los datos de la Tabla 8-31 utilizando a (a\ x como la variable independiente.60.2. E.63.e Ge.934 s.821(o-70.

(D) Hallar la recta de mínimos cuadrados que se ajuste. utilizando a y como la variable independiente.u. REGRESION Y CORRELACION [cAP. o + bx r a 0 1 2 ó A 5 t) ¿x?alos datos de Ia Tabla 8-3¡t.72. 12 . utilizando a r como la variable independiente.300 CURVA DE AJUSTE.I 3.ID 80 ?8 93 86 65 72 87 91 7L 98 95 68 84 89 tt 82 80 72 74 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. 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. y : t 8. 8 t.a los datos. y. (o) Representar gráficamente los datoe. u (mi/h) Distancia de parada d(p) 20 54 30 40 138 50 60 70 90 206 292 396 E. 54 42 30 .71 rrcstrar c6mo una gráfica en papel semilogarítmico puede utilizarse para obtener la ecuación pedida sin emplear el método de los mínimos cuadrados. (b\ Estimar z cuando a to 90 10 72 .6 9.73. ¿cuál es su puntuación esperada en física? (e) Si un estudiante obtiene una puntuación de 95 en físice.(b)Ajustarunacurvademínimoscuadradosdelaforma !=abxalosdatosyexplicarporqué esta ecuación específica da buenos resultados. Alustar una parábola de mínimog cuadrados. (d) Si un estudiante obtiene una calificación de ?5 en álgebra. (a) Representar gráficamente d. (c) Comparar los valores de y obtenidos de esta ecuación con los valores reales.6 21.8?. Tabla 8-36 Velocidad. (c) Hallar la recta de regresión de írínimos cuadrados de ¡ sobre y. ¿cuál es su puntuación eeperada en álgebra? Tabla 8-32 Algebra (c) Física (y) . (o) Representa¡ loe datos en papel semi-Iogaritmo. z. (d) Estimar el valor de y cuando r : J. 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. En el Problema 8. con Ia escala logarítmica para yr la escala ariü- méticaparar. [.3 14. (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r.2 5. (c) Hallar la recta de mínimos cuadradoe que se ajuste a los daüos. (o) Hallar la ecuación de regresión lineal de mínimos cuadrados de e sobre x. y. (b) Ajustar una parábola de mínimoscuadradosdelaformad:oIbu*cuzalosdatos. 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. I : o t bx * cx2 I Tabla 8-37 REGRESION MULTIPLE E.y:6.a Tabla 8-37 muestra los 3 6 o n 8 t? o t4 valores correspondientes de tres variables x. Con referencia a Ia Tabla 8-33. Escribir las ecueciones normales para la curr¡a cúbica de mínimos cuadrados dada por dx3 . (o) Construir un diagrama de díspersión.t--10. El número y de bacterias por unidad de volumen pres€ntes en un cultivo después de ¡ horas viene dado en la Tabla 8-36.70.74. o^ 2.?1.(c)Estimardcuandou:45mi/hy80mi/h.68. (d) Representar gráfioamente las dos recta¡ de regresión de (b) y (c) sobre el diagrama de dispersión de (o).

68(b) v (c ).68. Hallar el coeficiente de correlación entre los dos nuevos conjuntos de valores.t3. (ó) Determinar la recta de regtesión de mínimos cuadradoe de y sobre r. Calcular (o) sv.64.88. 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.74.60. Hallar (o) sy ".z .86.! . en E. (c) Estimar la pre- sión sanguínea de una mujer de 45 años. Multiplicar todos los valores de y por 3 y restarles 15. El 8.75 para solucionar el Problema 8. (b) $.00.76. los dos conjuntos de calificaciones de los exámenes del Problema 8. " para los datos en el Problema 8. . y. (b) Problema 8.81.7 7 a(r-¿l+b(u-úl o.85. (b) sr.90. yesr:0. y puede escribirse como z-2.E2. y tiene la form¿ z = A 1.3E 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.eL2 mujeres. y es 0. (o) Hallar elcoef¡cientede correlación entre E. (b) la va¡iación no explicada datos del Problema 8. REGRESION Y CORRELACION 301 8. Hallar los coeficientesde correlación para los datos del (o) Problema 8. (c) la variación explicada en y para los 8. Tabla 8-39 x a 2 4 5 6 811 18t210875 . Hallar la covarianza para los datos del Problema 8. Si sv. (b) Multiplicar todos los valores de ¡ por 2 y sumarles 6. D. ERROR TIPICO DE LA ESTIMA Y COEFICIENTE DE CORRELACION LTNEAL E.i=10. 8. (o) Hallar el coeficiente de corre' r.50.E4. 8.cAP. ú=20. (b) r sobre y. 8l CURVA DE AJUSTE. (o) Calcular el coeficiente de correlación entre los valores correspondientes de r.80 para hallar el coeficiente de correlación entre los dos conjuntos de calificaciones de los exámenes del Problema 8.89.67.76. Utilizar 8.60.68 (a) dircctamente. halla¡ r.8f .81 u 8. Calcular (a) la variación total en y. (b) utilizando la fórmula s¡s = rs¡sÍ y el resultado del Problema 8. y dados en la Tabla 8-39. Utilizar los resultados del Problema 8. 8. y obtener exptesiones para los coeficientes de regresión de mfnimos cuadradoe el resultado del hoblema 8.86. Tabla 8. ¿qué porcenüaje de la varfación total pennanece no explicada por la ecuación de regresión? 8.79.38 lación entre muestra las edades r y la presión sanguínea y d. y. E.7t. sr:2. (b) Obtener eI coeficiente de correlación directamente de las pendientes de las rectas de regresíón del Problema 8. Demostrer que la ecuación para regresión lineal de z sobre r. ballar las ecuaciones de la recta de regresión de (o) y sobre x. La Tabla 8..r.68. ¿Hay al' t.8?.¡.= 3y ss : 5.y para los datos del Problema 8.68.= E.68 utilizando la fórtnula producto-momento y comparar con el resultado del Problema 8. explicar por qué se obüiene o no el mismo resultado que en la parte (a). Si el coeficiente de correlación entre.EO. r. 8.Br * Ca I Dr2 * Ery * Fyz Obtener las ecuaciones normales para los eoeficientes de regresión de mínimos cuadrados.Sis"=1. coeficiente de correlaciónentredos variables¡.82.

(D) X eobre Y para el hoblema 8. t. COBRELACION GRADUAL E. página 52. Obtener el coeficiente de correlación lineal para el hoblema 8. D. H de acuerdo con sus preferencias. Doa juecec en una competencia debían clasifica¡ a 8 candidato¿ A. Il¡llar t.8.99. Halla¡ la recüa de regesión de mínimoe cuadrados de (a) Y sobre X.98. y para lo¡ daüo¡ del Problema 8. Tabl.lOS.8. variación toüal es erplicada por la ruperficie de regreeión? (b) ¿Quéporcenüajedela Demostra¡elresultado (27).5g ufilizando el resultado (35).y.84. ble¡ aleatoriac independientes? Explicar. La función de den¡idad conjunta de las variables aleatorias X.74. (b) X cobre Y para Ios datos del hoblema 2. estudiar una posible deeventaja del método de conelación gradual.gus observaciones en (o).paraelca¡odeunaauperficiederegresiónlinealparazsobrer.96. REGRESION Y CORRELACION [cAP.págirra52.68 v (b) Problema 8. G.rOO. Hallar el coeficiente 264.92. (c) el coeficiente de conelación generalizado.302 CURVA DE AJUSTE.lol. ¿Ocurren algunae simplificaciones en la¡ curvas de regresión Ce Y sobre X ó X sobre Y para el caso de varia- . t.a) = [2r+3a Io o(c(L'o<Y<2 de otra form¡ Ilalla¡ la curva de regresión de (a) Y sobre X.99. Hallar el coeficiente de conel¡ción lineal para la¡ variableg aleatoria¡ del Problema 2. Halla¡ el coeficiente de conelación gradual y decidir eobre el acuerdo de loe jueces en su8 eleccioneg.102. (b) X eobre y. H¿ll¡rlacurvaderegreeiónde(a)YsobreX.94.74. Mostra¡ cómo se puede diseñar un coeficiente de correlación múltiple.¡ 8.página 263. de conelación para las variabie¡ en el hoblem" g. C. 8.96. Y con E. t. 8.97. F. lo¡ resultados se mueshan en la Tabla 8140.4O 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.104. Y viene dada por f(r.90. (b) De. INTERPBETACION PROBABILTSTICA DE LA REGRESION Y LA CORRELACION E.99. Da¡ un ejemplo para demostrarcómo hallaría (a) el error típico de leestima. B. Hallar el error típico de la estima de z ¡obre ¡.(b)XaobreYparalosdatosdelhoblema2.93. t.106. t. (o) Hallar el coef¡ciente de correlabión gradual para los datos del Problema 8. en el ca¡o de do¡ variablee aleatorias X. tls[a¡ la recta de régresión de mínimos cuadrados de (a) Y robre X. t.96gina 52.(D)larvariacionee explicaday no erplicada. E. t. página t. (o) Calcular el coeficiente de conelación múltiple pars los datos del hoblema 8. el coeficiente de correlación gradual para loa datos del (a) Problema 8. I COEFICIENTE DE CORBELACION GENEBALIZADO E'91. y\.s.lo6' función de densidad conjunta (o función de probabilidad conjuñta) f(x.

84. Verificar los coeficientes (5).f-(1 -r2)s. (b) tan grande como p : 0. Un coeficiente de correlación basado sobre una muestra de tamaño 27 se calculó como 0.0 + 2.05. Sobre la base de una muestra de tamaño 27 se encontró que la ecuación de regresión de y sobre r era t = 25.(b\ 99% para y cuando ¡ : 6.(b)99%paralamedia'detodoslosvaloresde y correspondientesa¡ = 6.116." = 1.00.tes t?.110. (b) ta presión sanguínea de las mujeres de 45 años. hallar los límites de confianza del (c) 95%. EnelProblemaS.111.10? hallar los lÍmites de confianza del (o) 957o. Yvie' nen dadas por 2:r .1 "l$- c2) 20.00. (Sugerencia: Suponga quer' = noi c1r.10?. y'es eI mismo que el entre. 8. 8.c2 soll constantes arbitrarias.121.00 ¡. y). 8.80 y 0.l0?hallarloslímitesdeconfianza d. (b) 0. A' = llo * c2y.115.50.123.tu] tan-'L rfti + si) -l E. En el Problema 8. para la recta de mlnimos cuadrados.8. ¿Podemos concluir a un nivel del (o) 0. (b) 0.(b\99% pra el coeficiente de regresión. (c) la media de lae presioñes sanguíneas de las mujeres de 45 años.70. . (b) tan alto como 2.I22.cAP.01.109. 8. a un nivel de significación del 0.\ es independiente de Ia elección del origen de las variables o de Ias unidades en que se expresan.114 si el tamaño de Ia muestra es 52.10? ensayar la hipótesis de que el coeficiente de regresión poblacional 1.sx = 3.5a = 3. Hallar los límites de confianza d. 8.d'. Hallar el coeficiente de correlación lineal.20. Las rectas de regresión muestrales de mínimos cuadrados para un conjunto de datos involucrando X.50' ¿Podemosre' chazar la hipótesis de que eI coeficiente de correlación poblacional es (o) tan pequeño como p : 0. Demostrar que el cóeficiente de correlación - g. que el correspondiente coeficiente de correlación poblacional es considerablemente mayor que cero? E.!l = 2. Demostrar que el ángulo entre dos rectas de regresión muestrales de mínimos cuadrados viene dado por . página 260. DemostrarqueparaelcasoderegresiónlinealelvalormÍnimodeE'{[]'-(o*¡lX)lz. Hallar los límites de confianza del (a) 957o. 8l CURVA DE AJUSTE.95 respectivamente. Solucionar el Problema 8.114.ypuedeexpresarsecomo il2 -:.60 de una muestra de tamaño 28. REGRESION Y CORRELACION 303 TEORIA MUESTRAL DE LA REGRESTON 8.113.01.* : 8.30. Demostrarqueelcoeficientedecorrelaciónentre¡. utilizando un nivel de significación del 0'05? 8. ConreferenciaalProblema8.11?.hallarloslímitesdeconfianzadel 9fleparafo)elcoeficientederegresiónde y sobre r.01.00 y ñ = 7.?0.40. es (o) tan bajo como 8.S4.60. demuestre que el coeficiente de correlación entre r'. ¿Podemos concluir a un nivel de significación del (o) 0.el(o)95%. donde r¡¡ !/6¡ cl¡. 8. Un coeficiente de correlación basado sobre una muestra de tamaño 35 se calculó como 0.108.112. En el Problema 8. Si sr.05. TEORIA MUESTRAL DE LA CORRELACION 8. E. .(b)997oparu un coeficiente de correlación que se calculócomo 0. que hay una diferencia significativa en' tre los dos coeficientes? RESULTADOS DryERSOS 8.118.l19.el 95% para el coeficiente de correlación calculado en el hoblema 8.211Ú 8. 8. Dos coeficientes de correlación obtenidos de muestras de tamaños 23 y 28 se calcula¡on como 0. 5r .

6 I 10.2 Fuente: Bureau of Labor Statistics 8.41 ESTATURAS .7 114.4 I14.304 CURVA DE AJUSTE.1 25. 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. El período base es de L94? 1949 : 100.1 t 10. (b) Br.8 114.1 114.5 por mayor 103.5 r14.8 8.L25.L24.8 111. 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 . Hallar los límites de confianza del 96% pára el coeficiente de correlación calculado en el hoblema 8. E.0 113.(ó)Estimar los pesos de doe hombres cuyas estaturas son 64 y ?2 pulgadas respectivamente. 210-225 I . 8ü 8É ¿Es el resultado válido para regresión no lineal? 8. Con referencia a la Tabla 8-43: (o) Representar gráficamente los datos.l2S.3 I 10. 8.y para loa daios del hoblema 8.2 r20. 8.8 111.r. (c) Calcular los valores de tendencia y compararlos con los valores reales.125.8 102.3 1r 7. Demostrar que para regresión lineal 4 = +. 8. Hallar (o) s". REGRESION Y CORRELACION [cAP.2 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 101.126. f¡¡ 32 20 t2 q . (d) Predecir el Índice de precio para la asistencia médic¿ durante 1958 y compararlo con el valor verdadero (L44. - Tabla 8-42 Año Indice de precios al consumidor Indice de precios al 99.4). Tabla 8.127. (e) ¿En qué año podemos esperar que el índice de costos médicos doble el del 194?1949.129. (ó) Hallar la recta de mínimos cuadrados que se ajusta a los datos y construir su gráfica.5 116.130. Ilalla¡ el coeficiente de correlación entre las estaturas y pesos de 300 adultos dados en la tabla de frecuencias siguiente.128.6 L19.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) . (o)HallarlarectaderegrecióndemínimoscuadradosdeysobrerparalosdatosdelProblemaS. 19 5 o (t) e.2 t23.

REGRESION Y CORRELACION 305 8.¿) donde .136. Demostrar que si 9(r) = E(Y \ X = c) entonces EUY - É(x)1'!) = E{LI'- o(xl¡z¡ + Ells(x) - q(x)l.5 23.134. Demostrar el Teorema 8-2.3 16. si Ia hay. ¿es g(r) única? Explicar.9 17.6 Fuentet Department of Health.7 21.9 ¿ind 1935 1940 1945 1950 1955 24. Tabla 8-44 Año Natalidad por cada 1000 habitantes 1915 1920 7925 25. (Sugerencia. 8. (c) Calcular los valores de tendencia y compararlos con los valores reales. Estudiar la relación. (a) Representar gráficamente los datos.132. Y variables a|s3fs¡i¡s con función de densidad conjunta (o función de probabilidad) f(x.8l CURVA DE AJUSTE.6 23. En el Teorema 8-1.l35.131. 8. Con referencia a la Tbbla 8-44.0 1030 18. Education 8. Sean X. E.9 Welfaie 19.¿(r) es cualquier función de r para el cual estas esperanzas existen. Demostrar el Teorema 8-1. página 265. y).132).133. del Problema 8.' Utilizar el Problema 8. .cAP.132 para variaciones explicadas y no explicadas. 8. (b) Hallar la parábola de mÍnimos cuadrados que se ajuste a Ios datos. (d) Explicar por qué la ecuación en (b) no es útil para propósitos de extrapolación.página265.

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

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

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

vemos de (23) qrr" 33 puede ser mayor eü€ o2. TABLAS DE ANALISIS DE VARIANZA Lo! cálculos pedidos para el ensayo anterior se resumén en la Tabla 9-2. Total.9l ANALISIS DE VARIANZA 309 DISTRIBUCIONES DE LAS VARIACIONES Utilizando el Teorema 4-4. que se denominatabla de anólisis de uarianza. Teoremag-3: E] estadístico tad. va : b)1nt. Se deduce que un buen estadístico para ensayar la hipótesis -EI¡ viene dado por 3.3 r""igual a c2 independientemente de si las medias son iguales o no.- ¡¡z Ao s6 = o-1 u6 86 -_ s. con 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. pág¡na 116. esto es. (10) y (11).13¿. el cual es una consecuencia del Teorema 5-8. o el método corto. es decir. Si este estadístico es considerablemente grande podemos concluir que hay una diferencia significante entre las medias de tratamiento y así rechazamos f[e. página 161. de (I9) y (20) cabe esperarse que S.cAP. Pa¡a utilizar este estadístico debemos conocer su distribución.1) grados de liberbad./o2yV/étienen la distribución chi-cuadrado con ¿ -1 Tenrema y ab - 1 grados de libertad respectivamente. ENSAYO ¡ PARA LA HIPOTESIS NULA DE MEDIAS IGUALES Si la hipótesis nula . a-I. Por otra parte..)2 . V6 y V.-f. . Vt. en tanto que el Teorema 9-2 sólo es válido si se supone f/0.u/o2 tiene la distribución chi-cuadrado con o(b .a(b-L) j a\o _ l) grados de libertad a : a-L+ ut = )(er¡.: u uu. Debe advertirse que los grados de libertad para la variación total. Tabla 9-2 Grados de Iibertad Enüre tratamientos.ab . De otra forma podemos o aceptar lfe o reservarnos el juicio dependiendo de análisis posterior. Teorema 9-2: Bajo la hipótesis nulal{0. po{emos demoshar los siguientes teoremas fundamentales relativos a las distribuciones de las va¡iaciones V. y luego calcular u.1. Es importante ¡ecalcar que el Teorerría g-1 es válido si se supone o no I/s . si las medias de tratamiento no son iguales. siendo el efecto más pronunciado a medida que la discrepancia entre medias aumenta. (3) y (8).Ffs no es cierta. Esto viene dado en el teorema siguiente. 9-1: V. es igual a la-suma de los grados de libertad para las variaciones entre tratamientos y las variaciones dentro de tratamientos. En la práctica calcula¡íamos u y uo empleando eI métódo largo.

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

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

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

!') 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.lc (ú - l)(ü --1) rt1 ar* u" = )(r. El modelo viene dado por X ¡xt = ¡. el Teorema ANALISIS DE VARIANZA 313 9-5: Bajo la hipótesis H[L). la columna o bloque h y ala repetición /..1) (b .1) grados de libertad. niveles de significación especificados./S. Más información considerando los factores puede a veces obtenerse repitiendo el experimento. Debido a la repetición debe utilizarse un modelo apropiado para remplazar el dado por (35). Bajo la hipótesis H'oz'el estadístico 3. Análogamente para ensayar la hipótesis I1[!) consideramos el estadístico ^3ySg. Pa¡a obtener esto denotemos por X¡o¡ la variable aleatoria correspondiente a la fila o tratamiento j.cAP.V"/n2 tiene la distribución chi-cuadrado con b -1grados de libertad. Para ensayar la hipótesis I1./o2 tiene la distribución chi-cuadrado con c . 'L' - u. (¿ -l)(¿r-t) grados de libertad Entre bloques.1) grados de libertad. cambios apropiados pueden hacerse cuando los números de repeticiones no son todos iguales. Bajo ambas hipótesis HÍ.tt y Ht2'. En tal caso habrá más de un valor correspondiente a un tratamiento dado y a un bloque clado.1 grados de libertad. L'. una tabla ^ análisis de varianza puede construirse code mo se muestra en la Tabla 9-5.IMENTOS DE DOS FACTORES CON REPETICION En la Tabla 9-4 sol¿rmente hay un '. ¿. * . Teorema 9-6: Bajo la hipótesis ll[. .*-r)! EXPER. Tabla 9-5 Entre tratamientos.I y (c . Supondrerfios que hay c valores para cada posición.r) el estadístico si.!'. uc = (t>(tA-j)r b. Las distribuciones ¿" .1) (b . El teorema nos permite aceptar o rechazar H3" 6 H3'. úe = l'Total. como en el caso de factor uno. s c-ls .l. > (J'j - :L)2 a-l i | 3l ' -ra--1 con cr .r * Fr * 7.1 y (c .l¡^i¡l v ^3yS: vienen dados en el teorema siguiente análogo al Teorema 9-3. (a-1)(l¡-l) con grados de libertad Residual o aleatoria. página 312. Bajo la hipótesis H[.1. proceso conocido como repetición.e./S3 ti"n" la distribución F con s . V.u I' lir.'alor ccrrespondiente a un tratamiento dado y a un bloque dado. Por conveniencia.1 grados de libertad.V/o')tiene la distribución chi-cuadrado con ab . ti"n" la distribución Fcon b . .

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

etc. Caso I.9-l .9-l Fig.o) y-H<2. Utilizaremos este procedimiento alterno.F' de 3?/S3 de la Tabla 9.j'z) utilizando las relaciones . 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. utilizando hs íelaciones F de G?liZ v 3:63 reópectivamente como se muestra enlaTabla9-6. a cuatro bloques escogidos completamente al aza¡. Sin embargo. Esto produce una tabla factor dos con valores singulares. Por esta razón muchos estadísticos recomiendan que se ensayen I/é'.cAP. En lo que sigue damos algunos ejemplos importantes de diseño de experimentos. Supóngase que tenemos un experimento agrícola como en el Ejemplo 9. 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. 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 . Dos casos poóibles se presentan.r A B c A C B A c C" Dr Au B6 Cuadrado Compleüa aleatoliedad Bloquee aleato¡ios Cuadrado latino Fis. El propósito de la aleatoriedad es la de eliminar varias fuentes de enor tal como fertilidad del suelo.6. Completa aleatoriedad. Il[3) puede rechazarse.F de 33/0? V GfBi en cambio de esas dadas en la Tabla 9-6.1. El procedimiento se ilustra en el Problema 9-tr3.l) + ab(c . 1. 9. Luego podemos ensay4r H. DISEÑO E)GERIMENTAL Las técnicas de análisis de varianza discutidas anterionnente se emplean despuós de que se han obtenido los resultados de un experimento. Il[r) no puede rechazarse. y l/. Las diferencias en los factores serían impgrtantes solamente si fueran grandes comparadas con tales interacciones.1). C. Pa¡a üseña¡ tal experimento podríamos dividir el teneno en 4 X 4 = L6 parcelas (indicadas en la Fig.2 Fig. indicados por . (a .los detalles de un experimento deben planearse cuidadosamente con anterioridad. que pueden analiza¡se como en la Tabla 9-5. En este caso podemos concluir que las interacciones no son muy g¡ánAes.4.1) (b . para ganar tanta información como sea posible. 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. D. B. y utilizando este valor para remplazar el denominador 3! en el ensayo F. 9-1 por cuadrados. esto es l3*= 0 I{:}): No hay interacciones entre tratamientos y bloques. esto es oj = 0 I{2): Todas las medias de bloque (columna) son iguales. En este caso podemos concluir que las interacciones son considerabtemente grandes. aunque físicamente cualquier forma puede utilizarse) y asignar cada tratamiento. Caso II.9-3 grecoJatino Fig. página 306. 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. Esto se denomina a veces como diseíw del experimento.

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

.k )(rji-zx.2(b) en el tercer renglón y el Problema 9. el ANALISIS DE VARIANZA 317 g. Hallar (c) el rendimiento medio para los diferentes tratamientos.oi-ziri+ñ2) utilizando el Problema 9.]..2. (c) la va¡iación total.k / r'\2 rl rS/rl-zrJ.) r:r tenemos K por Ia parte (c).zr>ti.r-r): i.k abúz )"i = j.k .j=lk=l 'i ) )'¿r.ijk+ñ2\ = i.3. (d) la variación entre tratamientos y (e) la va¡iación dentro de tratamientos.4.-¿)t )¿i = i.'*\ u u.18 49 48 50 49 51 50 .k = )rr¡.2(o) en el último renglón.t) = )(¡. -'#(abt) * r o b oo abñ2 u i--l 1qt J !s-2-1: b i:r'i Finalmente (12) se deduce del hecho de que u ab utilizando eI Problema 9. Verificarque(o) (d) r: úbÍt(b). + abú2 i.r b bI 1.cAP.k . (b) la gran media para todos los tratamientos.D6 I ab¡z s-? -4 ab =. . riedad de trigo cultivado en un tipo particular de suelo tratado con químicos A. B.u ó un -.¡. : abñ. Utilizar el método largo. Análogamente = )(¿. Verificar las fórmulas cortas (10)-(12). La Tabla 9-7 muestra los rendimientos en hl/ha de una cierta va- A B C . Tenemos página 307.It - 1'b' Tabla 9-? 9.=brj. = 't)61't).18 49 50 47 19 . )1rc = ))*r* r = abt 9.utilízandolanotaciónenlapágina307.2(o) en el tercero y último renglones anteriores.. )r¡. i'k f¡*" .(c) ?'.k 2r@br\ aü*: )"'n = j. (b) (c) Puesto que 7j.2x)r¡¡ I i.. o C.-!+abEz -* í.

f B+4+6+b+b¡ = Así la gran media para el conjunto original de datos es 45 * 4 : 49 hl/ha. = b)) (é) Variacióndentrodetratamientos Otro método.¿): + (4 -4):¿ + (6-4)2 + (5.4)2 + (4- + (2 -3)2 + (4-3)2 + (:J-U + (5-4¡r + (4-4): 3)2 + (3 .Tabla 9-8.96podemos techazar la hipóüesis nula de medias iguales al nivel 0. [cAP. 3 0. Entonces obtenemoe los datos de la.4.u = 14-8 = 6 (cl. obtenidog al sumar 45 a éstos.05. 4l(4 .conut:2yu2:9. de significación del (c) 0.01? Tenemos con-o Con referencia al hoblema 9. B. -¿).05.4)! + (3 .5. . por ejemplo 45.¿. = !4(B+4+ 5+4. = lae+A+3*B) = 5 3. ¿podemos rechazar la hipótesis nula de medias iguales al nivel - 1 : F=$=h = 3 6 - L : 2ya(b . Por tanto los rendimientos medios. (a) (b) ? 3 9.1): 3(4-1) : I grados delibertad.: i(4+6+5*5) = respectivamente. (o) ConreferenciaalApéndiceF. hallar una estima insesgada de la varianza poblacional oz de (c) la variación entre tratamientos bajo la hipótesis nula de igual medias de hatamiento. eon 49. Con referencia al Problema 9.)2 t. (b) la variación dentro de tratamientos. = ) @¡¡-E¡. (b) 0. = o.yemosqueF.@ir-E)2 = (3-4)r + (4-4)x + (6-¿)¿ + (4. de todos los datos sin afectar los valoree de las variaciones.5)r + (d--5)! -l (5-5)r + (5-5)r 412 9.¡.318 ANALrsrs DE vARTANZA Para simplificar la aritmética podemos restar algún número apropiado.4.4)2 + (5 -.g)r + (4.4)2 + (4-4): + (3 . Variacióntotal 4 =.4)'.4¡:: * (3 .k = (3. i. =.Puesüoque^F :6)F.4)2 + (2 . Tabla 9-E e (a) por Las medias de tratamiento (fila) para la Tabla 9-8 vienen dados respectivamente rr. C (b) (c) . ¡r.:l = = r'.26. = i(B+4-f b+4+2t.. 48 y 50 hl/ha para A..¡.6. 1 = 4.95:4.4): + (5-4¡: =14 ((l ) Variaciónentretratamientos = tr.41-B.

9 o(b-1)=(3)(3)=9 gradoe de =14-8=6 libertad 9. el ANALIS$ DE VARIANZA 319 (b) ConreferenciaalApéndiceF.cAP.Pue8toqucF=6(F. (o) Tenemos 2r¡?r=9+16+26+16 t'k +4+16+9+9 +16+56+26+26 También = 206 = 3+4+5+4 +2+4+3+3 +4+6+6+6 =48 1) Por tanto = a"?--# : . Tabla 9-9 Gg=f. = 4 +6+5*5 = 20 r = 16+12+20 = 48 Luego D6 1s-.6:8.9no podemos techazar la hipótesir nula de medias iguales al nivel 0.02.conur:2!uz:9.=2+4+3*3:12 rt.4 ba'i ab 1 i062+t22+202) 0w: (^8\: te.06-S8t = (b) Los totdes de las filas ¡on 206-rsz = 14 También rl.?.vemoaqueF.n) = : 2oo 6 _ tg2 = E (c) D-Qb:14-8 .O1.4.2/3 n con 2.= Dentro de t¡ata 0w=0-0b a -63 ^' ..4-9.6 ¡e muestran en la Tabla 9-9. I¿ tabla de aDáli¡is de va¡ianza para loe hoblemss 9. = 3+4+6*4 = 16 tz.a&-6 . Utilizar las fórmulas cortas (101-(12) para obtener los resultados del Problema 9. . .

por ejemplo 60.4 y a partir de este punto el análisis proce- 9'8' máquinas didiseñado para . = lrsoor --.?¡ Entonces = 2356 r. Tabla 9-12 J Í: ). La Tabla 9-11 muestra de unid s. 100 0 A 8 t2 15 3 -18 -7 -t 10 0 B C t2 0 -8 22 -5 T7 6 l5 60 3600 400 400 4ó00 D -12 4 1-34-10 6 -20 8 -l E t0 20 70 2r. de todos los datos para obtener la Tebla 9-12.ffi : - 245 := .rooo¡ . 16= = zs56-246 soo = zrrL (i55 I t.320 Es conveniente ordenar los datoe ANALISIS DE VARIANZA como en la Tabla 9-10. e t T: A B C 3454 2433 4655 16 256 t2 20 r14 400 ) s.ab6-1#¿. =48 ?t. = t4 800 7) = (zoe)r-9q): = u¡. 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.'r = 206 " = ?".(¡ti)] : ! Los resultados concuerdan con los obtenidos en el Problem a 9. de las máqui nas. de como antes. cinco operadores experimentados trabajan con las máquinas durante intervalos iguales. Tabla 9-10 T [cAP.

cAP.1456 =ZO I | =..u¡. 20 grados de libertad tenemos F .87 .)! ¿'.u-1) = 5(4) rA = I l "u ?'. MODIFICACIONES PARA NUMEROS DESIGUALES DE OBSERVACIONES 9. Es conveniente restar Tabla 9-14 Muestra 1 . .r (2 5):r -l. Por tanto no podemos rechazar la hipótesis nula a un nivel 0.9.108 406 408 un número apropiado. Utilizando el método largo..t0i Muestra 2 Muestra 3 11 409 401 406 408 405 .ru r También podémos obtener 72 -- 36 .f)r!-i tÍf -f)): r t.05.05.102 410 . (b) 0.. Entonces tenemos . La Tabla 9-14 muestra la duración en horas de las muestras de tres tipos diferentes de tubos de televisión fabricados por uná compañía.-i. las medias de grupo o muestrales y la gran media.01.(i -5r2 .01 si hay una diferencia en los tres tipos. ". ?t¡ = 655 tratamientos.(8 _ 8l: - .1 .". lógicamente tampoco la podemos rechazar al'nivel 0.i = Gran 8 media = 84 1t En esta tabla hemos indicado los totales de fila. ensayar al nivel de significación del (c) 0.ss: 2.r.¡r .)rr¡(..-¡. y obtener la Tabla 9-15. directamente observando que es igual a (7--9):r-(11.. ANALISIS DE VARIANZA 321. .fti'k ¿rr. Tabla 9-13 Entre tratamientos.l-5rr -. el Formamosla Tabla 9-13. u.8 (5X4) t: Pata 4. 7):+(11 -?)2+. Tabla 9-15 Total Muestra 1 Media 9 7trI 4 27 8 5 2 Muestra 2 Muestra 3 6 25 32 5 10868 .-+(8-7)z = 5): 72 -= J'K )(t.18-512: rl¡--5rr . por ejemplg 400.)(r.(10 8r: I í8 __ 8)r -i rG 8): -1.-i)z -3(9 ' - 7\2 36 ! 5(7 + 4(8 -- 7)! = 36 ..^.2lIl I ab-I=24 I W = tz.

rg.7 45 8. e Variación Grados de libertad Media de cuadrados F D¡=36 a-7=2 n-a=9 io. Soluciona¡ eI Problema 9.(25)2.322 ANALISIS DE VARIANZA f.8 6.0 5. De la Tabla 9-15.8 o.2 Calculamos los totales de fila y medias de fila. CLASIFICACION DOBLE O EXPERIMENTOS DE DOS FACTORES 9. como se indica en la Tabla 9-18. + 62 +8r-Q|2 = 72 a6 = ?t-. Tabla 9-16. so:. 12t nB=4. Por tanto podemos rechaza¡ la hipótesis de medias iguales (esto es.-. La Tabla 9-17 muestra los rendimientos por acre de cuatro go.11.05 pero no al nivel 0. Tabla 9-16 [cAP.2 7.96 : 4..:25.=27. .4 uru so'- 18 = 36 G1=?9=4 = 4. n=12. Tabla 9-1? Cosecha cosechas de plantas diferentes culparcelas tratadas con tres tipos diferentes de fertilizantes..?. las medias de columna y la gran media.26.99 : 8. ¡=84 = + iL2 + .9 utilizando las fórmulas cortas incluidas en (24).=32.10.01 si (a) hay una diferencia significativa en rendimiento por acre debida a los fertilizantes.2 ñ"¡'. ninguna diferencia en los tres tipos de tubos) al nivel 0. como también los totales de columna.6 7. ensayar al nivel de significación de 0. Rt=3.9 6. = 19= 1g 5.5 Enüonces para 2 y 9 grados de übertad hallamos del Apéndice F que F. Utilizando el método lartivadas en Cosecha I Fertilizante A Fertilizante B Fertilizante C u Cosecha III Cosecha IV 6. F. Por tanto ! = n2=5.9.os datos pueden resumirse en la tabla de análisis de varianza.02. I 5.(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. 9.8 9. (b) hay una diferencia significativa en rendimiento por acre debido a las cosechas.4 7. = = 36 (27)2.01. 12. 72 t1. (25) V Q6l.

: Esto conduce al análisis de varianza en la Thbla 9-19.6 .8)2 + (?.6.4-6.6.3 5.6.0 33.7-6.ocz Al nivel de significación de 0. .05 hay una diferencia significaüiva en el rendimienüo debida a los fstilizantes.2 2t.0 Gran total 22.8)2 + (5.0-6. Fq.2 23.32 U: Va¡iación total (4.4¡z a (6.7 8.yaque 6.6 grados de libertad.8 7. Tabla 9-19 6.5 6. 64 7.r.8)21 = 13.3 Gran media 6.08 ue : Variación aleatoria = Lt .0 7.4 7.S¡z a (7.9 columna Medias de 19. 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.8)2 + (5.5 6.8)z] = 2.8)2 -1 (9.9 = = 81.5 18.9 .0 .8 9.24> 5.8 Media de fila 6.05 con 2.8)2 + (6.8)2 + (6.9 -6.9 68 5.6 oi = t.14.8)2 + (8.8 .2 Fertilizante A Fertilizante B Fertiüzante C Totales de 4.8 -6.S12 -'.zt gl: 2.8 : Variación de medias de fila con respecto a la gran media = 4U6.14.3-6.6 columna u.6 7. el ANALISIS DE VARIANZA Tabla 9-18 Cosecha 323 I Cosecha II Cosecha III losecha IV Totales de fila 24.7 -6. .6.68 u" : Variación de medias de columna con respecto a la gran media = 3[(6.4-6.cAP.58 F =G?/C?: a.:5.2 8. Entonces.8)2 + (5.5-6.6.podemos rechazar la hipótesis de que las medias de fila son iguales y concluir que al nivel 0.3 .6 ¡'=0"2/i3=0.2 -6.8)2 + (6.8)2 + (8.4¡z * (7.2 6.8¡r+ (7.6 5.2 .2-6.r.8 .86 gl: 3. (7.6.8)2 + (5.8)2 = 23.7 5.6.5 -6.

G8 = *>t-"ti = |trozs.82 = 6..rol rt . Efectuar un análisis de varianza para ensayar al nivel de significación del 0.96 S-z Sro (24.324 ANALISIS DE VARIANZA las fórmulas cortas para obtener los resultados del Problema 9.6)¿ = 2274.ut - bb4.S¡z a (6.8+33.t2.2.08 = uc Lnezln.2¡z (19. móquina y lurno.6 = (4.88 2.08 de acuerdo con el Problema 9.88 ab = 23. 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. - 13. Los días de la semana se pueden considerar conro réplicas o repeticiones del rendimiento de cada máquina para los dos turnos. : lcAP. .82 11 = = 23. D en la producción de tornillos.6 : 577. C.. Un productor desea determinar la efectividad de cuatro tipos de máquinas A. Nótese que para cada máquina se han indicado dos turnos.9)2 = 1673.zu 'üc bb4. + 24.24 ¡ (22.11. En esta tabla se indican los dos factores principales.05 si hay (c) una diferencia en las máquinas. 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.2+23.2)2 ¡ + (33.88 = = 18. B.2)2 (27-O'¡z r.13. 554.5)2 + (18.n¡z (5.10 Entonces s-2 j* tt'r^ 12 ab = vr 1s-r-t' 577.2)2 81.68 .96 bj'j. Los resultados se indican en la Tabla 9-20. e 9. (b) una diferencia en los turnos.k )"i T a . Utlizar Tenemos de la Tabla 9-18 i.58 EXPERTMENTOS DE DOS FACTORES CON REPETICION 9.(23.11.

6 : 66. Estos se ordenan en la Tabla 9-22.6 = 51.1 Si reetamos de la variación subtotal u.)' + qq -ld. móquino y turno.(41)2. (38)2 ""--6-5 . (119)r_eqq\2 ? 40 - _ 180s.5 .4 Para considera¡ los dos factores principales..0c = 65.S . _124)2.b .-.6 La variación enhe filas üene dada por (zee¡z 40 a' = (54)2 (85)2t' (6.2 .4 variación total para la Tabla g-22.6-51.3.S . (32)2..0 'tt" = --ñ. viene dada por -..6 rov = 8.1795. Esta viene dada por * u" ) obtenemos la 0i = 0"-D¡.6 - 1?9b.6 = 1b0. 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+ . la suma de las variaciones entre filas y columnas (u. (30)2.ro ro 10 La va¡iación entre columnas viene dada por (zgq)' 40 = 1846.5 = 1861.0-8. que llamaremos variación subtotal u". concentremos nuestra atención al üotal de los valores de repetición correspondiente a cada combinación de factores. (31)2. variación debida alasinteroccion¿s entre las filas y columnas.?_1?e5. 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 [. + 72 +L02-W = 1946- 1?95.b --5 .¡2912. ZO - (126\2. que es una tabla de dos factores con valores simples.1 = 6.cAP. (44)2.

u¡ = 6.6 + 84. 7 (3 + 1): 3. lo cual indica que la interacción no ee significante.61.! : Sgradosdelibertad.entantoquelavarirrcióndebidaalae 2columnastiene 2-L= Estas va¡iacionee se indican en el análisis de varianza.4 Para continuar debemos determinar primero si hay alguna inüeracción significaüiva entre los facüores básicos (es decir. Eeto resulta en a" = Q-(or*o"*o¡l = 7). vemos que F para las fila¡ e¿ 6. Entoncee ya que F calcul¡do para lascolumna¡es 8.06 no hay diferencia iignificativa entre turnos. ce debe a interacción. Para l. Para hallar loe grados de übertad debidos a la interacción obeervamoe que hay 8 valores en la Tabla 9-22. eeto es.:6.. Po¡ tanto el total de gtadoe de libertad es 8 I : 7. columna e interacción (ee decir.65 para el denominador de F en la Tbbla 9-23 no afectan las conclusiones alcanzadas anteriormente.05 podemos conclui¡ que las-máquinas no son igualmente efectivas.Ya que hay 40 valores en la üabla original 9-2i el total de gradoe de libertad es 40 1 = 39. podemos rechaza¡ |a hipótesis flllr ¿" la pógina 315. se halla reetando la suma de variaciones füa. filas y columnas de la Tabla 9-22). Esto es equivalente a decir que al nivel 0. que conduce a unava¡ianzacombinadade gL. Al usar este valor en cambio de 2. .6 : 84.06. 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).o Columnas (turnos). Por tanüo los grados de libertad debidos a l¡ va¡iación residual o aleatoria ee 39 7 : 32. Puesto que 3 de esos 8e deben a filas y 1 a columna¡. Aef.3 y 3 + 32: 36 respectivamenüe. 0' = 51'0 i? = tt.16. Esto esequivalenüe a decir que al nivel 0. - libertad cottespondientes a cada tipo de variación. I¡iabla también da el número de grados de Tabla 9-23 Filas (mÁquinas). Siguiendo lae reglas de la página 315. Tabla 9-23.8 : 91. el reeto. u= 150.o" : 150.5 G? = zltt Aleatoda o residual.8 1 grado de liberüad.81?.F nl: 2.326 ANALISIS DE VARIANZA lcAP. e Finalmente la variación reaidual. De la Tabla 9-23 vemos que pa¡a interacción F : 0. Si decidimos analizar los resultados combinando las variaciones residual e interacción como lo recomiendan algunos estadísticos. B2 grados de libertad podemos rechazar la hipóüesis ll.90 para B. D" = 84'8 Total.4-65.tr ¿" que lar fila¡ tienen ¡¡sdi¡¡ igualee.SfSe:2. la va¡iación subtotal) ¿L U variaóiOn tot¿l u.: 4. 0c = 8'1 Interacción. ya que hay 4 filas en la Tabla g-22La variación debida a l¡s fila¡ tiene 4 . hallamos para la va¡iación combinada y grados de libertad combinados u¡* u. Puesto que .42. 32 grados de liberüad Fn. no podemos techazt la hipóteeio l/[zt ¿" que las columna¡ tengan medias igualee.

Ia variación üotal y las va¡i¡ciones para filas.01. columnas y üratamientos se obtienen común y corrienüe.t: 4.06 : 329. 4 : 5443.r.' + (10¡z * (lT2 -@5Y 16 5769 - 6439.4 .01 no hay diferencia significativa en los turnos. de modo que podemos proceder más al. Ya que ¡'.5439.69 16 variaciónenrretratamienros = .94 Variación entre filas .47 para 3. 32 grados oe libertad y puesto que F para filas es 6.14.1)¡ ff +ff + ff -5468. A este nivel aún no hay interacción apreciable. B. 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. = T*ry*ry 5723.15. donde los números indican rendimientos en dkl por unidad de área.lá.e0 = 7.06 = 4.01 las máquinas no 6on igualmente efectivas.49.51 para 1.26 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 9-26.4 -.19 (2eS1z - 5439.l cAP. 32 grados de libertad y puesto que F para columnas es 3. C.05. el ANALISIS DE VARIANZA 327 9. Ya que F .05 y (b) 0.06 . concluimos que al nivel 0. D en el rendimiento de trigo. Un hacendado desea ensaya¡ los efectos de cuatro fertilizantes A.. También obtenemos el total de rendimientos para cada uno de loe fertilizantes como g€ muestra en la Tabla 9-26.06 : va¡iación entre (77\2 (74\2 (78\2 (71\2 columru lS=?rc= 4 .At-ril.13 si se utiliza el nivel 0. Solucionar el Problema 9.75 .01. podemos concluir que aún al nivel 0.19 - 5439.25 + ry .25 *9'{ -(fftr = 284. CUADRADOS LATINOS Tabla 9-24 9. Efectuar un análisis de varianza para determinar si hay una diferencia significativa entre los fertilizantes a niveles de significación de (c) 0. 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. 29. Hdlamos Va¡iacióntotal : o= (18)? + (21)2 + (25)2+'.

autos y caminos podemos emplear un cuadrado grecolotino.o :4. 4. 7. podemos concluir que hay diferencia entre fertilizantes. p.9 > 4. 6.76.05Ia hipótesis de que hay medias de fila iguales. 29.05 hay diferencia en la fertilidad del suelo de una fila a orra. i I}¡ 9.¡. Asignamos aleatoriamente los cuatro caminos que van a emplearse. Es de interés determinar si hay alguna diferencia en el kilometraje por galón entre las gasolinas A.19 Residuales. podemos aceptar la hipótesis que no hay diferencia enla fertilidad del suelo en las filas (o las columnas) al nivel de significación del 0.16.76. B. Puesto que el valor F para columnas es menor que 1. . D aleatoriamente a filas y columnas.328 ANALISIS DE VARIANZA El análisis de va¡ianza s€ muestra en la Tabla 9-27..69 Tlatamientos.. de modo que cada letra apatezca solamente una vez en cada fila y solamente una vez en cada columna. C. Tabla 9-28 CONDUCTORES 1234 B. 284.0 : 9.' I A. debemosconcluirquehay una diferencia entre fertilizantes al nivel 0. Puesto que se incluye igual número (cuatro) de gasolinas. D. denotados por o.01. e Filas.05. concluimos que no hay diferencia en la fertilidad del suelo en las columnas.78. cuatro autos y cuatro caminos diferentes.19 Columnas. Así cada conductor tendrá la oportunidad de conducir a lo largo de cada uno de los caminos. Tabla 9-2? lcAP. Diseñar un experimento utilizando cuatro conductores. 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. 4. (b) Ya que Fgo. Asignamos las diferentes gasolinas A. B.8? (o) Puesto que F er. Supóngase que los diferentes autos se representan por las filas y los diferentes conduetores por las columnas. Ya que el valor de. 11. sujetos a los mismos requisitos impuestos a las letras latinas.lJtiliza¡ el análisis de varianza para determinar si hay alguna diferencia significativa al nivel 0. CUADRADOS GRECO. Sin embargo. Un aneglo posible es el dado en la Tabla 9-28. Se deduce que al nivel 0.01. como se indica en la Tabla 9-28. 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). C.17. rechazamos al nivel 0.r.F para tratamientos es 4?. conductores. LATTNOS 9.

(59)2 . ó) Ga¡olinas: (62)2 4267.Ennueetro . Filas: a----l---4 (64)2 .60 = 6.6o-40e6 = ?. el ANALISIS DE VARIANZA 329 Prirpero obtenemos totdes fila y columna como ¡e indica en la Tabla 9-30. (81)2 . Tabla 9-31.os resultados se mueshan en el análi¡i¡ de varianza.4 . (52)2 .50 La variación total ee (1S¡z * (le¡z + "' + (16)2 + (2s\2 -e66\2 =' 'I | \-vt 16 16.60 I 4096 6.00 de modo que la variación debida al e¡ror e¡ 148. leüras laüinas y letras griegas cada una tienern 1 grados : 4.cAP. Dl Caminos: (o' P.1 para un cuadrado de n X n. 4 - (70)2 (256\2 16 Q6A)z 16 QAA¡z = 4112.4-T 4 . columnaE. utilizando el método corto. (61)2 . como eigue: Atotal: 15+16+15+16 = Btotal: 19+18+2I+ 23 = Ototal: .50 - 7. (63)2 .60 Columnas: .60 -4096 = 111. 7.00 deliberüad. Las filas.60 - 4096 = = 16. C. Tabla 9-29 CONDUCTORES Tabla 9-80 TOTALES Bf 19 ae Bc 16 1g 11 16 61 D6 16 cq 1¿ 65 69 62 70 By 19 ap 16 D6 16 cd 14 A6 t6 Ds cB TOTALES 14 L6 64 82 E{ cr lL BB 2l DB t6 A6 15 Bo 18 cy ll Bs 2r ao 15 De t6 c6 Af 86 16 23 68 Do 14 L6 c6 lL Dr L6 Ar 86 L6 23 Df As L6 63 cF 266 Entonces obtenemos los totale¡ para cada letra l¡tina y para cada letra griega. B. 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. (62\2 -. E número total de gados de übertad es n2 .60 ry*ff+ff+ry-ry 4 (16)'z = 4ros. (68)2 4 . -1--4(n-1)=(n-lXn-3). (61)2 4-4-4-4-16 4102.50 4244-4096 = 148.60 (A.00 - 6-50 - 11r.Portantolosgradosdelibertadparaelerroresn2 caso n f.

05 pero no al nivel 0. 7. e Columnas (conductores).-¡b-l ¡ es la varianza muestral para el tratamiento jr como que el tamaño de la muestra es b.s. donde Sf é define por (15).18. de Ia página 308. Por tanto podemos rqchazar lahipótesisdequelasgasolinasson igualee al nivel 0.". B. PROBLEMAS DIVERSOS 9.*-i. página 308].D). = F* e¡. = 9..C.50 2.26 Tenemos F.. 111. 6.¡z > + ) (x. Demostrar que > oj = 0 [(15). El tratamiento medias de la población viene dado por p¡ Por tanto ac = 9. b 3 (¿'-1"'\ -i---t\ b / = a(b . 6)..r.a:9.60 Gasolinas. (4.l)oz - . Capítulo 5.5.01. (b) la ecuación (I6).-*.so.tz = b j=r |Lo rEr' " ' ) = ¿!s? j=1 d.28 V F.500 :?*33=t.) = bj¿E(Si) utilizando (I6) del Capftulo 5.or. 5u. Entonces.50 Caminos (o' É' 7.= . J=r - =. (o) Poi definición tenemos v.3u*3" = op+\'¡ t=L i=l !:t' = (2p)/a.19. Derivar (c) la ecuación (17). ya E(v.s : 29.} .330 ANATISIS DE VARIANZA Tabla 9-31 lcAP. Se deduce que t=L )¡t* )"t j:r ' donde hemos utilizado la definición p )a.

8. en (I ) tenemos E(va) = b>[+*(¡. .+auxz l=r t=L ya que (f) (21 (.cAP.\12 lBlx¡12 E(xil : E(Xz) = Var (Í) + Pero ya que las poblaciones de traüamiento son normales. 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. ¿Podemos sostener esta conclusión al nivel de signifi cación del (c) 0. ¡úgina 161. el ANALISIS DE VARIANZA Por 331 (b) definición vt' = a ) 1*r. página 158: ( tr) var (5) =r Var(X) = # E(X) = p (i¡. Entonceo. más el reeulüado dd hoblema 9.13 supusimos que no existían diferencias significativas en las repeticiones. obteniendo u" . bSJ/o2 tiene drado con b .) (d) (7) E(Xj. puesto que las varianza¡ S! bn indep el Teorema 4-4. Por tanto lv(x.) = pj = p+ai Utilizando los resultsdos (2>(7).bgQ7z) Entoncee para cualquier variable aleaüoria U. P¡ra hallar la variación debida a larepeticiónutilizamoslostoüalegdecolumna cn la Thbla 9-21.Enloncex. los diferentes días de la semana. Demostt'ar el Teorema $1.) + a.01? Si existe alguna variación debida a las repeticionee se incluye en lo que ae llama el ertor re¡idual o aleatorio.+*i):-l -"ufLab J !+rr) " '' ) -LD aoz * b ) (p+ a¡)2 - o2 - s'b. esto es.19(o).-x¡z t=r aa a o = b>*i-2bx)x.. + > al - ob¡P (c--t)62 * b ) a.18. (b) 0. omitiendo el fndice de la euma.p6gitn 116.20..) / \ // /\/ ' = b>*?. tenemos dd Teoreme 6-4. E(U2) = Var (U) + lE(U)12.1 gradoe de libotad. que V-/o2 tiene dishibución chi-cuaüado cón o(b - 1) 9. Como ¡e indica en el Problema 9. = 84.2 9. con medias ¡t¡ y varianza común 02.P = (a-l)o2 * abp2 + zbp> ". Por el Teorema 5-6. En el Problema 9.t) X = ( )It. en la Tabla 9-23. página 309.05.-ab*z j=1 a.21. üenemos E(val = b>86?) var(i¡.

como se indica en la Tabla 9-33.¡r. .8¡r. .EIvalorenA¡."o = 11.Elvalorú¡¡.827 = 73. T. Sigñificados análógos se dan a E¡ ¡ ! r . Las siete variaciones en las que se puede dividir (1 ) vienen dadas por u = DA+ürJ+uc lTIAB *.. Finalmente d Existirá una uarioción total dada por (l) 1) = t. podetnos concluir que no hay variación significativa al nivel de 0. = 8'1 Repeticiones (días de la semana). (47)2 (50¡z -. sedenotaporxjkl. El valor f.1795. l---g 6.4)2 .8 114: ?8.t 2 @¡rt- ú)z que puede dividirse en siete variaciones.4 Puesto que hay 5 repeticiones. Tabla 9...32 Filas (máquinas).. C. .. Estas variaciones son entre clases del mismo tipo y entre clases de diferentes tipos (inúerccciones). el número de grados de libertad asociados con esta variación es b 1 : 4. g - (268)2 40 = 1807 . 8r. es la media de valores para las clases Il y C cuando Ar es constante.C{luposdenotadosporC¡.4 De la tabla vemos que el F calculado para repeticiones es 1.18.332 ANALISIS DE VARIANZA [cAP. es decir. Reproduzca la tabla de análisis de varianza a emplearse en tal caso. Las otras variaciones son las mismas a las de la Tabla 9-23.86.01) debi- da a las repeticiones. Ias conclusiones reliacionando máquinas y turnos son las mismas a las obtenida¡ en el Problema 9..0g.rpor denota la gran media.ú¡n< . Pero ya que Fe5: 2.. 9.4. e 1t=-+'re¡ (57\2 g (51)2 g . La interacción entre todas las clases se denomina como antes la uariación aleotoria o residuol.2g grados de libertad.k. es la Tabla 9-32. o. 0' = 0c 51'0 Columnas (turnos).7! parz 4. denota la media de valores en la clase C cuando A¡ y B:p se maitienen fijos.. teniendo en cuenta las repeticiones.22. los días de la semana no eon significativos.06 (y por tanto al nivel 0.u¡6.. denotados pot 41.6 = 11. Suponemos que la clasificación se hace en A grupos. denotadospor ejemplo.767 | -=0.. Ao) Barupos.*ucA-. I-a variación residual después de restar la variación debida a la repetición ea ue : 84. . La tabla final de análisis de varianza.C".4 3 Aleatoria o residual a'" | 2. Describir cómo se pueden utilizar las técnicas de análisis de varianza para clasificación triple o experimentos con los tres factores (con factores simples).

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

Demo¡tra¡ el resultado (30).06.27.01 si hay diferencia en lo¡ neumáticos. para el caso en que los 4úmeror de oba¿rvaciones dean CLASIFICACTON DOBLE O EXPERIMENTOS DE DOS FACTOBES 9. C. página 311. Para lleva¡lo a cabo. tres grupos de 5 estudiantes se escogen aleatoriamente.85 Tabla 9-86 9. El fabricante desea determinar ei hay una düerencia (o) entre operarior. II1.os a¡tículo¡ fabricados por una compañfa se producen por 3 operarios utilizando 3 máquinas diferente¡. Se efectúa un erperimento para determinar el número de artículos diarios producidoe por cada operario utilizando cada una de lac máquinas. (25) V Q6).O1 si hay una diierencia significativa en sus calificaciones entre Ssas asignaturas.25. donde cada tipo ¡e ha tratado en 6 automóviles semejantes asignando los neumÁtico¡ aleatoriamente.01 si hay alguna diferencia significativa en las marcas. Tabla 9. (D) O.334 ANALISIS DE VARTANZA [cAP.05. Durante un semestre un estudiante obtuvo las calificaciones indicadas en Ia Tabl.81. 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 9.06.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. vienen dadas (en miles de millae) en l¡ Tabla 9-36. página 310. 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 . 9. [. II. Determinar al nivel de (o) 0. Luego se da el mismo examen a todoe los estudiantes y oe obtienen las calificacionee indicadae en la Tabla 9-36. loa resultados se dan en la Tabla 9-39.a 9-38.29. Demostrar los resultadoe (24).28. D. (b) entre máquinas. diferentes. (b) 0. Ensayar a loe niveleg de (o) 0. Dar la informaci6n deseada utilizando un nivel de oignifi' cación del 0.26. (b) 0. 9. determinada de sus fibras.01 si hay una diferencia significativa en los métodos de enseñanza. Demostra¡ la¡ fórmulas cortae (3I fl34). I'z duración de log neum6ticor.24. Una compañfa deeea ensayar 4 tipos de neumáticoe A. Ensayar a loe niveles (o) 0. B. Tabla 9-37 I\[atca. Un profesor desea eneayar treg métodos de en¡eñanza I.06. (b) 0. 9. La Tabla 9-37 da los números de mill¡s al galón obtenido por autornóviles semejantes utilizando 5 ma¡cas de gasolinas.05.30. y a cada grupo se le enseña por un método diferente. prÁgina 311. Ensayar al nivel de (o) 0. e 9.

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.39.01.40 utilizando un nivel 0.12.41. varfan significati- aleatoriamen' 5 .36. (b) las clases de automóviles. y así sucesiva-E mente. la eegunda observación empleando una segunda clase especffica.05. los bloques). Suponer que el experimentg del hoblema 9. y así sucesivamente.05 si hay diferencias signifiéativas en (c) loe operarios.01.05 ¡i lo¡ rendirnienüos en bla 9-40. (b ) en los planteles.3ó r¡tilizando el nivel de significación del 0.38 al nivel 0. 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 . E 18 22 2L l7 18 24 g.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. SLOQUpS C D E IIIUIIV t2 15 15 19 L4 18 11 16 16 l7 10 t2 16 L2 11 14 11 12 16. Suponer que en el Prpblema g. (b) las máquinas.g2. Solucionar el hoblema 9. Tabla 9'4O TIPOS DE MAIZ bloque te a los hl/ha.8?. Ensayar al nivel 0.06 si hay diferrencia en (o) los tipos de neumáticos.01. Solucionar el hoblema 9. doñde los números in' dican 10 en el tope de los graduados. Ios réeultados se dan en la Tabla 9'41. el segundo a un estudiante de otro planüel. lo 77 9.06 de que hay diferencia en (a ) d método de en¡eñanza.26 el primer valor para cada método de enseñanza corresponde a un estudiante de un plantel especffico. Solucionar el hoblema 9. dUrante díae diferentee.24ltprirnera observación para cada tipo de neumático se hace empleando una claee espeiífica de automóvil.33. Solucionar el Problema 9-31 utilizando el nivel de significación del 0. roy"t al nivel de 0. Suponer que en el Problema 9. g. (b) la localización. Analizar el ex' pelinojo rubio Alto Mediano Pequeño 76 81 73 78 76 castaño 80 79 perimento al nivel de 0. Ensayqr la hipótesis al nivel 0. 9.06 ¡i hay una diferencia en (o) lor ferüilizantes. 9. Determinar al nivel de 0.40.01. a ^ B {amente con (o) las diferencias del terreno (esdecir.33 utilizando el nivel de significación del 0'01. \4 9. / y II.34.38. c Semill¡s de 5 tipos de mafz ee siembran en 5 bloques' Cada ue se asignan 0. (b) las diferencias en el tipo de maí2. ts Tabla 9-43 da el número de artículos produeidos por 4 operarios diferentes trabajando en dos tipoe de máquinas. Soluoiona¡ el Problema 9.g6. Tabla 9-41 9. el ANALISIS DE VARIANZA 335 g. en tanto que en un experimento semejante efectuado en el oe¡te da los resultados en la Tabla 9'42. EXPERIMENTOS DE DOS FACTORES CON BEPETICION T¡bla 9-42 A 9. B C 16 18 20 15 L7 16 2l 19 18 23 19 2l 23 20 D 9. 9.cAP.

miden las fortaleza¡ de los cable¡. L62 BB L45 cB 2t2 A6 112 86 Do An 188 Bq 167 c7 136 PROBLEMAS DIVERSOS 9. T¡¡ fq¡talezas promedio obtenidas se dan en el cuadrado greco-latino de la Tabla 9-4?.01 de que no hay diferenci¿ en (o) los fertilizanSe C8 At4 D10 Á10 c12 BL4 D16 D12 B11 811 Dt5 Á10 tee.45. Wz. t¡ Tabla 9-48 contiene los datos sobre el moho acumulado en hierro tratado con químicos A. D y las del cegundo por ü.LATINOS wr ^S. (b) colo¡ de pelo.44. Tabla 9. B. q D. Tabla 9. Efectu¡r un análisis de la varianza del experimento al nivel de significación del 0. Wt. 7. respectivamente.05 ¡i hay una diferencia significaüiva en rendimiento académico de los e¡rudiantes debida.05. É.48.44. donde lo¡ números indican rendimiento de maÍz por unidail de á¡ea. Tabla 9-44 efectúa un experimento para ensayar el efecto sobre el rendiniiento de 4 tratamientoe de fertilizanües A. Se obtiene el cuadrado latino. Ensayar la hipótesis a un nivel del 0. Cuatrotiposdecable?¡. e 9. Tr AB 164 c2 Bf 181 c3 ca Ay 193 193 207 166 c4 D6 160 T. 9. 9. (c) lugar de nacimiento. eetableciendo cualquier conclueión a que pueda llegarse.Cuatro operarior A. Efectua¡ un análisiÉ de varianza al nivel Q. ?a sefabricanporcadaunadecuatrocompañfas.05. w2 BB6 Dog ws Ao5 9. T3 T4 c6 t7l D. B. Sz S¡. Det¿rmina¡ a un nivel de 0.Ct. Con referencia al Problema 9.S4 Sr.05.46. B o C.01 si hay una diferencia significativa en los tratamientoc.Cz. c16 9. El aliñento se da a los pollitos ordenados en grupos de acuerdo con 4 peeos ini- Cr8 464 Dp6 D66 S" ce7 865 BrB c D3 Av6 cr6 9. D usando cuatro máquinas diferentes.05. (D) lae variaciones del terreno. 6.47. como se muestra en la Tabla g-46. Wc y 4 especies d-iferentes .4? c.Tz. B7 At4 Tabla 9-4ó c12 adicironal dando la sección donde naci6 el estudiante Eete. eetableciendo cualquier conclusión a que pueda llegaree. (ó) 0.as cantidades diferentes del primer compuecto se indican por A. Centro. Soluciona¡ el hoblema 9.C1 . Tabla 9-4t Alto Pequeño Mediano 110 95 Tabl¡ 9. Para producir un tipo superior de alimenüo pnra pollos.1. Ca.6 . BoG Dy l0 Ap8 c6 10 cialee. y de variaciones del teneno en dos direcciones perpendiculares.43 utilizando un nivel 0. [.43.336 CUADRADOS LATINOS ANALTSIS DE VARIANZA IcAP. Determinar al nivel (o) 0. W¡ .49 105 103 118 A B 3544 4233 6465 Lt2 10? 90 115 c 108 lr2 93 104 96 L02 . El aumento en peso por unidad de tiempo 6e da en el cuadrado greco-latino de la Tabla 9-46.Tc. C. B. . C.a diferencias en (o) ertatura. 4 cantidades diferentes de dos compuestoc químicos se agregan a los ingredientes bási co¡.r 198 D. o.38 euponer que introducimos un factor 876 c81 o73 Tabla 9-46 o78 E'76 c80 o79 c76 877 w4 CUADRADOS GRECO. St. Oes: te.

Suponer que los resultados en la Tabla 9-48 del Problema 9-48 son válidos para el noroeste.23 y 9. Veterano No veterano 90 85 Medio ril 78 I. Analizar la tabla al nivel de 0. Este Oeste Sur 88 84 86 Medio 80 78 82 Bajo 72 ¿o 9. 70 En el Problema 9-42. Un experimento mide el L Q. (3) y ( ). de estudiantes adultos de estaturas altas.40 suponer que un experimento adicional realizado en el noroeste produce los resultados de Ia Tabla 9-53. Con referencia a los Problemas 9.ó6.05 si hay diferencia en (o) fertilizantes.Q.Q.Q. 9. 9. Tabla A B C 9-52 Tabla 9'53 5463 3423 5746 AltT 14 18 Bl20 10 20 cl18 Dlt2 ¿'ll5 15 16 11 11 12 19 12 15 L7 11 14 9. Determinar al nivel (o) 0. ¿puede determinar si hay una diferencia significativa en el número de artículos producidos en los diferentes días de la semana? Explicar.01. Tabla 9-51 Alto 9. Bajo I. Determina¡ al nivel de 0. Solucionar el Problema 9. Tabla 9-50 Alto I. relativo a diferencia de estaturas. (b) los tres lugares. Se realiza un examen para determinar si los veteranos o los no veteranos de diferentes I.cAP. (b) la localización. página 372.05 si hay diferencias debido a (o) los químicos. página 312. Norte y centro 80 ¡D 79 g. En los cálculos de análisis de varianza se sabe que puede sumarse o restarse una constante apropiada dp cada valor sin afectar las conclusiones. rinden mejor' Los puntajes obtenidos se muestran en la Thbla 9-50. 70 9. (b)la ecuación@0). 9.53. Demostrar el Teorema 9-3.52 utilizando un nivel 0'01. (b) 0.5E. Derivar los resultados 9. t¿ Tabla 9-51 muestra los puntajes para una muestra de estudiantes universitarios de diferentes partes del país con diferentes I. Determinar eI nivel de 0. 9.61. Ensayar al nivel 0. página 312. Demostra¡ (o) la ecuación (37). medias y pequeñas.62.Q.05 si hay una diferencia en los puntajes debido a diferencias en (o) el estado veterano. página 309.54.60.Q. el ANALISIS DE VARIANZA 337 g. Demostrar el Teorema 9-2. Los resultados se indican en la Tabla 9-49.62.Q' 9. ¿Es ésto cierto si cada valor se multiplica o divide por una constante apro' piada? Justificar su resPuesta.5?.50.55. página 309. (b) la ecuación (38). en tanto que los resultados correspondientes para el oeste se dan en la Tabla 9-52.05 y establecer sus conclusiones. (b) I. 9.59.Q. .54 al nivel 0.51. Demostrar (o)la ecuación (39). 9.4g.01 si hay alguna diferencia significativa en los I. Solucionar el koblema 9.05.

Efectua¡ un análisis de va4ianza en el cu¿drado latino de la Tabla 9-64 a un nivel 0. 9. las repeticionec.68.01.69. e 9. En ln práctica.69.7 16 D66 Br7 Haga el montaje de un experimento que conduzca al cuadrado greco-latino de la Tbbla 9-55.67.06 y establecer conclusione8.66. lcAP.13? Justificar sus conclusione¡. Suponer que en el hobleme 9.62 utilizando un niyol 0. es decir. De¡cribir cómo emplear las técnica¡ de análisi¡ de varianza para experimentos de tres factore¡ con repetición. ¿es¡rer¡rf¡ encont¡ar un (o) curdrado latino de Explicar.65. 9.64. Montar y solucionar un problema que iluetre el procedimiento en el Problema 9.05 y eetablecer conclusiones.71. 816 FACTOB 2 c2r 823 416 AL8 ct4 Bt2 ct5 l á18 9. 0.21 hallamos una diferencia significaüiva en los días de la semana.63. 9. ¿Deberíen modific¡r¡e la¡ conclu¡iones obtenidas en el hoblema 9. 9. 9. 9.338 ANALISIS DE VARTANZA Solucion¡¡ el hoblema 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. 2X 2? (D) ¿un cuadrado greco-latino de 3 X 3? . Haga el montai dc un erpcrimenüo que conduzca al cuadrado latino Tabl¡ 9-64 FACTOR 1 de la Tabla 9-54. Efectuar un análisig de va¡ianza en el cuadrado greco-latino de la Tabla 9-65 a un nivel 0.

Apéndices .

.

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

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

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

0r 36 .3621 .0073 .2 3.7 2.22i5 .0002 .0863 .0010 .266I .l 163 .3847 .0006 .0940 .0180 .r023 .1 .0036 .0229 .9 .002I .0047 .0004 .0051 .1872 .0005 .12 .3144 I .0007 .0 .3391 .0020 .0079 .0014 .0031 3.0 1.3902 .0122 .1354 1.0055 .0003 .5 3.3989 .0833 .3187 .2323 .1 .2756 .0002 .0848 .0110 .8 2.0028 .72i6 .0488 .0529 .1895 .1057 .0540 .0129 .0551 1.0126 .3918 .3945 .0317 .2t55 .0003 .2897 .3989 .3939 .0154 .1334 .3 DA .1771 .1415 38 .010? .0104 .2396 .0909 .0252 .3778 .0478 .0290 .0013 .0002 .0213 .1 7.3802 .0058 .3572 .0022 .0063 .2850 .oI47 .I942 .2989 .0246 .6 o.3?65 .3961 .0498 200 .Dl éo .0019 .6 2.3637 .3101 .2565 .0008 .381 4 .1758 .0694 .0371 .0989 .0224 .000? .3739 .2803 .óooó .0009 .1315 .0088 .3538 .3 0.3332 .0332 .0002 .0113 .2516 .327L .5 2.0002 .0151 .0005 .0004 .0422 .2709 .2589 .0707 .0775 .2685 .0508 .16'17 .1781 .3352 .0003 .r295 .0004 .l lJf]4 .3503 .1127 .3683 .0005 .0009 .0012 .0804 .0003 .3 IA .0431 .r1f)7 691 .2 0.2920 . ¡ .3867 .0620 .0093 .0519 2.1626 .0277 .0925 .0 3.0303 .0189 .0116 .0878 .0003 .3555 .0339 oe OA .2059 .0297 .0818 .0065 .1 .2827 .1518 .1826 .3712 .0013 .0363 .8 0.0004 .3209 .3410 .0029 .0084 .3589 .2036 .0003 .0184 .0067 .1 .0016 .0264 .0005 .0608 .0011 .0046 .0449 .3230 .1 109 092 1.9 3.3984 .0096 .0044 .6 ¿.034? .0018 .3448 .225I .0002 .0235 .0101 .0050 .0025 .0002 .1.0139 .0026 .0036 .2732 .1219 .0017 .13 .01?5 .¡ 3.3521 .0310 .3166 .3725 .0060 .3251 .0734 .254r .0099 .0009 .0270 .1040 .u077 .2 1.2295 .3894 .3836 .39?3 .1989 .058.00I7 .1 .0001 .8 .3752 .0208 .l 2.0 0.0404 .0119 .1 804 .0002 .2t31 .0003 .1 .0006 .2 .0004 .2072 .0091 .0033 .8 I.2444 .1965 .0219 .01.3079 .3790 .0355 .3951 .3925 .0010 .0198 .1182 .2637 .0459 .28i1 .3011 .9 2.0037 .2317 .3429 .3697 .0034 .0283 .3485 .3292 .0006 0004 .0973 .0010 .1849 .3056 .3885 .0001 344 .0007 .3668 .0018 .2083 .0086 .0005 .0681 .0020 .3956 .9 .156 .0007 .0387 .3988 .3034 .0016 .24G8 .24!r2 .1 561 604 .0002 .0075 .0081 .0006 .0008 .0008 .2227 .2513 .0042 .0761 .1 tQ .0023 .3857 .140 .0053 .3605 .3977 .0025 .016:l .0071 .2780 .0468 .8 3.0056 2.Apéndice B Ordenadas (E) de la curva normal t ipif icada enz 0 I .7 0.0015 .0.r374 .0003 .3986 .0632 .237r .0014 .0002 3.0i21 .2t07 .0043 .4 0.0396 .3876 .0194 .1582 .6 l.1736 .5 0.0004 .0325 .331 2 3 4 D 6 7 8 o 0.0379 .1006 .0596 .0027 .1919 .0167 .1145 .1539 .1.0012 .0669 .0790 .0132 .10?4 .0573 .5 1.0258 .0069 .0002 .1669 .7257 .0003 .0040 .0039 .3372 .0002 .1435 .0008 .0061 .3970 .0957 .06{4 .0005 .0012 .2966 .0032 .2420 .2613 .07.3467 .3910 .:1825 .1 0.3980 .o024 .0158 .0241 .0562 .0038 .0ri56 .3982 .0203 .0893 .00r1 .0171 .3989 .0015 .2203 .3965 .0048 .0030 -0022 .3932 .0002 .0413 .

4993 .4554 .4920 .4940 .2 0.3621 .4999 .4961 .4995 .4115 .3686 .4452 .3849 .4582 .4949 .4989 .1 0.4996 .4948 .3962 .5000 .0040 .4999 .4964 .6 0.4656 .4999 .2996 .4989 .4960 .4999 .2088 .4965 .3365 .7 0.4999 .4778 .4t47 .3980 .4599 .1L62 .3810 .2580 .4773 .4978 .2967 .4838 .3944 .4994 .0438 .4192 .Apéndice C Areas baio la curva normal tipificada de0az 0 0.3708 .4972 .4998 .4 .4941 .44t8 .5000 .4999 .4974 .4991 .4979 .1664 .4904 .4980 .4608 .2 ¿-D .4463 .4032 .2852 .1 .43?0 .4995 .3340 .4099 r.4991 .4998 .2t57 .0696 .4959 .4664 .4686 .1554 .3665 .4738 .4999 .1103 .2734 .3869 .9 346 .3907 .3 1.4993 .4999 .6000 .2764 .2881 .2190 .3078 .)( 2.5 1.4 .4982 .4994 .4564 .4998 .48L2 .5000 .0120 .4977 .4306 .1064 .4429 .5000 .5000 .4798 .2673 .5000 .4999 .476t .1772 .4545 :4633 .L265 .2019 .4989 .4898 .4990 .4793 .1?00 .3023 .4998 .1480 .4909 .4999 .4918 .4803 .4929 .1141 .4999 .4997 .4995 .26L2 .467L .4117 .1331 .2823 .1736 .485? .4962 .4719 .4884 .7 1.0 2.4854 .8 3.0 3.4382 .4975 .4956 .0 0.4706 .4999 .4999 .4999 .4767 .4998 .4991 .4979 .4976 .4616 .2939 .4993 .3643 .4896 .1 1 2 3 4 6 6 7 8 I .4406 1.1915 .0832 .3531 .4987 .4821 .6 3.4981 .4357 .9 1.4279 .4834 .1368 .3926 .2454 ..3051 .4943 .2 D') 2.4999 .4999 .1987 .4998 .497L .4938 .4997 .7 3.3554 .3129 .4999 .5 3.4967 .0675 .6 2.3264 .3186 .0000 .4817 .4998 .4999 .4962 .4788 .0319 .4 0.4082 .4999 .4994 .3170 .4997 .4999 .4906 .4345 .4505 .8 0.4573 .4474 .07L4 .0754 .4953 .4990 .5 0.4999 .4864 .2549 .5000 3.4913 .4931 2.4996 .4969 .4996 .4911 .4207 .3749 .3 0.4292 A25L .4591 .0478 .3272 .4887 .4992 .3888 .1 .4699 .4992 .4967 .1517 .4966 .4394 .4998 .0398 .0948 .4951 .4996 .1406 .3289 .4932 .4999 .4649 .4986 .4968 .4878 .4999 .2794 .7 2.3133 .25t8 .3997 .4678 .4332 .4934 .4744 .0 1.229r .8 1.4999 .4995 .0793 .0636 .1ts26 .2389 .4945 .6000 3.3830 .4868 .3413 .4986 .4997 .{o9t .1 .0239 .4981 .2486 .4495 .3485 .0987 .4985 .4842 .4535 .3461 .4977 .4996 .4998 .0279 .4999 .48(.3790 .5000 .2704 .2357 .45L5 .0910 .2064 .4131 .2910 .4846 .4997 .4922 .9 2.4988 .4015 .4982 .4998 .4992 .4990 .4732 .4983 .3315 .4830 .4997 .4995 .2224 .4236 .1960 .1879 .4693 .4999 .1985 .4986 .0517 .4993 .4984 .4726 .3599 .4625 .4484 .1293 .2 1.4998 .4808 .4994 .4946 .4987 .2642 .0359 .1026 .1628 .444L .0199 .4997 .4963 4973 .4970 .4999 .066? .1179 .4265 .1591 .4319 .0160 .4998 .3106 .2422 .4525 .t443 .2324 .4901 .8 .4750 .4066 .487L .4992 .4999 .0871 .4222 .4881 .3438 .4772 .2t23 .4927 .4988 .4984 .4997 .1808 .3238 .4974 .2258 .4925 .4890 .4994 .4875 .3577 .4997 .4049 .4996 .() 3.tzt7 .6 L.4850 .3389 .4995 .4783 .4756 .4955 .3508 .3r 59 .0080 .4916 .4936 .1844 .4893 .4998 .4997 .

868 .L27 .694 4 6 6 .92 2.t42 .64 2.08 2.98 2.532 .534 .47 2.66 t.00 1. Stotistícal T¿bles for Bíological.62 2.06 2.92 2.863 6.t2 2.860 .563 ..861 .76 1.83 2.90 2.zs üeo tso 3.267 2.256 .71 t.sgs I .255 .33 .30 1.Apéndice D Percentilrr de (tr) l¡ di¡tribsción f de Student con z grador de libertad v úss ¿oo t.07 2.630 .42 1.t27 .t3 2.258 .L27 .685 .531 .71 3.846 20 I.688 .126 .96 4.67 1.57 2.66 9.864 .128 .80 1.539 .86 1.04 2.t26 .s.72 1. Edinburgh).17 3.131 .szs tse 31.257 .75 L.254 .04 2.683 .60 2.765 .76 2.876 .531 .88 2.?l 1.689 .83 1.82 2.978 .90 2.49 2.76 3.537 .325 .66 2.629 .533 t2 13 14 15 .73 1.703 .77 2.697 .856 .70 1.531 .66 2.727 .848 .686 .26 2.23 2.535 .76 2.ongman Group Ltd.33 1.06 2.531 t.879 .538 .534 .259 .56 2.683 .33 1.84 2.633 .28 t20 € .263 .649 .669 .674 .42 2.14 3.257 16 2.31 2.t6 2.35 1.74 1.78 2.L29 10 11 .81 1.46 2.60 4.54 3.81 2.920 .31 1.76 2.L27 .260 t.706 .77 1.684 .70 2.70 1.98 1.64 1.134 .74L .20 2.861 .258 r.30 3.72 2.zo t.50 2.25 3.842 Fuente: R.38 1.256 .86 2.624 .79 2.254 .11 2.584 .630 .45 2.70 1.687 .542 .L28 .53 2.02 1.883 .32 1.684 .856 .03 3.L27 .40 1.66 1.266 .?18 .r28 .70 1.816 1.31 .82 2.530 .289 .L27 .34 1.257 .07 2.906 .255 .266 .96 2.r29 .856 .626 .48 2.692 .30 L.36 3.540 .130 .32 2l 22 23 24 25 26 oa 28 29 30 40 60 .62 2.627 1.36 t2. con permieo dé lo¡ autores y editorea.277 .700 .32 1.06 3.36 1.96 I7 18 19 .856 . Fistrer y F.58 2.48 úes t.92 6.A.683 .L26 .37 1.46 2.130 . 3 .941 .82 6.?8 .696 . (previamente pubücado por Oliver y Boyd.76 2.546 .858 .686 .536 .63 1.569 .688 .256 .34 1.L0 2.256 .31 1.257 .90 1.000 .50 3.L28 .690 .36 1.33 8 9 .257 .27L .896 .866 .137 .262 .128 .L32 .32 L.261 .6?9 .3L 2.3?6 1.84 4.L27 . Yate.862 .71 L.34 1.32 L.256 .t27 .686 .858 .727 .36 3.681 .260 .05 2.5L 2.32 L.14 . publicado por l.44 1.r3 2.865 .645 t.857 .62 2.47 2.72 1.18 2. .873 .02 2.7L 4.73 1.76 L.854 .L27 .677 2.684 .80 2.158 .89 1.68 2.39 2.78 2.532 .00 2.36 2.72 2.256 .258 .06 2.256 .68 .L27 .889 .68 L.7L 1.06 2.r27 .08 1.61? .869 .691 .32 L.48 2.256 .01 2.11 3.061 .711 .18 63.09 2.t2s .L26 .727 .643 1.t27 .09 2. AgriculturalondMedícol Recearch.31 1.8?0 .29 L.94 1.532 .128 .263 .67 2.

5 20.7 76.77 4.3 23.3 73.35 5.6 24.04 7.6 41.L 2l.7 39.0 36.2 11.7 37.5 34.9 48.8 20..87 6. Hartley.0 x2ot x'"0 .4 13.96 8 I 10 11 4.81 6.2 38.6 36.8 43.9 20.1 28.8 26.9 13.31 10.9 26.9 35.59 10.3 29.207 .3 49.6 48.3 11.116 .1 52.7 33.24 10.4 16.3 29.34 9.35 7.4 69.6 43.5 96.6 25.57 4.6 32.0039 .362 l.6 tt.73 2.86 11.2 37.8 40.3 27.6 16.07 4.83 3.6 90.3 13.6 24.8 20.49 2.57 t.26 6.3 82.8 55.88 10.2 29..81 9.6 21. x'.11 5.6 31.60 3.4 35.2tL .6 19.67 3.3 12.56 9.03 t.8 67.1 27.7 28.9 40.6?6 .6 109 1r8 130 t28 140 t24 149 Fuente: E.4 37.30 7.? 37.7 22.3 13.472 .7 73.0000 .7 99.9 40.6 22.89 10.8 30.4 85.44 9.8 14.1 10.38 9.1 19.7 34.90 6.6 29.66 2.8 36..0 71.2 67.5 43.3 22.3 16.0 r 7.3 t6.4 100 t2.7 14. x?no X.64 9.3 19.61 2.2 11.3 16.6 108 118 8.2 74.6 32.2L6 .3 71.0 16.6 24.7 47.7 38.E4 6 .3 2L.9 68.3 79.0 20.831 .r7 2.3 27.6 9.9 L6.8 t7.33 3.60 5.1 31. 3 4 o I .8 24.3 39.39 6.9 18.6 14.102 .1 13.6 22.989 1.3 13.74 7.0158 .6 r3.69 2.2 44.9 30.4 20.6 .8 16.8 28.L6 2.8 14.6 40.1 12.0010 .34 1.8 13.7 25.3 49.41 ?.8 14.89 6.3 22.0? 5.06 3.? 42.6 23 24 25 26 27 28 29 30 40 60 60 70 80 90 100 41.2 28.4 12.9 29.8 14.8 t7 18 19 20 2L 8.9 17.3 59.0 13.2 35.7 18.7 28.0 69.S.8 45.67 9.4 40.6 92.7 7L.91 9.8 63.8 48.8 32:0 33.8 67.49 11.30 r6.0 11.2 61.1 41.484 .9 23.8 38.9 12.3 61.8 34.2 14.6 61.37 3.2 88.34 10.4 29.7 66.3 17.2 94.1 37.9 39.1 45.0 17.35 6.6 15.3 53.o 22.3 32.8 26.4 40.4 42.32 2.2 12.94 4.3 46.73 3.0 4L.8 70.4 32.7 7.O' X.2 59.7 2.3 .6 2L.7 26.6 54.2 24.7r 4.3 49.t7 4.2 t3. 1(1966)' Tabla 8.4 63. xlo.0 104 116 l4 16 16 to.1 .1 27.63 ?.0 23.6 12.9 1t.0 L07 6.18 2.4 23.23 5.D'ID r.O.2 16.9 43.1 t2.66 5.1 39.5 16.34 8.8 18.57 6.3 67.l 22.66 8.8 24.4 3.3 16.7 16.06 1.58 6.6 30.3 5.1 13.64 .54 L0.7 2t.3 18.1 90.4 34.6 46.6 56.8 13.5 33.1 16.3 18.6 36.63 6.0 14.0 26.99 7.3 23.6 28.7 12.91 7.6 61.0 17.9 2t.3 61.4 16.3 99.tl 4. 347 .7 18.02 7.3 18. Pear¡on y H.9 63.6 36.4 32.8 t9.7 14.7 23.1 ttz r26 13? 64.1 8.1 DD.872 L.0 27.1 12.7 60.684 1.2 62.9 11.2 36.3 2L.6 43.6 20.3 14. Vol.09 2.4 43.4 31. páginas 187 y 188. .0 33.t 31.455 1.3 26.0 22.3 26.9 19.3 17. x?o". con permieo de lol autore¡ y editoree.70 3.63 7.E 42.3 20.39 2.07L7 .6 28.5 24.58 8.23 8.6 14.6 13.6 26. Biomelr:iha Tobles fo¡ Stotitticíane.0100 .1 16.2 6t.15 1.6 32.9 34.7 46.5 20.26 9.2 '19.9 11.63 8.6 33.3 X.6 74.04 10.2 11.6 88.0002 .4 83.0 19.78 9.0201 .3 35.6 17.6 19..3 49.3 I 1.92 2.70 6.24 1.20 2.0 t2 13 18.6 12.57 7.6 50.2L 1.9 34.O tt.90 27.3 r6.2 10.25 7.25 5.56 3.2 18.3 69.26 3.103 x?.7 23.Apéndice E Percontilas (¡f) de l¡ di¡tribución chi-cuadrado con u grados de libertad v x.01 7.0 27.3 15.3 89.4 86.1 37.3 30..26 7.3 45.8 9..7 26.07 3.6 38.45 4.8 16.6 4.40 6.gg x?rn y2 ^-00e .3 32.3 96.2 31.3 28.43 8.2t 11.26 8.L 80.7 37.82 4.7 29.2 26.01 5.4 L02 113 rt2 t24 136 98.7Ll 1.8 79.6 46.1 77.1 10.3 42.2 66.3 10.6 46.2oo¡ xlo.84 9.8 12.0 48.6 66rB 56.79 t4.7 16.6 79.0 62.23 5.6 L2.24 1.L4 6.2 29.3 61.1 40.0 44.5 16.2 46.3 69.6 47.39 10.9 t8.6t 6.8 44.36 4.26 6.3 24..554 . t3.0506 .84 5.291 .L 30.

99 1.r8 2.L2 2.00 3.84 1.r5 2.46 4.84 1.96 1.DD 1.2L 2.70 2.39 3.97 r.0Q 2.93 1.76 2.53 2.01 1.76 2.64 3.4 19.85 6.03 4.06 4.62 2.7L 6.15 3.56 2.96 t.t6 2.76 1.59 2.99 5.96 2.23 4.77 2.09 3.79 1 a^ 1.86 1.62 4.07 2.01 1.7l 1.50 4.29 3.89 8.57 3.88 1.11 2.36 3.80 2.68 4.62 1.33 2.70 2.?9 r.77 t.53 r.07 3.96 1.7L 2.LL 2.01 1.34 2.38 2.42 2.34 2.46 2.84 3.00 I.51 3.35 2.55 8.6 10.25 2.5L 2.20 2.54 2.63 3.19 4.2q 3.6? 2.42 2.22 2.87 3.42 3.92 2.0L 1.20 2.03 2.96 4.37 3.L6 2.2 19.24 2.92 1.18 2.85 2.7r 2.60 3.47 2.89 1.75 2.43 2.17 3.05 4.64 2.94 8.27 3.75 1.98 2.77 2. parr le di¡tribución F u1 grados de libertad en el numerador /2 gfados de libertad en el denominador ><.39 4. Hartley.02 2. con perrniro de los autoreo y eütorea.34 2.30 L2 13 14 15 16 L7 18 19 20 2.01 2.32 4.2r 2.L3 2.62 2.86 3.35 4.87 r.rL 2.00 3.61 I.79 2.26 2.91 1.88 1.58 2.63 6.93 2.60 4.r7 2.49 2.65 2.77 L.4 19.71 2.90 2.47 2.84 1.86 5.57 r.5 19.22 3.4 19.3 19.4 19.96 2. I 2 3 1 2 s 2L6 4 b 6 7 8 9 10 L2 16 20 24 30 40 60 t20 @ 161 225 230 234 237 239 24L 242 244 246 248 249 250 26t 252 253 254 18.l I D.20 2.53 2.58 1.05 2.36 2.53 2.84 1.48 2.35 7.00 5.31 2.28 3.92 3.57 2.45 2.27 2.08 4.73 1.82 2. Vol.28 2.00 2 Fuente: E.62 8.84 3.90 2.44 2.40 2.20 2.49 4.39 t.27 2.38 3.58 3.7l 2.18 3.07 2.37 2.34 2.66 2.t9 2.61 2.25 2.37 2.59 1.88 4.29 2.98 2.12 3.32 1.53 2.55 2.32 2.84 2.96 1.24 3.76 2.60 2.85 1.61 2.07 3.76 1.81 2.29 2.53 2.45 2.83 2.68 2.90 1.91 1.80 a. Pear¡on y H.95 1.?3 3.12 2.39 2.92 2. Tabla 5.04 1.01 1.90 1.69 3.23 2.30 3.91 3.01 2.r2 2.05 2.59 2.6L 2.73 4.52 j 3.30 2.69 3.87 2.64 8.80 t.53 2.82 t.69 5.11 3.32 2.85 2.6L 2.21 4.48 3.27 2.35 3.98 1.23 2.49 3.06 2.79 2.r7 4.42 2.94 1.79 L.09 2.66 2.33 3.59 3. S.86 2.5 19.40 4.35 2.rL 2.76 4.49 2.13 2.64 2.25 2. O.63 2.75 1.43 1.59 5.28 2.30 4.83 2.63 5. ¡O 5.16 6.67 2.74 1.01 8.90 2.32 2.14 3.07 1.73 2.70 1.44 3.41 3.g¡.16 2.93 2.99 2.55 2.10 4.22 2.97 2.98 2.92 1.99 1.81 3.38 2.46 2.94 1.33 2.9L 2.41 3.04 6.7 4 2:28 2.47 1.69 4.24 2.95 2.29 2.18 2.71 3.6? 3.L0 2.57 8.78 2.46 2.4 19.66 5. .71 2.54 2.36 2.79 t.72 5.70 I 2.r9 2.20 2.07 3.78 t.25 2.(}51.82 4.28 2.22 3.L8 2.74 4.0s 1.93 5.16 2.81 1.91 5.87 t.04 3.5 9.62 2.64 2.67 t.5 19.30 2.95 4.85 2.Apéndice F Porcentila 95 (nivele¡ 0.05 4.L2 3.27 2.06 2.26 3.54 2.80 2.85 1.54 2.06 2.28 3.29 3.24 2.19 2.76 1.07 4.t5 2.L0 2.5 19.08 2.84 40 60 t20 t.tl 2.87 3:70 3. (1972).68 2.50 1.23 2.26 3.85 8.46 2.97 3.08 3.27 2.84 4.09 2.04 1.34 2.39 2.64 2.3L 2. Eiom etriho Toblec for Stotíaticianc.25 2.70 2.91 1.L2 9.?0 1.3 4 o 6 I 19.93 1.62 2.28 9.38 3.38 2.12 2.74 4.66 1.23 3.03 1.04 1.57 2.16 2.24 2.92 4.40 2.89 1.42 2.01 2.56 2.15 2.96 1.84 2. página 178.94 1.31 2.35 2.35 2I 22 23 24 25 26 27 28 29 30 3.60 2.98 1.44 3.53 3.48 3.84 1.03 ¿.49 2.34 3.44 3. l'.25 2.58 2.66 2.35 2.76 2.49 2.01 4.46 1.66 2.1 7.51 2.94 3.54 4.07 3.79 8.45 2.75 1.35 3.89 2.79 3.14 3.61 19.46 2.34 2.43 2.t2 4.46 2.01 2.79 3.83 t.59 8.89 1.20 4.37 2.69 2.66 2.69 1.t0 | 4.37 2.78 2.1L 2.2r 2.77 2.30 2.87 3.0r I | 4.96 4.22 2.08 2.2 19.69 1.10 2.20 3.50 3.09 6.65 1.26 2.4 19.77 4.?0 8.95 1.90 2.90 1.03 1.59 6.96 5.49 2.92 1.41 2.94 2.10 2.37 2.4e 3.5L 2.01 2.42 2.75 4.56 4.L5 2.85 2.28 4.81 8.74 8.95 2.23 2.84 1.L5 2.99 1.L8 2.22 1.45 8 I l0 11 5.r3 2.t0 2.8z r.87 1.66 8.21 4.06 t.42 2.L9 2.53 4.68 t.39 6.31 2.18 2.26 6.43 4.97 1.47 3.65 2.60 2.34 3.18 3.40 2.02 r.74 2.4 19.94 1.40 2.13 3.81 t.60 2.64 1.46 2.67 4.32 2.74 2.88 4.09 2.61 2.96 2.8L 2.02 1.15 4.41 3.84 3.06 2.93 1.92 1.5 19.68 3.4E 2.57 2.83 2.41 5.45 2.38 2.lL 2.74 2.

65 3.l 8 I 99.64 4.96 I 10 11 .2 13.66 2.r7 3.67 5.56 3.Ll 2.35 4.97 6.99 b.92 2.08 3.42 6.54 3.60 1.4 11.87 6.3 L2.99 3.o J 2.71 3.66 2.30 3.74 4.87 2.3L 2.26 2.45 7.46 3.00 2.54 5.19 5.69 3.03 2.56 2.00 t20 Fuente: E.04 4.62 3. Vol.58 4.65 3.31 3.60 3.4r 5.66 2.47 5.76 1.7? 7.39 4.7 14.94 3.16 5.?5 8.18 3.46 2.43 3.01 5.63 8.11 6.21 3.63 4.61 o.84 2.46 6.06 6.APENDTCE F 349 Percentila 99 (niveles 0.L4 5.89 7.85 4.94 3.5 9.90 3.26 6.42 2.8 10.ó9 3.5 26.36 3.32 3.84 2.42 3.54 2.42 3.50 2.64 7.01 3.3? 3.95 5.99 5.86 2.78 3.36 2.86 8.4 27.30 4.47 3.64 4.99 2.63 2.49 12 13 6.75 3.29 6.92 2.96 3.L2 2.17 3.93 4.36 3.66 2.5 26.17 4.011.75 2.02 7.04 3.68 99.73 7.41 3.37 5.42 4.46 3.47 2.37 4.87 4.47 6.2 16.65 6 .15 8.02 7.2'.02 3.7r 4.68 8.0 9.63 3.72 7.L2 1.4L 4.82 4.L7 4.93 2.52 3.88 7.20 2.89 3.70 3.61 6.68 2. Pearron y H.81 4.51 3.23 3.02 6.01 6.66 6.3 14.5 34.S.3 10.7 10.10 L2 16 20 24 30 40 60 L20 @ 4062 6000 5403 6625 5764 5859 99.83 3.26 4.2 18. Biomeúiho Toblec for Statbücbnc.16 3. 3.84 2.96 2.72 4.r 26. .28 4.02 2.13 2.70 8.88 2.94 1.07 2.45 s.86 4.86 3.65 8.46 5.21 3.25 3.38 2.12 4.44 4.43 3.38 9.86 4.25 4.67 6.31 9.50 4.20 2.60 3.4 99.30 3.sz 2.51 3.4 13.54 t7 18 19 4.5 26.74 4.se.72 5.79 60 2.76 3.68 3.88 2.23 2.23.3 8.03 5.59 3.üb D.61 4.29 3.16 3.oD 8 ?.1 13.82 7.56 5.34 3.02 7.80 5.08 3.67 2.3 13.70 6.62 5.07 4.2L 3.2 9.82 4.56 6.31 4.78 3.4L 2.19 2.2 29.89 4.30 3.31 3.93 z.03 1.65 9.22 3.78 3.33 8.36 3.78 3.61 6339 6366 99.67 4.60 4.39 6.38 1.86 3.68 7.17 3.40 8.07 4.40 3.5 13.16 3.22 5.03 2.89 3. l4 15 16 4.10 4.33 2.8 99. 8.39 2.O.10 3.63 4.49 2.60 4.00 2.76 4.36 6.44 4.0 16.03 3.0s 1.ó 16.95 1.2L 6.62 2.54 20 9.72 2. F.60 6.42 2.52 3.41 9.18 4.23 6.6 13.72 2.00 3.26 3.41 3.66 99.12 3.29 2.5 26.10 6.76 2.3 28.t4 5.35 3.36 2.0 30.30 3.67 3.94 2.5 10.4 26.83 2.oo 7.41 2.49 2. 3 4 o 6 .1 a.37 2.78 2.23 5.78 3.80 3.66 2.l 11. con permirc de lo¡ autoree y editoree.42 5.18 5.80 3.49 5.18 3.52 4.57 t2.59 3.01 .47 t4.10 3.78 2.67 2.80 2.18 3.L4 4.64 2.9 99.4 99.12 3.6 14.70 2.94 4.07 5.01 3.?0 1.5 26.7 27.tL 3.98 6.18 8.63 6.54 4.96 4.7 99.82 4.95 4.t4 4.89 4.0 10.2r 5.31 3.03 2.72 7.3 27.35 4. Hartley.86 6.28 4.77 4. 3 4 o oot 28.2 99.53 3.26 4.26 3.15 2.2 14.78 9.66 4.29 7.92 2.75 2.6 5981 6023 6066 6106 615? 6209 6235 6261 6287 99.25 4.93 3.4.31 4.29 8.69 3.81 6.19 11.90 2.19 l0 99.74 6.31 2l 22 23 24 26 26 27 28 29 30 40 fó 4.03 3.06 4.20 4.13 3.99 5.32 5.21 2.46 3.9 99.9 9.55 8.85 2. gFados de libertad en el numerador v2 grados de libertad en el denominador x1 I 98.26 3.08 6.74 2.95 7.70 3.0 15.0 9.58' 2.26 4.57 2.36 4.71 3.52 2.43 4.17 3.1 6.09 3.85 7.86 1.2 ?.22 4.00 2. para ls di¡tribución F v.43 3.40 6.r3 2.04 3.06 4.6 10.10 8..39 4.55 3.06 2..33 3.37 3.2 9.44 2.32 4.80 6.07 3.45 3.b8 2.51 3. Tbbla 6.01 1.30 7.84 9.98 2.59 1.66 3.56 6.10 2.50 4.59 6.?9 3.94 3.48 3.32 2.54 3.09 3.65 2.6 9.64 3.7 13.59 3.4 27.34 4.20 4.46 7.39 3.16 3.51 s.5 14.69 2.72 5. página 180.3? 3.3L 6.68 4.89 3.40 4.46 2.70 2.63 3.1 7.93 6.09 2.40 2.89 4.96 2.07 6. 2 (1972).62 4.87 3.10 4.29 2.99 6.94 3.67 9.72 6.84 6.35 2.7 10.00 2.60 2.20 4.86 3.81 3.60 '7.55 7.7 16.40 4.88 5.8 99.t7 2.31 7.00 3.56 4.64 6.09 3.11 6.4 9.91 5.63 5.4 27.62 4.6? 3.91 .56 4.91 6.64 3.13 3.66 4.11 2t.33 4.

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

83'.54. 3. 3.46.48.60.79. <1 (ó) p = l.72. yí= 6.5e.66. 3. (a) (3r +2\/(6r*3)para0 5 ¡<i t¿l lsu+Z)/(6u*3)para 0 = a = | 3. Fz:5. 3. (o) 1 (b) (o) Var(X)=5. (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 3.50. (a\ l/2 parae>O (b) lParay>0 ./m/L8 (d' \rzssñ8 (e) -9L/32a (Í) -sr/235 4 tb) 4/\/35 -t/tst¿.64.78. 3. 1e/10 (¡t') 6/6 a/3 @ 1 \Ng 3. 3. pá: t6/5.\ +(et/2+e-t/2) = cosht (ó) p=0. p3 =-L2lll60.77. ps: -5.69. pl:L L6/3 3. pi= 2. 3.65. (a) (a) 2/3 (b) 2/3 G) aB 7/a (c) @\ Als 3.6E. pí=1.68.RESPUESTAS A PIOBLEMAS SI. 3.74.55. (c) 1/(1¿). nx=lE (al (a\ (ü) Var(X)=3/80. ú= (a) h=0.5 3 (b) r3n/6 (a) 35112 @\ (ü \Elm.\klzk+t(k+ll I qeiab co)/ao 3.'PLEMENTARIOS CAPITULO 3 3. 3.E0.82./3s12 3. (o) (a) 1 (b) I (c) rla (c) 3. 3/2 (bl 3e/4 (a. (e2ia-Zie2ia-ll/"2 (a) (¿) (¿) Lr/144 (bl rr/L44 1c¡ t/iJttz (¿) (¿t) \/-LUr2 (e\ -L/L4a 0 -!rr 1 .57.62.62. pn=33 (c) (bk+r'st<+r)/(k* 1Xb-o) peiaa (sen (ó) [1+(-1)k](ó -a.67. 3.44. pí= 2. Ft=2. 3. 3. 3/2 n (b) -2e/6 Lla !4 3. 3. o*=1/t5/ZO 4 (b) 2 (c) . pz=7-.45. 7/0 (ó) 6/5 3.47. 3.(b) 1 (c) (ó) 1 (d) 1 (c) 0 (/) 0 (e) 73le60 ?3/e60 y'?s/e60 t¿l r/Tils6o -u64 (f) -r5/7s (a) 233/324 (b) 233/324 (c) (a) \. (c) 315 3.7 3.ezt\/zt2 (D) p = 4/3. 3. 3. 3. 10. i¿l p4=230718960 2a 3.43. Fz:3/80. (a) 1 lb) 7 (c) 6 3. pí=0.61.E1. 3.E4. 3. p¿=35 (b) pr = 0. (o) (f + 2te2t . 3.ó6. pi= Al=0.

94.125.1)/4 (c) 16/81 3.eziarlznl u) 12/6 3..5 02. t"l . (¿) 3.8/2 (ü) 1/3 (c) 0 .17 (c) 0.[o ) 3.103. (o) 1 I (ü) (ó) (y'3. (o) 0.e2.127. 3.1or.###parao < nr 5r 3.90.r/r-tsnflo) (ó) \F@i @ tlfr.105. (o) 1 3.100.91. (a) (b) r/4 (b) 0. (al 3. (o) no eriste (ó) (c) 3 -1 (c) e-z *0 3.05r 3. (o) (c) 8/16 1-+y'3 (bl v2 3. (o) (ó) ln 2 (D) I 3. (bl 3614 (1 @l atg (b) 2/e L (c) * 2te2t - e2')/2t2 (el -2\/fr/r6 (d) -(1 + zibe2ia .118. (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. (o) (a) 3.119. (b) 2415o (ü) e (al (a) (b) 6/e (b) 1/18 (c) (et * 2e2t + Sezt)16 (d) (d) (eto + 2e2to + 3e3.123.126. (¿) 1/y'5 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. (o) 3.89.120.116.f 6/9 7lr2 o 3. (a) r 2 0 (ó) 8(21/2-r)/L6 (D \.85. ffiParao rle (b) 1 6x2*6n*L s r:< I . (a) 3.L22.124. (a\ L 3. (o) (c) 3 (ü) 3 3.113.ze-t (D) no existe (al 2(\F-Ll/3 (b) L6t7 2 0 2 7/3 r/3 2t/2 (b) e 3.109.358 RESPUESTA"S A PROBLEMAS SUPLEMENTARIOS 3.10a.10E. . (o) 3. (a) 3.o)/6 (a) -7/27 (c) 2(et-l-t¡¡¿z -Z(e--l-ü¡¡"2 (e) r/136 3. (d) 1- (1/\. 3.114.121 .

0. 84 (bl 8.2241 (d) 0.69. 4.73. 4. 359 CAPITULO 4 4. 4.1342 0. 4.92. (a') pl (b'l npq(l - 6ps\ * 3n2p2q2 -1. (o) 0.049?e (ó) 0. 4.7% (b\ 54.89.9962 (b) 0.0?86 (c) 0.82.86 (c) 2.84.76.I RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS .626 ó 0.a7% 4. 4.5.0567 (b) 0.550 (c) -0.7% (al e5. 4.0668 (a\ 20 (b) 36 (cl 227 (cl (d) 40 @) 15% 4.74.0658 4.0838 (b) 0.03eb . 4. 57/6a Q\ 2r/32 (b) (ó) 4.05610 (b) 0.2991 (c) (o) 0.0286 (d) 0.1494 0.9500 0.93.t"/o 0.8?67 (b) 0.0089 (o) (o) 0.6 (b) e (b) 72. 641243 25 (c) 500 4.03?5 0.9198 (c) 0.849 (e) tt. 4.995 0.7t.68.1008 (c) o.4232 (o) 0. 11/16 (dl 518 (a\ r7lL62 (a\ (a) 5/16 (c) 4.2511 (b) 0. (a't (a) r/64 Ua 250 (b\ 3/32 (c) l5/6a @\ 5/L6 (e\ 15/64 (l) 3/32 (g) Ll6a (b) 11324 4.6404 (d) 0. (a'¡ 6L. 4.0687 0.62.77 (a) npq(q (o) 1.80.87.224r (e) 0. L93t5t2 (a\ @) 32/243 (bl re2l243 k\ a01243 (dl 2421243 42 (b) 3.77 (c) 0.G¿s 4. 4. 4.4 (¿) 0.7123 0.0154 (e\ 0.726t (/) 0. 4.90.78.6826 4.08 (d) r.64. 4.66.90 75.66.85.E3. -0.4% (bt 23.91.9495 (b) (ó) 0.76.5976 (c) 0. 4. (al93% 4.e265 (d) 0.67.E1.E6.06131 .75 (b) -1.s27 1. 4.0% (c\ 93.3% (a) (o) (a) (o) 1. (c) (p) 0.63. 4.t9.61.1680 (/) 0.1127 (dl2. 4. 4.15 (b) 0.E8.0079 0.

l 86. @\ 4.L4L.47 (c) 9.s? 4.55.tr2.34 2.L26.861 (. ('f) (l?)/(l?) (iSX?SXtt) sla 0 (b) (ó) (ó) (ü) l(¿ocoxzoc2ol+(4oc'l(nctsl* (qoc)(ncnl)taoczo 4. (a) r 4. (a) 0. @) 2.62.04462 (c) 0.0228 (c) 0.0 (b) (b) 4.53.136. (a) (ile)/Q?) .360 RESPUESTAS A PROBLEMAS SUPLEIVTANTARIOS 4.68 2. (a) 2.84 (d) 4.s5 z.60 3. (o) 0. (o) sx = 22.r?r.51.1b82 (c) 0.76 1.2 zr.2 2s6.128 (d) -1.B 4.r y 26.71 (ó) (b) (b) 1.t : 5.00g oz oz oz.rr3. o* = 0.9544 5.ro9.0e (c) (c) (c) (c) 1.o rí.16 5. (o) B0. (a) 0. (o) e. 0.101.? 3/4 16.75 2. 22.48 4. (a) 201.1033 (c) 0.166 6. (a) (d) (el 2.829 1.00248 (b) 0.4 ft\ *e-tn -1"-.0 (d) 8.r03. (a) L22.138. Ll4 aJLa.136. (a) 4.3/8 4.L32.40 oz.) 4'106' (c) 4.. (a) 0 4. (c) p.8b2 (e) 0.1? v 7!r= !4.00J8 (d) 1.160? (d) 0.005? (b) 2 (c) ninguna (dl 24 6.47 (c) e. (a) 237 22.2 (c) suponiendo áreas iguales en las dos colas. (Q 4. (¿) 4. 82S\fe (b) (ü) (b) 2(b-al4/6 e/5 113 6.0 (b\ 4.40 o¡ ligeramente menor que 0.62 (b) CAPITULO 5 (c) 0. (a) ?0/429 (b) l/143 (c\ L42|L4B 4105 (.L27.0620 4.75 1.81 (bl2.49.000948 (ó) 0.000295 4.2 4l.73 -0. ¡2.4972 (ó) 0.40 oz.s 20.8164 (ó) 0. - 2.008 = oz.4O 0. (a) 0.58 5.ro2.0000 .111.128.5 (b\ 4. (a) 9.8 68..b9 84.2 (c) (c) (c) 2B.Lo4.008 oz oz (ó) (b) pX pX = 22.94. (a) 1.r2o.03 (¿tl 2.1 4.64.50.BB (d) -0.gs (e) z.35 L7e.0918 (d) 0.7 (b\ 4. (a) 4.s a8.0 (b) 4. oi : 6.130.13?.3 (d) (d) 55. (o) 5/3888 (b) 5/324 4.L29.6e64 (/) 0. (a) e.LB 4. (a\ 3/4 .0 (d\ 2. o* = 0.

76. (al 4018 6..a84 5.104. (c) 0.81.t1 5. (c) 0.76% S.36 (ü) (ü) 0'17 0.3196. (a\ 2.00 6.9 lb 5.91?2 6.101.L6 (ü) 0.1841 (cl (o) 118. 0.8664 (c) 0.326.3%' 99.0064 (c) 0'4504 5. 5.56.63. 78 á.72642 pulgadas 26..?4 lb I 2 (d) 126 0. (o) 0. 0.6% = 0. (a) ?99 (ü) 1000 (e) (c) 949.33?6 pulg. (o) 0. 6. 5.105.86 (ó) (c) -e1 (d) 63 .9t. (@) 0.7349 pulg. 5. 12.106. 80Eo.01.. 5.3226.60 5.06 pero máe cerca a 0.6.0136 0. 5.60 1'.113. (o) 5. (ó) 38. 5.?33 (c) 0. 5.33? 6.100.82.5E.74.66.00?? (ó) 0.0019 (ó) 0.0026 6. (¿) 0.60.0316 5. 0. (c) 0.3265. (b) 0. 8.01 (b) entre 0.65. (a) 2 6 6 (b) 996 (b) (c) 218 12 5. 501. (a) menor que 0.6 (d) 10995.2 6.62.26 5.166 ó 16.E6. (o) 0. 99. (ó) 0. . 0.97.e5.96.LL2.326-0:328.49 (c) 0'28 5. (c) 146.tO. . (o) 10.1o9.8869 28. (a) 24% (b\ rL% 5.10 5.323-0. .0.94.73. (a) 5. 5. (¿) (o) (¿) (b) (b) 0.0028 (b) 0.01 (b) menor que 0.t7.59.6% (il 0't ts.67 0. 6 0 -1 (ü) 40 4 6 (c) (c) 288 (d) (d) 2188 (b) 0 26.50?.0482 .09 tons.8 lb.322.0% 76 5.68.o% 78.7o.0006?6 pulgadas (b) 72. 11.7L. 0.108. 46 (@) 0. .111.1.6 (fl @) a6% 100 (horas) (s) 62/a00 (h) 25.49 0.01 y 0.00496 pulg. 86 5.9596 (c) 0'1161 . 0. 5. O.01 (c) menor que 0.72. (o) ñ = 2.0 s ?9 5. (a) 82 6Jo2. 6.01?9 5.1%.99.11 5.90 5. . 1199. 5.2160 (b) 0. (o) (o) (ó) (ó) 11.3204.60 0.003 pulg.20% ton. .RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 5.92.?9 0'0228 lb (b) 0.93.47 (ó) e = 5. (o) 0. 6.0.33f0.

2 106 (ü) (b) 8.112 . 7 RESPUESTAS A PROBLEMAS ST'PLEMEI.128. (o) 1.tu. (c) 0. tb9 5.36. 0.7.31.39.11 (ó) 0. 6. 0. n4= 0 -0. 0..L2.0586.241 7.045 6.126. ó.84914 6. 6.12 hr t 0. (¿) ffiz: 0.0090 CAPITULO 6 e.130.4 hr Las estimas de las desviacionee típicas de la población para los tamaños de muestra 30.18. 42 5.69 I 0.546 2.u (o) al menos 323 hr (b) al menos 560 (c) al menos ?66 (b) 1.38. -1r7.36206.18 tons.09? (c) 0. 0. (o) (b) 105.?0 * o.000072 pulg.16 onzas 0.68 a 0.72642 + 0.38 384 (b) al menos 221 (c) al menos 666 (d) al menos a 1. L9. (a) 11. (a) 1200 hr 6.82 0.40.62 r 0.09 t 0. (a) 6.4 4 (i) (il 706. (b) 0. 60 y 100 tuboc son respectivamenüe. 6.20 (f) 7.000060 pulg. 6. (o) 0. 0. -0.38 I (a) 0. (o) 9.53743. m1- 89.97. (ó) 11. 101.7. (o) ?8.25.3?.43.41.9?.045 0. 6.09 t 0.2 (d) 7158. 1193.6.72ti42 t 0.000025 pulC.r5 (c) 0.5 horas.e5 5.2464 (b) 52.073 i 0. 0.116.2344.0696 r¡¿o 560 (c\ r. 6.34.125. rn2= 5.28 (b) (s) ?8e.1 ó.?3 onzas onzae (ó) Z.62 6.24 tons.?8 y 0.5 lb (b) 0.131.72642 t 0.22.362 ó. (o) al menos 96 (ó) al menos 68 (c) al menos 16? (d) al menos 225 900 (o) al menos (o) 7.70 t 6.82.124.118.298 t 0.74 5. (a) 0.41.33. = -3.38 (a) ?.298 0.07 t 6. (b) -4. ms = 0.2 (b) 0.22 0.24 lb2 (c) 0.94 Laprimeradistribución (a) la aegunda (b) la primera 5. 2.12t. (a) 0.36.35 (e) 26. (a) 5.000085 pulg. m1 = 0.030 eegundoa (D) 0.00002b pulg. 6.Se (ó) ?.29.0? (b) 0. (o) 0.86 lb reepectivamente 6.123. (o) 0. 6.127.0ab t 0.122.0 y 100.96 onzas t t I 0. (bl 0. (d) 032642 a 0.428 24. 0. m1 :0. 101. (o) 0. Las estimas de las media¡ de la población son 1200 hora¡ en todos los casos. 5.117.09 t 0.88.049 segundoe 6.30.000095 pulg. (q') (c) e2.38 (hl 22. 0. 26. 0.493e (b) 5.¡'TARTOS 5.115.72642 + 0.?0 r 0.129.

(o) No se puede rechaza¡ Ia hipótesis al nivel de 0. (d) Rechazar lfe ei se extraen más de 41 bolasrojas.01 en (o) ni en (b).17. (a) 95. Se puede rechazer la afirmación a ambos nivele¡ mediante un enaayo unilateral. (c) 106. 6.458 a 4. en ambos nivelea.63.56. es 7.00 (ó) 13.6 ¡ a 1g0. El re¡ulüado significativo al nivel de 0. 7.519 a 7.8 t 0. (c) Rechazar 116 si se extraen más de 39 bolasrojasy acept:ula en caso contrario (o no tomar decisión alguna).ó4. (a) (IIe: p=0.20.58. 139. mediante un ensayo unilateral en ambos caso8.r.lre 24 y 40.138 a 10.05.4E.61.46.9 6. -= 3' 2tritl "'+r3l 6. ?. 7 No se puede rechaza¡ la hipóteric al nivel de 0.4 horas hora¡ horas (b) 78.15 6. . 86 lb (b) 1800 t 328 lb (c) 1800 t S82 lb 6. rechazarla en caso contrario. (o) a 230.(b)0. 7.1 horas 6.259 a 5.58 e 2. 0. (c) Aceptar la hipóterie ¡i las bola¡ rojac extrafdas esüán ent.50.05 en ambos en!¡ayos. (a) 63. .5 a CAPITULO 7 7.70 (b) 0.944 (b) 0. kt') 0.9 1?0.. 6.Bb 6.654 a 1. (b) Se puede rechazar la hipótesis d nivel de 0.6% 105. (o) t¿. r = .62. 2400 t 45 librs¡.63.31 onzas 6.14 (a) 0. (a) 1800 t 6.64..8 horas 6.5).5). 6.250 6.1 a 140. (a) 0.673 a 2.02 (a) 0.51.9a1 a 2.52.?41 a l. (a) 6.24 249 onzas lb (ó) 63.69.5 horas (b) 88.65..45.7O. (b) Ensayo unilateral. (a) Aceptarlahipóteeissilasbolasrojarextrafdasestánent¡e22y42 rcchazarlaencasocontrario.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 363 6. k = -lln - (ct.68.6 horas 2400 ! 59 libree (b) 87.5 (ü) 102.58.99.05.0 4802 (ó) al menos 8321 (c) al menos 11.269 (o) 0.79 kl) t2.8 (b) 0. I _ ()rr)/r¿ 6. 1.06? a 1. 7.06 (c) t2.1 a 288.60.) (e) t2.67.66.49. (Hi p> 0. Sí.8 l: 0. y se acepta en ceso contrario (o no se toma ninguna decisión).78 (b) 0.ó2.2606 7.69.1 a 148.70 6. (a) al menos 87.

0.1.0. 12.7.01.1 y 1.0118 7. 7. 4. 7 . 7. (o) Un ensayo bilateral indica que no hay diferencia en la calidad de fabricación al nivel de 0. f (r) = aC"(0.1 y 0. 7. Mediante un ensayo bilateral al nivel de aignificación de 0. es ?.84.0 respectivamente.1. 7.0118 (c) 0 (d) 0 (e) 0. y 4. Un enrayo unilatetal a ar¡bos niveles de aignificación muesha que la marca B es superior a la marca A. al eegundo.98. No podemos concluir que la primera varianza 8e¡ mayor que la segunda a ningún nivel. Podemos conclui¡ que la primera varianza es mayor que la regunda a ambos niveles.64 (ü) 0.6 respectiVamente.96 onzas (D) 8. 7 (a) si (ó) no .4.7 y 0. (b) Un ensayo unilateral muestra que I no ee mejor que A al nivel de 0.2.96. 7. Un ensayo unilateral rnuestra que a ambos niveles el contenido -nedio en cobre es más alto que el señalado en las especificaciones.?.99.77.73.6. E aparente decrecimiento significativo al nivel 0.86.3. pero debe introducirse si el nivel de eignificación adoptado e¡ 0. 50. 9.82. 0. 7.63 onzas 7.94. (o) 6 (D) 4 7.A1 \¡¿ - lar frecuencias esperadas con 108. es 7. 60.20.81 ln 7. Las frecuenciae esperadac 8on 1.t9.E5. Un ensayo unilateral muestra que el nuevo fertiliz¡¡¡¿ superior a ambos niveles de significación.72. 7.6.79. 39.87.6. concluimos que el primer grupo no es superior . El aparente incremento en la vai'iabilidad no es significativo a ninguno de loe dos niveles. ?.tO.06. 7.06.83 onzae (c) 8. 7.9. 5. 43. Un ensayo bilateral a ambos niveles muertra que el producto no cumple con las especificaciones.32)r(0. ?.0. 49. 7.78. E resultado es significativo a este nivel con un enar¡yo unilateral.4.76. 7. Un ensayo cambisdo.64 1 0. 14. bilate¡al muestra que no hay eúdencia s ni¡guno de los do¡ nivdes de que la duración media haya 7. no ¡e deduce que haya diferencia de acidez. 15.05.64 + 0.6t)l-r.01 .05.05 pero lo es al nivel 0. 13 y 2 respectivamente.05.2. no 7.El' 7 Un ensayo unilateral muestra que el proceso no debe inhoduci¡se si el nivel de significación adoptado es 0. (o) t 0.E3.05. f (x) = T. Las frecuenciae eeperadas son 41.2. . [. (a) 0.9. pero no lo e¡ con un ensayo bilateral.?.e0. 11.6. 7.71. 53.1O0. 13.7. la¡ frecuenciae esperadar son 32.8E.34. 4.RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS 7.01. 66. Mediante un ensayo unilateral al nivel de eignificación de 0.l0l.ae frecuenciae esperadas eon 1.4.1.05 pero no al nivel 0. 7. 23.7 Un ensayo unilaüeral muegtra quc la diferencirr e eignifrcaüive eB al nivel 0.7 respectivamente.7 respectivamente.7ó.36. Concluirfamos que el resultado no común al nivel 0. 21.e5.5. 7.2.3rL2 8. pero no al nivel 0. Un enrayo unilateral indica que no disminuye la media a ninguno de loo do¡ niveles.01. 3.

No hay razón para rechazar la hipóteeis a ningún nivel. Mediante un ensayo unilateral.0.06 pero no al nivel 0'01. La hipótesis no puede rechaza¡se a ninguno de lo¡ nivdes. (o) 7. (b) El ajuste es pobre al nivel 0.RESPUESTAS A PROBLEMAS SI'PLEMENTARIOS 365 7. ) Un ensayo unilateial al nivel 0.114. 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. .13?.05. 7.t25: 0.110. No hay razón para rechazar la hipótesis de que las monedas ¡ean hon¡adas. el re¡ultado er significativo al nivel 0. La conclusión es la misma. La hipótesis puede rechazarse al nivel 0.01' 7.104. tul e no (b) 10 si (c) 10 (d) 8 7.05 no rechaza la hipóteris (b de proporcioneo igudes. La hipótesis no puede rechazar¡e al nivel 0.LO2. ? .10? . 7. 7.06. 7.2205. (o) El ajuste es muy pobre al nivel 0.L23. 7 . 7 .0872.116.134.132. 60.05 indica que á tiene una mayor proporción de bolas rojas que B. (b) El ajuste es bueno pero no "muy bueno". 7.1985 (conegida) (D) 0.05.133. (a) (b) (c) no ?. No puede concluirse que la marca A 7. (a) 0. ?. La hipótesis no puede rechazarse a ningfin nivel. (o ) 10. (a) 0. (c) si no si no (c) no (c) no ?.05.05.118. 0. La hipótesis no puede rechaza¡se a ninguno de los niveles.115.105. sea mejor que la B d nivel 0. 1. El proferor nuevo no sigue las miemas nortnas que los otroe. Igual conclusión.L72. ?.05 pero no al nivel 0. No al nivel 0. 7.108. (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). (o) El ajuste 7.05.3863.109.124.106. La diferencia ?.103. bueno (b) no (o) El ajuste es "muy bueno".465t 7 .113.3179 (con conección de Yatea) 7 .0738 (corregida) 7.109.139. ?.129. 0. La hipótesis puede rechaza¡se a ambos niveles.138. . ?. Puesüo que la dietribuciónbinomialdaunbuenajustedelosdaüos.11f es es significante al nivel 0. La hipótesis puede rechaza¡se a ambog niveles. 7. (b) (b) 7.06. (a) Un ensayo bilateral al nivel 0. esto es consistente con el Problema ?.728.1L7 .

304 (ü) 1.66r * 2. (a) 8.r1y (d) 7g 95 t.6606 (ü) 0.14(L.4 si no no si E.77 y -.126s 'y 0. E. (b) a = 29. (o) (ü) t.9818 8.366 CAPITULO 8 RESPUESTAS A PROBLEMAS SUPLEMENTARTOS 15o 8.448 8.096 o * 0.6 1.64.5 (b) (ó) g?. (c) 37.5t*3.0 a 19.113.968 (b.68. (a) 3.8961 (b) u = 8.29y 8.46¡r*l 8.gBB+o.60 8. (o) (ó) 2. (¿) t 3.138 t a 0.398 (ó) 192.9 2.99.s72 80. u = 6. (cr.00 6 r= (¿) 1. (o) 8.89.89 * L.?3S(n-B)2 6 41.81.74.107.oooo t 0.87.6633 1.9927 8. (o) 0.?600 y 0.90.64y 8. (a) z = 3.28 (o) (ó) Mediante un er¡rayo unilateral puede rechazaree la hipóteaia. (o) E.88.r10.00 (c) ?.500a (cl r = 2.20(r-B) +0. 2. (bl u = 4. 75/p 8. (a\ u=-i+í" 6 u=.00 t _1.2 (c\ 182.s912 (ó) 0.00 8.84.r3.20 E.21 0.40 6 A:32.92.71. - 1.) 1.115. 0. (o) v=0.6 E.9?. 37. Mediante un ensayo unilateral no puede rechazarse la hipótesie.21r*O. (a) 24.E6.79.188 ¡ (c) r32 8. 0.60 (ó) 17.7l4r (b) "=t*lu 10.108.6t-t.8861 1 t.96. (b) d 8.67. ft (d) Bg? (b') A=32.8.?8 + 1.?801 y . (a) 0.ss56' 8. -0.24.66.69.0 8.408 + 0. (a) 0.6tly E.szos 8. r¡o¿ = fi -o.IBB72 616 8.112.0 4.000 + 0.14¿0.08?86 o¿ (ó) (c) t?0 ft.rz 8.Z.96.2928 y 0.85.151{" ¿O ó U -92.8r*12 (b) r= 0.427Y 61.24 (b) 8.0 t 8.91¿6 y y 0.13 + 0. (¿) 0.?961 y (ó) 0.109.1r4.0 t 5. B. (o) 1.60 (ó) 1.0 a (b) B?. =0.00*1. (a\ 0.111.70.1 E. (o) 1. (a) 0.80 E.E0.14(10)0.661¡ (c) r = -14.

una diferencia significativa en sus calificaciones a ambos niveles. una diferencia significativa en marcas al nivel 0. 415 8. 9. 8.3?.01.35.4653¡z. una diferencia significativa en operarios pero no en máquinas. (o) u = 3. 9. 9.38.32. de julio de 1950 (d) 142. 9.42.9254 y 0.05 pero no al nivel 0. Flay una diferencia significativa en los métodos de enseñanza al nivel 0-05 pero no al nivel 0.23.126. Igual al hoblema 9.7 (e)1977 1o.01. No hay diferencia significativa en operarios o máquinas.130.25. 9.36 lb 3.116.0.01 .43. 9. No hay diferencia significativa en operarios o máquinas. (b)y:18.1083¡*0.33.05.66.(b)y:722. 9.16-0.4 (b) 116. No hay diferencia significativa en el tipo demaíz o suelosal nivel 0.36. No hay diferencia significativa en los sitios o fertilizantes al nivel 0. 0.30 pulg.dondeyeslanatalidadpor1000habitantes. 0.27. Ilay 9.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 367 8. llay 9.24.120.01. (a\ 20.128.4 libras 8. Hay una diferencia significativa en los sitios pero no en los fertilizantes aI nivel 0.9*4.6402 si la unidad 8. 9. 9.34. No hay diferencia significativa en el color del pelo o estatura.38. No hay diferencia significativa en neumáüicos a ningún nivel.05.44.01. 9. Hay una diferencia significativa en el tipo de maíz pero no en los suelos al nivel 0. 9.31.L27.125.129.42*2. llay una diferencia significativa en neumáticos y automóviles al nivel 0.deenerode1954. CAPITULO 9 9. (c) si no (ó) 8.l31. 9.38x E.4547 8.05.6158 E.oy:107.7 y 173. 9. tlay 9.¡es5añosconorigenen julio de 1935. No hay diferencia significativa en los métodos de enseñanza o plantelesal nivel 0.05. una diferencia significativa en rendimiento a ambos niveles. Igual al hoblema 9.7096 y 0. 9.33 r .26.43.9653 (D) 8. . 0. flay 9.40: No hay diferencia significativa en neumáticos o automóüles al nivel 0.4f.39. No hay diferencia significativa en fertilizantes o suelos.11?.lgxsilaunidadxesLl2añoyelorigenesel ¡ es un año y el origen es el 1o.

pero las debidas al LQ.Q.368 RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 9.66. No hay diferencias significativas debido a sitios o fertilizantes. 9.55. 9. y canüidades del primer compuesüo químico.ó. llay diferencias 9. sílo son. No hay diferencias significativas debido a los químicos o s¡tios. fuual al hoblema 9. significativas en los puntajes de los exámenes debido al estado veterano y al I.4E. . No hay diferencia significativa en los puntajes de I. FIay diferencias significativas debidas al factor 1 pero no al factor 2 o tratamienLos A. No hafl diferencias significativas debidas a los factores o tratamientos.45.63.46.3. Al nivel 0. 9.52. 9.54. pero no otras dife- ' ltray diferencias significativas en tipos de cables pero no en operarios. pero hay diferencias debidas al I.47 No hay una diferencia significativa en rendimiento escolástico debido a diferencias en estatura. C. 9. color del pelo o Iugar de nacimiento. B. máquinas o fortaleza de cables.61.01 las diferencias en los puntajes del examen debidas al estado veterano no son significativas. 9.49. llay diferencias 9. ltray diferencias signifrcatiyas en especies renciag signif icat ivas. No ha! diferencias significativas en los puntajes de los estudiantes de diferentes partes del país. 9.05. No hay diferencia significatirra en tratamientos a cualquier nivel.Q. al nivel 0. significativas debido a los sitios pero no a los fertilizantes.62.64.Q. 9. 9.54. 9. 9.

320. 134. 108 bloques. 31ó álgeb¡a de sucesos. 345 tipificada. 46. r97. 264. 1 conjuntos disjuntos 3. 81. 267. L28.237-239 aleatoriedad. l. 143. 118. 163 decilas. 12. 21 diagramas de Venn. 108. 89 282 diagramas á¡bol. 316 püa de tres factores. 264. 259 típica (uéose desviación tíPica) desiación media. 297 poblacioml. 13 2. principio fundameotal de. 177. reglas de. 34ó cu¡va normal tipificada.297 teo¡ía muest¡al de. 9. 332. 246 muestral. distribución gaussiana. 8ó decisión. 316. 266 (véose tom' bi¿n conelación y reg¡esión) curva de potencia.246 Datos agrupados.2A2. 163.28l-244 fórmula p¡oducto-momento para el. 117. 88. 6 conección de Yates para la continuidad. 6 conjunto nulo. 25-2 7 análisis de v xianza. 347 como caso especial de la distribución gamma. 9.78.118 propiedades de la.310. 263. 1 (uéos¿ también conjuntos) clases y frecuencias de clase. 7L. 118. 46 casillas. 94. 135 teoremas sob¡e la. 135 distribución bimodal. 295. 265-267 coeficiente de correlación lineal.26l múltiple.129 distribución exponencial. 1l uti¡izando p¡obabilidad. 26 4 coeficientes de confianza. Só. 1 18 distribución chi-cuadrado. 218. 23. 119- 310. coeficientes de. conelación y reg¡esión üneal perfecta. 3 1 5 altamente significativos. 85. 247 332. lO9 (véase tomb i¿n distribución no¡mal) distribución geomét¡ica. 164. 263. 3O7. L27. 1 77 combinaciones. 11O. 1 13. 2 constante de Boltzmann. 333 cociente de inteligencia.293. 291 26r. 11. 306-338 fórmulas cortas en el. 116 cuenta. 1 17 moda de la. 2a5'247. 116 reJación de la a la dist¡ibución normal. coeficiente de. 309 media y varimza de la. 22O.37 Cambio de variables. 306- continua a la derecha. 5 completa aleatorledad. 26+ 246 püa datos agrupados. 115. 230 coeflcientes binomiales.lndice Ajuste de datos po¡ distribuciones üeóricar. lO.2 conjunto universal. 217 convoluciones.125. 47 para el caso disc¡eto. 30. 33O cuadrados latinos. 11O á¡eas bajo la. 263.294 generalización del. 216. 344. 144 cont¡ngencia.316-321 aproxirración de Stirling a nl. | (uéase también conjuntos) columna de conteo. 319. 315.269 cunas de regresión no lineal. 61 disÉibución beta.112. 97 también varianza) dewiación tÍpica. I29 aproximación normal a la.3f6 bloques aleatorios. 217. 111 r34 distribución de Pascal.145 ajuste de datos por. 47. 117. 23A. 112. 184 categorías. completa. 82 cuadrados greco-latinos. 349 distribuciones gamma. 2L7.86. 115.11-13 teoremas sobre. 82. 112. 116. 264 curyas OC. 232-236. 217. 321. 83.97-99. 267. 83. dewiación. 284.118 distribución hipergeométrica. 311. 112 de Ia distribución normal.2L6 área bajo la. 269 ensyo chi-cuadrado Pua la. 134 cuilas cdacterÍsticas de operación. 127.244 conelación. 266. 225 análisis combinato¡io. 2ó8 94. 258-3O5 gradual. 28L-284 ensayo de tripótesis y significación para el. 11. 10. colección. ó conjuntos iguales. 27. 119 distribución ¡'. 220. número desigual de obseryaciones en 312-315 experimentos conjuntos. 142 relación de la con la binomiál negativa. 4 conjunto vacÍo o nulo. 177. 1 conjuntos medibles. 2ll.243. 99 (uéase tombién distri' bución normal) áreas bajo la. 237 dispe¡sión. 112 relación de la a la distribución binomial.311 aleatorios. 296 independencia y. 11. 130.135-137. 268 generalizando. 139'141 teoremas sobre la.322 para experimentos de dos factotes. 254. 161. 316 27 distribución binomial negativa. 316 diseño experimental. 297 distribución de Bernoulli (uéose distribución binomial) distribución de Cauchy. 342 axiomas de probabilidad. E4. 92- curua cuadrática.163 centroide o centro de gravedad de los datos. 129. 2 (uéose deteminación. 115. 295. 224. 78 diseño de experimentos.324 cuadrados ortogonales. 221-226. 40 control de caüdad. 296 Poisson a la. Bernoulli. 321. 109 de la distribución de Poison. 306.281-289 tabla. 47. 56-60 pua el caso continuo. 117. 109.244 cuwa nomal. James. 78. 118 valores de Ias percentilas de Ia.L28 relación de la a la distribución de Poisson. 117 ¡elación con la chi-cuad¡ado y t. 345 ordenadas de la. 84 ajuste dé datos por la. 31 curtosis. 234. 183 de la distribución binomial. 317.348. 133. 248 curuas de aproximación. 3 264. 25 coeficiente de conelacion.333 para experimentos de un factor. 258 relación de la a la distribución norrnaI. 6O. 1O9 relación de la a la distribución normal. 1O8. 219. 1 51 contado¡ Geiger. 118. 24O. 9. 213. 268 r23 aproximación de la dist¡ibución de interl¡retación probabilfstica de la.263 covuianza. 316 bondad del ajuste. 21 1 desigualdad de Chebyshev. cuenteo. 3f6-321 clasificación tríp¡e o factor tres expedmentos. 198. 248 decisiones estadlsticas. curua de ajuste. 244 264. 11. 29G 292 correlación gradual. 268. 112 clasificación simple o experimentos de un factor. 139.324 el. L24. 328. 217. 85. 115. cumplemos. 19ó coeficientes de correlación múltiple. 3 dimensiones o unidades. 316. 26O clase.242. 26 4. 316. 246. 136. 133 . 168. 92-94 teoremas sobre la. 100. 114. 197. 46. 239 propiedades de la. 82.213 Bridae. 264. 31O. 13 conjuntos bien definidos. 138. 232-236. 344 curua parabólica.112 219. 315.169 negativa.315. 2.97 dist¡ibución binomial. problema. 2a6-2a7 . 118 distribución de Poisson. 258. 24 complemento de un conjunto. ' dife¡encia de conjuntos. 118. 116. 263.

267 formas igualmente factibles.277 para el plaao de regreslón de mfnimos cuadrados. 1 de proporciones. 4 espacios muestrales no disretos. 194-210 eficiente. 141 probabilidad. en téminos de varimzas y del coeficiente de conelación.39.A. 213 para va. 214. probabilidad de.266.lores medios predichos. 164 acumulada.61. 84 distribución multinomial. 31 1 experimentos de Mendel. 194-2LO. 81 fórmula de Spe¡man pa¡a la cor¡elación gradual.pua el coeficiente de correlación. 38.263.268 pua grar¡des muestras. definicid¡ de la. 194 estimas por intenralos. 313-315. 243 ensayo de bipótesis y significación. 132. ó2 de funciones de vuiables aleatorias.S. 218 frecuencia porcentual. 81. 164. 216 para coeficientes de regresión. 54 de sumas de variables aleatorias. 160. 2r9. 279 efectos de bloques.171173 de medias. 295. 267 3-2L5. traslación de. 91. 220. 76. 6 enfoque a priori de p¡obabilidad. 27 O. mediante la disúribuclón F. 194 (uéate estimas insesgadas) toñbién mediante diferencias de medias. 223. dualidad. 38. 213 ensayos de una cola. 113. 179 relativa. 124-127 ajuste de datos por la. 184 de medianas. 168- de ¡elaciones de vuiauas. 164 distribuciones de probabilidad. 25. 299 er¡ores del tipo I y del tipo II. 1ó chi-cuadrado y.ent. 314.179 distribuciones de frecuencia ¡elativa. 267 pua valores predlchos. 157 función de densidad normal tipificada. 29A espacios muestrales infiniio no conta- fumión complementaria de error.47 disc¡etas. 43-46. 83. Futl. 163.249 distribución nonnalr 109-1 11. 162.177 enfoque de la frecuencia relativa de 308. 156. 198.293. 138. 16ó. 212. 2L9. 117 disribución trimodal. 47 interpretación gráfica de la. 6 enfoque clásico de probabilidad. 116. 286 fórmula producto-momento para el coeficiente de cor¡elación lineal.226-228 mediante diferencias de proporciones. 44. 44 va¡ianza pa¡a. 263.274. 119 distribución muestral. 114.. 26ó también esperanza) estadfstica Bose-Einstein. 16G162. 162 INDICE efectos de tratarniento. 212. 311 notación paa. 92. 6 ensayo chi-cuadrado para bondad del ajuste. 231 experimentos de clasificación doble (uCose experimentos de dos facúores. 41 distribuciones de probabilidad discret¿. 110 espermza matemática. 36 función aleatoria (uécse vuiable aleatoria) función beta. 114 relación de la a la disEibución binomial. 49.6 286. 162. 4 espacios muestrales inflDitos contables. 164 distribuciones de fiecuencia acumulada. 39 (uéase tambíén funciones de distribución) función de distribución conjunte. 326 función de distribución acumulada. 194. 4. pua variables aleatorias contfuruas. 4O. 118. ?7 muginal. 113 distribución Maxwell. 324-327 variaciones pa¡a. 211267 estimas no eficientes. 216. 17?179 acumulada. 216 Fermi-Di¡ac. 312 efectos de lnteracción. 41 de funcit¡nes de vadables aleatorias. 3 7 Fisher. 40. 63.215. 4 espacids muestrales continuos. 341 fracaso. 237. 2t6. 285. 5 enfoque uiomático de ptobabiüdad. 269. 198.139-141 ¡elación de la a la distribución normal.282. 221-226 mediante proporciones. 264. 290 estima. 259 estimador insesgado.¡ecuencia marginal. 286-287 . 213. 297 f¡ecuencia observada. 137. 117. 163. 44 dis¡etas. 161. 262.22L.370 media y vaxi^nza de la. error típico de la (véose ettot tfpico de la estima) estimación. 342 función característica. 5.226-22a mediaate la distribución chi<uadrado. 346 media y vaianza de la. (pe¡cepción ext¡as€nsorizlr. 266 para vrimzas. 218. 163. 6 fórmula de inve¡sión. 262. 1ó7. 1Og de la distribución de Poisson. 222 escalera flor. 142 distribuciones condicionales.312. 99 de la distribución binomial. R. estadfstica. 43. 296 derivación de la. 260. 44 . l6 3 frecuencia relativa. 98. 42.294 fómulm de Euler. 2I9. 289. 119.214 püa pequeñs muestras. 28t. 77 espermza condiciona!. 138. 1ó espacio muest¡a] finito. 156. 289. 311 distribución t Student) 163 acumulada. 293. 77. 194 estimas sesgadas. 22L- experimentos de un factor. 263. 117. 261. 77 (uéose dos. 306-31O. óo conti¡uas. 310.4. 343 función de densidad. 81 ble. 3 Ecuaciones norraales pua la recta de mfnimos cuad¡ados. 5. 84 distibución uniforme.178. 196. experimentos de dos faetores. 2ó9. zLl. 1O8 expamión multinomial. ó1.160. 276. 199 insesgada (u¿ose estima iDsesgada) estimas de máxlma verosimilitud. 44. 266.2La. 4 46. 118. 82 distribuciones de frecuencias. 83. probabilidad de. 35 estadfstico no puamétrico. 161.318 de vuianzas. 2L9. 312 Einstein-Bose. 94. 297 e¡rb¡ o residuo. 13ó función de densidad para la. 260 elementos o miemb¡os de los conjuntos. 157 de dewiaciones típicas. 159.229-231 2L con repeticiooes. 194 e¡aor tfpico de la estima. 162 de difetencias y sumas. 231. 117 teoremas sobre la. 265 77 38.2t6 ¡elación con la teorÍa de estimación. 162 distribución multimodal. 80. 44. 306 Fistre¡. 92.294 pa¡a la püábola de mlnimos cuad¡a- teoremas sobre. 4ó para valiables aleatorias dlscrets.201 esti¡nas insesgadas. 163. 111 teo¡ema de la unicidad para le. L4l 11 8. 111 distribución nomal bidimensional. 133 distribución Weibuü. 215. 4 espacios muesfales discretos.216. 198. 157. 36 E. fó8. 260 ejes. 113 experirnentos aleatorios. 217 ensayos de dos colas. 194 estimas po¡ puntos. 3O8 error tfpico. 2 interacción en el. 48. 2L6. 1?3-176 de varios estadísticos. 4 esperanzar 76. estadfstica (uéose estadís- tica Bose-Einstein) e1e x. 8l totales. 52-56 continuas. 164 f¡ecuencias elementales. 287. 117 relación de la a la chl-cuadrado y F. 266. áreas bajo mediante relaciones de varianzas. 297.) distribución porcentual de frecuencias. 236 mediante la distribución normal. 61-63 distribuciones co¡iuntas. 43 teoremas sobre la. 16-321 225 la. distribución de 2t6. I76. principio de. 206. 1O8 expansión binomial. 199. 178. 1O8 . 2L4. 81. 186 estadlsticos muestra¡es. 115. t7l enfoque a posteriori de Drobabilidad.P. 267. 113. 16ó-168. 238 bidimensional. 278. 14. 109 propiedades de Ia. distribución f de Stud. ó3. 158. 112 de la distribución normal. 4ó. 178 (uéo¿e 213 mediante la distribución f de Student. 14. 159. éxito. t¡ansformación Z de. 39. óó estatura de padres e hijos.244. 290 . 52 distribuciones de probabilidad condicional. 198. 64 293. 162. 164 acumulada.279- 164.2A6 224 espacio muestral. 86-E8 condicionel. 94. 273. 194 estimas. 241 3 mediante medias. 45 función de densidad conjunta.196. 160. 262. 261. 41 conjunta. 6.

89'91. 3. 342 función gamma. 3. (cociente de inteligencia). 1O9. 1ó8. 259 ir¡tetcepto. 266- 4t. 164 operaciones de coniuntos. 1 (véase también conjuntos) prábola. 45 funciones de distribución. 2. 76 de una muestra. 342 27. 1ó6. r23. Ojivas. 37 Poisson. 221 experimental o descdptivo. 156 parámetros de la.219. 171. 1 polÍgono de frecuencia. 200 número. 166-167. 311. 76. LS7. 269.5 probabilidad condicional. 11? de un conjunto de números. 85. 84. 312 g¡an total. 196. 6r 3 ley de los grandes números. pea conjuntos. 2 logúitmos comunesr tabla de. 155. 3O6 de de de de medias de grupo. 86.249-292 n factorial. 83. 156. 4O función factorial. 194. t71. 199-201 grupo. 117 modelo matemático lineal pua el análisis de va¡ianza. 163.2O3 para relaciones de vuianzas. 54. 44 371 molécula de gas ideal.23O Herencia. 1O9. 164. 211 (uéase tombián ensayos de hipótesis y significación) hipótesis nulas. 206 modelos matemáticos. 177. 2 pea vErian¿as. 8 3O7. ró9 población infinita. 159. l2 computación de la. L22. 183. 44. 243 pua paábolas. 46. 156 población multinomial. ensayos de. 6. 2 lntcnalos de confianza. 179-183 la distribución binomial. 268 para vuiables aleatorias continuas. 43 4O 268. 1 método de expansión. 264. para el análisis de la varianza. 79 condicional.45. 2+2.312. 351 loterm. 97 mejor cuwa o recta de ajuste. 113. 47 para conjuntos. 94 función escalera.49. 45. 96. 8O función monotónicamente creciente.50.Q. 155 población binonial. 94 moneda cargada.342 función gene¡atriz de momentos. 1 56 independientes. 39.44. 6 muestras. 204 para medias. 123 de la distribución chi-cuadrado. 1 56 partículas radioactivas.179183 momelltos centüales. S. 49. 1ól momentosr 79. 79 alrededor del origen. 84. 311 mediana. 2.268 funciones de probabilidad marginrl. 2O2. 157 media total. 163. 350. 84. 178 moda. 85. 13 en los zucesos.84 Papel gráfico de curya normal. 5ó.293 medidas de centralización. 159. 55. 48. 156 196 Ley asociativa.) mÍniinos cuadrados. 177. 12. 177 muestreo. 196 muestras aleatorias. 259 método de comprensión. 8O. 97. 32 parámetros poblacionales.¡los abierto y cetrado. invuianza baio üanstotmacióD. 13ó de la distribución d€ Poisson. 39 condicional. 81.313 ? probabilidad. débil ros) (ué¿se muestras independientes. 1óó. 162 no unicidad de la. 194-206 para diferenciás y sumasr 196. f 56 alrededor de la media. 217 259 236. 2t3.237. 186. 18O- población normal. ó8. L21 Jacobiano. 159 normal. 3. 40. 114. 343 central. 80 teoremas sob¡e la. 43. 117. 99 pe¡cepción extransesorial (udase E.97 (véase tanrbién esperanza) pados. 308.297 miembros o elementos de un coqiunto. 198. 36. poker. 342 fórmula asintótica de Stirling pa¡a la. 1^O. 76. 213 números rleato¡ios. 217. 95 para las pruebas de Bernoulli. 306. á1 lÍnea real. 3Oo funciones de distribución marginal.234 pare propo¡ciones. 196 población finita. ó4.D. lO9. 27 . 111 21 E inte¡ralo semi-intercuütÍlico. lf l. 136 gráficos de control. 184 teorÍa de correlación y regresión. . 313 polÍgono de frecuencias 179. 47. 227. \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. 69 para datos agrupados. 48 probabilidad de causas (uéos(f teorema teoremas de la. 1 44 pe¡centil¿s o valores percentüa. f16. L78 I paradoja de Russell. 39.312 ordenadas. 158 I. 1ó5. 163. 38 marginal. 23O inferencia estadística. gran media. acumulado. 259 para curvas. 8.P. 86 Marca de clase. 198 dist¡ibución de muestreo de la. 306. 206 semi-cerra2dO. 2O4. para datos agru- Gas ideal. 217 gráficos de control de caüdad.241 hipótesis estadísticas. 84. 112 de la distribución normal.98 de la dist¡ibución binomial. 89-91. ó6. 126. para la convolución. 276. 17? niedia. 84 (véose también media) media muestral. 11 método de mínimos cuadrados. 163. 63 función de Drobabilldad coqiuDts. 1 7-2O función de la. 47 Pata conjuntos. 21 hipótesis. 3 inteivalo de clase.166. (uéqs¿ rectas de mÍnitnos cuadrados) método y fórmula clave. 97 medias de fila. 352 números complejos. 2 núme¡os ¡eales. 3O6 medias de tratamiento. 21?. 11ó. 341. ll. f96-202 L44. 111 de la distribución ú o de Student. 197. 163. 19ó nivel de significación. 84. 1ló de la distribución F. 84. 3 ¡ey conmutativa. 309. 308.297 198 para rectas. 179 acumuladas. teorema de la unicidad pea la. 98 integr¿les especiales. 1. 26. 13 lÍmites de confianza. 1ó1 grados de libe¡tad. para la convolución. grupo control. 1r6. 211.266 pe¡mutaciones. 184. I 55 integrales de Fourier. 110 eomplementaria.164.272 función error. 123 la distribución de Poisson. 164. 6 suma de los pa¡a la distribución chicuad¡ado. 27-23 población. 342. 97 medidas de dispersión. 164. 212.5ó marginal. 19ó. 79 intenalos geml-abiertos o dos.179 ojivas porcentuales. 277. 156. 85. 76. 26O intetsección de cotiuntos. 205.165.221 experimental o descriptiva. 1á6 con o sin remPlazamiento. 1O función paso. 41. 197. 96.22O. aproximación de Sti¡ling a. 164. 199. 312..INDICE función de probabilidad. 196. 83. ó3 niveles de confianza. 203. 195 (uéose tambíén lÍmites de confianza) IÍmites reales de clase. 342 fórmula de recunencia ptala. 45. 266. 79 momentos condicionales. 80. 44. 183. 13 Iey distributiva. 112 la distribución F. 47.S. 157 media ditmética. 96. 195. 158. 269. 96 de la dist¡ibución beta. 195 lÍmites fiduciales. 61-63 conjunta. 214 histograma. 292. 241 tabla de. 156 tamaño de la. 224 tabla de. 42 para variables aleatorias discretas. 40. 96. 117 la distribución normal. 155 aleatorias. 44 g¡andes muestras. 1ó8. 26L. 171. para la convolución. funciones de densidad marginal. 165. 3O7. 224 niveles de significación. 15ó. 156. potencia de un ensayo. lnteÁ. 6 moneda b-omada.

2a7. 292-294 cov^rianza. dist¡ibución muestral de. 64 probabilidades. problema de los. 243246 tablas de frecuencia (uéose ta¡nbién distribuciones de frecuencia) variables aleatorim distribuidas binomia¡mente. 254. 15 utilizando el análisis combinatorio.161:171 prueba de Bernoulli.3il1 Taylor. 21 variación. 123 de la distribución de Poisson.89 combinada. ó2-56.experimentos de dos factores.4 Recorrido. 82 veiables aleatorias normales asintótica- ley de los grandes números paa 109. 131 prueba del.273 en términos de varianza muestral v teoría de muestreo exacto. 164 probabilidad geométrica. 78 unidades tipificadas. 79 pados.114. 97. Tabla de probabilidad coniunta. 264. 31 1 entre y dentro de tratamientos.2a4. 281.244 representación gráfica. 324-321 residuo. 263. 219 en anáUsis de varianzas. invarianza bajo. 111 vuiable estocástica (véase vuiables valores exponenciales. 37 serie de Fourier. 8O dist¡ibuidas binomialmente. 216 como segundo momento. 49. 7. 161. 49 ¡éplicas. 271 referencias tipificadas. 111 de la dist¡ibución t. LIL. aleatorias) 2 2 241. Valores críticos.115 variables aleatoiias con distribución chi- ta. 216 var\anza muestral. 249 de vaiables aleatorias distribuidas normalmente. 1 14 independientes. 281.259. 259. 242. 262. ó sucesos. 3O9 ent¡e filas o tratamienúos. 226 . 108 pruebas de Bernoulü.98 serie de Taylor. 259. 58. 1O8 variables aleatorias dependientes (uéose variables aleatorias independieDtes) vaiables aleatorias discretas. 260 variaciones. 164. 242. 11O v&iables aleato¡ias dist¡ibuidas uniformemente. 289 ecuación.lasificación simple. 112. 6 suceso seguro.262 27 a. 113. 30. 195 valo¡es de tendencia. 6. 63. 183 de la distribución binomial. ó-7 sumas es¡reciales. 311. 264. 8O ¡acte¡Ística. 3O7. 2ll (véase tombién ensayos de hipótesis y significación) vaiables aleatorias con dist¡ibución Cauchy. 266. asignación de las. 306. I7 -2O. 3O9 regresión múltiple. 176 velocidad efectiva (¡ms). 322-327 tabla de c. 1ó8. 81 transformación Z de Fishe¡.245 en análisis de varianza. 11 1.81.38 discretas.110 vüiables dependientes. 259. 1 ilceso imposible. 26O. 160 esperanza de Ia. 27 8.94 de la distribución binomial. 38. 264-27 4. 6. grados de libertad 311 métodos cortos paa obtener las. 258.85. 3Og pua las.317. 108. pda la función generat¡iz tos.272 318 grados de libertad para.88.2a2. 5O con distribución dg Poisson. pa¡a la función ca- vaiables aleatorias independientes. 31O. 289. 1 I O región crltica. 42. 81 transfomación.63 vüiables aleatorias no relacionadas.260 pua vriables aleato¡ias distribuidas binomialmente.2ó9 coeficiente. 326 diag¡ama. 2t9.158. 262.262 vüiación explicada. 9. 38.lores esperados de las. 261. 8. 79 vriables aleatorias con distribución Be- serie". 262. va. 223. 29O curva.318 múltiple.49. 279 unión de conjuntos. 41 INDICE sobres. 291) universo del discurso. 237 . 63 no conelacionadas.124 las. 262. 2ó9 Sec¡etaria.287-289 transformada inversa de Fourier. 46. 266. 266. explicadas y no explicadas. 289. 49. 52-56. 158 de la distribución no¡mal.161 veiables aleatorir nomalizadas. 151 teorema de unicidad. 26O. 270 va¡iables aleatorias. (véase v atianza muesüral) continuas. 4. 89. 45. 97-99. 6 algunos teoremas importantes sobre la. I O8 distribuidas normalmente. 3O6 triángulo de Pascal.111. 266. 195. 20. 158. I 18 tablas y distribuciones de frecwncias de doble v&iación. 7. 212 ensayos de.78. 26A. 26I intersección de. 13O. 143.266. 26 2 teoría muestral de.2a5 vaiación no explicada. 266. 2AL. 156 temperatura Kelvin. 269. probabilidad empírica. 263. 64 gráfica.27l uperf icies. 79 distribución de las.123. 117 de la distribución muestral de medias. 260. 79. 195 desconoce la. 50 papel gráfico. l94 sÍmbolos de inclusión.86.372 o ¡egla de Bayes) concepto de la.81. 85. 213 región de rechace. 264.97 semi-intercuartr-lico. 130. 269 vdiables-transf o¡madas. 78 va¡ianza combinada. 23a como una función de valor real. 3O7. para un conjunto de números. 26-27 231. tabla de.2a5 vatiación residual o aleatoria. 266. 212 regla de Leibniz para la de¡ivación de una integral. 9. 50 dist¡ibuidas unifomemente. 17-2O. 341 ¡elación con las dist¡ibuciones t y F va¡iables aleatorias con dist¡ibución Gamma. región de. 81. 266.159. 79. 1Og de la distribución de Poisson.294 vaianza. 1O8 vuiables aleatorias distribuidas de a- cuerdo con la dist¡ibución Poisson. 3f 3-3f 5.2O2 interpretación probabilística de. 196 tigmpo de reacción. 194. 48. 266. 114 1ó8. 30. 262. 68 proporciones. 37 subconjuntos. 2a9.116 función (uéose función de probabilidad) geométrica. 115 cuadrado. ó. 15-17 p¡obablemente significativos. 311. para datos agrucondicional. 311. 297 tammo de la muestra. 46 scesos mutuamente excluyentes. 38. 131 teorema o ¡egla de Bayes. 269. 1?9-183 vriable independiente. 14. 131. variación total. 48 función de densidad de. 219. 29. S2 sin dimensiones. 242. 263. 22O tablas de con¿ingencia. 45. 79 tipificadas de. 352 293. 3O9. 217. 39. 8 cálculo de las.239 problema de la aguja de Buffon. I 1 O pila distribuciones conjuntas. 78. 1lO va¡iables aleatorias adimensionales. 117 muestral. ? sucesos independientes. 4. 312 regresión. 161. 5. 112 de la dist¡ibución normal.284. 212. 1O9. 25 Unidades o dimensiones. 22O. 263.39 vaiables aleatorias continuas. 79. 43 t¿blas de clasificaclón doble. plano. f91. 15 sucesos elementales.37. 85. 3O7 para . 3O8. entre columnas o bloques. 112 de la distribución f'. 198 rectas de mÍnimos cuadrados. 5 condicional. 258 punto muestral.249 computación de la. caso donde s . 151 82 seguridad. 8O sesgada a Ia derecha o a la izquierda. 67. 85 sesgo.285 recta. 29. 317. 3 significación.2a4. 83. 38 variables aleatorias de la distribución de Bernoulli.6O teorema del límite central. 1 subconjuntos p¡oFiós. 89. 26? traslación de ejes. 265. problema de la. 63. 2O1 t¡ansformación de Fourie¡. 311 tratamientos. 27 I relación fineal. 284.115 vtianza poblacional. 164 dist¡ibuciones de la. 46.284 relaciones no lineales.82 de momen- mente. 165. 48.

.

.

l .

.

.

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

Sign up to vote on this title
UsefulNot useful