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.

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

Parte I PROBABILIDAD .

.

describiendo alguna propiedad conservada por todos los miembros y por los no miembros.2. . o. mientras no se especifique lo contrario.e conjunto es un pilar fundamental de la probabilidad y la estadística y de la matemática en general. 2. En general.3. El primero se denomina el método de extensión y el segundo el método de comprensión. A y B no tienen exactamente los mismos elementos. 5.5. u ) es un subconjunto propio de {o. y un elemento por una leha minúsculao.5. llamados míembros o elernentos del conjunto. Si o y b pertenecen aC escribimos a. SiA C B pero A + B llamamos aA un subconjunto propio EJEMPLO 1. El conjunto { Obsérvese que el método de extensión no puede utilizarse aquí. como siempre lo supondremos. I a. debemos estar capacitados para determinar si un objeto específico pertenece o no al conjunto. Sinónimos de conjunto son c/cse. EJEMPLO 1. El conjunto de las vocales en el alfabeto puede definirse por el método de extensión como { a.1. Un conjunto puede considerarse como una colección de objetos. e } es un subconjunto. { 4 o. Un conjunto puede definirse haciendo una lista de sus elementos o. grupo y colección. i. 3. Obsérvese que la sola redistribución de los elementos no cambia el conjunto.4. uloporelmétododecomprensióncomo{rlreeunavocal}.6. _ Si un elemento a pertenece a un conjunto C escribimos a€ C. i. EJEMPLO 1. si esto no es posible. e. 4. SUBCONJUNTOS Si cada elemento de un conjunto A también pertenece a un conjunto B llamamos a A un subconjuntodeB. b e C. e. C.6\. o. EJEMPLO 1. En este caso AyB tienen A+ Si A no es igual a B. es decir si B. u}. 3. puesto que los dos conjuntos son iguales. 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. el cual es un subconjunto (propio) del conjunto de todos los resultados posibles {L. a. o. u. ¡ |¡ es un triángulo en un plano ) es el conjunto de los triángulos en un plano. léase"elconjuntodeloselementos¡talesque¡es una vocal" donde la línea vertical I se lee "tal que" o "dado que". escribimos de B. 4. Sic noperteneceaC escribimos a é C. EJEMPLO 1. denotamos un conjunto por una letra mayúscula A. e. i. 6). Al lanza¡ un dado los resultados posibles cuando el resultado es "par" son elementos del conjunto {2. Se sigue que para todos los conjuntos exactamente los mismos elementos. pero no un subconjunto propio._l 'Cupítulo Coniuntos y probqbilidqd EL CONCEPTO DE CONJUNTO 7 El concepto d.escritoAcB6B:Ayleído"AestácontenidoenB"o"BcontieneaA" respectivamente. B.2.4.6}. de {o. i. u}. EJEMPLO 1.b. A tenemos A C A. Si Ac B y B CAllamamosa A y B iguales y escribimos A : B.Para que un conjunto seabiendefínido.

el conjunto de todoe los resultados posibles es el universo {L. Si AC B y B CC. o simp espacio uniuersal y se denota por u. sirven para da¡nos una intuición geométrica respecto a las posibles relaciones entre conjuntos. 1-2). Unión. es un EJEMPLO 1.2. El conjunto de todos los elementos (o puntos) que pertenecen a A o a B. 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 . Intersección. DIAGRAMAS DE VENN Un r¡niverso u puede representarse geométricamente por el conjunto de puntos dentro de un rectángulo.T. se llamala unión deA yB y se escribe Au B (región sombreada en la Fig.a CONJUNTOS Y PROBABILTDAD lcAP.3. 1-4 2.JNTO VACI( Para muchos propósitos restringimos nuestra d fico denominado el uniuerso del discurso. Si lanzamos un dado. EJEMPLO 1. CONJUNTO UNIVERSAL Y CONJI. EJEMPLO 1.7. OPERACIONES ENTRE CONJUNT\OS 1. . El conjunto de todos los números reale¡ nulo o vacío ya que no hay nfimeros reales cuyos cua números complejoe el conjunto no es vacfo. 1-3). 5. 1 El teorema siguiente es verdadero para cualesq Teorema I-I.8.9. 6}1. 1-1) se representan por conjuntos de puntos dentro de los círculos. El conjunfio de todos los elementos que pertenecen simultáneamente a A y a llamala intersección dd Ay By se escribe A ñ B (región sombreadaen laFig. Los elemenr Es útil considerar un conjunto que no tiene r uacío o el conjunto nulo y se denota por p. En tal caso los subconjuntos de zt (como A y B indicados y sombreados en la Fig. Tales diagramas denominados diagramas de Venn. o tanto como aB.4. l -2 Fig. Fig. entonces AC C. l-3 Fig. El conjunto de loe rcsultados que consisten de las caras 7 u 11 sobre un solo dado es el conjunto nulo.

1'6). Diferencia. cyf. l-6 AIGUNOS TEOREMAS RELATIVOS A CONJI. interrecciones por uniones.4u(anC) = (AuB)n(AuC) A-B = AñB' Si AcB. PRINCIPIO DE DUALIDAI) Cualquier resultado verdadero relativo a conjuntos también es verdadero si remplaz-a¡nosr¡niones -conjuntos por sus complementos y si invertimos los por inteÉecciones.AnQ=9 AU'al -. En la Fig. A y B son disjuntos. el B y lo escri se llama saXl-B Fig.{ = A Primera ley De Morgan Segunda ley De Morgan Para cualquier conjunto generalizarse (véanse Problemas 1.guenotienenelementoscomunes'sella¡¡ran coniuntos disiuntos.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 .An(BnC) = (¿nB) nC -. 3. t-Lzb A YB y 1-13 pueden y 1.B (región sombreada en la Fig. u el 1/.69 AUQ-A. escrita por A .1l CONJUNTOS Y PROBABILIDAD DosconjuntosáyBtalesqueAnB:p.4u^B)uC I. AnU (AuB)' = A'ñB' (AnB)' = A'UB' A = (AnB)u(AnB') Los teoremas L-Lzo.esdecir.'NTIOS AUB = BUA Au(BuC) : (.11. L'L.cAP. se escribe Fig. El conjunto que consiste en todos los elementos de A qtlle no pertenecen a B llama la diferencia áe A y B. l-5 Fig. símbolos de inclwión . 1-4). 4.. se B Si A : UB).74).AñB1C An(BuC) = (AnB)u(AnC') . entonces A')B' 6 B'c.

Unespacio muestral que es finito o infinito contable frecuentemente se denomina espacio muestral discreto.SS) caras.1 0. 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. no defectuoso}. En tal caso es deseable utilizar números en cambio de letras siempre y cuando sea posible. 1)). EJEMPLO 1. g. EJEMPLO 1.6). impar) Sin embargo. Sin embargo. Si un experimento consiste en medir "la vida" de las lámparas eléctricas producidas por una compañía. Un suceso es un subconjunto A del espacio muestral. por ejempio. entonces el resultado del experimento es el tiempo f en horas que se encuentra en algún intervalo. el resultado del experimento es que algunos pueden estar defectuosos. etc.14.CONJUNTOS Y PROBABILIDAD [cAP.16. un espacio o conjunto muestral de todos los resultados posibles se da por {1. Tales experimentos se denominan experimentos aleatorios. EJEMPLO1. por ejemplo.12) puede dibujarse por puntos en la Fig. se denomina espacio muestral infinito contable. .16.dsdecirdos EJEMPLO 1. es decir SC.en tanto que uno que es infinito no contable'se llama espacio muestral continuo o no discretoSUCESOS posibles.elresultadopuedeindicarsepor{CC. Los siguientes son aLgunos ejemplos.3.tal como 0 f r: S 1. (0.12. 'EJEMPLO 5. Silanzamosunamonedadosveces. 1 EXPERIMENTOS ALEATORIOS Todos estamos familiarizados con Ia importancia de los experimentos en la ciencia y en la ingeniería. hay experimentos en los cuales los resultados no son esencialmente los mismos a pesar de que las condiciones sean aproximadamente idénticas. Así cuando se produce un tornillo será un miembro del conjunto {defectuoso.5. 0 ú :: 4000. Frecuentemente es útil dibuja-r un espacio muestral gráficamente.CS. 4. simbolizado por S ( ó 0 ).1 ) representaselloen el primer Ianzamiento y cara en el segundo lanzamien[tr. Un principio fundamental es que si efectuamos tales experimentos repetidamenle bajo condiciones aproximadamente idénticas obtenemos resultados que son esencialmente los mismos.SC.esdecirunodeloselementosdelconjuntóíqs)(ó{0. simbolizadaporc(ó1).11. cara la primera y sello la segunda. como en el Ejemplo 1. 6 | en tanto que otro es lpar. 1-7 donde. 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 puntos como hay en algún intervalo en elejer. Si tenemos una máquina que produce tornillos.13. Si lanzamos un dado. Obsérvesé que eJ córresponde al conjunto universal. . donde suponemos que ninguna lámpara eléctrica dura más de 4000 horas.15. Si lanzamos una moneda eI resultado del experimento es un "sello". sedenominaespacio muestral infinito no contable.se denomina espacio muestral finito. EJ EMPLO 1 . l-? tos como números naturales 1..or . Si un espacio muestrdl tiene un número finito de puntos.2.. si un resultado es divisible por 3. = 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. es lógico que el último no sería adecuado pan determinar. Si tiene tantos punl'ig. . 2. EJEMPLO 1. 3. Un suceso que consiste de un solo punto de cJ frecuentemente se llama un sueeso . 4. por ejemplo. Si elemental o simple. o una "cara".2. 1. si lanzamos una moneda dos veces y utilizamos 0 para represenmr sellos y l para representar caras el espacio muestral (véase Ejemplo 1. si lanzamos un dado el resultado del experimento es uno de los números en el conjunto {L.

Equivale adecirque laprobabilidad contrasu ocurrenciaesdel 75% al25vo o de B ai. CC. que se llama el suceso imposible puesto que un elemento de Q no puede ocurrir. un suceso ocurre h veces. CC} EL CONCEPTO DE PROBABILIDAD En. todos igualmente factibles. w tloríá de conjuntos e inversamente. AU B es el suceso "Aó B o ambos".esdecirAñB:Q. 4.[ proposicio Fig' 1-8 Empleando las operaciones de conjuntos en sucesos en Así si A y B son sucesos. Enfoque'clásico o a priori Si un suceso puede ocurrir en h maneras diferentes de un número total de n maneras posibles.cAP.18. 1l CONJUNTOS Y PROBABILIDAD EJEMPLO 1.como frecuencia relativa o a posteriori.lm9s que su probabilidad es cero. si la probabilidád es de 1f4. Si después de n repeticiones de un experimento. EJEMPLO 1. 1) y (1. entonces ta próbauilidad del suceó es h/n.ad con la que podemos esperar que un suceso ocurra es conveniente asignar un número enhe 0 y 1. 1-8. el suceso que sólo resulte una cara es el subconjunto del espacio muestral que consiste de los puntos (0. 2. Como sucesos particulares tenemos el suceso en sí mismo.17. Supóngase que deseamos la probabilidad de que resulte una cara en un solo lanzamiento de una moneda. SC. Por ejemplo. es decir que no está cargado. nes relativas a sucesos pueden traducirse en el lenguaje de-la Pu-esto que los sucesos son conjuntos es lógico que las particular tenemos página 3.B es el suceso "A pero no . SS) : eJ A-B- Añ B: {CS} {^SC. 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". simplemente "cara" y . SilosconjuntosconespondientesalossucesosAyBsondisjuntos. Como medida de la oportunidád o plobabilid. . frecuentemente decimos que los sucesos son mutuamente.B". excluyentes. Enfoque. 2.Puesto que hay dos maneras igualmehte factibles del resultado de la moneda. Flxisten dos procedimientos importantes por medio de los cuales podemos obtener estimativos para la probabilidad de un suceso. B : { CS. y el conjunto vacío Q. perosi estamos regutJs de que'el suceso no ocurriú d_e9. Al llegar a este resultado suponemos que la moneda es honrado.cualquier experimento aleatorio siempre hay incertidumb¡e sobre si un suceso específico ocurrirá o no. Esto también se llama laprobabilidad empírica del suceso. En ólgebra de sucesos que coffesponde al álgebra de conjuntos indicada en la e. que es el suceso cíerto o seguro ya que un elemento de eJ debe ocurrii. A' es el suceso "no A". CC}. entonces podemos obtener otros sucesos en cJ. 1. donde n es muy gmnde. A. 0). diríamos que hay y 26Vo de oportunidad de que ocurra y un 767" de opoitunidad de que no ocurra. Esto quiere decir que no pueden ocunir ambos. Si estamos seguros de que el iuceso ocurrirá decjmos que su probabilídad es 100% ó 1.19. A n B es el suceso'qtanto A como B" 3. Entonces A : {CS. SS } así tenemos A U B: {Cg A': {SSl SC. y de estas dos maneras una cara puede aparecer en una sola manera. entonces la probabilidad del suceso es h/n. si lanzamos una moneda dos veces. 1. como se indica en la Fig.'sello" (suponiendo que la moneda no se pierda ni caiga verticalmente). EJEMPLO 1. razonarno{¡ que la probabilidad requerida es 112.

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

4. Si asignamosprobabilidades iguales a lospuntos muestrales.entonces P(A) = P(AnAi + P(AñAz) *'. Az.. 1l CONJUNTOS Y PROBABILTDAD P(Ar) Teorema +P(A2)+. esdecir si suponemos que el dado es honrado... á3 son tres sucesos cualesquiera. Se lanza solo un dado. si A (10) t..P(üñAz\ - P(A|¡A.... Teorcma 1-20: Para dos sucesos AvB P(A) Teorema = P(A1B)+P(A1B'\ (12) 7-21: Si un suceso A debe resultar en uno de los sucesos mutuamente excluyentes At.]) .+P(4") = 1 (e) 1-19: Si A y B son dos sucesos cualesquier4 entonces P(AuB) = P(A) + P(B) ..5.6}.79. Hallar la probabilidad de que resulte 2 ó 5.cAP..B\ Generalizando.A. como el de la frecuencia relativa de la página 6. Podríamos lógicamente emplear otros procedimientos para asignar probabilidades. Az... entonces P(A:U AzU ¿") : P(.4.. + P(A") = t Se concluye que podemos escoger arbitrariamente cualquier número no negativo para las probabilidades de estos sucesos simples siempre y cuando se satisfaga (14).) + P(Ar) + P(As\ .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 5.2. EJEMPLO 1. entonces 1 6 .. si suponemos probabilidades iguales para todos los sucesos simples.P(A. Ar.. entonces P(A¿: '!y si A es k=1.2. Véase Problema 1.3.P(AsnA) (rr) + P(Lt\AzñAs) También pueden hacerse generalizaciones a n sucesos..An (1+) P(Ai + P(Az) + ..21. + P(ánA") (rr) ASIGNACION DE PROBABILIDADES entonces por el Teorema 1-18 Si un espacio muestral el' consiste únicamente de los sucesos elementales Ar. 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.. En particular. El espacio muestral es e-I: {1.

Hallar la probabilidad de que en un sólo l¿nzamiento de un dado requlte un número menorque 4. TEOREMAS SOBRE PROBABILIDAD CONDICIONAL Teotema 1-22: Para tres sucesos cualesquieraAl. Fácilmente se demuestra que la probabilidad condicional satisface los axiomas en la página 6. + p(A")P(AlA") (20) . (o) Si B denota el suceso {menor que 4). (b)SiAeselsuceso{númeroimpar}observamosqueP(á):316= Entonces 1/2.22. A2. De aquí llegamos a la definición P(B:A) = o ry# (17) (f 8) QJ P(AIB) = P(A) P(B I A\ En palabras. TambiénP(AñBr:216:1/3. . ilamamos a P(B I A\laprobabilidad condicio¡wl de B dada A.41 ha ocurido tantas veces la probabilidad de que A3 ocura dado que At y Az han ocurido. es decir la probabilidad de que B ocrura dado que A ha ocu¡rido. (b) se da que el lanzamiento resultó en un número impar. se convierte en el nuevo espacio muestral remplazando el original e-I.á PROBABILIDAD CONDICIONAL = t 1 Sean A yB dos sucesos (Fig.Ya queB es la unión de los sucesos 1-18 que 7..2 6 g observamos por el teorema P(Bl = P(r) + P(2) + P(3') = -+-+-= 6662 1l1l suponiendo probabilidades iguales para los puntoc muestrale¡. = P(A)P(A|A. A. 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. . (o) no se da ninguna otra información. . . .CONJUNTOS Y PROBABILIDAD El ¡uceso que resulte 2 ó 5 ee [cAP.) excluyentes á1. la probabilidad de que At y Az y A3 ocunan es igual a la probabilidad de que z4t ocrura tantas veces la probabilidad de que A2 ocurra dado que . 1 indica por 2 U 5. entonces P(A'. Puesto que se sabe que A ha ocurrido. Teorema 7-23: Si un suceso A debe resultar en uno de los sucesos mutua[iente Ar. Por tanto P(2u5) = P(2)+P(51 = *. A3 tenemos P(AtñAzt\ás) = P(A) P(A2l At) P(Asl Atn Az\ (1e) En palabras. 1-9) tales que P(A)> 0. P(BIA\:"+#=#=? Por tanto.) + p(A)P(Al Azl + . El resultado se generaliza fácilmente a n sucesos. Denotamos por P(BiA) la probabilidad de B dado que A ha ocurrido. r-9 EJEMPLO 1. el saber que el resultado del lanzarniento es un número iinpar aumenta la probabilidad de Ll2 a 213. AnB Fig.

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

consiste de LM. 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. 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.7 manerias r * escoger ét segunaoiU¡e_ to-. Dichas selecciones se llaman combinah misma combinación. F. lógi tos es Sup n conjunto que consiste de n objetos de los cuales nr son de un nguir entre sí). D. clr no se Aquí. ?a. n2 son de un segundo tipo..24. . . + .r + l\ donde se observa que el producto tiene r factores. . . o permutaciones diferentes como generalmente se les Uarnc está dado { 5 6 8 por Fig. l-10 (25) .10 CONJUNTOS Y PROBABILIDAD [cAP.s de escoger el primer objeto. y luego de hacer esto n de . n.P. en muchos problemas estamos interesados solamenos sin inteiesar su orden.. elnúmero de permutaciones de n objetos lomados de r en r. Si las camisas se representan por S¡.P. . . . I 2 1 Fig. 41. l-10. 43 y 2p EJEMPLO 1. Tz. .34. Para el caso particular cuando r: . . Podemos escribir (25) en términos de factoriales como (27) !2!\ -y realmente esto como una definición de 0! Si r: n obsewamos que (26') se satisfacen sólo si tenemos que 0! : I y tomaremos EJEMPLO 1'25. y finalmente n 1 formas dó escoger-el r-ésimo objeto.1 : nt (26) que se denomina n factorial. -se deduce por el principio fundarnlntal de cuenta que el número de ordenácionás. G es ¡P:t = fi. = . Así el núm&o de permutaciones diferentes (28) Véase Problema 1.2). EJEMPLO 1. B. . rr. son del hnr + nz + . Así abc es di o lo Sin embargo. E. Llamamos a .26. (25) se conüerte en = n(n-l)(n-z).P.6.l)(n . C. El número de permutaciones diferentes de las 11 leüras de la palabra u M/SS/SSIPP. .5 = 210 . . EI número de ordenaciones o permutaciones diferentes que consisten de 3 letras cada una y que pueden forma¡se de las ? letras A... . 52 y las corbatas por ?1. (n .. = n(n. Tt.l.to.

s! COEFICIENTES BINOMIALES 56 Los númerós de (29) se les llama frecuentemente los coeficientes binomiales puesto que provienen de laexpansión binomiat (r 1- u)^ : * . Sea A el conjunto de todos los números reales cuyos cuadrados son iguales a 25. que también puede escribirse como (2e\ ("\ \r/ Fácilmente se demuestra que n(n-L\".(n-r-rr\ r! ó nP. y)t = r:{ * (Í)". r! (30) /n\ ( J=( /n '.cAP.. se. U (n Tenemos (véase Problema 1. .71828. @-l (:.r/\) \r/ \n EJEMPLO 1. :25)que se lee"el conjunto de todosloselementosde¡ talesque. (a) A:kl* elementos.describé dando sus (D) Puesto que t2 :25parar:5y x:-S. 1l CONruNTOS Y PROBABILIDAD 11 El número total de combinaciones de r objetos seleccionados de n (también llamadas las combinaciones de n cosas tornadas de r enr) se denota pot aC.\s/ .r. Para un estudio más detallado de la fórmula de Stirüng véase el A¡Éndice A. .36) ln\ \"/:nt¿r=rl@=T. Indique cómo describir a.en (33) signifrca que la relación del al lado derecho se aproximá a 1 a medida eü€ /l + o.1. es la base de los logaritmos naturales.4 por (c) el método de comprensión y (b) el método de extensión. EI n(¡mero de manera¡ en lae cuales cartas diferentes es nU. Problenra.podemosesaibir A: {5.yEñn"e-n donde e : 2. escogerse o ¡elecciona¡¡e de un (91') 3 ca¡t¿s pueden total de 8 sc¡ = lt) = 8'J.:nC. (l)* = APROXIMACION DE STIRLING A r¿ ! xa+ 4x3y!oxzyz *4xy3 +ya Cuando n es muy grande la evaluación de aproximada n! no es práctica. + .(t¡*" .r'2 :25".e¡decirA . . .-5). En tales casos se utiliza la fórmula (38) nl .27._.48.)" (n) Tienen mucha.s propiedades interesantes. (|)*-lt * (i)*"-.s resrreltoa CONJTINTOS 1.28.'6 = . Véase Problema 1. EJEMPLO 1. .(t)**. Por esta raz6n decimos que el I unaexpansión asíntótica del lado izquierdo. El símbolo .

L2 CONJUNTOS Y PROBABILIDAD lcAP.+. .+. (d) B' : conjunto de los elementos en t/ quenoestánen g = {0.-4}n{+. +. C' : conjunto de los elementos en 'll que no están en C : {0.-fr. -4} y los subconjuntos de u están dados por A : {-\n.o} u {0. Entonces B. ee deci¡ ¡ € A.r} = {0.-4}n{0.. (b) "A es el conjunto de ¡ tal que 12 : 4 y ¡ ) 9'. = {0. no hay objeto que no sea igual a sí mismo.o} u {5. ) La proposición es falsa. entonces B) A. tenemosque¡ € C.r. seaA={rl*esunenteroimpar). üenemoe A-B = AñB'= (f) BñC = {6.-r/2..B: eonjunto de elementos en A que no están en B : [0.r. (o) (b) (o {rln+ü} -. 0.lQ}.{0.-¿}."áÁ y porüantoBC 1.5. (b) AUB. pertenecen á.-tf2._\E}. AsícadaelementodeB perten. Por el Teorema 1-8. Otro método.'NT\OS 1.o.0.enconhar(a) AnB.5. (s) (AnC) e (Bne.--4} n {+. Yaque x2 -8x * 15:0 ó (r -3)(¡.r} {*. r>g} y B: {fr | r<l}. es deeir B ee un subconjunto de A. (/) (Bn C).0}n {5.üenemosB:{g.3. se sigue queA: @. tenemos x€ B. 5.r). Entonces {x I x * x} : e. Un conjunto oomo {2} que consiste únic¿mente de un elemenüo algunas veces ae llzna conjunto singulo o unitaio y debe distinguirse del elemento que contiene.4} utilizando el re¡ultado de (b).6}. Demostra¡ que si Ac B y B cC. (e) A . -rt. El error radica en escribi¡ {@} por @.o.o. {*.2. entonces AcC.sededucequeACB6B)Aylrrpropocición Obaérvese que esto se lee es verdadera- 1.5. Sea r cualquier elemenüo de á.+. Puestoque el conjuntovacloesunsubconjuntodecualquierconjunto.-4} = t-\ñ} (D) . es decir cada elemento de A eetá en 8. (c) (AUB)nC. puesto que {9} es un conjunto no voclo que conriste del conjunto vacío. OPERACIONES ENTRE CONJUNTOS. Entonces ya que AC B.-qyC = {+. (e) A-8.pueotoqueloe elementos 3 y 5 son enterosimpares. Asf.5. Si A = {r l r2=4.Demostrarque BcA.0.-4} = {-18.5.-. 1 L. (a) AnB = {-12.2.r.t. si el universo 'u = {}. ". 1.15:0).5. ¿Es cierto que {2} : 2? No._\E} . Puesto que no hay un númeror tal que x2 :416x:2. Determinar cuáles de las proposiciones siguientes son verdaderas y cor¡egir las que son falsas. r.-4} (c) (AuB) n C = {-{2.0|.6.. n]. -4} = {+.4.6. r.-fr}.4 u n = {-fr.5)=0 sólosi x:B6x:6. aA.-{r). el conjunto vacfo.+. Puesto quetambiénBCC.-rt. página 3. B: {x I x2 -8r+.-2ly * )9. (d) B'u C'. Cualquier objeto particular se supone ee igual a sf mismo.-4} = Entonces (BnC\' = {0.". 2 es wn número re¿l mientras que {2} esw conjunto que consiste del número real 2.8 = {6.u C.0.6..-4}.-{2. Aeícadaelemenüodeá esunelemento de C y por tanto A C C. DIAGRAMAS DE VENN Y TEOREMAS SOBRE CONJT.

En Ia Fig. Teorema !-L?tt.cAP. página 3.74). l reA¡B 6 neAnB'} M6todo 2. 13 el de la parte (d) ilustra la segunda ley De Morgan. (sl AnC = {-\/-2.-4} Entonces t. elconjuntovacío. Luego At ñ f|' se representa por la región doblemente rayada en donde se encuentran ambos conjuntos de líneas. 1-12.r€B') (b) = A' ^B' El resultado puede extenderse a cualquier número finito de conjuntos (véase Problema 1. Región sombreada = (AUB)' Región doblemente ¡ÜEÉru¡r qvvrs¡¡¡E¡¡w rayada ]_"7. l-ll Fig. (b) Ilus- har el resultado de la parüe (c) empleando un diagtama de Venn.@. = (AnB) u (AñB'). (A¡C\ u(BnC) : @u {*.8. . En el diagrama de Venn de la Fig.0} n {*.-¿} [Vóase pa¡te (f)]. página3:Tenemoo An(Bu C) = (AnB)U(AnC). y se observa que esta región es igual a la región sombreada de la Fig.8') A = (AnB)u(AnB') El resultado puede generalizane (véase Problema 1. 1l CONJUNTOS Y PROBABILIDAD Obsérvese que este re¡ultado conjuntamente con Tborema 1-12b. 1-11 la región sombreada representa (A U B)'. Demostra¡ que para cualquier conjunto A y B tenemos A Método 1.2. l-12 Obsérveee que un diagrama de Venn no suministra una prueba como la dada en la parte (o). B n C = {}. sirve para euminishar relaciones posibles entre conjuntos que luego pueden probaree por métodos similaree al dado en (o ). Fig. 1-11. (AuB)' = {r I r4Ar-tB} = {" I rCA.7. Sin embargo. {r {" (AnB) u (A nC) 1.reB 6 r€A.neB\ = {r I neA'.xeB 6 reC} I s€A.reC) @ | reA"'B 6 xeAnC\ {.-¿l = {+.9. (o) Tenemoe págrna 3: (A u Bl : A' n B'.8.al : (ArtB) u (A^B') : (AñB') u (A¡.-ll . Demostra¡ laprimeraley distributiva. (c) Demostrar la primera ley De Morgan. (AnB) u(AnB') A : {r I reA) = {. 1. Entonces A n (BuB') A r. Teorema 1-6. Ao(BuCl = = = = = l r€A.reBuC} I re A. 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. Sea C:8' en el Problem¿ 1.69).nn.

1-13 para describi¡ los s sucesos (a). Describir los sucesos (a) AUB. si . . diamantes y tréboles. I diagrama eden de indicarse A U B. y (b) Si tenemos en cuenta los paloc el espacio muestral cronsiste del as de corazón. puede indicarse como {1. También puede considera¡se observando que (A ñ B) U (A n B') : A. .UB. (b\ A' se 1. . pica}. reina.). . = A.B -{reyperono trébol} Es lo mismo que A ñ B' . es deci¡ rey (ó) 4 n I : {rey y trébol} : {rey de trébol) de trébol)) (c) Puesto que B Luego A U Bt = {trébol}. : (rey o corazón o diamante o pica). 1. . por ejemplo. Luego el espacio muestral consiste de 52 puntoo indicados en la Fig. Emplear la Fig. (f) A.4 el suceso {se extrae un rey} o sencillamente {rey} y B el suceso (se extrae un trébol} o sencillamente {trébol}.2).10 sea.nB.L4 . Se extrae una carta aleatoriamente de una baraja de 52 cartas. 1-13. Refiriéndose al experimento del Problema 1. podemos indica¡ una jota de picas por (11.{rey y no trébol}. También puede considera¡se observando que A. de Teorema 1 era simila¡ todos lo¡ obeervarse de la Fig. picar. 3. 2. . (d) A. jota. diamante. (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 ).. . (n A'-3' :{no rey y no "no trébol") : {no rey y trébot}: (cualquier trébol excepto el rey).11 com ^ B' . (q AnB.11. .B. picae.1-14. B': {no trébol} : {corazón.). rey. (o) A U B = {o rey o trébol (o ambos.. .4.12. diamantes y héboles respectivamente por l. (e) A-8... . picas. (e) A. 1. (o) Si no tenemos en cuenta los pdos el eepacio muestral consiste de as. de acu gamas Fig.-8.10.n(8. . 2.CONJUNTOS Y PROBABILIDAD [cAP.A. diez. Describir el espacio mueshal (o) no se tiene en consideración el palo (b) si se tiene en cuenta el palo.4 u B. @) AUB'. Denotando corazones. ESPACIOS MUESTRALES Y SUCESOS 1.(g) (AnqU (AnB. (E) @ nB) U (A ñ B'):{(rey y trébol) o (rey y no trébol)): irey}. 1 EXPERIMENTOS ALEATORIOS. . B. rey de corazones. diamanües y tréboles. dos. 13}.

A¡ ) en donde .At) = P(Azl . P(Az. (c) Teorema 1-16. l-15 (An CALCULO DE PROBABILIDADES 1.At son mutuamente excluyentee. también ee rigre queP(. página 6. (o) Tenemoe Az : At U (Az .4n8)l Entonces puesto que los conjuntos A y B . página 6. Demostrar (a) el Teorema 1-17 y (b) el Teorema 1-19. 1-15 (1) AUB: AUIB -(. Así por el Teorema 1-14 [partc (o)] y el Axiom¿ 2 P(A) < 1 primero P(A)=P(¿)=1 (c) Tenemos eJ : eJuQ.42 ) = P(Al ). tenemos usando el Axioma 3 y el Teorema 1-14: P (A u B) | i'.Puesto que P(eJ) sfnp = Q se sigue del Axioma P({)) 3 que s = P(d)+P(Q) 6 = 1. (b) Teorema 1-15.P(Ar) Puesto que P(.77).15. (o) Tenemos AV A' :s[. Entonceepuesto gue. Encontrar la probabiüdad de . asr que Entonces por el P(42\ = P(ár) * P(A2. página 6.Ar. (b) Con anterioridad sabemos que P(A) > 0 por el Arioma 1. Aunque hemos utilizado el diagrama de Venn el i rlu^') ". Demostra¡ el (c) Teorema 1-14. Fig. axioma 3. 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.14.cAP.13.^^'rl i' r"u r--' resultado (l ) puede establecerse directarne¡rte (véase Problema 1.42 .Ar ) - 0 por el Axioma 1.41 y Az . 1l TEOREMAS SOBRE PROBABILIDAI) 1. Una carta se extrae aleatoriamente de una barqia de 52 cartas.(A ñ . Para demostrar que observamos que A C et.B) son mutuamente excluyentee.

Una bola se extrae aleatoriamente de una caja que contiene 6 bolas rojas. Por tanto puede denotarse por P(4' ñ ?').la probabilidad requerida es 36/52 = 9/13. pica. por ejemplo. diarnante..* h* . # -. rcy. doo. asignando probabilidades iguales de tl52 : L162. 13 pot aa.16 CONJUNTOS Y PROBABILIDAD [cAP.2. (c) un tres de tréboles o un seis de diamantes. Así.4' ñ T' = (4 U ?)'. ? para indicar coraz6n. (d) no roja. 1. (d) un corazón.# = i P(s ñT 66ñD¡=P($ n También s€ había podido llegar a e¡te re¡ultado observando que hay cuatro palos y cada uno tiene una probabilidad igual de ser extrafdo. .sz = Lg Tbmbién había sidq posible conseguir este resultado del espacio mueshal del Problema 1.16 : 36 puntos muestrales en él y cada punto muestral tiene una asignación de probabilidad Il52.1l _ 9 . Pero por el Teorem a 1-t2 (a). t (b) P(11 ñC¡= :- (c) I * -I^ 26 ) +P(6 ñD¡: 62 52 = I " . Por simplicidad utiücelnos C.P(C) = ! P(L0 Ln = ?uti[zando laparte (d)y elTeorema 1-1?.y 1. a cada punto mue¡hal.16. P(6 n (o) ") P(1): PG^e ó 1nP ó. P(4'^T')= 4(4 U ")'l: L- P(4 U ?¡ : 1. página 6.10(o) en donde cad¿ punto mueehal. (e) roja o blanca. Empleemoe el espacio muegtral del Problema 1. en tanto que S U C significa tres o corazón.. eeto es 1/4..lsnc) = #.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.* (d) P(c):P(ln c 62ñc6. (b) una jota de corazones. . P. (c) azul. 1-16. (e) cualquier palo excepto corazones.52. trébol... 4 bolas blancas y 5 bolas azules.13 . 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. l-r 1..10(tr). 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. respectivamente. (b) blanca. D. (e) P(C') - 1 . en particular "as" tiene una probabilidad de 1/13.. Puesto que este complemento tiene 52 . Asf g n C significa tree de corazoneo.. Determinar la probabilidad de que sea (c) roja. (f) un diez o una pica" (g) ni un cuatro ni un trÉbol. 1 que sea (g) un as. .n.[P(4) +P(")-P (4 n T)] _.L ñD ó 1 n ") =P((1 n c) +P(1 nP) +P (1 nD) +P(1 n r) 11111 = 52.

respectivamenüe.42 ocurren.'"::. 5 ó 6 son 3 resultados de las 6 probabilidadés igualmente factibles) y P(Az): ltO (ya que 7. Entonces P(ArnAzl .15 . todas igualmente Cada una de las tres maneras en que A1 ocurre puede asociarse con cada una de las 3 m¿rneraa en que A2 ocurre para dar 3. Entonces si asignamos probabili' dades iguales Ll15 a cada punto muestral observamos que P(. Método 2.2. 1l CONJUNTOS Y PROBABILIDAD Método 1. debido a que hay 6 puntos muestrales que corresponden a "bola rojatt.á = | Método 3.También i"-or usado P(. Hallar la probabilidad de obtener 4. 19 1 .) '!' .::"fl'"". Entonees L1 (o) P(n)= Mótodo 2. Un dado honesto se Ianza dos veces. ' SeanAl elsuceso "4rS ó 6 enelprimerlanzamiento" y Az elsuceso "7r2.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). . . 2. blanca y azul.H 10 2 6+4 6+4+5 .t""i: . P(AroAr) = P(At)P(A2lAr\ -. .J.R ) : 6/15 : 215.. r(RUB)=P(A'): 1-P(A): I .6:36 maneras.1?.3 6 4 en el segundo lanzamiento. de las 6 maneras en que cae en el segundo lanzamiento. (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 1.5 o blanca También puede resolverse l¡tilizando el espacio muestral como en la parte (c). Cada una de las 6 maneras en las cuales un dado cae en el primer lanzamiento puede asociarse con cada una 6. página 6.364en elsegundo lanzamiento". --6+4+5=1b=s 662 Nuestro espacio muestral corisiste de 6 * 4I 6:15 puntos muestrales.4 1) :316 (ya que 4. 4: 12 maneras en que tanto A1 como . Puesto que los sucesos R y B son mutuamente excluyentes se deduce de (4). . un total de factibles.cAP. Método 1. 6 6 6 en el primer lanzamiento V 1. B y A los sucesos de extraer una bola roja.3ó 4 son 4resultadosdelasGprobabilida' des igualmente factibles). que P(nuB):P(R) +P(B):?*# = ? PROBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES 1. Luego estamos buscando P(Ar ñ A2). norparte(c). Método 2. Denótese por R.P(At)P(A. P(roja o blanca) : P(R u r) : -"""'.

Entonces estamos (o) Puesto que para la primera extracción hay 4 ases en las 52 cartas. Encontrar la probabilidad de no obtener un total de 7 u 11 en ningunó de los dos lanzamientos de un par de dados honrados.2gara indica¡ y 2o.6) I (¿. 1-17. p(A.tp(A2 A¡\ = (52")(*) = .P(Al -- L 27 -::99 1o. Así que ambas cartas pueden extraerse en (52)(52) maneras.3) Si A es el suceso "7 u 11" entonces A se indica por Ia porción sombreada en la Fig.18 coNJUNTos y pRoBABILTDAD lcAP. 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.42 suoeso "as en la segunda P(Arñ A2): P(A1) P(A2l A t). así que P(A2l Ar Sin embargo si ocurre un as en la primera extracción quedarán 3 en ) : 3/51."A) = P(A) P(A. entonces P(A2 | A r) : 4152. Así ambas cartas pueden extraerse en (52 ) ( 51 ) maneras. extracción". r) (2. si la carta se remplaza para la segunda extracción. l) (3. (b) no ambar¡ sean se remplaza. . {) (5.2) signitica que el resultado del primer dado es b y el del segundo 2.azamiento la segunda ca¡ta también puede extraerse en una de las 52 maneras posibles. I a a aa (r.2l a a (6. todas igualmente factibles. todas igualmente factibles. Se extraen dos cartas. 1 Esto indica directamente que A 1 y A2 son independientes puesto que .1) a Se deduce que la probabiüdad de no dada por ? u 11 está 345 Primer dado P1A'¡ '= | . a (2. oaa (3."t (ol La primera carta puede extraerse en una de las 52 maner:u¡ posibles y ya que hay rempl. r'(A. 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) (1.' ( #)l#) == # r\ P(A1l:4152.nA") =+:(. Puesto que se incluyen 8 puntos tenemos que P(A ): 8/36 : 219. = las 51 cartas restantes.6) a (3. Entonces P(ArnA. (2. 6) ({. También.l Método 2. Puesto que los dados son honestos y hay 36 puntos muestrales asignamos la probabilidad 1/36 para cada uno.2) a a aa (5.) = (b) Como en la parte (o). .3) (8. 1-17. P(A¡): 4152. 6) El espacio muestral para cada lanzamiento de los (r. Por ejemplo (5. de una baraja de 52 cartas. Entonces P(A. puesto que también hay 4 ases en las ó2 ca¡tas para la segunda extracción.2. Hallar la probabilidad de que ases si la ca¡ta (c) se remplaza.)(á) = P(ArP\A2l (2.6) (2. l'ig.3) (4.3) (3. Método 1. A. dados se muestra en la Fig. /.18. Sea A1 buscando suceso ttas en la primera extracciónt' y . 6) a 1. \.2 a (6. l-17 Utiüzando subíndices t.19. 1. aa {) (6.

Los sucesos A t I Az no son mutuamente excluyentes. por (1Ol V QI ) = 6'u-\ui\u/ * = * Método 2.Rr ) p(82 lnr )p(A3 In. blanca y azul si las bolas (a) se remplazan.P(ALñ42) = P(A) + P(A!) . lanzamiento) = | .Rr n 82 ñ At):p(.21. lanzamiento y no 4 en el 2o.P(A'rnA'"\ = | . : guCe¡o (o) Si cada bola se remplaza.J requerimos A2: : suceso "4 en el prirner lanzamiento o 4 en el segundo lanzamiento o ambos" suceso t'al menos un 4" A2). I}2 : süc€so "blanca en la segunda extracción". Hallar la-probabilidad de obtener al menos un 4 en dos lanzamientos de un dado honrado. Nfrmero total de maneras igualmente factibles en las que ambos dados pueden caer También. 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. : 6. (b) no se remplazan. Si Rl . pero Bon independientes.cAP. Se extraen tres bolas sucesivamente de la caja del Problema 1. P(A'tuA) = P(A) + P(A) . llallar la probabilidad de que se extraigan en el orden roja.16.P(A')P(A'2| = '! -(8X*) = *" Método 3.P(At) P(Az\ 1 r /t\/t\ rr Por üanto. P(ArU Método 1. Requerimos P(Rl ñ 82 n A!\. Así Art. A3 "azul en la tercera extracción". 4 Az 1.42 ocurran : 1 . P(al menos un 4) Entonces P(al menos un 4) P (ningún 4) = 1 : 1 . Así la probabilidad pedida es (4X3) (52)(51) I 2 1.P(ningún 4) : 1 -P(no 4 en 1er. entonces los sucesos son independientes y p(. 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+ \=.A2 ocurra pero : no At : 5 5 número de maneras en las que tanto A 1 como .6 : 36.20. número de maneras en las que A 1 ocurra pero no Az nf¡mero de maneras en las que . Sea A I: suceso "4 en el primer lanzamiento" y : suceso "4 en el segundo lanzamiento".suceso "roja en la primera extracción". 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).

. Az: II.2/ 5 z TEOREMA DE BAYES L25.23. plear los resultados del Problema 1. Puesto que una bola roja puede resultar al escoger cualquiera de las cajas podemos em..22. hallar la probabilidad de que (¿) ambas sean blancas. Un talego contiene 4 bolas blancas y 2 bolas negras.I. fcAP.)("+-ri-r:ri ---r:\ \2/\2+8/ \-/\-. Demostrar el teorema de Bayes (Teorema L-24.24. SeaB¡ : suceso "bola blanca del primer talego".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). La contiene 3 bolas rojas y 2 azules en tanto que la caja II contiene 2 bolas rojas y 8 azules. Supóngase en el Problema 7. Puesto queA resulta en uno de lossucesos mutuamenüe excluyentes 1-22 (Problema 1.\P(A:A.23 con A: R.4 debe resultar en uno de los dos sucesos mutuamente excluyentes At. Si el suceso . . At : I. Az entonces A = (AnAr)u(A¡42) PeroA ñAt y Añ Az son mutuamente excluyentes puesto que A1 y A2 lo son. 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. página t. Se lanza una moneda honrada. Si se extrae una bola de cada talego.20 CONJUNTOS Y PROBABILIDAD Luego el número de manera¡ en l¡as cuales por lo menos uno de los sucesos 11. Por tanto P(.píryina9). 1 : Ar ó A2 ocurraes- 5 +5+ 1 L. An tenemos por el Teorema P(A) = P(AI)P(A Ar) + ' " + P(A. Así la probabilidad de sacar una bola roja P(Rt - P(nP@ Il+P\II\P(RIII¡ = /t\/ I \ /r\/ z (. Extensiones para valores mayores de n se obtienen fácilmente. página 8. Si se obtiene cara se saca una bola de la caja.) .41 U Az): 11/36.26.23) Ay A2.. Asípor P(A) = P(AIA)+P(A^AI') = P(A) P(A i A) + P(42\ P(A I A2) 8. si se obtiene sello se saca una bola de la caja /I..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.O*' P(A\'Aki \ P1A¡ A¡ = P(A) P(A I Ak) P\Ak^A) = --PÁt ) P(A¡l P(A' Akl 1. (c) una sea blanca y una negra. pero revela que se sacó una bola . Hallar Ia probabilidad de sacar una bola roja. I|2 : süc€so "bola blanca del segundo talego". otro contiene 3 bolas blancas y 5 bolas negras.. (b) ambas sean negras. Axioma 3 empleando (I8). j Dor tanto ". Demostramos el teorema para el c¡¡so n : 2. (d) P(BtnBil:P(Br )P(B2lBt):P(Br )P(B) = lt!")/-=) + 5/ = I 4 \4 + 2/ \3 P(B'tñnb:pelp@. Demostrar el Teorema 1-23.

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

(n . Obsérvese que cuando | = tr. ¿Cuántosnúmerosdecuatrocifraspuedenformarseconlosl0dÍgitos0. La segunda. 4.1 = 6 1. tercera y cuarüa pueden ser cualquiera de las 10.29. persona!¡ tomadasde 4en 4es = tC.22 CONJUNTOS Y PROBABILIDAD [cA?. L = b! =. (d) rPr.7. g. Cada ordenación de los hombres Elnúmerodeordenacionespedidoes = "Pr.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. (o) La primera puede ser cualquiera entre g (el 0 no).a tercera puede ser cualquiera entre 8 (no pueden ser ninguna de las que ocupan los dos prifneros La cuarta puede ser cualquiera entre 7 (no pueden ser ninguna de las que ocupan los tres primeros Entonces 9 . hay 9 formas para ocupar el segundo puesto. (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). I . La primera posición puede ocuparse por cualquiera de las cinco bolas. = r¡ ! como en el Problem a 1. 9 .. cuando esto está hecho.2.Pr. (¿) aP¡ = 8.. 120 Elnhmerodeordenacionesdenobjetosdiferentesenunafilaes=n(n-l)(n-2\. ¿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.336 (b) Pq = 6. l. Así pues. (b) si los números no pueden rcpetirse. y 4 mujeres en una fila de modo que las mujeres ocupen los sitios pares. á maneras de llenar la cuarta posición. 8. El primer número puede ser cualquiera entre 9 y los tres restantes pueden elegirse de gPa formas.3 = 860 (c) . = 5. Cuando esto se haya hechó hay 4 maneras de llenar la segunda posición.3.. .. = e 15 (d) ¡P¡ = 3. 1. 7 : 4586 sonlos númerosque puedenforma¡se.32...8.30.. Se quieren sentar 5 hombres puede asociarse con cada ordenación de las mujeres. nPr.31. es decir hay cinco maneras de llenar la primera posición.. ¿De cuántas formas pueden sentarse? Los hombrcs pueden sentarse de 5P5 formas y las mujeres de 4Pa formas.rP. Otro métod<¡.4.7: 4536son los númerosque pueden formarse. por tlnto: El número de ordenacionesde lag 5 bolasen una filaes En general. y finalmente sólo 1 manera de llena¡ la última poeición. (c) tsPt. puestos).1. Entonces 9' sPs : I . .28.r * l) Esto se conoce como el número de permutaciones de n objetos diferentes tomados de r en r y se denota por P. S para ocupar el tercero y 7 para ocuparel cuarto. 1 Debemos ordena¡ 5 bolas en 5 posiciones así -. 1.8. Entonces I ' 10 ' 10 ' l0 : 9000 son los números que pueden formarse. La segunda puede ser cualquiera entre 9 (no puede ser la que ocupó el primer puesto).2. Halla¡elvalorde (a) .6 .5.9si(c)los números pueden repetirse. puestos). . Luego hay 3 maneras de llena¡ la tercera posición. 3. Por tanto: El número de ordenacionesde 10 En general.oPo = 514! = (lZO)\24) 2gg0 1. (b) uPo. 2.T = - 5040 El número de ordenaciones de n objetos diferentes tomados de r en r ea n = n(n 1) .

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

38..2delasSverduras.24 CONJUNTOS Y PROBABILIDAD lcAP. 5.39.2 = 6. como si se escoge o como si se rechaza.Entonceselnúmerorequerido de ensaladas es -. De un total de 5 matemáticos y 7 físicos.8.rl nP' 1. escarola.. (c\ eC+ 7. ¿Cuánt¿s ensaladas pueden preparañ¡e con lechuga. Hallar el valor de (a) zCq (b) aCs. lo que es evidentemente 1. oCz = 10 . 1. 2 físicos restantes de un total de 6 puedtn elegirse de eCz formas. (c) dos matemáticos determinados no pueden estar en el comité? (a) 2 matemáticos de un total de 5 pueden elegirse de sCz formas. 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). es:25 - 1 : 31 Puedeseleccionarseldelassverduras. se forma un corúité de 2 matemáticos y 3 físicos. Número total de selecciones posibles = tCz'tCs = 3'35 = 105 L.6. (b) un físico determinado debe pertenecer al comité. el número de formas de considerar lias cinco verduras es 25 formas. b! ?. Por tanto El número de ensaladas Otro método. ¿De cuántas formas puede elegirse una comisión de 5 personas de entre 9 personas? /g) = ^c..CL-l tC2+5Ca+ sC4+ scs : 5 *10+ 10* 6* 1 : 31 .4 = l4.5.5 71 ^ (ol . n. 3 físicos de un total de 7 dan 7C3 formas. endibia. 2 matemáticos de un total de 5 pueden elegirse de sCz formas.1 = o'' --ll (b) oCs = 6 ! = 6. 4.objetos dados.4!B! = 7. ¿De cuántas formas puede formarse. ae llamanúmerodecorñbinacionesdelosnobjetostomadosderenrysedenotapor.Olf/Vvienedadopor ^ n"r nl /"\ \r / . En general el número de grupos distintos de r objetos que 8e pueden formar con.b = 126 1.6. 6 uCt=oC1 =6' 5ú ff (c) +Ca es el número de grupos de 4 objetos que se pueden formar con 4 objetoa.4O..37.5. _ e! _ \s/-sws-BJ]T- e. beno y achicoria? Cada verdura puede tratarse de 2 formas. Entonces tC+:I.rl(n-rll n(n-11"'(n-r+1) r! .SdelasSverduras. Pero las 2s forma¡ incluyen el ca¡o de no seleccionar ninguna verdura. 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. = #h = I si se define Nótese que formalmente aCa 0! = l. Número toüal de selecciones posibles = sCz. no teniendo en cuenta el orden de los objetos dentro del grupo.C. si (c) puede pertenecer a él cualquier matemático y físico.. 15 = 150 (c) 2 matemáticoe de un total de 3 pueden elegirse de sCz formas. Nfimero total de selecciones posibles = sCz' zCs = l0'35 = 350 (b).ur . 3 físicos de un total de 7 pueden elegirse de zCs formas.6.

! = 2r-1.r)l (¿-l)! (¿-1)! . ee 1. n0r+ ncz+. ¡raracualquier enteropositivo n. \ r / \r-1l' (n-r*r)(n-1)! r! (n .= xau /rz)'. 'xl (**!\" = r-:o (1?). La¡ 4 coneonantes pueáen elegirse (!e lC+ formas. ee decir k = 4.B. De acuerdo al teorema del binomio *'\. lss 3 vocsles de s0g formac consonantes.eüc.*.41.11. Si escribimos lo¡ coeficientes de la expaneión binomial de (c * U)" púa n :0.. Entonces: El nhmero de palabrae y las ? letra¡resultantee (4 q 7C1 ' óCa ' ?! : 35 .r e =4e6 .. Aeí10:4I6.42.11)"-. . ¿cuántas palabras pueden formarse.1r . Con 7 consonanps y 5-vogaJes diferentes. 1 L 1 | I 1 6 4 3 6 2 1 1 3 4 1 1 5 10 10 5 15 20 15 6 1 1 Un resultado en cualquier renglón puede obtenerse sumando los dc coeficiente¡ del renglón anterior que encuenüreninmediatamentealaizquierdayaladerecha.43. 10 ' 6040 : 1 ?64 000 COEFICIENTES BINOMIALES 1.cAP. que consten 4 consonantes y 3 vocales? No es necesario que las patabras tengan significado."¡ /¿-r\ /"-r\ \ " )-\"-t) El resultado tiene la siguiente aplicación interesante.*-. .+!\".Cs+ -. r0..r)'! r! (n .' \"/ ü/ \ El término conetante corresponde a aquel para el cual 3& .. 4.1).!2 = 0. 1b:10 * 6.y por tanto eetá dado por /12\ _ \n/= 12.1¡¡ 1" .z. Halla¡ el término constan6 en h exDansión de 1r. 2. 1. Demostrar q"" Tenemos que 11) \r/ = l" .r)l (n-r)(n-L)l * r(¿-1)! r! (n . . de 1. obtenemoa Ia distribución conocida como el trióngulo de Poscal: n=l n=2 n=3 n:4 n=5 n=6 et¿.tFV=fr .t) + f" . $ \k /' 3 \& /'. 3 vocales) pueden ordena¡¡e entre sf de zPz : ?! forma¡.1l CONJUNTOS Y PROBABILIDAD 26 nCn Engeneral.

Se extraen 6 cartas de r¡na barqia de 62 cartas. roja en L¡ te¡cer¡ ettracciónt'.* "O de cada color) = Ot¡o método. (li) 4 ases y un rey. blanco. De e¡ta mar¡era tenemo¡ Sean i¡. (cl P(2 bolar rojar y 1 blanca) = (gupoc de 2 entre 8 bol¡¡ rojar)(grupoo de 1 entre 3 bola¡ blancas) afir. Bz. Una cqia contiene 8 bolas rojas. 14 Za. =g=i| zocs t9. determinar la probabüdad de que (c) las 3 bolas sean rojas.[l2 ñ R3 reprerenta el guceso "la¡ 3 "bola bola¡ exhafda¡ con rojEr". (c) 2 sean rojas y 1 blanca. 3 blancas y 9 azules. (d) al menos 1 eea blanca. =t-# =# = !9lff9 = *g (f) P(ertraer l¡¡ bola¡ en o¡den rojo.44.45.B Probabiüdadp€did¡: (D) Empleando el re¡undo método i¡dicado en la parte (o). P(Rr g l/lg\ = fr' 6\96/ urando (e) ^ Bz ñá¡) : 4R¡) P(B? | 8r ) P(Ar I Rr n82) = f /s\/s\/e\ \*i\*/\r8/ = s e5 . (o) Método 1.a roja en la aegunda extracción". Halla¡ la probabilidad de extraet (a) 4 ases.TTEIZA}TDO ANALISIS COMBINATORIO 1. reinq rey en cualqui.Rt n . ezut) . P(almenol blance) (¿) P(tdecadacolor. A¡f . (d) un 9. Eotoo"". P(8rnP2nBJ = P(Fr) P(^R2 | A1) P(¿s l.B1nR2) .ocro de ¡rupoe de 3 bola¡ entre 20 =-=-zocs (d) P(ningu¡ablanca) = (¡CzX¡Cr) 7 96 #= ff./e\/ z\/o\ \20l\i0l\18/ Método 2. (c) 3 dieces y 2 jotas. jota. 10. t'bol. Rc lol auceecr "bola roja en la primera erhaccióntt. . rerpectivarnente. (b) las 3 bolas sean blancas. @) pedc) = (b') W# = # = u¡fuo P(4eroylrey) = ry .er orden. (e) 3 de un palo y 2 de otro. 1 PROBABILIDAD T. blanco. Si se extraen 3 bolas aleatoriamente sin renplazamiento. azul.26 CONruNTOS Y PROBABILTDAD [cAP.= 1140 = zous j_ 296 P(3 bolú blurcas) ' Tambión puede utilizarre el priraer m6todo indic¡do en la parta (o).. (f) al menos 1 as. (f) las bolas sean extraídas en el orden rojo. (e) se extraiga una de cada color.

Por tanto aot-t/ffi5oso¿-so:N Para evalua¡ N uüilizamoe logaritmoe de ba¡e 10. eractamenüe 66. Un estante tiene 6 übros de matemáticas y 4 de física. diez. (/) P(ningrn *) = # = m. Arf tenemo¡ un üotd de 8 libroe que pueden orden¡¡se enhe ¡f dc 6Ps = 8 ! formas. Halla¡ la probabiüdad determinados de matemáticas estén juntos.por elmiamorazonamientoanüeriorlaprobabiüdaddeobtener r vece¡A en n enaayos independientes ea \n/ 1.cAP.{fi. 2 de otro) = q#@ = ffi = t -.\6/ \o/ BITT\6i \6i 8888 nc. Hallar el valor de 50! Para n muy grande. Pero a su vez io¡ 3 libro¡ de matemótica¡ pueden cden¡r¡e enhe ¡f de 3P3 = 3 ! form¡¡. Por tanto la probabilidad pedida e¡ p(666. reina. Análogamente '" . un dado honrado. Cada eopacio tendr6 lo¡ ¡uce¡oc 6 o 6.\o/ \o/ para todc lo¡ oEo¡ resultado¡ en los cuale¡ ocuren hec 6 y dos no 6.4E. 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.n"¿-¡.á./L\'/qY .p(6)p(6') . Asf logN = los(/lofi¡o5o¿-50) 1f = i los100 I |losr * 60 log60 - 50 log¿ . n7 .4?.6ó.p"en-' = (n\o'o'-' sip: P(A) y q:1--p:P(A'\. Por ejemplo.. u (c) (d) P(3 diece¡ y 2 jot¡¡) CONruNTOS Y PROBABILIDAD QCslQCzl 1 szcs 108 290 (4cr P(nueve. Supongamos que lo¡ 3 libro¡ determin¡do¡ de m¡temática¡ ee remplazan por 1. L¿ probabilidad pedida está dada por 8!3! 10! - 1 15 APROXIMACION DE STIRLING A z! 1.ó En generd. Detenninar la probabilidad de tres seises en 5 lanzamientos de Represéntense los lanzamiento¡ del dado por cinco eepacioe no 6 (6'). rey) x4crx4crxrcr) (rcr) szCs 64 162 496 (e) P(3 de un palo. LuegoP(al menoa un ar) 1./r\3/s\2 = =*é)t1l)'= = I 't 'v. Pero hay rCa son mutua¡nente ercluyentes.á á *. de que S libros .66.lf{| = 'ffi.46. = .* = (il'eu)' : 10 de ertor nrceeor y pueeto que suponemoe que lor ¡uoesos ron independientee. Los libros pueden ordenar¡e éntre ef de roPro = 10! formar. puesto que hay 4 form¡¡ de eecoger el primer palo y 3 foim¡s de ercoger el regundo. etc.66. jota.

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

02 . I|2 son los suceoos "blanca en la primera extracción". 1. Sean ÁI. Véanse Problemas 1. gane es /t\ /s\/s\/r\ . 1. Hallar la probabilidad de que de 600 tornillos seleccionados aleatoriamente 12 sean defectuosos.*/q\'*/q)'* \o/\e/t_' \o/'.8. (b) ninguno viva. De 12 000 tornillos. Suponemos que . el 3'/o 6 360 son defectuosos y 11 640 no lo son. de tal manera que la probabilidad es 3/8.tJ es cero ya Así iríamos 6 a 5 a que el primero que liance gana.\6/ =5136=5 1 . P(H): (o) P(ambosüvan) = P(H1W) = P(H)P(W) : (0. (c) al menos uno viva. Una caja contiene 5 bolas rojas y 4 blancas.1) = 0.' \6/\6/\6/\6/ * = /q\/r\T. Bl. l|/ los sucesos que el esposo 0. estén vivos en 20 años. estamos buscando P(Br lB2). Puesto que se sabe que la segunda bola es blanca solamente hay 3 formas de las restantes 8 para que la primera sea blanca. respectivamente.cAP. respectivamente. pierde B. Se extraen dos bolas sucesivamente de la caja sin remplazamiento y se observa.8 y 0.152. Nótese que la probabiüdad de un empate que 11 ' 6-5 11 1 Esto no serfa verdadero si el juego fuera limitado. Entonces y lI/ son sucesos independientes. pierde B.F/ y la esposa. : 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) . 1l CONJUNTOS Y PROBABILIDAD 29 (3) A pierde en el ler. P(W) : 0. ¿Cuál es la probabilidad de que la primera también sea blanca? Método 1. Las probabilidades de que un esposo y una esposa estén vivos dentro de 20 años están dadas por 0. que la segunda es blanca. "blanca en la segunda extracción". lo cual puede ser o no razonable. pierde A.9.8)(0.53. Una rnáquina produce un total deL2 000 tomillos diarios de los cuales en promedio elSVo son defectuosos.52.(5/6)2 11 . Prqbabilidad = (áX8X8X8X+)./l)/q)lq\It\ \6/\6. Hallar la probabilidad de que en 20 años (a) ambos vivan.9) = 032 (ó) P(ningunoviva) = P(H'nW') = P(H'\P(W') = (0. lanzamiento. Así Probabiüdad pedida = -H*-P 1.9 respectivamente.51.151 y 1. gana A./s\/¡\/o\/s\/r\ * \6/-\6i \6/\u/ \6i \6/\Bi \u/\6i 1l-.2)(0. Así la probabilidad de que g. Este resultado se obtiene así Si P(BJB)='+#=elwq=* Método 2.

xt"1B"""ntJfi::::i*il'ff.vAn¡ 1\ t.) Ap) hay ( (+)l=+) \lr/\tt .. ='-('-+r.C2 términos que tienen el valor dado por (3). página 7.\t/\.6321.98 1.30 CONJUNTOS Y PROBABILIDAD [cAP.".Tenemosporejemplolosiguiente: (z) P(A)=+ yanálogamente PlAr¡=L ya que de lo¡ n sobres rolamente 1 tendrá la dirección apropiada. 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.42. cegunda...i \.#.ñA2t : p(At\p(A2lAt\ = (*)("=) aProPi"ao ü.* r-e-l I : 0. Por üanto.nA2n.4¡ U AzU'.) p\AztAttp(A. lo¡ sucelo¡ primera.nA) = ''-n' P(A¡ñ A¡ ) hay (.i/ .. .\ri )\" " ' " + (-r)^-'l'\l+) = r-fr+i-"'+1-t¡"-'I cz \z/!t!/ Del cálculo sabemoe que (véare Apéndice A) = lf ¡*#...54. riamente. Por tanto la probabilidad pedida es p(ApAzu-. Hallar la probabilidad de que al menos una de las cartas llegue a la destinación aproDenótensepor A¡. Entonce¡ el ¡uceso al menos una carta en el sobre conecto es.r) .. finalmenrte . aefqueparar:-l e-. (véase Problema 1.A./\ .79) tenemo¡ (1) donde E P(A¡) + )P(AinAinAk) P(áruAru.1) .02 = 0.. 'á P(4 ñ A¡ ñ que tienen ) = "r"términos el valor dado por (4). A partir de la generalización de los resultados (10\ y (1 l)..(+ll-+ll=+) \..-.1/ nl (5) Entonces en la suma > Análogamente en E p(A. E P(A¡ ñ Ar) es la suma de probabilidadesdeA¡ñA¡conjyhdeedelhastanyh)j.sobre "nto"o' *to '' de los rectantes n- 1 sobres estará (4) p(AtnAzr1A¡) = p(Á.i1-:. U A. -r/\n-2/ (+) = + \. Tbmbién (E) p(A. .u) las es la ¡uma de las probabilidades de A¡ desde t hasta n. .1/ =.\ /"\/t\/ I = (l)(t)-l:)/l)l \.U An y deeeamos hallar P(A¡ U A2V.f'.etc. n-ésima carta ¡e encuentra en el gobre correcto..) "1 ó 1. 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.lAtnAr) y así aucesivamente..... El resultado ee a¡ombroso ya que la probabilidad permanececasi constante para n ) 10. .ri.."uAn) = )r(¿*) -)e6'tnl'r) "' * (-t¡"-t P(At^A2¡ " n./\.0. Una secretaria ineficiente coloca ncartasdiferentes en n sobres con destinos diferentes aleatopiada.). 1 (c) P(al menoc und üYa): 1 -P(ninguno viva): 1 ..=t \/ .

s supletnentarios CONJUNTOS 1. 12+22 i-.' (Apéndice A' fórmulas 1 y 2) (Ir\ I+2+ "'*(n-1) = @. 1l CONJUNTOS Y PROBABILIDAD 31 1." .r)(Zn -r) 6 obtenemos para (3) (5) *::":: 16) rnp = -!!+ñ! ... La primera de las n personar¡ tiene lógicamente algún cumpleaños con probabilidad 365/365 : 1.l. Así la probabilidad de que la segunda persona tenga un cumpleaños diferente de la primera es 364/365.ln p r¿(rr : - -- 1) ?30 . Denotando la probabiüdad dada por p y tomando logaritmos naturales hallamos (r) @\ (3) lnp tnp =t"(r-#) -r'"(.693 6 ln 2 = 6 (n .865)"'\'.-k).0. la probabilidad de que la n-ésima persona tenga un cumpl'e¡ñoe diferent¿ de las otras n * 1)/365. Por tanto nuestra conclusión es que si n es mayor gue 23 podemos decir con mayor seguridad que al menos dos personas cumplen años el mismo dfa. por ejemplo n ( 30. debe ocurrir en uno de los otros 364 dlas. 3. D = {t I 12<16).cAP. Por tanto tenemos es (365 - P(n cumpleaños diferentes) = #* # ffi = \'- ' 365 :-l! + 1 1\/'. SeaA = {r r2-3r*2=0}.1\:{.-*(n-1)2 - n(n .23)(n'l 22) = g asf que n : 23.(.55.693.. si Ia segünda persona tiene un cumpleaños diferente..67.z\. Entonces.DeterminarsiACB o no. Análoga' mente la probabilidad de que l¿ üerce¡a persona üenga un cumpleaños diferente de las dos primetas es 863/365. Enipleando los hechos de que para n . ..^" --!. Describir A de acuerdo al (o) método de extensión. tnp = . Sea A eI conjunto de los números natwales entre 5 y 15 que son pares.165/\'.)."' .2 -r¿-506 = 0 = 0.55 para que la probabiüdad cumpleaños distintos sea menor que U2. 1. el segundo término y los términos superiores a la ae 1S¡ son dlespreciables comparados con el primer término. Finalmente. asf que una buena aproximación en este Pa¡a (7) p : L12.56.. (b) método de comprensión.n(r-l) i30 para n pequeño comparado con 365. Por tanto tenemos n. Problema. suposiciones que no se cumplen genetalmente en la realidad. "'+rn(t-#) ln(1 Pero sabemos de cálculo (Apéndice A.58. fótmula 7) que -r) -= --c - T- 3 así que (I ) puede escribirse como = ft+z+ : 2. Determinar cuántas personas se necesitan en el Problema 1. .-4\ . Suponemos que solamente hay 365 días en el año y que todos loe días de cumpleaños son igualmente probables.865 ) de 1. Halla¡ Ia probabilidad de que n personas (n < 365) seleccionadas aleatoriamente tengan n días de cumpleaños diferentes.

página 3. ESPACIOS MUESTBALES Y SUCESOS L.68. 1.69' 1.69. 1. (ü) B'.nC. Tborema 1-120.p6gina 3. página (o) Eemortrar la segunda ley De Morgan. (fl (A-B) u (B-A). (c) Teorema 1-4. A tenemo¡ A C A. ¿EE (A - B)' : A' .9. (c) A'uB. oPEBACIONES E¡ITBE CON.).66.5\ yrupóngarequeloerubconjuntoede'll son A:{1. Emplear un diagrama de Venn para dibujar ceda uno de loo conjuntoo eiguientec: (¿) A n (Bucl (ü) . formule en palabras el (a't A'. (ü) Teorema l-8. Generdiza¡ las primen y eegunda leyec De Morgan a cualquier número de conjuntos. I-a paradoja descrita se conoce Rusell.73.61.31.ruNTOS.Encontrar (a) Av(BuCl. (d\ (AnBlu(AnC). Demo¡harque .0(¡=4) Encontra¡ (a) AvB. B={2. 15¡(6. Afirmar -B = @.(AuC). EXPEBTMENTOS ALEATOBIOS. .1.} ! B = {rlreounnfimeroprimo.4 u (BnC\ (c) A' n (BuC)' (rt) A .32 CONJUNTOS Y PROBABILIDAD Demoeürar que para cualquier conjunto [cAP..6 A: falredad de las propoeiciones siguientce. (e) el número de partícular nucleare¡ que enhan a un contador Geiger. De¡cribir un espacio muestral para cada uno una moneda. (s) (AnC)' u B. (c) A)8. (d') A-8.5.(BnC) (e) A' - (BuC)' 1. entonce¿A = B. 1 1. 1.76. 1. (d) AnB'. y (D) ilustra¡la utilizando un diagrama de Venn.64. Un erperimento consiste en el lanzamiento de una moneda y un dado. signifrcadodecadaunadelasoperacionessiguienüee: (f) B A.(B. (ñ) A . (Véase Problema 1.?).3. (o) Demostrar que (b) Demoetrar que ri p-f Ge[. (c) Añ(BuC). 1.62. 1.ñ(B. Generaliza¡ el recultado del Problema 1.2}. (d) el númer. - .68. de loe siguientes experimentos aleatorios: (o) 3 lanzamientos de 1.?0. Seaununiver¡o 'Ll:{L. x>y O i Demostra¡ que cualquier aubconjunto del conjunto vacfo debe ser el conjunto vacfo.60. =y. (ó) Sir yy son do¡ númeroereales sr¡alesquierq entonces x1y.t B = IA-(AnB)] u ÍB-UnB)l 1.A r. 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. B. (o) Si A y B eon dos conjunüos cuáleequiena. Ilustrar el principio de dudidad haciendo referencie a losteoremas de la pfuina 3. Sea'tl el conjunto de todos loi enteros no negativos y conaidérenee loe nrbconjuntoc A = {xl¡e¡unente¡ope¡. página B. (Ó) el nhmero de fum¡dore.B'? Ju¡tificar l¡ ¡olución. ei ¿[e como I Sea ci éeeI' o cl¿se de todos loe conjunüoc que no 8on elementos de eUos mi¡mo¡.4. 1.o de llamadas recibida¡ en une ce¡ttrat telefónica. 1. 1. E¡tudiar la verdad o entonces A CB. 0 @uB) . B.66.5}.7 o negar: Si A u (Ar\B) eilusha¡loporundiagramadeVenn. (e\ B-A. (c) A'nB'. (c) lanzar un¡ moneda hasta que aparezc¿ un sello. C = {4. (b) (AuB)uC.72. DIAGBAMAS DE VENN y TEOREMAS SOBBE CONJUNTOS 1. (bl AnB. Demostra¡el (a) Teorema l-2. A)8.2. 1. (fllanzat una moneda y un dado.6?. L. en un grupo de 600 hombre¡. (e) A-8. entoncq cJeeJ.?f . Demo¡trarque (á -A)UA =á ¡ólo srBC A e ilugtrarlo utilizando un diagramade Venn.76.uC'). (e) A.

demostrarque pendientes.tA'r). @) p(A'rr. (d) blanca.92.42 el suceso "rey en la segunda extracción". cartzs 1. 1. (c) una sea roja y la otra azul.?9.. 1. (c) ninguna sea naranja.91.90. pfuina Demostrar que P(A'uB') = 1 . Sea A1 el suceso "reyen la primera extracción". (b) ni roja ni azul.89. Se extraen dos bolas sucesivamente de la caja del Problema 1.(A ñ B) son mutuamente excluyentes.85.t4.83.84 si no hay remplazamiento después de cada extracción.1. Hallar la probabilidad de que si dos bolas se extraen aleatoriamenremplazamiento) (o) ambas sean azules. 1.87. Hallar la probabilidad de extraer 3 ases aleatoriamente de una ba¡aja de 62 remplazan.77. (h) máximo una sea roja. (e) Al menos aparezca una cara en tres lanzamientos de una moneda honrada. 20 azules y l5 naranjas. y así demostrar eI resultado (l ) del Problema 7.86. B. üe (sin Una caja contidne 2 bolas rojas y 3 azules. Explicar el significado de cada una de las siguientes: (a\ P(AroA!r). CALCULO DE PROBABILTDADES 1. PBOBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES f . 30 blancas.página 8. o azul. (e) la segunda no sea azul. 1. (¿) p(A1^A'2ñA\). 1. (D ) si las cartas (o) se no se remplazan. 12 defectuosos. 7.54. Un experimento consiste en la sucesiva extracción de tres cartas de una baraja.82. 1. pfuina ?. (¿) roja.P(A¡B).83.7t. son inde- .8 I . Csonsucesosindependientes.t1. satisface los axiomas de probabilidad en la página 6 y por tanto todos los teoremas sobre probabilidad.80. (b) La suma 8 agatezca en un solo lanzamiento de un par de dados honrados. (b\ p(AluA2\. Resolver el Problema 1. as. Completar la demostración en el Problema 1. . (c) AyBUC.14(b) demostrando (sin emplear el diagrama de Venn) que AUB = AOIB-(AOB)I donde A y B .cAP.8t. 1. 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). (b ) A' es independiente de A es independiente de B demostrar que (o ) A es independiente de B . (e) pl(A1nAr) u (A"nAr)]. ll CONJUNTOS Y PROBABILIDAD 33 TEOREMAS SOBRE PROBABTLIDAD 1. (c)A y B-C. y A3 el suceso "rey en la tercera extracción". para cada uno de Ios sucesos siguientes: (c) La aparición de un rey. B'. Hallar la probabilidad de que sea (c) naranja o roja. . o un estimador de ella. (d) sean rojas o blancas o de ambos colores (roja y blanca). (i) la primera sea blanca pero la segunda no. jota de tréboles o reina de diamantes al extraer una sola carta de una baraja común de 52 ca¡tas. (b) ambas sean rojas. (b) la primera sea roja ylasegunda sea blanca. (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. blanca 1. Demostrar el resultado (1 1). Determinar la probabilidad p. SiA. Halla¡ la probabilidad de que (a) ambas sean blancas. (g) al menos una sea azul. 1. Se exürae una bola aleatoriamente de un caja que contiene 10 bolas rojas. 1. p6gina Generalizar los resultados (I0 ) 30. (¡) solamente una sea roja. (c) no azul.4 ). remplazando la bola extraída después de cada extracción. L. (b)AyBñC. Demostrar que si P(A ) >P(B ) entonces P(A I B) Si > P(. y (I I ).

2. y lrr urna ffl. Una caja contiene 3 bolas azules y 2 rojas mienüras que otra caja contiene 2 bola¡ azulee y 5 rojas. La urna I tiene 2 bola¡ blanca¡ y 3 negras. . Una bola extrafda aleatoriamenüe de una de las.93. A2 = BuG€so "núme¡o impar en el segundo dado". La escoge una bola aleatoriamente de la primera caja y se coloca en la s€gunda c¿ja sin ob¡ervar su color. 1.1OO. ¿Cuántos números diferentes de 3 cifra¡ pueden formar¡e con 3 cuaEog.43 no son independientec. ¿De cuántas forma¡ pueden ordena¡se 7 libros en un eEtanüe ei (a) er posible cualquier ordenación. Demostrar que A¡ . (D) 3 libros determinados deben estar juntos. . ¿Cuánto¡ números de cinco cifras pueden formarse con los dÍgitos L. suceso "número impar en el primer dado".1O?. CUENTA Y DTAGNAMAI¡ ARBOL 1. A ¡: auceao At. caja / contiene 3 bolasrojasy Sblancas. Se selecciona una urna aleatoriamente la urna II. (b) ¡C¡. AziA2. ¿cuál es la pobabilidad de que el otro compartimiento tenga un reloj de oro? 1. .10t. 3. Atl At. 1. . I monedae diferentes en 2 posiciones diferentes? PERMUTACIONES 1. á3 : "total impa¡ en ambos dados". ANALTSIS COMBINATORIO. Hallar la probabilidad de que sea blanca. A3 lon independientes pero que 1. Hallarelvalor de(a) oP2. Az. 4 blancae y I nggra. (¿) roC¡. En cada compartimiento del Begundo joyero hay un reloj de plata.99. Hallar el valor de (a) rC3.1O3.+tPt = nPtl.cajas reeulta azul. (c) cada mujer debe eetarentre dos hombres? COMBINACIONES 1.96.101. (b) doe mujerer determinadas no deben centar¡e juntar. ¿Para qué valor de n es .94. 1.98.lO2.106. (c) 2 libros deüerminados deben ocupar lo¡ exüremos? (o ) 1. . Utiliza¡ un diagrama árbol para determin¡r la¡ diferentes poribilidades que pueden suceder.ent¿nüoquelacajalfcontiene4bola¡rojasy2blancas. En el tercer joyero eñ un compartimiento hay un reloj de oro.9?. 3 blancas y 4 negras. Se TEOREMA O REGLA DE BAYES 1. Se extraen tres cartas aleaüoriamente (sin remplazarniento) de una baraja de 62 ca¡tas. en tanto que en el oho hay un reloj de piata Si seleccionamos un joyero aleatoriamente. abrimos uno de los compartimientoa y hallamos un reloj de plaüa. (b) las primeras dos cifras de cada número son pa¡es? lor números deben ser 1. En cada compartimiento del primer joyero hay un reloj de oro.109. ¿De cuántas formas pueden 5 personas sentarse en un sofá si tiene sol¿mente tres asientos? 1. ¿De cuántas maneraa pueden coloca¡se l.34 CONJUNTOS Y PROBABILIDAD Sea lcAP. 9 ¡i impares. y una bola ertraída aleatoriamente e¡ blanca. Luego ee extrae una bola de la segunda caja.4 doeee y 2 tres€s? 1. 1. ¿De cuántas formas pueden 3 hombres y I mujerec sentarse alrededor de una meea ei (o) no se impone ninguna resüricción. L.96. Se lanza una moneda tres veces.106.104. .¿Guál es la probabilidad de haberla exbaído de la primera caja? Ttes joyeros idénticos tienen dos compartimiento¡. (ó) zPs. (¿) roP¡. 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. Hallar la probabiüdad de haber escogido la urna I. 1 1. Resolver el problema anterior si la8 cifreÁ de los números pueden estar repetidas.

125. ¿Para qué CONruNTOS Y PROBABILIDAD valor de n s€ cumple que 35 3' n+rC¡ : 7' nCzl.. ¿De cuántas formas pueden seleccionarse 4 niños y 5 niñas si (o) no determinados? 2 hombres. 1.116. (b) /11 \ (r-a)4.122.. t"l kCz\QC¿)/DC. \ r/ 1. (e) no más que una carta sea figura (jota.111.e cuántas formas puede un grupo de 10 personas dividirse en (o) dos grupos de 7 grupos de 5. (d) (rz*21t./"\ . 1. Hallar la probabilidaddeque (o)laprimera carta no Bea un diez de tréboles o un aa. 2 héboles. unavez'(c)dosveces'en 1.121.117. \4 / 1..rnda carta no sea una figura dadoque la primera eí lo es.2n-1. 1. Hallar el coeficiente de ¡ en lt * ¿)t.114.126. Demostrar que (o) É . (b) en contra de A de perder los prir4eros dos juegos? 1. reina' rey).t24. La¡ apuestas en favor de A de ganar un juego de ajedrez contraB son 3:2.120. 3 niños y 3 niñas con 6 hombres. ¿f).) = 0. j=1 = n.. Se extraen dos cartas sucesivamente de una baraja de 52 eartas.110. . 1.4 mujeres.119. impar o par' impar' par.(b)almenoe dos lanzamientos de un par de dados honradoe. Si s€ extraen 3 tiquetes de la caja uno a uno' hallar la probabilidad de que alternativamente s€an impar. (c) (t-r t)s. par. En un juego de naipee ee reparte a cada uno de loe 4 jugadores 13 cartas de una baraja de 52 cartae.cAP. Con 5 estadistas y 6 economistas quiere formarse un comité de 3 estadistas y 2 economistas.C. Demostrar que (c) (b) \r¿l \o/ \r / + 1") * '. ¿Cuántos comités diferentes pueden formarse si (o) no se impone ninguna restricción. (c) eC¡. (c) un economista determinado no debe estar en el comité? 1.f 23. +/"\ \2 / /"\ . ¿De cuántas maneras pueden seleccionarse 6 preguntae de un total de 10? 1--112" ¿Ctántos comités diferentes de 3 hombres y 4 mujeres pueden formarse con 8 hombres y 6 muieres? 1. 3 y 2 personas? y 3 personas.+ r-''i" 2/ \l )=o \o/ \r/ /"\ * /"\ I 1. Calcular. 3 corazones y 1 pica.. (b) un palo completo. (b) deben seleccionarse un hombre y una mujer 1."". (b) la primera ca¡ta sea un aÁ pero la eegunda no. s€ impone ninguna restricción. (d) las cartas no sean del mismo palo. (h) las cartar son frguras o picas o ambas.-tj(. (g) la seg.( ") .8 mujeres. COEFICIENTES BINOMTALES 1. 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) tres 1. (b) j=t (-1). Halla¡ el número de (o) combinacionee y (D) permuüaciones de cuatro letras cada una quepuedenformarse con las letras de la palabra Tennessee.. (f) la seErnda carta no sea una figura. (b) dos estadistas determinados deben estar en el comité. Expandir (o) (o+y)6. (c) al menos una carta sea un diamante. Halla¡ la probabilidad de que uno de loe jugadores obtenga (o) ? diamantea. lJna caja contiene 9 tiquetes numerados del 1 al 9.115. Hallarlaprobabilidaddeobtenerunasumade?puntos(o)unavez. 1l 1.113. PROBABILIDAD UTILIZANDO ANALISIS COMBINATORIO 1. (ó) ( ).118.

Una urna contiene 6 bolas rojas y 8 azules.129.l47. - L. +P(Á") 1. . hallar la probabilidad de que necesiüe 6 disparos. Al lanzar un par de dados la suma puede ser 2. 1. (D) 2 letras son idénticas.146.36 CONruNTOS Y PROBABILIDAD lcAP. (c) ca¡tas diferentes. Cuatro enteros se eligen aleatoriamente entre 0 y 9 inclusive.141.134. Se extraen 3 ca¡üas de una baraja de 52. Hallar la probabilidad de que ocurta 11 por primera vez en el sexto lanzamiento. (b) máximo dqs sean igualee.144. APROXIMACION DE STIRLING A n! 1. Enunjuegodepókerhallarlaprobabiüdaddeobtener(o)unaescaleraflor. ¿Podríamos asignar probabilidadee de 1/11 a cada uno de esos puntos? Explicar.127. ¿Puede considera¡ee la moneda cómo honrada? Expücar. 1.I's probabilidad de que un tirador dé en el blanco eede 213. Demostrar que para cualesquiera sucesos Ar. Halla¡ la probabilidad de que 3 sean rojas y 2 azules. Si diepara al blanco hastaqueledal¡primera vez. (b) ¿Cuántos lanzamientos se necesitan para quela probabilidad en (o) eea mayor que 0. Un par de dados se lanzan repetidamente. (b)al menos dos sean ages. 12. Esüudiar lo eiguiente: no h¿y tal cosa de que una moneda sea honesta pu6to que en cualquier número de lanzamientos es extremadamenüe difícil que el número de caras y Ee¡lor eea igual. 1 1.140. Supóngaae que al lanzar una moneda 500 veces hay una secuenci¡ de2(lsnzanientosqueresulüan"carast'. etc.143.133. Halla¡ la probabilidad de que (o) las cartas eean de un palo. (b) tn full que consiste en 3 cartas de un valor y 2 de otro (por ejemplo 3 diecer y 2 jotas.51. PROBLEMAS DIVERSOS 1. (c) todas las letras son diferentes pero dos letras determinadae no puden estar juntas? tes.140 para que la probabiüdad de obtener 11 por primera vez sea mayor que (a) 0. Demostrarque 1.'. ¡rara valores de n grandes. 1. . Demosürarque siACB' entonces AnB:Q. Demostrar que aproximadamente 2nCn - 22"1\/ñ. ¿Cuántas palabras pueden formaree con 5 letras si (o) lae letras son diferentes. An P(ArvA"u. ¿Cuál es el menor número de lanzamientos necesarios en el hoblema 1.96? 1.reina.5..).. 1. A-(A nf¡: AñB'.uAn) < P(4.139.135. Obüener una aproximación al resultado del Problema 1.145. (o) Hallar la probabilidad de obtener la suma 7 en al menos uno de tres lanzamientos de un par de dador honrados. 1. (b) 0.12E. p2 y 4p Halla¡ el valor de p.132. 1.13?.138.3. Hallar la probabilidad de que un jugador tenga de 13 cartas g de un mismo palo.136.jota. .142. Halla¡ la probabilídad de que (o) sean diferen1. . rey y as del mismo palo. 1. Se extraen cinco bolas aleatoriamente sin remplazamiento. (d) 4 ases. Un espacio muestral consiste de 3 puntos muestrales con probabilidadeg a¡ociadas dadas gor 2p.95? 1. 1.131. 1.queconsistedediez. Az.. l. . .) + P(A)+ . . 1. .130. Hallar porcentaje de enor en la fórmula de Stirling para n : 10. ¿De cuántas formas pueden selecciona¡se 30 individuos de un total de 100? 1. 1.

t't . "dar ¿ letras en los 1. demostrar que p"(a) = 1 fipn-o (0) y luego emplear el resultado del Problema 1. ¿De cuántas formas pueden colocarse 12 bolas idénticas en los compartimientos de tal manera que ningún compartimiento quede vacío? (b) Resolver el problema si hay n compartimientos y r bolas para r ) n. 1. 1.54 obtenga exacüamente I ¿-c / r\k sobres correctos ". Demostrar l") .(i)' una interpretación combinatoria. Un jugador de póker tiene las cartas 2.151. (b) dos cincos. Hallar la probabilidad de que en un juego de bridge (o) dos jugadores. 4.8.151.rtimientos separados.\¡/(.155. (c) los cuatro jugadores tengan un palo completo. (c) trer cincoe.¿De cuántas maneras pueden colocarse 4 bolas idénticas en los compartimientos? (b) Resolver el problema si hay n compartimientos y r bolas.1ó3.ISrí"r"ncia. Este üipo de problema se presenta en física en conexión eonlaestadística Bose-Einstein. ¿Cuál es la probabilidad de que obtenga el 5 suponiendo que los oüro¡ tres jugadores en conjunto tienen (a) un cinco. 1l 1. CONJUNTOS Y PROBABILIDAD 37 (c) Un estanque contiene 6 compa. u¿ fi.6. Generaliza¡ el resultado del Problema 1. 1.149.156. Demostrar que la probabiüdad para que la secretaria del Problema 1._ \r/ (1 + r¡t (1 + o¡"-t y hallar el coeficiente de ¡j en el producto).' Denoüando la probabilidad deseada comopñ (a). . (ü) tres jugadores. 1. (d) ningfrn 5? ¿Puede resolverse el problema sin saber el número de cincos que tienen los otros jugadores? Expücar.148. una interpretáción combinatoria. Desea descartar el 8 y remplazarla por otra carüa que espera sea un 5 (err ese caso obtendrá una "escalera"). Resolver el Problema 1. 1. . que (Sugerencia: Consi¿s¡ar 1.:).152.150. 1. Este tipo de problema se presenta en física en conexión con l¡a es tad ísüca Fermi-Diroc. 3. .154. Demostrar que /"\ = ! 1t'¡¡" .541. (a) Un estante contiene 6 compartimientos separados.11)'-* 1i)'-l \"/ \o/ \t/ .50 si el juego se ümita a B lanzamientos.)va".cAP.

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

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

pagjna 38. 1. (o) Halar representación gráfica. tomando valores desde 0 hasta 1. A medida que procedemos de izquieida a derecha (es decir subiendo la escalera) la función de distribución permanece igual o aumenta. 3. . Entonces definimos la probabilidad de que X se encuentre entre ¿ y b como P(a<X<b) : Í"' f (n) d.n (6) . 1. por ejemplo. 714 corresponden exactanrente a las ordenadas en la Fig. Para llegar a una distribución de probabilidad para una variable aleatoria continua notamos que la probabilidad de que X se encuentre entre dos ualores diferentes tiene significado. 2-1. F(r) se mues- Los aspectos siguientes acerca de la función de distribución anterior.4.2. Estas ideas y la analogía de las Propiedades 1 y 2. EJEMPLO 2. DISTRIBUCION DE PROBABILIDAD Si X es una variable aleatoria continu4 la probabilidad de que X tome un valor determinado generalmente es cero. Esto se expresa matemáticamente estableciendo que la función de distribución es continua por la derecha en 0.2 su 2.@ e -. f(r\ > 2.40 EJEMPLO VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD lcAP. (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. Si se selecciona aleatoriamente un individuo de un grupo numeroso de hornbres adultos. Debido a esto se dice que es vnafunción monotónicamente creciente. Las magnitudes de los saltos en 0" 1. Debido a la apariencia de la gráfica de la Fig. El valor de la función én un entero se obtiene del paso superior. nos conducen f(r) tal que o a poshrlar la existencia de una función 1. Por tanto no podemos definir una función de probabilidad en la misma forma que para una va¡iable aleatoria discreta (págrna 38). Este hecho permite obtener la función de probabilidad a paftir de la función de distribución. 2 son LlA. 2-3 frecuentemente se le llama función escalera o función paso. así el valor en 1 es 314 y no Ll4. 712. 2-3. 2. Sin embargo hay una probabilidad mayor que cero de que X esté entre 145 y 150 centímetros. deben notan¡e. la función de distribución para la va¡iable aleatoria X del Ejemplo 2.)I__ f(r\dx=r donde la segunda es una proposición matemática del hecho que una variable aleatoria de valor real debe ciertamente encontra¡se entre . 2. que son verdaderos en general.3. la probabilidad de que su estatura X sea precisamente 147 centímetros sería cero.

pero con mayor frecuencia se denomina función de densidad de probabilidad o simplementn función de densídad.-g ec y puesto que esto debe ser igual a 1 tenemos c: tl9.5. la probabilidad de que X sea igual a cualquier valor determinado es cero. (o) HaIIar la constante c para que Ia función f(r¡ = {"^* L0 sea una o. lo que supondremos al menos se establezca otfa cosa. página 39.6. Si 0 f: x 13 entonces F(rl Si¡>Sentonces = ou fo' .'" de otra forma " función de densidad y (b) calcular P(l < X < 2).. = 13 t'n ¡3 .'U". (b) Emplear P(l < r = 2\. (b) P(1< p(r<x<z) -. Una función f(r) que satisface los requisitos anteriores se llama función de probabilidad o distribución de probabilidad para una variable aleatoria continua. n.5.1é/27 0<'<3 fr Obsérvese que s>s F(r) aumenta monotónicamente desde 0 hasta 1 como lo requiere una función dedistribución. en el Ejemplo 2. = Í. 2] VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 4L Podemos demostrar que esta definición satisface los axiomas de probabilidad dados en la página 6. Cualquier función que satisface las propiedades t y 2 antnriores automáticamente es una función de densidad y las probabilidades pedidas pueden obtenerse a partir de (6').l-*Ít'lol' = )ow2dr .UU ¡( 0 entonces F(. (a) Ya que f(r) satisface la propiedad 1 si c ? 0.5.au f""oou = 1 Por tanto la función de distribución pedida es r(o [o F(r) .f.?1. #f. EJEMPLO 2.CAP.'!. = # + F(r) = fo" .t) = 0. Entonces de .r) = P(X=r) f(r). debe satisfacer la propiedad 2 para ser una función densidad. el (o) Tenemos F(r) = Si P(X = r\ = o" Í__. : P(. definimos la función de distribución F(x\ para una uariable leatoria continua por F(. V) En los puntos de continuidad de EJEMPLO 2.tu. También debe observarse que F(r) en este caso es 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). En tal caso podemos remplazar cualquiera o ambos de los signos ( en (6) por Así.n* =.ru. = *-h=:h 7 En el caso de que f(r) sea continua.a1X<r) s = J_-" ¡p¡au f' ( si se desea. . (a) Hallar resultado de (o) para hallar el signo en (7\ puede remplazarse por la función de distribución para la variable aleatoria del Ejemplo 2. ou + f"'f@)au = fo'!u.

se representa por el área sombreada de laFig. 2s137 n La probabilidad de que X se encuentr€ entre r yxt Ax está dada por (8) p(r= xtn+ta) así que si = .'.2-4.42 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD [cAP.i..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.6.ü# (121 at. El área total limitada por la cuwa y el eje ¡ debe ser 1 debido a la propiedad 2 en la págna 40. az y F se suponen derivables con respecto a. la cunra no puede caer por debajo del eje r.'r(u.' T*0" + F(az(a).a# .F@t(n). es deci¡ P(a 1 X < b). INTERPRETACIONES GRAFICAS es la función de densidad para una variable aleatoria X entonces podemos reptesentar y gráficamente por una curva como en la Fig. Geométricamente la probabilidad de que X esté enhe a y b. : f(x) Si f(r) Fig. 2-4. 2-l .'. (10) es la /(¡) es continu4 es decir la derivada de función de distribución REGLA DE LEIBNIZ Pa¡a obtener (101hemos empleado el hecho familiar del cálculo de que $ !"' tlu) ou = Este es un caso especial de f (s) (11) h regla de Leibniz para diferencbción de una integral: *Í"".r.2 (ó) Tenemoa P(r<x<2) P(X=21 - P(X=1) f(2) - F(1) n-n como en el Ejemplo 2.x)itu donde = f""jl. Puesto que f(r) Z 0.

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

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

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

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

rr. que tengan s(u) = r) itn Í__ ..r.. fz = fz+ ft 2. Las siguientes son algunas propiedades importantes de la convolución: 1. f t* (f z* f t¡ = gt* fz)'f 3.y)<u) = fl . y distribr''. Y. Teorema 2-6: Sea f(r. A) u. V:X (lasegunda selección es arbitraria).IBUCIONES DE PROBABILIDAD 47 Aú Ar (871 J= E(a. 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 2-4.2l VARIABLES ALEATORIAS Y DISIR. Un resultado análogo es váüdo para las funciones de probabiüdad de las variables discretas. En la práctica con frecuencia se necesita hallar la distribución de probabüdad de alguna o va¡ias va¡iables aleatorias determinadas. y) está dada por Como consecuencia particular de los teoremas anteriores podemos demostra¡ (véase Problema es decir de U : X * n.o) A1r A.]NCIONES DE VARIABLES ALEATORIAS aa aa Los Teoremas %2 y 24 específicamente incluyen funciones de probabilidad conjunta de dos variables aleatorias. abreviado f . Y) se encuenha derivando con respecto a ¿ la función de distribución dada por G(u) = pÍó. Il. Y variables aleatorias continuas y sea U = ót(X. Entonces la función de densidad g(u) de la variable aleatoria U : Qr(X.* fz . n. obedecen las leyes conmutatiuq reociatiua del álgebra con respecto a la operación de la convolución.cAP.ul 6(u. como función de densidad conjunta a f(x..ylitrdy R (es) donde Q es la región para la cual 4r(o. y) la función de densidad conjunta de X. fr. f .23\ que la suma de dos va¡iables aleatorias continuas X. &u 0a DISTRIBUCIONES DE PROBABILIDAD DE FI. Ír* (fr'f fi = ft* fz * ft+ fs s Estos resultados demuestran gue fr . = ClDNVOLUCIONES 2.u - (8el En el caso especial donde X. Y son independientns.(X. Cualquiera de los teoremas siguientes es frecuentemente útil para este propósito. Teorema2-5: Sean X.@) y (39) se reduce a (t o¡ s@) = f' .(r) f .U) = f . -6 fr(*)fr(u-r)iln que se conoce como la conuolución de f t y f z. l(u. ft.iw .

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

Jo 4/36 2/36 (ó) Podemos emplear un espectro o un histograma como los dados en la Fig. obtenemos la Tabla 2-4. Tabla 2-4 'x 1'17'página18. garaX:5 corresponden los cuaho puntos muestrales (1. (2.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 49 Problerna.3). 2-8 o en la Fig. de acuerdo con si deseamos considerar a X como va¡iable discreta o continua. Supóngase que se lanza un par de dados honrados y que la variable aleatoria X denote la suma de-los puntós. Nótese que en la Fig.1) así que la probabilidad asociada es 4/36. 2'9. Así para (3. Utilizando el hecho de que los 36 puntos muestrales son igualmente probables. (a) Obtener la distribución de probabilidad paraX.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/.2).4).cAP.s restreltos VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCRETAS 2. (3. 2-8 la suma de las ordenodas es 1 en tanto que en la Fig. variable aleatoria X es la suma de las coordenadas para cada punto. (b) Consbuir una gráfica para esta distribución de probabilidad. (4.2) tenemos X : 5.Po¡ ejemplo. (c) LospuntosmuestralesparaloslianzamientosdeunpardedadosestándadosenlaFig. 2-9 la suma de todas las óreos rectangulares es 1. así que cada punto muestral tiene probabilidad 1/36.1. .

JNCIONES DE DISTRIBUCION DISCRETA r/t 2.1 hallamos F(rl = 0 -e 1r<.3.".2. Obsérvese que el cero del eje r se ha desplazado.L y (b\ repr€sentar gráficamente esta función de distribución.2-L2.) 3 se indica en la Tabla 2-5.(. La función de probabilidad para X. f(r) = . I 3/8 . 2-ll (b) Véase Fig.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. A y A'. ip=q:L12.)' Tabla 2-6 fr 0 donde la variable ale¿toria X representa el número de niños en la familia. Enüonces de los resultados del Problema 2. 2-10 o en la la FI.)"(t'-' = .46 trató el caeo de n intentos mutua¡t¡ente independientes.t-. Este re¡ultado se aplica a este problema bajo la suposición de que los nacimientos eucecivos (loe "intentoe") eon independientes en cuanto se refiere al sexo del hijo. 2-11. D:3. (Obeérvese que X se define sobre el eepacio muestral de tres inüentos).¿6 2r/36 18/3rt 15/36 12/36 9i 36 6/36 3136 . c.(i) \-'l /r \3 f(r) r/8 3/8 L/8 (b) La Eráfrca va¡iable X como discreta o continua. Por tanto. F(r) 1 33/36 30/36 27 i36 I 24/'. (c) Hallar la disgibución de probabilidad de niños y niñas en familias con 3 hijos. 0123 Número de ¡¡iñoc X = ¡ Fis. (b) Représentar gráficamente la distriUución en (o). (a) Hallar la función de distribución F(r) para la variable aleatoria X del Problema 2.. (a ) EI Problema 1.. tenemos P(eractamente r niños) = P(X = r) = .50 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP. Se encontró quelrr probabilidad de obtener eractamente r veoea A en los n intentos es icrp'q. Fig. donde cada intento tenfa dos resultados posibles.2 2. 2-10 (o) Tenemos que F'(r) = P(X = tl u=x 2 Ífu¡. siA e¡eleuceeo"niñott. suponiendo iguales probabilidades para niños y niñas.on probabilidadesp y g: 1-prespectivamente.(. dependiendo sobre si deseamos considerar a puede representarse como en la Fig.c.".

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

2 2. La función de probabilidad conjunta de dos variables aleatorias discretas X.) 2c 4c 6c 3c DC l4c 22c 42c 7c L5c Tota les+ 9c l2c .y f(r. (b) Hallar P(X =2. y) para los cuales las probabilidades son diferentes a crero se indican en la Fig. (b) la probabilidad de que X > 2. debe ser igual a 1. )-11. 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.du = -e-2"1 = L-e-8 lo l{ Otro método. se indican en la Tabla 2-6.8. y (c) la probabilidad de que-3<X<4. y pueden tomar todos los valores enteros tales que 0 < n 3 2. Por defrnición P(X =-21 = )" ze-z"du = -u-r"1.e-4. (o) . Y = l). fir-\ = dt l-F1.Y s2\. Y estÁ dada por f(r.U\ : 0 de otra forma.7.F(-g) = (1 -e-e)-(0) = l-e-B DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2.A) = c(2r *y). Por tanto. P(-3<X<4) = P(X=4) -P(X<-3) = r'(4) . (c) Hallar P(X>l. las probabilidades asociadas con esos puntog dadas por c(2x * y).42c.62 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP. donde r. Tabla 2-6 Y X 0 0 0 I c 2 3 Totales ü I 2c 4c 6c 3c 5c 6c I ..¡l = f2"-u l0 r)0 r10 le-1 (ó) P(X>z) Otro método. 0 = U < 3. Puesto que el gran total. (o) Hallar el valor de la constante c. (a) tos puntos muestrales (r. tenemos que c : L142. = = F(2) = | . P(X>z) = f -(1 -e-r) = (c) e-4 p(-B<x<4) = ln¡rulou = f_roa"+ ton2r-r.

11. La función de densidad conjunta de dos variables aleatorias continuas X. Y <2). Demostrar que las variables aleatorias X.9. (b) Hallar P(1< X <2. 2. 1<g<5 de otra forma 1o (c) Hallar P(X>3. P(X=2.8.Y : A) = P(X = r\ P(Y = Y¡ Pero. De estos vemos que 6c=L/7 | P(X=r) = ft@) = jUc=1/3 verificación:l+1*11 '7 3'21 (b) La función =r r=0 u=t.Y=\ = asr que h P(x=4 = # P(Y=l) = I (2x rr y)142.u) d.{. como se determina de los Problemas 2. es decir | | f@. Hallar las funciones de probabilidad marginal (c) de XV (b)de Yparalasvariablesaleatorias del Problema 2. Y del Problema 2.. De estos vemos que P(Y=Y¡ = verificación:1*3 +!+1 ''7 74'7 t4 fz( =t 2. (o) La función de probabilidad marginal para X está dada por P(X = r) = ft@) y puede obtener¡e de los totales del margen en la columna derecha de la Tabla 2-6.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD De la Tabla 2-6 determinamos que 53 (b) P(X=2.9. no P(X--2. l22c=17/2r n=2 fz(u) y puede obtenerse de los de probabilidad marginal pata Y está dada por P(Y = a) = totales del margen en la última fila de la Tabla 2-6.8 son dependientes. Y son independientes debemos tener.u) = lcnU 0(r<4. Si las variables aleatorias. puede expresarse como una fi¡nción de ¡ veces una función de y. y. (o) Hallar el valor de la constante c. para todo r. 2<Y <3). P(X = t. Y es f (n. 2.Y<2\ = t2l (2c g32 * Bc 1'4c) -f (4c*5c!-6c) :-: 'L 42 4 n otcomo se indica por las entradas sombreadas en la tabla.cAP.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. (o) Debemos tener la probabilidad total igual a 1.Y=l)=5"=a 42 (c) De la Tabla 2-6 determinamos que P(X>t.10.r du = I .

r.'=.)* = "Í:=rr2adr = "tu*)l'_.o)ctud.¡¡'J. Por t¡nto Fr(rl = 1. [ Í=.=. = = 1 C' 5r.=oL.:o J"=rcnvilxils ft rrs = " J. Hallar las funciones de distribución marginal (c) de X V(bl de I' del Problema 2. . (o) L¿ función de di¡t¡ibución marginal para X ¡i 0 < ¡ ( 4 ec Ft@) = p(X=r) = f' ¿u=-4 ¿O=-@ f" fet. = e6c Entonces 96c = 1 y c : 1/96. 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."=.1Í":=.12. fi uo = # 1.Y=z) = í:="í"'=.frarau = * Í'^='lÍ"'="u aafa' = + f"="#l'"='* L f4 Br.- ñ E P(x>s.F . xaau )clx = "!.'=r$l'"-. fv J-"=oJ"'='ffiauao = + .podrfamocremplazarenlaerpreaiónanüerior(por<.Tn' = idt\t/|.* s /rz11z . 1""=140. (ó) Utiliz¿ndo el valor de c hdl¡do en (a) tenemoe P(l <x <2.o' = "Í.'uau)a' = *f.2<Y ' (c) <3) = Í. 7 ñ J"="To' = ln 2.(a) = 0.=o J"=. para 5 < 0.'=.olduclo dudo = P¡re o > ft (s J.r"=. =y( 5 ec Fzful = P(Y <-vl = Í¿t=_@ f1 ¿ú=l f" f@. y).r=o(ry-.Yl'"=. 4.11. la integral tiene el valor f4 ¡5 J. Oo = #Í:=. Ft(¡) = 1.54 vARIABLEs ALEAToRIAs y DrsrRIBUcIoNEs DErRoBABTLTDAD -l IcAp.2 Empleando la defrnición de /(.

Y puede escúbirse como el producto de una función en r veces una función en y.¿v I < Y < 5 [ 0 de otra forma L/96. La probabilidad rc.¡ ryl96 sobre fi. 2-I6 . J ( por < . Se deduce que X.F(r. Puesto que f(x. Del Problema 2. !""=.cAP. Y son independientes.| l rr.(ul = { (.LL se observa que la función de densidád conjunta para X.ul = fr(r) f2(y). región sombreada en la Fig. ! c(t = c : F(r. la Fig.L2.11.' *u au)a* Fig. donde J tt. Las distribuciones marginales . 2-16. Y del Problema 2.14. 2.13.11 hallar P(X+ y < conjunta de 3). de tal manera que su función de distribución conjunta eetá dada por F(r. esta probabilidad está dada por 'í Í"'=.2l Para y VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD OD = 5. 1 < y ( 5 dentro de la cual la función de densidad X. podríamos remplazar en la expresión anterior [o u<r : 1. [f=. t = 1. F{A) = 0. l\¡. 2-15 muesha la definición por trazos de . Halla¡ la función de distribución conjunta para las variables aleatorias X. 2-15 2.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. y) resultante. 3.F ¡ (r) V Fzp) se determina¡on en el Problema 2.t : 5.Yl = rz(az . 2-16 hemos indicado la región cuadrada 0 ( ¡ ( 4.l\ (r6)(24) Fig..Y es diferente de cero. y) : Fr G\ Fz@). En la Fig. o 0 ( ¡<4 f de otra forma . Por tanto Fzfu) Puesto que F2 (y) es continua en y = 4@r-t)tz+ tfy<b a=6 l. En el Problema 2. Fz@) = 1. av = ut-[:. En efecto. Para U < l.n ffia.

56 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP.2 1 L (" = J. pá$na 46.a).\: ?u. esto es. Entonces. y : Ju. Véase Problema 2.= fu ). | trrr J| s(u.66. = 2. Demostrar el Teorema 2-3._-.y) fe2 dr dy Remplazando avanzado que r : Út@. Demostxar el Teorema 2-4.rl duda = f"' (''' Ju. Dr P(r1<X1rz. u aumenta a medida que r aumenta (Fig. Primero suponemos que a medida que r. pá$na 46. es decir g(u) _.2fu. Por tanto = fI¡rfu. u) ellacobiano. 92fu.v)dud.. La función de probabilidad para U está dada por s(u) = P(Lt ") = Plo(x) .¡.. Demostrar el Teorema 2-t. Jtl r s(u.67).a todo u1 y u2 solamente si los integ'andos son idénticos.u.z 46.u11V1o. y crecen. Igual que en el Problema 2. ' olü au = ¡'tl f ¡¡gqullv'tu:du Esto es válido pr..1)llJ duda ("' ("'n.t'@) Este es un caso especial de (34).r\uti. El teorema también se puede demostrar si rl'(u) 0 ó r/'(u) ( 0.At<Y<Az) = | fre | l(r.4v. (r) (t tlt(u) es una P(ut LI 1tt"): P(rtlX1rr\ f¡7 (2) Remplazando x escribirse como /'ü: | t\u) titr 'ul |.16. u)..fl. . como puede deducirse de la figura. Primero considere el caso donde u : ó@) 6 x : tenemos función creciente. Úz(u. página 46. págir.a) a@'a) donde es d\u. donde ry''(u¡ ) 0 (es decir la penCiente es positiva). 2.Ll Plx = gfu)) = f lv@)l En una manera análoga puede demostrarse el Teorema 2-2.16 ó P(ut<Uiu.f . 2 lu=rd' CAMBIO DE VARIABLES [r(3-r)z r 'rldr 48 2.=o g6..15. pá4ina 46.. podemos demostrar que u y u también crecen.(' 'u2 l3-' '.u).o'tlJ J< que es (3ti). Ju. 2-1'7). u) en la integral de la derecha tenemos por un teorema de cálculo flrrtu.1 . L es una función decreciente de ¡. (2) puede Fig. Análogamente podemos demostrar ('36) para el caso donde .17. también podemos demostrar que (31) se cumple (véase Problema 2. esto es. Para el caso donde rlr'(u) -< 0.u . ) O..' ut 12 : ¿ ttt V@) en la integral al lado derecho. para el caso donde J 0. "rl "" /{.páqina 46. 2-17 f .

)óx:L2-3u.Enüonce¡1.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD es 67 2.17. | .A¡íparacadavalorderhayunoydamenteu¡valordeuy función de densidad para U ee s(ut Verificación: = ilt'.Loe valore¡ de u que correrponden a¡= ...82. Los valores de r para los cuales. UyXqtídadapor y8€hatomadol¡raízrealpositiva. recfprocamentg.3 ( ¡ < 3 corresponde a 0 s z s 9 er tanto que 3 (¡( 6 corresponde a 9 ( u ( 36.cAP.2O.tt¡¡f".."1:-. La función de es disüribución para U G(ul = P('tlu') Entonces si 0 Fis.E2. 2.!7..18.3 y* = 6 rcn u = 6 y u -2re¡I¡ectivamente.+ l larelación entre loe valoreedeuyrdela¡variablesale¿torias donde u:2.2.16 que la Tbnemosu:tl3(L2-f..sutz¡21 ]. página 46. Tenemos tL = tr2 ó r = *\ñ. HaJlar la densidad de probabüdad de la variable aleatoria U = )? donde X es l¡ va¡iable aleatoria del Problema2.16.19.. página 46. U: * . Puesto que ú'(u) : dx/du : . de otra forma .3 ( 6 corresponden a los valores para los cualeo 0 S 36 como se muestra en la Fig.¡función u = 2. u= r+11 6 r =n/F1..'ll = 1 2. La función de ptobabiüdad de una variable aleatoria X (2-' ü=1. o el hoblema 2. = P(..3 ¡e deduc.3. 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 ¡. du ¡5 <tz:_su. Como se obeerva en esta ffuura el intervalo .. 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).I9. 2-18. de probabilidad pedida para U ea ( z-ni i s("! = 1o utilizando el Teorema 2-1. .U<u) = P(-B<X<\fr) = J-s f@lA. o por el Probler¡¿ 2. f(r) = to de otra forma Halla¡ la probabilidad para la va¡iable aleatoria a = X4 + Puesto que l.e por el Teorema 2-3.2 = _. En este caso no podemos emplear el Teorema 2-4 directamente ¡rero podemor proceder de la manera eiguienüe.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.

uear¡do la regla de c@l Utiüzando la definición dada de = f(r) eeto se convierte en 0<z<9 9. = 2. ! : ll2(u . Si las variables aleatorias X.IBUCIONES DE PROBABILIDAD Pueeüo que la [cAP. El Jacobiano está dado por Fr 0r J_lr"0o oa lüu la" att lo =l I 1 11 -. u : r. 1 < y ( 5 correeponde a la regiiin 0( u ( 4.21.ol =#¿" .11) hallar la Método 1. función de densidad de U = X + ZY. = {.r'nu ffr:i:0" 'Sea u = t I 2y. 2-19.58 VARTABLES ALEAT1ORIAS Y DISTR. 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.=.-ro 0 6<¿<10 f4 afu.2 l*ibníz (12).u 110 que ¡e muesEa eombreada en la Fig. lo1u114 de otra forma . Y tienen función de densidad conjunta r(x. función de den¡idad g(u) ee l¡ derivada de G(u) tonemos.2 < u . 0 < a < 4 g(u'al = de oEa forma {o La función de den¡idad marginal de U está dada por 21u<6 ctfu) = f"^=oWo' J. 1 tZ _1.<¿<36 de otra forma 21rsrz Verificación: zlb.u). le * fil2136 z4B l. 2 ea - Fig.1. Por üa¡¡to la región 0 I r 1 4. Entonces la ¡olución ¡imultiinea re¡ulta r : u. etcogiendo arbitrariamente l¡r eegunda relación.a) (véase Problema 2.

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

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

d. halla¡ la función de densidad de su sumao U = X Por el Problema 2.f¿ .- u de tal maneraque u = u-u.w) = (" DISTRIBUCIONES CONDICIONALES fz@\lt@-u)dut = fz'ft "/u=-n 2. 2. HaJlar (al f(y l2). Y son variables aleatorias independientes que tienenfunciof.25. obtenemos (-' Ítrfz = .rru-u)f2@t)(-d.cAP.241a función de den¡idad pedida es la convolución de f t y fz y eetá dada por c@) = ft*fz = f' fr(o. Y son variables aleatorias independientes que tienen funciones de densidad ft@l =112"-t' .fw=n .to ¡iu>0yg(u):O¡iu(0. 2.27.{olf2(u-olito = f t* fz que es la conuolucidn de h y fz.8.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD 61 2.23 la función s(ul = t'.-*) = 1 2.a J_ú En el integrando f1 se anula cuando u ( 0 y f2 8e anula cuando u ( u. En este caso la función de den¡id¡d eonjunüa et f(x. así que por el Problema 2.ar@u . (o) Empleando los ¡esultado¡ en los Problema¡ 2.<0 L0 ü>o * fg"-to a=o " frfu\ '-\e' =1l0 a<0 Y. de densidad de U: X * Y e¡ y): f t@) fz(yl.9 t¿nemo¡ ftutrt = arf que con ¡ : 2 ffi:*+#t f(ylz\=g#f=+ P(Y=rlX=2\=/(1l3r=*z (ó) . R'ex. Demostra¡ gue fi t. (b) P(Y : 1lX : 2'¡ pan la distribución del Problema 2. Por tanto Cful = | JO f! (2e-2ül(ge-sru-u))do (" = 6"-su.o{üau = tfo'k-r"-"-rv\d.f2(u-t:ld.u:-dw.f . Ve¡ific¡ción: ao ifui = 6o.26. (y) respectivamente.l) = 6(e-zt .u = (.24. pígna 47\" Tenemos Ít* fz = | /r(") fz@-o) Jo=-a Haciendo fa da u)= a.f 2* f1 (Propiedad 1.8 y 2.e-tr¡ f -'.olver el hoblema nes de densidad f t@). Si X..23 si X.

ft@la) (d) = ffi . dada I 16 2.a) = {t^" de otra forma 1=1=.rYP* está. El resultado es (' Ítu. La función de densidad conjunta de las va¡iables aleatorias X.i¿¡t\ = {o (2r/(L-azl a=r=l otra¡ O.* :". : J'(i**r)0. /(¡ | y) no ertó (ó) P(Y>l¿l+<x<l*drl = tr*.ffr:j:r. (c) Para obtener la den¡idad marginal de X fijamos r e integramde c"on reepecto a y de¡de 0 hasta r como se indica por la franja verticalen laFíg.29. la deneidad marginal de Y se obtiene fijando a y e L. = t¡*} ftulr\ h¡a oü¡o¡ ralore¡ de = definid¿. (c) la densidad condicio nal de X. La región sobre la cual f(r.) = Jt=o Sxydy . Y por f(r. Pa¡a los ohos valoree de r.'. Fig. (d) la densidad de Y. ft (¡) = (b) 0. = Í. (b) la densidad marginal de Y.): fz@lr\ = !(u'a'-l = {'u'* h@\ lo La funeión de densidad condicional no está definida cuando JFr o=u=r otray (¡): 0- . El re¡ultado es para 0 (y(r.2-23. 2-23. como 8e integrando con reapecto a ¡ desde r = y hasta Í: indica por la franja horizontal en la Fig.¡. Análogamente. (b) P(v > + I + < X <*+d'r).a) = {i. hl. rt*) hallar (a) f(alr). 2-23.4¡s pare 0 ( ¡ ( 1. La función de den¡idad condiciond no está defrnida cuando L8 función de densidad condicional de Y es.rlrol+)0. 2-23 (c) La función de den¡idad condicional de X ec. para 0 ( r ( 1.2E. Si X. (o) Para 0kc(1. f2Q): O. Y tienen la función de densidad conjunta r(r..t'o<a<r [0 se muestra Hallar (a) la densidad marginal de X. ¡.2 2. y) er diferente a cero sombreada en la Fig. !2@) Para = Í' Brydr = 4aÍ-u2'l lo¡ otros valores de y. pa¡a 0 ( y ( 1.62 VARIABLES ALEATORTAS Y DISTBIBUCIONES DE PROBABILIDAD lcAP.

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. tenemos ("fr.[t .30. que se supone üene radio b.cAP. Puesto que se supone que intenalc igualec tienen probabüdadee iguales.A\ = 8rA. 2-24).2-23. Eeto ¡e debe a la restricción 0 < y < ¡. Y son independientes. R es la dista¡rcia del impacto desde el centro del objetivo.U) Debe anota¡se que no puede deducirse a partir de f(x.32. : T zalo lr-(i) Jl. + f t@) Í2fu). = lo'Ar"d. Íis. Si ecta ee remplazarí pu alguna reshicción en y no dependiente de r (como en el Problema 2.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 63 Verificación: fo' .21).ls rbF /"\2-1. Suponer que siempre se hace impacto en el objetivo. y) : 8ry. Determinar si las variables aleatorias del Problema2. Y están dadas respectivamente por (r) f .30.(.31.)¿.r) = .(. la¡ funcionee de densidad de X. que flr. EnlaregiónsombreadadelaFig.)']0" Aquí. fot rrror¿a = fo 4A$-u2lda = | 7 f"'r.r'lúttr = Í"' fo" &or : . f(t.G't = lI 0<¡<1 | 0 de oEa forma f zfu) : tf f 1 ofY=1 o de otra forma Entonces ya que X. ¡ < 1. La función de deneidad ertá dada por f(r) r_ /r)rl = "Lt . Entonces la probabilidad de pegar en el blanco es Jo I rb t(. la función de densidad estd dada por .t L \a/ 2. = t. htotdda -- Ío' 2. Jo L /r)'lo' = \a/ --) r de lo cual c = 312a. tal conclusión serfa verdadera- APLICACIONES A LA PROBABILIDAD GEOMETRICA 2. Ít@l = 4r?. Dos puntos se escogen aleatoriamente en el intervalo 0 < de que la suma de sus cuadrados sea menor que 1. b(Boz-br¡ =. Portanto f(r. Hallar la probabilidad de pegar en el blanco. fz(A) : AaQ-A2').¡ _. y) puede expresarsecomo una función de r por una función de y. c es r¡na constante y o es el radio del objetivo (véase Fig. y a¡í { Y son dependientes.29 son independientes. Determinar la probabilidad Denótense por X Y la¡ va¡iables a¡ociadas con lo¡ puntos dados. = .2-21 Puesto que siempre se hace impacto en el objetivo.rrrro..

Í""= _ . U = 0. (4t) la función de dishibución conjunta.'=-.que las variables aleatorias X.yt = tr".(elP(X > 3).'=. (h) si X. (d)P(3 < X< 4. ?f Fis. "(u. = o u2 a<o I l6v 105 6=y(b t"'=ozffauao I y26 .l.'= _.:=. f tienen la función de densidad conjunta f(a. debemor 0ener c Í. Entoncee puerto que (3) repreecnte el á¡e¡ de R observamos que b probabilidad pedida es n14. a" au P(xz + Y2 = t er la región def¡nida gnt r2*y2 5 l.l(u.2-25 PBOBLEMAS DÍVERSOS 2. (o) t a probabilidad total está dada por f.ud'o I"=" !'"=o\ffauao Í""=. x >: O. *+)0.t tztut = {. Y son independientes.tsl duit't: Í.'=-.. (RP(X + Y > 4). = )) fr. Í'='Í"'=oLt!du¿. f"'=o o(2-r I sl itr dv = !. r.u do Fz@l = P(Y =. Supóngase.'=--Í"": -ot.| 126 ts) d.Y> Z).Í"'=--odud'' = = Í"'=.'y¡ = [. o sea un cuadrante de una circunferencia de radio 1 (Fig.33.ü Hallar (o) la constante c" (b) las funciones de distribución marginal para X y Y. (c) las tunciones de densidad marginal para XV f.t La función de di¡tribución marginal para Y es .t"É s "r* O"O" rI Se deduce que la probabilidad peüda *.ffoua.f."_r"(to.64 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAI) [cAP. = 2l0c : Ll2lO. (D) La función de di¡tribución marginal para X er fr(a) = P(x = al = Í. * +)ltro" Pare que e¡to ¡e¡ igual a 1.2 (2t (t) donde r(x.í. 2-26).. l.'=. f"'= --rru. f.

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

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

V es | .u) s(u = 6r\".. cuando la región de integración está ümitada El mismo resultado se obtiene para u ( trazos en laFig.la" | J _ l^ tdfr árt l# #l I o 1 | | lo-t -u...eibniz.ü d. )0. t". 2-30 )' Sea @ una variable aleaüoria que da el ángulo agudo entre la aguja (o su prolongación) y la línea.. + !o'i./ .. Una aguja de longitud a1l cae aleatoriamente al piso.f_: t f"-.. 2-29 Fig. Sea X una variable aleatoria que da la distancia del punto medio de ta aguja a la línea más cercana (Fig. s(u) Método 2.Se deduceque . Observamos que G(u) = .Denotamos porry0cualquiervalordeterminadodeXy@.. Hallar la probabilidad de que la aguja intersecte una línea. a Fig. asíque 0 s ¡ < t/2.0 la región de integración ge muestra sombreada en la Fig.IBUCIONES DE PROBABILIDAD arl ú .(.36.X)* por la hipérbola a Q.2-29.y¡aylar * [o'll:-' r(r. Un piso tiene líneas paralelas a distancias iguales I entre sí.:)a. 2-29.(.2l VARIABLES ALEATORIAS Y DISTR..cAP. 2-30 2.ú J _* = J_-. La función de distribución de U es = o@.t-zl | _u-r Por. También @ puede tomar cualquier valor entre 0 y ¡l2.r\."\ ) aa a partir de La cual se obtiene la función de densidad marginal de U.y\<t1¡)ar Derivando con respecto a u utilizando la regla de l.'.1)* = Í:"ár('.r\.anto la función de densidad conjunta de U. obtenerños g(u) : f: (+) .u.SeobservaqueXpuedetcmarcualquiervalorentreOyll2.r du ft t / G(u) = lf ¡gSu Pa¡a u =. (Este problema es conocido como el problema de la aguia de Buffon).

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

46.IBUCIONES DE PROBABILIDAI) 69 Problenra.E¡ suplernenta. (D) Problema 2.2.4O.39 si s€ extraen las bolas c. 2. Una urna tiene 5 bolas blancas y 3 neg¡a¡. 2. describiendo la relación entre ella¡.40.1 y 2. Hallar la di¡hibución de probabilidad de Z. 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. 2. probabilidad.cAP. s). repreeenüar gráficamente la di¡tribución.2l VARIABLES ALEATORTAS Y DTSTR. Rnpre*ntar gráfrcamenüe las funciones de densidad y digtribución.18. Comparar los re¡ultados con los Ejemplos 2.on remplazamiento. Sea X la yariable ale¿üoria que representa el número de ases extrafdos aleatoriamente en 4 ca¡tas de una baraja de 62 cart¡¡. Hallar la función 2. Resolver el Problema 2. Una variable aleatoria X tiene función de deneidad f(n) = | "r' 1 "r L0 L< aé2 21r13 de otra forma . (b) Problema 2.19.39. Una moneda ¡e lanza tres vece& Si X es l¡ variable aleatoria que indica el número de caras que rerultan. La Tabla 2-8 muestra la función de distribución de la variable aleatoria X. (c) P(X >21. 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. (o) Conetrui¡ una tabla que indique l¿ función de dietribución de X y (b) representar gr6ficarnente e¡ta función de distribución. (a) Construir una üabla que muestre la distribución de probabilidad de X V (ü) FUNCIONES DE DISTBIBUCION DISCBETA 2. (¿) P(X > r. (a) construi¡ una tabla que muestre la distribuci6n de probabilidad de X V (b) representar gráfrcamente la di¡tribución. Una variable aleatoria X tiene función de den¡idad l(x) Ilallar (o ) = 1o = (ce-g" c)0 rso (d) P(X < 1). La función de probabilidad de una variable aleatoria X ee muestra en la Tabla 2-7. de digtribución para la variable aleatoria del Problema 2. 2. 2. Obtener l¡ función de dishibución y su gráfica para el (o) Problema 2. (ó) P(1 < X < 2).47.89.38. Si se extraen doe bolas aleatoriamente sin remplazamienüo y X denoüa el número de bola¡ blancas. 2.38. (D) P(l < X g).4L. = Determina¡ (o) la función de VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2. (r) P(. (o) hallar la di¡tribución de probabilidad para X V (b) repreeentar gráficamente la distribución. (dl P(X < 3).rlo s VARIABLES ALEATOBIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCBETAS 2.42.41. la con¡tante c.46. (c) Problema 2.44. Obtener la función de distribución y su gráfica para el (c) Problema 2.42.41.47. 2.48.

(d\ P(X > 21. 2.2. Halla¡ la función de distribución para la variable aleatoria X del Problema 2. 2.64.56 para el caso donde las variables son continuas. (e)siX Ysoninde 2.56. f(r) = 1o 0=rÉ2 deotraforma Hallar (a) el valor de la constante c. Y = 2). E)emo¡trar el resultado del Problema 2. cerode otra forma.49. y): cxy parar: L. ¿Puede ser la función (c(I-12) F(r\ = 1o una función de dishibución? Explicar. (b) P(1-12< X <312). Demostrar que las variablec aleatoúas di¡ctetas X. y su función de probabilidad conjunta puede expresarse por el producto de rfna función en ¡ y una función en v.54. Halla¡ las funciones de distribución 2. (cl P(llz < X < 3/2).69. (e\ P\Y < 2). La función de distribución de una va¡iable aleatoria X está dada por 2. (b)lafuncióndedensidad. Halla¡ la función de probabilidad condicional (o) de Problema 2. X.56. (d) la función de dietribución. La función de probabiüdad conjunta de dos va¡iablee aleatorias discretae )d Y eet6 dada por f(x.ó8. Y variables aleatorias continuae que tienen función de densidad conjunta (c(r2*a2) 0Ér< 1. (c) P(X > 1). marginal (a) de X.Y>+). Sean 2.67. Hallar (o)laconstante c. (b) de Y para la función de dencidad del Problema 2. (b) P(X=2. X dada Y. 2.Y = 3).2.57. pendientes. DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2. Hallar las funcionee de probabiüdad marginal de (c) X V (b) (c ) y para las va¡iables aleatorias del Problema 2.60.(d)P(Y<{).(c)P(|<X<*). (c) P(X>l).3. (d) P(l<X<2).63. SiP(X:3):0hallar(o)laconstantec. Sea X una variable aleatoria que tiene una función de densidad (r.ñ. 2.54.!: L. De'rerminar ¡i X Y son independientes. Y son independientes solo si poro todos los uolo¡es de x.(b)P(X<+. DISTR¡BUCIONES CONDTCIONALES Y FUNCIONES DE DENSIDAD 2. (g) P(Y = 3). 0= ¡=1 deotraforma 2.3. 0< gr< 1 f(r'u) = 1o deotraforma Determina¡(o)laconstantec. (b) P\X'> PROBABILIDAD [CAP.ót. 2 2).52. (D) de Y dada X para la distribución del . (fl P(X = r). (c) P(I<X< 2.70 VARTABLES ALEATORIAS Y DISTRIBUCIONES DE Hallar (a) la constante c.

2.2L e¿ igual a 1. (b) Y dada X. 2. (*e-2. Veúfic¿r que la integral de gr(?r) en el método 1 del Problema 2. DemostrarelTeorema 2-3.62. y>0 f@. (c) r¿. (e-(r+u) x>0. Hallar la función de densidad condicional de (c) Xdada Y. Hall¡¡ la densidad condicional de (c) X dada Y. (D) Y CAITIBIO DE VARIABLES 2. l. Sea dada X.paraloscaso¡ (al g.. < 5 < @. SiXüienefuncióndedenaidad f(r):(2v)-r/2"-érz. 2.at = 1. u >0 n1O 2. . hall¡rladensidadde Y = tan-rX. Sea la den¡idad de X Í@l = Halla¡ l¡ densidad de (¿) 3X (l/2 to -l<r(l deotraforma ..rl:j"<s<L Hallar la funcióa de den¡id¡d ondicional de (a) X dada Y. hal|arlafuncióndedén¡idad deY=*. 2. (bl Xs + 1. -.(¿) S 0.cAP. 2. 2. de otra forma [^ la función de ilen¡idad conjunüa de X. 2. (ü) *.66.63.ú = { 0 J^ ^¿_. (b ) Iluatrar el re¡ultado en la parte (a) erco$endo f(rl = i: l0 y verificar la solución.57 . (o ) Si la función de den¡idad de X es f(r ) hallar la función de densidad de X3 .2.66. (ü) Y dada X.2I y verificar su reapuesta. Y.(ulZ 0.*.2l VARIABLES ALEATORIAS Y DTSTRIBUCIONES DE PROBABTLIDAD 77 2.página46.71.7O. 2. -a <a < . Si X tiene función de densidad f(r) Hallar la función de den¡idad de l"-.6t.64. Completar la labor necesa¡ia para hallar gt(u) en el método 2 del Problema2. para la digtribución del Problema 2. si f(r.67.@) < 0.6!. Siladen¡idaddeXes f(r)=U"(r2 *1).72. n)0 = to r=o Y: X2.p6gna 46. 2.69. Demo¡tra¡ el Teorema 2-2.

f.76.R y @¡ott tt.74. y:8 ¡enO demoeEarqne la -@ I e¡ ob\=i ¡r"-tz/2 r=0 r'(0 l0 2. Hallar la función de dengidad de Z = XY. Sean X. 2.8E. Si X. Doc puntor ¡e seleccion¡n aleatoriamente ¡obre un segmento de lfnea cuya longitud a o ) 0.22. < U < @. hallar la fi¡nción de den¡idad conjunta de U y V. . CONVOLUCIONES 2. Re¡olver el Problema 2.22 pare. 2. yz0 deotraforma {o = X/Y.77.72 VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD Verifica¡ por medio de integración directa [cAP. -e 16 1o.21 primero efectuando la Ea¡rdormacií¡ 2Y 2.75.76.8O.79. y tienen función de den¡idad onjunta f(r'u) = y tJ (e-(t+vt r>0. Si. V = X I Y.halla¡ la función de den¡id¡d de (a) U : XYz. Sean función de densidad de X. (bl V = XzY. Y variables aleatorias que tienen función de den¡idad conjunüa Í@.t1. l¡ función de den¡idad conjunta h¡lloda en el hoblema 2. Y variables aleatoria¡ independientes didribuid8r idénticamente con función de den¡idad (l f(t) = Hallar la función de dengidad de X 0<¿<1 deotraforma 1o * Y y verificar su ¡olución' 2.t2.r""""va¡iablesaleatoria¡taleequeX:R co¡O. osv51 to deotraform¡ la función de densidad conjunta de Y. Sean X.2 2. ofrf 1. 2.a) = (2r\-rs-(r2+Yt). 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. para hallar la función de den¡idad de U = X + Z.). 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.emosha¡que (a) lt*(fz*fs)=ft*fz*ft*fs' (b)/rt'(lz+fs) =(/rof)*fs' = Z y lttryo utiliz¿ndo convolucione¡ 2. APLICACIONES A LA PROBABILTDAD GEOMETRICA 2. Si la¡ va¡iables aleatorias independienteo X1 y X2 están di¡tribuidas idénticamente con función de den¡id¡d | (t) f te-t t>:0 L0 ú<0 hallar la función de den¡idad de X1 * X2. Emplear el Problema 2.7t. Sea l(n'u) = ){ (1. 2.

ln 2)lZ. y la¡ 3:80 P. 2. (b)P(X> 1).2l VARIABLES ALEATORIA. 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. es la función de densidad para una variable aleatoria 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.. (d) y (e)? Jurtifrc¡¡ . r :1. Halla¡ (o)P(0 < X< 3). e¡ la función deprobabilidadparaunav¡¡iablcdeaüoriaX (o) Determinar c. (d) Hallar P(2 = X ( 5).u r€. (o) Deüerminar a (b) Hallar la función de di¡tribución. 2. 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 . (a) Demostrar que para una constante c apropiada. P(r=1). (b) Hallar la función de distribución. (d) P(l <x<21.9L ¿cuil ea la relación en'tre la¡ rcluciones (c). t)o es la (0 rS0 (b ) Determinar P(1 función de distribución para una variable aleatoria X.DoopuntosPyQ se escogen aleatoriamente sobre AB y CD reepectivamente. deotraforma Hallar la función de densidad de la va¡iable aleatoria Y: X2 y verificar ¡u ¡olución.1. La función de probabilidad de una variable aleatoria X está dada por f(r) dondep es una constante.E4. 2. (e) HallarP(2 s X< 3). M. .92. encontrar c. 2.9O. (e) H¡tlarP(X > 3). f(r) = ( cre-22 r >. (c) Representar gráficamente la función de den¡idad y la función dedistribución.t7. AB yCD tienen longitude¡ de 8 y 6unidadesrelpect¡vamente. En el Problema 2.¡¡ue. tomará el metro. P(l<x<2.Y=ll.(d)HallarP(X> 1).91. Un¡ pcr-na decide 6 minuto¡. (c) Repreeentar gráficamente la función de probabilidad y la función de distribución.0 {o deotraforma X. 8i no lo toma.. ' PROBLEMAS DIVERSOS 2. Supóngase que f(r) : cl3t. ¿Cuál es la probabiüdad de que tome el meüro? Se sabe 2. Dos variables aleatorias independientee. Dos segmentoe de línea. Una va¡iable aleatoria X tiene función de densidad l$tr-¡z) o<¡51 f(xl = t. M.S Y DISTBIBUCIONES DE PROBABILIDAI) 73 2.t9. 2.. < X < 2).86.E8. F(rl = 1"0_"_.GlP(x+r>1). Supóngaee que 2.t¡.cAP..t6.

nal de X y f.ur = {"-'o |. Hall¡r ta función de densidad de Z .. dada en la Tabla 2-9.2.79 a tres o má¡ va¡iables. 2..1ü1.(b)P(X>Ll2.91 halla¡ la funciónde den¡id¿d de (o) X2. Y está dada por I r/9 r/6 r(r. 0 os¡=2'o<Y=' de otra forma 2 (o) Determinar ei X.102.. /(z) = 2.. (b) X Si -X.X2 + Y2.96. y < g) = p(X > p(y < +. Demo¡trar que la función de den¡idad de X s(u) I @# u=0. 2.93 ee cumple que P(X > +.a) = de deruidad (marginal) de Y. o<Y <2 | c(2r+Y) o(¿(r' o de otra forma I (marginat)deX.99.y> 1/B). Generalizar (o) et hoblemz 2.1. Sean -(_ Y vari¡ble¡ aleatori¿¡ independiente¡ di¡tribuidae idénticamente y con función de densidad (2v)-r/2¿-úr2. La función de probabiüdad conjunta para las va¡iable¡ X. (d) Hallar 2. y > 1).y>1). * Y es ) 0. u=0. X Y va¡iable¡ aleatoria¡ que tienen función de den¡idad conjunta f(r.(d)lafunción Hallar(o)laconstantec. (o) Halla¡ las funciones de probabilidad margi- Tabla 2-9 Y X 0 0 I 7lS 1/18 1/6 2 r/18 r/6 Ll9 1/18 2.96.). 2.. -. + y. (c) Iüllar p(x<rlz.0<U<t de otra forma P(X + (a) Determinar ai Y> rl2r. 2. ¿Cull er el análogo del teorema de la convolución para variables aleatorias di¡creta¡? Ilustrarlo usando el hoblema 2. Y variables aleatoria¡ independientes cada una con función de densidad . En el Problema 2.s7. (d) Harlar P(Ll2 2.L se rompe en dos parües. Estudia¡ ¡i considerra que eltar oupoeiciones Bon realistas y cómo podrÍa mejorarlas si no lo son.Y<312). Sean X. (b) Hallar p(X>tlz).94. 2. ¿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.101. Supóngase que la función de probabilidad conjunta de las va¡iables aleatoria¡ X. ¿por qué? +l En el Problema 2. Y son independientes.101.103. x.98.(u) = ¡1e:r donde l. Un¡ estaca de longitud .. .2 2.2. (c) HallarP(Y = r).(c)lafuncióndedensidad 2. (b) ttallarP(l S X< 3. Y son independientes.78 y (b) el Problema 2. t2<X< l).( tt ( -.93.74 VARIABLES ALEATORIA"S Y DISTRIBUCIONES DE PROBABILIDAD sean lcAP. (D) Hallarp(1 <x<1.L. Y está. (c) Dererminar si X y Yron independienter. f tienen función de den¡idad conjunta f (r' u) = t o llla 0(¡(U.

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

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

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

p)rf(xtl = X (rEn el caso especial de (13) (I3) dondelas probabilidades son toda¡ iguales. anotamos que la esperanza de una va¡iable aleatoria X frecuenüemente se le llama la. 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. Fis.A DESVIACION TIPICA Anteriormente e_n la página ?6. varianza (o la desviación típica) es una medida de la díspersión o wriaeión de los valotes de la variable aleatoúa alrededor de ¡r.4. Hallar la varianza y la desviación tfpica de l¡ va¡iable aleatoria del Ejemplo 3... en tanto que si los valores tienden a distribuirse lejos de la media. ¡. La situación se representa gráfrcamente en la Fig.. ALGI. De acuerdo con el Ejemplo 3. Si es una va¡iable aleatoria discreta con función de probabilidad entonces la varianza es a'l = E[(X.¡. Si los valores tienden a concentra¡se alrededor de la medi4 la varianza es pegueña.78 ESPERANZA MATEMATICA lcAP.. 3-r EJEMPLO ' 3. plrf(a) ee\ Donde no exista lugar a confusión.t)rl = Í__ O - ¡. Es por esta rcz6n que con frecuencia se utiliza la desviación típica. EÍ(X -p)'l = E(Pl - p2 = E(X') . &1. tenemos ¿ = l(u-p)r+(rr-p). = J-.p)r) = 2 @.2.2 l.l0(Xll (161 .tr71x-¡l f(*). entonces la varianza de X tiene unidades cm2 en tanto que la desviación típica tiene las mismas unidades que X.("-á) rota" = J. . V la varianza por o2. para el caso de dos distribuciones continuas con la misma . x^Si (1t) es X es una va¡iable ale¿toria continua con función de densidad f(r).)2 f(n) ita (151 I-a.media y se le denota por t.+ (a"-plzlln que eslavarianzade turconjunto dez númerosf¡ ¡ .NOS TEUREMAS SOBRE VARIANZA Teorema 3-4: é: donde p = E(X\. ("-i) l. +.- y la desviación tfpica "=\F=+ Obsérvese que si X tiene ciertas dimensiones o unüadeq por ejemplo entímetros (cm).¡ media 6 p = E(X) = 4/3. entonces la varianza "? = EÍi/.. la desviación típica se denota por o en cnmbio de o*...'¡* = . la varianza es grande. Entoncec l¡ varianza re encuenha por 02 = r/ t\21 tl("-n/l es / ¡\2 (z/ 2 ¿\r/f \ .3 TI|' VARIANZAY I. A la raíz cuadrada posiüva se le llama ladesviación típica y por úx = t/@ X = . es decir cm.

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

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

Véase Problema 3.3l ESPERANZA MATEMATICA 81 ó*(') =Mx(i')=E(e"*) Se deduce que (35) ó*(. En efecto. la función característica de la suma de va¡iables aleatorias es igual al producto de sus funciones ca¡acterísticas. entonces ó**r(. si X. (t g) que con frecuencia se denominalafórmuh de inuersión o la transformada inuers de Fourier. COVARIANZA Los resultados anteriores para una va¡iable pueden ampliarse para dos o más va¡iables.. f(r) = * Í*. Y son .cAP. 3-9 son los siguientes.. fr+-Al. Oh:a raz6n para utilizar la función ca¡acterística es que siempre existe mientras que la función generatnz de momentos puede no existir.) = )er*t f(r¡l : ) fa a et'.r ) idénticamente. Teorcma J-I3 (Teorema de la unicidad): Supóngase que X.#. Y tienen la misma distribución de probabilidad sólo si 4* (o ) : ó" (<. Y son variables aleatorias con funciones ca¡acterísticas d*(<¿).) d.et""f(r)dn .**". @(<. "-'.+ "' *t'ri#. Y son dos variables deatorias continuas con función de densidad conjunta /(r. Así. Una razón importante de introducir la función característica es que (37)representalatran* formada de Fourier de la función de-densidad /(r).+ "' t"i (38) (3e) donde = FL¡'¿. VARIANZA PARA DISTRIBUCIONES CONJUNTAS.'f.r.) = ó*(. entonces la función característica de (X + a)lb es X y a. Teorema y 3-10 3-II: Si É*(ar) es la función ca¡acterística de la variable aleatoria constantes.. y).) (t'1) En general..).b (b + 0) son (+o¡ ó.) = L*i¡t". Entonces X.)óv(.-.) = .f (r) (variables discretas) (86) (37) ó*(. Los teoremas para las funciones ca:acterísticas correspondientes a los Teoremas 3-8.r Cuando no exista lugar a confusión escribimos ) por 4*(.39.r ) y (<^¡ ) respectivamente.Los resultados correspondientes a (3I ) y (32) son (variables continuas) ó*(.20(') Teorema 3-12: Si ó" "t""ér(. que es el análogo de la integral de Fourier para el caso discreto.|_. De la teoría de transformadas de Fourier podemos determinar fácilmente Ia función de densidad a partir de la función característica. las medias o esperanzas de X. 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. por ejemplo.) X.(.. ó"(<¿) respectivamente. Y son variables aleatorias independientes con funciones ca¡acterísticas {* (c.

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

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

el ánea a la izquierda de r. la probabilidad de que X se encuentre dentro de 2 dewiaciones típicas de su media es rnayor que o igual a 0. Algunas veces tenemos dos.) Sn/n (60') Puesto que Sn/n es la media a¡itmética de X1 . La moda es el valor que con mayor frecuencia ocurtre. Si h : 2 en la desigualdad de Chebyshev (59 ) vemoo que P(X-pl>2s) í= 0. : Xt* Xz+ . r): 1l2. En el caso de una üstribución discreta puede no existir una mediana única (véase Problema 3. 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. lim + X" (n=L.25 6 P(lx-pl<2"\ > 0. Teorema es una consecuencia interesante de 3...25. Con li31 frecuencia este resultado se denomtna ley de los grandes números en forma fuerte. Sean X. en contraste. En tales casos decimos que la distribución es bímodal. 2. cada una con media g y varianza o2 finitas. . Moda.10 6lO% y se Fig. 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.2. y./n difiera de su valor esperado ¡¡ por más de e. la desigualdad de Chebyshev. Cuando se hace referencia a la "ley de los grandes números" sin ninguna especifrcación.. Estas son lamoda y lamediana. es que p con probabilidad uno. o en otras palabras. se implica la ley débil. 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. tiende a cero : g.. este teorema establece que la probabilidad de que la media aritmética S. Un resultado más fuerte. Por ejemplo. trimodal o multimodcl respectivamente. . llamado la ley de los grandes números.75 Literalmente. Mediana La mediana es el valor de r para el cual P(X = x): P(X. también se emplean otras dos medidas de centralizaciiln.. Así por ejemplo el área a la izquierda de la ordenada eD f. Xz.19 (LeV de los gnndes números): Entoncessi S. tiene la mayor probabilidad de ocurrir. Aunque la ntedia es la más empleada.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.3-2 . .\. f(r) es máúma.6. . ..pero cuando n '+ @.84 EJEMPLO ESPERANZA MATEMATICA lcAP. 1. =o "( *-" =. Xn.75.3 3.ro sería 0.34). equivalente.. la probabilidad de que X diflera de su media en más de 2 desüaciones típica8 €8 menor que o iEral a 0. En tal valor r. que esperamos sea verdadero. 3-2 es c. variables aleatorias mutuamente independientes (discretas o continuas). Los valores que corresponden a tales áreas se llaman uolorcs percentila o simplemente percentíhs. tres o más valores que tienen relativamente grandes probabilidades de octrrrencia. . realmente es falso. .q en la Fig. el resultado del Teorema 3-19 se llama ley de los gundes números en forma débil.

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

41.3 que es una cantidad adimensional.(+). . 3.'(*) .(i).(i)" = +.002. ¿Cuál es el precio justo que se debe pagar por un boleto? Sea X la variable aleatoria qrre denota la canüidad de Tabla 3-2 d:.3.. pero los definidos anteriormente se emplean con mucha frecuencia. = 1 PorüantoS:2. que tiene un coeficiente de curtosis igual a 3.00 ó 6 pesos.002 3000 0.os diferentes valores de X conjuntamente con sue probabilidades se muestran en la Tabla 3-2.. El precio justo a pagar por un boleto es 6 peeoo.. |s = i .s.'(+).1. Problerna.86 ESPERANZA MATEMATICA lcAP. Sin embargo una lotería gana dinero.0005) + (0) (0. Comúnmente se compara con la curya nonnal (véase Capítulo 4).0005 0 P(X : r\ 0. Por ejemplo la probabilidad de obtener uno de los 20 boletos que dan un premio de $ 750 es 20/10 000:0. js = !+ | + á + # +.002) + 3000 (0. hágase á.ero que se ganará un boleto. Y los puntos que aparecen sobre los dos dados. s = . el precio del boleto sería más alto. Entoncee Restando. Véase también Problema 3. Tenemog E(x) Entonces. En una lotería hay 200 premios de $150.o\El = t7 \o.(*) . - E(Y) ^/t\ = tll) * \o/ "' .2. Hallar la esperanza de la suma de puntos al lanza¡ un par de dados honrados. por el Teorema 3-2.'(#).) E(xt = Para halla¡ esta suma. Hallar la esperanza de una variable dada por aleatoria discreta X cuya función de probabilidad está Itrl Tenemos : (i)' (t=r.'(*).. La esperanz¿ de X en pesos es r (pesos) 150 0.9?75) : 6.. Sean X../ 'l*)* 7 E(X+Y) = E(X\*E(Y) = 3... 20 premios de $750 y 5 premios de $3000 Suponer que se colocan a la venta 10 000 boletos.s resueltos ESPERANZA DE VARIABLES ALEATORIAS 3.977t D(x): (150) (0. [... Es posible definir coeficientes de sesgo y curtosis utilizando otras medidas de centralización y dispersión.z.02 750 0.02) + 750 (0.

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

var(X) (D) 3. E(x2) = E(vz¡ ='. Pa¡a va¡i¡blee dependientec generalmente no ee cumple.7.9."*' ""'*"' =i'|í'. por el Teorema 3. Demoshar el Teorema 3-3. ea decir. con¡iderada di¡creta. / . Y ¡on independientes. Por tanto Y. tenemoe f(x.y f t@) fz(a) )1.88 ESPERANZA MATEMATICA [cA".(. o.10. página 77.r. tenemos E(X): E(Y)= 7 12.*(á) # :%1 Entonces.:r:¡:* .)'= * Var y. Obsérvese que la validez de eate teorema gira alrededor de si f(. Y rcn E(XY) = 22 Í!J! --t ra f@.p\zt = '[(* -])'] = l:_ (" _'L)' t*.7 Y) = Var (X) (Y) = F (b) ox+). Por el Teorema 3-4. = Var(Y) = +-(.(+)-Fr.'/'Q)2afztu) . Y ron independientee. VARIAT'IZA Y DESVIACION TIPICA 3. Si la¡ va¡iablec X. Entonce¡ l¡ varianza e¡ Var (X) = Etá . Halla¡ (a) la varianza y (b) la desviación típica de la suma obtenida al lanzar un par de dados honrados. Sea ¡t(¡. puetüo que X.)'= i o = tFf-var(x) = \E = t r" : Ot¡o ¡nétodo. = Wa"(X+Y) = 1/g v6 3.u) = ) ) .4 l¿ media de X ee ¡t= E(Xl -. y) la función de probabilidad coniunta de X.(l) var(X) Var (X * ' .. de ¡i X. Hallar (¿) la varianz y (b\ la desviación típica para la variable aleatoria del Problema 3.8. Demostra¡ el Teorema L4. y): f tG) /2 (y).4. y) puede expresarae como una función de r multiplicada por una función I. püa todo ¡. por el Teorema 3-4. y. con las eumas apropiadae remplazadas por integracioneg." (')no(')l E(X) E(Y) Si cualquier va¡iable e¡ continua la demoetración ee desarrolla de igual manera.2. independienteo. Tenerno¡ E'(x ^"' * u' -'u. Además. (o) Como en el Problema 3.3 3.1/2. p6g¡na 78. (o) Del Problema 3.\2 ^a = f-('-L)''"-"0' = i = El(x-r)21 E(xz¡-ll(x))2 = t.

:.r..pv)l * El(Y EI{(X Var (X) + Var (Y) px)(Y pvl2) El(X - - pv)l = E(X .px) + (Y .)t(")u'-l + (-t)rpr \.py) + (Y .t'+ "' + {-r\r\l)r. .EÍ6 .3] ESPERANZAMATEMAIICA 89 3.2] + zEl(X . y el hecho de que E[(X tt)z1= 3. . = t(4=\ / =." -.págna79. . e¡ decir cuando a : ll.t .i. Er(x-'''.n)21 E[(X . Y . (a) puesüo que E(X) = E(x*t ¡r.ft\tr*"-..12.\x. página 79.-iut + "' + (-l)'-t¡ur * (-l)-rnt donde al combin¡r loe do¡ úlüimo¡ término¡ re¡ulta (-l)r-1(?'- 1)p'. mínimo de El(X-o)'l ocutre cuan- 3.!^r_':i.pl|. Si X* : (X .13.' . !¡rw-u¡ = L¡nwl-r) = a' o \ (x*) 0 (b) var = u" (?) = \o¡1x - u¡"1 oz =I utilizando el Teorema 3-5. f)e esto vemos que el valor do (t¡ .P)21 + (P .(i )/.-.ltx.í':.. = ./ /\ /"\ = ..lt:0.)¡.pi E(Y - py) - o ya que X.ttv eon independiente¡.o)n = O.cAP. p{ina 79.. * . Demostrar el Teorema 3-7.u\(Y . + r-r¡t('.E(x.px)(Y ..pv)}21 EllX .TNCIONES GENERATRICES DE MOMENTOS 3. MOMENTOS Y FI.tt): E(X).)"n'-' + (-t)'p'l J \r-r/.ar Y gnr -Y .tt)lo es una variable aleatoria normalizadq demostrar que (u) E(X*¡ = 0' (b) Var (X*¡: 1..r?2.(i\*.t:. Var (X + Y) = E[{(X + Y) - (px + pv))2] = = = = utilizando el hecho de que .. * t-t'(T)t1"'-.u.px)2 * 2(X . página ?9.r.. \t / \r/ + . + (-r\'-'( n .14. Demostrar el Teorema 3-6._i. pág¡na 79. .. Y y por tanto X gue al remplaz.'tut '\'/ + "' + (-L)'-'( t .a)2 pueeüo que E(X . Pr = El(x-pl'l = nfL x. Demeshar el resultado (26)... La demo¡tración de (I9). se ri' y emplear cl Teorema 3-6.11.-'u \I/ + .

. = L*pt*uLr4.e t-oma¡ los valores 1 y .. g s. For t¡¡to Mx*vQ) = Elet(x+Yr) = E(etxetv¡ : E(etx) E(¿tv¡ = MxG) My(t) 8. Demostra¡ el Teorema B-9. (r) (zl (I)V e\ = 1_¿+ r+_#*fr_ . 8-18.1 = . Demoshar (o) el resultado (Br ).(á) = |G.2'. (o) Eqetx¡ = ..*#*._" 3.-'..rfr. M(t) = Eletx¡ = f" J eEf(t)dr fo" ""1. página g0..I con probabiüdad 1/2 cada uno. = L+tlt*uL#*ri#*.Lf".90 EspERANzA MATEMATToA [cAp.*rá#*u..r ze<t-Dt : -T=Tlol@ = z li't<2 z-t. Apéndice A) tenemoe Mxe) = E(etx¡ = n(t+tX-t2x2... = 2 fo'e<t-z>'d.. !utt" quc X. página g0. 'r"') \ . Pcto Al comperu Mx(\ tenemog t!:0. (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 .* pL=1. p'+=L.-"'ro..ú3x3.. Todo¡ los momentos impares 6on cero y los pares Eon uno. Eltt (o) la función genératriz de momentos y (b) lós primeros-cuatro momentos alrededor del origen.*#. ffirol.) cn(ú - o)" cn = i.. ¡á=0.17.*"-. (o) utlliz¡ndo lrr erpaneión en serie de potencia de eu (8. (b) el resultado (g2). = ... cualguier función de X y cualquier función de y son independientes. Y ron independiehtee.+"-.(..t (D)Tenemor hsonce¡ et = e_t t+r+#.) * .16. La variable aleatoria X pugd.16. -T! \ 12 rg t + tU(x) + ae(xr) +¡a1xa¡ a .r|r*frr. 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.'.

'''-r2)/8r :"=i.*."./+b(.r)\B/ -t\Ei _ ^.17(o) al remplazar t : i<¿ 3.8?b B6eg 8?50 ztcy q\.Lp. Halla¡ la función característica de la variable aleatoria X del Problema 3. tenemos ttl t2 = r-(*)'= # = 02 Fr . 2 4 8 p'n 16 Pero M(t) = * tt + uí#* rtfr+ tt^fi+ "' = P¡.. La función característica está dada por Eteiux. = 27-s\s5.'NCIONES CARACTERISTICAS 3. para unava¡iable aleatoriaX con función de densidad r(r) (c) = i. (b) alrededor dc la media.1!) * r/9)' 85 ".216 pi = E(Xr) = .. : c¿. Jo "ot.". 3] (b) S¡ lúl ESPERANZA MATEMATICA 91 ( 2 üenemo¡ z_t z L_tlZ 1 I = '.) = \ -. = E(X) =#Í""*z¡s-¡z)itr =f pL tt = Elxz¡ = # 1"" *rn - s2) d.19. 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 . = 2 ^f FI. = l(3.'.r. ." = B t.21.*L*!-L*!*.17. tti = *.."./!\'_ . El resultado también puede obtenerse del Problema 3. p6gin 80. '.\.20. Por tanto.cAP..216 -r.-+e i.i¡en. /t = \. 3. t = )2.'../ \ -/ = cosa coso empleando las fórmulas de Euler ¿io con 0 * isena s-io = cos. al comparar términos.(l) -. pi (b 12) dr = -51 ) Utiüzando el resultado (27\.. "\5/ tt4 y. = . Hallar los primeros cuaho'momentos (c) alrededor del origen.r. = ./!\.\51 .(+) * .

pvX.22. l:.* npv] = E(XY) . = 2a io l-o = | al@t la ela@ .3 D(etx¡ = f-.. Demostra¡ el Teorema B-15.l*-ei. 3.f(r)dr tlÍ-"eíore-o<-x. Y es oxy = Y) = El(X .rrrrru. = *t_""^"0. por tanto por oxy el problema 8.23. la función ca¡acterística está dada por E(eiax¡ = .o = 8en Cú.23 = Cov(X..c-atxt d... página 82. Puesto que f(r) es una función de densidad tenemog Í). Por definición la covarianza de X.LJ_-e(a+t@)ro" q.e-ho 2ia. úu empleando las fórmulas de Euler (véase problema 3._(a_io) ü a L 2(o* io) 2(a. arf 2c O + .6-'l "iar¿-.r = "lÍ:.lxtty = E(XY) _ E(X) E(Y) Cov (X.p*y .ryttx * pxpv = ElXy). o" = asf que I . e-(a-i@)¡ 2 a*io l-" ' . .92 ESPERANZA MATEMATICA La función ca¡acterfstica está dada por lcAP.r'."r.24.f?o/. a.E(X)E(ts) = 0 .o<t> ¿sf . Hallar la función característica de la variable aleatoria X con función de densidaa f@) = ee-atEt.t an + !o' "-"r.Fxpy . Por tanto. Yl = E(XYI -. + fo* n. -oo < Í 1 @.pyE(X) * E(pxpvl = E(XYI . Demostüar el Teorema B-14. página 82. 3.útit¡) l€ lo lo .pv)] = E[Xy . = "{lo 4f-o u-n<-.¡xXY .donde c ) 0 y c es una constante apropiada.20) ceñ d = ao. Si X."-*l* = -Alo = I - Entonces c: ol2.io') = _a2 a2 * o2 COVARIANZA Y COEFICIENIE DE CORREIACION 3. e<o+iarz * Jo ¿-<a-.pxE(Y) . y eon independientes entonces E(Xy) : E(Xl E( y) .

txv o = oxnv -.. si las va¡iables X.or.ur".3.lrrr"o*. .cAP.ul = )y.y) = ?rh f(.[) ¡@.al = )"rl-)ftr. (s) Var(Y)...= = t/zwan ' 15514..o.O. (¿) (b) = ))o/(".lyL47.r.y) = E(xy)-E(x\E(yt ?-(it)'=:* = +-/+)l+) = --+ r47 7 \21l\7/ -0.-.(1)(9¿)+ (2)(L2cl+(3X15c) = = = 22nufia.8.a\l = . [] tA. E(Y). EsPERANZAMATEMATIcA y).=../zso r/55 -20: = 3. (d) E(X').o1. Y se definen como en el Problema E(x) (a) E(X'¡.:-* J. lr. Y se definen como en el Problema 2.a\ .'. (/) Var(x). Ju=o {rú{rr r sl dr dv = .o.at) = rr..at) = 4. página 52. * (1)z(1ac) E(Y2') lllr"t *l =t .r". 2.ú = .. f"t=u our.. (b) t 93 (¿) 3.) (e) E(xz¡:22r2f(r..(1)(1ac) +(2)(22c\ = 58o = E = n 78c E(Yt = 22af.*. (c) E(XY). = E= + (c) D(xY.26..tuo = re2c: #= + = (fr (s\ (r) (ñ oxy o2* = var(x) = E(x2r-l*(x\)z = +-('*) ffi 4= = var(Y)= E(Y2')-lE(Ytl2= cov(X."=.2103 apror. + (0)(1Xc) + (0X2X2c) + (0)(3)(3c) + (1X0)(2c) + (1X1)(3c) + (1)(2Xac) + (1XBX6c) + (2)(0)(ac) + (2X1)(6c) + (2X2X6c) + (2XB)(?c) 427 ld.. (0 p. página 50.ol. (e\ E(Y'). Resolver el Problema 3.26. sl Hdla¡ Cov (X..J"-o{o)1"Iuld'rita = I70 6s = tf67580 ..25 si las va¡iables aleatorias X. .n".. dy = %T t 16 ri = ñ)"=.alf '* = *. Utilizando c : LI 2LO tenemo¡: (¿) (c) E(xt = E(Y\ E(xY) h + s) dr t. =# =+ = 22u2f(u.

página 61.(#)' = *tq*$ o2. Demostrar la desigualdad de Chebyshev.pág1na62. Hallar la esperanza condicional de Y dada X : 2 en el problema 2.\r-. la función de probabilidad eondicional de Y dada X : 2 es ftutz) = Entonces la esperanza condicional de Y dada + 2. Como en el hoblema 2.=o. Hallarlaesperanzacondicionalde(c)YdadaXv(b)XdadaYenelProblema2. 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(X) = E(xz¡-ll(xtl2 = #. Si f(r) es la función de densidad de X entonces . DESIGUALDAD DE CHEBYSHEV 3.(rlytdr = í"'"(#*S* El=a\ 3. p= oxoy -200l3969 /50s615e6-0 {r6únsn -200 t/zsnr/te zzs = ESPERA}IZA.^:.za condicional de Y dada 2(L-ys¡ 2(l+y*y2) --¡O+7I- x para eI problema 2. pág¡na 62. Hallar lavariar¡.(#).x=2) = -.rrr.(iu) = ii 3. pág¡na62. = var (y) = E(vz¡ _ l'(y))2 = t# _ (#)' = t.g.27.zlB del Problema 8.y) = E(xy)-E(x\E(y) = ?-(?f)(*t) oxy = -# -0.(ui) ."=. (o) (ó) E(ylX=r) = Í-_afrtuldau = ír'r(rr")* = + E(xly=y¡ = f_-". 3 (d) (el u') b) (h') (t oxy =# E(Yz¡ = h f.28(o).)\t)* J_- donde hemos utilizado el hecho de que ltz: E(Y lX: r) :2.27. * a) dr tru = # otr . * v) dx da = cov(x.2g.28.(#). . Presentaremoe la demostración para variables aleatorias ecntirruas.# E(xz¡ =h Í..30. La demosbación para variables discretas es semejante si ee remplazan las integralee por sumas. Esto oru o"oo oo.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.2g. .rrrr. [. . VARIANZA Y MOMENTOS CONDICIONALES 3.29. .94 ESPERANZA MATEMATICA fu'=o [cAP.03129 aprox.

* . Así por la desigualdad de Chebyshev con Tomando el límite cuando n ) -.t)/ = .18.3l ESPERANZA MATEMATICA 95 02 = EI(x - p)21 (' = J-* @ - p)2 l(r) dr Puesto que el integrando es no negativo..04e?e = plr- = 7/4..32. . ¡¡ (o) = 1/2. | \ _ ul=_ . Para la variable aleatoria del Problema 3.).ul=') 02 esto se conviertq. = E(X) = p Var(Xr) = Var(X2\ = "' = Var(Xn\ = o2 Entonces t(*) = "(*'*'. DeI Problema 3. La desigualdad de Chebyshev P|X-pl > f) resulta P(lX¡r] = 1) < oz = 0.25 Comparando con (o) observamos que el límite dado por la desigualdad de Chebyshev e¡ ba¡ta¡te crudo.+E(x")l = L(nt) = = Var(Xr)*. el valor de la integral solamente puede disminuir cuando el int¿rvalo de integración se reduce.t <1) = "(l*-*l .cAP. '|.|) ol ¿l \l \ o = J¡ | f :l/2 Ze-udr = 1 - e-3 Portanto (b) Del Problema 3.18. página 84.¡.) = o . "..) así que t'" (+) = 4 var (s") = * X: Sr/n üenemos _/ls" | \ donde hemos empleado el Teorema 3-5 y una extensión del Teorema 3-?.31. Por tanto P(lX-rl > 6) 3. Demostrar la ley de los grandes números establecida en el Teorema 3-19. como se pide.'*"') .*Var(X.. ¿lr-al=e Pero Ia frltima integral es igual a P(lX - pl ? .t+.'.) = ¡toz tt Var(S") = Var(Xr*'. En la práctica la desigualdad de Chebyshev se emplea para dar estimativos cuando es inconvenientc o imposible obtener valores exactos..¡rl > 1).|ww.x. Entónce¡ P1x ¡. (c) hallar P(lX .rl > 1) y compararlo con el resultado en (a).(-:. Tenemos E(Xrl = E(X2l = .18. LEY DE LOS GRANDES NUMEROS 3. (b) Utilizar la desigualdad de Chebyshev para obtener un límite superior de P(lX . /ts r|.(l*-*l \t o2 =t)/ = 1-(1-e'r) = p2 e-s = 0.*X. Por tanto 02 t¡z-ttlZe rlr-yl=.

. l(r't 3. P(x<a) Igualando eeta = *.36='ñ¿r ze) az de donde o = sli{z- q Por tanto la mediana pedida.9 - -'l 86 - 8l l2r2 = u Entonces . es Í: L. eetá dada por = n-Zr/.96 ESPERANZA MATEMATICA lcAP. Ob¡érvese que este valor da el máximo ya que la -24x 187 .¿rL 81 -_l = 'r2) df ar. r: 1. (b) Hatlar la mediana. y (c) compararlas con la media. = fr: aegunda derivada. .?3 aprox. r. que ea La moda pedida. una va¡iable aleatoria discreta tiene una función de probabilidad f(r) : !12' donde 2.[.84. . Halla¡ (a) la moda y (b) la mediana.3 OTRAS MEDIDAS DE CENTRALIZACION 3. (c) Comparar la moda" la mediana y la media. la mediana y la media se muestran en la Fig. (b) La medianaee 1.. (c) ' E(x) = + ('¡z(g-xz\da = !(t*-+)l'= 8l\ 5/lo 8lJo que prácticamente ee igual a la mediana. para el cual la . e8to e3 f(r ) ocurre dondc . 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. Ahorapara0(a ( 3.33. (o ) La moda se obtiene hallando donde la densidad f (x) ea máima. ea negativa para x = 1fá. 3-6.62 apror. que debe enconharse entre 0 y B. . En este caso probabilidad esLl2.60 = 1. aquel valor deo parael cudlp(X é a): ll2. El máximo relativo de la derivada es cero."on-r2tdr = #(Y-t) 2aa_36a2 all2 hallamoe que *91 = 0 de donde _ia2 = 36a\436P-4(2X81-) . (a)/ La moda es el valor de 4 asociado con la probabilidad más grande. La moda.

(b) La vigésima quinta percentila es el valor de a tal que (L8o2 P\X<a)=#(Y-fl = "# aa -a4¡¡8t \l8L : O.P(X=r):l12yP(X.0 : 3.l0. (b) el recorrido semi-intercuartílico y (c) la desviación media para la distribución del Problema 3. Y CURTOSIS de (a) sesgo 3.-1998 0..L21 aprox.1253 3693 8750 (a) Coeficiente de sego -: o..esdecirlasoluciónde(18a2 : 0.655 apror.*l[#.o . OTRAS MEDIDAS DE DISPERSION 3. (c) Del hoblema 3. PERCENTILAS 3. :. Hallar el coeficiente y (b) curtosis para la distribución del Problema 3. Empleando el método del Problema 3. En forma análoga puesto que todos los valores ¡ ( 0 tienen probabilidad cero.t):ll2.".35 los valores de la vigésima quinta y septuagésima quinta percentilae son 1.19 tenemos 02 ll 25 It3 oo - 32 8?5 -0. Por coneecuencia escogemos el punto medio del intervalo. Por tanto el orden de las tres medidac es contrario al del hoblema 3.25. (o) Puesto que todos lós valores ¡ ) 3 tienen probabilidad cero.33.098 y 2.33. Del Problema 3.37.36.? 5. o sea ¿ 0.")] d' + Í. es decü 312.33.. a (c) f. (b) vigésima quint4 (c) septuagésima quinta percentilas para la distribución del Problema 3.33 la media Desviación media ee lt : 1. Por tanto Recorrido semi-intercuartflico = ?121 .60 : 8/ó. Entonces el recorrido es 3 .a septuagésima quinta percentila es el valor de ¿ tal que (18o2 - a4 ¡¡8t: o @a. = - p|) = l_".19.cAP.r :: .")[#.b1 aprox. : 2.3l ESPERANZA MATEMATICA 97 (b) Si¡escualquiervalorentrely2. I.10. Determina¡ (a) el recorrido. Entonces E(lX = D. tomamoseluolor móximo de ¡: 3.n "¡fa' = Í^" (. (" .r - pl f (n) dr = l"' l' . Determinar los valores de la (c) décima.Portantacualquie¡númeroentrel y 2 podrfa representar la mediana. (b) Por el Problema 3.098 aprox.68 aprox. Del hoblema 3.'"¡)a' = SESGO 0.33(b) tenemos (o) LadécimapercentilaeselvalordeoparaelcualP(X5o):0. M.33 hallamos que s : 0.3.l : 2. (c) Como se encontró en el Problema 3.35. : 1. .121 reepectivamente. tomamos el uolor mínimo de ¡ : 0.)[#'n .

ti = M'(ol Entonces de (27) tL = M"(o) p = Iú'(0) 3..> ]¡xeik.. . ..(ar tra -= k =S o*Ja " ¿i{r'.. Sea p..n.. Qk¡). y la varianzaes 02 : M"(O)-ÍM'1O¡12. . remplazaudo j por h. (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#+i:"-o 2¡ tt'' sr(. ú"r**:r.. .i)o ¡f.l ¡rt" . 4¡ J... f tl' .... tenemos remplazando r : L y r : 2.98 ESPERANZA MATEMATICA lcAP.¿.u-¡ . - I zt. como se indica en la Fig. De (32). Si M(tl es la función generatriz de momentos para una variable aleatoria X demostra¡ que la media €S g : M'(O. la serie de Fourier se rernplaza por la integral de Fourier (véase página 81).. . También la distribución distribución normal. f-ri".3 (b) Coeficientedecurtosis = et :.t_ | eú .¡ rru. es algo menos apunüeada que la 3€. respecto I @ desde 0 hasta 22. puesto que f_"n.x¡ ¿ior¡ = - i -) r^. Del Problema 3...j .rf t1o k+j k---j Por tanto rt ¡ P¡ .1. " t*''L i:.Z.l l''.r-. J.' '^'y'.40. 3.página 80.. = o" = M"(0) - lM'10¡12 1. n2.r i r)d (¿@ I ¿ir r 1. pk 1 12= T." .Para una variable ¿leatoria continua...1.. ... . "" Entonces j f'= " -iia 4.38.39 I pt. X una variable aleatoria que toma los valores t n.tlZ Se deduce que hay un sesgo moderado a la izquierda. yp¡ los coe¡icietttes tte iour¡"r. PROBLEMAS DIVERSOS 3.Iu-| é(o) E1er. .. ./" . Utilizar el Problema 3. que tiene una curtosis de 3.("._ . = . o1_o o... (b) Mulüiplicar ambos lados de la expresión (r) .. . ¿ k icr_..39. = 2¡p f -o --n .39 para obt€ner 14 distribución de probabilidad de una variable aleatoria X cuya función característica es O(<¿ ) : cos .1.{o) r/o Con frecuencia llamamos Q$. coS c do -e ':..

# to' '"t2"-'d'o B L 4.= -z-rll) ./. {2¡ or. 2'\2/ dadas en donde hemos efectuado la transformaciín xz 12 : u y utilizando las propiedader de la función gama (2\V 6\ del Apéndice A.3l ESPERANZA MATEMATICA 99 Si&:lhallamosr'=$.x2/2 ¿. 2 2'\2/ = ./g\ = {. Iülla¡ el coeficiente de (c) sesgo y (b) curtosis con densidad de la distribución defrnida por la curua normal.20.cAP." *. = h Í.41.8.2"-22/2¿¡ ¿u = + 'to f'sz¿-x'/z¿.)21 = E(X2) = pí = ps = qllX -p){] = E(X4) = p'n -o2 'lt4-.p. (r |.. = E(xz¡ = -+ ¿l" l/2r -. con probabiüdad Ll2 con probabilidad Ll2 -r 3. Análogamente obtenemos ti = E(xr¡ = h fl= o. Por simetrÍa. Por tanto el coefi- La di¡tribución tiene I¿ apariencia de la Fig.\2/ {. 3-7.. (o) f(t)= l¿-"'" l/Zn- -co<n<e l!\ : llt = O y lt\:0.'\2/ Entonces = EI(X.. \ Fig. 3 Por tanto el coeficiente de curto¡i¡ e¡ -i-ó . Por ta¡¡to la va¡iable aleatoria ectá dada por X=) Comó una verificación vúas€ hoblema 3. "_.1"/1) = r \/.k:-1hall¡mogp-r=*. 3-? (b) Tenemos p.2. cientc de sesgo es cero.Pa¡alo¡oEdvalore¡dektenemo¡p*=0. = Z Jo {i . . -f rz ¿.1"/l) = -{.si. (.

Y = ] 3 prob.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). Una variable aleatoria X tiene la función de den¡idad (e-' r>0 /(r) = {l0 ^ ¡(0 Hallar E(e2x/31. g. -2"":'\ -" -* \"r* ) -/ = oí+oil"-.s suplernent&rio s ESPERANZA DE VARHBLES ALEATORIAS 3.45. Sea prob.{) * -. (cl E(X21. (b) E(zX + 6).3 3. = o?.47. La función de densidad de una variable aleatoria X es /(r) = (e-r r>0 de oüra forrns 10 Hallar (o) Eo(l. I 1 3. Demosbar que -1 < s1 (véase página 82).42. Una variable aleatoria X se define | -2 prob.100 ESPERANZA MATEMATICA p [cAP. 9."Í\"-.( ".44. . Para cualquier constante real c tenemo¡ . (c) E'l(X-1)21. (c) E(XY).¡. 1/3 por .zcEl(X.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.otr ___q__ . / .Y El(Y _¡v)21 c(X - Px))21 = 0 / ol. (c\ E(Xt). 3. I Problerna.-". (b) E(Xz *)a2). 3. (bl E(}X-21. 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).!\'Entonees el lado izquierdo puede escribirse El¡. ¿Cuál es el número esperado de puntos que resultan en 3 lanzamienüos sucesivos de un dado honrado? ¿Parece razonable su solución? Explicar.49.46.. * c2El(Xr ¡x)21 . Sean X. (b) E(Xr). ll2 . + n?.zl \ 'xv\2 "i" "x/ --t-"i = ""*"1-o'*"=-0 ó *=1 '7ní queesequivalenteap2 < "'*"?.48. Hallar (a) E(XI.

1/3 \o prob..'.55. ¿Se cumple que (o) E(X + Y) = E(X\ + Sean X. VARIAT{ZA Y DESVIACION TIPICA 3.3l ESPERANZA MATEMATICA ¿Se cumple 101 3. . (d) E(X2t'). * Xil. 3/4 prob.49.2/3 v) | 2 i -a prob. = I Z [ -_r Hallar (o) E(Xt+ prob.7/2 prob. . s) = ] : de otra forma |0 Y). 0f s<I. Sean X. (d)E(XY). (b) E(2X2-Y2). 3.52? Explicar.58. 1/B prob.. Y va¡iables aleatorias con deneidad conjunta f(r'al = iat' Io o-<:us1' o<tl<1 de otra forma Hallar (o) E(X).54.69. E(Y\. 3. 1/6 Xzl . Sean X1 . (ft E(xY). (b) E(Y). (b) E(.0lyf 3. Xn n variables aleaüoria8 que están distribuidas idénticamente tal que | 1 Xt. . 1/4 Hallar (o) E(3X+2Y). . 3. 3.XY\ 2 = E(X) E(Y\. Hallar (o) la varianza y (b) la desviación típica del número de puntos que resultan en un EoIo lanzamiento de un d¡do honrado. (b) E(Xy) -. en eI Problema 3. X2.(zr+y) 0<r='I. 3. que (o) D(X + Y) = E(X) + E(Y). en el Problema 3. Sean X. (b) "x. ¿Se cumple que (c) E(X + Y) = EIX) + E(yl. (c) E(X-rY). (ó) E6?+ X'r+ . Y va¡iables aleatorias con función de densidad conjunta Hallar (o)^E'(X). + Xn).66. 3. (d) E(XY).50? Explicar. .0=tt<2 lr(t*u) l\x'a) = f deoüraforma 1o (b) E(Y). (b) "x.53. en el Problema 3. 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).50.57.E(X) E(Y). (x) = io x>-0 de otra forma Hallar (o) Var (X).62.48? Explicar. (f. Y variable¡ aleatorias independientes tales que ^ vt || prob. tc)E(X+Y\.51.cAP. Sea X una variable aleatoria con función de densidad f (e-. (cl E(XY). 3. 3. Si /(t.

70.62. Si X tiene función de densidad ¡t") : -i (l/(b-a\ O a'=r=b de otra forma. demostrar que el 3o. Si M(ú) es la función generatriz F:t de momentos de la variable aleatoria X. (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.67.6 hallar (a) E(X). - 1)2] = L0.69. 1/2 -tn primeros cuatro momentos alrededor del origen.43.(0)]2 - 3[M'(0)]4 FUNCIONES CARACTERISTICAS 3. E(X): 2. 3.73. Hallar los primeros cuatro momentos alrededor de la media en el Problema 3.64. 3. Hallar (o) la función generatriz de momentos de la variable aléatoria x = y (b ) los ( U2 1 prob. 3.'(0) ¡f. Demostra¡ el Teorema 3-11.63. Halla¡ Ia función ca¡acterística de la variable aleatoria (a X = 7 ó I prob. (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. 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. En el Problema 3. E(X2 ) : 8. 3.60. 3.. (c) o¡.44.71. y 4o. 3.66.(0) + 6M"(o)lM.72. MOMENTOS Y FUNCIONES GENERATRICES DE MOMENTOS 3. (a ) 3.. momentos al¡ededor de la media están dados por = p1 - ItI"'(. 1/2 prob. Hallar el hésimo momento alrededor (a) del origer^. página 81. 3. 3. 3. página 77.44.67 halla¡ los primeros cuatro momentos alrededor de la media. ESPERANZA MATEMATICA Hallar la va¡ianza y la desviación típica para la variable aleatoria X del Una va¡iable aleatoria X tiene (a ) [cAP.65. g Problema 3. (b) Problema 3.43. Hallar (o ) Var (X ). Hallar la función carar:terística de la variable alcatoria X con función de densidad f¡): (x/2 io 05rtZ deotraforma . (b) Var (X). (b ) ox.r02 3.01 - 3M"(0) ¡l'(0) + 2lM'(0\13 Ifrivr(Q) 4M. (b) de la media.68. 2\21 Si una va¡iable aleatoria X es tal que E[(X Demostrar el Teorema 3-1.7 lxl I a deotraforma 4. (á ) Problema 3. 3.61. Ei6 - .

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)

6827.73% del área total. : . La función de distribución correspondiente está dáda por F(z) = P(Z < z) = I t/2" Í'-"-.-2y I2. algunas veces conocida como la curva normal tipificda.. La función F(z) eú(z) = z-frÍr' e-u'd. *t(ft)] (e) En la Fig. 99.-. 4-1 se muestra una representación gráfica de la función de densidad (7). que es uno. 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.z: + .68. 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 : 0.2 y 3 desviacionestÍpicasde lamedia(esdecir entue z: -1y * L. P(-Z=Z<2) = 0.96. 4 En este caso decirnos que la variable aleatoria X está normalmente distribuida con media g y l. En esta representación gráfica hemos indicado las áreas dentro de L. 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" . Esto quiere decir P(-1<Z=L) = 0.46%..110 va¡ianza DIsrRIBucIoNEs DE IRoBABTLTDAD coN NoMBBE pRoplo [cAp. (r) Este resultado se conoce frecuentemente como la iunción o la distribución de densidad normal tipif!eada.u y F(z) : á['..451/" y 99. ert (z).z.8 yque3) las cuales rcn iguales aJ.27%. Si hacemos que Z sea la variable normalizada correspondiente a X.. P(-3< Z<3) = 0. du (s) se Algunas veces llamamos al valor encuentra relacionada con la función enor.Nl/s-> 96.73% Fig. En este caso la función panZ puede obtenerseapartir de (4) alremplazar! = 0V o: 1. du = + # fo' .99?3 (10) ¡$$.9545. Tenemos z de la variable tipificada el wlor tipificado.".

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

Xr. .. Efectivamente esto sucede.4 a2=tr Desviacióntípica Coeficiente de sesgo I "=rA n¡ -.r)/V[ es la variable a]eatoria tipificada correspondiente. T'¿orema . +X.. .7/t/i ".u d.t.2. Entonces si S.t* Í"'" '2t't ¿. TEOREMA DE¿ LIMITE CENTRAL l . = n-ú \m P( \ a s" = -l'¿ o/?? = o) / = . . Podemos demostrar que si X es la va¡iable aleatoria de Poisson de (I3) y (X .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.ó (X. . Coeficiente de curtosis | = 3 + 11/x) Función generatriz de momentosl Il(t\ "rrrr--l) I Función caracteristica I O(") = -- ¿tr(c'(¿-r' RELACION ENTRE LAS DISTRIBUCIONES BINOI\ÍIAL Y DE POISSON mientras que np es menor que 5.. (1 4) estoes.. Esto se ve comparando las Tablas 4-7 y 4-3. (15) .l-= ('". '.ladishibución de Poisson tiende aladistribución normal a medida que n or mal asi n tót i came n te.qN1-yp=OenlaTabla4-1 obtenemoslosresultadosdelaTabla4-3. 4-2 (Teorema del límite central): Sean X. entonces En la distribuci sucesoestácercad la práctica conside grande :1- es raro l'* "(" x-r 1A :j ¡r ) : ..). (r¿ .J. En tales casos l¿ distribución de Poisson (I3) con tr : np. . 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.'. se deduce que hay también una relación enhe las distribuciones de Poisson y normal... ya que al remplazartr:np.. El extraordinario teorema siguiente revela que realmente una gran clase de distribuciones tienen esta propiedad. V2=. . .r)/V.TL2 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Tabla 4-3 Media Varianza lcAP. 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..1.

Xz:Tt2¡ donde . La media y Ia varianza paxa esta dist¡ibución son .ftPn E(X1\ -' np1... se mento. 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. rr] .*Pz Xe sonlasvariablesaleatoriasrespectivamentequedanelnúmero devecesqueA¡. . la variable aleatoria (5"-np)/"1/ñ. E(Xk) = nqk (17) DISTRIBUCION HIPERGEOMETRICA s n pruebas de un experiSuponga que una caja contiene b bolas blancas y se regresa la bola a la caja.Xr.. es la función de probabilidad Xr... .5 y6exactamentedos veces cada p. + ..pedondePt. respectivamente. escoge una bola aleatoriamente.. Xr=nx) : nr.l.. Xr.hPz. Xr.:1" SiXl .Xo=2\ = z.--r. + flh : f. entonces empleando la distribución binomial (/ ) vemos que la probabilidad de r éxitos es (r 8) ya que p: bl\lt'tr).. Si un dado honrado se lanza 12 veces.An ocurreenuntotaldenpruebas.-. por ejemplo.x.. laprobabilidaddeobtener uno es ESta distribución.. esto es .=Z.. + ph)" .P: ¡'/\b + r\. que es Ia variable tipificada a normal asintóticamente.cAP.+ p...xix*x¿xlxá)' #.demodoque X1 -lXz* "'*Xt = +.1. * n... es verdadero bajo condiciones más generales. n" entonces P(Xt.. es Si modificamos el experimento anterior de modo que el rnuestreo sea sin remplazamiento. decir las bolas no se regresan a la caja después de seleccionarse.ón hipergeométrica.Pz. entonces p(x _ rl = V¿lu\r* . S..x:-2.3.* (16) n... que es una generalización de la distribución binomial. El teorema también DISTRtrBUCION MULTINOI\{IAL SilossucesosAl. ...'rXk.AppuedenocurrirconprobabilidadesPt. conjunta para las variables aleatorias multinomial puesto que (16) es el término general en laexpansiónmultinomiald" (pt EJEMFLO 4.Ak'ocurraennpruebassonnpr.3.llt.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 113 es decir. Ar.Az.-6P\'P')'' "P'.. se cumple cuando son variables aleatorias independientes con la misma media y la rnisma varianza pero no necesariamente distribuidas idénticamente. = 000344 ElnúmeroesperadodevecesqueAt... E(Xr) : rlp2..uv. q --. .A2..hur(..il \?¿i (b\( r \ (1e) Esta es la distribuci. se llama la dístribución * pz * "' 1.. es Xr.en ét cü¡ se to.2....4.

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

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

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

j (. se dice que iiene la distribución Para la distribución ü tenemos p:0 Y "z:. o sencillamente ü.cAP.. Entonces la variable aleatoria 11- Y lzt. o simplemente la dístribución t.. . si se sobreerltiende p. Teorema *6: Sean Y y Z variables aleatorias independientes. Entonces la variable aleatoria @a¡ tiene distribución f' con . La media y la varianza están dadas respecüvamente por p?ra u.. v.gmdos de libertad. Iibertad si su función de densidad está dada por u)0 Los valores de las Fp. Puesto que la distribución es simétrica.. ) 2) Y O-= (to¡ La distribución tiene una moda única en el valor (t'nt?)(#) Teorema (u.. 4-7: Sean Vt y V..95 Y P F..:1..>2) &r¡ Los teoremas siguientes son importantes en el estudio posterior. "2 (r'.. Fisher) con v. vr...A.45) donde P: 0.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO LL7 t de Student. (4t) tiene la dishibución ú con . Para una tabla que da tales valores véase el Apéndice D. Si v es grande (. 4-2 (véase Problema 4.t y uz grados de libertad.161). o sencillam (. > 30) la gráfica de f(¿) se aproxima estrechamente a la curva de la distribución normal como se indica e_n la Fig.n.. por ejemplo ¡f o. con v grados de libertacl.. vr. gados variables aleatorias independientes con distribución chi-cuadrado y vf de libertad respectivamente. donde Y está normalmente distribuida con media 0 y varianza L mientras que Z tiene distribución chi-cuadrado con v grados de libertad. Los valol¡es de lis percentilas de la distribución f para v grados de libertad se denotan pot tr. tr-o : -ún. r.> 2) (t*s¡ El teorema siguiente es importante en el estudio posterior. DISTRIBUCION ¡ y v" grados de Una variable aleatoria liene distribución F (en memoria de R..'IJná tabla que da tales valores en el caso z¿<0 grados de libertad se denotan por P : .

o.r *1. Aquí La variable aleatoúa X representa el número de pruebas de Bernoulli hasta.r'X?) . 2. Y. : L/4'rr'r. f (r) : P(x = . . . RELACIONES ENTRE LAS DISTRIBUCIONES CHI. e incluyendo.. = t!-qprzt. -ú <A <6'. 410: 4. r=l ""=# Me)=# r..' {-[(?)' -. 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. En el caso de (491esta condición también es suficiente (véase Problema 4.0(* :.118 Teorema DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. remplazando t = ia. É¡r p2son las medias de X. 1. Con frecuencia nos referimos a (49) como la distribución normal bidimensio¡ul. . . DISTRIBUCIONES DIVERSAS En las diskibuciones descritas más adelante. (+)' ) /...ottoz sonlasdesviacionestípicas de X. 1ú.r. El caso especial X representa el número de pruebas de Bemoulli hasta.. p es la probabilidad de éxito en una sola prueba.u\ : 2rororl/T-p" ". r : 1 da la distribución geomékica.4 *8: 4-o. .r.= + X.9: Teorema fYF 4-r. Para cualquier dishibución conjunta la condición p = 0 es necesaria para independencia de las variables aleatorias (véase Teorema 3-15). donde se da. y p es el coeficiente de correlación entre X y Y. Y.. se considenn positivas al menos que se establezca lo confrario.Z. e incluyendo. Distribución geométrica f(t) = P(X=r) = pq'-' r=t.. a.rr. p.CUADRADO.n] (4s¡ donde -o ( t. r. lt:po'=p2 r"rq E+S La va¡iable aleatoria aquella en que el r-ésimo éxito ocurra...51). = (X -t)o'n'-' r :. b.. Teorcma 4. La función ca¡acterística se obtiene de la función generatriz de momentos. las constantes o. Distribución binomial negativa o de Pascal.

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

X. (c) al menos dos veces. -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.\t/\t/ \z/ \z )\zl \zi \3 l\2) \2 / De otra forma.2.2.)'(.)'(i)'= á (b) p(zserrosunacsra) :: (. (o) p(scaras) = (l)(.sea la va¡iabié aleatoria que denote el número de caras en los 3 lanzamientos.' /'\lrY/l\'.r)\t)\r) . (b) máximo una vez. (c) puede escribirse P(al menos una /s\/r\'/r\o /s\/rY/r\ = \s/\rl \ü -\. Sea la va¡iable aleatoria honrado.I2O DISTRIBUCIoNES DE PRoBABILIDAD CON De otra forma. Aeí por ejemplo si seleccionamo. cara) = I'(X ¡-- 1) = P(X = 1) + P(X =2\ * P(X: 3) . i 8 P(al menoe 1 cara) : 1 : . 4. ó 3 caras) : * P(2 caras) * P(3 caras) = /'\/l\'/t\'. /l\/tYll\'= . Usaremos ambos de los enfoques intercambiablemente.á . 4 P(almenosunacara): |-P(ningunacara):1-P(SSS): t -á = 3 (d) P(no más de un sello) P(0 sellos o 1 sello) = P(0 sellos) * P(l sello) : P(CCC) +P(CCS u CSC U SCC) : : P(CCC) + P(CCS) + P(CSC) +?(SCC) 4l 82 Método 2 (empleando fórmula). qr" X. Halla¡ la probabilidad de que en cinco lanzamientos de un dado honrad o aparezca 3 veces.. 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/ . NOMBREPROPIO [CAP.)'= P(1 cara) 3 (c) P(aI menos 1 cara): P(1.

¿cuántas calcula deben tener (c) al menos 1 niño. Entonces. P(almenorlniño):1-P(nir¡gfrnniño) = l(b) P(al menos 1 niño y al menos una niña) ll)t \2/ = . (b) 2 niños.cAp. HaIaf la probabilidad (o) p(lniño) p(3niños) Entonc..3. (c) 1 ó 2 niñas. \r \zi\z/ ./s\/t\'/qY \2/\6i \6/ \'i \ei \o/ * \o/\e/ \6/ * \s/\a/ \a/ 626 r25 25 1 763 . -' /t\/ 1l\'/+)' = t.3888 ' 3888 ' 7776 ' 7776 .zL (b) P(3 ocurra máximo vez) = P(X 1) = P(X = 0) * P(X = 1) = = 1l\/rY1¡\'*' ¡s) /r\'/rY . -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.\s/\z) \z/ . por ejemplo. de que en una familia de 4 hijos (c) al menos 1 sea niño.3 vemoe que (o) (b) N(rmero esperado de familia¡ con al menos 1 niño = .. 4l DTSTRIBUCIONES DE PROBABTLIDAD CON NOMBRE una PROPIO '. De 2000 familias r-:on 4 niños. 3725 3125 = n76r n76.= 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\'.4.L' = /1\/1\'/l)'= l. (b) al menos 1 sea niña.4 16 Otro método..\o/\6i \6/ \r/\oi \o/ 3125 . (d) ninguna niña? Refiriéndonos al Problema 4.i \t/ \t/ = 2 8 p(4 niños) = (l\ /1)'11)'= f x-/\z) \z/ . (o ) ee coüvierte en P(X>l) : P(X:l)*P(X=2)*P(X=3)*P(X=4) = 18 4. Suponer que la probabilidad del nacimiento de un varón es t-.es sea niño y al menos 1 Ll2.3888 4.16 P(2 niños) : P(l niño) * P(2 niños) 16 16 * P(3 niíror) * P(4 nlñoa) 1 3 1 1 4 8'. P(al menos 1 niño) /t)l+)'ll\' = \.i tUO (c) P(l : P(l niña) * P(2 niña¡) niñoe) :P(l niño)*P(2 : I +3 : * .ooo (lf) = 2000 18?5 Número esperado de familia¡ con 2 niño¡ 20OO ' P(2 niños) ó 2 niñas) = (3) = \ó.

/ ) _)p.6. (ü) p(X = 0) = (c) P(x <e) = (fi)to. página49). \r/ Entonces la función generatriz de momentos está dada por M(t) = E(etx¡ = )etxf(r'¡ n /n\ = ¡=0 . HaIIar Ia probabilidad de obtener un total de 7 al menos una vez en tres lanzamientos dé un par de dados honrados.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 2.0.r.4 Número esperado de familias con 1 ó 2 niñas = tZOOOill) ' '\ 6 / \/ = 125 1250 (d) Nfrmero esperado de famiüas sin niñas = (2000)( i ) = 4. Médodo 1..6.. sean defectuosos.nba j-ésima si éxito en la prueba j-ésima U=1'2.46e.46e6 ffi ? ..q" .detalmodoquelaprobabilidaddenoTenunsololanzamientoesq:1-p:516.L22 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.8..8)r = ¡.n" ..8)a = s. P(al menos un ? en tres lanzamientos) = | . Para una secuencia de n pruebas de Bernoulli definimos n /n\ '?n ('/tr"')'0"-' (a -l. (c) menos de 2.rt't0.0. Si X está'distribuida binomialmente. = 1:)l+Y/q\' \"/ \"/ \6/ - r25 216 y 4.pet¡" Xi ' |0 {[1 si fracaso en la prr. = = Método 2. La probabilidad de un tornillo defectuoso e8 p :0.l# = fr X que está distribuida Hallar la funCión generatiz de momentos de una variable aleatoria binomialmente.p:0.2. 4.7. de un tornillo no defectuoso va¡iable aleatoria X el nl¡mero de tornillos defectuosos.n) .:: =:"0. (b) 0.' (0.'(\*.1. Sea la (o) P(X: t) = (rn ).. Si el 20 % de los tornillos producidos por una máquina son defectuosos. f (r) P(x = r) = (!\o. Entonces es g : I .. determinar la probabiüdad de que de 4 tornillos escogidos aleatoriamente (a) 1..

Pa¡a la función geraeratr:iz Mj(t) = stoqlettp . tenemos..i .) + (r - p)2p = i)". M"(t) - 'f pst¡n 4. LEY DE LOS GRANDES NT.e*pet M(t) = M tQ) LI2Q\' ' ' (i=1. :-. o =.)(0.. . página 83. como se requiere.7 tenemos para/: L.'* Xn.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L23 de momento¡ Entonces las X¡ son independientes y tenemos X: Xr * Xz *.10.y (I)rc convierte En particular si X tiene distribución binomial o de Bernoulli.." *Var(X) = npq donde hemos utilizado el Teorema 3-7 para o2 .L52\.1 ):40. n.t/V6d.n) (Q Entoncee por el Teorema 3-9.2.. v (3 ) se convierte en P(lz -. (b) l'Iananza o2 : npq: (400) (0. entonces ¡.) / \ 14 'l y tornando el límite cuando n -+ @ = 2+ ¡4r.38) o direetamente de la función de probabilidád (véace Problcma 4.)l*.9.npl > k1/i-npq) < i ó (3) Si hacemos c = k \l T.i)'== . Procediendo como en el Método 2 del Problema 4.'EBAS DE BERNOULLI 4.8. Demostra¡ que la media y la varianza de una variable aleatoria distribuida binomialnente son p: np Y o2 : npg respectivamente.1. = X.1. o - {-npq.la ley de los grandes números (en forma débil) pa¡a las pruebas de Bernoulli. tt = flp.) Í+ó \l ?¿ -l = / = 0 El resultado también se deduce directaménte en el Teorema 3-19.t y varianza 02 Íini- (r) en tol P(X-11 -ko\ flp. págirra 84.1 = .cAP. con S. 4.esdeciresperamolque40tornillosesténdefectuo¡os. .. de Los resultados anteriores también pueden obtenerse (pero con má¡ difrculüad) derivando la función genaetriz momentc (véaee Problema 3.. 2. Por la desigualdad de Chebyshev. li* Pll{-.q Entonces o2 p:E(X)=E(X'\+E(X2)+"'+E(X")-np = Var(X) = Var(Xr) *Var(Xz) +. Si la probabilidad de un tornillo defectuoso es 0. (o) Medialt:np:(400)(0. Demostrar el Teorema 4-7.lro.. Por tanto la desviación tipifrcada o = y'56 = 6. entonces F = P(lX. si X es cualquier va¡iable aleatoria con media tas. página 80.9) : 36. halla¡ (a) la media y (ó) la desviación tipiticada para el número de tornillos defectuosos de un total de 400 tornillos. . y1 E(X) = 0q*Ip = var (x.IMEROS PARA LAS PRI.

4-3 (b) Area pedida : área entte z : O y z: *0.68 y 0. Por üanto'.¿ ¿-uzr!¿u = -! Jfo \E = ___1__ -o.2. El resultado. represenüa la probabilidad de que Z eaté entre -0. P(-0.ildlt + _= |^2 ¿¡ = O. ee el área pedida y representa la probabilid¡d de que Z eté entre -0.941. DISTRIBUCION NORMAL 4.28.46 f ZÉ2.46 y 2.6636. 0. El recultado.211 = + (''" {2r . baje por la columna z basta alcanzar el valor 0.68 y z : 0.81 0. proceda a la derecha hasta la columna 8.1828 O yz ) lo mi¡mo que P(0.27. 0.94.11. Entoncee.46 y z: 2.4864 : 0.68 sz=o) = -! l'o {2¡ J = | r' -o.2517. \.12.6636 e-ú'/! clu = 0.81 = Z = L.4738 - : 1.=12 Fig. [.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. = "-u!/t 0. (c) entre z : -0.i77Z + 0.t _o.(área enhe z :-0.6.(b) entre z:-O.2) = | {u ¡rz Jo ¿r.94) O y z = 0.21.as 0.81y z = L. .46 " 1 e-u. baje por la columna ma¡cada con z hasta alcanzar el valor /.25f ? El área.46 y z : O) * (área ent¡e z : O y z : 2.!772 + 0.2.46) * (área enbe z:0 y z : 2.68 (por simetría).68 "- u.3849. (e) a la derecha de z: - L.rz¿u (c) ñ J" Area pedida .C.+e "-u2t2f. (d) entre z: 0. Por tanto . Halla¡ el área bqio la curva normal tipiñcada (a\ enfte z: Q y z: 1.gg4g z=O . Por tanto P\0=z=r.L24 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.2L) : (área entre z : O y z : 0.Luego proceda a la derecha h¡sta la columna marcada 0. es el área pedida y representa la probabiüdad de que Z estÉ ent¡e O y 7.2910 = 0.2I) : O.. Por tanto P(-0.4964 | t/Zt Js \/2r Jo "-uz/z 1 (d) Area pedida : (área entre z : : E¡to es - (área entrez : 0.4 4.L (o) Utiüzando la tabla en el Apéndice. 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.

Area entre z v -t'5: 9ü.3621.O2l7 + 0.694 utilizando interpolación lineal. (a) En la tabla en el Apéndice C. (o) Los pesos registrados entre 48 y 7l kg pueden realmente tener cualquier valor entre 47.69.4332 :0. (b) el área a la izquierda de e sea 0.16. z : -1.0217. Area entre -1."O.(área entre 0 y z) (área entre 0 y z) 0. el valor 0'3?70 se encuentra a la derecha de la fila ma¡cada 1.5 y z sea 0. 4.4332- Entonces el área entre 0 y z es cual e: -1. suponiendo que se regis' han al valor de kg más próximo.4332- : 0. Si "área" se refiere al área bajo la curva nonnal tipifrcada.5:0.O2L7 : 0. Suponiendo que los pesos están dishibuidos normdmente.8621 .16 es otro valor de z. El problema es equivalente a resolver para z la ecuación rfz G ).cAP.0. : (47 .5 y 71.13.28).09.4-ll -1.5 kg en unidades tipificadas : (71. Caso 1: z es negativa pero a la derecha de -1. 0 y z esO.5 y 0 ) . (b) Puesto que el área es e-tt/2 du = 0'3770 mayor que 0.3??0.35.14.8621. o. (b) más.7O ?1. hdlar el número de estudiantes que pesan (a) entre 48 y 71 kg.5: 0. 4.4332. hallar el valor o los valores de z tales que (a) el área entre 0 y-z sea 0. z : -t.4332. Area entre 0 y z es 0. Entoncec la z pedida es 1.de 91 kg.5 kg y la desviación tipiiicada es de 10 kg.4115 de lo 2: z es negativa pero a Ia izquierda de -1.5: -2.L6.5: 0.30 47. z debe ser positiva.5)/10 68.5 y z : 0.5 y 0' (c) Si z fuera positiva el área sería mayor que el área entre que es 0.28'y z = O) T 1área a la derecha de z : 0) = 0. Por tanta z: + 1.3997 + 0. Caso 0.5 kg en unidades tipificadas 68.:1Tí"11u (área entre 0 y O.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROP¡O Area pedida L26 (e) - (área entre z: -t.5. con menos precisión. -1. de lo cual z:1.5 )/10 . por tanto z debe ser negativa.5.0277 (árca entre -1.4549 y z: l'ig. o. (c) el área enhe - 1. El peso medio de 500 estudiantes varones de una universidad es de 68.5.5 kg.O2l7 : Entonces el á¡ea entre z).8997 Esto es lo mismo que P(Z > -1.1 y bajo la columna 6. Por simetría.

5<W<71.(área bajo la curva normal entre z : L.275 cm y la desviación típica es 0. etrt+oot-tu2/2. 1-14 Obsérvese que si consideranros el intervalo L. (D) toe e¡tudiantes que pesan más de 91 kg deben pesar al menos 91. de otra forma las lavadoras se consideran defectuosas.10 y z:0. r.4821 + 0.16. M(tl = E(etx¡ = L= Remplazando (x ot/2r J -- (' ette-(t-tD2/2c2 dtr g. d1) = "ut'<o2t2/2t (J-ú "-tr-ort" l/2" . podemos resumir los resultados anteriores en términos de la probabilidad al escribir P(47.2 : -7.4 Proporción pedida de estudiantes : : = (área entre z = -2.2 .2 -77% = 23%.O]-25: -1.29 cm como representando realmente los diámeüros de¡de L.11.9tOt 4. 1. Determinar el porcentaje de lavado¡as defectuosas producidas por la máquina.3849) = 0. Hallar la función generatrrz Tenemos de momentos para la distribución normal general.600) kg.300) 0. suponiendo que los diámetros están dishibuidos normalmente.tt)lo: uenlaintegralde M(tl = -= | \/2r J-14q modo quer:¡¡+ dx: o d4 tenemor dt.10 y z Ol * (área eítte z = O y z : 0.5 .26 (1.(área entre z : O y z : 2.1179 = kS ee 0. : Z.91¡ = 6.29 .26 s 1.275)l O.2) yz Proporción de lavadoras no defectuosas .5 - 0.0125 cm. El propósito prira el cual se han diseñado las lavadoras permite una tolerancia máxima en el diámetro de I.30) : (área entte z: -2.295 cm.30 Entonces el número de estudiantes que pesa más de 91 kg Fig.4893 = 0.6000 Entonces el nfimero de estudiantes que pesa entre 48 y 7f 500(0.0126: L.68.L26 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.5)=0. .600 P(W -. La media del diámetro interior de una muesha de 200 lavadoras producidas por una máquina es 1.l.5 Proporción pedida de estudiantes 91'5 kg en unidadee tipificadas: (91.26 en unidades tipificadas 1.275')lO.0107 es 2.29 cm.30 = 600(0.26 a 1.266 a 1.2 L.6)/10 : 2. 4-r3 Si W denota el peso de un estudiante escogido aleatoriamente.2) . Sin embargo para doe cifrar significativag los resultados son iguales. .1.7698 ó O yz : 77% -1.30) 0. = 300. el resultado anterior se modifica ligeramente.(dos veces el área enhe z : = 2(0. 4.I.2 Por tanto el porcentaje de lavadoras defectuosaÁ es 10002 Fig.29 en unidades tipificadas : : (1. (área a la derecha a.010?): $.SO) (área a la derecha de z : 0 ) .

)\. 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 4-16.68 y z = O) * (área entre z : 0 y z : 0. Tqqbié"r!g_.5 caras.7784 Probabilidad 2341678 Nfrmero de caras Fig.) ffi. se'deduce que 3 a 6 caras pueden considerarse como 2. ro¡ Entonc.7718 (área entre d.5 . (o ) Sea X la variable aleatoria que da el número de carag en 10 lanzamientos.58: 0. obtenido en la parte (o).5 a 6.95) : O. Hallar la probabilidad de obtener entre 3 y 6 caras inclusive m 10 lanzamientos de una moneda honrada utilizando (c) la distribución binomial. (b) la aproximación normal a la distribución binomial. mostrada a trazos.5 en unidades tipificadas : (6.¿*\ / = ewt+(ozt2/2) APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 4.* "á Ar P(X=A) /ro\/fY/r\'_ = \4 /\z/ \z/ P(X=6) = 106 stz /to\/r\o/r\n _ = (.95 Probabilidad pedida : : z: -1.5 en unidades tipificadas : (2.58..)\.58 y z : 0.ó8 : -1.#*¿%*# 03 = # = 0. 4-r5 23{587E Nfrmero de caras Fig.-o) l+Y 5 ll)' : .X.6. 4-16 trata los datos como gi fueran continuog.4429 + 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-* "--. Cor¡siderando los datos como conünuoe.95) (área entre z :-1..5)/1.)'_ .3289 : 0. La probabilidad pedida es la suma de las áreas de los rectángulos sombreados en la Fig.17.cAP.58 6.E \ /\2/ \2/ =5) = l.5)/1. Entonces dadas por/r= np=10(4\= 5yo = {nw = y'(10)(+)(+) 2.7734 que se compara muy bien con el valor verdadero superiores de n.e O.p94!l y la varianza para la distribución binomial están = 1.es la probabilidad pedida es P(B=x<6) = #. La precisión es aün mejor para valores . en la Fig. 4-16 y puede aproximarse por el área bajo la correspondiente curva ncrmal. Entonces p(x=B\ = P(x ('f)(.

5 en unidades tipificadas : : (área bajo la curva normal entre z: -0.5 en unidades tipificadas: (14.5 en unidades : (área bajo la curva normal entre z: -5.6 .OB pero debido a que el habajo involucrado en la computación es excesivo.0.(.94 y z: 0.1443: 0. es decir etabacargoda 280. Hallar la probabilidad de que el número de caras no difiera de 250 por (a) más de 10. = .(área entre z : O Y z :-1.08 .02y z: Probabilidad pedida -O.. remplazando 18 por 14.0.5 cuatros.(lX*) : -5.(i) = 250 s '= \/ill = .19. 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.'.35) : (á¡ea entre z : O y z : -5. empleamos la aproximaclón normal.0.18 (o) Necesitamo¡ la probabilidad de que el número de caras se encuentre enbe 240 y 260. l8 cuatros pueden tratarse como tt = ttp = Entonces 120( )l = ZO \o/ /t\ y q = 1/-n7tq ..e z: O y z:2. podríamos considerar que la moneda no 4.. entre 219. Esta se encuentra exactamente ¡rzo\/f\"i 5\'o' .6/ r7 \ /\6/ \6/ \ /\6/ Con¡idenndo los datos como continuos que 0 a También . : 4.5 en unidades tipificadas : 2.02 18.5 ..5 a 18.5 en unidades tipificadas hobabiüdad pedida .4115 : 0.3264): 0.250y11.5 y 280. .18: .3? (D) Procedemos como en ha parte (o). o si consideramos : (219..94 ib) Necelitamoe la probabilidad de que el n(¡mero de caras la encuentre entre22O y datos como continuos.5 en unidadee tipificadas :-5.- -1.O2 14. o \ i \6/ \6/ -{.6528 = (239. Un dado se lanza1-2O veces.02) . . Una moneda honrada se lanza 500 veces.94):2(0. (b) por más de 30..)(+) = I 1.02 y 2 : -1.0885 Se deduce que si fuéramos a tomar muestras repetidas de 120 lanzamientos de un dado.L28 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP.5 en unidades tipificadas 28O..18.b.31-i Probabilidad pedida : (área bajo la curva normal enhe z : -5.OB tipificadas : -0.' La probabilidad de que resulte un 4 es p: l16 y de que no reeulte esg : 5/6.5 - 250 )/11.7 3 Probabilidad pedida : (dos veces el á¡ea bajo : 2(0'4968): 0'9936 la eurva normal enb.5 -.37) -0. Entonces -0.73\ por más de 30.3557 -0.20)14.94 260.6 - 2O)l4."p: .02) : : -(área enhe z O Y z : 0. ¡ rzo\1¡\''l5_\'o' r8 \..mr.7 3 280.4 4. (rzo\/r\/!\'.. t. pbr (o) Deseamos la probabilidad del número de 4 entre 0 y 18.18 : -2.5 se 0. Hallar la probabilidad de que resulte 4 (c) 18 veces o menos y (b) 14 veces o menos.5.. o si conslderamos los datos como continuos.5 en unidades tipificadas : 1-0. . 239. un 4 debe apariecer 14 vece¡ o menos en aproximadamente la décima parte de estas muestras. entre 239.311 : (área ent¡e z: O y z: -5. 219.35) : 0. suponiendo que el dado es honrado.5 y 260..94) : (dos veces el área enhe z: O y z :0.

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

/)(p".0"-' .2te-z --z! . (b) más de 2 individuos tengan reacción. (o) La probabilidad de una herramienta defectuosa es p :0. TEOREMA DEL LIMITE CENTRAL 4.r -Lót 1! ) = l-6e-z = 0.tr r/iñ 1o + per/ lliii tvr ll-nw 1n ¡pt e ' tnp. Entonces de acuerdo con la distribución binomial p(x:zl (b) Tenemos )\: np (tJ )10. )r. e t.r¡r1s. (b) la aproximación de Poisson a la distribución binomial.23. La variable tipificada para X es X* = (X . Diez por ciento de las herramientas producidas en un proceso de fabricación determinado re. Entonces de acue¡do con la distribución de Poisson I¡¿- P(x--x) .1. exactamente 2 estén defectuosas. Halla¡ la probabilidad de que en una muestra de 10 henamientas seleccionadas aleatoriamente. pero ya que las reacciones se suponen sucesos raros. X tiene una distribución de Bernoulli./íil 2 o et't-(. vC. Si la probabilidad de que un individuo sufra una reacción por una inyección de un determinado suero. empleando (o) la distribución binomial.24. t ¡t qn.18 En general la aproximación es buena si p É 0. lioo ¡ln p¿tar liii¡ {ili ¡n .- 6 P(X=2) = %: = 0. Denótese por X el número de herramientas defectuosas de las 10 escogidas. Zze-21 -. 4..323 Una evaluación exacta de las probabilidades empleando la distribución binomial requeiiría mucho más trabajo.' .np)/l/nW y la función generatriz de momentos Eletx'¡ E(et<x-nú/t'/-nil¡ tnnr rliii g 1"txrl noÁ ¡ "" = e-tnpt.4 4. es decir P(X:x\ -.(d) I¡¿-)\ donde p(x-Bt .183e ó 0.180 (b) P(X>2) = 1-[P(X=0) *P(X:1) +P(X=2)] _ I fzo¿-z.1# ^:?¡p:(2000)(0. podemoa suponer que X tiene una distribución de Poisson.22. 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. determinar la probabilidad de que de un total de 2000 individuos (c) exactamente 3. es 0.t ¡n = le(qe + pet.re = (10)(0.001) :2 _ 0. Denótese por X el número de individuos que sufren una reacción.001.. tfi-oa = > ¡=0 |\_.e¡' = \z/ 0. _/1t\ para X* es "..1e37 ó o. sultan defectuosas.1 y \ = np 5 5.130 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.

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

ri \z ) /ro\ \5.26. Una cqia contiene 5 bolas rojas. lJna caja contiene 6 bolas blancas y 4 rojas.i Entonces r azur) = . 6t In\"lt\-/:lY z!r!\itl/ \itl \rrl $/ La probabilidad pedida es el término 44p" en la expansión multinomial de (p. rc 2l . 12. Por tanto Ia probabilidad de escoger 3 bolas rojas. Se realiza un experimento en el cual se selecciona una bola aleatoriamente y se observa su color. 2 brancas. pb = 4/72. El número de formas diferentes de selecciona¡ 3 bolas blancas de 6 blancas * \r/. Método 1. En forma análoga la probabilidad de escoger 2 bolas blancas e (4ll2l2 y la de escoger 1 bola azul (3/12)t . ll )(l ) \"/ \-i Entonces el número total de formas diferentes de seleccionar 5 bolas de 10 bolas (6 + 4) en la caja Por tanto la probabiüdad pedida está dada por * /rr.4 DISTRIBUCION MULTINOMIAL 4. pero no se remplaza la bola. Po=' 3/12' Porexpansión se obtiene elresultado anterior. i-paIpo)G donde p.h(¡r)'(#)'(. 4 blancas y 3 azules.+)' = ffi es es Método 2.\ [ .132 DISTRIBUCIONES DE PROBABILIDAD CON NQMBRE PROPIO lcAP.rt. Método 1 (por fórmula). La probabilidad de escoger cualquier bola roja es 5172. Hallar la probabilidad de que después de 5 pruebas del experimento se hayan escogido 3 bolas blancas. Una bola se selecciona aleatoriamente de la caj4 se observa su color y luego se remplaza.t \A/ Pero la misma selección puede realizarse en otros órdenes diferentes. DISTRIBUCION HIPERGEOMETRICA 4.'. 2 blancas y 1 azul en ese orden es /s\'/¿\'/rY \tll \. P(roja en cualquier extracción) = # P(blanca en cualquier extracción) = h P(azul en cualquier extracción) p(B rojas. y el número de estas formas diferentes 6l 3!2!1! como se expuso en el Capftulo 1.27.El número de formas diferentes de seleccionar las 2 bolas restantee de las diferenües que contienen 3 bolas blancas /a\ 4 rojas * (. .t i . Entonces la probabilidad de escoger 3 bolas rojas /5tl2\3 . /o\ /r'i \. Entonces la probabilidad pedida es lr Método 3. ) Por tanto el número de mueshas y 2 rojas ". 2 blancas y 1 azul. Halla¡ la probabilidad de que de 6 bolas seleccionadas de esta forma 3 sean rojas.

rr¡ r¡¿n' ("' 2o (" cosor r=.cos or = . ¿ > 0 e.l \ /10\ \5/ 4. . = ffi= Yt+Y = Entonces la va¡ianza está dada por s2 = E[(X-u¡21 = E(Xzl-uz ry4y_ (+). Oemos- /(a) = ! -L2- . = firo_ot.159).r-n '. 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.páginallS.'NIFORME 6 = \/4 }i|j." = o 2 .2+d2dr ' _ donde hemos utilizado el hecho de que los integrandos en el segundo renglón son funciones par e impar respectivamente. Esto puede verse al notar por ejemplo que si r ¿ 0.@ 1x1*.30. (a) La función gerreratriz de momentos de X es -¿.r! * la cual no existe si ú es real. r= 4.. PIX=S) DISTRIBUCION T. X con DISTRIBUCION DE CAUCHY 4. de.laprobabilidadpedidaes . = E(x) = E(xz\ l"'* = #:af" b2-a2 Z(b-a\ a*b 2 (b) Tenemos = I...cAP.'f-+ = #tl. Tenemos b 133 =6. o > 0.modo que = r*tu*lfí*.' La función de densidad de @ es < j.' 7't|^ou" (b) La función característica de X es E(eiox) = g (¿.dz T . n=6. 7+ azctr sin +-ai )-. Entonces por(I9).#ruo. i J-6 x'' + a: ""'l' . Jo r. 4.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Método 2 (empleando la fórmula). E(erx¡ = g (" -J". Puede demostrarse que la úlüima intcgral existe y es igual a e-aa (véase hoblema 4. J-. Demostrar que la media y la varianza de la dishibución uniforme (página 114) están dadas respectivamente por (¿) ¡. : Ll2(a + b). r = 3. tiene unadistribución Cauchy en. Sea @ una va¡iable aleatoria distribuida uniformemente en el intervalo -l=t trarque X: atan @. (a) t. = n# Í.. (b) o2 : Ll72(b -a)2.29. Í".28. a f . -> t!! I y la integral a la derecha diverge.

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

t2r(v/2)Jo " r-2t \r-2t/ : ll . Efectuando el cambio de variable x : *t/T en la última integral. colocarz: 1 en (39). Sea X una variable aleatoria distribuida normalmente con media 0 y varianza 1. ea M(t) : Enet(xr+xü1 : E(etx.s(v-2)/2e-<L-2t>r/2 dr =J-r(v/2) )o 2.-rr/2e-.6. a * v.la varianza es 02 = E(xz¡-l'(x)l= _(rro)'= cr6#T_Fn : (1. cia entre Paray Deseamos hallar la distribución de la manera siguiente. utilizando el Problema 4. do ) función generatriz de momentoo de Z = X. ./2dü (-. Y: x2 dad. página g1.CUADRADO 4. pero procedemos de :0.cAP.v2 gadosde übertad. obtenemos P(Y < ú = -! fs rrrze-uz t/2r Jo d. pá4ina 1-1. 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. Pa¡a ( 0es lóglco que P(Y SU) y> 0 tenemoe P(Y<u): P(Xz<a) = P(-\/u=X<+\/a) +fr"-. 4. grados de liberta u2 Z:Xt *X.36. t : (1 - N¿¡-Qr+v2t/z (b) Se observa del Problema 4.2t)-.'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.84. como se ve al página 116. ! X. Al generalizar los resultados anteriores obtenemos una demostración del Teorema 4-4.r2. Puesto que Ia correspondenX y Y no es uno a uno no podemoe aplicar el Teorema 2-3 como está.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 135 Entonces.r2 Al remplazar (l - 2t)n/2 = 7. es con (¿ dA v.a una distribución normal para X. DISTRIBUCION CHI.ztl-v/2 fa u<v/z)-re-udu = (L-zt¡-'rz r'(v/z) )o 4.)Eqéx"¡ : 1l-2t¡-'r/2 1l-2t)-vz/2 utiüzando el koblema 4. y utilizar el hecho de que r(á) = V7.1 en la última integral hallamos M(tl = 2. grados de libertad.'rz¿s (-fr"-.B2.t Pero esta es una distribución chi-cuadrado con 1 grado de libertad. Esta debe ser la distribución de Z.34.34 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. Demostrar que X2 tiene distribución chi-cuadrado con 1 grado de libertad. por el Teorema B-18.36.

y Si el área sombreada a la derecha es 0. para v : Por el Problema 4..Ia cual es igual a 1.026. xl es (1 . (c) el área sombreada a la izquierda: 0. x. los valores: (a)25. qi" Z = X?*X2" tiene distribución chi-cuadrado con 1 * 1:2gradosdelibertadsiXr y X2 son independientes. (d) Si el área sombreada a la derecha es 0.tán distribuidas normalmente con media 0 y variánza 1..8.0.0.05.39. el área sombreada a la derecha puede ser 0.150.01..38.025. Entonces del Problema 4.1. la cual es igual a 15.4 4.(b) 2T.? conespondiente a la derecha de la distribución ¡2 es 0. (b) Puesto que la distribución no es simétrica. a! es 0. (c) 50' Utilizando la tabla en el Apéndice E hallamosenlacolumna ¡2er. (b) 2I. x! por los cuales (a) el área sombreada a la derecha: 0. al menos se especifique lo contra¡io. ¡! que corresponde a (a) 9. Entonces procédase hacia la derecha hasta la columna x%r.5.95 y xz2 Refiriéndose a la tabla en el Apéndice E.05. 4.05.36 vemos que si X¡ y X2 es. El resultado 11. Demostrarel Teorema 4-3. hay muchos valores para los cuales el área totál sombreada : 0.O. (c) 67. 4-18. (c) S9. el átea a la izquierda de percentila 99.¡ (puesto que la mediana es la percentila 50 ) los valores: (o) S.99 y ¡22 representa la 4... (b) 28 y (c) 40 grados de UtÍIizando la tabla en el Apéndice E.2gs.0 correspondientear: av:21.¡2.2-. el área a la izquierda de x? es O. 4.5 correspondiente a z: 50. u"mo.05.34correspondienteav:9. X. y x? (c) Si el área sombreada a la izquierda es 0.¡r.37. entonces X? V X3 tienen distribución chi-cuadrado con 1 grado de libertad cada una. Hallar los valores de xf.831. (b) el área total sombreada: 0.la cual es igual a 0. Por ejemplo. Sin embargo.7.5.025.3correspondiente^v :40.píryina 116. Fig. Por tanto los valores son 0. se acostumbra.025: 0.05. hallamos en la columna ¡.O5): 0. en la columna /. Hallar el valor de la mediana de libertad. Entonces.9?5 Análogamente. La representación gráfica de la dishibución chi-cuadrado con 5 grados de libertad se muestra en la Fig.1 es el valor pedido de 12. parav> 10 los valores de la mediana son iguales av . . escoger las dos áreas iguales.40. Véase Problema 4. si el número de gndos de liberbad v es igual a (c) 15. el área sombreada a la izquierda de x3 es 1 ¡j iepresenta la percentila 9?.01.la cual del Apéndice E es 12. como puede observarse de la tabla. xi representa la décima percentila.35(b). búsquese el valor 5.x?o¿s.831 y 12.O25 representa la percentila 2.8.esr. (Véase las consideraciones sobre notación en la página 116). X. (b) 32. entonces el á¡ea a la izquierda de representa la nonagésima quinta percentila.10. (d) el área sombreada a la derecha: 0. lcAP. xz:.¡ se deduce en la misma manera.136 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 2. si el á¡ea sombreada a la izquierda es 0.10. . El resultado general para todos los enteros positivos l.04 en tanto que el área a la izquierda es 0.01. x. Hallar los valores de ¡2 para los cuales el área de la cola 15. en este caso cada área:0.3correspondiente av:28. 4-18 (o) Si el área sombreada a la derecha es 0.61. Es de interés notar que los valores de la mediana están muy próximos al número de los grados de libertad' En efecüo.

Demostrar el Teorema 4-6. '\ z / (.t' / 2 e./ .rf ¡"ffi "-r. himero fijamor r z b = integramos con reepecto a y de¡de ..FA = zp I t/Ft x| = *(zo+tffj¡z (o) Si v=50. 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."a']au de acuerdo con lo pedido..o 6 .es+ftool-t)2= +(1.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPTO 13? 4.42. xlgs = \@. podemor utiliza¡ el hecho de que ({Tx2 .rr-r"-. tn¡r( z\ Ju= -' . .z \f 2nz..er dccir z<v/z)_te_ :|-r+zr/2 para -o 1g 1lo.3). Para .tzt'(vl2\ )..64+rfss¡z =69.. *^ I' = - *l Í": como z('' . podemoe ercribir.ss+rtrOool-t¡z = |(1. / mayor que 30.r/2..=o"r.2. página 117.u [f=. dud.y ¿2 # donde la integral ¡e toma ¡obre la región ( del pleno lz parn l¡ cr¡¡l g ut/ñ.@ hast¿ rl/z/r.0(v¡lorre¡l =L24. -/.va J"' {2r2. Por tanto tenemos Remplazando F(xl = .Lu€{p integrannr_conrespecto az de¡de 0ha¡t¡o. Hallar xlerpm (a) v : 60 y (b) y .Elrode donde t6=t = . #.t¡ e¡tl c¡¡i dbEibuido norm¡lmenüc con medie certr y varianza uno. DISTRIBUCION ü x3s¡ dado en el Apéndice E. oon un alüo grado de aprorimación.(z.. zo/2)-re-z/21ffi e-uzzr2. DE STUDENT 4.(' F(r) = _ tf Jr=-.tz¿ul¿" LJ":_-e A = urfi en la integral entre parénteais rectangulares hall¡mo¡ .cAP..\2/ r\ (l + u2¡'¡<'+t>rz .41. er la percentil¡ 10Op de l¡ di¡trlbución nornd tipilicada.u\ . z ) La función de di¡tribución de I = Ylt/ffi e¡ F(u) = P(T=r) = P(Y=er/Zfi) = y@2.64+/199P = 124. (b) Si r=100. Debido a que Y y independientee ¡u función de den¡id¡d coqjunta er 6l producto de (I ) y (2).-j(* ./4 f ( 7<rrz>-r e-<yz+ztrz ¿.rzrl.100 gados de libertad.= ."^' + zo+"/2 Í"'=-* d.zl ztÍt + <t2 | v>r a")au ( " Susüituyendo F(r) = G.6 = f.tzl(vl7\ Jz=o = . Entonca ti z.lt * T ) eeto puede eocribir¡e d.#.locuale¡tÁde¡cuerdooonelvalor6?.

45.entoncesúl correspondealapercentilagO.'') (?ñ rr^ o(vz/2) -| "-'.99.82. ) 0 y 0 de otra forma.0.css = 3.83 es el valor pedido de t (b) Si el área total ¡ombreada es 0.005. entonc€s por simetría el área sombreada a la derecha es 0.[.025): 0. (b) el área total sombreada: 0.38. La representación gráfica de la distribución (c) el área sombreada a la derecha en la Fig.DZ=ü l1U7D Entonces el Jacobiano es i'. De la t¿bla t ss = 2.025 por simetría.05. HaJlar los valores de f para los cuales el área de la cola a la derecha de la distribución si el número de grados de libertad es igual a (c) 16. vlW v2 . (d) el área sombreada a la izquierda : 0. DISTRIBUCION 4. t. ú es 0.25.gg) = 0.01/2 : 0. .95 y úr Refrriéndonos a la tabla en el Apéndice D.82.2 g(u.rl).O. De la tabla hallamos t.05 Refiriéndonos al Apéndice D.e. entonces el área a la izquierda de ú¡ es (1 repreeenta la percentila 95.:"i = l::"'.01 es (e) -2. (c) 200. (c) Si el irea total sin eombrear ee 0.r) a\. Deimostrar el Teorema 4-?.138 DTSTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO ú [cAP. -1)(v'\/2) "-.05. dada por 1 (.quedelatablaes igual a 1.(b) 1.0.nD\]uJur0.01. Halla¡ el valor de ú1 para el cual de Student con 9 grados de libertad se muesha : 0.4 4. sea 0.5. búsqueee en Ia columna y el valor 9. tenemoe | 1U) t. La función de densidad conjunta de f '' V¡ y V2 etá.la/2. a.t u(v2/ 2) . . r / Ll+ lvt/v)).:: ::'. ODt=r. En el Apéndice B e¡te valoi corresponde a la enhada en la última fila ma¡cada ó).e0. Entonceg búequese la c.26 como el valor pedido de ú.lL=-=_rü=02 L"a/ ar t'2ú | vl1t2' .90. entonced el área sombreada a la derecha es 0. (d) Si el Área sombreada a la izquierda es 0. El resultado 1.05. 4-19 tt (a) Si el á¡ea sombreada a la derecha es 0.44. (b\ 27. Por tanto el área de t para el cual el área sombreada a la izquierda es 0.er5. 4-19.01.01.90.01 y el área sombreada a la derech¡ es 0.es.99.. t.05.l4\ -1- f 'pw\"rz'-' ID'-''-"e '"''o'-.70 correspondiente a v = 27i (c) 1. ú. Del Apéndice D hallamoe 2.9?5 y úr reprecenta la percentila 9?. losvalores: (o)L. Por tanto el á¡ea a la izquierda de ú1 es (1 .645 correepondiente a y: 200. ¿. (c) el área total sin sombrea¡: 0.. t. (El último e¡ el valor que se obtendría utiüzando la cu¡va normal. J z t . 4. (e) el área a la izquierda de ü.ú. Efectúe Ia transformación u 1/ v1 .) = 6"i._tr Fig. Sielá¡eaalaizquierdadeú¡ es0.'.::l = l"*:" 'u':'" Denotando la densidad como función de u y w por g(u.43.:.1 ez(vt+ v2)/2 lQl/21 f (u2/2) <t | + ú2)' ri o. hallamos en la columna te. ) 0.75 correcpondienteay:16.u) = .O5): 0.olumna ¿. entonces el área total sombreada es (1 .

9.50¡2. 10.- r1u)-¡(. \ : ¡.ob. página 118.. Utilizando la tabla para la dist¡ibución F en el Apéndice F..0 = 4. (c) Por el Teorema 4-8.+v2't/2r-r = 0 Dividiendo Wt ut|ti2)-2(t2l t¡t)-[("\+t. la función densidad de la di¡tribución F es r[(t.8 = 3. rr.t e.ut = t'(P) ap Jo da) ) 0 y 0 ei rt É 0.rr.5 L6l = (72. rr. donde vt -.oc.r.¿t. ¡2 y ú 4. Demostrar que la distribución F es unimodal en el valol ¡v' ' La moda localiza e! valor máximo de la función de deneidad. = 0.. ir ua 0.t r rz)tz Si tiene un máximo relativo se presentará cuando la derivada sea cero.. (d) F..F' gs.+t. 11 . hallamos F. = # = 0.e75. /. ) 2' de (. (b) Del Apéndice F..4l si u DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 139 > 0.\rt. etc... =- 9.47.au d.\i = /v' I vr\ ) si u ) 0 y 0 ¡i z¿ 5 0.r' / 2(.o. 15.ul F'.\ z /..*r.cAP. er hkt) = ei u (. 4.257.o. ro.'rrr.-'1t'"tvp)-uvr\j-:. .rt) - (¡'r +t2)/2 - . es decir (r.326. ro.1 -. rs = 3. A diferencia de una conetante.5.L5. ( " *.18)2. : (4.TZ) \ (-" se Utilizando el criterio de la segunda derivada podemos demoetra¡ que realmente trata de un máximo.l= *.o.. Apéndice A. r.ot. (a) Comparar ia¡ entradas en la columna de la tabla F. 7.io = F_¡ . hallar (¿) F. RELACIONES ENTRE LAS DISTRIBUCIONES F.ee. F.80. hallamog . (o) DeI Apéndice F.\/2i-r.48.l¡. .. hallamoa \-i. Pero de Tenemoe (r h(u) / v2\vr/2 4Q 1/'' . r¿ desde La función de densidad (marginal) de U puede encontraree integrando con recpecto a decir 0 ha¡ta €.s.ss : ". .46.o5 en el Apéndice F con e¡a¡ en l¡ distribución ú bajo ú.\z .rr. i \rn) - 2\ / v' \ si v..t .'.78)2. 4..2* r.r.s.1 = (3.ss : t?n (b) fl....t)- tyt ('4fa) (.so. (b) F . Vemos que 18. > 0 y 0 de otra forma.. \.96. página 118. /. u.2\/2)-t e-tt+<v{/v2)t(o/2> z(tt ' u2)/2 t0t/21 l. Verificar que (o) /.'r2\ ) = 0 ó trt ry = /.n.2* .7L = (2. (c) = 10.1-2\/ /\. donde.(vz/2) Jo -tL-!:j!::-:(I5). primera f.30.0g (d) Por el Teorema 4-8.i/2)--t (v2:L vru)-(r.71)2. que es el reeultado pedido.

1 = (5.r(l +3!) t r-ru+l)/9 ) O. Por tanto ^\ F. que puede establecerse simplemente como F r-p = t? ott¡ l(4í).+tfttur¡ = P(T s +VFt-p) .92)2.rtF. Re¡olviendo. '\2/'\2/ "11\ "/r\ t -/. Entonces y a.r¡ n'(.4 (b) Comparar la¡ enhadas en la primera columna de la tabla F. . P..*rr. y que P(U 5 .)" . tenemos P(T=+tlrno¡ = t -Pi . Sea 11 .(4.49.2 -.0 <'T = *t/Ft_o) ú donde ? es una variable aleatoria con distribución de Student con u grados de libertad.eer.-. Demostrar el Teorema 4-9. etc.48.. 34. + r\ r( ol -r- . 4.'.9 " / +1\ -t'* "" t / vv/21l-12v-(.página 11?]./ para u /_u_r. v2 = v en la funeión de densidad para la distribución F f (ul = .u/2¿-r/2(y + ul-(r1tr/2 ^/. 98.(. vemos que el lado izquierdo de la última ecuación es igual a z.Ft-o) f(u): 0 para ¿ < 0.'. Vemos que 4050 : (63.t.5 = (9. I ^F.o) r\ \ '/ ll '=2 | '\ .ee en el Apéndice F conegarenladistribución ú bajo ú. Entonces por la definición de un valor de percentila.140 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP. P(.-¡l r. Por tanto t-P 2 = Pp<T:.P(f 0) = = P(T=+\E|-+ donde hemo¡ usado la simetría de la distribución ú. t { l'-'u-r.84)2.)" \/ Com¡rarando con (42).l. página 118.66)2.4*)___\-.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.sí generalizar los resultados del Problema 4. pfuina 116.60)2. 21.l / +z\-r¡ \ '/ ¡=.es el nhmero tal = 7- * t\ "/" .. \ : {".'..

4!¡ 4 2. si X. Ll .il = (4 . etc. Análogamente la probabilidad de no obtener un 3 en el segundo lanzamiento ee 5/6. lo cual provee la verificación requerida. producto de una función solaménte en.7 2. Y variables aleatórias cuya función de densidad conjunta es la distribución normal bidimensional.78 = #. Entonces vemos que a r': ó) con etc..'. = tt-(p/zt ó Fr-p : tl2t'-tptz'. r por una función solamente en y para todos ser el Inversamente. Y son independientes. DISTRIBUCIONES DIVERSAS 4.GB a ¡'. etc. Hallar la probabilidad que en lanzamientos sucesivos de un dado honrado resulte un 3 por primera vez en el quinto lanzamiento. Véase Problema 4. + * en la distribución F en DISTRIBUCION NORMAL BIDIMENSIONAL 4..CAP.50. Y son independientes. )Lo. Si el coeficiente de correlación p = 0. en el Apéndice E. página 118..:\/2= en ... Entonces vemos que 6.. y se deduce que X. tt tt¡/z. s.51. página 118.145. f(x.1. que era lo que se querfa demostrar.21 .. er el Apéndice F (correspondientes las enhadas bajo x:nn en el Apéndice E.25 77i6 .r'il ) y y puesto que este es un producto de una función solamente r. la probabilidad pedida es Y/r\ \6i \6/ / s c. y este nfimero se determina finicamente. entonces la función de densidad normal bidimensional (49).r y una función solamente en y. Verificar el Teorema 4-10. 4. Y son independientes solo si su coeficiente de correlación es cero. (c) Comparar las entradas en Ia última fila de la tabla F o= en el Apéndice F (correspondientes las entradas bajo ¡. -.00 =..¡ es el número üal que P(T=tt. Sean X. y) dada por (49) debe para todos los valoxes de x. 't7 2.99.+..ú los valores de = t-+o-.. Méüodo 1.F e.r"?ll--+"-. lotll. Por tanto ú es estrictamente +\/F.'. 3.95 y (b) p : 0.60 -. se convierte en l@.8t (b) -. Comparar las entradas en la última fila de la tabla . lo cual provee la verificación requerida. La probabiüdad de no obtener un 3 en el primer lanzamiento es 5/6.. para (a\ p : a1 0. _ 9. Entonces la probabilidad de no obtener un 3 en lo¡ primeros cuaho lanzamientos es (5/6)(5/6)(5/6X5/6): (5/6)4.4] DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L4t Pero. K (r(r .L .94 3. s. Esto es posible sólo si p : 6.. = @) con = "'13.(p/z\\ = l-?. 4.52..02 = #. por definición.s2 T r.. Demostrar que X. La prueba general del Teorema 4-10 se deduce tomando el límite cuando U2 la prfuina 117.¡ !.Por tanto la probabiüdad de obtener un 3 en el quinto lanzamiento es 1/6. 3. ya que la función de densidad de Ia distribución positiva.

6)4 = 0. se gradúe.4)1(0. de la distribución Weibull. E¡ta¡ ¡on 1 cn el grimer dado y 1 en el regundo dado.ra evaluar la (ü) E(Xz¡ = fo- oOro*r¿-oto¡lg r "b ('/z\r*ttro> e-!:u(t/b)-t = o"o )o \. Caü un¡ de le¡ 6 form¡¡ en la¡ cuales el primer dado puede daer estó a¡ociada con cada una de las 6 forma¡ lu cr¡¡le¡ cl r¡undo drdo puede crer. 4 Utilizando la di¡tribución geoméhica.L42 . - f. ó aproximando O.92. (a) P(ninguno ee gradúe) = 5Cs(0. página 118. 4. 2¡.""tb)-t a-ub I ur/be-! du Jo a_.26 (c) P(al menos uno re gradúe) = 1 -P(ninguno se gradúe) :0-92224.63. ¿Cuál es la probabilidad de obtener un total de 9 (o) dos lanzamientos de r¡n pa¡ de dados? en veces. ó aprorimando 0..of ¡(1 + 3) b/ L\ . Verifrcar las expresiones dadas para la (a) media. La probabilidad de que un estudia¡rte que ingrese a la universidad se gradúees 0.64. (o) t' = E(X) = JO f abrb e-o"o d.oJs u. alf hay 6 . i) integral. \i)"-".¡ :6 Gzl vemo¡ que la probabilidad /t\/o\' _ \6/ \6 / página 119. 6 = 36 forma¡ en las cuales ambo¡ dadoe pueden caer.977?6.r I ú ).4)0(0. DISTRIBUcIoNEs DE rRoBABTLTDAD coN NoMBRE Método 2 (utilizando fótmula).08 (D) P(re gradúe uno) = 5Cr(0.be-! = o-2/br\t + a) Entonce¡ / o\ ¿u 02 = El(X-u¡21 = E(Xz)-uz = PROBLEMAS DIVERSOS o-". 1 en el primer dado y 2 en el regundo dado. ./ du (' = o-r. Determinar la probabilidad de que de 5 estudiantes (a) ninguno.q:616. etc. pedida er pRopro [cAp. eon p: Ll6. (b) uno. : atb pa. (D) al menos dos veces en 6 ¿ead¡¿o¡ por (1. 11.tbr donde hemo¡ ütilizado Lr ¡ustitución u f@ ab ('/"\ du /' (r. (b) la variarrza.6)r : 9. etc. i7't6 4. (c) al menos uno.4.p(\ t + +)-l ó/J 4.2692.55. ó aproximando 0.

(5. determinar (c) el porcentaje de estudiantes con 6 puntos. Para aplicar : 6. ^ /r\'/e\'. L. == vnpq H = 0.6.1XO. 10 puntos. 4).a di¡tribución ee s+l---^6:q : 3+ff1-6(0'1X0'9) = nuq 3'01 ligeramente má¡ apuntada que la distribución normal.2:{).6.1): 40.133 coeficienüedecu¡tosis: l. 5). ^ /r\u = 'c'(o/ \é/ * '"'(./r\'/e\a. es decir podemoselpemr que 40 tornillo¡ esüén defectuosos. 4.9): 36. 4. (b) la calificación máxima del L0% más bajc de la clase. (a) (b) Coeficientedeeeego= Puesto que es positivo.17 z: -1 y z:-4./ * '"'(. (o) P(9 do¡ veces en seis lanzamientos¡ = 6"'\t/ /q\t-' ."'\g/ ' ^/rY/s\u.2 = -'1.5 puntoe. hallar (c) la media y (b) la desviación típica para la distribución de tornillos defectuosos de un total de 400.-"^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. Por tanto una calificación de 6 puntos ¡e cor¡sidera como 5.6u.17 (5.4I DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 143 De estas 86 forma¡ todar igualmente factibles ¡i los dados ¡on honrado¡. ^ /r\ta. dependiendo del número de respuestas conectamente solucionadas de un total de 10. . (a) la di¡tribución normal a datos discetoe.56. 6).17 z: -1 y 277o z: O) 0. 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./ \ó/ * '"'foi ó * '''Gi 72689 1 10240 960 48 61 = 681 440 65f ¿¿T .3418 - y e = 0) (áre¡ entre z :{.\0/ \e/ \s/ ^/l\'/q\' ffitZü 7268s 4. la distribución está sesgada a la derecha.6 (área entte 0. eb necesario con¡idcrar los datoe como si fueran continuoe. (6..0 (6.7)1L.5gr 441 * ss1 441 .ó6. Halla¡ los coeficientes de (a) sesgo y (b) curtosis de la distribución en el Problema 4.5?. La calificación media fue 6.2. (a) Media : np :400(0.2. .. (D) Varianza : npe: (40OXO.cAP.? y la desviación típica fue 1. ^/r\'/a\'. Si la probabilidad de un tornillo defectuoso es 0.7)1L.5Bt 441 = 531 441 441 Otro método.58.-. (c) la calificación mínima delL0% más dto de la clase.1.5 en unidader tipificadar : 5. 3).5 . Las calificaciones de un parcial corto en biología fueron 0.0676 : O. un total de 9 ocurte en 4 cqlos¡ (3. P(al menoe 9 doa veco) : 1 - P(9 cero vecer) - P(9 una vez) : ./ \. Suponiendo que las calificaciones están distribuidas normalmente. Véase Fig. (4.5 en unidadee tipificadar hoporción pedida: á¡ea entre : : .2788: . . 4-20. Por tanto la de¡üación tfpica = /56 = 6.er)*P(9cincovecer)*P .6 a 6.

Halla¡ la probabilidad de que en un tiempo f no se cuenten partículas. Refi¡iéndose al Problem^ 4. Por tanto.que lógicamente e¡ 1. Si (b). rin considerar los términoe que incluyen (Aú)2 y término¡ cuperiores.2 ! 22 Eu equivalente en unidades tipificadas.7)17. Si se suponen lar llegadae de lae partícula¡ sucegos independientes. tenemoS (r) De (I ) obüenemos (2) Po(ú+a¿) = lú Ps(Ú)[1 -IAú] = -IPo (¿) At+0 lim Po(¿-f a¿) - PoQ\ e¡ decir (.4-22 o ran si AÍ es pequeño.4 .17 I'ig. 4-22 repteeenta el eje de tiempo c.69 halla¡ la probabilidad de exactamente una cuenta en el tiempo t.I -0.I At. exiatirán término¡ adicionalecqueincluyen a (Aú)'y órdene¡ ruperiores.28 (aproximadamente). por simetría : L.on O como el origen.P6(0): c e¡ la probabiüdad de no cuenta¡ en elüiempoGrro. por tanto área.69. 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. 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. De la Fig. At. Entonces (x2 - 6.Z:-t. La Fig.28. = 0.28y Ír:6.26 6 aproximando y al entero má¡ cercano. Por tanüo c = I y l¡ probabilidad pedida ee (11 Po(¿) = ¿-^t 4. pero no se consideSea P6 (ú) r-----]--l Fig. Máe precisamente.10.2 u 8 aproximando al entero má¡ cercano.4-20 Fig. 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 . 4-2L el la izquierda de z¡ eo LOT. Por tanto la probabilidad de no contar en el tiempo At ec 1 . 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.7)lt.r) dlu dt = -^po u dP" n 6 = ->'¿t Re¡olviendo (3) por integración obtenemos lnPn = -X¿ + cl PoQ) = ¿¿-Lt Pa¡a determinar c notamoc que si ú = 0.28. la probabiüdad de no cuenta en el tiempo t Entonces Po (ú + At) es la probabilidad de no cuenta en el üiempo ú + Aú. 4-21 (b) Sea r ¡ la calificación máxima pedida ] z¡ !u equivalente en unidadec tipificadas.x2:8. zt Enüonces zt = (xt . (c) Sea .40 : -L.L14 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP.6. a Area entre zt y O: 0.60. Un contador Geiger se emplea para contar la llegada de partículas radioactivas. 4.

61. tr¿-At (3) dt = ^Pl o d. Iülla¡ la probabilidad de (o\ 2 o már honradas.t * \P. (n 5. Hallar la probabilidad de obtener un total de 11 (c) una vez. DeSOOfamilia¡con Shijos. (b) dog vece3' en dos lanzamientos de un par de dados honrados. Suponer 4.s supletnenta. Utilizando e¡to en (6) hallamos Pt (Ú) c2 0. Hallar fal¡o. ¿cuántaseeperaríantener(o)3niños.66.cAP.69.I a¿). (b ) 1. (r) Esto puede escribirse Pl (ú + a¿) = Pr (ú)(1 - r aú) + P0 (¿)r a¿ Pr (¿ + (2) l¿) Lt . ¿@xtPr) = x que al integrar (6) Pr(t) = \¿¿-rú+c2e-\r Si : t:0. Por tanto (7') = ¡¿¿ . (b ) menos de 4. @l 6 caras. (b\ P(X <21' (c) P(1<x=3).rlos DISTRIBUCTON BINOMIAL (BERNOULLI) 4. Si P(X=2).P. Halla¡ la probabilidad de que al lznz. sin coruiderar los té¡minos que incluyen (Aú)2 y ruperiores.¡e-rtt esto puede escribirse como d.66. 4. P1(0) eo la probabilidad de 1 cuenta en el tiempo 0. (c) 2. 4. Por tanto. (d) 3' @l a. (c)o2ó3niños? probabilidades iguales para niños y niñas.i que es [a distribución de Poisson. caras.64.62. que es cero.ar una moneda honrada 6 veces aparezcan (o) 0. la probabilidad de acerta¡ correctamente al meno¡ 6 de 10 res¡ruestas en un examen tipo verdadero- .4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 145 La probabilidad de (i) es P1(ú)(1 .I"(t) = XF'o(¿) - IP1 (¿) ge Tomando el lfmite cuando Af -+ 0 y utilizando la expresión para Pe(ú) obtenida en el Problema 4. Problerna. La probabilidad de (ii) es Po(ú)I at. X denot¡ el número (d) de caras en un solo !¡nzamiento de 4 monedas.59 esto convierte en dP. 4 caras en un solo lanzamiento de 6 monedas hallar (o) P(X = 4.rt ú Continuando de esta forma podemos demostrar que la probabilidad de exactamente n cuentas en el tiempo está deda por (8) Pn(t\ = (^t). . con un par de dados? ¿Cuál es la probabilidad de obtener un 9 exactamente una vez en 3 lanzamientos 4. u) Multiplicando por (5) e^¿ d. 3).(b)5niñar.67.

5 o? 4'83. DISTRIBUCION NORMAL 4.9.52 y a la derecha de z: 1. (b ) al menos 3. 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. su coeficiente de curtosie es 2.608 pul. z:-I.96 =_ Z < t. hallar P(X > S).23yz:1.L46 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.78: Hallar los valores sea 0. todas de edad idéntica y con buena salud.83.5722. (b) menos que o iguales a 1.610 y 0.85 m.615 pul.96). 4.?O m y desviación típica 10 Si los diámetros de los cojinetes de municiones están normalmente distribuidos con media 0. (d) igual a 1.? y n : 60. 4. Calcular la (o) media. (d) el áreaentre 1. (a)Determinarlas calificacionestipificadasdedog estudiantes cuyos puntajes fueron 93 y 62 respectivamente.4 4.4O. (c) solament e 2. En un examen la media fue 78 y la desüación típica 10. (c) el área entre de z tales que (a) el área a la derecha de z sea 0. Hallarz¡ si P(Z-21)= 0.(b)z=I. haltar (a) P(Z = -1.82.76. 4. 4. (c) a la derecha d. Demostrar las fórmulas en la página 109 para los coeficienües de seego y curtosis.?8. ¿qué porcentaje de las medicione¡ están (o) dentro del recorrido I. (e) el áiea en¡e-z y z 4.82. (dl al menos I persona esté viva. (b) a la izquierda de z:0.7O.!6.0314. 4. 4. (b) por fuera del recorrido ¡t ! 1.58. (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. Z está distribuida normalmente con media 0 y varianza 1.2 respectivamente. (b) desviación típica.?0 m? cm.oo ¿ea 22c/a. Interpretar los resultados.r)af(rl para la distribución binomial. (b) Determinar los puntajes de dos estudiantes cuyas calificaciones tipificadas fueron y 1. ¿qué porcentaje de esas mediciones diferirá de la media por (o ) más de media desviación típica.23 y z sea O.6 y 1. ¿cuántos estudiantes tienen estaturas (o) ¡nayores que 1.t ! 2 o. (c) coeficiente de sesgo.75.79' 4.8{.69. Hallar la probabilidad de que en 30 años (o) Ias 5.0025 pul.71.2O y z --2.68.e z: -1. El l}'.55 m.85- 4.79.El m inclusive.2 o.86. (c) menores que 0.6140 pul y desviación tipificada 0. lt!aosea . entre (o) 4. (c) Si las estaturas de 300 estudiantes están distribuidas normalmente c\on media 1.t'c.85V 4.80< z< !.77.74. (b) P(-1.2266.6 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 -0.84.618 pul inclusive.b superior de los estudiantes recibirán una calificación A (excelente). La calificación media de un examen final fue 72 y la derviación típica g. (d) correspondientea z>:2. (c)z:-2.59 y 1. -0. (/)ala izquierda de z:-2. Un agente de una compañía de reguros vende pólizas a 5 personas.80' 4. Hallar el área bajo la curva normal (o) a la izquierda de z : -1. (b) menos que p . Demostrar que si una dishibución binomial con n : 100 es siméhica.gShallarlacon¡tanteatalqueelporcentajedelo¡casos(o)dentrodelrecorrido 7 í'. dondeZestádistribuidanor¡nalmenteconmedia0yvarianzal. entre 1.56.50.O?30.900. Si (c) P(lzl > r). 4.61? pul. (d) iguales a 0. (ó) el área a la izquierda de z sea -0.45. (D) mayor que 0.81' 4. 4. ¿Cuál es la cslificación mínima que debe obiener un estudiante para recibir una A ? Si un conjunto de mediciories está distribuido normalmente.72. (e)correcpondientea-0. (c ) mayor que g 1. llallar el área bajo la curva normal z: 0. (d) coeficiente de curto¡is para una dishibución binomial en la cualp : 0.64).4 respectivamente. 0. 4. determinar el porcentaje de los cojinetes de municiones con diámetros (a) entre 0. Evaluar (o) ) (c - p\3 f (r) v (b) > (r . Si X está distribuida normalmente con media 5 y desviación tipificada 2.15 y z *aO. EnelProblema4.

99. Demostrar el teorema del lfmite central para el caso en q rre X ¡. "heses". o 2lámparas eléctricas sean defectuosas. Demostrar el resultado (l 7). Education and Welfare.(f)menosdeS ahogados por año.(b)2. f. (c) menos de 85 o más de 116 caras.(Sugeren- cia: Utiliz. el promedio de ahogados en accidentes por año es 3.91. Hallar la probabilidad de que en 200 lanzamientos de una moneda resulten (a) entre 80 y 120 caras inclusive. arí generalizando el Problema 4. f(r) =. (d) 3. hallar la probabilidad de que en 8 de tales extracciones se seleccione una bola roja 3 veces. Utilizando (o) la distribución binomial y (b) la aproximación de Poisson a la distribución binomial.(n5lámparar sean defectuosas.101. (e) 4. 4.2. (b) cada ca¡a una vez. (b) entre 1 y 3. 3 . Halla¡ la probabilidad de que 4. página 113. Halla¡ la probabilidad de que el resultado sea: (o ) 1 "uno". . .94. 2 "doses" y . p pr. Explicar por qué se podría esperar que el teorema üengan la distribución de Cauchy. Si 3% de las lámparas eléctricas producidas por una compañía son defectuosas. ( t 3 ). enunaciudadcuyapoblaciónesde200000ocurran(a)0. 1/2 -r -t Demostrar el teorema del límite central para las variables independientes 'Yk donde g = | | 1 prob. . Demostrar que si respectivostrr X1 ¡l X2 son variables independientes con distribuciones de Poisson con parámetros ytrz. (bl 24 o más de 40 preguntas en un examen tipo verdadero-falso.10O. Un talego contiene una bola roja y siete blancas. Hallar la probabilidad de que en un muestreoaleatorio de 400 tor4illos producidos por estamáquina (a)máximo 30.88.1 t\. . . 4. r¡ : L - p. 4.b. Xz.#Tf DISTRIBUCION MULTINOMIAL 4. (c)2. 4. página I 1 1 .cAP.ar la función generatriz de momentos). Entonces se coloca la bola en el talego. 4l DISTRIBUCIONES DTSTRTBUCTONES DE PROBABTLTDAD CON NOMBRE PROPTO PROBABILIDAD PROPIO I47 L47 APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 1. -'.93. DISTRIBUCION DE POISSON 4.entoncesXr+X2 tieneunadistribucióndePoissonconparámetro). Department of Health. (b)entre 30y 60.(d)8. Hallar la probabilidad de que un estudiante pueda acertar eorrectamente lasrespuestas a(a)12 o más de 20. Hallar la probabilidad de obtener más de 25 "sietes" en 100 lanzamientos de un par de dados honradoe. hallar la probabilidad de que (of rnís de 5. del límite central no sea válido en el caso que X¡ . Xz. Generalizar el resultado a n variables. (d) 55 o más.96. Se extrae una bola y se obsen'a su color. hallar la probabilidad de que en una muestra de 100 lámparas eléctricas (a) 0. S.90.t9.9!. Demostra¡ el teorema del límite central para las variables independientes xk = 4. (c) menos de.92.(c)6.95.98. <x< @ 4. 36 LO"/o de los cuales son defectuosos. TEOREMA DEL LIMITE CENTRAL 4. (c)entre y 46. 4. (b) menos que 90 caras. . son independientes y están distribuidas idénticamente con la distribución de Poisson. de loe tornillos sean defectuosos. Según Ia National Office of Vital Statistics of the U. (b) 7. ( L 1 prob. 4. (d) exactamente 100 cara¡.97.87. 4. Una máquina produce tornillos. En el Problema 4.(e)entre4y8.0 de cada 100 000 personas. 1/2 prob. 4.97. Se lanza un dado honrado 6 r¡ece¡.

Determinar los valore¡ modales de la distribución gamma. 4. 4. cuando N ' e. Generaliza¡ el resultado del Problema i. DISTRIBUCION HIPEBGEOMETRICA 4.108. Y son independientes y ambas eetán distribuidas uniformemente en el intervalo de 0 a 1.116. De 60 aspirantes a una universidad 40 son del oriente. Z. 4. Si se seleccionan 20 aspirantes aleatoriamente.Hallat(a) P(X i.z 114. (b) ninguna sea figura. 4. Demostrar que el recorrido semi-intercua¡tílico para la di¡tribución de Cauchyeeo.148 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cA¡. (b) no más de 2. (b) todas sean blancas. Suponga que X tiene una distribución de Cauchydeacuerdocon(29). y (b) la función caracterfstica de la di¡tribución gamma .104. Si Xt y Xz son independientes y distribuidas de Cauchy. Una caja contiene una gran cantidad de bolas rojas. Yerificar la (a) función generatriz de momentos dadas por (33 ).113. 2 ó 3 en cuatro lanzamientoe de un dado honrado. o:2.112. 4.105. S blrncar. dad de que (a) 6 sean figuras. SiXestádistribuidauniformemente en-2< x=2. Hallar la probabilidad de que de 10 bolasextraída¡: (o) 4 rean rojas. azules y amarillas en la proporciün 4t 3z 2: L. Si X. Verificar que (31 ). Emplear la aproximación binomial (18) obtenida. (t) P(l = X=2). Hallar la probabilidad de no obte4er un 1.114.págin.107.111. 4. 4. hallar la probabili4. Una caja contiene 5 bolas rojas 5l l0 blancas.121. Hallar (a) el tercero y (D) el cuarto momento alrededor de la media de una dishibución uniforme. ó (24\ se para resolver el Problema 4.fl DISTRIBUCION DE CAUCHY 4. 4. 2 zzulee y l amarilla. ¿Porqué en este caso el 4. tl¡llar(o) P(X= 1).115.106 y e¡tudia¡ la precisión 4. Determinar el coeficiente de (a) > ll 6/.102.9: 4. normalmente con media 0 y varianza l Demostra¡r que Y: Xt lXz tiene una distribución DISTRIBUCTON GAMMA 4. es una función de densidad. 4. hallar P(lX . Hallar la función generatriz de momentos para la di¡tribución uniforme. página 108. Demostrar directamente que (22).110.103.119. entoncel su mdia 4.págrna114. recorrido gemi-intercuartílico es un eustituto de la desviación tfpica? aritmética también tiene esta distribución.4 4. Si se seleccionan 8 bola¡aleatoriamente (sinremplazamienüo) determinar la probabilidad de que (a) 4 sean rojar. Demostrar que si X1 y X2 son independientes y tienen la misma distribución {e Cauchy. Una variablealeatoriaX tiene una distribución gamma conQ:3. (b) P(lX-11 = +). 4. DISTRIBUCION UNIFORME reduce a (I ).106. 4.con < 2). (b) P(Xz > r2). Si se seleccionan 13 cartas aleatoriamente (sin remplazamiento) de una baraja de 62 cartas. sean del oriente. hallar la probabilidad de que (o) 10.109. blancas.Hallar(al P(X <1). sesgo y (b) curtosis de una di¡tribución uniforme. página 116. (c) al menos una sea roja.11E.11?.120. página 115.(b)8 sean rojas y 2 amarillas.116.122.

01.ss. (c) el á¡ea a la derecha de xl sea 0.eo.rs. Demostrar que para 1 grado de libertad la distribución ú es una distribución de Cauchy. Verificrü que (34). (b) el área a la izquierda de xi sea 0. Hallar (a) es la x. 4. 4.oo.i) 4. / una buena aprorimación para percentila (100p) de la distribución normal tipificada.? 9:?^5: suponiendo ireae'ig. los valo-res de x? y x! no son únicos' 4. (b) 19. ¡2o egtá x?ozs y (b) xizs para'r = 4. + p . Demostrar que para grandes valores de 4.136. (d) 40. lJnavariablealeatoriaXtieneunadistribuciónbet¿cono:3. = t2ul(v1* .126. Hallar los .rz.2gs para r = 150. Para una distribución chi-cuadrado con 12 grados de libertad.2\' 4.130.125. (b) 12.valores de grados de libertad I ú para los cuales el á¡ea de la cola derecha de es igual z (a) 4.' dada Por r * . si el r.rales a la derecha de xB y a la izquierda de x!.134.or.4l DISTRIBUCION BETA DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO t49 4. (b) Demostrar que si la suposición de áreae iguales en la parte (o ) no se cumple.12?.¡' 4.05. (o) llaltar x! y x? tales que el área bajo la distribución x2 correspondiente a v -.55 ! 4. v. er igual a 1.os. Resolver el Problemz 4.20 91tt: 1i Y_4_./(.13E. (ó) y (b) x.1 de la función de densidad (45'¡.123.132.zoi (. - 2). si el número de 4.cAP. la distribución ú es 0.025.05. 4. hallar x2.128.2. área combinada a la derecha de ú1 y a la izquierda de -f1 4.9:2.98.99.rzo. es una función de densidad.13?. (c) 28. Demostrar que la distribución beta tiene una moda l¡nica en DISTRIBUCION CHI-CUADBADO r: (a - l)/(a P(lX-+l = +). : 6.9¡' P(U>c)= 4. (c) P(U = cl = 0'20. 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.rúmero e. v: -f1 sea 0.50. (c ) 25. (D) P(-a= U 3 c) :0.02'5yv=20'(c)eláxea 16. ee la 0.%t con y :7.(c)eláreaaladerechadeú1 eea0. Demostrar que (a) E(xz) = DISTRIBUCION ú DE STUDENT 4.95.90. 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.gc.129.01. Hallar 4.124. hallarlaconstantec talque (a\ 0. hallar el valor de ú¡tal que (a) el área a Ia derechadeú1 seaO.. f f.donde zo hra una distribución f de Student con 15 grados de libertad.142.ti ti¡l gue (o) el área a derecha de ¡l sea 0.131. (b) F. 4.90yy:25t (b)eláreaalaizquierdade-ü1 sea0.05. Q) F.z¿i (d) F. Verificar que la integral desde u lsugerencía: Hágase a : 0 hasta e v2u). (c) P(x?< U < x2z) = 0.(b)eláreaalaizquierdadetlsea0.ol/l'.01. (d) el área a la derecha de ú1 sea 0.140. (d ) 60. Halla¡ (o) 4.141. (d) P(U 2 c) = Q.01 y ¡.ss. (c) F. Demostrar que la va¡ianza de la distribución t de Student con t.or'so'lr-.136.139.:10.g.. 250.727 si el área de la cola derecha es 0. Si una variable Utiene una distribución de Student con ¡.10'(d)el sea 0. pígirn 117. Si la variable U tiene distribución chi-puadrado P(u < x?) : 0.95. grados de libertad DISTRIBUCION x .¡. \b\ Yar (7zl -. y x! tales que (a) P(U > x?rl = 0'025. hallar el valor ie . v ) 2.133. Hallar el valor de: (a) F. (e ) 150.páSrrra 115. (e) el área entre -f1 f f1 sea 0.01.

k=1.Porevaluacióndelasseries dos del Problema (") 4.X. Demostrar el Teorema 4-10. Si X está distribuida normalmente con media g y variznza grado de libertad? Véase Problema 4.. Generalizar el Problema 4..145. página 116.153.37 demost¡ando que si buidas normalmente con media 0 grados de 4..0.. ¿tiene X2 una distribución chi-cuadrado con 1 X1.^h.. Demostrar los resultados (20) y (23). 4.150 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.e8)2ez \3 /' y dar una interpretación de probabiüdad.0. libertad respectivamente. constantes y b2 < ¿c.A) = ke-(!¡z+2bra+"v'l donde a.. Sean las variables independientes n X¡.0r.c<ts -.7ffi1. .e8¡zsa \z /' * (tlu)to. mente con varianzas h aon 4.prgradoe X¡ + . Demostrar el Teorema 4-5. Demostrarque k=l ) X* tiene distribución de Pascal 118). 4. 4. rj +n'r l¡ = ¡'oof 4. página 114. Y mnjuntamente tienen la distribución bidimensional (19).. Y tienen la función de densidad conjunta f(r. 4. DISTBIBUCION NORMAL BIDIMENSIONAL 4.154. son independientes pero no necesaria. 4.4 4. b.. página I44. de 4. Suponer que X. (véase página cada unacondistribucióngeométrica.144. É^ ¡=o .pfuinal77. prfuina 118.150.149.157. c.r. ento'nces ) Xf ti"tt" 51.. + Xn.. página 118. . Xz.. (ó) io ".146.16O. demostrardirectamentelosresulta- 4.15E.I Y T' 4.156..1 o2 .. .. ..6O.o2)a(0. Si Xr. RELACIONES ENTRE LAS DISTRIBUCIONES CHI-CUADRADO. k=l son variablee aleatoria¡ independiente¡ disürluna distribución chi-cuadrado con y libertad.' o) 4.143. 4.147. PROBLEMAS DIVERSOS 4.n.. 4. . . hallar la función de distribución de lonva¡iablesaleatoúasindependientescon di¡tribuciónchi-cuadradoypr. ¿Puede deducirse la ley de los grandes números en forma débil del teorema del límite central? JuEtificar su solución. Completar la demostración de la ecuación (8) del Problema 4. Halia¡ el valor aproximado de (t3o).162. Demosha¡ el teorema del límite central para el caso donde Xt.159..36.X. Demostrar que 2u (. Hallar la función generatriz de momentos de la di¡tribución hipergeométrica.8. Demostrar el resultado (46). Demostrar el Teorema 4-8.155. (Sugerencia: Ilaga la transformación u : 1/u).. página LL8. Demostrar que cuando v "> @ la distribución f de Student tiende a la distribución normal tipificada.. Si X. 4.14E. Verificar que estas constantes son l¿¡s dadas en (19). demostrar que e8t6n distribuidas marginal- "? y oi respectivamente.161. 4. mente tienen una distribución idéntica. (a > o' o . y varianza 1..r.

cAP. Determinar (a ) la conetante c. (b ) la velocidad media. (d) la velocidad efectiva(rme. Estudiar qué le sucede a la media ¡i (o) r = . .4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 4. y varianza de la distribución gas para loc casos (o) (b\ v2= 4. Comparar sus resultados con l¡ entrada 5.162. (b) v = 2.163.esdecirlarafzcuadradade la velocidad media al cuadrado).F' f. 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* 4.164. (c) la velocidad más probable. Estudiar qué le sucede a la varianza de l¿ distribución t 4.

.

Farte tl ESTADIST¡CA .

.

Desearíamos extraer conclusiones reapecto a los colores de 200 bolas (la población) en una urna seleccionando una muestra de 20 bolas de la urna. EJEMPLO 5. EJEMPLO 5. como en "la población de determinada ciudad es de 180 000".s y no los individuos u objetos. que se llarna la muestra.Nesinfinito. mienhgs que en el segundo caso solamente puede seleccionarse una vez. donde cada bola seleccionada se regresa luego de observar su color. La población consiste en iodos lc lanzamientos poeibles de l¿ moneda. En el Ejemplo 5. la palabra poblacíón se utiliza para denota¡ la. 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. En el primer caso un objeto determinado puede seleccionarse una y otra vez. Segundo. El-proceso de obtener muestras se llama muestreo.n: 60. mientras que si cada miembro no puede seleccionarse más de una vezwllamamuestreo sin remplazamiento. EJ EMPLO 5. el número se llama el tamaño de Ia población. En forma semejante el número en la muestra se llama el tamóño de la muestr. Desearfamos ertraer conclusiones respecto a la honradez de una moneda deüerminada al lanzarla repetidamente. EJEMPLO 5. puede llegarse a la idea de examinar solamente una parte pequeña de esta población. En este caso los tornillos producidos durante la ¡emana conforman la población.2. la palabra población no tiene necesariamente el mismo significado como en el lenguaje común.S. 1 . tenemos la alternativa de colocarlo o no en la uma antes de una segunda extracción. INFERENCIA ESTADISTICA Con frecuencia en la pÉctica estamos interesados en extraer conclusiones válidas respecto a un grupo grande de individuos u objetos. Tercero. Deben nota¡se varias cosas. denotada pot n. MUESTREO CON.Capítulo 5 Teorío de muestreo POBLACION Y MUESTRAS.4 podemos hablar de Ia población de todos los 200 colores en la urna (algunos de los cuales pueden ser iguales).c. Primero. la población puede ser finita o infinita. N : L2 000.s observaciones o medida. El muesbeo donde cada miembro de una población puede seleccionarre más de una vez se llama muestreo con rempla.1.3. llamado la población. generalmente finito. Esto se hace con el propósito de inferir cieitos hechos respecto de la población de los resultados hallados en la muestra. Se podría obtener una muestra al examinar. por ejemplo.4. 155 .Y SIN REMPLAZAMIENT\O Si extraemos un objeto de una urna. En cambio de examinar un grupo entero. loa primeros 60 lanzamientos de la moneda y notar los porcentqiea de caras y sellos. un proceso conocido como inferencia estodística. zamiento. n = 100 mientras que enelEjemplo S.1 podemos hablar de la población de 12 000 estaturas (o pesos) en tanto que en el Ejemplo 5. en tanto que los 120 tornillos escogidos constituyen la muesha. Así en el Ejemplo 5. Desearíamos extraer conch¡siones respecto al porcentaje de tornillo¡ defectuosos producidosen una fábrica durante una semana de 6 dfas examinando 20 tornillog diariamente producidos en tiempos diferentes du¡anté el día.lo cual puede resultar difícil o imposible. comítnmente denotado por N.

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

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

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

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

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

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 .Si.22.24. se Debido al Teorema 5-6 la variable en (20\ ción de este teorema véase Problema 5. En cambio. UtilizAndo la misma idea po es más buci ¿" diferencias de varianzas. Para una demostra- CASO DONDE LA VARIANZA POBLACIONAL SE DESCONOCE En los Teoremas 5-4 y 5-5 hallamos que.cAP. 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. que ? tiene una distribución de Student con n Teorema demuestra en el Problema 5. 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. podemos considera¡ él estadísü próxima a 1 indicaría una pequeña pequeña indicaría una gr¿rn áiierencia mientras que una relación diferencia. 5l TEORIA DEMUESTREO 161 DISTRIBUCION MUESTRAI. pagjna 117.1 grados de libertad. 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. 5-7: DISTRIBUCION MUESTRAL DE RELACIONES DE VARIANZAS En la página 159 indicamos cómo pueden obtenerse distribuciones muestrales de diferencias.la variable tipificada Z= X-¡t "/yñ. Puesto que no tenemos que conocer la varianza poblacional con frecuencia nos referimos al anterior tipo de muestreo como la teoría de pequeñas muestras o teoría de muestreo exacto. En (2I ) hemos supuesto lógicamente que se conoce la varianza poblacional o2 . en muesa la particular diferencias de medias. resulta ir¡ ande o e un bien complicada. S/\n X-t' slltn'- (22) r ü Podemos entonces demostra¡ utilizando el Teorema 4-6. en tanto que es normal asintóticamente si la población no es normal dado que n >: 30. Si.grados'de libertad. - 1. En cambio de hallar la distribución muestral de S' ó S' es conveniente hallar la distribución muestral de la variable aleatoria relacionada nS! . Sin embargo. denota con frecuetlcia por ¡2.i2 o2 (20) o- La distribución de esta variable aleatoria se describe en el'teorema siguiente. (21) está normalmente distribuida si la población de donde se toma¡on Ias muestras de tamaño n está normalmente distribuida. . Una posibilidad es estimar la varianzá poblacional utilizando una o más varianzas muestrales y luego colocar la corespondiente^ desviación típica en (21). Es natural preguntar qué sucedería si no conocemos la varianza poblacional. Establecemos esto en el teorema siguiente. Teorema 5-6: Si se toman ríuestras aleatorias de tamaño n de una población que tiene una distribución normal entonces la variable de muestreo (20\ tiene una distribución chi-cuadrado conn - 1 grados de libertad.

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

5 y 62.5 y 60. se ¡nuestqan en la tabla anterior. etc. Tabla 5-2 ESTATURAS DE 1OO ESTUDIANTES DE LA UNIVERSIDAD XYZ o H o 10 (pulgadas) fir) Estatnra i Número -f. Por esta razón es útil organízar o agrupar los dofos. 5l TEORIA DE iúUESTREO 163 definiciones son análogas a esas dadas para poblaciones en el Capítulo 3.5 pulgadas mientras que unaregistrada como 62 pulgadas realmente está entre 61. 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.-r-l correspondientes a esta clase Ia correspondiente frecuencia de clase es 5. podríamos haber registrado el intervaIo de clase como 59.l .5-59. 5-1. denotado por c¡r que comúnmente es el mismo para todas las clases (en cuyo caso se denota por c).5-62. se llama marca de clase. Puesto que 5 estudiantes tienen estáturas casoc:62. Es interesante observar que Ia gráfica parece indicar que la muestra se extrajo de una población de alturas normalmente distribuida.Por e¡emplo. denominada la frecuencia de clase. 60-62 es 61. o al menos sus medias y desviaciones típicas (errores típicos).5 y 62. que puede tomarse como representativo de la clase. o por un polígono de frecuencios uniendo los puntos medios de los techos del histograma. inciicadas por 6G-62.5--65. la frecuencia relativa o porcentual correspondiente a la clase 63-56 es 18/100 ó 18'i. EI punto medio del intervalo de clase.5 se conocen como límites reqles de clsse. Io que se llama uninterualo de clase. La suma de ias áreas es 1 ó l-00'. como se muestra sombreado en la Fig. Si en la Tabla 5-2 registramos la frecuencia relativa o porcentual en cambio del número de . 5-1 ercepto que el eje vertical es frecuencia relativa en cambio de frecuencia. El ancho del intervalo de clase 7-ésimo. DISTRIBUCIONES DE FRECUENCIA RELATIVA Y OJIVAS estudiantes err cada clase. Ya que una estatura registrada tromo 60 pulgadas realmente está entre 59. La ordenación resultante. etc. Como ilustración suponga que una muestra consiste de las estaturas de 100 estudiantes de la univelsidad XYZ.'RECUENCTA Si una muestra (o una población) es grande. DISTRIBUCIONES DE F. Orden3mos los datos en clases o categortbs y determinamos el número de individuos que pertenecen a cada clase. se conoce como d¿süribución de frecuencia o tablade frecuencia.5.5-62. consiste de estaturas desde 60 hasta 62 pulgadas.) de tro estudiantes É tr-r (::i t'. desviación típica. Algunos de estos. EI siguiente intervalo de clase sería entonces 62. el resultado sería una distribucíón de frecuenciarelatiua oporcentual. En el intervalo de clase 59.. El histograma correspondiente es entonces semejante al de la Fig. .'J ir z 61 64 6t- l0 ?3 76 (pulgadas) Estatura (p [:ig. conjuntamente con los dados. Tabla 5-2. por ejemplo. es Ia diferencia entre el límite real superior e inferior. puecen enct-¡ntrarse con frecuencia.cAP. En este La primera clase o categoría. es difícil observar las diferentes características o computal estadísticos tales como la media. Distribuciones muestrales para estos estadísticos.5.5 los números 59.5:3.5 pulgadas.:) riri {l¡ ¡ lii 12 o ilr -71 27 8 .

. = I/ Tabla 5-3 Frecuencia de clase Marca 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.1 n.¡r analogía podemos asocia¡ con cualquier distribución de frecuencia una distribución de frecuencia acumulada. Lasfórmulas (27) (28) . fr I /:* "'-l. fz números iguales a xr. 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. pagina 76. 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. s tll f¡ números iguales ? rp. o distribución de frecuencia relatiua acumulada. Véase Problema 5. números iguales d media está dada por xt..r _ 1 lt-_+-[291:-'' _l/1. pagina 78. corresponde a probabilidades empíricas. (2Ir) Análogamente la varianza está dada por (25) IL Nótese Ia analogía de (24) y (25) con los resultados (2).L64 TEORIA DE MUESTREO lcAP. cuyas representaciones gráficas asociadas se conocen como ojiuas u ojiuas porcentuales respectivamente. podemos considerar a las distribuciones de frecuencia relativa como distribuciones de probabilidad empírica. y (13). Ya que las frecuencias relativas pueden considerarse como probabilidades empíricas (véase página 6).l : . fk Puesto que hay f. Se conocen como métodos claves y emplean la r a un entero correspondiente u dada por 'r"- = a+cu au (26\ donde claves para la media y Ia varianza están dadas por c es una marca de clase escogida ¿Lrbitrariamente que corresponde : 0.3u. VARIANZA Y MOMENTOS PARA DATOS AGRUPADOS Podemos representar una distribución de frecuencia como en la Tabla 5-3 dando cada ma¡ca de clase y la correspondiente frecuencia de clase.fl lt f.. l3 . La frecuencia total es n. COMPUTO DE LA MEDIA. es decir ¡¡ .

.gWiMí + 2M'r3) lnt = cl(xIi. 5l TEORIA DE MUESTREO 165 y al origen respectivamente están dados por ¡'rt . Pero 'rrr : >("j)l lln = /tlr = n¿z )'/[(a + c¿r) -.1. r !11 0. 6. l¿ I' .ll ---- 30 Lr. el error típico de medias. It. (a) r o2 = 12___i_E_l_e_ll J :l --. (30) Las dos clases de momentos están relacionados por ?ll1 Q tnz -: 1n:. 8.gM'r") (32) etc. '1 9 + 0 c + 41'21 - 10. Considerar todas las muestras posibles de tamaño dos que puedan extraerse con remplazamiento de esta población.tt¿'i2 ntlt . pueden hallarse Probletna.cAP. (c) la media de la distribución muestral de medias.r 11.29..U (b) .i7-- xIi- f /¿¿' n entonces las relaciones (3f ) también son válidas para las M. . /l¿¿ tni (s 1) etc.utiui+ 6It[i'M3 . la curtosis.(ir. ((i _1 (8. Si escribimos il. Una población se compone de los cinco números 2. etc. (b) la desviación típica de la población. : t: hl . Itt Fórmulas semejantes existen p¿üa momentos superiores. es decir.Snt\mí + 2tn. (d) la desviación típica de la distribución muestral de medias. Halla¡ (a) la media de Ia población.\3 t)t1 mimit+ün\2ntí-Bn{ra f.8 y o = 8.s resueltos DTSTRIBUCION MUESTRAL DE MEDIAS 5. Lógicamente la segunda ecuación de (32) es igual a la (28). _ l(.^.-'(i)r ¡) ri 5b *rt-f. Así los momentos r con respecto a la media rl n (2e) . para muestras.(tr l cr- de tal modo que obtenemos de (3I ) las fórmulas claves 0 = c2(XIi-M'l) l1tt = cj(Mi.fi l-''' n * f rt'i' 4JÁ s f. 3. 11. De una manera semejante otros estadísticos como el sesgo..

?. ) "l .8).puestoqueel segundo miembro es 10. 5.0. 4.5 I.2.5 (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+ 5.1 para el caso de muestreo sin remplazamiento.0 es 8.40 = 2'32 Esto pone de manifiesto el hecho de que para poblaciones finitas en las que se efectúa muestreo con remplazamiento (o poblaciones infinitas). 11).o2/ N .5 5.0 (2.5 1 4. Lo mismo que en el Problema 5. de acuerdo con el valor anterior. 4 135 : -.r ) 4.1-¡ .2\ Esto pone de manifiestrque '' . de la distribución muestral de medias x es 6.3).f.8) (6.40 de modo que o. nuesto que segundo -:^-L-^ "" (. 7.3) 111. 6. se considera la misma que (8.5 ¿" (l 8.05.0 y la media de la distribución muestral de medias . 2) (8.O."2*= o2/r. 3) (3. 5.0r 6. que es el valor obtenido anteriormente."\.11) (8.6.to oue el sesundo miembro ^^ . 3) (2.. Para una demostración general véase Problema 5.. + (9. rj). (6. (d) I'a varianza o{. ¡r: 6 y o2 :10.6) (6.5 7.D 6.8) \3. Estas so r (2.3). 11) La selección (2. éstas son (2. or".8) (11.\ N _irl.47.0¡:: -f -' .6. (3.8/2 = 5.0 4.0 : itO + 6.U t< (. _Í ) . + l:1.5 + 4.0 otr 3. 5.40.8. Para una demostración general de este resultado véase hoblema I .0 7. de la distribución muestral de medias se obtiene restando el valor de la media 6 de c¿da número de (1 ).1.2) (6. 4.0).166 TEORIA DE MUESTREO lcAP.1¡ muestras (2. elevando al cuadrado cada diferencia.0 9.5 6.11) 4.b - 6.2). o: 3.2t (3.0 -i. 11).5 .5 = 6.01. (8..5.5.2) 12.5. sumando los 25 números así obtenidos y dividiendo por 25.29.0. 7.8) (8. l'I1!11-q9-"'-lgl-99'":'I9't3ls 25 comprobándose que ) 150 tt - o'' t{' -.0)2 = 4. (3. ll )..0 O. (2.0 poniendo de manifiesto el hecho de que tÍ - (d) La varianza.0 -('25-10 - c.05 Y ox r. (c) Hay iC-. y la media de la distribución muestral de medias es 9.0 8.5 11. El resultado final es .5 + 10 /r.6) (tt. (o) y (ó) como en el Problema 5. ¡'. por ejemplo.!lr_115.-.0 + 7. 10'8/5 . (6.0.2.0 5. 5.8) Las correspondientes medias muestrales son 2.r' = 16.8.5 + 9.11) (6..5 9.11) (1r. 7.6).2) (11.5. Para una demostración general véase Problema 5.11) (3. 6) (8. Las correspondientes medias muestrales son 2. (2.5 7.6) \2. 8). 6) (3. de tamaño dos que pueden extraerse sin remplazamiento (esto significa que se extraerá un número y después otro número diferente del primero) de la población.5..3) (6. 8).0 6. (3.0 5.* .* 2.4. 8. 3) (rl.

puesto que el número de muestras es grande. Así se tiene.0 y z : O.5) : O.6 (68.(área a la izquierda de z : -2. \a) p*.4772 + 0.0038 -2 A7 Entonces el nhmero de mueshas esperado es : (80)(0.8 y 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.5l TEORIA DE MUESTREO r67 5. cabría esperar que la distribución muestral experimental de medias se distribuya aproximadamente normal con media 68.67 0.6 pulgadas.0)/0.8 .8 y 68. pulgadas.25 -1 que es ligeramente menor que 0.6682) ó 59.4 - 68.3 . habría mucha aproximación entre las dos disbibuciones muestrales.02 onzas. De aquí que con 80 no se obtenga realmente una distribución muestral de medias.0)/0. 5-3 5.5 Proporción de muestras con medias entre 66.67 Proporción de muestras con medias menores de 66. por tanto.3 La media X de una muestra en unidades tipificadas viene dada por Z X-p* aX X-68. sino solamente una distribución muestral experimenú¿1. para todo propósito práctico.6 pulgadas 3000 3000 (b) p* = p - 68.6 : -2.5 - 0.4. que son muchas más de 80. pues. cojinetes de bolas tienen un peso medio de 5. ¿cuál será la media y'la desviación típica esperada de la distribución muestral de medias resultante si el muestreo se hizo (o) con remplazamiento. Fig.4 pulgadas .3 pulg.02 onzas y una desviación típica de 0.4 pulgadas? ¿En cuántas muestras del Problema 5. 5.02 ? .0 pulgadas y desviación típica 0. (b) menor de 66.4962 : -2.68.5\ :(áreaentree:-2yz:O) * (área entre z : O y z : 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.6687 Entonces el número de muestras esperado es (80)(0.4 en unidades tipificadas: (66. Quinientos onzas. : (área bajo la curva normal entre z : -2.30 onzas.6 : -2.5.0 pulgadas y Yox=- ox = o=3 \/n {zs = 0.67) : : (área a la izquierda de z : 0) y z : O) . Sin embargo. (b) de más de 510 Pa¡a La distribución muestral de medias ox- o yn !* = p = N-n N-1 5.68. la media y desviación típica esperadas serán muy próximas a las de la distribución teórica. (b) 66. 0.304 o cero.0098): 0. Si se toman 80 muestras de 25 estudiantes cada una.3.3 cabría esperar una media (o) entre 66.8 en unidades tipificadas 68.3 en unidades tipificadas : : (66.0 0.0 pulgadas y dewiación típica 3.6 (o) 66.(área entre z : 0. Así.0 : 0.0pulgadas o vn N-n _3 N-1 \/% .30 500 /ioo 500-1 - 100 0. considerarse la misma que en el muestreo con remplazamiento.6 pulgadas y puede. Por ello.0 pulgadas. = tL = 68.0)/0.1915 : 0. Supóngase que las estaturas de 3000 estudiantes de una universidad se distribuyen normalmente con media 68.cAP.

(área entre z : O y z = 2. son variables aleatorias que tienen la misma distribución que la población..8. Se 1-2O. tenemos l¿-12 E(X¡) = * Entonces ya que la media muestral se define como -Y='' x. Hallar la probabilidad de que en 120lanzanientos de una moneda el número de ca¡as (o) esté comprendido entre el 40% y el60%. 6 72.0015 : (área a la derecha de z Así.t - . y 6Ol/" de l2O.O27 : 2. . mediante la aproxlmación normal a la binomial.5-5 5.E6)) = L(rr\ = t! 6.5 y 72.5.) - . solamente se darán 3 casos cada 2000 de obtener una muestra de 100 cojinetes con un peso total superior a 510 onzas. página 158. la cual tiene media ¡1. En esta población la probabilidad de cara es p : I12 y la probabilidad de sello es C :1P : l12.4985: 0.+ "' + -' Entonces puesto que X¡. Se procede como en el Capítulo 4.5-4 (ó) El peso total excederá de 510 onzas si el peso medio de los 100 cpjinetes sobrepasa las 5.0.ruo2. 3-7 " x..00 onzas.5 . F'ie. tenemos por los Teoremas 3-5 y Var (X) -f vu..7 4) (áre^ entte z : -2.00 en unidades Probabilidad pedida tipificadas : (5.96 Probabilidad pedida : 2. se pide Ia probabilidad de que el número de caras se encuentre entre 47.10 onzas. X2.216-1 (área entre z : : 222 -074 Fie.7 4 : -2.. Se consideran los 120 lanzamientos de la moneda como una muestra da la población infinita de todos los posibles lanzamientos de la moneda.5 se encuentra entre 4. '1-. (a) ' pide ra probabilidad de que el número de caras en los 12Q lanzamientos se encuentre ent¡e 4O(/o de 6 48. Tenemos .02)lO. DISTRIBUCION MUESTRAL DE PROPORCIONES 5.10 en unidades tipificadas: (5.O2\10..(. X.10 .5.+-\1L tenemos como se requiere l E(X) = ]lEtX. Demostrar el Teorema 5-1.7 4 y z : O) = 0.027 5...22 : --0.22 y z : O\ .0.+"'") =. (b) sea 5/8 o más del número de lanzamientos. Puesto que X1. página 158.pues. son ina"p"nl'i"nt".96) :0.96 en unidades tipificadas: (4. 4.7.168 (o TEORIA DE MUESTREO lcAP. Puesto que el número de caras es una variable discreta.96\ (área a la derecha de z:0) .(área entre z : -4.96 ) El peso total se éncontra¡á entre 496 y 500 onzas si la media de los 100 cojinetes y 5.2704 : 0.48(i8 . Demostrar el Teorema 5-2. (x1) r rI (x..ttr rr"rr"n Var uuri^X.00 - 5.O27 : -2.02)lO.6.22 y z : -0. 5.96 5.

Cada persona de un grupo de 500 lanza una moneda 120 veces.0456 40Vo enunidades tipificadas 60o1c -2.48 .5 en unidades tipificadas = 72.00417) en unidades tipificadas Probabilidad pedida .28 : : : Otro método.74% de ellas con porcentaje de ca¡as entte AOVI y el .117 l1 a 0.fn ficadas son.00417) y (0.I9 : -2.40 0.28) 2(área errtre z : O y z : 2.np = rzo(!) = oo o= 47 \/"pq 47. Adviértase que (0.5 .6250 - 0. las proporciones pedidas en unidades tip! 0.0456 = 2.5 . (o) En el apartado (o) del Problema 5.6250. 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.48 Probai¡ .0040 -_ 0'6250 5.19 : 2(0.4960 : 0.60 + 0. - 0.00.t9 yz : 2.0'60 = 2.40 72.0456 (0. no concuerda exactamente.65) : 0.60+0. = 2.8.28 que concuerda con lo obtenido por el primer método.s los posiblea l¿nzamientos de una moneda.50 = _2. Aquí se consideran S00muestras. puesto que L1240: 0.5/120 y (b) Empleando el segundo método de (o) se tiene. que 0'00417 0. de 0. i:abe esperar el encontrar un97.0.cAP. ¿En cuántos individuos cabe esperar que (o) el númoro de caras se encuentre entre eI 40% y el 60% desuslanzamientos.I9 en unidades tipificadx: ffip z sí la probabilidad pedida es el área bajo la curva normal entre 0.50 0.(áreaentre z : 0 y z : 2. = . puesto que no se ha utilizado el hecho de que la proporción es realmente una r¡ariable discreta.9.uo ".=1p= ^FY = 120 = 0. 0.5 5.60.0041 7.0041?-0.28y2:2.idad pedida = 2.86 : (área bajo la curya normal a la derecha de z : 2. Teniendo esto en cuenta se resta 11 Z" = Al¡.28) 2(O.28 _ y 0.60 5.65\ : (área a la derecha de z : 0) . (área bajo la curva normal entrez=-2.0r56 - 0.5 en unidades tipificadas = - 60 72.977 4 ttp=P:i=o.1.00417) corresponden a las proporciones 47. Así pues.4857) : Aunquees:cresultadotiene dos cifras significativas. de la población infinita de todo. (b) 518 o más de sus lanzamientos resulten cara? Este problema está estrechamente ligado al Problema 5.51720 del primer método.40 y se Buma .971.4887 ) : O. puesto que 5/8: - 0.detamaño 120 cada una.

.50 + 0. se tiene (o.oo125)enunidadestipificadas=W=|.10.25 hobabilidad pedida : (área bajo la cu¡va normal a la derecha de z : I.489 : 1I individuos cabe esper:ü que su número de caras no se encuentre entre el 4O% y el 6O% de los lanzamientos. (b) 1000 individuos elegidos aI azarde entre la población votante se hubiese obtenido una mayoría de votos para dicho candidato. (2()'o de 400) = 3 Entonces 11.02 (o) y oP=tE= : 1/ 0.18) 0. pero ésta.57L4 Si no se hubiese aplicado la corrección.a es .0352 L12n: ll40O: 0. método del apartado (o).5/200 = 0. una mayoría se obtendría en la muestra si la proporción en favor del candidato fuese 0.p = :p = 0. Se ha encontrado que el 2% de las piezas producidas por cierta máquina son defectuosas.5000 + 0. (b) Razonando como en (o). Es interesante advertir que en 500 .5025 Probabilidad pedida : . se concluye que en (500X0.5025 en unidades tipificadas : (0.1131 .26): 0.0. (a) Puesüo que I.5025. Los resultados de una elección demostraron que un cierto candidato obtuvo el 46% de los votos.11. ¿Cuál es la probabilidad de que en una partida de 400 piezas sean defectuosa. ó 489 muestras con esta propiedad.8 : - 1. Tales individuos pueden razonablemente sospechar que sus monedas no están bien hechas aunque sí lo estén.25 y como antes la probabilidad pedida (b) {0.21 (área bajo la curva nonnal a la derecha de z : l.7 4% de 500. (Esta proporción puede también obtenerse dándose cuenta que 101 o más indica mayoría. Otro méüodo.0025 : 0. En concepto continuo.5000 - 0.18 Probabilidad pedida : : (área bajo la curra normal a La izguierda de z 0.3869 :0.0714 se : O.5 o más.-' 0.0'02 -: 0. En ó00 muestras se puede esperar 97 . sería 100. 0. : 2 personas se esperará que los 5/8 o más 5. p0. (b) 2% o menos? PP'=P=0.5 y'1+oo)1onz)¡rsg : 2. 1/800 0.5 y así la proporción sería 100..0040) de sus lanzamientos sean caras.5 6OVo.00125) en unidades tipificadas 0'02 r 010q1?5 . como variable continua.5000. Determinar la probabilidad de que de (a) 200.00125.o3_o.5 en unidades tipificadas : " : {"w : (11. (3% de 400 ) : 12 piezas defectuosas.={-= .1056. También puede utilizarse el aegundo 5.2t) : 0.46)/0. Este tipo de error es un rresgo que se presenta siempre que se trata con probabilidades. L/2tt.02 I 0.0362: 1.007 Mediante la corrección para variables discretas.1056 Si no se hubiese aplicado la conección se hubiese obtenido 0.8)12. 12 o más significa 11.98) v = 400 _ 0.170 TEORIA DE MUESTREO lcAP.0764.14 = 20 0. hubiese obtenido 0.) Entonces.0025.s (o) 3% o más.4G y ".02(0.5025 o más. Se sigue que en 489 individuos se esperaría que su número de caras se encontras€ entre eI 4O% y el 6O%.

13.. = FLrt = 4Lrr.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.-(e) ou". rnientras que las de otro fabricante B tienen una duración media de 1200 horas con una desviación típica de 100 horas.5025 en unidades tipificadas = ff*s : 0.]ESTRALES DE DIFERENCIAS Y SUMAS 5.7 g ._u".. (f.) nu. ¿cuál es la probabilidad de que las bombillas deA tengan una du¡ación media que sea al menos (a) 160 horas.0036 = 2.69 Probabiliüd pedida : (área bajo la curva normal a la derech¿ de z = 2.ia de 1400 horas con una desviación típica de 2OO horas. ou.46@Ba)/1000= 0._ri. sacado de (o) esto concuerda con el resultado general FLtr_uz= y (b).iu. -3)2 + (3-3)2 + (4-3'¡z b L7 3 Eeto concuerda con el reeulüado general para muestras independient"" ou.12.q/n = y'd. 6 r¿. Las bombillas eléctricas de ün fabricante á tienen una duración Lned. = t/f.' ¡ecado dc 5.j ut-v2 (6-3)21(-. = (2-3)2 * (4-3)2 =l ó ou"= l. 7.. (b\ pu. = media de La ]{S*?*8) = l. (d) V @ ).. = varianza de la población I/' (3-6)2 + (7-6)2 + (8-6)z _ 33 a2u. = mediadelapoblaciónU. (t) vr._u. (b) 250 hóras más que las bombilhjde B? .4..5000 - 0.6l (b) pp TEORIA DEMUESTREO = p: 0.46.. [. o. Sea Ut la variable de los elementos de la población 3.6g) = 0..cAP.) o (e) .Ur) Fur-u.' Éiinz. Calcular (a) *u. = població n lJn = f. ofi. = varianzadelzpoblación U. 8 y U2 lavariable de los elementos de lapoblaciín2..m=!T.0158. y 0..4964 DISTRIBUCIONES MT. 14 (d. @). (o) (b) (c) Éy. (f) n'u r- u" = mrianza de la población (U 1- U 2) (1-3¡z + (5-3)2 + Oo.a demostración del resultado general se deduce del Teorema g-7 . Si se toman muestras al aza¡ de 125 bombillas de-cada fabricante..= \Ej7r-.

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.

4. cinco 4.4. 2x It 5 qA +3 | fi + 5 + 4 + 5 + 2 + 8 + 6+ 5+ 4 + 8l.5-ll (c) La representación gráfica puede indicarse como en la Fig.0 3. 5-11 o en la Fig. Hay seis 5. 5-11 es Ia más lógica para representar datos discretos.31. 5-11 y 5-12 corresponden a las Figs.4.8.23 caras. 5-12 Fig.4. 153 y 140 libras. La Fig. respectivamente. Hallar la media aritmética de los números 5. 1.4 81 .8 5. de modo que eI mismo porcentaje l8.2 52. Entonces _ )/¡ n . Nótese que las Figs. 5-12.10 N-^ EOU G' o :! ..6. 20. La Fig. 5-12 muestra el polígono de frecuencias acumuladas u ojiva de los datos y los trata como si en esencia fuesen continuos.10 y 18 individuos registran una media de pesos de 162. Hallar el peso medio de todos los estudiantes.8.6.8 18. 5.0 o o É o C t{0 6 N^^ Eou o O .3.2. dos 2 y tres 8. L48.56 ó 1.2. Método l.75.5. el porcentaje de lanzamientos en los que haya menos de 2 caras es igual aI porcentaje en las que haya menos de 1. así por ejemplo. formados por 76.(6)(5) +(2)(3) +(2)(6) + r5)(4) I (2)(2) +(3)(8) 6+21-2+5+2+3 96 20 = 4.3 + 4 + 5+ 4 + 8 1 2+ 5+ 4 20 =ñ:n'" Método 2.32.8. .aparece para todos estos valores (indicado por la línea horizontal).5.1 Número de caras Fig. VARIANZA Y MOMENTOS PARA MUESTRAS 5.4. dos 3. Cuatro grupos de estudiantes. dos 6.1 menor que 0 menor que 1 menor que 2 menor que 3 menor que 4 menor que 5 menor que 6 100 38 t82 524 811_ 975 1000 9?. CALCULO DE LA MEDIA.10 Hzo o lzo A 0123456 Número de caras 6 0123. 5-9 y 5-10 de la parte (a).5.TEORIA DE MUESTREO Nfimero de lanzamientos Nfrmero de caras (frecuencia acumulada ) 0 Porcentaje de lanzamientos (frecuencias acumuladas porcentuales) 0.3.6.5 100.2ol.

para la media aritmética.35. Entonces la desviación de.página 164.t yaque n=2f¡. xj . = a*c! )/'rr' . etc. Utilizar la fórmula clave del Problema 5. etc. por ejemplo..34. Elproblema entonces se reduce a encontrar la estatura media de 100 estudiantes. alcú" 2f¡u. 18 tienen una estatura de 64 pulgadas. -.33.o. Véase Problema 5. es decir r¡ -o:cltj óx¡: a *cu.64.35.45 pulgadas . Tabla 5-9 Estatura (pulgadas) Ma¡ca de clase (c) 61 Frecuencia (/) 5 fr 305 60-62 63-65 66-68 69--71 64 67 70 18 AO rt52 28t4 r890 584 27 8 72-7 4 ¿-)/-100 2 fr = 6745 2lr >/ - + .. La media está dada por fi _ 2f¡r¡ = = nnnn.180 sfn TEORIA DE MUESTREO lcAP.rj.45 pulgadas Los cálculos involucrados pueden conveitirse en tediosos.. Derivar la fórmula clave (27). La solución puede ordenarse como se indica en la Tabla 5-10. T abla 5-lO 5. la es La solución se indica en la Tabla 5-9. El método se denomina el método claue y debe emplearse siempre que sea posible..¡ (tambiénescrito brevementecomor =a I cui.ffiq = 6?. Adviértase que todos los estudiantes con estaturas de 60--62 pulgadas. XYZ. 63-65 pulgadas. Denótese la clave de marca j-ésima por . pígina 163. Utilizar la distribución de frecuencias de estaturas en la Tabla 5-2. pulgadas. 5. 5 = 150 libras 5. etc. para hallar tatura media de los 100 estudiantes de la Universidad. )/'(o*crr¡) = o>f. es igual al tamaño de intervalo de clase c multiplicado por algún entero u¡. )fu = l5 u = "*(?t. Técnicas breves se encuentran disponibles para disminuir el trabajo en tales casos. si 5 tienen una estatura de 61 pulgadas. se consideran como teniendo estaturasde 61.r¡ con respec[o a alguna marca de clase determinada a.)" = 67+ (i%).34 para hallar la estatura media de los 100 estudiantes de la Universidad XYZ (véase Problema 5-33). especialmente para los casos en los que los números son grandes y hay muchas clases. 67.

4200 n=)/=100 2 2f(r-ñlz= 852.5050 I¡D. [. Tabla 5. 5l TEORIA DE MUESTREO 181 5. .8025 72-74 246.6025 11.96 y "-rfzs6=1.33.37.45 lr - fr)¿ Frecuencia 5 / f(r ñ\2 60-62 63-65 66-68 69-71 -6.rlgadas.DO'O 64 67 70 73 -3.33.8.45 pr.20 .2460 8. " 2f(r-r\2 _ n 6(5 .8):¿ + 3(8 - 4.36. Como en el Problema 5.8)2 = 2QA (2_20 4.cAP. página 164. HaIIar Ia desviación típica de los pesos de los estudiantes del Problema 5.7500 100 = {dEfB = 2.45 2.45 -0. = +:q = 65'6 en unidades libras cuad¡adas o (libras)2 . : y'Gb.5025 30.6 (libras)2 : \6bS libras : 8.34 tenemos ri = a + cui y ft = a*c'" 2f. donde hemos utilizado el hecho de que las 5.31. 5.7500 f(r TL n\z 852. Entonces n20 _ 59.38.150)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. Del Problema 5.11 Estatura (pulgadas) Ma¡ca de clase 61 r r- r-r = 67. para lavarianza.55 o.4.Do 18 42 27 8 0. Derivar la fórmula clave (28). Como en el Problema 5.z - 2 f(r .39.92 pulgadas 5.9025 208.31 tenemos ú = 4.8)2 _ (b) De (o\. = a*cú' t¿ .10 libras. (o) Método 1. x: 67.36. s2 = 59.u.2025 6.r\2 n 15(162.45 4t. aír 20 Méüodo 2.20 20 2.0L25 214. Hallar (c) la varianza y (b\ la desviación típica para los números en el Problema 5.32. Hallar la desviación típica de las estaturas de los 100 estudiantes de la Universidad XYZ Véase Problema 5.a solución puede ordenarse como se indica en la Tabla 5'11.

92 pulgadas.<"? .\t 't t l = = ".40 obtenemos la Tabla 5-13.'1 \fu/J _ ú2]l 5.41.> f .1"u.-a¡z i) = "i 2 ¡ .u? -t t - C2[ /2f. Tabla 5-12 r 61 u t D fu -10 -18 0 fuz 20 18 0 64 +67 70 73 -2 -1 0 1 18 42 27 8 27 8 27 32 2 z=)/=100 5.L82 Entonces s2 TEoBTADEMUEsTREo [cAp."? -'#2 2ú2c2 r¡u. De la frltima columna tenemos ¡ como en el Problema a2 = "rfL>l!'.az¡ n \n /l = ta)'f-re? / rs Vl = Ltoo-\t*/J ^ ó'b-275 y s: 2. 2lu=75 )fqz = 97 lalEr lo-s primeros del Problema 5. + tlz) 2xt = *2 : t. Tabla 5-13 fi u f o 18 42 27 8 Íu -10 -18 0 fu2 fux fua 80 18 0 6t 64 67 70 73 -2 -1 0 1 '20 18 0 -40 -18 0 27 16 27 32 27 64 27 2 L28 2 fu+ z= )/: 100 2fu=16 2fu2:97 I/aa:33 -- 253 . : }> f . b = f.35.33. Utilizat la fórmula clave del Problema 5.40.33.'r"./¡¿)'l = ¿21¿ . + c2úz *> r. cr¡atro momentos con respecto a la media para la distribución de estatu¡as Continuando el método del Problema 5.o._ "o¡. 2 't t f. Esto nos permite halla¡ 6.u? = ¿2 ¿2 * .f ¡@. = ¿2.39 para hallar la dewiación típica de las estaturas en el Problema 5.{r.jú.- o¡. La solución puede ordenarse como se indica en ta Tabla 6:12.u.f!n'LN c2[u2 (.

(b) Hallar la media y la desviación típica de la distribución muestral de medias en (o)..5275 Entonces mB = -2.nL¡ = ca(M't.BB Mí= >fu2 n y de (32). lttt = ffi2= ffi3= 0 0. (o) Emplear dos dígitoe para numerar a cada uno de los 100 estudianües: 00. Asf los 5 estudiantes con esüaturas 60-{2 Tabl¡ 6-14 pulgadas s€ numeran 00-{4. . etc.1s)2] = ca(ML-gLI|Mi+ zM'Lz) = 2?[0. 99 (véase Tabla 5-14). cada uno de los cuales determina la estatu¡a de un eetudiante determinado. Así 51 conesponde a un estudiante con estatura 66-68 pulgadas. PROBLEMAS DIVERSOS 5. 67. En forma semejante 77. Cada Nf¡mero Estatura n(rmero de estudiantes se denomina número'muestral.3?59 5. 46.41.43.5275)3 (b) Del Problema 5. 02.97) -3(0. tenemoe 183 M] = >fu n = 0. OL. Hallar los coeficientes de (o) sesgo y (b) curtosis para la dishibución de estaturas del Problema 5.cAP.(0. 7'1. De (D) yemos que e8 menoc apuntada que la dishibución normal (que tiene un coeficiente de curtosir: 3). (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 27.88 "z1ML- 8. que tomamos como 67 pulgadas (la marca de elase).15X0. (c) Comparar los resultados de (b) con los valores teóricos.6982 . fflg = p: { (8.1b)B] = -2. etc.53 M'r') = 9[0.33. -0.4MiML+ 6M'r2ML- BMin) 81[2.9?) + z(0.3759 ffiz:s2=8.3759 qa-szrgy _ 6 al = z't+ De (o) vemos que la distribución está modetadamente sesgada a la izquierda. ffi2=s2=8. (o) DeI Problema 5.97 M. 40.15)2(0.EO notación de la página 165. (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. 27.15)41 : 199.6l Entoncee.6932 a3 Coeficiente de eesgo = a.. 46 resultan en'estatu¡as de 70..9? .33) + 6(0.15 ML=Zy = o. que tomamos como n(¡meros muestrales aleatorios. .15)(0.42. utilizando La TEORIA DE MUESTB.6275 B(0. explicando cualquier discrepancia.67 pulgadas respectivamente.41. Del primer renglón hallamos la secuencia 5I.. Entonces extraeremo8 nl¡meros muestrales de la tabl¡ de nf¡meros aleaüorios (Apéndice I). los 18 eetudiantes con estaturas 63-65 pulgadas se numeran 05-22.5275 rttt Coeficiente de cu¡tosis as=E = : 199.14 m+ Entonces = 199.^=>+=2.53-4(0.

97 24. 70 64.23. 67 67.58.25 70. 70.50 69. tt.93.99 23.87 26.70.ón dc l¡ trbl¡ de nl¡rncro¡ dcatoiio¡ h¡brfrmo¡ podido inici¡¡ en eualquier parte y escoger cualquicr patrón dctetmindo.30 58. 70. 64.50 1. 58.75 69.54 2:2.52 13.67.70.28.36 08. Esta ee una distribución mucet¡al de mediu.25 67.75 69. 61. 70 64.64. 67. 10.50 68.24. 73.67 64. 45. 60. 39 13.58 9. 07. 87 fl. 67.64.77. 67.25 67.25 Cl¡enta Í 1 u fu fu2 16 0 8 6 0 2 ñ( /t/t )#{ 6 4 A a+67. 13. 11.91. 70.50 68. 70. 64 67.50 68. 56.67 67.76) = 1.60 67. 06.33.64. 03. 56. 56. 67 70.75 66.00 67. 70.00 70. 67 64.46. 67 .6r. 70.09. 73.75 65.42. 46 2.41. T¡bh 6-ró Nf¡meros muesFale¡ Est¡twr¡ o- E¡la+ Nfrmeros muestralea extrafdo¡ rrcqrondieatcc 67. 67.f = n 30 4 ). 70 6L.fu. 67. 67. 67 70. 30. 64 67. 70 67.64.96.64. 67. 55. 64. 53.41 pulgadar . 73.00 66. 73. 73.03. 67. 67 64. 67.73. 10.28.50 67. 65.62 4. 51. Medi¡ = a*cú Derviación = o*c2fu típicr = = e - 6?.83. 05. 18 70.2L.70 70. 64 70.24 64. 70.2L 10.93 14. 20. 67. 70. 64.00 (0'75)(23\ = * 'ñ- 67'58 Pulgadaa 2fuz />1"\' n -\ i " (0. 67.50 66'.75 67.25 69.27. 33 m.08. 67 Ír¡f¡f media 66.50 66. 90. 34. 1t.22. 19.00 64. 21. 96. 98. 67.25 64. 86 6. 64. 58 70. 67.74.25 65.70 Trbl¡ 6-16 Media muestral 64.96. 67 67. 67 70.184 TEORIA DE MUESTREO lcAP. = 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). 51.00 -4 -3 -2 -1 0 1 -4 0 -4 -6 0 0 4 / 28 45 16 23 d D .70 medi¡ 67. 67. 21.75 68. 68. 6? 15. 15. 73 67.'7L.50 65.64 73. 67. 67.50 79.91.64.79. 6L. 3 14 16 4 I l. 70 73.0L.25 69. 67.6L.64.82. 67.57. 63.00 68.25 66. L¡ medi¡ y la derviación tfpica ee obtienen como es usual por los métodos claves delcrito¡ anterbrmeuüe.97.73 67.8s 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. 40.44.00 extnfdo¡ Estatr¡¡as corespondientec 64. 67 23. 42.25 68. 12 3.73 73.98. 64. 93.02.79 70. 31. 64.70 7. 67. 59.54. ?1.50 68. 43 1f. 19.25 69. 16. 67. 73 67.08 12.70.31. g8 25. 45. 67.04.93 5. 76. 07. 70. l.25 68. 75.91.5 Por eete proceso obtencmo¡ l¡ T¡blr Fló quc rnue¡tra lo¡ n(¡mcro¡ mue¡trale¡ extrafdor. 67 70.74. 70. 67.32 8. 81. 67 29. L2. 73.70.84 64. 64.00 67. 67. 67.93 27.69.00 66.25 67.

0228.0 lb ( lr) \/2" + = 0.5l (c TEORIA DE MUESTREO 185 ) es t a media teórica de la distribución muestral de medias. 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) .0 libras y desviación típica 0.". Puesto que o/t6':2.0.10. De la Tabla 5-1.44 tendrían dewiaciones típicas (o) mayores que 11. (a) : 11..0 libras.45.0082. Entonces la probabilidad de que las primeras 4 sean rnayores que ü y las 2 últimas 6ean menores que u es decir - nc.4772) = 0.?d L -r.0y0.' ¡p¡ a*)"lJ'"-r.8 .g2/fi = 1.t J. por tanto el porcentaje pedido es 2. estamos de acuerdo con el valor de 1. Hallar (c) la media y (b) la dewiación típica de la distribución muestral de las dewiaciones típicas. La desviación típica de los pesos de una población muy grande de estudiantes es de 10.8libras? La distribución mueetral de desviaciones típicas es aproximadamente normal con media 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. esto es Q\ (r) f" sean .0 .4.58 pulgadas de la parte (b). . Podemos considera¡ que el muestreo es o de una población infinita o con remplazamiento de una población finita.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.r.45 pulgadas (vóase hoblema 5.t.44. es igual a o/y'[.41 pulgadas de la parte (b).33). El área bajo la curva normal a la izquierda z : -2. /(r) tr.46.0 libra¡ en unidades típicas: (11. Í:-lÍ.50Ib v400 5.8 libras en unidades típicas : (8.a la media poblacional ¡r que 67. Una muestra de Por 6 observaciones se hace aleatoriamente de una población.5 . de acuerdo.92 pulgadas (véase hoblema 6.) ps: o = ts=-' o 10.5 . 5.50 libras.f 'LJ" f t@ta*l'/t.46 pulgadas.r .1 aJ. dada por a¡. ) ea el producto de (1 ) y (2).50 : 2.40) y el tamaño de la muestra n : 4.0 es (0.50 : -2.0. ¡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 €. tenemos: ( ¿[. Se escogen muestras de 200 estudiantes de esta población y se calculan las dewiaciones típicas de las estaturas de cada muestra.. El área bajo la curva normal a la derecha de z 2.3'/'. (b) menores que 8. dada por o*.a a.) au .0 libras.4 es (0. Las discrepancias se deben a que solamente 30 muestras fueron seleccionadae y el tamaño de la muestra fue pequeño.cAP.8%. donde la dewiación típica poblacional o = 2. ¿Qué porcentaje de las muestras del Problema 6.4918) : 0. pfuina 162. de (b) 8. por tanto el porcentaje pedido ec 0. La desviación típica teórica (error típico) de la distribución muestral de medias.0)/0. es ig¡ual..10.0.l' ra. 5.con el valor de 67.

: lt# \=y a¡) v dondelyzvaríande1aN. xj= prob. Un procedimiento de muestreo aleatorio es aquel bajo el cual cada selección de n de un total de N c tiene h misna probabilidad (es decir LlttC").. donde las c no son neceesriamente di¡tintas.a probabilüad no depende de la dist¡ibución de probabilidad f(r). (or-r)(o'-r) - 1) términos. 5. Este es un ejemplo del eat¿dístico no parométrico puesto que no ae necesita oonocer ningún ¡rarámetro poblacional.186 Para evalua¡ esta erpreeión hacemos (5) TEORIA DE MUESTREO lcAP..la distribución conjunta de X1 y P(Xr= a¡. Suponer que la población con¡i¡üe del conjunto de números {dt.. .: I ) a¡P(X¡ . : !l_ .-p) .*(or-p)12 . x2 una población finita de tamaño N. Entoncee."0 = X. Por tanto convierte en F(B) cus t1 (' Jo f(4) ¿z(t-¿)titp = 4=6-a = G I que es la probabilidad pedida.o . Es intere¡ant¿ notar que l. que correqronden a todas las parejas poN N ) = I=1 ("^-t'\2 +.s.r" o' Entonces (6) d.47.pXxr NN = +("+)^á.Xyl ). Demostrar que si la media y varianza poblacional son ¡J y o2 entonces (a) E(Xi) = ¡r. donde la (rltim¿ suma contiene un total de N(N sibles de l. I X¡= a¡) au I = *4. por álgebra elemental.).* = tN P EIX:. (b) Cov (X¡. . l+v:l _ ("^-pl(o.n) X¡ Sin embargo. t(or-¡.)I(oz-p)+'.. y z deaiguale.a¡) = p)l ¡J. l/N l/N (i = 1... . N (o) (b) Qov E(xi\ (X¡. u r-o = !"'nO* (4 ) se Cuando u : - u : 1 y cuando u =- = 0. oN}. no son mutua¡nente independientes. cuando está dada por i*h. En verdad.f(u)itu @. prob. ez. X¡= ar) = P(X¡: a^) P(X¡ = a. Sea xn} una muestra aleatoria de tamaño n extraída sin remplazamiento de {xr.5 1.2. Eato quiere decir que las XJ eetán dishibuidas idénticamente.X): -"21(N -L).

e 22.f x"\ D p (.( rr-:--r l(-. 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.50. obtenemos var(x) = Sv^.39 onzas. g (o¡ - p)(o.á var(X¡) * . (c) la media de la digtribución mueshal de medias. (c) sean menor de 22.62. adecu¡das.48. remplirzamiento. ¿en cuántae de lag mue¡tras aleatoria¡ cabe ecperar que sus medias (a) ertén enl'l. Hallar (o ) la media poblacional.40 onzas y dearriación tfpica 0.N-1J '¿\N-1/ Problern DISTRIBUCION MUESTRAL DE MEDIAS a." +a¡v = a N 02..N\N-rl' 't/ 5.37 onzaa.51. Demostrar que (c) la media y (b) la varianza de la media muestral del Problema6.49 si el muestreo fuese sin remplazamiento. ó.¡ = .cAP.048 onza¡. Resolver el Problema 6.49.. Por tanto I+v:l Cov (X¡.4L onzas? y 22.38 o mayor de 22.(n_'. Una población est6 formada por los cuatro nfrmeros 3. Considerar toda¡ lae posibleamuestrasde tamaño dos que pueden extraers€ de esta población con remplazamiento. Si se erüraen 300 mueetras de tamaño 36 de e¡üa población. y el Problema 6-4?.. (b ) sin 6.' " ) = .6l TEORIA DE MUESTREO En esta ecuación.47 están dadas respectivamente por t*= (o) E6) = "1 =*"(x=) /X' +.LL.53. cov(x¡. Encontrar (c) v (d) directamente de (c) y (b) mediante las fórmula¡ 5. = p (b) Uüilizando loe Teoremar 3-5 y 3-16 (generalizadoe). NÉ y la primera suma en el lado derecho er igual por definición.á.N-1 ^' .p) = -Noz r \ -2 'r' X¡) = .Ét ". En el Problema 5.) = #[. el lado izquierdo e8 cero.(-r¿_ i)] = Lfr-"-rf = 4(N-"\ nl. Loa peeos de 1600 cojinetes de bolas se distribuyen normalmente con medla 22. (d) ¡ean menor de 22. (b ) la dewiación típica poblacional.(. (d) la dewiación típica de la distribución muestral de media¡.51.51 si la población 5e compone de 22 cojineter. 5.rlo s 6.x¡)] = #ú* *. (b) sean rnayor de 22. 15. . ya que por definición a1 187 -la2+'.a7 @). Resolver el Problema 5.4L .1'".Ét suplernenta.iE(x)+"'+E(x")l 1 =1 n (p -r "'+p) donde hemoe empleado el Problema 6.42 onzae.7.

¿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. Un fabricante despacha 1000 DISTRIBUCIONES MUESTRALES DE DIFERENCIAS Y ST'MAS 5.69.54 si la muestra extraída ee de 64 tubos.' ¿Cuál es la probabilidad de que dos grupos de estudiantes. 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. A y B fabticzn dos tipos de cables. (c) mayor de 820 horas. haya una diferencia superior al1^o"k en las proporciones que votaron por dicho candidato. De un total de 1000 muestras de 200 niños cada una. 5. que es de 8200 libras? DISTRTBUCION MUESTRAL DE PROPORCIONES 5. (c) más del 640/o sean niños. (b) 98 o más bombillas buenas? 5. Si normalmente el 6Vo de las bombillas es defectuoso. 6.el 4Oi'o sean niños. respectivamente.R o I en las proporciones adecuadas. (d) enhe ??0 y 830 horas. Los resultados de una elección mostraron que un cierto candidato recibió el 65% de los votos. ¿Cuál es la probabilidad de que las dos coleccionee difieran en 8 o más bolag Resolver el Problema 5. se pueden usar hojas de papel.6t.60. (c) 8 bolas rojas y 12 blancas. ¿en cuántas cabe esperar que (o) menos del 4OVo sean niños. y explic. (c ) el 63"h o más sean niñas? Resolver el Problema 5. difieran en su puntuación media en (o) 3 o más puntos. Lo mismo del Problema 5. 5. (b) menor de 785.60.6?.55.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. 5. Explica¡ la diferencia.64.54. 5. respectivamente. (c) entre 2 y 5 Una urna tiene 60 bolas rojas y 40 blancas. 5. sacadas de la urna con rempliazamiento. Los pesgs de los paquetes recibidos én un departamento de almacenamiento tienen una media de 300 libras y una desviación típica de 5O libras. ¿en cuántos lotes cabe esperar (o) menos de g0 bombillas buenas. Ciertos tubos fabricados por una compañía tienen una duración media de 800 horas y una dewiaeión típica de 60 horas. 5.6 6. ¿en cuántas cabe esperar (a) igual número de bolas rojas y blancas.nedias a larotura de 4000 y 4500 libras con desviaciones típicas de 300 y 200 libras.66 si las exüracciones son sin remplazamiento al obtener cada colección. tomada de entre ellos tenga una duración media de (a) entre 790 y 810 horas. (b ) entre el 4O% y el 60% sean niñas. rojas? 5. (b) 6 o más puntos. Si U¡ y U2 son los co¡r¡\ntos de nhmeros del Problema 5.62. llallar Ia probabilidad de que de los próximos 200 niños nacidoe (o ) menos d. (d) 10 o más bolas blancas? Dseña¡ un experimento que ponga de manifiesto los resultadoe del Problema 5. (ó) al menos 450 libras más que A? 5. formados de 28 y 36 eetudiantes.63. ¿Qué enores pueden introducirse al utilizar dos conjuntos diferentes de monedas? lotes de 100 bombillas cada uno. (b) l2 bolas rojas y 8 blancas. 5. Supónganse iguales las probabilidades de nacimientoe de niño y niña.57.59. que tienén unas registencias . En una prueba de aptitud puntos? la puntuación media de lo¡ estudiantes es de ?2 puntos y la dewiación típica de 8 puntos.66.5t. Hallar la probabilidad de que en dos muestras aleatorias compuesta cada una de 200 votantec.63 si se comprueban 100 cables de cada fabricante? Explicar las diferencias. ¿Cuáles son las probabilidades del Problema 5.188 TEORIA DE MUESTREO lcAP.65. En lugar de bolas rojas y blancas.12.56. 6. 5. sob¡e las que se escrriba la inicial . (ó ) entre el 43% y el 57% sean niñas.57 si se consideran 100 en lugar de 200 niños resultados. comprobar que .61. Se extraen dos cotecciones de 30 bolas cada una con remplazamiento y s€ anotan sus colores. Hallar la probabilidad de que una muestra aleatoria de 16 tubos.

599 600 .5 veces la otra mayor que 0.3?6 < ? 1. Explicar cómo podría utilizar el Teorema 5-7.tr*Lrr: ru. la de la segunda. (ó) P(1.05. Número de tubos L4 46 58 76 68 62 48 22 6 Solueionar el Problema 5. referencia al Problema 6.0 voltios y la dewiación tfpica 0. entie 0. (b) 7. Se pesan tres cantidades dando 20.50.699 700 .73. Si se extraen muestrae de tamaño 5 de esta población.8 o másvoltios? DISTRIBUCION MUESTRAL DE VARIANZAS 6. (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 referencia a esta tabla determinar: (¿) f 'ímite superior de la quinta clase.05 y 0. TOTAL 400 . ¿Cuál er la probabilidad de que cuatro de estas baterfas conectadae en serie tengan un voltaje conjunto de 60.2 veces.80 si las desviaciones típicas de las duraciones son (o) ambas 40 horas. Dos muestras de tamaños 4 y 8 se extraen de una población distribuida normalmente. A y B fabrican bombillas. Una población normal tiene una vari¿nza de 15. página 161. respectivamente. (b) ou1+ur = \Grtr.54 libras.54 libras con dewiacionee típicar de 0. La duración parz A tiene una desviación de 40 horas la duración de B tiene una desviación típica de 50 horas. DISTRIBUCION MUESTRAL DE RELACIONES DE VARIANZAS 5. El voltaje medio de una baterfa e¡ de 15.999 300 1000-1099 1100-1199 las 600 horas.0.72.E0.8f . Si se seleccionan 10 .49 se confi¡man utilizando (a) P(-1 < f < 1) = 0. Hallar (o ) la media y (b ) la desviación típica de la suma de las cantidades. Tabla 5-17 Duración (horas) 5.376) .899 900 . = 1. (b) el error tfpico de varianzas. (d) Límites reales de la última clase. hallar (o) Ia media de la distribución muestral de varianzas. (c) Marca de clase de la séptima clase.79. para diseñar una tabla de distribución f de Student como la dada en el Apéndice D.35.78.60.799 800 .21. (b) ambas b0 horas. (g) Flecuencia relatir¡a de la sexta clase. 5. Verificar si los resultados del Problema 5. una distribución ú de Student con r. I 6.cAP.71. (h) Porcentaje de tubos cuya duración no sobrepasa . ?s 6.70.82. 6.97 y 62.74. donde ? tiene.5I TEORIA DE IIIUESTREO ttur2 189 (a) 4. ¿qué porcentaje puede tener varianzas (a) menores que 10. (e) Tamaño del intervalo de clase. DISTRIBUCION DE FRECUENCIA 5. La Tabla 5-17 rmuestra una distribución de frecuencias de la duración de 400 tubos de radio comprobados en la L & M Tube Company.tubos aleatoriamente hallar la probabilidad de que la dewiación tfpica muestral (o) no exceda a 50 horas. ó.50. Una en tanto que muestra de 8 bombillas se toma de A y 16 de 8. (b) Límite inferior de la octava clase. Determinar la probabilidad de que la varianza de la primera muestra sea mayor que (o) dos veces. o menor que 0.49.01? Dos compañías.i se confirman por este valor y explicar cualquier diferencia. 6. (b) mayores que 20. = 5. Verificar si los resultados del Problema 5.2 voltios.01. Con 6.399 400 . De acuerdo con la tabla de distribución ú de Student para 1 grado de libertad (Apéndice D) tenemos P(-1 < 1) : 0. 6 Frecuencia de Ia cua¡ta clase.75. Reeolver el Problema 6.72 ei el muestreo es sin remplazamiento.499 500 . y Se halla que CASO DONDE SE DESCONOCE LA VARIANZA POBLACTONAL 5.77. ¿Es la probabilidad de que una ttarianza sea mayor que 1.?6. (b) se encuentre enüre 50 y 70 horas.46 y 0.48.0.

(c) una ojiva.733 0. lcAP. ó. (e) un polígono de frecuencias relativas. (h) una ojiva. Con log resultados del Problema 5.737 0.735 0. respectivamente.t4. horas.733 0. 0.96. 5.738 0.742 0.?30 y 0. (c ) un polígono de frecuencia¡ relativas. ¿Cuál es ¡u media Las calificaciones de un estudiante en las tres asignaturas del curso fueron 77. (g) una distribución acumuhdá porcentual. "de"*- Tabla 5-18 0. Estimar el porcentaje de tubos del Problema 5.732 0.736 0.83.729 0.88. 82 y 96.746 0.735 0.726 0.82. Los tiempos de reacción de un individuo a determinadoe estímulos fueron 0.95.44 los.736 0. Porcenüaje de tubos cuya duración es al menos de 500 horae pero menor de 1000 horas. (b) un polígono de frecuencias. nueve 9 y diez 10.740 0.744 0. (b) los límites reales de clase.725 0.732 pulgadas. (c) los límite¡ de clase.739 0.735 0. 5. DESVIACION TIPICA Y MOMENTOS PARA MUESTRAS 6.736 0. respectivamente.728 0.732 0.63.52. Si las marcas de clase de gna distribución de fiecuenciaa de estoe diámetros vienen dadas en pulgadas por los números 0. ee¡ie de nfimeros está formada a¡itmética ? por seis 6.738 0.732 0.88 consüruir (o) un histograma.?39 0. Para los datos del Problema 5.733 0. (c) Si las ponderaciones asignadas a cada asignatura rcn 2.727 0.740 0.732 0. (c) di¡tribución de frecuencias relativas.190 (i) (j) TEoRTA DE MUEsTREo Porcentaje de tubos cuya duración es mayor o igual a 900 horas.89. (d) una ojiva porcentual. Construir una distribución de frecuencias de los diámetros utilizando intervalos de clase 5.737 0.0.?36 pulgadas.735 0.63.E5' Para los datos del Problema 5. correspondientes a la distribución de frecuen- 5.?30 0.741 0.55 segundos.87.89 determinar el porcentaje de cojinetes de bolas que tienen diámetros (o) superiores a 0.92. Comparar estos resultados con los obtenidos directamente de la colección de datos de la Tabla á-18. ¿cuál es el promedio adecuado para sus calificaciones? (b ) ¿Cuál sería si todas las ponderaciones son iguales? 6. Una 6.46. Las calificacione¡ de un estudiante en cinco aeignaturaa fueron 85.732 0. y 0.50. (i) una ojiva porcentual. 0.746 0.743 0. 5.?38 pulgadar.74 y 82. (c) entre 0.734 0.(a) el tamaño de intervalo de clase.734 0. sue clasee . (b) 9?0 o mág Los diámetros interiores de las arandelas producidas por una compañÍa pueden medirse con aproximación de milésimas de pulgada. Tles profesore¡ de economfa regieünron una ealificación media en sus eiámenes de 79. 0. CALCULO DE LA MEDIA. ó.333 y 0.?30 0.731 0. ocho 8.321.89 para los dato¡ del hoblema 5. 4 y 6.72t 0.82 construir (o ) una distribución de frecuencias reliativas o porcentual.735 0.735 0.78 y 89.93.?36 0. La Tabla dos.128 0.729 0.82 construir (o) una distribución de frecuenci¿s acr¡muladas. Construir (a) un histograma y (á) un polígono de frecuenciae ciaa del hoblema 5.86. Resolve¡ el Problema 5.741 0.5 5.0.742 0. (b) no superioree a 0.49.737 0. hallar. 6.327.94. 0.734 0.0. 0. 5-18 niuestra los diámetros en pulgadae de una muestra de 60 cojinetes de bolas fabricados por una compañía.82 con duraciones de (o) menos de 560 horas.90.724 0.730 0.82.731 0. (f) una distribución de frecuencias acumuladas. 93.324. (b un ) histograma de frecuencias relativas.330.386.738 0.734 0.91. (b) una distribución acumulada relativa o porcentual.736 0. (c) entre 620 y 890 horas. siete 7. Deüerminar el tiempo medio de reacción del individuo a los estÍmu- 6.735 0. Con los datos del Problema 5.735 0. ?6. O.739 0.736 0.740 una 5. 0. (d) un histograma de frecuenoias relativas. Hallar la media a¡itmética de dichas calificaciones.

0.5.104.8-11. Halla¡ i 9.7.3-11. Tabla 6-19 Carga móxima Nl¡mero de cableg (toneladas cortas) 9.7271-0.0.7274-0.1273 0..6.7267 0.7279 0. . 2.2 TOTAL Í 98 75 56 42 30 21 15 11 6 compañía. 1. 5.7247-0.7. Calcular la media de los datos de la Tabla 6'22.2.2. L7. Hallar la dewiación típica de la serie de nl¡meros de la progreeión a¡iümética 4. 10' L6.6.3-10. Log salarios medios anuales pagados a hombies y mujeres de la compañía fueron $á200 y $4200. 1' 1' 5.6.262-0.2. La Tabla 6-19 muestra la distribución de las cargas máximas en toneladas cortas (1 tonelada corta : 2000 libras) que soporüan cierüos cables producidoe por una compañla.7277-0.102.7. respectivamente. . para los daüos de la Tabla 6'20 empleando (o) el "méüodo largo".7249 0. (b) el méto' do clave.7265-0.7.7264 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 0.7259-0. ó. i) 5. ¿Cómo están relacionadas las medias? (b) Multiplicandocadaunodelosnúmeros3.4.99.7282 TOTAL de de Sfmenos de 36-menos de 40-menos de 16 L2 30 36 40 45 I o 2 TOTAL 54 250 6.103. 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. 19.7 10. (o) Sumando 5 a cada uno de los nl¡meros de la serie 3. 10.4.g?.8-r2. Hallar la desviación típica de los número¡: (a) 3. (b) 3.7 . 7. 6.8-L3.3- 9.7256-0.726L 0. (c) nfimeros de los apartado¡ (o) y (b)? ¿Cuáles 8on lias relaciones entre las desviaciones típicas y las medias de las dos series? lo¡ ¿Qué propiedades de la media y de la desviación tfpica se ponen de manifiesto por lae series de 6.8.0.7253-0.6 se obtiene la s€rie 8.5.1.7268-0. TEORIA DEMUESTREO 191 y 11 estudiantes.7258 0. ' 164. 15.7 L2.7270 0. (b) el método clave.2 624 2 462 480 498 516 534 552 570 588 606 12. pero diferentes medias.98' (b) 6.9. reqrectivamente.101. (c) 0. Tabla 5-21 60 ó.7250-0. Demostrar que ¡as dos series tienen lae mismas desviaciones tfpicas. Determinar la media de la carga máxima empleando (a) el "método latgo".2.106.0.7 t2 17 l4 6 3 1 Tabla 6-2O fr 11.2.?.6.7280-0. L. 1. Determinar el porcentaje de hombres y mujeres empleados en la compañía.22. 11 .3-L2. 25 las clases. El salario medio anual pagado a todos los empleados de una compañía fue de $6000.?276 0.2 11.7252 0.4. Determinar lacalific¿ciónmediaparatoda8 5.6.99. tlalla¡ la dewiación üípica para las distribuciones del (o) hoblema 6. Calcular el diámetro medio.100. 12. .cAP.8-10.6por2ydespuéssumando6seobtienelaseriell.5l estaban formadas por 32.98.2 10.7255 0.

¿cuál es la media? 5. Hallarelcoeficientede(c)sesgo. la fracciónp son unos mient:'as que la fracción q : 1 -p son ceros. (c) nt3.L92 TEORIA DE MUESTREO lcAP.. (o) Hallar la desviación típica s de los diámetros de los remaches del Problema b. 3. (b) segundo. (b) segundo. 5.11g. (b) curtosis para la distribución del Problema 5. Hallar los momentos de (o) primero.1 .-Btnini l2m'rs. 20 22 2 AI. Lo mismo del Problema 5.li. 30 5. y comentar las diferencias observadas.r5 1. (b) asimetría? .1. (b) m.117. a la media de 5.L22. (c) tercero y (d) cuarto orden con respecto los números del Problema 5. 5'121. Con los resultados de los hoblemas 5.1o6. (t l3s)? (c) Comparar los porcettajes'de (b) lo.123.114.mt.111.111. l. Hallar (a) ntr.10. Calcular los primeros cuatro momentos con respecto a la media para la distribución de la Tabla 5-23. 1. (a) Demostrar que . 14. (b) segundo. la fracción p son unos mientras que la fracción q : 1 p son ceros. 5'112. Véase Problema 5.(b)curtosisparaladistribucióndelProblema5. @') mt y (d) ma para los números. k) ¡¡. (c) respecto al origen. Calcular los cuatro primeros momentos con respecto a la media para la distribución del Prol¡lema 5.126.127.124.. 11. 5. 5. Hallar los cuatro primeros momentos con respecto a la media de los números de la progresión aritmética 2.119.30explicandoelsignificado 5. 17. - ?n: - 1m'rm! * l}m'r2nt!.+. ¿Qué distribución está más sesgada a la izquierda? 6. y (i) (i+ rFpara 5.llE. tlallar los momentos de (o) primero. la distribución del Problema 5.120. I 4 o 10 7 5.f 07. @¡.8 respectivamente.0. 5. (D ) Derivar una fórmula análoga par^rns. Hallarloscuatroprimerosmomentosconrespectoalamediadelosnúmeros0. 5.125.722. (a) De un total de n números. (b) mz. (c) tercero y (d) cuarto orden de los números 4. (c) tercero y (d) cuarto orden respecto al punto ? para los números del Problema 5.nl_ thnirni+6ml2rn. (b) ¿eué porcentaje de diámetros se encuentra entre (r1 . comprobar las relaciones entre momentos (a) mi2.t s). si la distribución fuese normal. determinar los correspondientes momentos (o) respecto a Ia media.-2bybO. Tabla 5-23 f t2 t4 16 18 5. Comparar con el problema b. l.126 son 230y 780 respectivamente. (b) respecto al punto 5. (c) lrq .gg.g. = nt. Hallar los momentos de (a) primero. Demostrar que la desviación típica de La serie de números es fi. (t t 2s).g. 5. (l). 8.. Hallar (o) m t . (f) s.121.l F. "on 5.109.¡nz = ml- 5'115. 5.102(c). S.116.r5. 5.1 y -12. tt. t¡l F.f f O.. (b típica. (b) rr. Si loscuatroprimerosmomentosdeunaseriedenúmerosrespectoalpunto3sonigualesa-2. Los momentos de cuarto orden respecto a la media de las dos distribuciones del Problema6. 6. Hallar el coeficiente de (o) sesgo. mientras que los momentos de tercer orden con respecto a la media son -8.108 para los datos del problema 5. De un total de n números.101. Hallar (a) la media y (b) la desviación típicaparaladistribucióndelProblema de los resultados obtenidos. ¿Qué distribución se aproxima más a la distribución normal desde el punto de vista de (a) apuntamiento. (a) Hallar la media y desviación típica para los datos del problema 5. 5 5. 5.. - l}rnlstn" * 4n. teóiicos esperados.111 y 5.2_ Bm. ) Construir una distribución de frecuencias para los datos y hallar la desviación (c) Comparar el resultado de (b) con el de (a).98.111.113. Aplicar el resultado de (o) al Problema b. .5.108.1!2. Si el momento de primer orden con respecto al punto 2 es igual a 5. 5.98. Los momentos de segundo orden con respecto a la media de dos distribuciones son g y 16.0.lOO.2g.

1z+22+32+".@z-L)dz. mt = 0.115. a * 2d.131. 5. (b) sin remplazamiento..cAP.132.22.. . a * d. fSugerencia: 14+24 +34+' . Una mueetra de 8 obeervacione¡ se hace aleatoriamente de una población.1 5. La compañfa envfa 1000 lotes de 100 tubo¡ cada uno.. mz = i. página 175.129..135. En un exarnen las calificaciones fueron normalmente disüribuidas con media 72 y dewiación típica 8. 5. (a) Demostrarquelarvarianzasdelconjuntoden nfrmerol a. (b) la dewirrción tfpica de la duración exceda 96 hora¡? ¿Qué ruporicioner deben hacerse? 6. hoblema 6. (n-1)d (eadecirun¿ 6. tno = ñ(n2-l\3n2-7'td4 CompararconelProblema 5.136..al2d.133.1)a = $n(n-l)(2n-ll8n2-Bn1 ).134. Demostrar el resultado (I9).... Determinado¡ tubos producidos por una compañfa tienen una duración de 900 horar y una dewiación típica de 80 horas...aI progresión aritmética con primer término o y raz6n d) erlt6 dada por tl1-2 (n2 Dd2 .a*d.a|(n-l)dson 11 ffit = 0.104. ¿en cuántos lotes cabe eErerar que la mediana de duración exceda a 910 horaa? Comparar ¡u solución con el hoblema 5. son independientes.+(n-l\z=fn(n-Il(2n-1).129(o) y explicar ous reeultados. halla¡ la media de la distribución muestral de varianzae si el muestreo ee (o) con remplazamiento. ¿En cuántos lotee cabe esperar que (o) la duración exceda 910 horar.fsugerencio: Utilizar - l+2+3+. (b) Hallar la probabilidad de que en una muestra aleatoria de 100 eetudianües la calificación mínima del 2O% superior Eea menor que 76. ¿Cuál es la probabilidad de que lae primeras tres obgervaciones sean mayores que las'últimas cinco? ó. Demoetrar que Vt y Vz definidas en el hoblema 5.1 (b)Emplear(a)enel 6. (o) Hallar la calificación mfnim¿ del 2O% superior de los eetudianües. pfuina 160. 6.'*(n-1)=in(n-1).6l PBOBLEMAS DIVEBSOS TEORIA DE MUESTREO 193 5.129 si la medi¿na de duración es de 900 horas. Si muestras de tamaño 5 se ertraen de esta población y se calcula la varianza de cada muestra.128. Demoshar que los primeros cuatfo momentos con respecto a la media de progresión a¡itmética a. Una población de 7 números tiene una media de 40 y una desviación típica de 3.130. En el Problema 5.* (n .

se está dando una estima de punto. La distribución muestral de la media y la mediana.. Entonces. en las páginas 157 y 160 son estimadores insesgados de la media poblacional ¡r y de la varianza poblacional 02. u-¡r"* 3o" . EJEMPLO 6. Por tanto. 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.3. se está dando una estima de intervalo. ESTIMAS POR INTERVALOS DE CONFIANZA. La estima de un parámetro poblacional dada por doS números entre loJ cuales se considera que se encuentra dicho parámetro se llama estima de interualo del parámetro. U 13 t) = o2.28 pies. Véase Tabla 5-1. es decir.46% y 99.28 + 0.s.03 pies. Si las distribuciones muestrales de dos estadísticos tienen la misma media. ya que en general Z(3) + o. €l 68..ACIONALES Sean ¡rs y o" la media y la desviación típica (error tÍpico) de la distribución muestral de un estadístico S. La media X y la varianza 3' d"finid". puesto que E'(X) = u. página 162. el estadístico con la menor varianza se llama estimador eficiente de la media. ambas tienen la misma media. S realmente es un estimador sesgado de o. El valor correspondiente del estadístico se llama estima insesgada del parámetro. eonq de esttmocton : .95. respectivaménte.2.73% de las veces. Si. Si se dice que una distancia viene dada por 5. se dice que la distancia es 5. la va¡ianza de Ia distribución muestral de medias es más pequeña que la distribución muestral de medianas.que es cierto para muchos estadísticos. por la relativa facilidad con que algunas de ESTIMAS POR PUNTOS Y ESTIMAS POR INTERVALOS.l parámetro. SEGURIDAD La estima de un parámetro poblacional dada por un número se llama estima de punto de. Sin embargo. pero esto no siempre es posible. cabe esperar que el estadísticoSseencuentreenlosintervalos&s o^s8Í. Lógicamente se prefiere tener estimas que sean eficientes e insesgadas. la media poblacional' Sin embargo.27 % . utilizan estimas sesgadas o no eficientes. si el tamaño de muestra es n > 30).r--Bo. La precisión o conocimiento del error de una estima se conoce también como su seguridad.2_5 y 5.31 pies. &s-2o"EFsl%a'" ó ¡r. EJEMPLO 6. si la distribución muestral de S es aproximadamente normal (lo que se ha visto-. EJEMPLO 6. la distancia real se encuentra entre 5. DE PARAMETROS POBI. la media provee una estima más eficiente que la mediana.1. Los valo^res i y 3 z se llaman estimas insesgadas.Capítulo 6 rF I | .s*o. L94 . En la práctica se ellas pueden obtenerse. por otra parte. El valor correspondiente del estadístico eficiente se llama estima eficiente.

obtenidos en el Capítulo 5.szs y ú.27%. Más generalmente.96 1.05 2. la desviación típica poblacional o es desconoc^ida. y S -r 2.srs .58 o.r.99) para p". De los niveles de confianza se pueden obtener los coeficientes de confianza y recíprocamente.58 ox respectivamente.27%.. En general.27 %. 95. Poi estos se 99.73% para la estima de ¡rs (es decir.. Tabla 6-1 Nivel de confianza zc e9..6% del área se encuentra en cada "cola" de la distribución ü. Los números 1. t 6 . se utiliza la estima muestral S o S. INTERVALOS DE CONFIANZA PARA MEDIAS 1.27% 60% 3.1.respectivamenllama¡ a estoé intervalos los interualos de confianza del68. Por ejemplo si -t.96 o. N-1 (r) en el caso de muestreo en una población infinita o si el muestreo es con remplazamiento en una población finita y por X*2"* vn (2) finita de tamaño N. 2.00 1.68.33 2.Grandes muestras (n > 30). entonces un intervalo de confianza para ? está dado por (véase pagina 161) (N -t.45%y te.F') se hacen fácilmente modificaciones apropiadas para obtener los intervalos de confianza. son los límites de confianza del96% V 99% (ó 0.68 2. de modo que para obtener los límites de confianza anteriores.00 0. entonces los límites de confianza d'el95% y 99% para la estimación de la media poblacional ¡. Utilizando los valores de o.73% "pueden Análogamente. Si el estadístico S es la media muestral X.73% o.96. Los números extremos de estos intervalos (S i o5. El porcentaje áe confianza se"llama también nivel de confíanza. $ I 3or) son llamados los límites de confianza del 68. vienen dados por X r. Iímites fiduciales.95. Pequeñas muestras (z < 30).o. ps er los intervalos S . en el caso de un S insesgado). . se puede ver que los límites de confianza para la media póblacional vienen dados por Xtz"* vn N-tt.28 1.cAP. En este caso utilizamos la distribución t para obtener los niveles de confianza.6746 En los casos donde un estadístico tiene una distribución muestral que es diferente de la distribución normal (como chi-cuadrado.szs son los valores de ? para los que el 2. S-2o" a S+2o" ó S-3o. los valores de z" pueden sacarse de las tablas de la cuwa normal en el Apéndice C.00 2. si el muestreo es sin remplazamiento én una población 2.73% s9% s8% s6% s5.9q -V 0. 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. a S * o' delasveces. para estima¡ el parámetro poblacional. & S*Sorenel 68. Para niveles de confianza que no se encuentran en Ia tabla. S +. S -+ 2o.96 o7 Y X + 2."\\ñ s (3) .46%y99. En la Tabla 6-1 se dan los valores de z" que corresponden a distintos niveles de confianza utilizados en la práctica. etn. de los límites de confianza se llaman coeficientes de confianza o ualores críticos y se denotan por zc. como otras veces sé conocen.1.96.46% y 99.46% 95% 90% 80% 68.6l TEORIA DE ESTIMACION 195 Análogaménte cabe esperar o se puede confiar en encontrar.645 r.

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

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

or €s el inverso de . (c) sesgados y no eficientes.0).e\ffi = o (20) De aquí podemos obtener 0 en términos de r¡.s resueltos ESTIMAS INSESGADAS Y EFICIENTES 6.6 Adviértase que F. Problerna. El método puede generalizarse. (¿) La media muestral X y Ia varianz.0) (1e) que se llama la uerosimilitud.. Los dos son estimadores insesgadoe de la media poblacio- nal. la función de densidad conjunta para estas obsen¡aciones es un parámetro poblacional. . . Para este propósito es conveniente tomar primero el logaritmo y luego la derivada. por ejemplo g. Esto vendría dado por r F. . Sin embargo ambo¡ no son eficientes si se les compara con X. que se va a estimar por un estadístico L . puesto que la media de sus dishibuciones muestrales es la media poblacional. empleamos una técnica conocida como el estímador de móxima uerosimilifud. Suponiendo que hay n obsen¡aciones independientes x1 .1. Pa¡a obtener el "mejor" de tales estimadores. de acuerdo con el Teorema 4-8. d ). .ee con los grados de libertad para el numerador y el denominador inyertidos. xn. son dos de talee ejemplos. (c) fa desviación típica muestral g la desviación típica modificada .ütr I af(rt|) + 1 0f(r". .198 TEORIA DE ESTMACION lcAP.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.ss . De una manera semejante podríamos hallar un inten¡alo de confianza del g0% empleando la tabla apropiada en el Apéndice F. Así para el caso donde existan varios parámetros tomamos las derivadas parciales con respecto a cada uno de los parámetros. semi-intercuartílico son cr¡atro de tales ejemplos. h desviación media y el reconido . La¡ruíxima uerosimilitud puede obtenerse tomando la derivada deZ con respecto a 0 e igualándola a cero. Por tanto. la función de densidad puede denotarse por f (x. los igualamos a cero y resolvemos las ecuaciones resultantes simultáneamente.f(r¡?\ f(n2. --LtSz son dos de tales ejemplos. El valor de F.. f(r". (b) La mediana muestral y el estadístico muegtral *(Qt + Qs).zmuestral modificadas f eficientes.01 "'+ fl*. debida a Fisher.31 $z o-n o-t - I' . Dar ejemplos de estimadores (o estimas) que sean (c) insesgados no eficientes.3. De esta manera hallamos f@.ss se obtiene de la tabla del Apéndice F. página 118. Para ilustrar el método suponemos que la población tiene una función de densidad que contiene d-eterminado. donde Qr y @¡ ¡on las cuartilas muestrale¡ inferior y superior. (b) insesgados y 3t = .F.

35)2 2(n-ñ\2 - n-l = = es insesgada + (6.336.88 < tt<68. Una muestra de cinco medidas del diámetro de una esfera se registraron como 6.45 -- 0.58o/tñ. Así.46 pulgadas.93. Utilizando n : 67.3?-6. - iT $.cAP.36 cm.6l TEORIA DE ESTIMACION 199 6.? = /8. Hallar los intervalos de confianza del (a) 95% y (b\ 99% para estimar la estatura media de los estudiantes de la Universidad XYZ del Problema 6. Determinar unas estimas insesgadas y eficientes de (c) la verdadera media.88 y 68.02. (o) Del Problema (b) ó.45 ¡ + z.iroentre s yG.35)2+ (6.2.023 es una estima de la verdadera desviación típica pero esta estima no ni eficiente.!1t. = n . Se puede. (a) Los límites de confianza del 95% son X t I. 6. Dar una estima insesgada Problema 6. (o ) Estima insesgada y eficiente de la verdadera media (es decir. 95Vc ó 0. Determinar unas estimas insesgadas y eficientes de (o) la verdadera media.33: Estima insesgada y eficiente dé la verdadera altura Del Problema 5.32 6. 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.4.35)2 5-1 0. JC = .96.3?-6.02): 0. (b) Los lfmites de confianza del 99% son X 2.95. 6.45 ! 1.45 ! 0. decir que ia probabilidad de que la estatura media de la población se encuentre entre 66.3. (b) la verdaderavarianza.57 pulgadas. Para la muestra dada 67. no hay esencialmente diferencia entre 6.88 a 68.ó. n-1" (6.35)2 F (6.88 y 68. ESTIMAS POR INTERVALOS DE CONFIANZA PARA MEDIAS (GRANDES MUESTRAS} 6. por tanto. 2.36.TG pulgadas . Para las cinco medidas puestas en orden de magnitud la mediana es 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.JDani (b) Estima insesgada y eficiente de la verdadera varianza (es decir.02 pulgadas es.6136 s2 Así .96"/\f. de la media poblacional).45 pulgad.93/V100) ó 67.2. Adviértase que puesto que n es grande.35)2 + (6.88 < p < ti8.6136 : y.5275) = 8. que puede denotarse por 66.as y i : 2. En símbolos se escribirá P(66.02 pulgadas. = S tr. (b) la verdadera varianza..saa = tln ! 2.38: Estima insesgada y eficiente de la verdaderava¡ianza media: t : 67.96(2. el intervalo de confianza del 95% para la media poblacional ¡t es 66. pues. los lí¡nites de confianza son 6?.93 pr¡]Éadas como una estima de o (véase Problema 6.02 pulgadas. 6.58-?+ = V100 67. de la varianza poblacional).32 y 6.37 centímetros.36-6.3.37. 6. 4er. = i2 = . 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 66.33.00055 cm2 Nótese que 0 = /0"00055 = 0.3).

0049oulgadas t/-zoo sn 0. 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.69 (¡¡ < 68.O42 pulgadas. se puede considerar el factor es necesario = 0. Lad medidas de los diámehos de una muestra de 200 cojinetes de bolas hechos por una determinada máquina durante una.semana dieron una mdia de 0. los límites de confianza del90ak son n!I.21 pulgadas.49. que puede denotarse por 66. de aquí que z":2. puee. de modo gue no 6?. para n > 30 se puede asumir que s y 3 son prácticamente iguales..69 a 68.0069 pulgadas Fig.{ñ= 0.824! 0.73 pulgadas. srn embargo. el área a la izquierda de z:-zce8 también lVo.824:r0.33.00??putgadas t 0.45 1 0.g6a = Vn 0-824:t 0. Entonces por simetría.so! = Vn 0.824 ! 0.96? como 1.7.00b8 pulgadas Los límites de confianza d.45 t utiliza¡lo.6. lugar de Para y muestreo sin remplazamiento. 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 t 0.645a (c) .sa| = r*z. (o ) Los límites de confianza del g5% son 6 (b) x t 1.= vn Vn V200 ó 0.4í.73V. : t. (b) 9O% y (c'¡ 99.E8y.824 pulgadas y uná desviación típica de O. son xtz.824tSL93 = \/zoo .21.824 t 1.200 TEORIA DE ESTIMACION lcAP. pues. es total. Si se utiliza. Los límites de confianza d.G. se utilizaría t.' o^.6 Asf. 6.6450'942 = 0. 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. se habría empleado ?: \/n/@4s = y'200[99s que puede tomarse como i para todos los propósitos prácticos. z:zc Puesüo que el área total bajo la curva es 1. ñ!3+ \ñ - 0. los límites de confianz¿ del 98% son r ! 23g+ = \/7i Asi 0.96ry = \/200 0.824=z. Para obtener los intervalos de confianza.824 * 2.6-l (b) S" busca z" tal que el á¡ea desde z : entonces z. r.el 99. Oa z : zc ea O.008 pulgadas.824 0. el área desde z eE 0.b6 y 0. v (bl99% para el diámetro medio de todos los cojinetes. (a) " lok.645.Hallar los límites de confianza del (o) 55"1.ss9 = 0. respectivamente. En general.el 99o/.0U89pulgadas.82¿!L. los cojinetes del Problema Hallar los límites de confianza del (a) 98%. el intervalo de confianza del 997o para la media poblacional ¡r e¡ 66.006 Pulgadas .0.824t0. 6. : O es Asi pues. los límites de confianza anteriores se convie:rten en 67.gg9!9 = \/zo0 0.i :.73% para el diámetro medio de G.

debe emplearse la fórroul¿ para poblaciones finitas con muestreo sin remplazamiento.04.05 segundos.siendo 0.hallamoat.38 pulgadas y una desviación típica s : 0. Una muestra de 10 medidas del diámetro de una esfera dio una media ñ: 4.4.cAP. (d) t= 60? Pa¡a los coeficientes de confi¡nza del 96% ("doble cola") el área total en la Fig.6 : 0. . 6-3 6.38 y c : 0.0452 pulgadaa .682ó ESTIMAS POR INTERVALOS DE CONFTANZA PARA MEDTAS (PEQUEñAS MITESTRAS) 6.06)/0. (b).81. (o) ¿Cuáles sonloslímitesdeconfianzadel9Ú% para la estima de la media de las 200 calificaciones? (b) ¿Con qué grado de confianza poüá . arrojó una media de 75 y una desviación típica de 10. (b) Loe límite¡ de confianza del 99% son X t 2.Entonce¡ utilizando ¡ : 4.i=r.gzs:2. 6. 1fi = (1.r¿ -.96+ v50 (10) 200 .X+r"L .01 segundos? 0. : 20.26 &- Vlo-1 = 4. Entonces (2.00. lo¡ límitee de confianza del96% pedidos eon 4.38 + 0. Para lo¡ valores de v dados egtos son (a) t Z.t = t.f I l. AsÍ.01 : 9. TEORIA DE ESTIMACION 20L es de Al medir el tiempo de reacción. Eláreabajolacurvanormal : O t z: 0.9Tolfi. Los coeficientes de confianza del 96Vo ("d.58o/{i.11.05..96)(0. pues.04.orr. Fig.e?'.2910.58')(0.goo*. 8e tiene la confianza del99% de que el error de la e¡tima eerá menor de 0.23 zc h¡estoqueestodebeserigualaTSll.q'-: 200 v50 200-1 = 75 + 1.*.96. ¿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 0.9. 6-8 debe ser 0. Una muestra aleatoria de 50 calificaciones de matemáticas de un total de 200.01.50 2oo-L = 76!2.01 si (1.setienequel.oble cola") para la distribución normal vienen dados por i1.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. (c'¡ t2.9df (b) tos vn N-n A¡-1 = N-n N-1 75 t 1.Ze.:n-L:10-1:g. de aquf que el grado de confianza pedido *162(O.10(c)].g6ol{n. (d) =2.7I 6. pues.38 t 2. ¿Cuáles son los coeficientes correspondientes pala la distribución úsi (a) v = 9. : 166. = * t1. Aef.29lO):0. Entonces los lfmite¡ de confianza del 964o eon .06.26fvéaeet¿mbiénProblema6. Puegtoque¡.10. (ó) +2.Entonces los coeficientes de confianza pedidos son tú.051/\/n = 0.8 ó n : 96.4 60 límitee de confianza pueden repreaentarse por Ítz"ox deede z 68.r. un sicólogo estima que la dewiación típica del mismo (c) .05)/\.8. 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. se tiene que el error ser6 igual a 0.06 pulgadas.81 es 0.01.01 ¡i n e¡ 97 o mayor. (c) v : 30. Halla¡ los límites de confianza para el diámetro verdadero del (o) 96% y (b) 99%.01 soliamente ¡i n es 167 o mayor. (o) Los llmitee de confianza delglovo están dados por. Asf el área ¡ombreada en la col¿ derecha es 0.Tomando o = la estima eerá menor de 0. <í n.21o.n r1s/t/Á¡.05 segundoe.2S z"=L6 z"=0.026 y el valor crítico correepondiente es ú. er decir.96X0.09.

38 + 0. t.55 para estimarp..13 para que la confianza de que el candidato sea elegido sea del g5% z El candidato se elige si p ) 0.06/y'10 . (a grandes ) Mediante loe métodos de Ia teoría de grandes muestras los límites de confianza del 95% son X t 1.-'\ r1/pg-p)/n / rB I l-r'-tt'/z¿y t/2.58ú6:5EXb:¡BtTdd = Los lfmites de confianza del 99.qq /lo - 4.11 suponiendo válidos los métodos de la teoría de muestras. = P t 1.55 t 0.14. = 3./e(l -p) ¡? V = 0.6 : se puede estar en la confianza del 96a/o de que el valor ve¡dadero se encuentra entre 4. (b) 99%y (c) 99. 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. Una muestra de 100 votantes elegidos aleatoriamente entre todos los de un distrito dado.50): 0.27.06) /\t1. J_.55 = o'55t0'10 donde se ha tomado la proporción muestral 0.96. (c) 6.l)6or.ssr(S/tñ-l. los intervalos de confianza mues¡ras."-.50 ó n= 27r .55 '^^ I(0'55)(0'45) :r 1'e6!ff : = 0. - ó Prob(p > e-Bt/p6-ffi¡ = + J(t t/2r -.el95o/o para la población p son P : l.0 = 4.13.045 TEORIA DE ESTIMACION lcAP.38 4.9ó utilizando el Apéndice C indica que e-Bt/fi-fl/n:0.73% para la proporción de todos los votantes que estaban a favor de este candidato.L2.O37pulgadas ? donde se ha utilizado la desviación típica muestral 0.55 + 0. 0. (b) En cada caso. Puesto que (P . t 3ú058)16:¡8 10d 0.446 pr'lgadas.88 + 0. (a ) Los límites de confianza d.55.73% parap son 0.426 pulgadas.88 + g. Entonces loe límites de confianza del 99lo rcn i t ú. Hallar los límites de confianza del (a) 95%.58)(0.l = 4.95.Z5(0.38 t 0.2/z¿y L645 Al comparar con Prob(p > 0. Para hacer este problema de una fo¡ma más exacta.f) = 4. y para tener una confianza del g5% de su elección necesitamos : 0.15.55 del Problema 6. (a) Soluciona¡ el hoblema 6.315 a 4.96-9. (b) Comparar los resulüados de los dos métodos.202 Asf. 0D > 0.96-0-.p')/\/p(l . Análogamente.049 pulgadas. (b) Los límites de confianza del99% parap son 0. tenemoe 0. obtenidos mediante ios métodos de pequeñas muestras o teoría exacta del muestreo son más anchos que los obtenidos por los métodoe de grandes muestras.55 2.b0 Entonces.88 r 1.25.50) Prob( que hob / J--ct t)_p .se5 - (b) Para v = 9.335 pulgadas y 4.50.1.55 y la estima p : 0.38 * (2.06 como estima de o.6a5y'i6lBB)Io-75j7i : 0. ¿Qr'é tamaño de muestra debe toma¡se en el Problema 6. los límites de confianza del 99% son 4. 6.88 i g.= v-n 4.045 : 4. pues. indicó que el 55% de ellos estaban a favor de un determinado candidato.18.06b0 pulgadas y el inüervalo de confianza del99% e¡ 4.pV" es normal asintóticamente.13. véase Problema 6. utilizando P donde B = : 0.

il3li. el intervalo 0. Mediante la fórmula aproximada p = P + 0. En una muestra aleatoria de 400 adultos y 600 adolescentes que veían un cierto programa de televisión. 100 adultos y 300 adolescentes dijeron que lei gustaba./i120)r/15¡+-G0)r400 = 200 + 82.BZ a 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. se obtuvieron 24 ca¡as.96/il2OtG0I80)2/100 Así. En 40 lanzamientos de una moneda.33.Xn-. dando.16. Hallar los límites de confianza d9l (c) 96% y (b) 99. se tienep : 0. ae confianza que Ia diferencia'de las medias de las poblrcionee (b) Los límites de confianza d. Una muestra de 150 bombillas del fabricante A dieron una vida media de 1400 horas yuna desviación típica de 120 horas.60 + 15./..96 La verdadera = 0. z" = 3. dando el intervalo 0.tr 7. Los límites de confianza para la diferencia de proporciones de los dos grupoe están dados por 'll1 1t2 dondelossubíndicesly2serefierenaadolescentesyadultos.?4 y el INTERVALOS DE CONFIANZA PARA DIFERENCIAS Y SUMAS 6. [-os límites de confianza para la diferencia de medias de. (b) Al nivel del 99.27 da el intervalo de confianza del 95'ib como 0.25 = 0. se tienep = 0. -loi*o'o -"1/"o-"" Los límites de confianza del 9b7o son: 1400 1200 . SustituyendolosvaloresP:24140 = 0.el 99% son: 1400 - 1200 12.50 encuentre entre 0.96.g.15.cAP.73% como 0. se puede encuentre entre 0. se Así.83.25 = 0. se puede esperar con confianza d.31. Una muestra de 100 bombillas del fabricante B dieron una vida media de 1200 horas y una desviación típica de 80 horas. pues.6V n:40 enlafórmula \tF(l=A/. Hallar los límites de confianza del (a) 95% y 99% para la diferencia de las vidas medias de las poblaciones A y B.75.58\.. se puede esperar con el 994n de confianza que la diferencia de las medias de las poblaciones se encuentre entre 167 y 233 horas. pues.50 ! Pz : 100/400 : 0.25 son las proporciones respectivas de adolescentes y adultos a quienes les gusta programa. se As( pues. esperar con confianza d.45 a 0.23.6. se puede esperar con el encuentre entre 175 y 225 horas.45 a 0.4 y B son dados por (a) *o.37 a 0.5B = 0. z" = 1.respectivamente. 95"/o de = 200 t 24. PtQt . (a) Los lÍmites de eonfianza del 95Va son 0.73% para la proporción de caras que se obtendrían en un ilimitado número de lanzamientos de la moneda.17 y 0.0g..el 99Vo que la verdadera diferencia de proporciones . (a) Al nivel del g5o.el 96% que diferencia de proporciones (ó) Los límites de confianza d. pues. intervalo de confianza del 99. pues.Zb + 1.19 y 0.60 La fórmula más exacta del Problema 6.50 - 0.6l TEORIA DE ESTMACION 203 6.?9. 6.AquíPr:300/600:0.el ggVoson 0. gt= Ptz" t z¡/F(=ffi.t 1. PzQz el - O.06.25 ! Z. Así.

r-= oE.1 V y la desviación típica 0.[4: "'rJ o'r. = orr. La desviación típica de las estaturas de 16 estudiantes seleccionados aleatoriamente en un colegio de 1000 estudiantes es 2.73% y (d) 5O% para el voltaje total.o/yEi.1 y 112. 6. Es y Eq representan los voltajes de las 4 baterías. INTERVALOS DE CONFIANZA PARA VARIANZAS 6. Por tanto (véase Tabla 5-1. o 6. entonces n : = 10.9.4 + 2. pues.08) = 180. pues. Hall¿rr los límites de confianza del (a) 95% y (b) 99% para la desviación típica de la población de tales bombillas.. 0. Se utiliza la dewiación típica muestral para estima¡ o.21 voltios. Si Er.04 volüios.r+r 2+Er+84 = .el 95Vo que la desviación típica de la población se encuentre ) Al nivel del 99% los límites de confianza son: 100 * 2.= lr'. se puede esperar con confianz¿ entre 90.r Bo/l-zn Ss/\/Zn.9 horas.58(0.73% la verdadera desviación típica de la población ::o difiera de la desviación típica muestral en más del (c) 6%.04 V.96(100)i/200 = 100:tg. ee puede esperar con confianza del 99'y'" que la deerüeión típica de la población se encuentre entre 87.73"/o para o son S . los límites de confianza del 99./nloslímitesdeconfianzason:100 11.0b4voltios. En este caso se aplica la teoría de grandee muestras.e75 y st/n/x. El valor de 0.4 (o) (b Los límites de confianza del95% son: 180. (b)LO%? De igual forma que en el Problema 6. = 0.2L. Así.24 ) Los lfmites (c) Loc lÍmites (d) toslfmitesdeconfianzadel voltios.f8.4 t de confi¿nza del 99.g. Y t¡.4 t = 180. (b) 99%.96(0. 6.4:t0. . FfJ voltaje medio de las baterías producidas por una compañía es de 45.19 deberá tomarse para que con confianza del 99. ¿Qué tamaño de muestra en el Problema 6..19.1 voltioE y dc.19.6?45(0.204 TEORIA DE ESTIMACION [cm.4i0. se tiene ltlt+Ez+at+¿o = Fu. el tamaño de la muestra deberá ser 450 o más. 82.. Si se conectan 4 baterías en serie. osr* Ez+t:. indica el nivel de confianza.73% con: 180. 0. (o) Alniveldel 95". * uotr* l'a. * l'a..1) = 180.4 V r de confianza del 99% son: 180. = 1la1ffiy : 0. puesto que /¿rr = lLEt lr'. entonces n 1800. de la desviación típica para todos los estudiantes del colegio. Entonceg el error porcentual de la desviación es 3s/t/-at (¿) Si 300 _ = s. = 45.x {2n 300//t = 5. (b d. (b) Si }OO/\E : Aei pues. hallar lós límites de confianladel (a) g5%.08 ÉEr+nz+E¡+Eo = 4(45. (a) Loslímites de confianza delgSv" están dados por sy'7/x. Así. página 162)loslímites de confianza para la dewiación típica de la población son dados por S * z. utilizando s como una estima de o. 5O%son:180.16 voltios.4O pulgadas. 46O. Entonces. (c) 99.2 y 109.8 horas.t+ti.4 t 3(0. donde 2.054 voltios se llama error probable. pues.08) 0. La desviación típica de las duraciones de una muestra de 200 bombillas fue de 100 horas.* o".08) = 180. el tamaño de la muestra deberá ser 1800 o más. Hallar los límites de confranza del (c) 95% y (b) 99"/. oE.4 + 1.08)=180.58(100)/r/Zbd = 100 r 12. Así.ozs.20.

g = 88. Entonces los límites de confianza del 95% son 2.49 pulgadas.40\R/2. Si se encuentra que sus varianzas son 24 y (b\ 90% para la relación de varianzas. pfuina 137' x. 1. Este resultado debe compararse con eI del Problema 6. y St/T/x..t.!75= 5.oe5=5. y 18 respectivamente halla¡ los límites (o) Tenemos nt = l(t.68 y 4.9212 : 239 161 = olz02s+V2(199)-1)e =.sa+19. = 15.9 y 115.el95')h están dados por Sy'-n.o75 = |{zsrr. 6.¡]oor=32. hallamos como en el Problema 4.SO+19.s¡5.50. (o) Los límites de confianza d. 200 .40\f-16/2.3 horas.5 6 x. 1.49 pulgadas.2. 3? = t=r"i = (lf)rznl = "? = 18 de modo qrre 26.5 y Entonces los límites de confianza del 95o/.92)2 = : \2. Por tanto se tiene la confianza del 99/o de que la dewiación típica poblacion¡l se encuentra entre 1.t-t. Por tanto se tiene la confianza del 95% de que la dewiación típica poblacional se encuentra entre 1.15./x Para v : sr.ee5 Para v y Sy/i/7. esto es. : 200 - 1 : 199 g¡ados de libertad.14.s¡5=2.2= 115. Entonces los límites de confianza del 997o son 2. Por tanto se tiene la confianza del 95% de que la desviación típica poblacional se encuentra entre 91.)rto = \/ 2o. x2nzs de donde ¡¡. (b) Los lÍmites de confianza d. Este resultado debe compararse con el del Problema 6.. X.oos:4.24 y = 6.23.= r\ri= (f.sor-79.9 horas respectivamente. (b) tos lÍmites de confianza del 99\i. rz = 10.1 : 199 grados de libertad.6l Para o TEORIA DE ESTIMACION 206 x?ozs = 16- 1 = 15 gradoode libertad.ozs l-l Vz(rssl -r)z = itt." x%os 1_l . Dos muestras de tamaños 16 y 10 respectivamente de confianza del (c) 98% se extraen aleatoriamente de dos poblacio- nes normales._.68 y 4..7.. están dados por Sy'-nlx ors y Sl-n/y.14. Solucionar el Problema 6.2 y 111.19(a).92)2 = 253 lL6. Por tanto se tiene la confianza del 99% de gue la desviación típica poblacional se encuentra entre 88.19 utilizando la teoría de pequeñas muestras.n25 = 2.9 y x.5 = 91'2 y 100y'200/12'1 = 111'3 horas respectivamente.r+l/Z[I6Ef-T¡z = jtz.o .40Vf 6 /1.60 ó y.73 y 2. s! = 20.oos = 72. Paray:16-1:lSgradosdelibertad.' son 100y'2b-0 115.ozs. it.40\f-I6/5.26 6 7.?3 y xz.¡¡5.19(b).84 pulgadas.. x?szs = 27.11.el99% están dados por Sy'-nl¡.2 a.cAP.22. Entonces los límites de confianza del 99% son 100/Eñ6 de donde X sq¡ INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6.9 y 1001800/t2.24 y 2.n. . x1.8 ó ¡.83 y 3'84 pulgadas.83 y 3.50.9 horas. ee decir.

'or¡ g. = 3)@*-Pl reeulta Q. v Q) 90% para la relación de las desviaciones de las desigualdades del Problema 6.206 IEORIA DE ESTIMACION [cAP.4437 oí = * ('z'6'g)(?q¿. Halla¡ la estima de máxima verosimilitud de la media. pl" 'f (r.tn1z. página 13p. Si n obsewaciones Xr & se toman de una población distribuida normalmente de la cual se desconoce la media y se conoce la varianza. Hallar los límites de confianza del (al 98% típicas del hoblema.89.96 parapl : 16 1 : 15 ! U2 =LO-1 =9 grados de libertad.(ffi) 4.eg oz 6.6?=1=r.0. 6.25. Entonce¡ utilizando (171. (#)(ffi3) o.os : 1t2.6 Del Problema 4.eo = ". También del Problema 4. pl = (2to2)-tt2¿-zbk-r)2t2o2 (z') (r) Fijando íLldp = 0 t¡L = a -f.e¡ = 3.z8a =# : = rsee.47(b).zt oz 0. = (b) Como en (o) hallamos del Apéndice F que confianza del g0% es F.89 de modo que l/F. tenemos pataUl: 15 y ez:9 grado¡ de libertad f or : 1/3.59. Por tanto el intervalo de #(ffi) s += 6 0. gue tenemos (I) Puesto Por tanto l(rx. pfui¡1g 19?.84 V F.#>@t-pl2 Tomando Ia derivada parcial con re4ecto raL 1:' fr..23. 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. reculta .47(d). ü = \/2ro2 -J- r-<x¡-ü2rzoz L = f(nt.sg<!=z. .) Obsérvese que el intervalo de confianza del9O% e¡ mucho más pequeño que el intervalo de eonfianza del 98Vo. como lógicamente era de eryerarse.24. hallrrmoe para el intervalo de confianza del 98%. 6.23 hallamos los lfmitec de confianza para el (¿) (ó) ESTIMAS DE MAXIMA VEROSIMILITUD o. Al tomar la raíz cuadrada 98% v el9o%.e5 2. tenemos F ge = 4.

63."2) en cambio d. La proporción muestral P en unidades tipificadas . 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. (a) como la utilizada en el Problema 6.6l TEORIA DE ESTMACION 207 6.L n - pl pz-2pp*p2: (nI nes para zp\p2 "?P# z?lp Multiplicando los dos miembros por ¿ y simplificando. donde z" deüermins el nivel de confianza. se tiene P-P Elevando al cuadrado los dos miembros.27.0 hallamos Vé¿se Problema 6.TS% delProblema 6.25 se conoce la media pero se desconoce la varianza.cAP.p oP = -1. En estos valores extremos.) Dividiendo numerador y denominador por 2n. (c) Mostrar que p¿üa grandes valores de n la fórmula de (c) se reduce a p=P¡2" \FF -nn. . Si escribimos f (rx.13. estaecuaciónsereduceaafi*bp*c:0.p).P)/n Los valores mayor y menor de esüa variable tipificada son tzc. 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) .25 ha¡ta la ecuación (2) aplica. tenemos ee i'# Fijando aLl0o2 . queda. zi n -4nz | +! .ca p= _6 + 1/@=lo" 2a z"P+27=W 2(n* z7\ 2nP I 22" * ""t/6F(L1VlT7" 2(nI zf.e f(x¡.cuyassoluciop son dadas por La fórmula cuadráti. (a) Si P es la proporción observada de éxitos en una muesha de tamaño n.26. se tiene e+ flt "" P(L-PI . - (2nP I * nPz = 0 Si o=n+z!. Si en el Problema 6. = -fi+ uár> @t-r)2 02= 2 (rr - pl2 PROBLEMAS DIVERSOS 6. b--(2nP+"7) y c=nP2.13. halla¡ la estima de máxima verosimilitud de la va¡ia¡rza. {P(L = *2" p(. todo lo efectuado en el hoblem¡ 6. por tanto.

6.208 TEORIA DE ESTIMACION (b) Paraloslímitesdeconfianzadelgg. Hallar los límites de confianza del (o ) 99%. (c) Comparar la desviación típica muestral con la desviación típicÁ de la población estimada.6 p=0.?3 20.TSVo.e4 91.3 91.2 19.8 89. Las medidas de pesos de una muestra fueron registradas como 8. empleando t¡alores críticos tales como justifica el trabajo involucrado.6 = 12.r De la tabla se observa que un intervalo del95%.a.31.rlos ESTIMAS INSESGADAS Y EFICIENTES 6.54 ¡.8 ¡. 6. ó 0.'. 6'33.7 7.7 a Lt3. (c) 95% y (d) 90% para el dirimetro medio de todos los remaches fabricados por la compañía.29.42 a a 111.O a 110. Estimar (o) la media y (b) la desviación tÍpica de la población de todos los tubos de televisión producidos por esta compañía. en general.Es posible haltar otros límitee de confianza escogiendo valores críticos de X2 gar. 8.¡amente 19.el 95"tb Ampütud 2r. cuya amplitud sea menor que la del Problema 6..2 y 9.05. zf. es de g1. La media y la desviación típica de los diámetros de una muestra de 250 remaches fabricados per una compañía gon O. Sin embargo.6.72642 pulgadas y 0.8.55yn:100enlafórmula y 22"/nson despreciables y pueden sustituirsepor cero.100).69 en acuerdo con el problema 6.22(a) fueron obtenidos escogiendo valores críticos de y2 de tal manera que las áreas en cada cola fueran 2.s sr¡plernenta.13(a). Un intervalo con amplitud af¡n menor puede hallaree continuando el mismo método de aproximación x.0 a 110.44.a los cuales la suma de las áreas en l¡as colas sea61. respectivamente (véase Problema 5.7s7=15.30.40 y 0. La media y la desviación típica de las cargas máximas soportadas por 60 cables (véase Problema 5. se tienep : 0.4 20.9 7. 2g.32.98) están dadas por 11.64.. .Entonces. 10. de amplitud sol.32 92.8.8. de forma 6. X 032 y X 1¡2. lcAP. Valores Crítico¡ Tabl¡ 6-2 Intervelo de confianza d.?3 ton. g.s2=12.6%. respectivamente.. Hallar los límites de confianza del (o) 951/.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. horas Una muestra de 10 tubos de televisión producidoe por una compañía.30 si se obtienen los mismos resultados para 30.00058 pulgadas. 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./Anz que se obtiene la fórmula pedida.=B.utilizando de (a).9 110.o¡r y x e8l. ¡es=15. etc.09 ton. Determinar estimae insesgadas y eficientee de (o) la media de la población v (b) la varianza de la población.e6 : 15.28.0 = 12. pero de tal manera que las áreas en cada cola no sean iguales. (c) Si n es gtande.4 libras. 10.ge = 15.z./zn. y (b)99dto para la media de las cargas máximas de todos los cables producidos por la compañía. respectivamente.7. y 0. (o) Solucionar el Problema 6. dieron una du¡ación media de 1200 y una desviación típica de 100 horas.8. entonces zf. En la Tabla 6-2 se indican varios valores críticos y los conespondientes intetwalos de confianza del 95%. X.85. (b) 98Vo.$=12'76. la disminueión en el intervalo que 8e obtiene es comúnmente despreciable y no Probletn.

94" Hallar (¿) los Problema 6. La desviación típica de resistencia a la rotura de 100 cables producidos por una compañía fue de 180 libras.24 onzze.76 y 0. Una r¡rna contiene una proporción desconocida de bolas rojas y blancas.6l' TEORIA DE ESTIMACION límites de confianza del 5O% 209 6. 0.33. o. Hallar los límites de confiánza (a) del 95% Una compañía fabrica cojinetes de bolas que tienen un peso medio de 0.g?. 0.g9. mientras que de 100 cerrojos de otra máquina 12 eran defectuosos. Hallar los límites de confianza del (a) 95%' (b)99o/oy (c) gg . De dos grupos análogos de enfermos A y B formados de 50 y 100 individuos. 6. dio el 7O% de bolas rojas.ParalosdelgrupoB fueron 6. 6. como 0'28. 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. Hallar los límites de confianza del (c) g5%. 6.45.012 libras.2?. ¿Cuál será el número mínimo de voranües que se deberá mue\trear para quelaeonfianza sea del (a) 8O%.3? suponiendo aplicables los métodos de la teoría de los resultados obtenidos. Una muestra aleatoriade 60 bolas extraídas con remplazamiento de la urna. Para los pacientes del primer grupo el número medio de horas de sueño fue 7. 0. Una muestra de 200 cerrojos producidos por una máquina mostró que 15 eran defectuosos.638 libras y una desviación típica de y (b) del 99Vo pata los pesos de lotes de 100 cojinetes cada uno.44. 6.a h diferencü de proporciones de cerrojos defrctuosos de las dos máquinas' Estudiar los resultados obtenidos. para que la confianza de que la proporción ¿Qué tamaño de muestra se debería tomar en el Problema 6.36 si el error en la duración media estimada superar las 10 horas? ESTTMAS POR INTERVALO DE CONTIANZA DE MEDIAS (PEQUEÑAS MUESTRAS) 6.41. Hallar eI error probable de la desviación típica del Problema 6'46' . al primero le fue dado un nuevo tipo de somnífero y al segundo un tipo convencional. Dar los resultados utilizando la fórmula aproximada y la más exacta del Problema 6'27.40. Hallar grandes muestras y comparar Solucionar el problema 6.g5. HaIIar los límites de confianza del (o) g5%.7g% para la proporción real de bolas rojas en la urna.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 6.40 verdadera no difiera de la proporción muestral en más del 6Vo sea (a) del 95Vo. ESTIMAS POR INTERVALO DE CONFIANZA PARA PROPORCIONES 6.41.2[horas. 6.g1 sfoundos. 6.80. Cinco medidas del tiempo de reacción de un individuo a un cierto estímulo fueron registradas real de 0.46.gg.3g.38 onzas los límites de confianza del (c) 95% y (b) 997o para la resistencia real' desviación típica de 1.86.7 Bdn pá. ¿qué tamaño de muestra deberá tomarse puüa que sea del (a\96%. Hallar los límites de confianza del (a) 95% y (bl99% para el tiempo reacción. respectivamente. respectivamente.42.43. y una Una muestra de 12 medias de resistencia a la rotura de hebras de algodón dio una media de 7. Se cree que una elección resultará muy reñida entre dos candidatos.73V"? 6. INTEBVALOS DE CONFIANZA PARA VARIANZAS Y DESVIACIONES TIPICAS 6. Si la desviación típica de la duración de los tubos de televisión se estima en 100 horas. 6.30 horas. (c) del 99. (b\ 99% y G\ gg. (b ) del 99%. y (b) el error probable para la media de los diámetros del 6.(b\95%'(c\99% deladecisiónen favor de uno de los candidatos? INTERVALOS DE CONFIANZA PARA DfFERENCIAS Y SUMAS 6.cAP. (b)g|%t (c)997oV @)59. (b)gg%y (c)99J37" para la dewiación típica de todoslos cables producidos por la compañía.82 con una desviación típica deO.

. Los coeficientes de confianza del 999á ("doble cola") para la distribución normal están dados por 12. 6. . (b) gg% y (c) gg. Si se toman n observaciones. Xn de esta población.62. .54 si las muestras tienen tamaño 120 cada una. [(A'+t)st 0<¡:<1 de otra forma Xn de esta población hallar la estima de máxima verosimilitud de h. . Comparar los resultados con los obtenidos empleando la distribución normal. 6. Xn de una población distribuida normalmente con media ¡l y varianza ¿Pueden determinarse estimas de máxima verosimilitud de ¡t y o2 en términos d.59.58.? ¿Son lc mismos a los dados en los hoblemas 6. . (o) ¿Cuáles son los límites de confianza del 951/o y 99% para estimar la media de la resistencia de rotura de los 460 cables restantes? (b) ¿Con qué grado de confianza podríamos decir que la media de la resistencia de rotura de los 460 cables restantes es de 2400 1 35 libras? ¿Cuál es el intervalo de confianza del 957. . .63. Solucionar el Problema 6. . . En una prueba de 40 cables seleccionados aleatoriamente resulta una media de la resistencia de rotura d. . 6.51.(c)v:25. .61. del Problema 6.60. TEORIA DE ESTIMACION [cAP. límites de confianza del (o) 96'/o y (b)99Eb pa¡a la desviación típica de todas las bombillas fabricadas Solucionar el Problema 6. 6.58. Una población tiene una función de densidad dada por 8e toman n observaciones l(r) = l^0 [ Si se toman n observaciones X1 .57. hoblema 6. Una población tiene una función de densidad dada por i@l = 2rt/r/" ¡2s-v*. Hallar Ios intervalos de confianza del (a) 98% y (b) 90% para la relación de Ias varianzas.52. .53. Las desviaciones típicas de los diárnetros de los cojinetes de bolas producidos por dos máquinas son 0. .26? Explicar.49 utilizando la distribuciíny2 si una muestra de 100 bombillas tiene la misma desviación típica de 120 horas. X1.035 cm respectivamente. .52 y (b) Problema 6.62. r. X¡.54. Hallar el estiniador de máxima verosimilitud de ). ESTIMAS DE MAXIMA VEROSIMILITUD 6. .55. La desviación típica compañía. 6. .48.e 24OO libras y una dewiación típica de 150 libras. para la relación de las varianzas de las poblaciones de donde se exhajeron. Xn se toman de una distribución de Poisson con parámetro tr desconocido. 6. ¿Cuáles son los coeficientes correspondientes para la distribución f si (o) v = 4. hallar la estim-a de máxima verosimilitud de z. Hallar los igr la 6.(b)v:12.54 fueron extraídas de la misma población? Justificar su solución. ¿Considera que las dos muestras del hoblema 6.51 que tiene la menor amplitud? 6.042 cm y 0. 6.(d)v : 30' (¿) v: 40? Una compañía tiene 500 cables. Si n observaciones 6.56. basados en muestras de tamaño 10 cada una. de la du¡ación de 10 bombillas fabricadas por una compañía es 120 horas. . Solucionar el (o) Problema 6.49 si 25 bombillas tienen la misma desviación tÍpica de 120 horas.. . INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6. . 02 desconocidas.2to 6.7T% de que la desviación típica de una población no difiera de la desviación típica muestral en más del 2%? 6. Si Xr. -t 1 r ( -.e 11. . 6. PBOBLEMAS DIVERSOS 6.6 ¿Qué tamaño de muestra deberá tomarse para que la confianza sea del (a) 95%. Hallar los intervalos de confianza del (o) 98% y (b)907. Determinar los intervalos de confianza del (o) 98%v @\gOVapara larelacióndelasdesviacionestípicasdel Dos muestras de tamaños 6 y E respectivamente tienen la misma varianza.49.50. ..25 y 6.

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

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. 7-1.1. En cualquiera de los dos casos se comete un error al tomar una decisión equivoca- Para que cualquier ensayo de hipótesis o reglas de decisión sea bueno. es decir. z > I.96 constituyen lo que se llama región crítica o región de rechace de Ia hipótes¡'s o región de significación. un tipo de error puede tener más importancia que el otro. De acuerdo con lo dicho hasta ahora. de modo que los resultados obtenidos no influyen en la elección. debe diseñarse de forma que minimice los errores de decisión. Esto equivale a decir que el estadístico muestral observado es significativo al nivel del 0.05.96 a 1. por ejemplo se elige un nivel de significación del O. la probabilidad de cometer error del Tipo I.96 (puesto que el área bajo la curva normal entre estos valores es 0.96). Así pues. y así se tiende a conseguir poner una limitación al error de mayor importancia. la distribución muestral de un estadístico S es una distribución normal con media p" y desviación típica o".lo que significa que se puede cometer error con una probabilidad de 0. va generalmente acompañádo por un incremento en el otro tipo de error..01.O5. entonces hay aproximadamente 5 ocasiones en 100 en que se rechazaría la hipótesis cuando debería ser aceptada.05 es el nivel de significación del ensayo. .96 podía entonces llama¡se región de aceptación de h hipótesis o región de no significación.05 si la z obtenida para el estadístico S se encuentra fuera del recorrido . un intento de disminuir un tipo de error. se puede estar con el 957o de confianza de que.96 ó z 1. Entonces puede decirse que esta z difiere signifícatiuamente de la que cabía esperar bajo esta hipótesis y se estaría inclinado a rechazar la hipótesis.96 a 1.)/o. al diseñar un ensayo de hipótesis.. el valor de e obtenido de una muestra real para el estadístico S se encontrará entre 1.05 6 6"/.05 ó 0. supóngase que con una hipótesis dada. Entonces la distribución de la variable tipificada dada por Z : (S ¡. generalmente se fija antes de la extracción de las muestras.. si al elegir una muestra aleatoria se encuentra que z para ese estadístico se halla fuera del recorrido . Representa la probabilidad de rumeter error al recbazar la hipótesis es decir.1. es una normal tipificada (media 0. 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.1.95).96 a 1. se dice que la hipótesis se rechaza al niuel de significación del0. Esto no es tah sencillo como pueda parecer puesto que para un tamaño de muestra dado.05.96. aunque igualmente pueden emplearse otros valores.96 (es decir.O6El conjunto de las z que se encuentran fuera del rango -1.05 (área sombreada de la figura) si la hipótesis fuese verdadera. Si. ¡--lglj . lo que quiere decir que es un suceso con probabilidad de solamente 0. lo cual puede ser o no ser posible. varianza 1) y se muestra en la Fig. ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.05 o que la z obtenida del estadístico muestral dado es significatiua al niuel de significación del 0. En la práctica. si la hipótesis es cierta.212 error del Tipo da.El conjunto de lasz que se encuentran dentro del recorrido . Esta probabilidad se denota frecuentemente por o. En la práctica se acostumbra a utilizar niveles de significación del 0.96 y 1. La única forma de reducir al tiempo ambos tipos de error es incrementar el tamaño de la muestra. Como se indica en la figura.=lD6 I'ig.1.96 a 1. ? II. ENSAYOS REFERENTES A LA DISTRIBUCION NORMAL Pa¡a aclarar las ideas anteriores. En tal caso se dice que la hipótesis ha sido rechazada aI niuel de significación del O. El área total sombreada 0. se está con un 95% de confianza de que se toma la decisión adecuada.7-l Sin embargo.

Medias.81 2.58 y -2. Para ensayar la hipótesis nula (f) co (I ). Cuando es necesário se utiliza la desviación muestral observada s (ó G).96 y -2. En cada caso.10 0.645 y 1.88 y -1.33 -2. aceptaríamos -EI6 de que la media poblacional es p : o utiliza¡íamos el estadísti-EÍe (o al menos no lo . se pueden encontrar utilizando la tabla que da las áreas bajo la curva normal.05 001 45 0.08 y 3. página 195. es decir.la X-. 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. media muestral. Debe ponerse de manifiesto que puedgn igualmente emplearse otros niveles de significación. 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.01 se sustituiría 1. Por ejemplo. La Tabla 7-1. Z = -.002 ó -t. con frecuencia se puede estar solamente interesado en los valores extremos a un solo lado de Iá media.645 1.-: ú1V11. La variable tipificada viene dada por Aquí S : X.58 2. 1. Ia región crítica es una región a un lado de la distribución.005 0. tales ensayos se llaman ensayos de dos colns o ensayos bilaterales. Los co. los resultados son para poblaciones infinitas o para muestreo con remplazamiento' Para muestreo sin remplazamiento de poblaciones finitas los resultados deberán modificarse. Tabla 7-1 Nivel de significación o Valores críticos de z para ensayos unilaterales Valores críticos de z para ensayos bilaterales 0. donde o es la desviación típica poblacional y n es el tamaño de la muestra. media poblacional. 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). Por esta raz6n. para estimar o. que da los valores críticos de z para ensayos de una y dos colas a distintos niveles de significación.33 ó -2. será de utitidad para propósitos de referencia. es decir. Si4 embargo. Entonces.7l / ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2L3 (b) Se acepta Ia hipótesis (o si se desea no se toma decisión alguna) en caso conhario. = op: o/1/i.96 1. utilizando un ensayo de dos colas. en las dos "colas" de la distribución.28 1.i: ¡t. La Tabla 6-1.88 2.645 cí 2.cAP. Tales ensayos se llaman ensayos de una cola o ensayos unilaterales. como por ejemplo. con área igual al nivel de significación. En tales casos.28 ó -1. en una "cola" de la distribución. puesto que la suma del nivel de significación y el nivel de confianza es L00%.58 (véase Tabla 7-L). puede también emplearse.6 1.96 en todo lo visto anteriormente por 2.. Valores críticos de z para otros nivelei de significación. Véanse páginas 158 y 160. si se utilizase el nivel del 0.58 ó -2.08 ENSAYOS ESPECIALES DE SIGNIFICACION PARA GRANDES MUESTRAS Para muestras grandes. o.58 2. tss =.8I -3..

aceptaríamos Ilo (o al menos no la rechazaríamos) al nivel 0. utilizar las desviaciones típicas muestrales sr V sz (ó 0t y 3. 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. Con la variable tipificada dada por X. (5) se convierte (6) Z= X-np \nLPrI Consideraciones semejantes a las hechas anteriormente para medias pueden hacerse. es decir.2I4 ENSAYoS DE HIPoTESIs Y sIGNIFIcAcIoN lcAP.*r_*.EIo al nivel 0.05 si (véase Tabla 7-1).= X/n.-X2-0 z _:. donde p es la proporción y n es el tamaño de la muestrsi o" : o. Para ensay¿ü la hipótesis de que la media poblacional es menor que a acepta- iñ 2. donde e : ! .r. Diferencias de medias.. 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. Considérese la hipótesis nula de que no hay diferencia entre las medias poblacionales. Para otros niveles de significación cambiaríamos (2) apropiadamente. utilizando un ensayo de una cola.-'.. . Entonces. ? rechazaríamos) al nivel 0.. 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. ¡r" : ltp : p. haciendo gr : Irz s€ ve que la distribución muestral de la diferencia de medias se distribuye aproximadamente como una normal con media y desviación típica dadas por . = 0 O:.. 3. si es necesario. la proporción de "éxitos" en una muestra. de éxitos en la población (4) Aquí S : P.De (//)._ = Xr-X" \.05 si ry olVn ríamos. : ltulln. donde X en es el P-p \/pql" (5) número real de éxitos en una muestra. como estimas de or y 02. Proporciones. La variable tipificada viene dada por z: En el caso de que P .p. '\ l x2 (7) ¡ donde se puede..e6 = "ñ+ = 1.05 si p¿üa una muestra específica de tamaño n con media r (2) -1.e6 y lo rechazaríamos por el contrario. lt : !z. página 159.

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

J)9j 1) + (nz -1)-- l' n.1 grados de libertad. Esta es la uarianza 3.10 si Fo. fi son las varianzas de las dos poblaciones normales de donde se extraen las muestras. s2. .) (17) Para ensayar esta hipótesis al nivel 0. Relaciones de varianzas. cuyas varianzas medidas son sl y sr2.1 grados de libertad.s? + + n. es decir = o3.05 si X. provienen o no de la misma población normal. Si ¡/o denota la hipótesis nula de que no hay diferencia entre las varianzas poblacionales.EIo (o no la rechazarí4mos) en el nivel 0.05 (y por tanto concluiríamos que f/. n . (rz' . y después utilizar como estima de o2 la media ponderada (n. de que la varíanza poblacional es mayor que o2 emplearíamos la hipótesis rilo . El empleo de (12) está plenamente justificado al hacer o. (/8) y lo rechazaríamos en el caso contrario. página 159. Para ensayar la hipótesis H. sí sí = F'o. Un resultado otro nivel. pero entonces emplearíamos un ensayo de una cola.t n.. por ejemplo. en el nivel 0. (o al menos no la rechazaríamos) en el nivel 0. 4. 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 . aceptaríamos.s'. Entonces. y o!. Entonces si una muestra aleatoria de tamaño n tiene varianza s2 aceptaríamos flo . 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. t La distribución de ? es una distribución de Student conv: n.1)^ii + fn. -2 gradosde'libertad. basados en el ensayo de dos colas.t.oz : o en(12). primero anotamos que F en (16) tiene la distribución F con fr .0. fuera tal que nsz t2 y aceptaríamos IIo (o al menos no la rechazaríamos) de otra forma. En algunos problemas deseamos decidir si dos muestras de tamaños m y n respectivamente. .'oz¡ o<nsz< (14) semejante puede obtenerse para el nivel 0.. combinada obtenida al donde ^31 t .1.3¿ son estimas insesgadas de oi combinar los datos. . . Bajo esta hipótesis (16) se convierte en "! F::-l q2 q2 \. es correcta) si la varianza muestral específi- ca.. * n. En este caso utilizamos el estadístico (véase página 161) F= donde (16) fi. Por tanto rechazaríamos Hs.2L6 ENsAyos DE HrporEsrs y srcNrFrcAcroN / Se'tt. Varianzas. utilizando un ensayo de dos colas.01 u y la rechazaríamos de otra forma.

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

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

hay un-a y según las reglas de probabilidad' o esperada gue se calcula bajo ncia se llaman frecuencías elemen' q.. las frecuencias esperadas se calculan de acuórdo con una hipótesis flo.. en cuyos casos se decide que i" concordancia es bastante buena a los niveles de significación de 0.r. la fiecuencia restante puede ser determinada.44. rechaza llo al nivel de significación correspondienl rechazará. El número de gradosrde libertad z está dado por (a) v : h . (blv : k . La suma de todas las frecuencias obsenadas se denota por n y es igual a la suma de todas las frecuencias esperadas [comparar con la ecuación (22)1.ENSAYOS DE HIPOTESIS Y SIGNIFICACION Si v2 : 0. en las que las fre tabla de clasifict¡' tabhs gencia. se . las frecuencias observadas y esperadas concuerdan exactamente. ó Xl.01 respectivamente. TABLAS DE CONTINGENCIA (léase "1por h"). ó ¡f. que son los valores crít -se deduce que las frecuencias mente). etc. las esperadas. Adviértase que el restar 1 a k es a causa de la óondición restrictiva (221 que denota que si son conocidas k . es decir. cero debe mirarse demasiado bien con ncias obiervadas concuerden en que x2 estÉ muy próximo Además de aplicarse a la distribución multinomial.-Este procedimiento se llama ensayo o prueba de ehi-cuadrado de la hipótesis. aq con cierto recelo. c aproxima muy estrechamente ción mejora iguales a simbolo en (-21) si las frecuen para los valores superiores.L . Esta suma que es análoga a (21).j*h a distribuciones empíricas.m si las frecuencias esperadas solamente pueden calcularse estimando m parámetros de la población a paftir de los estadísticos muestrales. Véase Problema 7. paíá examfuia¡ tales situaciones se puede determinar si el valor calculado 4" I' ": -"noi eue ¡2". aquellas que se obtienen de los datos muestrdes.. no toinciden exactamente. A valores mayores de y2. contiene hh térmnos.Si bajo esta hipótesis el valor calculado de x' como xf. 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. pu-esto queDebe advertirse que en a. d. . En la práctica. por (21) se muestral a Como se demuestra en el elección de or tanto.e contin- Correspondiéndose con cada fiecuencia obsen¡ada en una tabla de contingenciahX k.) 0.1 de las frecuencias esperadas.re ócupan ias corliilas de uná t tales. La frecuenciá total de cada fila o columna es la llamada frecuencin marginalPara estudia¡ el acuerdo entre las frecuencias observadas y esperadas. mientras que si ¡z. los símbolos X¡ Y nP¡ representan respectivarnente las frecuencias obsenradas y esperadas en la casilla i. de Poisson. la prueba chi-cuadrado puede-ser empleada para determinar de qué forma distribuciones teóricas talés como la normal.05 a 0. se calcula el estadístico (2tt\ x2 = ?g#a donde la suma se extiende a todas las casillas de la tabla de contingencia.

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

-210 caras) FiE.5 caras. puede utilizarse para la er¡aluación de la suma anteriqr la aproximación normal a la distribución binomial. se acepta la hipótesis. la probabilidad pedida es /1\'t0 'oocoo( i) /r \6r' . de otro modo se rechaza y se decide que la moneda no está bien hecha. 7-2.L0 y 210.en unidadee tipificadas = 60.0358 6 3.lO 2.0358. . la hipótesis de que una moneda está bien hecha.0358.'lóJ /1Yo . ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 22r Problema. (b) Interpretar gráficamente la regla de decisión y el resultado del apartado (c). cuando debería aceptarse q el error del Tipo. ambos inclusive.. Por esta razón. Entonces la probabilidad de rechazar la hipótesis cuando es correcta : 0.) +'noc.7-2 z (60. Si en una serie de 100 lanzamientos sg obtiene una z entre -2.s resueltos ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NORMALES 7.I de la regla de decisión y la probabilidad de cometer este error es igual a 0. \ql .'| rrx'ti'\r/ /tY' \-/ \-/ \-/ \-/ \-/ La media y la desvi¿ción típica del nf¡mero de ca¡as en 100 hnzamientos vienen dadas por t.2.10 y nq son ambas mayores de 5. se dirá que esta z difiere significatiuamente de lia que cabría esperar si la hipótesis fuese cierta.. la probabilidad de no obtener entre 40 y 60 caras inclusive si la moneda está bien hecha 1 . el área total sombreada (es decir.que muestra la distribución de probabilidad de caras en 100 Ianzamientos de una moneda bien hecha.5 y 60.10) 7. Hallar la probabilidad de obtener entre 40 y 60 caras inclusive en 100 lanzamientos de una moneda.5 en unidades tipificadas = q9'5-:-E 60. pues se habla de rechazar la hipótesis a un nivel de significación de 0. Región de recbace ? El error que se puede cometer de rechazar la hipótesis (39.CAP. 39. se rechaza. -./ 1" (.tp = 1oo(. 53 (o) (b) Por el Problema 7.0.5 .1.) =.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. (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. La regla de decisión se ve gráficamente en la Fig. /1Y. Así.1. Según la distribución binomial.e la regla de decisión y es igual a 0. cuando en realidad es cierta./lY' (.5 - 50 = 2.. uo Pueeto que np o-{ffi=['r{ffi=' = _2. .1O y z: 2.. En una escala continua.58%. 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. entre 40 y 60 caras inclusive es lo mismo que entre 39.9642 : 0. Para ensayar (c) Hallar la probabilidad de rechazar la hipótesis. (2) de otro modo. está representado por el área total sombreada de Ia figura.I0 Probabilidad pedida : : área bajo la curva normal e¡tíe z: 2(áreaentre z: O y z: -2.0358 en este casc.5.0358 del apartado (o). probabilidad de error del Tipo I) se llama níuel de significación d.

58(4):21. (o) Primer método: Si el nivel de significación es 0.y z¡ : 1.84que 32) < 1. pues.O25O : O-4750.96 equivale a .96.3.05.84.96.5000 . Segundo método: Con probabilidad 0. Tercer método: y np+1. Entonces.005.96yñpq lleva a Ia regla de decisión anterior.O.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. el área entre 0 y zr es 0. (d) Si. Entonces Z la regla de decisión resulta: = (X - 32\14.58o y pt*.76y 32+ -1. se ve que con probabilidad 0. se habría rechazado la hipótesis. Esto es lo que se debe afrontar cuando para tomar decisiones se toma cualquier línea de división.96.01 .96 y 1. .96{npq o entre 32 - 1.960 y ¡J + l.96 <(x-gz)l¿. una posible regla de decisión es: (I ) Aceptar la hipótesis de que la moneda est:á bien hecha si Z está entre -1.96 < z < 1.(X-32)l¿:1-96óX:39.1.Asípues.5) .25.á bien hecha si en una muestra de 64lanzamientos de la moneda se toma un nivel de significación de {c) 0.96. El error que se comete al aceptar la hipótesis cuando debería decisión. en ambos casos se aceptaría la hipótesis de que la moneda está bien hecha.58(4\: 42. nótese que la media y la desviación típica de la distribución binomial exacta de caras están dadas por ! . es decir.96 y 1.95. np.96(4)< X< 32 + 1.222 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. caras se encuentra entre (2) es Se rechazá la hipótesis en caso contrario. 7-3 es 0.16 y 39.16<X< 39.96(4)< (x6 32.2.58o.bg (másexacüarnente 2. SiZ:1. cada6rea sombreada en la Fig. 2.4950 ! zt = 2.05 y (b) 0. cada área sombreada en la figura anterior es 0. (2) Rechazarla en cualquier otro caso. es decir. es decir.575).966X=24.96(4). Para mayor discusión véanse Problemas 7 rechazarse ea error del Tipo 1I de la .< 1.96(4) :24.96(4) la regla de decisión anüerior. sería el caso cuando la probabilidad de cara fuese realmente 0.0050 :0.? en lugar de 0.np: 64(0.5.01.5i2:-1.960.23-7. (b -1.que también conducea ) obtenerse de la Tabla ?-1. Entonces. Se puede aceptar la hipótesis cuando realmente debería rechazarse como.32.96 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. 89. entre 25 y 39 ambos inclusive.7-B 2r Los valores críticos la Tabla 7-1- -1.1. g2-2. 24.5000 0.84.1. -zr Fis.99 .96(4): 1.t6. ? (c) Según la regla de decisión. Siguiendo el mismo procedimiento del método segundo del apartado (o ). el número de ca¡as se encontrará entre ¡¡ decir.32 y o -= t/iw = y'6llos)(05) = = (X p)/o 4 bajo Ia hipótesis de que la moneda está bien hecha. Estopuedetambién - el número de ca¡as se encontrará entre lr 2.1.96_ (2) Rechazar la hipótesis en cualquier otro caso.025 por simetría. 7. (i ) Se acepta la hipótesis de que la moneda está bien hecha si el número de 24. Si el nivel de signilicación es 0.(X-32)14:-1. Así. por ejemplo. Diseñar una regla de decisión para ensayar la hipótesis de que una moneda est. Entonces el área entre 0 y zr = 0. Se puede argüir que con solo una cara más que se hubiese obtenido.84.

33. Sin embargo.23-7.cAP. Algunos estadísticos adoptan la terminología de que lios resultados significativos al nivel del 0. En un experimento sobre percepción extrasensorial (E.05.ar la hipótesis si el número de caras se encuentra e¡fte 22 y 42 inclusive. en muchos ejemplos prácticos es importante decidir si una hipótesis debe eer aceptada o rech¡zada. los resultados significativos al nivel del 0.) 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.01. ¿Cómo se podría diseña¡ una regla de decisión en el Problema ?. Si el zujeto identifica conectamente 32 cartas' determinar si los resultados son significativos al nivel de significación de (c) 0. puesüo que 32 en una eecala continua está entre 31-5 y 32.98 (ó 1.05 y (b) 0. sino en la facultad de obtener aciertos numerooos. zl (2) Si z es menor de 1. Asfrpues.54 p=.05.np = 50(0. de modo que posteriores investigaciones del fenómeno están probablemente justificadas. Entonces el área enüre O y zt = 0. lo que efnificarfa que ee rehuaa cualquier decisión en este caso. . 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 223 7. (D) Sielniveldesignificaciónes0.entonceseláreaent¡eOyzt:0. los resultado¡ son totalmente casuales Ht: p ) 0. es decir.25\15.3(b) serfa: (I ) (2) No recltzz. es decir.6. (I) ee Adüértase que tealmente debería aplicarse una conección de continuidad.06 son no significatiws.01 ¡on altomente significatiuos.645.84 llegándose a Ia misma conclusión anterio¡.3 que evite el enor del Tipo T? El error del Tipo I[ se c. Seglrn la üerminologfa.P.5 üiene un valor tipificado de (31.645. la media y la desviación tfpica del número de cartas identificad¿c correcüamente 3.S.64: 1.P. en lugar de aceptar la hipótesis. mientras que los resulüados significativos a niveles superriores al 0. p es la ptobabilidad de que el sujeto elija conectamente el color de una catta.05 y el indiüduo tiene fue¡za de E.P. Si la hipótesis está dado por ff6 es cierta.5) en unidades tipificadas es 1. 7-4 Puesto que 32 unidades tipifrcadas (32 .84) que es menor que 2. se concluye que los resultados del experimento anterior wn probablemente significatiuos. Esto puede también eacarse de la Tabla 7-1.5 V el sujeto está simplemente adivinando.01. Rechazar Ia hipótesis en ca6o contraúo. puesto que no se está interesado en la facultad de obtener valoree bajos.P.5. entonces se tiene que decidir entre las dos hipótesis siguientes: Si Hoi p: 0. Para evitar este etlor. se concluye que al nivel del 0. no significativos al nivel del 0.05 el individuo tiene fuerza de E. Y zr : 1.4. lo que se hace es simplemente no rechazarla.5) = zb ! o=\/wq = /86(05)(-05) = ¡/Es = (a) Para un ensayo de una cola al nivel de significación de 0.645 los resultados Be deben a la casualidad.Puestoque32(ó 31.4500.5 . Fig. la regla de decisión del Problema 7.26)13.01 son probablemente significotiuos.05 pero no al nivel del 0.06 se debe elegit z1 en la Pig. 7-4 de modo que el área sombreada en la región crítica de r¡alores alüos sea 0.4900Y2r:2.S.01.26').S.S.33. Sin embargo.645. Así por ejemplo. 31.5 y el sujeto tiene fuerza de E.98 es mayor que 1. los resultados son significativos al nivel del 0.64:1. Una completa discusión de tales casos requiere l¿ consideración de errores del fipo II (véanee hoblem¿s 7. la regla de decisión o enaayo de significación es: (f ) Si la z observada es mayor que 1. se deduce que los reeultado¡ no son significaüuos al nivel de 0. 7. Se elige un ensayo de una cola. Es desconocido-para el zujeto cuántas cartas rojas o azules hay en el lote.omete al aceptar una hipótesis que debería ser rectrazada. la decisión rnantiene es decir.

Si se toma el nivel de significación del 0.01. \/"pq = /?2ooxo.dondegvoscnlamediayladesviacióntípicadelapoblación de todos los tubos producidos por la compañía.r es la duración media de todos los tubos producidos por la compañía.l8O)14. la aseveración es legítima y los resultados obtenidos se deben a la casualidad (en cuyo caso Si se acepta 116 ). algunos estadísticos citan las probabilidades reales inherentes.23: -4.1.En una muestra de 200 individuos que tenían la alergia la medicina suministrada alivió a 160 personas.5). 7 Puesto que los niveles de significación sirven de guía en la toma de decisiones. es sobre el 3 por 100.9)(o.0322.84):0.viacióntípicaop:s/1/i. 3. Se tiene que decidir entre las dos hipótesis: Ho. El estadístico bajo consideración es la media muestral X. entoncegz¡ : -2. con una desviación típica de 120 horas. se llama a veces niuel de significación erperimental o descriptiuo. como puede deducirse del koblema 7.01 .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. 7.9 y la aseveración es correcta es falsa Hy: p10. (a) Paraunensayobilateralalniveldesignificaciónde0.r¡ = a. en este problemapuesto quep(Z > 1. Denótese porp la posibilidad de obtener alivio de la alergia utilizando la medicina. (2) Se acepta l/6 (o no se toma decisión alguna) en caso contrario. por un período de 8 horas. Por ejemplo. altamente significatiuos (véase final del Problema ?. 7-5 toma como regla de decisión: (1) La aseveración no es legítima si Z es menor de -2.96. Se zl Fig.33. Entonces tre las dos hipótesis: se debe decidir Ho: p: 0.7.9 y la aseveración Se elige un ensayo unilateral. si el área sombreada en la Fig.P..23. comprobar la hipótesis ¡¡ : 1600 horas contra la hipótesis altemativa r¡ # 1600 horas con un nivel de significación de (a) 0. La distribución muestral de X tiene una media r¿x-Éyunades. o de la Tabla 7-1. (2) En caso contrario.33 (en cuyo caso se rechaza H¡).S. 7-5 es 0.33.01.6. lt:1600 hora. Si ¡.5(b).96 a 1. que es mucho menor de -2.$) : 1AO y " - 7.224 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. Asípues. . 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. mediante la simetría de la curva. .Ossetienelasiguienteregladedecisión: (/) Se rec}raza 116 si la z de la media muestral está fuera del rango .s. ta probabilidad citada en-este caso 0. El fabricante de una patente médica sostiene qu€ la misma tien'e un 9O% de efectividad en el alivio de una aler_gia. La duración media de una muestra de 100 tubos fluorescentesproducidosporuna compañía resulta ser 15?0 horas. Ahora 16O en unidades tipificadas (160 . Determinar si la aseveiación del fabricante es cierta. es decir. puesto que Ee esüá interesado en determinar si la proporción de gente aliviada por la medicina es demasiado baja. H1: ¡t* 1600horas Un ensayo bilateral debe utilizarse aquí puesto que g * 1600 incluye valores mayores y menores de 1600.05 y (b) 0.

el valor de z es -2.01 y.9. basadas en ensayos de una o dos colas.1800 -------------ó.1600y12 : -2. I/e es cierta. (1 Hs si Z es menor de -1.05 y (b) 0.33. Bajo la hipótesis de que (I es rechazada.645.05. Debe aquí utilizarse un ens¿ryo unilateral (véase Fig. no están siempre en concordancia. se rechaza /16 al nivel de significación del 0.¿ 7. el rango -1. ¡. que es menor de -2.01? Se tiene que decidir entre las dos hipótesis: Ho: lJ: Ht: lt > 1800 libras. naturalmente esperarse.645.01. Las decisiones concernientes a hipótesis'lfe dadas.7(a).05. el valor de e es -2. y realmente no hay cambio en la resistencia 1800 libras.96 en la regla de decisión del apartado (c) se sustituye por -2.01. con los niveles de significación de (¿) 0. Como en el Problema 7.50 se encuentra dentro de este rango.33. se acepta Ile (o no se toma ninguna decisión) al nivel de sfinificación del 0. ¿Puede mantenerse que. Se ¡ecltaza 7 .7(b) mediante un ensayo bilateral.Ff6 (o no se toma ninguna decisión) en caso contrario.7(a) mediante un ensayo bilateral. Al nivel de significación del 0.96 a 1. se tiene g : 1600 y o* = a/t/n = 120/\/L00 = 12. se ensaya una muestra de 50 cables y se encuentra que su resistencia media es de 1850 libras.58.7. ) (2) Se acepta. (2) S. . ' (b) Si el nivel de significación es 0. De aquí que se adopte la regla de decisión: (I ) Se rechaza H¡ si Z es menor de -2. que es menor de -1 .T-Stieneunáreade0. y hay un cambio en la resistencia Aquí debe emplearse un ensayo unilateral (véase Fig.7 Como en el Problema de significación del 0.58 a 2.33. /ls al nivel de significación del 0. 7-5 es -2. De aquí se deduce que los resultados son olúamente significatiuos y Ia aspiración de mejora debe ser admitida.05. En el Problema 7. 7.01. utilizando la desviación típica muestral como una estima de o. en efecto.01 la regla de decisión es: ) Si eI valor de z es mayor que 2. Puesto que / : (X . hay un aumento de resistencia al nivel de significación del 0.F/0 (2) De otro modo. laregiónsombreadadelaFig.0Sysetieneque zt : Se adopta. fle al nivel (b) Si el nivel de significación es de 0. Mediante una nueva técnica en el proceso de fabricación se aspira a que esta resistencia pueda ser incrementada. acepta H6 (o no se toma ninguna decisión) en caso contrario.01. Adviértase que esta decisión es la misma que la obtenida en el Problema 7. puesto que z -2. ensayar la hipótesis p : 1600 hora. Adviértase que esta decisión es idéntica a la obtenida en el Problema 7.oo loo/v5o que es mayor de 2.50 se -l . (a). se rechaza pues. (a) Sielniveldesignificaciónes0. Ilo es aceptada (o no se toma decisión alguna).50.9 6. 7-4).33 los resultados son significativos al nivel de 0. 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.cAP. se rechaza pues.01 eI valor de z1 en la Fig. Se debe < 1600 decidir entre las dos hipótesis: Ho: lJ: 1600 horas.s frente a la alternativa horas.50. Entonces. puesto que se ensaya I/6 conha una alternativa diferente en cada caso.96 a 1 . II1: ¡t{ 1600 horas. Esto cabe. por tanto la regla de decisión: -L.8. se tiene X-p ol\n 1850 . 7-5).645.33. Para ensayar esta aspiración. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 226 eneuentra fuera del rango Bajo la hipótesis I/6.1600)/12 : (L570 .

?. "Z= l8r. se deduce que los resultados son probablementesignificatiuos.05.e 2. p2 . Así pues.4s Puesto que los resultados scin significativos al nivel de 0. - l"? . de acuerdo con la terminología utilizada al final del Problema 7.01.la estatura media del primer gtupo ^o hay diferencia entre las estaturas mediases mayor que la del segundo ur?. ft1 "8.01 si Z se encuentra fuera del iritervalo -2.8 pulgadas.226 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [g.-*.e o1 y o2.58 y 2.11. Para un ensayo bilateral.96 a 1. Enton- Bajo ferencia de medias están dadas por Ho: ltt : llz.01 no hay diferencias significativas entre ambas clases.645.10. !40*50 = 1. Entonces z= (a) (ó) Pata un ensayo bilaüeral.10.05 si Z se encuentra fuera del recorrido -1. los resultados son significativos al nivel de 0. n2 = 0. =o n*r-rr"= "? . 7. Se debe decidir entre las hipótesis: Ho: llt : H t: Ft ) Bajo la hipótesis.hay una diferencia significativa entre las dos clases la hipótesis lls. En la primera clase la puntuáción media fue de 74 con una desviación típica de 8. I vez cada 10. z ENSAYOS RELACIONADOS CON DIFERENCIAS DE MEDIAS Y PROPORCIONES 7.El6 . La estatura media de 50 estudiantes de un colegio que tomaban parte en las pruebas atléticas fue de 68.5 pulgadas con desviación típica de 2.5 pulgadas. es decir. De aquí se deduce que al nivel de 0. .58.05.01? ces. mientras que 50 estudiantes que no mostraban interés en tal participación tenían una estatura media de 67. se tiene que Supóngase que las dos clases provienen de dos poblaciones que tienen de medias respectivas decidir entre las hipótesis: l\ y tJz.606 donde se han utilizado las desviaciones típicas muestrales como estimas d. mientras que en la segunda clase la puntuación media fue de 78 con una desviación típica de 7.05 pero no al de 0.5. ltz .. = o*r-fr. no se puede rechazar la hipótesis a este nivel de significación.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. Ensayar la hipótesis de que los estudiantes que participan en las pruebas atléticas son más altos que los otros.10 si se está dispuesto a correr el riesgo de tomar una decisión errónea con una probabilidad de 0. ¿Hay una diferencia significativa entre el restfltado de las dos ciases al nivel de significación de (a) 0.2 pulgadas con desviación típica d.96.lp.0ó hay una diferencia significativa entre las dos clases y la segunda es probablemente mejor. = o n*r-'^" = !t-". (b) 0. La media y la desviación típica de la di- uir-i. Debe sin embargo ponerse de manifiesto que la hipótesis puede rechazarse al nivel de 0. ambas clases provienen de la misma población. los resultados son significativos al nivel de 0. Se hizo un examen p dos clases formadas por 40 y 50 estudiantes respectivamente. se rechaza la hipótesis lls si el valor de z fuese mayor de 1. ! la diferencia se debe simplemente al azar H t : Pt * ¡t2 . = 1# = -2.

ebr(-#. padecen una enfermedad. H t : pt ) pz.#) = 0. Dos grupos A y B fo¡mados cada uno de 100 individuos.30.70 y donde q : 1 p : 0.zt. al nivel de significación del 0. se r*}lrazaría lahipótesis1116 solamente si z fuese mayor de 2.r-r. se deduciría que el suero es efectivo al nivel de significación de 0.r. deberá incrementarse el tamaño de cada grupo en ?8 será significativa al nivel de 0.0648 ro."io" dos grupos per- o*r- *.xz 4 . se tiene . = 0 V p".75 n . (a) o.33.. Se encuentra que en los grupos Ay 8.0648 donde se ha utilizado como estima de la proporción 65)1200 : 0.05._P" orr. siendo en todo lo demás los dos grupos tratados idénticamente. 14. (b) 0. ¿En cuánto deberíán incrementarse los tamaños de muestra de cada uno de los dos grupos en el Problema 7.05 si Yif-t'uou (b) La diferencia observada ó 1/-n=8.75/\n 0. Ensayar la hipótesis de que el suero ayuda a curar la enfermedad al nivel de significación del (a) 0. .II para que la diferencia observada de 0. 7. Se debe r! p2.7 observada en las estaturas medias se tiene xt . ui'!!=r. Puesto que el valor de z es 1. (c) 0:10./" Para la diferencia de 0. Entonces ry- en los dos grupos muestrales el valor (?5 * P."2 nn (2. 0. = p de curas 0.l las diferencias observadas son debidas al az.t.650 0.y el suero es efectivo Bajo la hipótesis 116.01? Supóngase que el tamaño muestral de cada grupo eB n y qLe las desviaciones típicas manecen iguales a las de antes.13.28. Denótese por P utiliza¡ suero.01. se debe deducir que los resultados se deben al azar a este nivel de significación. (2 ) sin decidir entre las dos hipótesis: es decir.7 pulgadas en las estaturas medias sea significativa al nivel de significación (o) 0. (b) 0.10.54 (c) De acuerdo con un ensayo unilateral al nivel de significación del 0.ir_*.5 ó t57 n>1b? 50 De aquí que se debería incrementar cada muestra en al menos : lO7 .01.09 3. el suero no es efecüivo Ho: Pt : Pz.L2.05.CAP. bajo la hipótesis tiI6. (ó) De acuerdo con un ensayo unilateral (c) Si se utilizase un ensayo unilateral al nivel de significación de 0.10 se rechazaría f/e solamente si el valor de z fuese superior a 1.zorro. Entonces. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 227 7.?50 - = 1. respectivamente se han recuperado de la enfermedad. se rechazaría la hipótesis IIs solamente si z fuese mayor de 1.75 y 65 individuos. = o?. Puesto que esta condición es satisfecha.05. urr-r'.645. De donde se deduce que a este nivel tambiénlas diferencias se deben al azgt. respectivamente las proporciones poblacionales curadas ( I ) utilizando el suero . Se administra un suero al grupo A.7 3. pero no al grupo B (que se llama gtupo control). = o o.01 si : 28 al menos.7\n 3'75 La diferencia observada será significativa al nivel de 0.tt d \/a>r2.8 í¡ n>78 50 Así pues.o*r-*.54.5¡z ¡ ".

13 si cada grupo dividuos del Grupo. (¿) Si solamente se desea determinar si hay diferencia entre los distritos. se puede rechazar la hipótesis al nivel de significación del 0.750 = ro.48)(200)l/500:0. se debe decidir entre la hipótesis (Ho : P t : pz\ y (Ht : P t * pz).96a1.05. (b) el candidato sea preferido en el distrito A.528 l'75 y 1-0. Sin embargo. se puede proceder a dar el'suero a grandes grrlpos de gente solamente para obtener entonces que realmente es inefectivo.zt y 195 del grupo B. decir.Puesto queZ:1.472. ?.01 de equivocación. Entonces = 0 or. ?. _ 1. Puesto que éste es el caso.05 se rechaza H¡ si Z fuese mayor de 1. estaban a favor de un candidato dado.?S. 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.. Si los resultados se deben realmente aL azar y se toma la decisión de que son debidos al suero (error del Tipo I).70 utiliza como estima dep. Esto muestra cómo al incrementarse el tamaño de la muestra aumenta la seguridad de las decisiones. Solucionar el Problema 7. se deduce que el suero es efectivo con solo una probabilidad de 0. = ú(¡D=@=00456 f(0.14.05 ensayir la hipótesis de que (o) haya diferencia entre los distritos.-P.. se está forzado a toma¡ decisiones en acuerdo con la información utilizable y asÍ se tendrá que correr mayor riesgo de tomar decisiones erróneas. z Adüértase que las conclusiones anteriores dependen de lo que se esté dispuesto a arriesgar de tomar una decisión erróneá.195y600:0. respectivamente." 0.228 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. se compone de 300 individuos y si se curan 225 i* : 0. que son las mismas del problema anterior. Por otro lado.encontrándosedentrodelintervalonosepuedetechazatH¡ a este (b .6b0 respectivamente.-t'r= se ú'G. .15. l'pr-pz = donde (225 0 ú¡'.01.0. se rechaza É16 a este nivel y se deduce que el candidato es preferido en el dis' trito A . .96. se debe decidir entre la hipótesis (f/e ). que se estudia con un ensayo unilateral. Bajo la hipótesis ^FIe.33.650 0. Este es un riesgo que nb siempre deseamos suponer. Al nivel de significación del 0..528 = z - P.67 es puesto que el valor de z es mayor de 2. se rechazaría Hs si Z estuviese fuera del in' tervalo-1 .sol( r*-L * r*-L ) : 0.t 0.56)(300) 0.0374 P. z=ñ= - = 2. Denótese por pr y p2 las proporciones de todos los votantes de los distritos A y B.750 y 195/300 Adviértase que en este caso la proporción de gente curada en los dos grupos son 225/300 : 0. Co¡r un ensayo unilateral y al nivel de significación del 0.560 dondesehautilizadocomoestimadepyqlosvalores +(0. Bajo la hipótesis (Ho: pt:pr ) se tiene l¡. Entonces 0. Una muestra de 300 votant€s del distrito A y 2O0 del distrito B mostró que el 66% y el 48% respectivamente. en muchos casos es imposible el aumentar el tamaño de la muestra.645. es decir.P" = rrar. que se estudia con un ensayo bilateralCon un ensayo bilateral y al nivel de significación del 0.0374 . que están a favor del candidat<¡.zol ro.480 = -0^0456== nivel. En tales casos. 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.

: 9 grados de liber- Puesto que ?: 3.00..00. ) Para un ens¿ryo bilateral al nivel de significación del 0. Ensayar la hipótesis de que la máquina está en buenas condiciones de producción al nivel de significación del (o) 0.25 a 3. que para 5 grados de libertad da 7') -3.050.cAP.003 pulgadas. Se rechaza -1 :9 gradosde lls en caso contrario. se rechaza . Se deduce que la afirmación del fabricante es extremadamente improbable que esté justificada. Para determinar si la máquina sigue en buenas condiciones de producción. ¿Se puede admitir la afirmación del fabricante aI nivel de significación del (a) 0.05 se adopta la regla de decisión: (I) (2) (ó) Se acepta fle si f se encuentra dentro del intervalo-f cz¡ a f e75. . -t/n- t = 9!$-. Para un ensayo bilateral aI nivel de significación del 0.053 pulgadas y una desviación típica de 0.05. y la máquina de modo que se requiere un ensayo bilateral. se rechaza ffs . H lJ: 8000 libras.00.86 .01 se adopta Ia regla de decisión: (I ) (9) Se acepta .86.F/6 eri caso contrario. se encuentra en buenas condiciones no se encuentra en buenas condiciones Bajo la hipótesis (o H¡ se tiene .05 .05. = 4---f.01. Puesto que ? -B . 7.25.050.ee5. se acepta.05 pero no al nivel 0. lo cual para 10 libertad es eI intervalo -2. se adopta la regla de decisión (1) (2) Se acepta f/¡ : si ? es mayor de -f. se rechaza Puesto que ?: 3. se dice que lamuestraresultaproboblemente significatiua (véaee la terminología del final del Problema 7 .01 . Se desea decidir entre las hipótesis Ho: lt:0.01.01? Se tiene que decidir entre las hipótesis Ho:.01. y la afirmación del fabricante de modo que se requiere un ensayo unilateral. (b) 0.o. se adopta Ia regla de decisión (l) (2) (b Seacepta116 si ?esmayorde -ú. á ú.36.F/e en caso contrario. que para 10-1 tad es el intervalo -3. -1:5 gradosdelibertad da ?) -2. : ) Para un et¡sayo unilateral al nivel de significación del 0. ABI sería aconsejable comprobar la máquina o al menos toma¡ otra muesha. .01 .un. 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. y la afirmación del fabricante está justificada es falsa 1 : ¡t 1 8000 libras. Puesto que T = -3. (b) 0.F/6 si ? se encuentra dentro del intervalo --f.f.17. que resulta tener un grosor medio de 0.Efs al nivel 0. : ) Para un ensayo unilateral al nivel de significación del 0.F/s. Bajo la hipótesisae se tiene (o .05. Se rechaza.4!9 ú0 -t -_.6).ee.i6= = -8.g.050 pulgadas. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Ú ENSAYOS RELACIONADOS CON LA DISTRIBUCION DE STUDENT 7.26.L7¡"- 1= ?l|'!-_99rnJ .É16 elr cáso contrario. que para 6 Se rechaza. se toma una muestra de 10 arandelas. En el pasado una máquina ha producido arandelas con un grosor de 0.86. I/6 al nivel de 0.26 a 2. Ya que se rechaza lls al nivel 0.16. Se rechaza. y la máquina Ht: P + 0.

2:.51. .2 : 22gradosde libertad es 2.16 + 74 .1 fanegadas con una desviación típica de 0. a ú.05.01. Así pues. (cociente de inteligencia) de 16 estudiantes de una zona de una ciudad dio una media de 107 con una desviación típica de 10. (b) Con un ensayo bilateral aI nivel de significación del 0.8 0. no se puede rechazar Se deduce que no 116 al nivel de significación del 0.05. La media de trigo conseguida en las parcelas no tratadas fue de 4.y hay diferencia esencial entre los grupos Bajo la hipótesis lls.05.76. y (b) 0. En una estación agrícola se deseaba ensayar el efecto deun determinado fertilizantn sobrela producción de trigo. de los dos grupos al nivel de significación del (o) 0.O5 a 2.44 y T= ltz - t07 9. se tiene que Ho: lt : ltz ! no hay diferencia esencial entre los grupos Hti ltt =* tlr. la mitad de ellas fueron tratadas con el fertilizante y la otra mitad no (grupo control). n1*n2-2 "=!ffi (a) I 12(0. lo cualpara n1 * nz . 7.18.ffi + 12(0-36)2 t/". no se puede rechazar É16 al nivel de significación del 0. tiene que decidir entre las hipótesis se Ho: lt : ltz. y ¡r2 las medias poblacionales del decidir entre las hipótesis I.36 fanegadas.?6 a 2.y la diferencia se debe al azar H t: pt ) tt1.40 fanegadas.3s7\n/12 + Urz = 1. ¿Hay diferencia significativa entre el I.ee. hay diferencia significativa entre el I. Q. Así pues. de los estudiantes de las dos zonas. Todas las demás condiciones fueron las mismas.ee5. donde nrsl + n252. sé rechazará Ia hipótesis f16 si ? fuese mayor que ú.01. eue para 28 grados de libertad es el recorrido -2. T= Entonces xt- X. eue para n¡ I nz .01.44\/ l/16 + l/t4 = 1.1 - 4. se rechazará la hipótesisl{6 si ?se encuentra fuera del recorrido --t r¡g¡.85 Con un ensayo unilateral aI nivel de significación del 0. no se puede rechazar.2: 28 grados de libertad es el recorrido -2. se eligieron 24 parcelas de terreno de igual superficie. mientras que el L Q. Así pues. El I.4012 =o'397 v T= 5. Para ello.2 : 72 + t2 .y el fertilizante incrementa la producción Bajo la hipótesis I/6.ctsa ú e75. Q.05? Si se denota por ¡l-.Ef6 al nivel de significación del 0. T- xt-x.ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. de 14 estudiantes de otrazona de la ciudad dio una media de 112 con desviación típica de 8. Q. se rechazará Hs si T se encuentra fuera del recorrido -t. ? ?. ¿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.01. "t/U"t+ Y"2 donde o - n. respectivamente.19.01. de los dos grupos.45 (¿) Con r¡n ensayo bilateral al nivel de significación del 0..S! + nrS! n1 -ln2-2 Entonces t6+L4-2 =9. Q.8 fanegadas con una desviación típica de 0. "tf. mientras que la media en las parcelas tratadas fue de 5.

1 para v : 20 .2 para 19 grados sig de I O. LaclaseA tiene lGestudiantes en tanto que la clase B tiene 25 estudiantei.25 onzas.8.. sz :12 de modo -que G? = . 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 237 (ü) Conunensayounilateralalniveldesignificacióndel 0.EI6 al nivel de significación del 0. Una muestra aleatoria de 20 paquetes dio una desviación tipica de 0.06.v2 = 24 tenemos del Apéndice F. probablemente incrementado.!4 = '*rrrr'= 1Eo Hay que decidi¡ entre las dos hipótesis : o ¡ = o2.01? Hay que decidir entre las dos hipótesis: Ho: o :0. 24 grados de libertad (véase Apéndice F).1 : 19 grados de libertad. y cualquier va¡iabilidad observada se debe al azol Íi1: o1>. Así puee.05. En el pasado la desviación típica de los pesos de ciertos paquetes de 40.01. se rechaza .32 on?T.serechazarálahipótesisfl6si?fuesemayor que ú.y la variabilidad de la claseA es mayor que la de la B La decisión debe por tanto baearse en un ensayo unilateral de la dietribución F.01. que es igual a 30. 9tt" 4'rn. llenados por una. sería deseable tener alguna prueba más. se rechaza ^Ef6 al nivel de significación del 0._Lr'? = if Itr¡ (e)2 = 86.01. En el mismo examen.Ffs al nivel de significación del 0.0 onzas. Un instructor tiene dos clases.01 si el valor muestral de pues. que ás igual a 36. pues. Se deduce que el incremento en la producción de trigo alttilizar el fertilizante es probablemente significoúiuo. Sin embargo antes de sacar conclusiones definitivas referentes a la conveniencia del fertilizante.máqlLlina era de 0.Z5l2 = 82. f ( F. Así. se rechaza.01 paraZ¡ = L5. Y deberá efectua¡se una revisión en la máquina.Por tanto .72. muestras en cuestión.er:z.ee : 2. Entonces. y los resultado¡ observados se deben alazar H 1 : o > O . = E = *n@ = r.la clase A tuvo una desviaóión típica de 9 en tanto que la clase B tuvo una desviación típica de1'2.tá h.05 y (b) 0.Alnivel 0.74 eí Entonces.cAP. (o) (b) Mediante un ensayo unilateral.25 onzas.e5.ltle al nivel 0. (b) Ya que f'. ¿Es el aparente incremento de va¡iabilidadsignificativa al nivel de signifióación del (a) 0.05 que la variabilidad de la clase B es mayor que la de la clase A? (o) Tenemos. ya que Ad F( F . en una asignatura específica. ¡12 fuese mayor- Mediante un enaayo unilateral. y la variabilidad se ha incrementado El valot de 12 para la muestra €8 X2 : nsz/sz :20(0. empleando eubíndices 1 y 2 para las clasee A y B respectivamente.?0.32)2/(O.05 Si el valor de X2 muestral fuese mayor 9ue x?gs.05. p. lo cual para22 grados de libertad esL.05. aunque no hubo diferencia significativa en medias de las calificaciones.nn no podemos techazar ff6 al nivel 0.É16 al ni- Se deduce que la variabilitlad se ha. ¿Podemos concluir al nivel d-e significación del (c) 0. Vz:26-L=24. 4 = . se rechazará.8g. A y B.sr. .LL para 15.4.EIe al nivel de vel de significación del 0. vemos que tampoco podemos rechazar. F. sr g.oz.25 onzas. ENSAYOS RELACIONADOS CON LA DISTRIBUCION ¡' 7-2L. (b) 0. no se rechaza. El número de grados de libertad para las clases son respectivamente rr¡ :16-1:lb. ENSAYOS RELACIONADOS CON LA DISTRIBUCION CHI-CUADRADO 7.

llegando a una regla de decigión (2) Se decide sobre Q y P y después se llega a una regla de decisión. 7-6. se acepta cuando el p = 0.5 39.2L si existe una diferencia significativaenla media de las calificaciones de las clases? Justificar su solución.5 caras Fig.8. número de caras en 100 lanzamienüos se encuentra entre 39.6. Con referencia al Problema 7 .99 60.9' (d) P : O-4. (b)p : 0. ¿Canbiarían sus conclusiones en eI ProblemaT.5 4. ?-6.? tiene una media y una desviación típica que Bon dadas por p=np=(100)(0.6)(0. Para calcular esta área se obeerva que la distribución bajo la hipótesisp : 0. pues. .5 en unidades tipificadas = - 60 60 = = 0. (c)p :0.66 to'l.5405 Asi pues.7 39 5 caras 60.5 en unidades ' = : r/"pq 60.2 es decir.7 (es decir.90 V(100)(0.3) = 4. ?.7 7. que representa el nivel de significación del ensayo de lfe. En el diagtama se ve claramente que la probabilidad de acepLr .5 en unidades 39.7.22.2(ol.90 4.23.7-6 Si la probabilidad de cara es p : 0. con la regla de decisión dada hay un gran riesgo de aceptar la hipótesis de que la moneda está bien hecha cuando realmente P : 0.tO2: 0.6. la media y la desviación típica de la distribución de caras vienen dadas por !=np=(100X0.5 4.102 -4.jo la curva normal de La izquierda en la Fig. (a) Sip : 0. Adviértase que en este problema se tenía la regla de decisión de la que se obtenfa c y p.6 p-0. CURVAS CARACTERISTICAS DE OPERACION 7. ¿cu6l es la probabilidad de aceptar la hipótesis de que la mohecha cuando la probabilidad real de ca¡a es p : Q.0358.Efs cuando realmente p : 0.24.18 Entonces 9: área bajo la curva normal entre z : -4.5 en unidades tipificadas = 39.5.07 -6. Esto es de esperarse ya que no estamos tratando de decidi¡ si hay una diferencia en las medias de las calificaciones. con la regla de decisión dada hay muy poco riesgo de aceptar la hipótesis de que la moneda eetd bien hecha. está dada por el área rayada p de la iigura.232 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. probabilidad de error del Tipo I) viene: dada por el área toüd c de la región sombreada ba.5 p=o.2L no inüeiresa su¡ valoree.6. y después se calcula p. La probabilidad de rechazar Ffe cuando debería aceptarse (es decir. esta á¡ea d. En la práctica se pue' den presentar otras dos posibilidades: (I ) Se decide sobre c (tal como O.58 = 70 y'6oo)(oJ)(0.O1). probabilidad de error del Tipo II). Solucionar el Problema 7.ó y 60. entonces la distribución de carag en 100 lanzamientos eetá representada por la curva normal de la derecha en la Fig.4) = 4. sino solamente si hay una variabilidad en las calificaciones. es igual a 0.J? neda está bien La hipótesis ff6 de que la moneda está bien hecha.23 si (a)p:0.? .¡O tn Entonces I: áteabajo la curva normal entre z --6'66 y z -2-O7 : 0.58 tipificadas = üipificadas - = = : -2. cuando realmente P : 0.0192 Así.7)=70 60. Puesto que la media real de las calificaciones no se usó para nada en el Problema 7 .6)=60 ú = lnpq = 60.O5 ó O.18 yz : O. rOalculada en el Problema 7.

6 0.6 0.0 0.se gla de la decisión o enoayo de hipótesis.6 en unidadeb tipificadas Entonces = ry = q9? : = = -4.23y 7. blemas7.5 cuando realmente p tiene un valor distinto a 0. Interpreta¡ los gráficos obtenidos. 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. Representar gráficamente los resultados de los Problemas 7.0000 0.5405 0. si realmente'p : 0.3 0.0 0.5 0. 7-z (o) El gráfico p. Be ve que sip = 9.3 0.0000 muy aproximadamenüe.9642 y ha eido introducida en - L-p 1. 1c) Comparando con (b) o por cálculo.? 0.4 da el miemo valor deÉq.8. (b) Sip=0.7 0.0192 0.8 0.9: 0 pa¡a todos los propóeitos prácticoe.4 0.2 0.cAP. (d) Porsimetríap = 0.24 construyendo un gráfico cuyos ejes sean (a\ I y p.12 y z -4. La Tabla 7-3 muestra los valores de p correspondientes a valores dados dep.5. p ee muestra en la Fig.p:0.0000 0.. 7-1.4 0.t"p:0.09ó8 al nivel de significa- En general. Nótese que p representa la probabilidad de aceptar la hipótesis p : 0. .5 en unidades tipificadaa 39.9 1.5405 0. Sin embargo.3 02 0.0000 0.5405.5 se puede interpretar p como la probabilidad de acepoar p : 0'5 cuando debiera ser aceptado.1 0.1 0 0 (a) (D) Fig.eedecir.23y7. comolorobtenidosenlosProTabla 7-3 p B 0.1 06 0{ 0.12 p: área bajo la curva normal entre z : -10.6 0.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION y'(100X0-S)(0¿) 233 =¿. 7.8) = 80 y o=.2 0.9 0. (b) ( 1 p ) y p.9. Esta probabilidad es igual a 1 0.9642 0.0358 :0. el apuntamiento mayor de la curva OC es la mejor regla de decisión pa¡a techazar hipótesis que no son válidas.0192 0.9 0.(a).6 0.88 -10./nW= 60.6.8 0.24.25.0000 la Tabla 7-3.enüoncea p=np = (100)(0.88 = 0.8 0.

? ) E gráfico (1 .0 libras en unidade¡ tipificadas : 300 (307. y el nuevo proceso es igud que el primitivo 300 libras. 7. tt: 300 li- Ia probabilidad de aceptar el proceeo primitivo cuando la nueva resistencia media sea realmente 310 libras se representa por el área É de la Fig. (b) Bajo la regla de decisión adoptada en (a).26(br. 7-9. ae quiere decidir enhe las hipótesis: Ho: U: Ht: ! ) Pa¡a 300 libra¡. La cantidad p se llama tambiénfunción caructerístico de operoción de un ensayo. tiene la siguiente regla de decigión (referenüe eon la Fig. (c) Diseñar una regla de decisión para rechazar el proceso primitivo al nivel de significación del 0.27. *r. respectivamente con las distribuciones normales de la izquierda y de la derecha de la Fig. Considérense las doe hipótesis (Ho: bras) Las distribuciones de las resistencias medias correspondiente¡ a estas dos hipóteeis se repreeentan.p) ¡e llama a menudo función d. y el nuevo p¡oceso es mejor que el primitivo se un ensayo unilateral d nivel de significación del 0.33) =30?. 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. que debieran ser rechazadas. la regla de decisión anterior se convierte en: (I ) (2) (ó) Se rechaza 116 si la reeistencia media de 64 cuerdae excede a 30?. Esta es Ia probabilidad de aceptar Ho: ! : 300 libras cuando realmente es la probabilidad de comeüer error del Tipo II. es decir. 7 -7 (b).7-9 = iren. 7-9. y (Ht: tt: 310 libras). Razonando análogamente a como se hizo en el Problem¿ 7.310 libras es cierta.Enton= "lr/ñ 24/\/u Así.33. en caso contrario.J = 't. es 7.00 = 0.0 tb 307 tb 3r0 lb -1. Se cree que mediante un nuevo proceso de fabrica- puede inc¡ementarse la resistencia media.e potencia.26.0 libras.01 si se pone dé manifiesto qu¿ debe rechazarse al ensayar 64 cuerdas. p ¡e muestra en la Fig.26. Para hallar su valor nótese que 307. ¡e llama curua de potencio de la regla de decición o ensayo de hipótesis. de modo que realmente ambos gráficoe aon equivalenüee. se puede hdla¡ p para loe caeor en que el .P). i 800 *sz. de aquí que A - 310)/3 = Fig.310 libras? Supóngase que la desviación típica se mantiene en z4libras. I¡ cantidad (l . suponiendo que la desviación típica de las ¡esistencias se mantiene en z4libras.00. : -1. puesto que indica la aptitud o potencb de un ensyo para rechazar hipóüesie que son falsas. ¿cuál es la probabilidad de aceptar el proceso primitivo cuando en efecto el nuevo proceso incremente la resistencia media a. H t : ! -.33.9qo. bajo la curva normal de la derecha a la izquierda de z dect.158?. Si ción (a) ! es la resistencia media. ?-8): (t ) Se rechaza lle si la e de la media de resistencia muest¡al es riayor que 2.01. Se acepta ^Éfs en caeo contra¡io.234 (D ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. Esta curva ae obtiene ¡encillamente invirtiendo la curva OC.0 lb. (2) Se'aceptqlfq pue¡to 'que z = cessi Z>2. X>300+3(2.

7-11 se tiene: .05. Eeepués. por encima del cual se rechaza la hipótesis de que p : 0.5.9900 L1.4) debe ser á lo sumo 0.8 o.¡ o.2 0.05.5 en 0.l (excepto para el nivel de significación del 0.28. Tabla 7-4 tt 290 1.01 cuando el nuevo proceeo da una media de 800 librar). si el nuevo da una resistencia menor de 300 librar. de modo que no hay probabilidad de aeguir con el proceeo primitivo cuando la media de resistencia es mayor de 316 libras.6 0.?4Eo De esüa forma se obtiene la Tabla 7-4. p : 0.5) mediante un número de lanzamientos de la moneda.1687 316 0.0000 p 0.1 o más (es decir. p > 0.7-r0 (¿) La curva OC se muestra en la Fig. De la Fig. (b) La curva de potencia se ve en la Fig.0 libra¡ en unidades tipificadas: (307.7486 3r0 0. Para ensayar la hipótesis de que una moneda está bien hecha (es decir.0038 320 0.6 6 p f 0.05.0 . sepuedenobtenerdeellalaomismasinterpretacionesque de la curva OC. Determinar el tama¡1o mínimo de muestra necesario y enunciar la regla de decisión resultante. 315 librae.0000 300 305 0. en- 9: i¡ea bajo la curva normal de la derech¡ a la izquienda de z :0.6? : 0. la restricción (A) impuesta requiere que la probabilidad de error del Tipo I sea a lo sumo c : 0. etc. AquÍ y Tipo II. la curva baia ró- pidamente hacia cero. y de aquí - 396 librae. 7. ri ¡r tonces 307.0 B 0. ya que lae dog curvag eon esencialmente equivalentes.05.7-11.1 0. ?-10(o).7-10(b).305y9 = 0. mientras que la restricción (B) requiere que la probabilidad de error del Tipo II eea a lo sumo 0 : 0.5 0. es piácticamente.7 0.1 p (lb) 300 300 3to 3t5 (o) (ó) Fig. Por ejemplo. límite al riesgo de error del Tipo I Por ejemplo. La eituación planüeada se ve gtáficamente en la Fig.0000 296 1. se desea imponer las siguientes restricciones: (A) la probabilidad de rechazar la hipótesis cuando sea realmente conecta debe ser a lo sumo 0. se ha puesto Denótese por n el tamaño de muestra pedido y por ¡ el número de caras en los n lanzamientos.cAP.. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 235 nuevo proceco da un¡ resistencia media ¡r igual a 306 librar. En esta curva 6e ve que la probabilidad de seguir con el proce' so primitivo.9 0.6?. (¡) U probabilidad de aceptar la hipótesis cuando realmentep difiera de 0.

e¡ decir. Se construye una máquina que pr-oducfuá cojinet€s de bolas teniendo un diámetro medio de una desviación típica de 0. La elección en cada caso depende de la¡ circunetancias particulares del tnismo. ¡- np :1-77 - 159.llamado grófico de control de colidad. se toma una muestra de 6 cojinetes ejemplo.el 95V". Por tanto un promedio ponderado de todas estas probabilidades. p = 0. ? (f.6n 0.0.7 3% se puede decir que la media muestral X debe estar denüro del intervalo (p¡ entre cae a m p ¡t:0.. Cada vez que se observa una media muestral se representá por un punto en el gráfico.6.5. Sin embargo. Así pues.584 pulgadasi ee supone que la máquina es a- (2) De otro modo. Para determinar si la máquina esconstruida para el fin que se destina. se adopta la riguiente regla de decisión: (o) Se acepta la hipótesiep:0.) Eláreabajolacurvanorrnalp:0. .98. Para decir.29.n: 318.05. es 0.564 y 0. enfte 742 y 177 si el número de carac en Slg lanzamientos está dentro del recorrido 159. Obeérvese que tomando la probabilidad de aceptación como De(/) x .6 n Y x - 0. (o ) 3o¡) a (p¡*3o¡) con el 9€. también s€rá 0. que representan la probabilidad de error del tipo II.5n = 1.008yn=6. la máquina (b) Un registro de las medias no s€rú adecuada y habrá que buscar la razón de su ineptitud. En tanto que los punüoe se encuentran entre los límites 0.4r rtñ- (n.025.6 a la izquierda ae es 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. automáticamente tomarÍamos como 0.05 o menos cuando p tiene cualquier otro valor por fuera del recorrido 0.ít/n Vnpq= "- :0.96 r ó (Sl u. Cuando un punt'o se rale de estoe límite¡ control (tal como en la tercera muestra tomada el jueves).7 BVo o brevemente lfmite¡ 3o. L7 . Los límites de control determinadog anteriormente se llaman límites de confianza del gg.o:0..05 en el "peor de loc casos".6.73% de O. tales como los límitee d'el 99% o d..584 pulgadas.9É!= -r.236 ENsAyos DE Hrpornsls y sIGNIFrcAcroN lcAP. la moneda al menos B1g veces. = 0. dentro del intervalo 0.49\/n n = o.r) - 0.x :177.524 * Puestoque De aquí que la regla de decición eea como sigue: (l ) Si la media muestral decuada para el trabajo pedido.re'presentaría grárticamente la regla de decisión de (a).0'6n Realmente el área entre -f.4s 1/A 0.4 a 0.seeigueque I se encontrará entre (0. y se obsen¡a el diámetro medio de la muestra.5 en caso contrario. 7'l2. pueden igualmente determlnarse otros lfmiües de confianza.564 a 0.5. hay la posibilidad de que falle algo y se precisa una invesüigación del posible fallo.5.6 r¿ * 0. muestrales puede tlevarse por medio de un gráfico tal como ee muestra én la Fig.5 : . (2) es una cantidad muy aproximada. (o) Diseñar una.9801fa- e'¡ 9-.Saladerecha a" 7 (9) El área bajo la curva normalp 09" O.014l\/6\ y (0.008 pulgadas.5\/n De 0.6 n- 0.0.05 o menoa.806y'-n es De (3) y (4). GRAFICOS DE CONTROL DE CALIDAD 7. el procelo está bajo control. se debe lanzar p - 0.645 ó (t) o. 7 0. Se sigue que el tamaño de la muestra debe ser al menos 31g.5.Haciendo n : 319 en (3) o (4). es 0.O\4\'\/E) o Con confianza del 99 .05.574 . .49{n vnpq = '--. (b) S€ rechaza la hipótesis + 17 . (b) Mostrar cómo se.674.

47 6 p :0. Para la distribución de frecuencias observada. la distribución binomial ajusta- En la Tabla 7-5 se han obtenido estas probabilidades así como las f¡ecuencias esperadas (teóricas) y las observadag. página 178.9 ó 162 316. la media del número de caras es 2fr_ / _2470=2.0294 5 6 33 161.506)5-¡.2 ó 316 308. La bondad del ajuste se estudia en eI ProblemaT.7 ó 151 29. 7-12 AJUSTE DE DATOS A DISTRIBUCIONES TÉORICAS 7. Utilizar papel gráfico de probabilidad para determinar si la dist¡ibución de frecuencias de la Tabla 5-2.1507 0. página 163 puede ajustarse a una distribución normal.. Tabla 7-5 Número de caras (r caras) Frecuencia esperada Frecuencia observada 38 0 1 0.7 ó 309 150.2 t44 342 287 164 25 7. Así pues. Ajustar una distribución binomial pectivas de cara a los datos del Problema 5. .¿94)¡(0. : 2. El ajuste se observa que es bueno.43.cAP. dondep y q son las probabilidades resy sello en un solo lanzamiento de la moneda.1619 0.4 6 29 33.30.(0.3087 2 3 ^ 0.30.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 297 Lunes Martes Miércoles Jueves Viernes $ € bD osal 1} a a t ü {. Se tiene P(x caras en una serie de 5 lanzamientos) : f(¡) = sCrprqs-".1: np : 6p.31.C.47 rooo Igualando las medias teóricas y real se tiene 5p da viene dada por /(r) = . La media del número de caras es ¡.0332 0.3162 0. x F a os74 a a a t I a : o 0 s64 o Fis.494.

en un papel. ? 76 Frecuenei¡¡ Estatun (pulgad¡¡) menor que 61. Véase o a I É to 5 o a d E 62. 7.5 62. que da las áreas bajo la curva normal de 0 a z se obtiene con la tabla del Apéndice C.4177 0.68 6 2l 38.0 65.5 7t.41 0. Par:a. .238 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla [cAP.tlls.40 respectiva- La cua¡ta columna.70 -0. Multiplicando lo¡ valores de la quinta columna (que representan las frecuencias relativas) por la frecuencia total n (en e¡te ceso n = 100).3892 0.92 pulgadas (x mente El trabajo puede organiza¡se como en la Tabla 7 -7 . se obtienen lae frecuencias esperadas de la sexta columna. dadas en la quinta columna.36 1.0743 72-74 6 4 20.E 50 40 30 20 Primero.43 ít 7 4. como se ve en la Fig. Y se pone de manifiesto que ee ajuetan ba¡tante bien con las frecuencias observadas realmente.2771 0. anotadas en la última eolumna. El grado en que los puntoe así dibujados ee encuentran sobre una lÍnea recta. La¡az6¡ de esto se ve claramente con un diagrama.5 7¡.6 Rcl¡tiv¡¡ Acumulada¡ (%) 6. determina la bondad de ajuste de la distribución dada a la distribución normal.6 74. La "bondad {el ajuste" de la distribución qe congidera en el Problema ?.6 menor que 64. se rutiliz.5 7L. 7-13.92 ó 39 27. ?-r3 hoblema ?. 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). como se muestra en la Tabla 7-6.6 menor que 67. = 61.6 ¡¡+ 0.6? 0.5 66. las frecuencias relativa¡ acumuladas expreeadar en porcentajes.6 menor que 73.32.5 oD. Por lo anterior.7L 6 28 7. donde la media i y la desviación típica 6 se han obtenido en los Problemas 5.4920 0. se observa que hay una distribución normal que se ajusta e¡trechamente a los daüos. la distribución de frecuencia¡ dada se convierte en una di¡tribución de frecuencia¡ relativas acumuladas. s = 2. son pasadas sobre los límites reales superiores de clase.44.0 100. De aquÍ se sacan las áreas bajo la curva normal entre los valores sucesivos de ¿. página 163.0 92. 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. caicular e de los límites reales de clase.6 &tatura (pulgada¡) Fis.39 2.grófico de probabilidad eepecial.0 Io a E ql € ó a () 95 90 80 70 Q0 a (t 6 .0413 0. Ajustar una cunra nonnal a los datos de la Tabla 5-2.5 menor que 70.a -2.32.35 y 5.2068 6L65 6&68 69-71 68.46 pulgadar.z z = . Después.0 23.6 68.72 -1.t3 D 18 42 27 8 ñ.

respecti- xz = (o) El valor crítico (b @t:lptlz -(rz:.eo Entonces.1647 espeado 20.36.84.47 0. El cálculo de la varianza de la distribución da' da. > 3.2.50 pótesis de que la moneda está bien hecha al nivel de significaeión del 0. Las frecuencias de caras vamente.30 8. la varianza d : L.84. Entonces y eeüos esperadas si la moneda está bien hecha son np : 100.60 hipótesis de que la moneda está bien hecha al nivel de significación del 0. ?] ENSAYOS DE HTPOTbSIS Y SIGNIFTCACION Tabla 239 7-t 7. blemente bíen heclu. la euarta columna que da los números de días observados se ha repetido. respectivamente rr = 115.o loe números teóricos de días en los que ee presentarán ¡ accidentes (obtenidos multiplicando las correspondientes probabilidades por 50).63. El número medio de accidentes es Número de I Número de accidentes. durante los cuales r autos tuvieron accidentes en una ciudad. Entonces. np2 : tOO. puesto que 4.0494 0. Entonces.50 . puesto que 4. < 6.'12 ¡ 85. de acuerdo con la distribución de Poisson.1.05.56 6 ó 20 18 8 2 1 0. Tabla 7-9 Número de accidentes.33 I 2 3 18. Comparando con el valor de \ : 0.90 hallado.3 y 4 accidentes de esta distribución de Poisson. (b) 0.* : P(r accidentes) 1118 2 7 o. véaee método 1 del Pro" blema 7. 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. En 200 lanzamientos de una moneda se obsen'aron 115 caral¡ y 85 sellos.01.f 0l2r + : (21)(0) '50 (18X1) + (7X2) + (?liQ_l q)(a) = .v: + (85:!00)2 = 100 h 4.7:2 -L = l.01. 100 sellos) es h:2.CAP. a¡í com.4066 0. puede ser esto un indicio de la adaptabilidad de la distribución de Poison a la muestra de datos.24 2. Para conveniencia de la comparación. 0 r N(rmero de dÍasr Número de días obsen¡ado 2L 18 7 3 1 {r accidentes) 0. da 0. se rechaza la xlo¡ para 1 grado de libertad es 3. LA PRUEBA CHI. Para una verdadera distribución de Poisson. 313 {11 = Iq"+ill En l¿ T¿ble ?-9 aparecen lae probabilidadee para 0.33. .05.rj días.. Las frecuencias de caras y sellos observadas son.63. Ajustar los datos a una distribución de Poisson.np)z npt npz - (115__100)2 Pueeto que el número de categorías o clases (caras. Ensayar la hipótesis de que la moneda está bien hecha con un nivel de significación del (c) 0.9?. La Tabla 7-8 muestra el número de días f durante un período de 50 días.0111 4 6 6 ó Nótese que el ajuste de los datos dados a una distribución de Poiseon es bueno.34.CUADRADO ?. hi' la ) El valor crítico xlso para 1 grado de libertad = 6.3659 0.

npr o _ (rt-np)2 . El valor crítico a2e5 para 5 gados de libertad es 11. Se sigue como en el Problema 7.06.4.v:h-1-:6-1:b.05)2 7 -37.g.ema se cumple siempre que la prueba de chi-cuadrado comprende dos categoiías. (23-20)2 +--lO . (rs-np¡.84. Método 2.86.86.0. Entonces 114.34 utilizando la corrección de yates.35. (rt-nptl2 .15. 115 o más caras equivale a 114. Método 1. Véase Problema 4. se rechaza la hipótesis de que la moneda eetá bien hecha.86. Pa¡a una comparación con los métodos a4teriores.5)z _ .5)z = _100 )_ (L[. 7.s)z = 100_ 100 tt q^< 4. x2 (conegida) = = (lzt - nptl nPt 1001 0'5)z + !1""- np2l npz - 0'5\2 (1115 - 100 _ 0. 7. 115 caras en unidades tipificadas Bajo la hipótesis de que la moneda está bien hecha.34' Esto Con un nivel de significación del 0. es igual al valor de ¡2 corregido con la corrección de Yates p¡ra la continuidad del Problema7. la media y la desviación tÍpica del número de caras espe- : (l1b -lOO)t7. De ello se sigue que la concordancia entre ambas frecuencias no es tan buena como para no dudar de Io deducido. radasen200 lanzamientosdelamonedason¡r=np=(200)(0.2o5 < 6.36. véase método 2 del Problema 2.15. Con la corrección para la continuidad. 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)2.60.5 en uni: (114.)z .20.S¡(0f)--7.34 mediante la aproximación normal respectivamente. de modo que X2 : 5.00 > 1. Esto conduce a las mismas conclusiones que por el primer método.5. Solucionar el Problema 7.35.63 se deducen las mismas conclusiones que en el Problema ?. Entonces.07.5) =100yo=1fipq=/IZOO¡O. a la distribución binomial. ? 7.05 pero no al de 0.05 y un ensayo bilateral.6)esh:6. (2.5 o más caras. puesto que 5.240 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. ^-------::-:-. de nuevo en consecuencia del Problema 4.01 el intervalo sería -2. (16_20¡z _ *--lO-+ +ñ=5. Con un nivel de 0. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación del 0.-nps)2 (ra-npe)2 < 11. si el valor de z está fuera del intervato -1.7OO)17 . (24-20\2.96. Nótese que el cuadrado del valor anterior.05. (ZJ2)2 : 4.5)2 .1.58.5 . Nótese que el cuadrado de este valor. (rr.L2.93_4)' _(15-20\2 .34 que la hipótesis se rechaza al nivel de 0. . solucionar el Problema 7.O7 : 2.01.84 y 4.96 a 1.07 :2. (185 _ __ 1001 Í4.zvb Puesto que 4'205 > 3. Esto se cumple siempre que la prueba de chiruadrado eomprende dos categorías y se aplica la corrección de Yates.00 20-+ n 20 Puestoqueelnúmerodecategoríasoclases(carasl. (rz-npzl2 . no se puede rechazar Para 5 grados de libertad x%s: 1.b8 a2. es el mismo valor de X2 obtenido en el probl. La Tabla 7-10 muestra las frecuencias observadas y esperadas allanzat un dado 120 veces. dades tipifica¿¿5 : 4.00 la hipótesis de que el dado está bien hecho.1.2.

40. la aproximación de chi-cuadrado será errónea. obseryó 315 lisos y amarillos. ¡$5: 0.26 rugosos y amarilloe B4.76\2 3t2.81. De acuerdo con su teoría. ¿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. naranja. 5 naranjas. 9 que se da en la Tabla 7-11. : 3. 101 rugosos y amarillos y 32 rugosos y verdes. .38. Puesto que eetos números esperados Bon menores de 5.352 y X2 :0. . Ensayar la hipótesis de que la urna contenga proporciones iguales de los diferentes colores.4?O > 0.05. Bajo la hipótesie de que la urna contiene proporciones iguales de los cuatro colores.3 >2!3 sededucequeladistribución observada dífiere significativamente de la esperada al nivel de significación del 0.2.7I ENSAYOS DE HIPOTESIS Y SIGNIFICACION 241 7. (b) 0.'nr parav: h -1:9 gradosdelibertad es21-. Una uma contiene un gran número de bolas de cuatro eolores dife¡entes: rojo. ?. 108lisos y verdes. ?. En los erperimentos de Mendel con guisantes. Para evitar esto se agrupan las categorías de modo que los núme¡os esperados en cada categoría sea al menos 5. estos números deberían presentarse en la proporción 9:3:3:1.como 23. De modo que aunque el acuerdo es bueno. 4 amarillas y 1 verde.7.470 Puestoquehaycuatrocategorías. Puesto que los números esperados están en la proporción 9:3:3:1 (y 9 * 3 + 3 + 1 : 16). x?ss: 11. . ¿Hay alguna evidencia que permitadudarde su teoría al nivel de significación del (a) 0. loe resultados obtenidoe están sujetoe a unh razonable influencia de error muestral.39.zS lisos y verdes Struol = frtssol 104.3.zb rugosoe y verdes ft Entonces tssol = x2= (o) (b) Para v Para v (3L5 3L2. 7.cAP. teoría y los reeultados del experimento están de acuerdo. amari'llo y verde.L. . r ry = 2s. cabría esperar 3 bolas de cada clase en la muestra de 12 bola¡.75lisosy amarillos tol..h=4yelnúmerodegradosdelibertadesv=4-1=3.01. de modo que no se puede rechazar la teoría al nivel de 0.se esperarían fttssel = -- 312.05? El número total de guisantes es 315 + 108 + 101 + 32:556. Una muestra de 12 bolas extraída aleatoriamente de la urna dio 2 rojas.76 *W = 0. de modo que no se puede rechazar la teoría al nivel de 0. x2. Una tabla de números aleatorios de 250 dígitos mostró la distribución delosdígitos 0.. Se deduce que cabe sospechar alguna tendencia no aleatoria en dicha tabla de números.ss= = 3.Qe-2512 try+ .01. Se deduce pues.01.g El valor crítico d" x.352. que la Nótese que para 3 gtados de libertad. .

para las que la muestra dio 3 y 9 bolas. Puesto que el número esperado en cada categoría bajo la hipótesis de iguales proporciones es 6.84seestaríainclinandoarechazarlahipótebien.xjr¡.5)2 (124 - 2ol - 0. Ento¡-. en 360 lanzamientos cabría esperar "siete" y 1/18(360):20 veces "once".81 sellegaríaalasmismasconclusionesqueantes. se tiene x: = 0qj:_6Fo. 7. Sin embargo.(ig:lf-!éE. se tiene (174 (correglda. (5-e)z .tz.ces P("siete") : 1/6(360):60 veces 6/36 : 1/6 y P("once") :2136: 1/18. Los resultados observados pueden imaginablemente deberse al azar.07 Parav:2-1:7. respectivamente. l)na encuesta sobre 320 familias con 5 niños dio la distribución que aparece en la Tabla ?-12.ü.05.242 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.0?>3.10). 7. no se rechazaría la hipótesis al nivel de 0.05.10). = - 60l 60 - . En 360 lanzamientos de un par de dados. ¿Es el resultado consistente con la hipótesis de que el nacimiento de varón y hembra son igualmente probables? . Sin embargo. pues con la X2 corregida.-ss:3. puesto que incluso el valor corregido de y2 se encuentra cerca del valor crítico.puestoque4. (4--3)2 .5)2 #-g*): = 3. para grandes muestras tales como las de aquí. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación de 0.rP. se rechazaría la hipótesis a algún otro nivel (tal como 0.:-:_+r::__-::_:sis de que los dados estén X¿ 4.84. de modo que (74-60)2 .0.Entonces. . En general. "Siete" se puede presentar de 6 formas y "once" de 2 formas. Un par de dados puede caer de 36 formas.r que conduce a las mismas conclusiones anteriores. = ry.Desgraciadamente.:?. se obtendría ¡2 a pesar de que las frecuencias sean dema- (2-3¡z . = siempre reduce el valor de ¡2 . aun Otro método: Utilizando la corrección de Yates. (24-20\2 . se agrupan las categorías de forma que la evidencia en contra de Ia hipótesis se muestre claramente.. se observaron 74 veces "siete" y 24 veces "once". Esto se consigue en nuestro caso considerando las categorías "roja o verde" y "naranja o amarilla". z.41. de aquí que cuando no sea aconsejable agrupar frecuencias se debe recurrir a los métodos exactos de probabilidad incluyendo la distribución multinomial.1. se duda acerca de la decisión que se debe tomar. ? Si se desea rechazar la hipótesis. - e¡z -9 Parav:2-l:1. la aproximación ¡' para frecuencias pequeñas es pobre. En tales casos.42.05(aunque sí se puede al nivel de 0. empleando la corrección de Yates.84. Así pues.Asínosepuedetechazrlahipótesisalniveldesignificacióndel 0.) x2 _ = -6-. De otro modo.05.x2l)s==3. Esto cabía esperarse puesto que la corrección de Yates Debe ponerse de manifiesto que si se emplea la aproximación de siado pequeñas. 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. los resultados que se obtienen utilizando la correc- ción de Yates son más dignos de confianza que los resultados no corregidos. x' _ (1 -3¡:r ooo Puestoqueparav=4-1:3.65 De acuerdo. se tiene (9 ^cuando las proporciones de los colores sean iguales.

1 . Solucionar el Problema 7.(L44_161. v : k .. pero no al 0.1 y x. xL¡s:0.412_ -58:t-- . X?ss = 9. y los reaultados son 10. .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 5.103.68 38. De aquf queel ajuste de creerse. (4 niños y 1 niña).103.?11.45.01. TABLAS DE CONTINGENCIA 7. (88_100)2. BONDAD DE AJUSTE ?.(342_316.44. . (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. . 50.-.32.yg:1-p:probabilidaddenacimientodehembra. Se deduce que el ajuste de los datos es muy bueno.---r¡If.30. 100. .i".sss:15.--I¡Ié- .m : 5 . el ajuste no es "demaiido bueno". lag cla¡ificaciones 8on independientes.2)2 . v = k . cabría esperar que 70 individuos de cada uno de los grupos Be recuperase y 30 en cada grupo no se recuperase.2 : 2.serechazarálahipótesisalnivel de significación del 0.--lóo:t- .?)2. Determina¡ la bondad de ajuste de los datos del Problema 7. 100. Seap:probabilidaddenacimientodevarón.959 7. puesto que X2 = 0.---T08J. Adviértaoe que ¡fo es equiyalente a afirma¡ que la recuperación eeindependie¿úe del empleo del suero.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). x2.64 > O. x.05. (164-150. Utilizar la pmeba chi-cuad¡ado para determinar la bondad de ajuste de los datos del Problema 7.--_-16-_¡&..1 .92 27.3. como 8e indica en la Tabla ?-14.4.1 .z = 6 4.43.13 *(18-2-0:68)2 *(a2:^-39=92\2-(27:3ft7rl2 *(8:?'j13)z:0..x2.:z . 50.Entonpiobabilidadee de (5 niños). Para V 1 (que er el pará- los datos es muy bueno.1y0 niño¡seobtienemultiplicandolasres' (40-50)2. Para y : 4. 10.= (s8_33."..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 . La¡ condiciones del problema se presentan en la Tabla ?-13. Bajo la hipóteeis nula lfq de que el suero no tie' ne efecto.=--_a6---_Eñ-----Jó¡-----i6b--_-Ed.os= 5. De aquí (8_10)2 _. pectivas probabilidades anteriores por 320.9)2 . ..m : 6 .1 para y:61:6gtadosdelibertad. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla ?. Asf'puesto que X2 = 7 . Así se deduce que los reeultados son probablemente significativos y el nacimiento de varón y hembra no son probablemente iguales.-r3)2 . . "!ü Puesto que el número de parámetros utilizados para estimar las frecuencias esperads e8 m metro p de la dietribución binomial).43 20.99.13 utilizando la prueba chi-cuadrado.(287_308.959 > 0.!. Entonces.1 : 4. Pa¡a rr = 2.49. el ajuate no es tan bueno como pudiera = 4.?11.U Puesto que x:e5:11. Para v : 2 (que son la me- = 2.L .^ _ (18_10)2 (56_60)2. x.-El: .?)2 . (110_100)2. . 2. es decir.cA¡.os:0. 7.212.(26-29.

45 son también válidas aquí. Sr. Y y Sr. habrían suspendido 27 lL80 : Iíc/o de los estudiantes y DO .0.Xz egelcua- Nótese también que yn ensayo unilateral utiliaando ¡12 equivale a un enEayo bilateral utilizando. porejemplo. obtenido en el Problema ?.gs. Se No ¡e recuperan recuperan TOTAL 100 100 Grupo. _ ¡¡ (corre(rda) = (i75 -70\. = I.47. al rechaza¡ una hipótesis al nivel de 0. Tabla ?-16 FRECUENCIAS OBSIERVADAS Sr.38 < 3. drado Cel valor de z.--.05.5)2 * ----TO* ?O S0 _ . ^. De modo que hay un grado de libertad.5)r . En general.profesores son iguales. 7.No ee recuperan cupetan TOTAL [cAP. Solucionar el Problema 7.Puestoqueparalastablas2Xz.5)2 * ----?O- (i65-701 -0.54.84.13 FRECUENCIAS OBSERVADAS Se re.05 utilizando X" equivale a rechazar esta hipótesis con un ensayo unilateral al nivel de 0. se deduce que lob resultados no son significativos al nivel de 0. (125-301 -0.¡.84 para 1 grado de libertad y puesto que ¡2 = 2.ss : 3.!t_.5)2 . En la Tabla 7-16 se indican los estudiantes aprobados y suspendidos por 3 profesores: Sr. ya que la corrección de Yates siempre disminuye el valor de ¡¿".^se sigue que X er lo mismo que z en este caso. 200 140 30)2 o _ (75 x-1rc-?o70)2 - 70)2 . pueeto que una vez hecho esto loq números de las restantes casiüas vienen obligados por los üotales ya indicados.e5óx{-x. 7. Asf pues.46. ? Tabl¡ 7-14 FRECUENCTAS ESPEBADAS BAJO Ho Se re. conaidérese la Tabla 7-15. que es igual a la¡ dos dadas anteriormente. (35-301 -0.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.A Grupo B TOTAL 140 60 200 Puesto eue X. ya que. como en la página 215 (véase Problema ?. Z. Y 47 L4 61 Sr. Está claro que solamente se tiene libertad lara colocar un número en una de las cuatro casillas vacías.30\2 (36 *ffi = 2'38 Tabla 7-16 Para determinar el número de grados de libertad. X Sr.244 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla 7.45 aplicando la corrección de Yates.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. Ensayar la hipótesis de que las proporciones de estudiantes suspendidos por los tres . 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.51).-. x2)x2ss correrpondea x>x.vó Obteniéndose que las conclusiones del Problema 7. Esto podría haberse visto rápidamente.13. or^_. Nótese que X2 : 2. pero en la que solamente se han puesto los totales.38 es el cuadrado del valor de z : 1. X.10 uüilizando z. 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.

Tabla 7-17 ITRECUENCIAS ESPERADAS RAJO Sr. 153 qn X Sr.60-=4. Puesto que x. Mostrar que para una tabla de contingenciah X h tad es (h . (47.zs¡ : 5. * ó1)(o1 * o2) o1*óq*a21b2 n a2b.e 64 54. .85 85V" d.15)2 (8-9.49. Sr.15 61 15% de 64 8. Y 85% de S¡. que puesto que x:eg : 4.60)2 4175 -. Las frecuencias esperadas bajo FI¡ se muestran en la Tabla 7-17.L5% de 55 : I5% de 6t 9. Hay h (fz > 1. X ¿IO Tabla 7-18 Sr.61.85)2 (56-54.gina 22O .(h+Ic-l) = (h-lx/ú- 1) como se requería.r"/" a1b2 (o. 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 10.99.1).n2nslnl2 . 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.25 OD : didos TOTAL 55 61 9.CAP. Así pues. Z TOTAL 153 27 Aprobair¡c didos TOTAL 85% de 55 : 6l 4G. sin embargo. Nótese que este resultado es válido si se conocen los parámetros poblacionales necegarios para obtener las fr. que es igual que la Tabla 7-L7 pero en la que solamente se han puesto los totales. Nótese. at__n_ = -nrrxJn (ór nrnsln)2 (b2. Pero : (ar- nrnn/n)z (a".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 7-45.5135-547ó-----d25 9J5 --.05. no se puede rechazar I/e al nivel de 0.75 = = 51. todos los números restantes vienen obligados por lo8 totales. Z TOTAI. pá.40)2 (5-8._ (50-46. Í4-9. hay en este caso dos grados de libertad. se puede rechazar lfs aI nivel de 0.51.-. Y St.60 64 180 64 180 Entonces o x-.ó+ Pa¡a determinar el número de grados de libertad.núnR/n "r'. Se deduce que el número de gtados de libertad hk .n"n¡ln\z' nrnn/n ntftl. Entonce8 *.40 : Aprobados Suapen- Suspen. k > 1) el número de grados de libereg * & - 1 totales independientes de un total hÉ. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION habrían aprobado el 86Vo de los estudiantes. de otra forma se necesitan ajustes como los descritos en ( b ).25)2 . Está claro que como cada fila y cada columna han decumplir con loü totales.1Xk . 7.ecuencias teóiicas.75\2 . después de lo cual. 7. considérese la Tabla 7-18. 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.48.

45. -flg L-p l-P2 = bc -= = q = -.azbtl . Sise aplica la corrección de Yates.=&r*a2*b1*b2. frA=úr*az. Denótese por P1 y P2 las dos proporciones muestrales y blema 7. COEFICIENTE DE CONTINGENCIA ?.Prl .10012 = 1. se tiene p la proporción poblacional. ns = ür*ó2. bz = nz(l- Pz) tlg = flq Utilizando (3) y (4). entonces riI ) del Problema 7.bq - aqb'12 donde A:&tbz-azbt.46 ¡2 (corregida) = ---ñ^"" - = - (25X65)l (140)(60X100X100) .50. el resulüado eg el mismo que en el Problema 7.. r¿¡ = 100.49 da x2 = n(1aft2. ür : 'tL¡ = flP.. ns = 100.49.tn)z = 200il(?5x35) 2.49 paralos datos del Problem^I.a2b)2 -T nrn2nAnB nrn2(Pr. Or--m arb2 = - a2b. ¡e tiene del Problema 7. P. a2=26.P)2 que es el cuadrado del estadístico Z. Con referencia al Pro- (r) (2') P. = #. n2:60. 1-Pr .49 x2= n(ap2. yn:2OO. Dr = 65.38 : Empleando la corrección de Yates.246 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.93 7.Pr)]2 nrnínpnq = nfri\+LlllrJ (Ya que n = nt+tt2l (Pt. dado en (IO) en la página 215. (/ ) se remplaza por (21 "rr"r"^"" : nL2 nrnznAnB x2 (conegida¡ n(ltl. 7 Análogamenta Así. f. C= vra = {*#fu : r/d'6112e = 0'1084 .51. bz:35. de modo que (r) (4) ú1 = nlPy az = nzPz. EnelProblemaT. .=. Ilustrar el resultado del Problema 7.4S. n1=at*b¡ nz=a2*b2. a1 =75.P)2 nWtPrA$ .n2P2n{l . 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).ln)? = -"r!rrrñr" 7. - O2 l¿z' fL¡ tl' ó.45. da x' : D'- n(a.52. Halla¡ el coeficiente de contingencia para los datos de la tabla de contingencia del Problema 7. r¿r(1 - Pr).ozbr\2 n /orbz-ozót\2 ml?¿B\ n n nzn¡\ n n¡r¡\ / / / n fatbr-tzDt\2 n ?zrs\ / que al simplificar.. nt=140. se puede escribir az-ry = ur-ry = Í2fts . ^ (t) n /otbr-ozbt\2 n lotbr.

. 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.5 cuando realmente (a) p : 0. En el problema 7.4. C. Esta tabla de contingencia aparece en la Tabla 7-21.cAP. (100 . En el Problema 7. Hallar la probabilidad de rechazar la hipótesis cuando es corTecta.21 valor máximo de C ee presenta cuando la¡ Se recuperan No se recuperan 0 TOTAL 100 GrupoA (utilizando auero) (no utilizando . (f) p : 0.618 .X.ro)¿ .5 (ee decir.64.3)10] = 0.(+Xá) * .7)7(0.". P(7 o más correctas) : P(7 correctas) * P(8 conectas) + P(9 corectae) * P(10 correctae) = .¡* .L27).7)e(0. = 1/@-ffi.13. Nótees la probabilidad de error del fipo I. do¡ clasificaciones son perfectamente dependiente¡ o a¡ociadas. Para ensaya¡ la hipótesis de que el estudiante acierte por car¡udidad.a 7.3)2+ r0Ca(0.5 cuando realmente = O'7' : O.(iX. suponiendo independencia total.t..9..3. (a) Sip : 0.?0?1. hallar la probabilidad de aceptar la hipótesisp = 0.".54.6)101 = 0.2.-60 .6.ueno) TOTAL 100 (irupo ó 0 100 100 100 100 200 .7)8(0.6)8(0.50)2 (0 .= (100 zw En general.3) + r0Cr0(0.56. ee 0.?1e Asi ee que ésta pues. el estudiante está adivinando. en la gue el número de fil¡s y columnas eon ambas iguales a &. En tal caso. 7l ENSAYOS DE HIPOTESIS Y STGNIFICACION 24V 7.6)?(0.. adopta la siguiente regla de decisión: (i) si 7 o más respuestas son acertadas el estudiante no las acierta por casualidad.3)3+ r0Cs(0. Pueeto que las frecueneias eeperadas.6 la probabilidad pedida será 1 - [P(? conectas) * P(8 correctas) + P(9 cotrectas) + P(10 correctas)] =|- ho0?(0.". son todas igualea a 50.(g)p : O. = 0. Seap la probabilidad de que una pregunta sea contestada correctamente.o. (d) p : O. para la dependencia total en uua tabla de conüingencia. el e¡tudiante acierta alazar).[roOi(0. Para taleo ca¡os..1?19. (e) p : 0. hallar la probabilidad de aceptar la hipótesis p P : 0.3504 7./Zt(xz + n'l = t/ñl@6T 2oo-) = 0. todor loe que tomen el suero 8e recuperarán y todor lor que no se lo tomen no Be recuperarán.----80Entonceg el valor máximo de C e¡ .54.(.4) + 10010(0.8.55..60)2 50 .4)3+ roOs(0. La probabilidad de conteetar correctamenté Bajo la hipótesisp r pregunta¡ de las 10 será rcCrqqto-'. (b)P : 0.53.i . donde g =L- p.4)2+ ro0a(0. la probabiüdad de decidi¡ que el eetudiante no reeponde al aza¡ cuando es que si. Hallar el valor máximo de C para la tabla 2X 2 del Problema 7.(á) = 0.0o)z (0 .---80. 7. Un instructor hace un cuestionario forurado por 10 preguntas falso-verdadero. D Tabl. (ii) en caso contrario.6)e(0.. (Véase Problema 7 .. " x.".? Bajo la hipótesis p P(menoc de 7 corectas) : - 1 -P(7 o mác conectas) 1 . (c)p : 0.

Tabl¡ ?-22 p B 01 1.68. Ensayo u¡ilateral.1. el resultado observbdo es significativo al nivel 0. .5 dado por p : 1 .!¡. $oluciona¡ el Problema 7.945 0. Sea p la probabilidad de ca¡a en un solo lanzamiento de la moneda. +i. Pueeto que P(6 ó 6 earar): * + # = éa:0. Utilizar el Problema 7.013 0 828 7.248 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. se habría obtenido la curvo de potencia de la regla de decisión.5). 4. no se puederechazar.5)(ee decir. 3.05 ó 0.01. como se muestra gráficamente en la di¡tribución de probabilidad de la Fig. por #.2188. Puesto que P(0 ó 6 carar): t'o+* = 0.03125. Una moneda que se lanza 6 veces da 6 veces cara.01. 1.6 0. (g) pueden hallar¡e análogamente y se indican en la Tabla 7-22 junto con el valor correspondiente a p : 4.8 0.57.999 0.5 cuando realmente p > 0. **. Nótese que la probabilidad se denota por p (probabilidad de error del Tipo II).1094. 7.3 0. . Ad- la curva OC del 06 Si se hubiese dibujado (1 -p) yp.01 (es decir. caraa en 6 f(x\ = P(x lanzamientos) = Entonces lae probabilidsdes de 0.trf6 llnivelde .¡qn.2 0.618 0. la moneda está bien hecha).6 y 6 caras son dadas.121 0.05 y (b) 0.6) y (Ht: p > 0. . viértase la semejanza con Problema 7-27. pero no al 0.05.5).828 del Problema 7. si en la moneda sale 5 veces cara.05 ó 0. respectivamente.01. se puede rechazar. (c).05. l0 09 08 0? El gráfico pedido es el de la Fig. Puesto queP(0 ó no ee puede rec}ntzar H¡ al nivel de 1ó 5 ó 6 caras) = 2(t) = 0.54.64.9 0.Puesto queP(6 caras): f¡ :0.7 0.8.1 El grafico indica que la regla de decisión dada ee muy odecuado para rechazat p:0.989 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. 2.t+.1?19 : 0.t v i.1094. .7 hallado en el Problema 7 . 7-14. Se ha irrcluido también el valor para p : 0.ó) y (Ht:. 0. ee puede rechazar ñfe Ensayo bilateral: al nivel 0.350 0. 7-15. Ensayo unilateral: Aquí se deeea decidi¡ entre las hipótesis (Ho: p: 0. Aquí se desea decidir entre la¡ hipótesir (Ho: p : 0.58.0. pero no al 0.06. ¿Puede deducirse que al nivel de significación (c) 0.Ele al nivel 0.01 la moneda no está bien hecha? Considerar ensayos de una y dos colas. Ensayo bilateral. Bajo la hipótesis (Ho: p: 0. 03 02 0.5 0.65. 0. pero no d 0.000 0.01).01662 y P(6 ó 6 carad) = * +-# : 0.4 0. 7. p + 0.59. ? Loa resultados de (b).

tiene aproximadamente una distribución chi-cuadrado. .61.. + ' ' ' + Y¡ es en sí migma una va¡l¡ble de Poi¡eon con parámetro np¡ * np2 + .tYx=at I Yr* Yz-1. p I Frecuencb observada Frecuencia esperada nP np II n(l. y2= u2.. Tal como oe establece.endientec. = (nP .¡Yt=Ur Y Yt+Yz+ "' *Y¡r= P(Yr+ Yz| "' * Y¡ = n¡ e-n n¡ Entonces.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 249 7.. .+ph=L. Por t¿nto reeecribimo¡ (2/ ) como (r) x2 = /t'=^')'*f"'=^'\'*. Yr + ).:í-^*f e-^ dondehemo¡uuiüzadoelhechodequept*pz+. como se define por (21). con frecuencias esperadas flPt.6t pa¡a demostrar que ¡2.p)2 PQI'I¿ 7. npp respectivamente. Epplear el resultado del ProblemaT." Por tanüo (2) ee conüerte en P(Yr=Ur.págtna 218.23 Si P es la proporción mue¡tral para La categoes la proporción poblacional y n eo la frecuencia total.. ..Pl n(l-p)=nq TOTAL n .Yt va¡iablesmutuaÍienteiñdependientes con dist¡ibución de Poisson y parámetros tr¡ : npt. Sin embargo.. n(P. página 118].60. de (I )..cAP.. ^#--"Jpltpf2"'plk 7.nPz. Demostra¡ que la dist¡ibución condicional de las f dado que Yt*Yz+ "'+Yx = es precisamente la distribución multinomial de las X. (21) ea diffcil de manipular ya gue las X di¡üribuidas multinomialmenüe son dep.= ut. / \V^r/ \Vrzl ...*/t'-^'\' \Vrr. .. *Y¡r= n¡ PlYr=At. Tabl¡ ?.aL. . que Yr + Y.¡p_r¡rll*l)q/ = '' \P Pq = (P-.Y2=U2... i npn: n.. Asl el denominador tiene el valor "":.96. sabemos del hoblema 4...'.. ce pueden describir las ei- ría I.. de acuerdo con la resüricción (221.L tu¿cione¡ por medio de la Tabla 7-23. Pa¡a la función de probabüdad conjunta de ft l¡¡ Y tenemos (r) (21 p(y.61 demuestra que podemos remplaza¡ las X por lae Y independienúes con dietribución de Poisson ai ae cumple que Y¡ + Y2 + " '* Y¡": ¡.p)z = .. Enüoncec. el Problema 7...l\z : npz trr : zpr respectivamente.. . busc¿ndo está dada por Iadi¡üribucióncondicionalqueeetamos P(Yt.Y¡=Ur I Yz* ..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.Yz=U2r ..Yz=Az. por definición. el numerador en (2) tiene. .62. Suponga que Xt. *Y¡= n¡ = que ee la distribución multinomial de la¡ X [compárese (I6).. página 14?. Xz X¡ tienen una distribución multinomial. Mostrrir que una prueba en chi-cuadrado que comprende dos categorías es equivalente al ensayo especial de significación para proporciones (pagina 214).1'"'-. iYr. yx= ax) = 19#)1-+gj. (5) de la página 214. Sean f. el valor En cuanto aI denojminador..

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

7. Solucionar el Problema 7.. 7. (ó) Interpretar gráficamente la regla de decisión y el resultado obtenido en (o). (o) ¿Qué regla de decisión ?. Recientemente.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.Of O.(o¡ : 1 s Por tanto la función . la puntuación medi¡ fue de 74..66.05 desde el punto de vista de (o) un ensayo unilateral y (b) un ensayo bilateral..05 y (ó) 0. se acuerda en tomar una muesüra de 64 bglas con anotando lo¡ colore¡ extraídos y adoptando la siguiente regla de decisión: (I ) se acepta la raen entre 28 y 36 bolas rojae.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 26L Para evaluar el denominador de (5) notamos que la variable aleato¡ia W = lptZl * es l-p222 + .63 si ee quisiera que la probabitidad de rechazar la hipótesis siendo realmente conecta sea a lo sumo 0.lO¡ La experiencia ha demostrado que la media de resistencia a la rotura de una determinada clase de hilo e¡ de 9-72 onzas con uria desviación típica de 1.93 onzas. y por tanto a la¡ Y o a las X reduce el número de grados de libertaá en X2 en 1. se quiere un nivel de significación del 0.0. ee decir. (Zr)-t/2(ze) Al dividir (8) por (9) obtenemos el resultado deseado.7 o. Comentar la significación de este resultado al nivel de 0. es decir. 7'68.01? Se lanza un par de dado¡ 100 veces y se observa que un total de ('siete" apa¡sce 23 veces. Discutir las razones de las posibles preferencias de uno de estoe ensayos sobre el otro.entarios ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NOBMALES ?'63.01.trLtroyo uniiateral y un nivel de significación del 0.05? 7. Supóngase que en el Problema ?.01 que el es ahora peor? hilo 7 . (¿) ¿Cuál eería la hipótesis nula y cuál la alternativa? (b) ¿Se utilizaría un ensayo de una o doe colas? ¿Por qué? (c) ¿Qué regla de deci¡ión se adoptarfa si el nivel de significación fuera del b.01. normal (puesto que e8 una combinación lineal de la¡ variablee Z normaies e independientee). Var (W) = pr(l) * pz$) * . + V!f.67.69. En una escuela determinada con 200 estudiantes el mismo examen dio una puntuación media de 75.1i¡ ee rechaza en caso co¡rtra¡io. Esüo provee Problernas suplem. se adoptarÍa en el Problema 7.0ó? (d) ¿Cuál sería la regla de decisión si el nivel de significación fuera del 0. Una urna contiene bolar roja.. y Denominado¡ (. Enaayar la hipóteaie de que los dados esüén bien hechos. Un fabricante sostiené que al menos el 95% de los equipos que Euministra a una fábrica eetá de acuerdo con las especificaciones requeridas. donde z : h - las bases para las reglas dadas en la página 219. una muestra de 36 piezas de hilo dieron una resistencia media de 8... erplicando las conclusiones sacadas con estos ensa- . + {pt Zt.9. mediante (of un ensayobilateralyla¡.cAP. Para ensayar la hipóteeis de proporciones iguales de e¡to¡ colores.66 ei el nivel de significación es del 0. y que E\W\ = VE(O) + \/p2(o)+ .e) = p(lWl < e) - e4(0)(Z€) = 7. no cargados.e y azules.. En un examen dado a un gtan número de estudiantes de muchas escuelas distintas. * p¡(1) = de den¡idad paraW es p(rr) : (Zr)-r/2e-u2/2.OO. 7. Un examen sobre una muegtra de 200 de talee equipos reveló que 18 eran defectuosos.1 y la desviación típica fue 8.40 onzas.65. (o) Hallar la probabilidad de rechazar la hipótesis cuando en realidad aea correcta.05. yos. Ensayar la afirmación del fabricante al nivel de aignificación del (o) O.64. proporción d. .ebolac rojas que de azules. La "demostración" anterior (que puede hacerse rigurosa) muestra incidentalmente que cada restricción lineal colocada alas Z.63 se desea eneayar la hipóüeeis de que hay moyo. ¿Se puede deducir al nivel de signüicación del (o) 0.

a2.05.01 las niñastengan mejor ortografía que los niños. la puntuación media de 32 niños fue de 72 con una desviación típica de 8.032. Para ensayar los efectos de un nuevo fertilizante sobre la producción de trigo. determinar si los dos tipos de soluciones tienen diferentes valores de pH. una parcela de terreno se dividió en 60 cuadrados de áreas iguales.01./o con una desviación típica de 0. 7 .70 si el nivel de significación es del 0. 7. Ensayar la hipótesis de que a los niveles de significación (a) del 0. con los niveles de significación de (o) 0.76.8f En el Problema 7. 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. ENSAYOS EN RELACION CON LA DISTRIBUCION ú DE STUDENT 7.73.5% y una desviación típica de 0. respectivamente.252 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Solucionar el Problema 7.8 y 0. Mediante unniveldesignificación del 0. Una muestra de 8 bombillasdelaproducciónactualdiouna du¡aciónmedia de 10?0 horas. Una muestra de 100 bombillas de un fabricante A dio una duración media de 1190 horas y una desviación típica de 90 horas. 7. todos ellos tenían idénticas características de suelo.7L.2 con una desviación típica de 0.19. A causa de lo costoso del mantenimiento de estas máquinas resulta que a menos que el tiempo 4e producción ee disminuyaen un8.54 fanegadas.01? En el Problema 7 .7 4. El nuevo fertilizante se aplicó a 30 de estos cuadrados y el antiguo fertilizante a los restantes.83. Unamuestrade 10 análisis dio una media de contenido en cobre de 23.05 y (b) 0. (b) 0. Explicar las diferencias entre esto y lo que se pedía en el problema anterior.7 8. En un examen de psicología de 12 estudiantes de una clase hubo una puntuación media de 78 con una desvia- 7. El número medio de fanegadas de trigo cosechadas por cuadrado en los que se utilizó el fertilizante nuevo fue de 18. exposción a la luz del sol.4a. .77.05.72.49 con una desviación típica de 0.05. respectivamente.63 fanegadas.a media y desviación tfpica correspondientes a los otros cuadrados fueron 17. Un experto efieiente mantiene que introduciendo un nuevo tipo de maquinaria en un proceso de producción se puede disminuir sustancialmente el tiempo de producción. ción típica de 6.01. [. ensayar la hipótesis de que el nuevo fertilizante sea mejor que el antiguo.76.05 y (b) 0. En seis pruebas de este tipo se obtuvo un decrecimiento en eI tiempo de producciónde 8. etc.05. < 1-t2O horas.52 con una desviación típica de 0. mientras que la puntuación media de 36 niñas fue de 75 con una desviación tÍpica de 6. ¿Se contradicen los resultados con los del problema anterior? En un examen de ortografía en una escuela elemental. 7.01 V (b) 0. Una muestra de 75 bombillas de otro fabricante B dio una duración media de 1230 horas con una desviación típica de 120 horas.01. ? 7. Utilizando un nivel de significación del (a) 0. ¿Hay diferencias entre las duraciones medias de las bombillas de los dos fabricantes al nivel de significación del (o) 0. mediante un nivel de significación del (a) 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. ?. Utilizar el nivel de significación del 7.32%.024.05 y (b) 0.01. 0. Ensayar la hipótesis de que la duración media de las bombillas no ha cambiado.01 y (ó) 0.01.80. me- 7. Con un nivel de significación del (a) 0.05 y (b) del 0. lcAP.2% de cobre.79 ensayar la hipótesis de que el contenido medio de cobre sea más alto que el que marcan las especificaciones. mientras que 15 estudiantes de otra clase tuvieron una puntuación media de 74 con una des- .7 7 ensayar la hipótesis ¡¡ : 1120 horas contra la hipótesis alternativa tt diante un nivel de significación del (o) 0. En el Problem a 7 . Análisis de 5 muestras de B dieron un pH medio de ?.05 y (b) 0.05 ensayar la hipótesis de que las máquinas deben ser introducidas.24%. 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.O7o laintroducciónde tales máquinas en eI proceso resulta antieconómico.01 y (b) 0. Análisis de 6 muestras de A dieron un pH medio de 7. ¿Puede deducirse al nivel de significación del (c) 0. Las especificaciones para Ia producción de una cierta aleación piden el 23. ENSAYOS REFERENTES A DIFERENCIAS DEMEDIAS Y PROPORCIONES 7. Dos tipos de soluciones químicas. 1 . Ensayar la hipótesis de que (o) las dos máquinas tengan diferente calidad de fabricación y (b) la máquina B sea mejor que A.05 que el producto presenta las especificaciones requeridas? ?. A y B fueron ensayadas pa¡a ver su pH (grado de acidez de la solución).

tienen varianzas dadas por s? : 16 y s2 : 8 respectivamente. Comparar estos gráficos con los del Problema ?.26 y 7 .731o ó 3o.77 una muestra de 20 bombilta¡ reveló una desviación típica en la duración de 150 horas.25 considerando Ia analogía de bolas rojas y azules con caras y sellos respectivamente. ¿Concluiría que esto no es común? Explicar.95. (o ) Solucionar los Problemas 7 .94. al nivel de significación del (a) 0. La desviación típica de resistencia a la rotura de ciertos cables producidos por una compañía viene dada por 240 libras.86. ?.01 . ENSAYOS EN RELACION CON LA DISTBIBI'CION CHI. 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. Construir (a) unacurva OC y (ó) . se toma cada 3 horas una muestra de 16 piezas de hilo y se determina la resistencia media.27 si se eru¡ayan 400 cuerdas.90 construyendo un gráfico de (c)p V p.65. una curva de potencia correspondientes al Problema 7.85. desviación típica de las temperatwas anu¡legde una ciudad en un período de 100 años fue de 16" Fahrenheit.6.90. Comparar estas curvas con las del ProblenaT . Hallar los límites de control del (a) 99. se toma una muestra cada 4 horas de 200 de las tuercas producidas.82.28 onzas. Para mantener esta calidad de producción.91. Con un nivel de significación del 0.81 . (e ) 0. Solucionar el Problema 7. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION es 263 superior al segun- viación típica de 8. Dos muestras consisten de 21 y 9 observaciones.ores. La resistencia a la rotura de una muestra de 8 cables dio una desviación típica de 300 libras.CUADRADO 7.27 GBAFICOS DE CONTROL DE CALIDAD 7. ENSAYOS EN RELACION CON 7 LA DISTBIBUCION F . ?.8. (b) (1 -p) y p. Para determinar si el producto está de acuerdo a estas normas.64 onzas y una desviación típica de 1.05 determinar si el primer grupo do. En relación con el Problema 7. durante los 15 últimos años. Después de introducir un cambio en el proceso de producción de estos cables.84. mediante un nivel de significación del (a ) 0. un cierto tipo de hilo producido por un fabricante tenía una resistencia media de roüura de 8.cAP.E8.87 si las dos mueetras con¡i¡ten de 60 y 120 observaciones respectivamente. (b) 99% sobre un gráfico de control de calidad y explicar sus aplicac¡o- nes.05 y (b ) 0.9.05.63. 7.93. En el Problema 7. ?. (b ) ¿Qué conclusiones pueden sacarse de acuerdo con Ios riesgos de error del Tipo II cuando se incrementan los támaños muestrales? 7 . (b ) 0. .05. Ensayar la hipótesis de que la primera varianza poblacional es mayor que la de la segunda a un nivel de significación del (o ) 0. ?. Adviértase que en esüe caso solo son necesarios los límiúes de control super.89. (c) 0. En el pasado. (b ) 0. Alrededor del lVo de las tuercas producidas por una compañía son defectuosas. Investigar la significación del aparente incremento enla variabilidad.01? CUBVAS CARACTERISTICAS DE OPEBACION ?. t¿ ?. (b) 0.0f . Ensayar la hipótesis de que las temperaturas en esta ciudad presentan ahora menos variabilidad que en el pasado. (d) 0. Determinar los Iímites de control del (a ) 99% y (b)95% pam el número de tuercas defectuosas de cada muestra.92. ?. determinar Ia probabilidad de aceptar la hipótesis de que haya igual proporción de bolas rojas y azules. Representar gráficamente los resultados del Problema ?.01. Con la temperatura media del día 15 de cada mes.3. cuando la proporción real p de bolas rojas sea (o) 0. En el Problema 7.7.

resultados obtenidos son consistentes (. 7. Se Tabla 7-28 0 rojo 2 blanco 1 rojo 1 blanco 53 si los extraen aleatoriamente dos bolas de la urna.103. 7. .254 ENSAYOS DE HIPOTESTS Y SIGNIFICACION Tabla f 0 [car.05 2 rojo 0 blanco Número de extracciones con Ios esperados.0r .1'04. de probabilidad para determinar si los datos del Problema 5. Durante un largo período de tiempo. el número de muertos por unidad y año debido a coz de caballo se dan en la Tabla ?-2b.05. Se eligieron aleatoriamente tuercas de la producción de .rrru de 4 máquinas.^ 30 Frecuencia esperada )0 90 3() ?.se muestran en la Tabla ?-2g. 10.05. Un profesor nr¡evo da durante dos se_ mestres 22 A. 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. 3. 108 Mierc.05. Determinar si existe entre las máquinas una diferencia significativa al nivel dc significación del 0. se anota su color y se vuelven a la urna.LB% B. Juev. 9.100.100. (b ) 0. con un nivel de significación del (o ) 0.40% C.01.96 y comparar con el ajuste obtenido utilizando la distribución binomial.Lg?o D y 12% F. Ajustar una distribución normal a los datos del problema 5. las puntuaciones dadas por un grupo de profesores en un determinado curso dieron un promedio d. Ensayar esta hipótesis al nivel de significación del 0.98. Mar.05 si el profesor nuevo sigue las mismas nornns de puntuación que los otros.105. solucionar el Problema 7. 3 4 . Ensayar la hipótesis de que la moneda está bien hecha utilizando un nivel de significación del (o) 0.106. utilizar papel gráfico 30 62 16 l0 . Ajustar una distribución de Poiss<¡n a los datos. Tabla 0 ? -25 I ?-101. (á) 0. (b) Determinar al nivel de significación del 0.e 12% A. El número de defectuosas ""d" fueron 2.107.99.34 8. 7. 7.0b.g8 pueden ser aproximados estrechamente a una distribución normal. Número de libros sacados Tabla 7 -27 Lun. Una urna contienc 6 bolas rojas y B blancas.l 1 cara 108 bien hechas. 7 '97 Ajustar una distribución binomial a los datos dela Tabla 7 _24. En 10 unidades del ejército prusiano y en un período de 20 años 1875-1894. 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. Ajustar una distribución de poisson a los datos del hoblema 2. El número de libros sacados de una biblioteca pública durante una semana determinada viene dado en la Tabla ?-22. 114 Vier.gg. . 7. Este proceso se repite un total de 120 veces y los resultados obtenidos.r02 utirizando la corrección de yates. (o) Determinar las frecuencias esperadas. 7. Delerminar al nivel de significación de 0. Ensayar la hipótesis de que el número de libros sacados no dependa del día de la semana.108. 6l ?.96. 146 t20 7.66 C' 16 D y 12 F.CUADRADO 7'102' En 60 lanzamientos de una moneda se observaron 37 caras y 23 sellos. 7 z AJUSTE DE DATOS A DISTRIBUCIONES TEORICAS -24 2 7. Ajustar una distribución normal a los datos del problema 5.

118. A un nivel de significación de (a) 0. Sobre una decisión de importancia nacional. ¿Qué poeiblee dificultades en las t&nicas de muestreo como en otras consideraciones pueden afect¿r las conclusiones? . Posteriormente. (a) Utiliza¡ la prueba chi-cuadrado para determinar la bondad de ajuste de los datos del Problema?. Ia Tabla 7-33 da la relación entre las notas de los estudiantes en matemáticas y física. es decir. los votos de los demócratas y republicanos registraron los resultados que se observan en.98.112. Tabla 7.96.(b) ¿Es el ajuste "bastante bueno"? Emplear el nivel de significación del 0. la vacunación y esta enfermedad son independientes. Mediante un nivel de significación del (o) 0.LOg? TABLAS DE CONTINGENCIA 7 Tabla 7-29 Se . N nivel de significación del (a)0. medianüe un nivel de significación del (o) 0.ensayarlahipóteois de que no hay diferencia entre ambos partidos en lo que a esta decisión se refiere. a unos se les dio pfldoraspa¡adormi¡.115. 7.01.01. 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. ¿Es consistente el resultado de (o ) con el del problema 7 .114.0ó. A 72 64 t7 23 Clase B 7. 7l BONDAD DE AJUSTE ENSAYOS DE HIPOTESIS Y SIGNIFICACION 265 7. 7. mientras que a otros se les dio píldoras de azúcar (aunque todoselloscreíonque suspíldoraseranparadormir). se Ies preguntó si las pastillas habían surtido efecto o no. Ensayar la hipótesis de que las notas de física sean independientes de lás obtenidas en matemáticas.f09. Mediante la prueba chi+uadrado determinar la bondad de ajuste de los datosde (o)Problem¡ 7.05 V (b) 0. Suponiendo que todos los pacientes dijeron la verdad.05 v (b) 0.01 y (b)0.01 ensayarlahipóteaisdequeelnúmerodeaccidentes es independiente de la edad del conductor.05 y (b) 0.la Tabla 7-32. 7. Mediante la prueba chicuadrado determinar la bondad de ajuste de los datos de (c) Problema ?.99.05 y en cada caso determinar si el ajuste es "bastante bue.01 y (b) 0.06. ensayar la hipótesis de que no haya diferencia entre los grupos vacunados y no vacunados.cAP.05. Tabla ?-30 Aprobados Clase 7. Dott.ensayarlahipótesis de que no hay diferencia entre las píldoras de dormir y las de aziucar al nivel de significación del 0.116.100. tiene su efecto en el número de accidentes de automóvil (incluyendo todo tipo de accidentes) se indican en la Tabla 7-34.101. Los resultados de una encuesta hecha para determinar si la edad de los conducüores a partir de los 21 añoe. las dos claees.31 DurmieTabla 7-32 ron bien Tomaron píldoras para dormir 44 No durmieron bien Demócratas 10 A favor 85 118 En contra Abstencionistas 78 61 37 Republicanos 25 Tomaron pfldoras de azúcar 81 35 7. (b) Problema 7. enfer No se maron 'enferma¡on Vacun¡dos No Vacunados I L7 42 28 ?. (b)hoblema 7.111. Hacer el problema con y sin la corrección de Yates.06.113.112 introduciendo la corrección de Yates. Mediante un nivel de significación del (o) 0.L17. Solucionar el Problema 7. Utilizar el nivel de significación del 0.110. De un grupo de enfermos que se quejaban de que no dormían bien. El resultado de sus respuestas se muestra en la Tabla 7-31. ensayar la hipótesis de que no haya diferencia entre. IA Tabla 7 -29 muestra el resultado de un erperimenüo para investigar el efecto de vacunación de animales de laboraüorio contra una determinada enfermedad. 7.

( sin y con coeficiente de n de yates. mostrar que la frecuencia esperada para la casilla perteneciente a la fila i y a la columna j es n¡n. es JUS:0. discutir las tablas de contingencia h X k X I.) 7. . Demostrar que el coeficiente de contingencia máximo para una tabla fr X k es 1/1t¡ PROBLEMAS DTVERSOS .125.LL4. 20. pero se desconocen las proporciones de boias rojas y blancas en cada una de las urnas.49. 7'. Demostrar que el coeficiente de contingencia máximo para una tabla 3 X 3 mente.121.127. 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. señalando las posibles aplicaciones que pueden_tener. (b) el coeficiente COLOR DE PELO Rubio No rubio 25 96 7. (b) Con el resultado de (c) hacer el Problema 7. (o) Demostrar eu€ ¡2 = 2@l/np.1 . Demostrar el resultado (2) det Problema 7. Hallar el coeficiente de contingencia sin y con la corrección de Yates para los datos de (o) problema 7. ? 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 7.121.11?.122.¡¡¡.L23. Dos urnas A y I contienen igual número de bolas. donde n es la frecuencia total de todas las casillas. ?. Hallar el coefieiente de contingencia para los datos del Problema ?. Por similitud con las ideas desanolladas para tablas de contingencia h X &. se toma una muestra de 50 bolas con remplazamiento de cada una de las urnas.119. 7. Xu) r¡ñY Azules No azules 49 30 8-ó 7. donde n és la frecuencia total de todas las casillag. COEFICIENTE DE CONTINGENCIA 7.128. 7. respecüivamente. Si nI y n! denotan. diantes./n.117.8165aproximada- 7.126.?r para toda tabla de contingencia.1L2 y (b) Problema 7. la suma de frecuencias en la fila ¡ y en la columna j de una tabla de contingencia (frecuencias marginales).266 ENSAYOS DE HIPOTESIS Y SIGNIFICACIOD¡ Tabla 7-33 lcAP.

4 con una desviación típica de 0. ?.129.01. ?. 7. A B Tabla 7-36 I &1 II A2 III dg ó3 'tLg TOTALES ?.4?.54.142. ?. el número medio de millas por galón consumido en 5 automóviles análogos bajo idénticas condiciones fue de 22.54 ?.10.64-7. Generalizar el resultado del Problema 7.55.01? Utilizar un ensayo bilateral. (c) 0.48.05.140. Explicar cómo podría definir interualos de confianza unilateroles y dar una posible aplicación. 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. (c) 0. Solucionar el Problema 7. ?.05.23 pzra el Problema 7. el número medio fue de 21. En eI Problema ?.136. 7. Solucionar el Problema 7. Una moneda se lanza 8 veces y se obtienen ? caras. Con una determinada marca A de gasolina. Comentar los resultados.132 empleando un ensayo unilateral. ?. (b) 0. Durante un período particular hubo 40 calificaciones A en un grupo de 300 estudiantes.133. Construir gráficos análogos a los del Problema 7. (b) 0'01.13?.132. El porcentaje de calificaciones A dadas en un curso de física en una universidad determinada durante mucho tiempo fte L0%.135. Con otra marca B. ¿Se puede rechazar la hipótesis de que la moneda está bien hecha al nivel de significación del (o) 0. 7 n¡ ng üt fl1 b2 .131.13g.140. Utiliza¡ el resultado del Problema 12 para el Problema ?.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 8.001' (d) 0. Comentar cómo puede utilizarse la teoría del muestreo para investigar las proporciones de diferentes tipos de pescado presentes en un lago. Mediante un nivel de significación del 0. ?. es ahora 8. 7.134.138 ¿hay mayor variabilidad en millas por galón utilizando la marca B que utilizando la marca A? Explicar.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 267 dando la de A 32 bolas rojas y la de B 23 bolas rojas.0ó. Al nivel de significacióndel 0. (b) 0.l4O para obtener el valor de TOTALES lr2 n .56 si el 7 en la regla de decisión del Problema 7.132 si salen 6 caras.130.cAP.54. ?. Solucionar los Problemas 7.6 con una desviación típica de 0. 2.141.138.06 de que el estudiante no está contestando al azar.0Sinvestigarsila marca A realmente es mejor que B proporcionando mayor recorrido por galón. Demostrar que para la Tabla ?-36 y2 " n = o(l+ú+"?\ * 2a (u" +ú+ rt2 'tL2 ns/ rr o?) ns ¡\ ?t I \t¿r / -. ?. Ensayar la significación de este resultado a un nivel de (a) 0. Con referencia al Problema ?.

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

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

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

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

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

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

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

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

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

De esta ecuación se pueden ha' llar límites de confianza para valores de población predichos. fo = E(YIX = co)].1618"".Para este propósito debemos conocer la distribución muestral de r. = 1. Í : Ís para la población. Véase Problema 8. 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. Para p + Ola distribución es sesgada. (i=/ : 1'1513 tos'o(1 Estos hechos pueden también utilizarse para hallar los límites de confianza para los coeficientes de correlación.2 grados de libertad. Denótese Por Jp el valor predicho de y conespondiente 2. Esto también puede utiliza¡se para hallar inten¡alos de confianza p¿ua coeficientes de regresión poblacionales de los valores muestrales. Denótese por Jo eI valor predicho de y correspondiente o. Véase Problema 8.47 y 8. Véanse Problemas 8.ffi @o- a"\{n-2 Urr¡ tiene una distribución de Student con n . En el caso de que p = O esta distribución es simétrica y se puede utiliza¡ un estadístico con distribución de Student.(i#J aproximadamente tiene una distribución normal con media y desviación típica dadas por (50) -Zt" /1+p\ *.48. Ensayo de hipótesis para valores medios predichos.45. Ensayo de hipótesis para valores predichos.cAP. Aquí utilizamos el hecho de que el estadístico z =*r"(i+) = r. . 2.er.2 grados de libertad. es decir. Entonces el estadístico t- su.8 : to estimado de la ecuación de regresión muestral.49 y 8. La transformación (60) se llama transformación /1+p\ I o/' ". Ensayo de la hipótesis p = 0. 1.. Entonces el estadístico t- ú- ru.m (ao- úor\Ñ @a¡ tiene una distribución de Student con n . 3. Véanse Problemas 8.'\[+Fi. De aquí pueden hallarse los tes de confianza para valores medios poblacionales predichos. En ese caso una transformación debida a Fisher produce un estadístico que aproximadamente tiene una dishibución normal. lo : a * bxs. es decir. lo = a * bxs.2 grados de libertad.. Denótese por ¡lo el valor predicho de y conespondiente i f : ts estimado de la ecu¡ción de regtesión muestral.8l CURVA DE A'USTE. 2. Ensayo de la hipótesis p * 0. Los ensayos siguientes resumen los procedimientos involucrados. = ffi - (51) Z de Fish.44.46. Aquí utilizamos el hecho de que el estadístico f = rl/n-z \/fr (+s¡ tiene distribución de Student con n - 2 grados de libertad.50. Véanse Problemas 8. Denótese por üp elvalormedb predichodey correspondiente a x = Ío para la población [esto es.43 y 8. REGRESION Y COBRELACION 267 tiene una distribución de Student con n .

a ecuación de una recta es ! : a * b*.1. ). lt ) y ( rr. Aquí hay una independencia directa enüre X Y.. y 22 conespondientes a y rz utilizando (50). EJEMPLO 8. Y variables aleatoria¡ que representsn eetaturas y pesos de individuos. Demostrar = que la ecuación de la recta es U-Ut tenemoe (Ty.Zrpzr-2. Luego utilizamos el hecho de que el estadístico Zr. Una recta pasa por los puntos (xr. La gÉfre de la recüa . 8 3. 8-5. = Pzr. Es importante acla¡a¡ que "correlación" y "dependencia" en el sentido anterior no necesariamente implica una independencia causal di¡ecta de X y Y.b(r-r-1\ Í2trt Uz-Ut . Problerna.lLzr.2. ozr-2. Véase Problema 8.@ se mueetra en la Fig. calculamos Z. ozr-2. Y tienen un coeficiente de correlación diferente a cero. Además.¡r ) es la pen- . su distribución conjunta no se factoriza en sus distribuciones marginales). sabemos (Teorema 3-15.268 CURVA DE AJUSTE. 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. Si X representa los s¿larios anuales de los profesores en tanüo que Y representa la cantidad de crímenes.51.s resueltos NECTA DE MINIMOS CUADROS 8. y.)w-. La consüante b : (yz .yt)l@z . Pero diffcilmente diríamos que hay interdependencia düecta entre X y Y.11 ) de (2) y (l pedido sustituyendo en ). Por tanto (1) A2 = aibr2 u-a1 = @*br)-(a+b*t) (2\ . Esto se demuestra en los ejemplos siguientes. cuando p + O.a*br)-(a*br1l = b(r2-r1l Obteniendo que b : (yz . el resulüado se deduce. = Y nr- n^ = nt-3' nz-B (53') disbibuye norma[mente.1. Se¿n X. Significado de una diferencia entre coeficientes de conelacion. yr ) V @2.(. página 82) que son dependientes en el sentido de probabilidad (esto es. EJEMPLO 8.yt)lfz . y2 ) son puntos sobre la recta yt = a+bn1. podemos utilizar una ecuación de la forma de (39) pata predecir el valor de Y a partfu del valor de X.t [. (521 donde se Itzr-|. CORRELACION Y DEPENDENCIA Si dos variables aleatorias X. eI coeficiente de correlación puede eer diferenüe de cero y podríamos halla¡ una ecuación de regreeión prediciendo una variable de la otra. diente de la recta. Entonces ya que (¡r. REGRESION Y CORRELACION [cAP.

.2 utilizando a (c) variable independiente.3. 6). 9) sobre un ¡istema de coordena' das rectangulares corno se muesha en l¡ Fig. 3 2 4 6 4 891114 o a t). Para un método que eümine la ne' eecidad de juicio individual. REGRESION Y CORRELACION Tabl¿ 8-1 ü u 1 269 (c) Construir una recta que se aproxime a los datos de la Tabla 8-1. (6.4. 7).tl' a-r =ffiO-l. (8.. Entonces el Problema 8.(4.b) = l(o * br . 2). 2ra = a2r*b2r2 como 8e pedfa.8l 8.os valores de y sobre la. Una condición ó mfnimo (o un máximo) es necesaria para que esto sea un que aFlaa = O.. (3. (b) Hallar una ecuación para esta recta. I 4 8 I Una rect¿ que se aproxime a los datoc se dibuja a mono olzada en la figura.7 . Puede demostrarse que eetas realmente resultan en un mínimo. albnn Las dewi¡¡ciones verticales correapondientes son dt = a*br1-yt.1 . (11.rA' ")t)'6"' Fig. 4). 8. Refiriéndonoa a la Fig. escójarrse dos puntoe cualesquiera sobre la recta.61.. Derivar las ecuaciones nonnales (4). es decir. 8. tales como P y 8. dn = a*bxn-yn Fis. . Ajustar una recta de mínimos cuadrados a los datos del Problema 8.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.cAP. 8) y (14. 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 y-l=0. CURVA DE AJUSTE. (9. f. F(a..2.542r ó¡ U=l+0. para la recta de mínimps cuadrados. página 260. Ya que # = >f. 8-6.. (b) Para obtener la ecuación de la recta construida en (o). (b) Í como variable dependiente. aFlab = 0.4\.g¡2.rfnSOn a*bry albr2. r como . vé¡ee Problema 8'4 que emplea el método de mfnimos cuadrados. 8-6 . (o) Dibujar loe puntos (1. dz: albr2-9". 12.642r.1 ) y (72. por ejemplo. Las coordenadas de e¡tos puntoa tomadoc de la gráfica eon aproximadamente (0.

b=+ ó0. n lizando el método a mano alzadt. t¿s ecuaciones normalee son )Y: 2ru: an*b)r a)r*b).636 r.2 utiPuesto que hay 8 pares de valores de.50 d- - = 1.50. d=9 ó 1. 8c*40d = 56 40ci256d = 364 Estos valoree también pueden obtenerse de ()rx)sz¡ .8 (o) La ecuación de la recta es y : o * b¡. yla rectade mínimoecuadradoopedida es S t + lrx 6 U = 0. 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.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.545. y. Nótese que esta no es la recta obtenida en el hoblema 8.CURVA DE AJUSTE. Otro método. REGRESION Y CORRELACION [cAP. la ecuación de la la recta de mínimos cuadrados es ¡ : c * dy.()r)()ry) = (40)(524\ .oso (b) Si se considera a r como la variable dependiente y a y como la variable independienüe.60 . las ecuaciones normales son 2ru = c2y*d2a2 Entonces utilizando la Tabla 8-2. se ha agregado a la tabla para emplearla en la parte (b). a = ()y)()r2) .)ru) c=ffi==-0.636.50.546 + 0.Ga)(. las ecuacionee normales se convie¡ten en dedonde c=-* ó -0.r.(56X364) lt ó0'545 = 6 --lE f8-i6 g=w =qffiffiá#l )c = cnld)y = frao.

(c) Estimar el valor de ¡ cuan' doY: 3' -2a40 a=T=¡-=o Luego el punto (6.6. la recta de mínimos cuadrados puede escribirse como Q) Caso que muestra que la recta pas¿ por el punto (á. Representar gráficamente las dos rectas obtenidas en el hoblema 8.6.636 ¡ 2 0 6tl012 Fig. (b) Al remplazar x.7.546 * 0. U = 0'646 + 0'636(12) = g'Z' (c) Al remplazary:3 enlarectaderegresiónde¡ sobre a. b por c. se indican en la Fig. Ot¡o método.úr.8. mfnimos cuadrados puede eecribirs€ como hocediendo como en el c¿¡o 1 intercambiando r.333 * 0. lo cual es un¡ indicación de que los datos están muy bien descritos po¡ una relación lineal.E.50y. d respectiremen' üe. ti).333 + 0'667 ¡' que no ee l¡ mi¡m¡ rect¡ 8. (o) El punto (?. pero ¡e intergectan en (a. La recta obtenida en la parte (o ) se llama la recta de regre' eión de y sobre r y ce utiliza para estimar y para valores dados de r.fi).pue¡üoque7=-*+*(6). 6) se encuentra en la recta U = 0. Nótese quelas dos rectas en e¡te caso prácüicamente coinciden.546 + 0.636 r o. las rectas (¿) V (S) no coinciden.60+1. La recta obtenida en la parte (b) se llama la recto de regreeión de x eobre y.Elpunto(?. ¡ es la variable independiente.. Demostrar que una recta de mínimos cuadrados siempre pasa por el punto (i. Por üanto la¡ rectas se interceptan en el punto (?. y : 0.500*1.60y t2 10 = y= e. y es la varirrble independiente. pueeto eue6=*+t(?). hallamos que la recta de (5) que indica que la recta pasa por el punto (4.Í. más exactamente. 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 ). Caso 1. {.60 * 1.8l CURVA DE AJUSTE.ha*+É.Resolviendoeimultánesmente.ú). Nótese que al solucionar esta ecuación para y obtenemos y obtenida en la parte (o).! :5. U = &* Lrrr. REGRESION Y CORRELACION Por tanto la ecuación pedida de la recta de mínimos cuadrados es r = 0. (o) Demostrar que las dos rectas de mínimos cuadrados obtenidas en el Problema 8.4. y. 2.4 intersectan en el punto (.: L2 en la recta de regresión de y sobre n. ¡ ¡=-0. llamedo el centroide. r-ñ f).5). remplazando las constantes o. - 0.50(3) = {.60 y.9. Lar gróficas de l¡s dos rectat. 0. y E=-t+*y.6)seencuenhasobrelarerfar=-++$y.546 f 0.60 + 1.8-8 8. (b) Estimar el valor de y cuando x: L2. es (7. F = -0. . ú). = tllu-úl Nótese que en general.66? r 8 6 1 u= 0.6).cAP. [¡secuacionee delaedosrectassona= llamos 8. ¡ = 7 . se utiliza para estimar r para valores dados de y.636¡.

8. Ir 2(a .1 -ñF-trú. De la segunda ecuación en (5).-.al r.9.nEú (I¡X)z) ¿ru . tenemos D_ 2(r n2xy .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 tenemos f.=7+h. re rigue intercambiando D - >(z::elfu.y.10 Si en el Problema 8. + k.úl = 2(rs-i:y-ir*efrl 2ra-ñ2u-ú2n1'2eú 2rU-nEú-nfrE*nitfi . página 260.12).n2r'a' .ú = b(x. j[n2ra Por tanto (I ) oe conüerte cn 2rU t (>¿X>y)] de donde ¡e obtie¡e el resultado (S ). u=u'*k. h = f. y (véa¡e problema g. U - g.(>. Problema 8. ¿ = ñ.272 CT'RVA DE AJUSTE.(2rlz 2(¡z-2nr*12) 2r2-2ñ2r*2i:z 2r2-2n82 lniz 2s2 .()¿X)y) n)¡z . 8. = n8ru-(2rl()ü _ n2xz _ (2r)z Entonces ti ú = út I h.Demosharque .(2x')(2y'l n)s'2 ..)(2g.9.e¡z demo¡tración de (12).t¡z = - t )(>x)2 |ín2rz . REORESION Y CORRELACION Demostr^ar que la tecta de regresión de mínimos cuadrados de y sobre forma (8). 8.(Ic)z¡ También >(r - t)(v . u=7+tc Por üanto .t).7 .n8z 2r2 I Entonces . y.(2r)(2r'l n2r.pdgina 261. r puede escribirse en la (l). h_ v- dondeh n2uU yk son constantes. . demostrar que D--i# . g 8. Tónemo¡ de 11) [eAP.(2r. U . pdgina 260.=-Ep=Ts¡t Del Problem¡ 8.tenemos . sean c = d *h.

8l CURVA DE AJUSTE.a recta de regresión de y sobre r está dada por y = a + b*. de modo que lae ecuaciones normales se convierten en 9oe 2? 666 864 É¡ E 12o*800ó:811 800o*63.y deuna muestra de L2 padres y sus hijos mayores. de modo que y :96.88+r. y ) sobre un sistema de coordenadas rectangulares como se muestra en la Fig.82 + O.4. 62 62 6{ 66 Fig.ae sumas se muestran en la Tabla 8. (c) Hallar la ¡ecta de regresión de mínimos cuadrados de r sobre y.418b = 64. 72 de dispersión se obtiene dibujando los r = _8.476.cAF./ €70 6 !a 2a'= an * ólr 2ra . donde o y b se obtienen resolyiendo las ecuaciones normales. La gráfica de esta ecuación ¡e muest¡a en la Fig. 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.476x.a2n*b2n2 [.82 y b = 0.197 )92 = 64. .9 ya que 2fr' = l(c-t) y análogamente = 2r-nñ = 0 ly' = 6. (c) Construir un diagrama de dispersión. 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 = 63.418 Zny = 54. REGRESION Y CORRELACION 273 Se deduce inmediatamente del Problema 8.L07 de donde hallamoe o : 36. 8-9. 8-9. (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r.086/___V (b) f. &11 La Tabla 8-3 muestra las respectivas estaturas lc.849 .

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).asfque¡:-3. b = dada por ry# = 0.d=1. 8-9.036y. = ñ .86 * 0. Por tanto 6?. REGRESION Y CORRELACION lcAP. y. de r.5) - (10)z = 0. = ú - 68.12.036. y ( los números restados de r tee).6?.68. u =7*68 = -**68 = IZ-LZ = b(u.4?6 Larectaderegresión x:c* dy.á).476u u .Iagráficadeestaecuaciónse Otro método. ¿ = n>r!: (>!)l?nl = n2a2 .(lyX>ay) n2yz .38. aparte de los enores de redondeo. Réstese un valor apropiado.82.58 n I¡ =7*68 = -**68 = 66.38*1.476(n-66. De una manera análoga podemos obtener l¡ ecuación de regreaión de r sobre y. - 68 tenemos r.dondecydseobtienensolucionandolas 2a = cntd. .07) 6 ecueción de regreeión pedida de y sobre x ea a .68. Solucionar el Problema 8.()y)2 1.9.L07 E1lc#54.11.274 Otro método. por ejemplo 68. = delascualeshallamosc:-3. . esto ee a = 36. 8 "= (c) ecuaciones normales I]4ff de¡ sobrey viene = 85.086 8.12s¡z _ _s.476 También ya que &' = ú .68 = 0.849d muestr¿ en la Fig.11 utilizando el método del Problema 8.67.2y 2uY = c2Y*d2Y2 L2c Utilizando las sumae en la Tabla 8-4. Esto nos conduce a la Tabla 8-5.g8. (12X106) (-16)f. se convierten en -f SLld = 800 64.ú de acuerdo con el Problema 8. CURVA DE AJUSTE. - (>¡XI=y2l.

y conespondientes a los valores de V. a = ()y)()rz)-(>rX:g¿l _ n2"2-1>n\z .14.20-1. 8-10. r=logV:2 25.1 Presión P (lb/pul2 ) Ya que 6r.40=-y.8309 t.9294 2. (c) EstimarPcuando V = 100. C=1.()rX>u) 6=-ffi.40.60X104 y y=1.2878 2.6 194. 8.074L 2. La tabla 8-6 da valores experimentales de la presión P de una masa de gas dada correspondiente a varios valores del volumen V.2976 )r = 11.40. donde y y C son constantes.9479 2. P de Ia Tabla 8-6 y también indica los (l ) son 2a = on*ü)¡ de las cuales 2ry . . (c) CuandoT=100.1 lu = 8'7975 b )12 = 23.3 61.(b) Escribirlasecuacidnes que¡elacionan aPy V.2ry .2340 2.7943 4. De acuerdo con los principios de la termodinámica una relación de la forma PV.7858 1.7 28.40= lb/pulg2. REGRESION Y CORRELACION 276 ECUACIONES NO LINEALES REDUCIBLES A FORMA LINEAL 8.6953 (o) Puestoqueo=4.3019 6. La Tabla 8-? da los valores ¡.859? A = logP 1.b:-'1.log P : y. y y= logP=4.0350 3.66L7 2.a2r*b2r2 4. (c) Hallar elvalorde y y C.0095 3. Tabl¿ 8-7 s = logV L.6946 1.20=logCy (b) Pvt.000.ffi¡af'=-1.4533 1.7910 1. obtenemos un punto que se dibuja en el popel log-log construido especialmente como se muestra en la Fig.2077 3.8 49. Solucionar el Problema 8.40 Luego Y = 4.7348 1. Para cada pareja de valoree de la presión P y el volumen V en la Tabla 8-6. n. tenemos tomando logaritmos de base 10 cálculos involucrados en eI cómputo de la recta de mínimos cuadrados (l ).to = 16.2833 1.40(21 =1.0997 3. debe existir entre las variables.4 118.4 37.0059 2xa - 16.8l CURVA DE AruSTE.5 72. Entonces P=antilog1.0043 12 ra 3.6762 1.6 88.2 t9.0 10. = C.20-l.8543 =-1. Tabla 8-6 Volumen V (pul3 ) 54.13.2 PVt = C.4685 3.13 dibujando los datos en un papel logJog.4Ou.20. Las ecuaciones normales qorrespondientes a la recta de mínimos cuadrados logP = logC-ylogV logC ó logP*ylogV: Tomando log I/: x.0 pulgadas cúbicas.cAP. la última ecuación puede escribirse (r) U = oibr donde¿:logC.

Por t¡nto albn2*ct/. of bur*wl l¡¡ de¡vir¡cionee de.4 logV = 4..4. .!nl.2. . Deriva¡ las ecuaciones nomales (I9).1rn ¡on olbr¡lcu!.a*(1. para la parábola de mínimos cu¿dradoo.. . Ir grifflca re¡ult¡¡te muerb¡ que hay una relación li¡eal entre log P y log V que puede repreeentarre por l¡ ecu¡ción logP .4 los100 = l. Enton4.o*blogV ó g = o*bn Ie pendiente D. y PVtl = 16O00 PARABOLA DE MINIMOS CUAI)BAI)OS E. . . (r*uzl. que er negatlva en e¡te ce!o. .¡ U¡ ertfa dadar por dt = qtbx¡Ic¡..2. e2. m 60 so r00 Volumen Y '{l Fig. (nn. .16.2 a = logP-ülog7 = lo926*1. . Pa¡a obtener ¿ ¡e nece¡it¿ un punto sobre ce8 l¡ recta. prigina 261. .4.276 CURVA DE AJUSTE..?"-al' dc = o*bu21-cú-!2.8 l0 ú' 3o {0 ü. U = a*ba*crz l¡ pa¡óbol¡ de mfni- Se¡n lo¡ puntos mue¡t¡alec (a¡Ittl. Entoncee lo¡ veloree de y ¡ob¡e moc cr¡¡dr¿dor cotrec¡rondieatet a a1. REOBESION Y COBRELACION [cAP.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 . logPTlle . [¡ medida en este e¡¡o indica que D = -1.Ut U2. P: 26 de la g¡lfic¿. re de numéric¡rnente por l¡ relación-de la longitud AB a le longitud AC.8-r0 150 ¡00 ú t00 También ¡e indica un¡ rect¿r (dibujada a mano alzada) que re aprorima a eeto¡ puntos. Por ejemplo cua¡do V: 100.

7 12 n3 xy 6.2r2]. b = : 2.93 342.8 3.7 4.8l E¡t¡ ec CURVA DE A¡UsTE.66 259.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).04 1.b.2 1.688.L6 6470.79 s32.2b + 291.9 7.7 7. c = {).1 8.OI 32.2 )u= 46.2 6.42 - - 1449.58 4.24 9.42 291. ? = )f.70 38.28 38.46 254t. Ajustar una parábola de mínimos cuadrados de la forma ! Tabla 8-8.8 4.06 941.6 2A = an*óI¡*c2n2 [¡s (r) ecuacionec normales son 2ry = o)¡*b2r9*c2rs 2n2a = o.4E 1065. págin¡ 261.2ll0rt . REGRESION Y CORRELACION función de o. o ción = 8.8 2.41 73. T¡bb ü u 1.62 21.8 7.6 2.360 + 18971. b.61 24.19 2.o3to*óc*cr2-a)2 = )2(o+br*crr-a) k = )*a{o*br]-cnz-u)2 = 2Zr(a*brtcü2-a) aF :d.t=o' *=o Enüonces # = ).70 26.40 10.cl = )(o I Para minimizar esta función debemo¡ tener bx * cx2 - U)z Ti=o' .73 5.19 36?. lar ecurciorÉ¡ norm¡ler (I ) rc convierten en 8a I 42.1 : 8.2Ob+2275. 8.82 4t.8 4.49 92.6 a I bx * cr2 a los datos de la t€ D.27 1.6 5.9 5.22 rzy 6.12 67.00 2.2 1.5 6.2 6.t2 9223.971.91 636.9 9.' 7. Tabl¡ u 1.cAP. c.36 5?6.6 9.92 230.8 r87.04 48.16.2110¡ arí la parábola 2.8 7.1 12.28 233.83 29.20 o + 2276.08 10.49 60.O.36c = 230.00 Puecto que n (2) Reolviendo.20 18.65 185.75 117.8 3.36 2ua = Zxu 291.44 3.ólcs*clra H trabajn involucrado en computa¡ la¡ ¡uma¡ puede ordenarce qomo 8e mue¡ha en la Tabla 8-9.4 2r2 - Ic3 = 2276.066.8r 2n2g I¿= 42.20 c = 48.588 de mfnimoq cuadrado¡ pedida tiene l¡ ecr¡¡- .7 4.1 t€ 14 a 4.9 7.0 7.2a*2SL.48 19. = + 2.96 96.0 ?.065 t .92c : 1449. e¡ decir 277 F(o.

.2)2 = 4.os resultados se muestran en la Tbbla 8-10 junto con los valores reales de y. Tabl¡ 8-10 Uest 4.. b. y por medio de una ecuación de regresión de a ! bx * cy. lcAP. y puede escribirse z: albnlcy Las ecuaciones normales (21). Se desea estimar una variable z de las variables : Sean los puntos muestrales (ryUyzr). 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 8-12.17. c e igualando las derivadas parciales con respecto za.8 7. .621 5.An) son respectivamenüe a*br1*ey¡ Por tanto las desviaciones de z¡. (ün.z¡ dt = a* br1 * cUt.588 + 2. 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.Un. las ecuaciones normales pedidas (21) en la página 262 se obtienen.9 6.18 la forma z r.página 262. all.. Utilizar parábola de mínimos cuadrados del Problema 8. y.762 4.640 7.0 7. Entonces los valores de z sobre el plano de regresión de mínimos cuadrados correspondientes a (r1. Análogamente se obtienen otros valores estimados. (c) Estimar el peso de un muchacho de 9 años y 54 pulgadas de estatura. . b y c a cero. pág¡na 262. Pata r = 1. . 8.zt. y.762. vienen dadas por a*bnr*cyn dn = a* bnr* cUr.56L 2. (rn.0.2) . z. (c) Hallar la ecuación de regresión de mínimos cuadrados de z sobre x. Ue"¡ = 2. 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. .2.. las estaturas x.zn\. La Tabla 8-11 muestra los pesos z ala libra más cercana. [.8 4.5 5. b.065(1.19..7 u REGRESION MULTIPLE 8.503 7. (b) Determina¡ los valores estimados de e de los valores dados de r. .741 4.. ala pulgada más cercana y las edades y al año más cercano de 12 muchachos.8 8.278 CURVA DE AJUSTE. c de modo que satisfaga (21. .613 6.962 7.5 2.16 para estimarlos valores de y de los valores dados de r.2 6.2110(I. .).

-brl - o-bu) .7r7 68. ERROR TIPICO DE LA ESTIMA 8.682 ?8. =í. a = 6796 = 3. ü = 0.= v. c = 1. y. demos- s'?.139 34.168 48. Si la recta de regtesión de mínimos cuadrados de y sobre que el error típico de la estima sy.880 106o*67?9b+976o Rerolviendo.b2r(u -a-br) .8436 * 6779c = 40.606u zesb al susti- ) tui¡ los valores correspondientes de x. las ecuaciones normales (I ) ee convierüen en l2a1-643b *106c (2) 643¿ = 769 * 34.6612.843 Utilizando esta tabla.e resultado¡ ¡e dan en la Tabla 8-18 junto con lo¡ mueshaleg de z.! : 9 en (3).cAP.r=n= = 2(a-a. el peeo estimado es zest : 63.4t4 69.. Entonces ^.830 2yz = 6796 2uy = 6779 48.926 66. Ír."r)2 2afu 2fu-o-brlz o. o aprorimadamente 63 lb. la ecuación de regrerión pedida es (t) (b z = 3.920 64 7l 63 67 DD 68 77 67 66 61 76 68 (c) Remplazando ¡ : 54.136 64.8l CT¡RVA DE AruSTE.206 69.66+0. denoüado8 pot valoreg Tabl¡ 8-13 2est 2 64. 2a'- a2g n - b2rY por Ueet Loe valoreg de y ectimadoa a partir de la recta de regrerión vieneÍ'r dados = @ * ü¡.6068. 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.¡ €stá dado por r viene dada por ! : a * b*.2(Ufl -a.86? 65.8646. Utilizando la ecu¿ción de regreción (3) obtenemos log valores egtimados de z.286 66.865r+1.20. REGRESION Y CORRELACION Tabla t-12 fi 64 Df 59 49 62 51 a 8 10 6 11 z.664 78.356.225 68.

76 L. También ¡e indican lor valorea y - Uest.82 + 0.o2(g' * fil .¡ Método 1.24 63 66 65. Sabemo¡ que la recta de regreeión puede eecribiroe oomo blem¿ 8.6? 70 68 69. cotrespondiendo a ¡ = 65 tenemotgest:36. En la Tbbla 8-14 ee listan los valores reales de y (de la Tabla 8-3) y los valorec estimado¡ de y.2y-an-óIr = 0 2r(a-a-br) .al@ .b2r'Y' = 2(a .2¡ pará Del hoblema 8. Entonce¡ del hoblema 8.UpotA-ú.ú = 2u'2 .bt2y' .bn.11(b ) la recta de regresión de y cobre x ea ! : 36.71 69 68 68. g = A'+ ú. 8 2(A-a-bn) .Cuandoeehacenestoeremplazo¡enelProlos datos del Problema 8..98)2 12 = L64z . denotados por lresr.24 -0.29 -1.21.x = lTiltr= 1. E.úl donde hemooutilizadolo¡re¡ultedot2r'=0. Tabl¡ t.b2(r.7L 64 66 66.71 -0. 8.*nú') .bñl = 2O'' .47 6r.14 -2.r.66 >(u-u." y 8t.bnü! = 2U'2 + nú2 .b2(r' * ñl@' * úl = 2(y'2*2ytfi*¡z¡ .+(0. Erto demueetra el resultado pedido..22.bi2r' .62 0.a)2 .")z = "1.r9)z:l-.y. I üyt * r.2na-o.28 pulgadac.19 0.28 -1..24 68 67 67 67. 2(a .24)2+(0. Método 2.2r-b2rz = 2A = on * ó)c 0 puesüo que de las ecuaciones normales 2ru .19 67 68 67.476(66) : 66. / . como se obtienen de la recta de regresión. Demostrar que el resultado del Problema 8.ú)'- b)(c n - ¡)(u - ú'l Si ¡ = r' * A.á).66 7l 70 69.19 2.14 ü a Uesl 65 68 66. REGREsIoN Y coRRELAcIoN lcAP.b2rtgt * nú(ú . Catcular el error típico de la estima¡ 8¡.11.280 Pero CURvA DE AJUSTE.81 0. = 2a@-a-bt\ nll 2a2-a2a-b2ra Este ¡esultado puede extender¡e a ecuaciones de regresión no lineal.81 U - Aest 0.a2r * = b2u2 Entonces sí.20 se obtiene el re¡ult¿do pedido. (1.!* e!\ = 2a'2 + 2y29' * nú2 .€2 + O.2O puede escribirse como ^z üu.a(2U.b2r'g' . 2u'=0 y ú = o*bt (que re deducen aldiüdiramboslado¡ de l¡ ecuación normal 2A = an * b)r por n¡.o.28 68 69 68.38 7l 68.20 N3' = 2u2-o'2a-b2xy = 2(a' + ú)2 .81 62 66 66.ana .ú = b(r .14 66 65 67.b2t'g' .anÚ . güe ¡e neceaitan para el cálculo de oy.33 0. que corteeponde a empezar con l--o+bryremplazando:oporcero.76.ó)(a . Por ejemplo.xpot¿-á.

Las dos rectas paralelas.30 0.abn) a .) para 9 puntos (¡.61 0.brt Q. = tpiLo (1.0t¡z .:: .08 2. = 1/@ se tomaron las estaturas vie- COEFICIENTE DE CORRELACION LINEAL 8. 8-11. NOTA: Una mejor estima del error tfpico de Ia estima de la población de la cual so.24.23.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.82 -t.. . la teoría predice que alrededor d. :: :.58).a) = =Q :y.12 (o de la Tbbla 8-4. 2r(u .?0. Calcular (a) la variación explicada.82¡z+.13 -1.476¡ obtenida en el hoblema 8.. 8.28 (véase hoblema 8. Si los puntos están distribuidos normalmente respecto a la recta de regresión. ú>@ - a - bn) puesto que de las ecuaciones normales 2(a = 0. ne dada por 6r.11 se muestra sólida en la Fig.11 a una distancia vertical sy. (¿) Construir dos rectas paralelas a la recta de regresión del Problema 8. = )(U . ya que es cero.t-ti) - A)" = 2(A - El resultado pedido se deduce si podemos mostrar que la última suma este es eI caso.61 -2.34 0. = 19. Entonces el porcentaje pedido es 9lL2: 7 5%.y""t) * (Uost .el 6812 de los puntos se encuentra entre las rectas. Del último renglón de la Tabla 8-14. Demostrar que >(g Elevando al cuadrado A"'r)'* 2(U*r.. (o) ta recta de regresión y : 35.. REGRESION Y CORRELACION 28L 8.25 1. de datos. y). Tabla. 8l CURVA DE AJUSTE. cada una a una distancia vertical su. Entonces el porcentaje pedido es 9l12 : 7 5d..'. del Problema 8.rn.g) sumando. ya qve ú la Thbla 8-14 podemos construir la Tabla 8-15.58 del Problema 8.13 1. Uir examen poste- 66 6l 62 Otro método.A)'. = 1..un"J(v.. y-gfo". 'tz ?0 (b) De la figura se ve que de los 12 puntos 7 se encuentran entre las rectas en tanto que 3 66 rior utilizando el último renglón en la Tabla 8-14 revela que 2 de estos 3 puntos se encuentran entre lasiectas.28) = 1.::.11. se encüentra entre -1.56 -0.22).S-15 Uest : 8]-LlL2: 67.t)2* )(yn"t-ú)2+ z>fu.ne?.25.cAP.. 8-11. (b) Determinar el porcentaje de puntos de datos que se encuentren enhe estas dos rectas. Utilizando los valores - a -0. se muestrana trazos en la Fig. (b) la variación no explicada y (c) la variación total para los datos del Problema 8..40 pulgadas.rr. parecen estar sobre las rectas. + (2.77 )(U".82 * 0.U""t)2 . En el caso de regresión lineal )(v - Y'"'¡)(v" "r .nrr.22. Tenemos Uest de ú : 67 .28 (es decir. tenemos 2(u-ú)2 . ts..04 (a) Variación explicada = (b) Variación no explicada -ú)2 = (-0.r 0. Il .28 y 1..[t = (y ..)(y-uu.:'. Este hubiera sido el caso aproximado si el tamaño fuera más grande.

puesto que la'gt'es positiva cuando 3/ss¡ autnentá a medida que r aumenta. Halla¡ (o) el coeficiente de determinación y (b) el coeficiente de correlación pa¡a los datos del Problema 8.'.7027.09 5.:800/lZ = 66.7 1.282 CURVA DE AJUSTE.4F7q de acuerdo con el Problema 8.= !0. la conelación ec poeitiva y por tanto escribimo¡ r : O. prágina263.26(b).A)z = 19. Entonces 2r'a' 40. aumenta a medida que r aumenta.92 10.34 2a'2 = 38. pero negativa cuando /est disminuye a medida que r.= \Eá/ /rorl = \r¡.68 2trtg'= 40.3 2. A partir del resultado general (30). derivarel resultado (34).34 \/G.) asír--*2r'a' ffi (2x.49 1.36 68 il 'l .3 a-v 0. del Problema 8.2 /?r. Por tanto se sigue el reeultado pedido. en el caso de regresión lineal. página 264.4 2.96 2.4e88.y. .3 -2. Entoncee. y Ulst = U.27.6 0. Puesto que la varirable yn".70 = 38. /i84s8)?58-3t Tabla E-16 = 0.69 u'a' a'2 0.69 22. 8.4 .92 0.4 7l 67 68 70 -0. para el coeficiente de conelación.11.56 0.z b22r.92 = 67..6 0.89 13.02 1.6 3.6 L.= EF.3 -1. ¡o )¿ = 800 i.18 0.82 7. El trabajo involucrado en la computación puede organizarse como se indica en la Tabla 8-16.25. Los resultados (b) y (c) pueden obtenerse por cálculo di¡ecto de la suma de los cuadrados.7027 u 65 63 67 B4 a 68 66 68 66 69 66 68 66 r-t -t.3 -2.29 1.4 0.4 a'= tr'2 2.f.y = EP.o.82 4.3 0.11.7 )y = 811 a = 8LUl2 2rt2 = 84.22 + 19.76 1.66 -0.76 11. E. Utilizando la fórmula producto-momento.69 0. = y -f. Utiliza¡ los resultados del Problema 8.7 -3.A.28. (a) coeficientededetermir¡ación = t = '1Hi1iáf*1"io" =m= 0.?0. (D) coeficiente de conelación = r : tVñ7d58. 8. la expresión para r tiene automáticamente el signo conecüo asociado. obtener el coeficiente de correlación lineal para los datos del Problema 8.26.4 -0. REGRESION Y CORRELACION lcAP.l2at2.29 18.8 (c) Variación total : 2(a .16 6.donde ¡2= variación explicada va¡iación no explicada 2b2r.16 6.49 -2.' . trt =r- E.92.09 7.62 1.66 0.32 1. tenemoa &*br 6 Ulr¡= bx.s¿.[bb tt 62 70 66 68 67 69 -4.7 0. utilizando A.4 ' 0.16 o.-0v t'.09 10.6 ..42 -1.)z \/ñtrW Sin embargo.6 0.))' l) n'\ ¡ \) '\il t' jó -0. (la fórmula producto momento).24.68 5.3 4.aumenta.32 7t 0. La recüa de regreeión de mínimos cuadrado¡ de y sobrer puedeescribfuse 1lest= b = 2r.89 0.L2 7.7027 o con dos cifrar significativas r : 0.7 3.16 2.7 1.

29.nnn* v Entonces (I ) ee convierte en r(a-üz = 2a2 r : . donde ¿=? rz r sobre y er =a*ilu 8y Entonces b¿t = 1g\ 1g) = \c"/\oy.11(c) respectivamente 484 ' ó=10fr=0./ 8.8l CURVA DE A. Del Problema 8.| ¿gl\/¿e¿\ 6 =(iiot/\al/ ' ¡=o'7o27 que está de acuerdo con lo¡ Problemae 8.(>aXIY) n :E Puesto que = (2rlln V'ú = (2Alln" Arúlogamente.036 Enroncec rz = bd.31.476 d=ffi =1. [. 8.30.26(D) y 8.2ñ2r 4 ntz (2112 2(2nl' ()r)2 = 2rz = 2r2 .>IY w@ : n2rA-(2r'l(2A) .28.TUSTE. Demostrar el resultado (17).cAP.11. págrna 261.11 (b) y 8.a recta de regresión de y aobre r es u=olbx Análogamente. 2(a-nlz = 2(rz-2rt*r2) = 2s2 .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 8.27 ee demoetró que (r) Pero | = -4={@ñ4 = >(x-el(a-il = 2(ra-Da-sú*eúl = 2uU-e2A-fr2ntnD! = 2ru-nú-nfro-lnn! = 2rg-nDfi 2xt = --E . . REGRESION Y CORRELACION 288 8. la recta de regresión de donde A=?I. Utilizar el resultado del hoblema 8.

tal =ffi=0'9822 (c) El hecho de que la parte (a) muestra un coeficienüe de correlación de solo 4.64 (á) Primer método.636 ó 1. y? (a ) Utilizando los cálculos de la Tabla 8-9 y agregando que 2tt2 = 290. Entonces variación total = 2(A .ilz = variación explicada 21.80.42) [(8)(2e1. 8. (d) ¿Qué porcentaje de la variación total permanece como no explicada por la suposición de la relacii.30.()¡X)z) (8oo)(811) (r2)(54.40 8 = 1.4'.01?g Por tanto 7.636y'i-(0. Utilizando (a) y el Problema 8.21(46.33 (b).52) - (40. Ubtlizar la fórmula del Problema 8.3743 indica prácticamente ninguna relación lineal entre r. el error típico de la estima de y sobre I es B!. hallamos r= n2ru - ()¡X)r¿) (8X230. COEFICIENTE DE CORRELACION GENERALTZADO 8. (b) Hallar el coeficiente de correlación no lineal entre estas variables. y (b) sr.99r1)2 = 0. Sin embargo. Esto puede deberse a fluctuaciones aleatorias o a una variable adicional que no se ha considerado.2z .31 para obtener el coeficiente de correlación lineal para los datos del Problema 8. 2(A .n¡zi = -0. De la Tabla 8-4 r= n2ru . i = (2U)/n = (46.9922 = 0.2g y g.26(b).218 6 o.7027 como en los P¡oblemas 8.. (c) Explicar la diferencia entre los coeficientes de correlación obtenidos en (c) y (b). hay una muy buena relación no lineal dada por la parábola del hoblema 8." = ss\/T=F = 1. (o) Del Problema 8.40.16.16.2)r][(8X2e0.20) - (42.62.n parabólic a entre x. Hallar (a) s.4)/8 = 5. REGRESION Y CORBELACION [cAP.. y r =0'9911 var6eió. 8. supóniendo la relación parabólica obtenida en eI Problema 8.L071 = 0. 8 8.78%de la variación total permanece no explicada.34. y.Oz variación explicada .284 CURVA DE AJUSTE. (c) Hallar el coeficiente de correlación lineal entre las variables r.4O De la Tabla 8-10 Por tanto t-= = l(g""t-Al2 = 2l.1 ¡.16. paralos datos del Problema 8. variación no explicada va¡iación total (d) = l-r2 = L-0.) (42.16. Entonces la desviación típica de y es 8u= 2(u - ú\2 21.33 (b).11.3?43 (b) De Ia Tabla 8-9. I del Problema 8.ú)2 = 21.33. como lo indica el hecho de que el coeficiente de conelación en (b) está muy cercano a 1.32.

25 Variación explicada Enüonces - 258. CURVA DE AJUSTE.pl. la mediaú ylavarianzasf sonigualesa(n l)12 y (n2 L)ll2 respectivamente. ¡ sobre y. y estamos interesados en el coeficiente de cor¡elaeíón múltiple de z sobre x. al y el coeficiente de correlación entre grados por * - s2¿. ss t+2+. = 12-82 = 12+22*.218 ó 0.76)z = 888'26 = 888.l'ciñexptñat. dada en térrninos de e2r. tenemos 2a2-a2a-b2ra-c2n2a = 0. vemos del Problema 8..88 = 629.16 y el cálculo adicional 2gz 8y. Entonces si d¡ : r i .22 Tercer méüodo. ! ¡ el grado dado al j'ésimo valor de y ' [.33' variación no explicada = 0.. Utilizando el Problema 8.L2(62.cAP.os grados son enteros de 1 a n.22 8. el coeficiente de correlación de ¡ CORRELACION GRADUAL 8. esbturas).36.4L4\2 + "'+(68-65'920)2 = 258. Derivar la fórmula de correlación gradual de Spearman (36). *n2 n n(n*r)(2n*11/6 2 n2-l t2 utilizando los reeultados 1 y 2 del Apéndice A.*n @l_ryz n*l En = mientras que la varianza es sf. Ya que z se determina de ¡.222-n22 48. AquÍ estamos considerando n valores de r (por ejemplo pesos) y n valores correspondientes de y (por ejem.37 Coeficiente de correlación múltiple de z sobre x.a = = 299. pág¡na 264.218 6 0.-.52.35.8l Segundo método. [¿ media de r. z gería en general diferente del valor anterior.I i son las desviaciones entre las graduaciones.88 Va¡iación total 2(z-2\2 . z.@ "" = 0'8418 = !ffi = thffia Debe mencionarse que si fuéramos a considera¡ la regresión de eobre y. viene a3: s?+r?-2rs¡ads"sv . REGRESION Y CORRELACION 286 Utilizando el Problema 8. Análogamenüe. y I va. Sea rr: el grado dado al j{simo valor de x.19. la varianza de las desviaciones.19 Variación no explicada = 2(z - zo"tl2 (64-64. y. Explicar córno determina¡ía un coeficiente de correlación múltiple para las variables en el Problema 8. que Para obtenerlo.139 .

ordenadas en forma a¡cendenüe de magnitud. 10. 70. 6. 3. 9. 6g. 3. 8 (r) h¡ecüo que 7 = fgrad = eZ+sT-af. 4.rz)/n y (l ) ge convierte en 7')/12 W @2 - * (nz 6>d2 . 12 De igual forma. 8 y 9 repreeentan la migma estatura (68 pulgadas).6. 10.s" 0.6 3. 64.5.5. le. por tanto las estatu¡as de los hijos quedan ordenadas @ Con las correspondencias 1.6. 70. 6g. 1. REeRESIoN y coRRELAcIoN lcAP.7. 69. 6?. Calcular el coeficiente de correlación gradual para los datos del Problema 8. 6. Tabla 8-18 Diferencias de puntuacionee. 7l y puesto que los lugares 6. AsÍ. tor \-"rttd- "3 - e¿. La Tabla 8-17 muest¡a cómo l0 estudiantes fueron clasificados según su rendimiento en el laboratorlo y en teoría de un curso de biología.6 7.5 l. 8.6.6. 69. d d2 -1 -2 -1 1 1-1 I 1 3 I I I 2-L 4 1 -1 1 4 2d.11 y compararfos rezultados con el coeficiente de correlación obtenido por otros métodos. 66.66. Análogamente. 9.38.c asignamos a estos doe lugares un orden medío de 6. 63. la Tabla 8-B se convierte en Tabla E-19 Graduación del padre Graduación del hijo 4 2 6.5. 11.6 3 8. 71 Puesto que en esta ordenación loe lugares sexto y r*éptimo represenüan la misma estatura (6? pulgadas).6 1.(J) y (4). ?.6.6 11 .6 t2 5 7. 69. a los lugares 8 y 9 ae les asigna el orden 8.6. Tbmbién se incluyen dz y 2dz. a las e¡tatura¡ de loe padres ee les aaigna los órdenes (2) (3) dio de 7 . %. Hallar el coeficiente de correlación gradual.6 1 11 6 8.286 Entoncee cuRvA DE AJUsrE.8s45 indicando que hay una relación entre el rendimiento en laboratorio y teorfa.7. lac estaüuras de loe hijos ordenadas en gentido creciente son 66. 2. 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.6. 6.6 7. les asignamo¿ w orden meg [(6 + z + + 9) / 4 . 6?.6. 11.2 24 = Entonces rgrad= t-#!T = t-ir#?u = 0.6.37. 7. 66. 66.6 10 t2 7. 69. 6.6 10 3. 66. las estatura¡ de los padres eon (r) 62.l\ltZ .6 1.5. 66.7. 3. 1¡ (t) y (2).(2d2)/n = L-nfu2] 8. 67. 69.5. 69.

}j'2l. (b) X sobre Y.zBEl(X-pi(Y -¡. lo+zo¡a.60 rgrad = t-#!T: . 8.px) * (pv .25 2.?466 que concuerda muy bien con el valor r = 0.00 2. Suponga que la ecuación de regresión Para la recta de regresión de es ! = E(YlX=r) = a*Fr mínimos cuadrados debemos considera¡ E{lY (a+ px)12} bóo¿r¡"-or utilizado = E{I(Y .Fpx. La función de densidad conjunta de las variables aleatorias X. En general.dlz} = El(y -pv)21 + BzEl(X-r.0 ü 12.9px.5 -1.25 1.rv) = 0.5 -2.-ffi!\ = 0.2Boyy r (py .v)l + Gv-Ft'x-o)2 = "? * F2oI . REGRESION Y CORRELACION diferencia en graduacionec d.px) .r.40. halla- tv = ol Ftx Por tanto si g ."l Igualando estas ecuaciones a cero.26 1. . lo cud es una condición necesa¡ia para que F(q. = f.7027 obtenido en el Problema 8.00 d Entonces 2iP = 72.P(X .ú2 E(X .a) ó Fok = o*v a-tly="4tr-u*) A-Py - /'.39.26(b). p) tenemos AF u = mos -2(pv zBoi - 2oxv - 2px(pv . .0.5 -1. E(Y . INTERPRETACION PROBABILISTICA DE REGRESION Y CORRELACION 8.6 3.cAP. ) La función de densidad marginal de X es f{r) = [.25 2.5 1.o*t¡ .26 12.px\ ^t u\ox) | Debe notarse la semejanza de la demostraeión anterior para poblaciones.(r+2y) 0<n<7.6 -1. con la correspondiente para muestras.P¡x.25 6.0=Y<L {o deotraforma Hallar la curva de regtesión de (c) Y sobre X.5 3.6 -3. Y es l\r'a) : (a | f. Tabla 8-20 -3.Fpx.8l CURVA DE AJUSTE. 20. utilizando esperanzas.25 2.Fy = p(r . los cómputos de d2 y I¡ )d se mue¡tran en la Tabla 8-20.26 L2.a* pr entonces A . los resultados para muestras tienen resultados análo- gos para poblaciones e inversamenüe.ol. Derivar (39) a partir de (37).26 L2.6 2.26 6. utilizando sumas.pvl .0 1.F) sea un mínimo. íE = dF Denotando la última expresión por F(c.6 1.

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

2g para 12 . hallar los límites de confianza d-ei 95'7.40. Por tanto no podemos rechazar la hiPótesis.-.los Ií¡:rites de conftanza del 95oy' para --j:lq--.. Hallar los límites de confianza del 95'.B4o confianza del 95% de que 6 se encuentra entre 0.180.lrv1l_z=-.43. 0. (¿) La recta de regresión de Y sobre X es + oXY "+@ .4?6 r6 (Problema 8.22)y 1.82 + O.81 para L2 .11 = -l/162/.nfi162\/28/Bz4 -0. (+) ó a -i : - ür I x) ó -.xY p = n-xÍ oxY oxoy = *-(s)(i*) = = - 1 162 0 -l/162 .Of Ae que el coeficiente de regtesión de la ecuación de regtesión poblacional es tan bajo como 0.4?6 t Vlo\' t/tz.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 8.136 y 0.. r8fl .66 del Problema 8'11' 8.'lW\" . ot : ".44.- 2. Y ltr-2 donde 37e : 85.t / ó (b) La recta de regresión de.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.42.43. ¡rara ias estaturas yos padres tienen unas estaturas de (o) 65.82 + 0.05 rechazaríamos Ia hipótesis de que el coeficiente es tan bajo como 0. se está en la ryHt\ = 0.2 : 10 grados de libertad.q\I a.23 h es decir. (b) X sobre Y para el Problema 8. En eI Problema 8. Ensayar la hipótgsis al nivel d-e significación del O.11. = {".. .losaleolocar t=lt.0 y lb) 70.9b Con un ensayo unilateral de Ia flistribucirin de Student a un nivel 0.11 se halló que la ecuación de regresión de y sobre x eray: 35. de los hijos cuyp son 8.66 (Problema 8.-- .2 = l0 grados de libertad) vienen dados por 95?iparap(obteni.43)' y n: !2 1 r/o t r--- .0 pulgadas' puesto qu€ t s7. 8.11).cAP.47G :t ' +('!!) t" / = 0.r: L.476x. sr.180 si ú ) ú.'=o Í"'=o.8I 6. 8l CURVA DE AJUSTE..r: L.- = .e5: 1.2\ o.á para el coeficiente de regresión del Problema 8.2: LO grados de libertad.45.:2.o1f.2U'L66 0'19916¡= = ya que eo... sx: 2.szs=!2. Loslímitesdeconfianzadcl F = b-+f+) ' \ñ4\82 I para 12 ..28 (calculcda en el Problem a 8.28. Escribir las rectas de regresión de mínimos cuadrados de (a) Y sobre X. En el Problema 8.42. 1/ .o+zul)arav =1 3 . REGRESION Y CORRELACION 289 (e) xY = Entonces Í.476B-b t=r.

80 pulgadas (b) Si 16 : 70.?6 pulgadas. También (x¡ . es decir.6 pulgadas.45 pulgadas. Un coeficiente de correlación basado en una muestra de tamaño 18 resultó ser 0.96sy.0.23 para 1 0 grados de libertad.66.05 y (b) 0. rechazaríamosI/e si ú ) ú.32. REGRESION Y CORRELACION lcAP.rcontalquero -ñnoseademasiadogrande.?6 t 3. ¿Cuál es el tamaño mínimo tal de una muestra para que podamos concluir que un coeficiente de correlación de 0.45(c)] los límites de confianza delg1l".za\ = 66.0 pulgadas se encontrarán entre 65. es decir. = t. los límites de confianza del 95% para Uo fo son = 2.32 sea considerablemente mayor que cero al nivel 0. ciertamente no podemos rechazarla al nivel 0.69.09 pulgadas. Tarnbién.07 pulgadas. y¡ : 66.2óy6!2so. hallar los límites de confianza del96% para las estaturas'medias de los hijos cuyas estaturas de los padres son (a) 65. los métodos muestrales son exactos para una población normal.0 y ?0.1/l-z = = . hallamos [comparar con el hoblema 8.E. /e : 69. es decir.75 para 18 -2: L6 grados de libertad.elgbVo de que las estaturas de los hijos están entre 64.476 r6 (Problema 8.05 utilizando un ensayo unilateral de la distribución que de Student.8 pulgadas. hallamos [comparar con el Problema 8.16 :65.47. se puede esta¡ en la confianza d.? y 6?.48).48.": 2. se puede estar en la confianza de| g6% de que la egtatura media de todos los hi jos cuyas estaturas de Ios padres son 70.46. (o) Si.s1t : 2.8 los límites (o) Si 16 : 65.8OOtl2r2 : 2. TEORIA MUESTRAL DE LA CORRELACION 8.11).' sr.0 y (b) ?0.05. o.290 CURVA DE AJUSTE. de confianza del g5% son (ro .0. ¿Puede concluirse a un nivel de significación del (a) 0.78.11.2 pulgadas.14 pulgadas.14 f es decir. el valor mÍnimo de n debe ser 032{n - 2 r/i -to.6 pulgadas úo 0.66 (Problema 8./i=@0. Entonces 66.o¡ para n - 2 grados de libertad .76 1 1.05.05? A un nivel 0. Entonces los límites de confianza del 96Vo so¡ 69.0.23 donde y¡ : ffisv.Estoconcuerdaconlosresultados aproximados mencionados en la página 262. 7.sz\/ra-z : p l. En el problema 8.7 y 70. se puede estar en la confianza del 96Vo de que las estaturas de los hijos están entre 63.?6 a 2'23 es decir.1 y 7 4.11. 35.SOO112)2 : 11.i¡z : (?O.0 pulgadas se encontra¡án entre 67. 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 = .0. Porlo +1. los límites de conñanza del 95% están dados aproximadamente 8. Nótese que para grandes valores de n. Ya que t.Los métodos de este problema son válidos independiente del tamaño de n ó to .sz). t/6 al nivel 0. (o) (ó) Puesto que no podemos rechazar ) 0).05.0 pulgadas.82 + 0.45(ó)] los límites de confianza del 95%.14 + 5. se puede tener confianza de 95Vo que la estatura media de todos los hijos cuyas estaturas de los padres son 65.O .01 8. ' (b) Si re :70.Bb Sobre la base de un ensayo unilateral de la distribución de Student a un nivel 0.t)2 : (65 .ss :7.

=L. 8.tJ2:1.r5tz'""(+l-&.!613*(=.) nzr-2.05.60. Dos coeficientes de correlación obtenidos de muestras de tamaños nt : 28Y rtz:35 se cdcularon como rr : 0.49 y 0.L613 logS:0.266e = 0. t=0.60.Hallarloslímitesdeconfianzadel96% paraeste coeficiente.b4es.28z (ff3*3) = o.9730-0.5493y2:(0. t. ú.4620 Entonces ¡t2 tiene el intervalo de confianza del9SVo. n=26.94.16131og(++*) /r r-\ \r-'l / *t.s2\/ñ/\Flfu2p.4904- = 1. Entonces el tamaño mínimo de la mueetra ean:28.Portantopodemos rechazar la hipótesis de que el coeficiente de correlación poblacional sea üan pequeño como p: 0.05 utilizando un ensayo unilateral de la distribución normal rechazaría' mos la hipótesis solamente si z fuera mayor a 1. (b) p : 0.6932 0.unrr. 8.(-) \r P. = Deseamos decidir entre las hipótesis = 0. REGRESION Y CORRELACION Para un número Pa¡a infinito de grados de libertad.5493)/O.05? o.2182 = 1.el 95Vo püa pz vienen dados por Z=L.5366' p = = L. Por tanto los límites de confianza del 95Vo para p son 0.49./ 0. ¿Hay una diferencia considerable entre los dos coeficientes a un nivel de 0. Un coeficiente de correlación basado en una muestra de tamaño 24 se calculó era r : 0. los límites de confianza d.s|= l.50 a un nivel de significación del 0. 8.rrro.r¡rlb*'.r6r3t"" o.50.30 respectivamente.51. pa¡a n=2g.e155. (b) Sip:0.o. si Si pz Fz /r +"\ = l.80. L {zt - = Z-pz oZ 0. v =24.05? zr = r.50 y tz : 0. (Hs p2r= Fzrl I (Hi Fzr* .9730 0.7L.69.80 y n = 21.B0eb #*#= Fzrl. t.L6rt*(=./ = 0.s|= 1.7L.5606. ¿Podemos rechazrir la hipótesis de que el coeficiente de conelación poblacional sea tan pequeño como (a) p (o) : 0.s0(-/l1 \ \y'n_B/ = 1. v =26.72. z = t.) 0. v=26. Por tanto no podemos rechaza¡ la hipótesie de que el coeficiente de correlación sea tan pequeño como 0.sz\/rLtt/l-(u32Y = 1.66.0e86 10. p : 0.50.CURVA DE AruSTE. t. zz: r.92.?1.rsr3 loc\t -.75.:) = oz= La variable tipificada ee Fz = r.s5=1.96oz = 1.2182:L. Puesto que r : 0.64 y por tanto n: 25.5366 a 1.9r : 1. t .5606. para n=27. El coeficiente de correlación entre las calificaciones finales de fÍsica y matemáticas para un grupo de27 estudiantes se calculó era0. a un nivel de significación del 0.6.50. t--032\r26^tr=@ = 1.0.28 A un nivel de significación del 0.64.

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-(#)(#)] =

61 a. = L4.a guplementa.9 = 8.5¿8 8.0 = (b) 6 r-ü='?o-o¡.64.64. a y-6e.2.e Ge.. página 261 .60. para obtener las ecuaciones de las rectas de regtesión (¿) ó a-u='!w-nt. r. 8l CURVA DE AruSTE. s!.?686. para los datos del Problema 8. Representar gráficamente los datos y las rectas de mínimos cuadrados utilizando el mismq conjunto de ejes coordenados.uo+qY: 145+q'qfrEq = u= De los resulüado¡ del Problema ?o.821(o-70.s6oy'1:107686)á Problerrra.9 respectivamente.0).63..926 y r = 0.rlos RECTA DE MINIMOS CUADRADOS Tabla 8-31 8. ParalosdatosdelProblemaS. (b ) r como Ia va¡i¿ble dependiente. 8y r-70. = 13. Calcular los ertores típicos de la estima (c) er.. REGRESION Y CORRELACION 299 Por tanto las desviaciones típicas de las calificaciones de matemáticas y fÍsica son 14.0=q9ff##q(v-6e. 8xv 160. (b) Í sobre y para los datos rr+qW = 64.9) -69. Utilizar los resultados del Problema 8. r a 3 6 6 8 911 234668 8.66 8.hallar(o)losvalore$deycuenda x=6.66.62.5+E#9 = ú . 0.0 y 14. en tanto que su covari¡nza es 160.o 8.. Ajustar una recta de mínimos cuadrados a los datos de la Tabla 8-31 utilizando a (a\ x como la variable independiente.gZfy'f - (OfOg6P = = 9. = ¿yt/Ti-rz = = a"t/T7rz = f¿.20 G&r'-áiÉfutB = o'7686 que concuerda con r hallado en el Problema 8.966.7t9(u-69. (a) (bl Ey.61.0=A+##€?!)@-70. (b) sr. De la Tabla 8-30 tenemos.0) x-?0. E.934 s. Entonces utilizamos ( I 6 ). Tenemoe 8"". (b) SolucionarelProblema 8..64. Escribir las ecuaciones de las rectas de regtesión de (c) y sobre del Problema 8.(b) elvalordexparay:7' (o) Utilizar el método a mano alzada para obtener Ia ecuación para una recta de ajuste de los datos del Problema 8.60.v ts.e).cAP.65 utiliza¡rdo el resultado de la parte (c)' .60. 0.x=L2.

I 3. u (mi/h) Distancia de parada d(p) 20 54 30 40 138 50 60 70 90 206 292 396 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. t. (D) Hallar la recta de mínimos cuadrados que se ajuste. (c) Hallar la recta de regresión de írínimos cuadrados de ¡ sobre y.6 21.a los datos.2 5.y:6. (o) Construir un diagrama de díspersión.(c)Estimardcuandou:45mi/hy80mi/h. (b) Ajustar una parábola de mínimoscuadradosdelaformad:oIbu*cuzalosdatos.t--10.300 CURVA DE AJUSTE. utilizando a y como la variable independiente. 54 42 30 . [. (o) Hallar la ecuación de regresión lineal de mínimos cuadrados de e sobre x. o + bx r a 0 1 2 ó A 5 t) ¿x?alos datos de Ia Tabla 8-3¡t. REGRESION Y CORRELACION [cAP. 8 t.73. Escribir las ecueciones normales para la curr¡a cúbica de mínimos cuadrados dada por dx3 . (c) Hallar la recta de mínimos cuadradoe que se ajuste a los daüos. La Tabla 8-32 muestra las calificacionee finales en álgebra y física obtenidas por diez e¡tudiantes seleccionados alcatoriamente de un gran grupo de estudiantes. (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r. Tabla 8-36 Velocidad. (d) Representar gráfioamente las dos recta¡ de regresión de (b) y (c) sobre el diagrama de dispersión de (o). (o) Representa¡ loe datos en papel semi-Iogaritmo.8?. Con referencia a Ia Tabla 8-33. ¿cuál es su puntuación esperada en física? (e) Si un estudiante obtiene una puntuación de 95 en físice. z. El número y de bacterias por unidad de volumen pres€ntes en un cultivo después de ¡ horas viene dado en la Tabla 8-36. (b\ Estimar z cuando a to 90 10 72 .70. (o) Representar gráficamente los datoe. En el Problema 8. (a) Representar gráficamente d. Alustar una parábola de mínimog cuadrados.6 9. (d) Si un estudiante obtiene una calificación de ?5 en álgebra. o^ 2.(b)Ajustarunacurvademínimoscuadradosdelaforma !=abxalosdatosyexplicarporqué esta ecuación específica da buenos resultados.?1. y. 12 . ¿cuál es su puntuación eeperada en álgebra? Tabla 8-32 Algebra (c) Física (y) .71 rrcstrar c6mo una gráfica en papel semilogarítmico puede utilizarse para obtener la ecuación pedida sin emplear el método de los mínimos cuadrados. 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. (c) Comparar los valores de y obtenidos de esta ecuación con los valores reales. utilizando a r como la variable independiente.74.u.3 14. y : t 8.a Tabla 8-37 muestra los 3 6 o n 8 t? o t4 valores correspondientes de tres variables x.72.68. (d) Estimar el valor de y cuando r : J. I : o t bx * cx2 I Tabla 8-37 REGRESION MULTIPLE E.ID 80 ?8 93 86 65 72 87 91 7L 98 95 68 84 89 tt 82 80 72 74 E. y. fabla 8-33 Calificación en el primer examen C¡lificación en el segundo examen 6 ü D 8 8 10 a 76104 D 8106 Tabla 8-34 q 8 il CURVAS DE REGBESION DE MINIMOS CUADRADOS 8:69. con Ia escala logarítmica para yr la escala ariü- méticaparar.

y es 0.68(b) v (c ).81 u 8.86. y obtener exptesiones para los coeficientes de regresión de mfnimos cuadradoe el resultado del hoblema 8. ú=20. en E. 8.z . Calcular (a) la variación total en y.50. Utilizar los resultados del Problema 8. Calcular (o) sv.75 para solucionar el Problema 8.Br * Ca I Dr2 * Ery * Fyz Obtener las ecuaciones normales para los eoeficientes de regresión de mínimos cuadrados.3E F¡lad (r) Presión Sanguínea (y) 55 49 38 42 68 r47 725 160 118 t49 t28 150 146 115 140 162 56 42 72 36 63 47 60 165 E.81. yesr:0. D.68 utilizando la fórtnula producto-momento y comparar con el resultado del Problema 8. Hallar el coeficiente de correlación entre los dos nuevos conjuntos de valores. ¿Hay al' t. y. Tabla 8-39 x a 2 4 5 6 811 18t210875 .38 lación entre muestra las edades r y la presión sanguínea y d.60. (b) $. (o) Calcular el coeficiente de correlación entre los valores correspondientes de r. (b) r sobre y.! .i=10.68.cAP. ballar las ecuaciones de la recta de regresión de (o) y sobre x.7 7 a(r-¿l+b(u-úl o. 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. E.82. Demostrer que la ecuación para regresión lineal de z sobre r. (ó) Determinar la recta de regtesión de mínimos cuadradoe de y sobre r. halla¡ r.8?. Hallar (o) sy ". ERROR TIPICO DE LA ESTIMA Y COEFICIENTE DE CORRELACION LTNEAL E. ¿qué porcenüaje de la varfación total pennanece no explicada por la ecuación de regresión? 8. (b) Multiplicar todos los valores de ¡ por 2 y sumarles 6. 8. Hallar los coeficientesde correlación para los datos del (o) Problema 8. " para los datos en el Problema 8..86.88. (b) Problema 8.89.t3.60. (b) utilizando la fórmula s¡s = rs¡sÍ y el resultado del Problema 8. Si sv.68.76. (o) Hallar elcoef¡cientede correlación entre E.00. y. (c) la variación explicada en y para los 8. explicar por qué se obüiene o no el mismo resultado que en la parte (a). Tabla 8. . 8l CURVA DE AJUSTE.E4. y puede escribirse como z-2. y tiene la form¿ z = A 1. (b) la va¡iación no explicada datos del Problema 8.8f .r. los dos conjuntos de calificaciones de los exámenes del Problema 8.EO. Multiplicar todos los valores de y por 3 y restarles 15. (b) sr.79. sr:2.y para los datos del Problema 8.eL2 mujeres.85.¡.68 (a) dircctamente.76.68.80 para hallar el coeficiente de correlación entre los dos conjuntos de calificaciones de los exámenes del Problema 8. Hallar la covarianza para los datos del Problema 8. Si el coeficiente de correlación entre. 8. El 8. y dados en la Tabla 8-39. (c) Estimar la pre- sión sanguínea de una mujer de 45 años.67. (o) Hallar el coeficiente de corre' r.E2. La Tabla 8. REGRESION Y CORRELACION 301 8. Utilizar 8.74.64.= E.Sis"=1.90.= 3y ss : 5. r. coeficiente de correlaciónentredos variables¡. 8.7t. (b) Obtener eI coeficiente de correlación directamente de las pendientes de las rectas de regresíón del Problema 8.

98.a) = [2r+3a Io o(c(L'o<Y<2 de otra form¡ Ilalla¡ la curva de regresión de (a) Y sobre X.¡ 8. t. (D) X eobre Y para el hoblema 8. 8. t.90. La función de den¡idad conjunta de las variables aleatorias X.84. Hallar el coeficiente 264.gus observaciones en (o).8. y para lo¡ daüo¡ del Problema 8. lo¡ resultados se mueshan en la Tabla 8140. I COEFICIENTE DE CORBELACION GENEBALIZADO E'91.74. Y con E.págirra52.paraelca¡odeunaauperficiederegresiónlinealparazsobrer.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. D.74.68 v (b) Problema 8. COBRELACION GRADUAL E. página t.y. variación toüal es erplicada por la ruperficie de regreeión? (b) ¿Quéporcenüajedela Demostra¡elresultado (27).302 CURVA DE AJUSTE.96.93. t.(b)XaobreYparalosdatosdelhoblema2.97. H¿ll¡rlacurvaderegreeiónde(a)YsobreX. t. Halla¡ la recüa de regesión de mínimoe cuadrados de (a) Y sobre X. t.5g ufilizando el resultado (35).104. 8.99.99. (o) Calcular el coeficiente de conelación múltiple pars los datos del hoblema 8. INTERPBETACION PROBABILTSTICA DE LA REGRESION Y LA CORRELACION E.106. en el ca¡o de do¡ variablee aleatorias X.8. Da¡ un ejemplo para demostrarcómo hallaría (a) el error típico de leestima.96. estudiar una posible deeventaja del método de conelación gradual.(D)larvariacionee explicaday no erplicada. (o) Hallar el coef¡ciente de correlabión gradual para los datos del Problema 8. Hallar el error típico de la estima de z ¡obre ¡. E.102. Halla¡ el coeficiente de conelación gradual y decidir eobre el acuerdo de loe jueces en su8 eleccioneg. REGRESION Y CORRELACION [cAP.lo6' función de densidad conjunta (o función de probabilidad conjuñta) f(x. ble¡ aleatoriac independientes? Explicar. página 52. t. (b) X cobre Y para Ios datos del hoblema 2.lOS. (b) X eobre y. C. (b) De. (c) el coeficiente de conelación generalizado. G. Hallar el coeficiente de conel¡ción lineal para la¡ variableg aleatoria¡ del Problema 2.99. t.s.96gina 52. Doa juecec en una competencia debían clasifica¡ a 8 candidato¿ A.94. y\.lol.página 263. ¿Ocurren algunae simplificaciones en la¡ curvas de regresión Ce Y sobre X ó X sobre Y para el caso de varia- . tls[a¡ la recta de régresión de mínimos cuadrados de (a) Y robre X. Il¡llar t. Tabl. F. Obtener el coeficiente de correlación lineal para el hoblema 8. Mostra¡ cómo se puede diseñar un coeficiente de correlación múltiple. B. de conelación para las variabie¡ en el hoblem" g. Y viene dada por f(r.92. H de acuerdo con sus preferencias. el coeficiente de correlación gradual para loa datos del (a) Problema 8.rOO.

05.115.50. . demuestre que el coeficiente de correlación entre r'. página 260. hallar los límites de confianza del (c) 95%. Yvie' nen dadas por 2:r . a un nivel de significación del 0. y).l0?hallarloslímitesdeconfianza d. 8.00 ¡. Hallar el coeficiente de correlación lineal.tes t?. ¿Podemos concluir a un nivel del (o) 0.05. A' = llo * c2y.!l = 2. (Sugerencia: Suponga quer' = noi c1r.f-(1 -r2)s. Demostrarqueelcoeficientedecorrelaciónentre¡.cAP. que el correspondiente coeficiente de correlación poblacional es considerablemente mayor que cero? E.(b)99%paralamedia'detodoslosvaloresde y correspondientesa¡ = 6.114 si el tamaño de Ia muestra es 52.211Ú 8.c2 soll constantes arbitrarias. es (o) tan bajo como 8. 8.00. EnelProblemaS.109.I22.8. Demostrar que el cóeficiente de correlación - g. Sobre la base de una muestra de tamaño 27 se encontró que la ecuación de regresión de y sobre r era t = 25. Las rectas de regresión muestrales de mínimos cuadrados para un conjunto de datos involucrando X.5a = 3.80 y 0.60 de una muestra de tamaño 28. Si sr.10? ensayar la hipótesis de que el coeficiente de regresión poblacional 1. (b) ta presión sanguínea de las mujeres de 45 años.116.sx = 3.123.30.40. ConreferenciaalProblema8. 8. Demostrar que el ángulo entre dos rectas de regresión muestrales de mínimos cuadrados viene dado por .111.70. Solucionar el Problema 8.114.el(o)95%. 8. En el Problema 8.?0. Verificar los coeficientes (5). que hay una diferencia significativa en' tre los dos coeficientes? RESULTADOS DryERSOS 8. Hallar los límites de confianza d. E.121.0 + 2. (b) tan alto como 2.(b\ 99% para y cuando ¡ : 6.d'. 8l CURVA DE AJUSTE. (b) 0.118. (b) tan grande como p : 0. Un coeficiente de correlación basado sobre una muestra de tamaño 27 se calculó como 0. Dos coeficientes de correlación obtenidos de muestras de tamaños 23 y 28 se calcula¡on como 0.\ es independiente de Ia elección del origen de las variables o de Ias unidades en que se expresan. 8. REGRESION Y CORRELACION 303 TEORIA MUESTRAL DE LA REGRESTON 8.(b)997oparu un coeficiente de correlación que se calculócomo 0.00.l19.1 "l$- c2) 20.50' ¿Podemosre' chazar la hipótesis de que eI coeficiente de correlación poblacional es (o) tan pequeño como p : 0. Hallar los límites de confianza del (a) 957o.112.01. (b) 0. TEORIA MUESTRAL DE LA CORRELACION 8.10? hallar los lÍmites de confianza del (o) 957o.01.11?. para la recta de mlnimos cuadrados.(b\99% pra el coeficiente de regresión.ypuedeexpresarsecomo il2 -:.01. utilizando un nivel de significación del 0'05? 8.00 y ñ = 7. (c) la media de lae presioñes sanguíneas de las mujeres de 45 años. y'es eI mismo que el entre. donde r¡¡ !/6¡ cl¡.20. Un coeficiente de correlación basado sobre una muestra de tamaño 35 se calculó como 0.84.el 95% para el coeficiente de correlación calculado en el hoblema 8.tu] tan-'L rfti + si) -l E.10?.hallarloslímitesdeconfianzadel 9fleparafo)elcoeficientederegresiónde y sobre r. ¿Podemos concluir a un nivel de significación del (o) 0. En el Problema 8.108." = 1. DemostrarqueparaelcasoderegresiónlinealelvalormÍnimodeE'{[]'-(o*¡lX)lz. 8. 5r .60. .* : 8. 8.110.S4.113.95 respectivamente.

El período base es de L94? 1949 : 100.128. (c) Calcular los valores de tendencia y compararlos con los valores reales. Demostrar que para regresión lineal 4 = +. 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 .3 I 10.r. f¡¡ 32 20 t2 q . 8.5 116. (o)HallarlarectaderegrecióndemínimoscuadradosdeysobrerparalosdatosdelProblemaS. 8. E.8 111.130.1 114.4).129.5 r14.8 8.127. (b) Br.2 r20.125.41 ESTATURAS .2 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 101.1 25.2 Fuente: Bureau of Labor Statistics 8.l2S.8 102.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) .2 t23. Tabla 8.5 por mayor 103.126.L24. (d) Predecir el Índice de precio para la asistencia médic¿ durante 1958 y compararlo con el valor verdadero (L44.0 113.1 t 10. (ó) Hallar la recta de mínimos cuadrados que se ajusta a los datos y construir su gráfica. Hallar (o) s".8 114. Con referencia a la Tabla 8-43: (o) Representar gráficamente los datos.6 I 10.6 L19.3 1r 7.(ó)Estimar los pesos de doe hombres cuyas estaturas son 64 y ?2 pulgadas respectivamente.y para loa daios del hoblema 8. 210-225 I . (e) ¿En qué año podemos esperar que el índice de costos médicos doble el del 194?1949. - Tabla 8-42 Año Indice de precios al consumidor Indice de precios al 99.4 I14. 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 8-42.8 111. Ilalla¡ el coeficiente de correlación entre las estaturas y pesos de 300 adultos dados en la tabla de frecuencias siguiente. 8. 19 5 o (t) e.304 CURVA DE AJUSTE. Hallar los límites de confianza del 96% pára el coeficiente de correlación calculado en el hoblema 8.L25. REGRESION Y CORRELACION [cAP. 8ü 8É ¿Es el resultado válido para regresión no lineal? 8.7 114.

Estudiar la relación. Con referencia a la Tbbla 8-44.8l CURVA DE AJUSTE. y).132). . Sean X. del Problema 8. Tabla 8-44 Año Natalidad por cada 1000 habitantes 1915 1920 7925 25. 8.3 16.' Utilizar el Problema 8.página265. En el Teorema 8-1.l35.6 Fuentet Department of Health.¿) donde .5 23. (d) Explicar por qué la ecuación en (b) no es útil para propósitos de extrapolación. página 265.6 23.131. Demostrar el Teorema 8-1.132. ¿es g(r) única? Explicar. 8. Y variables a|s3fs¡i¡s con función de densidad conjunta (o función de probabilidad) f(x. (Sugerencia.132 para variaciones explicadas y no explicadas. 8.9 ¿ind 1935 1940 1945 1950 1955 24. (b) Hallar la parábola de mÍnimos cuadrados que se ajuste a Ios datos.136. si Ia hay. E.7 21. (c) Calcular los valores de tendencia y compararlos con los valores reales. Demostrar que si 9(r) = E(Y \ X = c) entonces EUY - É(x)1'!) = E{LI'- o(xl¡z¡ + Ells(x) - q(x)l. Education 8.0 1030 18.133. (a) Representar gráficamente los datos. REGRESION Y CORRELACION 305 8.¿(r) es cualquier función de r para el cual estas esperanzas existen. Demostrar el Teorema 8-2.134.cAP.9 Welfaie 19.9 17.

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

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

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

Esto viene dado en el teorema siguiente. po{emos demoshar los siguientes teoremas fundamentales relativos a las distribuciones de las va¡iaciones V. Por otra parte.u/o2 tiene la distribución chi-cuadrado con o(b . V6 y V.9l ANALISIS DE VARIANZA 309 DISTRIBUCIONES DE LAS VARIACIONES Utilizando el Teorema 4-4. con tratamientos. o el método corto. Si este estadístico es considerablemente grande podemos concluir que hay una diferencia significante entre las medias de tratamiento y así rechazamos f[e. Teorema 9-2: Bajo la hipótesis nulal{0.. (3) y (8). 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. .3 r""igual a c2 independientemente de si las medias son iguales o no. pág¡na 116. TABLAS DE ANALISIS DE VARIANZA Lo! cálculos pedidos para el ensayo anterior se resumén en la Tabla 9-2. (10) y (11). En la práctica calcula¡íamos u y uo empleando eI métódo largo. 9-1: V. Es importante ¡ecalcar que el Teorerría g-1 es válido si se supone o no I/s . Debe advertirse que los grados de libertad para la variación total. vemos de (23) qrr" 33 puede ser mayor eü€ o2.)2 . si las medias de tratamiento no son iguales./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 .: u uu. Total.Ffs no es cierta. es igual a la-suma de los grados de libertad para las variaciones entre tratamientos y las variaciones dentro de tratamientos. De otra forma podemos o aceptar lfe o reservarnos el juicio dependiendo de análisis posterior.- ¡¡z Ao s6 = o-1 u6 86 -_ s. el cual es una consecuencia del Teorema 5-8. Vt.1.13¿. en tanto que el Teorema 9-2 sólo es válido si se supone f/0. Teoremag-3: E] estadístico tad. esto es.cAP.a(b-L) j a\o _ l) grados de libertad a : a-L+ ut = )(er¡. siendo el efecto más pronunciado a medida que la discrepancia entre medias aumenta. a-I. página 161.-f. Tabla 9-2 Grados de Iibertad Enüre tratamientos. Pa¡a utilizar este estadístico debemos conocer su distribución.1) grados de liberbad. va : b)1nt.ab . y luego calcular u. que se denominatabla de anólisis de uarianza. es decir. Se deduce que un buen estadístico para ensayar la hipótesis -EI¡ viene dado por 3. de (I9) y (20) cabe esperarse que S.

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

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

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

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

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

a cuatro bloques escogidos completamente al aza¡. Caso I. Por esta razón muchos estadísticos recomiendan que se ensayen I/é'. página 306.2 Fig.1) (b . Caso II.4.los detalles de un experimento deben planearse cuidadosamente con anterioridad. esto es oj = 0 I{2): Todas las medias de bloque (columna) son iguales. 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. para ganar tanta información como sea posible. 9-1 por cuadrados. El propósito de la aleatoriedad es la de eliminar varias fuentes de enor tal como fertilidad del suelo.j'z) utilizando las relaciones . etc. D A C C c B A D D B C B C A D A A Bf A6 Do AB Bn D6 co DB B D D C B A B D II III IV A B D C B A C D D A c D cf BB D B B c6 A. 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. indicados por . C.1). En este caso podemos concluir que las interacciones no son muy g¡ánAes.F de 33/0? V GfBi en cambio de esas dadas en la Tabla 9-6. D. 9.r A B c A C B A c C" Dr Au B6 Cuadrado Compleüa aleatoliedad Bloquee aleato¡ios Cuadrado latino Fis. Las diferencias en los factores serían impgrtantes solamente si fueran grandes comparadas con tales interacciones.1. aunque físicamente cualquier forma puede utilizarse) y asignar cada tratamiento. Pa¡a üseña¡ tal experimento podríamos dividir el teneno en 4 X 4 = L6 parcelas (indicadas en la Fig.9-l Fig. (a .9-3 grecoJatino Fig. En este caso podemos concluir que las interacciones son considerabtemente grandes.cAP.6.F' de 3?/S3 de la Tabla 9.l) + ab(c . Esto produce una tabla factor dos con valores singulares. El procedimiento se ilustra en el Problema 9-tr3.9-l . B. En lo que sigue damos algunos ejemplos importantes de diseño de experimentos. DISEÑO E)GERIMENTAL Las técnicas de análisis de varianza discutidas anterionnente se emplean despuós de que se han obtenido los resultados de un experimento. y l/. Utilizaremos este procedimiento alterno. 1. Completa aleatoriedad. esto es l3*= 0 I{:}): No hay interacciones entre tratamientos y bloques. que pueden analiza¡se como en la Tabla 9-5. Esto se denomina a veces como diseíw del experimento. Luego podemos ensay4r H. Supóngase que tenemos un experimento agrícola como en el Ejemplo 9. utilizando hs íelaciones F de G?liZ v 3:63 reópectivamente como se muestra enlaTabla9-6. Il[3) puede rechazarse. Il[r) no puede rechazarse. 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. 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.o) y-H<2. Sin embargo. y utilizando este valor para remplazar el denominador 3! en el ensayo F.

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

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

. = b)) (é) Variacióndentrodetratamientos Otro método. Tabla 9-E e (a) por Las medias de tratamiento (fila) para la Tabla 9-8 vienen dados respectivamente rr. Variacióntotal 4 =. 1 = 4. hallar una estima insesgada de la varianza poblacional oz de (c) la variación entre tratamientos bajo la hipótesis nula de igual medias de hatamiento. =. de todos los datos sin afectar los valoree de las variaciones.¿): + (4 -4):¿ + (6-4)2 + (5. (a) (b) ? 3 9.96podemos techazar la hipóüesis nula de medias iguales al nivel 0.318 ANALrsrs DE vARTANZA Para simplificar la aritmética podemos restar algún número apropiado. -¿).Tabla 9-8. 3 0. = o.yemosqueF. Entonces obtenemoe los datos de la.@ir-E)2 = (3-4)r + (4-4)x + (6-¿)¿ + (4. 4l(4 . ¡r.41-B.5.6. i. = !4(B+4+ 5+4. . B. (o) ConreferenciaalApéndiceF.)2 t.5)r + (d--5)! -l (5-5)r + (5-5)r 412 9.. 48 y 50 hl/ha para A.:l = = r'. obtenidog al sumar 45 a éstos.4. C (b) (c) .26. [cAP.conut:2yu2:9. = i(B+4-f b+4+2t. (b) 0.Puesüoque^F :6)F.4)2 + (4-4): + (3 . de significación del (c) 0. (b) la variación dentro de tratamientos.¿.05. Por tanto los rendimientos medios. = ) @¡¡-E¡.01? Tenemos con-o Con referencia al hoblema 9.05. = lae+A+3*B) = 5 3.g)r + (4.4)2 + (2 .¡.4)'.4): + (5-4¡: =14 ((l ) Variaciónentretratamientos = tr. eon 49.95:4.1): 3(4-1) : I grados delibertad.¡.4)2 + (4- + (2 -3)2 + (4-3)2 + (:J-U + (5-4¡r + (4-4): 3)2 + (3 .: i(4+6+5*5) = respectivamente.k = (3.4)2 + (5 -. ¿podemos rechazar la hipótesis nula de medias iguales al nivel - 1 : F=$=h = 3 6 - L : 2ya(b .4.4)! + (3 .u = 14-8 = 6 (cl. por ejemplo 45.4¡:: * (3 . Con referencia al Problema 9.f B+4+6+b+b¡ = Así la gran media para el conjunto original de datos es 45 * 4 : 49 hl/ha.

= 4 +6+5*5 = 20 r = 16+12+20 = 48 Luego D6 1s-. (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"?--# : .6 ¡e muestran en la Tabla 9-9.02.4 ba'i ab 1 i062+t22+202) 0w: (^8\: te.4-9.9no podemos techazar la hipótesir nula de medias iguales al nivel 0.4.06-S8t = (b) Los totdes de las filas ¡on 206-rsz = 14 También rl..Pue8toqucF=6(F. Tabla 9-9 Gg=f. Utilizar las fórmulas cortas (101-(12) para obtener los resultados del Problema 9. = 3+4+6*4 = 16 tz. I¿ tabla de aDáli¡is de va¡ianza para loe hoblemss 9. . .?.2/3 n con 2.=2+4+3*3:12 rt.vemoaqueF.9 o(b-1)=(3)(3)=9 gradoe de =14-8=6 libertad 9. el ANALIS$ DE VARIANZA 319 (b) ConreferenciaalApéndiceF.n) = : 2oo 6 _ tg2 = E (c) D-Qb:14-8 .= Dentro de t¡ata 0w=0-0b a -63 ^' .6:8.a&-6 .O1.cAP.conur:2!uz:9.

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

2lIl I ab-I=24 I W = tz.05.(8 _ 8l: - .)! ¿'. Es conveniente restar Tabla 9-14 Muestra 1 .r (2 5):r -l. lógicamente tampoco la podemos rechazar al'nivel 0.8 (5X4) t: Pata 4.(i -5r2 ... Entonces tenemos .^.-+(8-7)z = 5): 72 -= J'K )(t..".01. por ejemplg 400.18-512: rl¡--5rr .1456 =ZO I | =. . u.1 . ?t¡ = 655 tratamientos.87 . y obtener la Tabla 9-15. directamente observando que es igual a (7--9):r-(11. Utilizando el método largo. 7):+(11 -?)2+.)rr¡(. ANALISIS DE VARIANZA 321. 20 grados de libertad tenemos F .fti'k ¿rr.01 si hay una diferencia en los tres tipos. MODIFICACIONES PARA NUMEROS DESIGUALES DE OBSERVACIONES 9.(10 8r: I í8 __ 8)r -i rG 8): -1.9.. ". ensayar al nivel de significación del (c) 0.¡r . Tabla 9-13 Entre tratamientos.-i)z -3(9 ' - 7\2 36 ! 5(7 + 4(8 -- 7)! = 36 .r. las medias de grupo o muestrales y la gran media..f)r!-i tÍf -f)): r t. el Formamosla Tabla 9-13. Por tanto no podemos rechazar la hipótesis nula a un nivel 0.l-5rr -.ru r También podémos obtener 72 -- 36 .u¡. .)(r.ss: 2.05.-i.cAP.. (b) 0.u-1) = 5(4) rA = I l "u ?'.-¡.108 406 408 un número apropiado.102 410 .i = Gran 8 media = 84 1t En esta tabla hemos indicado los totales de fila.t0i Muestra 2 Muestra 3 11 409 401 406 408 405 . La Tabla 9-14 muestra la duración en horas de las muestras de tres tipos diferentes de tubos de televisión fabricados por uná compañía. Tabla 9-15 Total Muestra 1 Media 9 7trI 4 27 8 5 2 Muestra 2 Muestra 3 6 25 32 5 10868 .

ninguna diferencia en los tres tipos de tubos) al nivel 0.2 ñ"¡'. F. n=12. como también los totales de columna. Rt=3.8 o. 12t nB=4.8 9.os datos pueden resumirse en la tabla de análisis de varianza. = = 36 (27)2. Tabla 9-16 [cAP. Tabla 9-1? Cosecha cosechas de plantas diferentes culparcelas tratadas con tres tipos diferentes de fertilizantes.11.=27. + 62 +8r-Q|2 = 72 a6 = ?t-.:25. ¡=84 = + iL2 + . 9. ensayar al nivel de significación de 0.(32)2 s-5-4 -W = s6 'l)ú = I-Ub Utilizando estos re¡ultados el análisis de va¡ianza procede como en el Problema 9.8 6. 12. . Por tanto podemos rechaza¡ la hipótesis de medias iguales (esto es.2 7. las medias de columna y la gran media.7 45 8.01.01 si (a) hay una diferencia significativa en rendimiento por acre debida a los fertilizantes.?.96 : 4. e Variación Grados de libertad Media de cuadrados F D¡=36 a-7=2 n-a=9 io.6 7.99 : 8. rg.0 5.10. Utilizando el método lartivadas en Cosecha I Fertilizante A Fertilizante B Fertilizante C u Cosecha III Cosecha IV 6. La Tabla 9-17 muestra los rendimientos por acre de cuatro go.9 utilizando las fórmulas cortas incluidas en (24).9 6.2 Calculamos los totales de fila y medias de fila. I 5. De la Tabla 9-15. = 19= 1g 5. Soluciona¡ eI Problema 9..5 Enüonces para 2 y 9 grados de übertad hallamos del Apéndice F que F. so:.=32..4 uru so'- 18 = 36 G1=?9=4 = 4. como se indica en la Tabla 9-18.02.322 ANALISIS DE VARIANZA f.-.9.26. (25) V Q6l.4 7.(25)2. Tabla 9-16. CLASIFICACION DOBLE O EXPERIMENTOS DE DOS FACTORES 9. Por tanto ! = n2=5.05 pero no al nivel 0. 72 t1. (b) hay una diferencia significativa en rendimiento por acre debido a las cosechas.

05 con 2.7 8.2 8.8)21 = 13.8¡r+ (7. (7.4 7.7 5.2 23.8 . Entonces.zt gl: 2.5 6.68 u" : Variación de medias de columna con respecto a la gran media = 3[(6.6 5. Fq.4-6.5-6.14.3 .0 Gran total 22.7 -6. 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 + (5.8 9.3 5.5 18.5 6.8)2 + (6. el ANALISIS DE VARIANZA Tabla 9-18 Cosecha 323 I Cosecha II Cosecha III losecha IV Totales de fila 24.9 68 5.9 .58 F =G?/C?: a.6.6 oi = t.9 columna Medias de 19.2 -6.2 6.r. : Esto conduce al análisis de varianza en la Thbla 9-19.8)2 + (8.8)2 + (5.0 .86 gl: 3.8)2 + (5.6 columna u.8)2 + (6.6.2 2t.6 grados de libertad. .:5. 64 7. .6 ¡'=0"2/i3=0.24> 5.8 Media de fila 6.8)2 -1 (9.7-6.S¡z a (7.8 7.6 7.6.2-6.6 .0 7.0-6.8)2 + (8.6.8)2 = 23.2 .14.9 -6.9 = = 81.0 33.ocz Al nivel de significación de 0.S12 -'.08 ue : Variación aleatoria = Lt .podemos rechazar la hipótesis de que las medias de fila son iguales y concluir que al nivel 0.8 .cAP.4-6.3-6.8)2 + (?.8 : Variación de medias de fila con respecto a la gran media = 4U6.r.32 U: Va¡iación total (4.3 Gran media 6.4¡z a (6.05 hay una diferencia significaüiva en el rendimienüo debida a los fstilizantes.6.8)2 + (6.8 -6.8)z] = 2.5 -6.8)2 + (5.2 Fertilizante A Fertilizante B Fertiüzante C Totales de 4.4¡z * (7. Tabla 9-19 6.yaque 6.6.6.

B.S¡z a (6. e 9. .82 = 6.05 si hay (c) una diferencia en las máquinas.82 11 = = 23.G8 = *>t-"ti = |trozs.8+33.2+23.13.6 : 577. Utlizar Tenemos de la Tabla 9-18 i.88 = = 18. D en la producción de tornillos.96 S-z Sro (24.6 = (4.2)2 81.24 ¡ (22.324 ANALISIS DE VARIANZA las fórmulas cortas para obtener los resultados del Problema 9. Efectuar un análisis de varianza para ensayar al nivel de significación del 0. Los días de la semana se pueden considerar conro réplicas o repeticiones del rendimiento de cada máquina para los dos turnos.rol rt .t2.10 Entonces s-2 j* tt'r^ 12 ab = vr 1s-r-t' 577. En esta tabla se indican los dos factores principales. C. (b) una diferencia en los turnos.2¡z (19.6)¿ = 2274.. 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. Un productor desea determinar la efectividad de cuatro tipos de máquinas A.68 .5)2 + (18.zu 'üc bb4.2)2 ¡ + (33.2)2 (27-O'¡z r.11.(23. 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.08 de acuerdo con el Problema 9. Los resultados se indican en la Tabla 9-20.96 bj'j. + 24..k )"i T a .n¡z (5. - 13.2. 554.9)2 = 1673.58 EXPERTMENTOS DE DOS FACTORES CON REPETICION 9. móquina y lurno. Nótese que para cada máquina se han indicado dos turnos. : lcAP.88 2.11.08 = uc Lnezln.ut - bb4.88 ab = 23.

. que llamaremos variación subtotal u".6 La variación enhe filas üene dada por (zee¡z 40 a' = (54)2 (85)2t' (6.1 Si reetamos de la variación subtotal u. _124)2. Estos se ordenan en la Tabla 9-22.. (30)2.0 'tt" = --ñ.6 = 1b0. + 72 +L02-W = 1946- 1?95. (38)2 ""--6-5 . 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+ .5 = 1861.)' + qq -ld..b --5 .ro ro 10 La va¡iación entre columnas viene dada por (zgq)' 40 = 1846. móquino y turno. viene dada por -.?_1?e5.b .S .(41)2.6 : 66.0-8. (119)r_eqq\2 ? 40 - _ 180s.4 Para considera¡ los dos factores principales.4 variación total para la Tabla g-22. (32)2.1795. que es una tabla de dos factores con valores simples. (44)2.5 . variación debida alasinteroccion¿s entre las filas y columnas.¡2912. ZO - (126\2.S .2 .cAP. (31)2. Esta viene dada por * u" ) obtenemos la 0i = 0"-D¡.6 - 1?9b.3.6-51.6 rov = 8. 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 [.0c = 65. concentremos nuestra atención al üotal de los valores de repetición correspondiente a cada combinación de factores.6 = 51.1 = 6. la suma de las variaciones entre filas y columnas (u.-.

que conduce a unava¡ianzacombinadade gL.5 G? = zltt Aleatoda o residual.SfSe:2. e Finalmente la variación reaidual.4-65. Al usar este valor en cambio de 2..6 : 84. . Puesto que .42.65 para el denominador de F en la Tbbla 9-23 no afectan las conclusiones alcanzadas anteriormente.16. Esto es equivalente a decir que al nivel 0.! : Sgradosdelibertad.tr ¿" que lar fila¡ tienen ¡¡sdi¡¡ igualee. Siguiendo lae reglas de la página 315. se halla reetando la suma de variaciones füa. no podemos techazt la hipóteeio l/[zt ¿" que las columna¡ tengan medias igualee.8 1 grado de liberüad. Esto esequivalenüe a decir que al nivel 0. B2 grados de libertad podemos rechazar la hipóüesis ll. 0c = 8'1 Interacción.o" : 150. Eeto resulta en a" = Q-(or*o"*o¡l = 7). 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). 0' = 51'0 i? = tt. la va¡iación subtotal) ¿L U variaóiOn tot¿l u.4 Para continuar debemos determinar primero si hay alguna inüeracción significaüiva entre los facüores básicos (es decir. podemos rechaza¡ |a hipótesis flllr ¿" la pógina 315.3 y 3 + 32: 36 respectivamenüe. Aef. Por tanüo los grados de libertad debidos a l¡ va¡iación residual o aleatoria ee 39 7 : 32. u¡ = 6. Puesto que 3 de esos 8e deben a filas y 1 a columna¡. 7 (3 + 1): 3.entantoquelavarirrcióndebidaalae 2columnastiene 2-L= Estas va¡iacionee se indican en el análisis de varianza. u= 150. lo cual indica que la interacción no ee significante. Para hallar loe grados de übertad debidos a la interacción obeervamoe que hay 8 valores en la Tabla 9-22. D" = 84'8 Total.o Columnas (turnos). Po¡ tanto el total de gtadoe de libertad es 8 I : 7.Ya que hay 40 valores en la üabla original 9-2i el total de gradoe de libertad es 40 1 = 39. Para l. Entoncee ya que F calcul¡do para lascolumna¡es 8.F nl: 2. 32 grados de liberüad Fn.05 podemos conclui¡ que las-máquinas no son igualmente efectivas. ce debe a interacción. el reeto. ya que hay 4 filas en la Tabla g-22La variación debida a l¡s fila¡ tiene 4 .326 ANALISIS DE VARIANZA lcAP.8 : 91. - libertad cottespondientes a cada tipo de variación.61.6 + 84. De la Tabla 9-23 vemos que pa¡a interacción F : 0. columna e interacción (ee decir.:6.06. filas y columnas de la Tabla 9-22). Si decidimos analizar los resultados combinando las variaciones residual e interacción como lo recomiendan algunos estadísticos.81?.90 para B. I¡iabla también da el número de grados de Tabla 9-23 Filas (mÁquinas). Tabla 9-23. eeto es. hallamos para la va¡iación combinada y grados de libertad combinados u¡* u.06 no hay diferencia iignificativa entre turnos.: 4. vemos que F para las fila¡ e¿ 6.

13 si se utiliza el nivel 0. Un hacendado desea ensaya¡ los efectos de cuatro fertilizantes A.e0 = 7. A este nivel aún no hay interacción apreciable.25 *9'{ -(fftr = 284.01 las máquinas no 6on igualmente efectivas.r. Efectuar un análisis de varianza para determinar si hay una diferencia significativa entre los fertilizantes a niveles de significación de (c) 0. Ya que F .51 para 1.19 - 5439. 29.01 no hay diferencia significativa en los turnos. C. 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.l cAP. 32 grados oe libertad y puesto que F para filas es 6.94 Variación entre filas . de modo que podemos proceder más al.06 .75 .19 (2eS1z - 5439.5439. el ANALISIS DE VARIANZA 327 9. También obtenemos el total de rendimientos para cada uno de loe fertilizantes como g€ muestra en la Tabla 9-26.t: 4. 32 grados de libertad y puesto que F para columnas es 3.15. D en el rendimiento de trigo.At-ril.14.01. B.4 -.lá.1)¡ ff +ff + ff -5468.01.06 : va¡iación entre (77\2 (74\2 (78\2 (71\2 columru lS=?rc= 4 . 4 : 5443.26 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. Ya que ¡'.25 + ry .06 : 329.. donde los números indican rendimientos en dkl por unidad de área.' + (10¡z * (lT2 -@5Y 16 5769 - 6439. columnas y üratamientos se obtienen común y corrienüe. concluimos que al nivel 0.47 para 3.06 = 4.05 y (b) 0. CUADRADOS LATINOS Tabla 9-24 9. 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.Ia variación üotal y las va¡i¡ciones para filas. Solucionar el Problema 9.49.05.4 . podemos concluir que aún al nivel 0.69 16 variaciónenrretratamienros = . = T*ry*ry 5723. Hdlamos Va¡iacióntotal : o= (18)? + (21)2 + (25)2+'.

Tabla 9-2? lcAP.05. Ya que el valor de..¡.328 ANALISIS DE VARIANZA El análisis de va¡ianza s€ muestra en la Tabla 9-27. LATTNOS 9.o :4. 11. Se deduce que al nivel 0. Así cada conductor tendrá la oportunidad de conducir a lo largo de cada uno de los caminos. 7.19 Residuales. rechazamos al nivel 0.16. 284. C. denotados por o.F para tratamientos es 4?.17. Tabla 9-28 CONDUCTORES 1234 B. 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. . Es de interés determinar si hay alguna diferencia en el kilometraje por galón entre las gasolinas A. como se indica en la Tabla 9-28. Asignamos aleatoriamente los cuatro caminos que van a emplearse. 29. Supóngase que los diferentes autos se representan por las filas y los diferentes conduetores por las columnas.05Ia hipótesis de que hay medias de fila iguales.76. D. Puesto que el valor F para columnas es menor que 1. autos y caminos podemos emplear un cuadrado grecolotino. D aleatoriamente a filas y columnas.76. (b) Ya que Fgo. podemos aceptar la hipótesis que no hay diferencia enla fertilidad del suelo en las filas (o las columnas) al nivel de significación del 0. 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. Puesto que se incluye igual número (cuatro) de gasolinas.. debemosconcluirquehay una diferencia entre fertilizantes al nivel 0. Asignamos las diferentes gasolinas A. p. podemos concluir que hay diferencia entre fertilizantes.69 Tlatamientos. B. i I}¡ 9.78. Un aneglo posible es el dado en la Tabla 9-28. Sin embargo.8? (o) Puesto que F er. Diseñar un experimento utilizando cuatro conductores. 4. 6.r.01.01. de modo que cada letra apatezca solamente una vez en cada fila y solamente una vez en cada columna. conductores.05 hay diferencia en la fertilidad del suelo de una fila a orra.lJtiliza¡ el análisis de varianza para determinar si hay alguna diferencia significativa al nivel 0. sujetos a los mismos requisitos impuestos a las letras latinas. concluimos que no hay diferencia en la fertilidad del suelo en las columnas.19 Columnas. B. CUADRADOS GRECO.' I A. 4. e Filas.9 > 4.0 : 9. cuatro autos y cuatro caminos diferentes.

(81)2 .6o-40e6 = ?. Tabla 9-29 CONDUCTORES Tabla 9-80 TOTALES Bf 19 ae Bc 16 1g 11 16 61 D6 16 cq 1¿ 65 69 62 70 By 19 ap 16 D6 16 cd 14 A6 t6 Ds cB TOTALES 14 L6 64 82 E{ cr lL BB 2l DB t6 A6 15 Bo 18 cy ll Bs 2r ao 15 De t6 c6 Af 86 16 23 68 Do 14 L6 c6 lL Dr L6 Ar 86 L6 23 Df As L6 63 cF 266 Entonces obtenemos los totale¡ para cada letra l¡tina y para cada letra griega.00 - 6-50 - 11r.4-T 4 .Portantolosgradosdelibertadparaelerroresn2 caso n f.50 - 7.cAP. Las filas. ó) Ga¡olinas: (62)2 4267. utilizando el método corto.1 para un cuadrado de n X n.60 = 6. leüras laüinas y letras griegas cada una tienern 1 grados : 4. E número total de gados de übertad es n2 .60 ry*ff+ff+ry-ry 4 (16)'z = 4ros.Ennueetro . (62\2 -. (61)2 . el ANALISIS DE VARIANZA 329 Prirpero obtenemos totdes fila y columna como ¡e indica en la Tabla 9-30.50 4244-4096 = 148. Dl Caminos: (o' P.60 -4096 = 111. (59)2 . 7.60 - 4096 = = 16. Filas: a----l---4 (64)2 .os resultados se mueshan en el análi¡i¡ de varianza. Tabla 9-31. C. columnaE. B. (63)2 .60 Columnas: . (61)2 4-4-4-4-16 4102. 4 - (70)2 (256\2 16 Q6A)z 16 QAA¡z = 4112. -1--4(n-1)=(n-lXn-3). 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. (52)2 . (68)2 4 .60 (A. como eigue: Atotal: 15+16+15+16 = Btotal: 19+18+2I+ 23 = Ototal: .00 deliberüad.00 de modo que la variación debida al e¡ror e¡ 148.50 La variación total ee (1S¡z * (le¡z + "' + (16)2 + (2s\2 -e66\2 =' 'I | \-vt 16 16.60 I 4096 6.4 .

donde Sf é define por (15).a:9.so.} . Capítulo 5. 111.5. 6. = 9. J=r - =. 5u.C.26 Tenemos F.01.50 Caminos (o' É' 7.¡z > + ) (x.. Demostrar que > oj = 0 [(15). de Ia página 308. (b) la ecuación (I6).-*.or. Por tanto podemos rqchazar lahipótesisdequelasgasolinasson igualee al nivel 0. = F* e¡.) = bj¿E(Si) utilizando (I6) del Capftulo 5. página 308].28 V F. ya E(v.l)oz - . (4. PROBLEMAS DIVERSOS 9.s : 29.500 :?*33=t.330 ANATISIS DE VARIANZA Tabla 9-31 lcAP..tz = b j=r |Lo rEr' " ' ) = ¿!s? j=1 d..60 Gasolinas.= .18. Se deduce que t=L )¡t* )"t j:r ' donde hemos utilizado la definición p )a. 7. Entonces. B.*-i.s.19. 6). e Columnas (conductores).3u*3" = op+\'¡ t=L i=l !:t' = (2p)/a.D).-¡b-l ¡ es la varianza muestral para el tratamiento jr como que el tamaño de la muestra es b. (o) Poi definición tenemos v.".50 2. b 3 (¿'-1"'\ -i---t\ b / = a(b .05 pero no al nivel 0. Derivar (c) la ecuación (17).r. El tratamiento medias de la población viene dado por p¡ Por tanto ac = 9.

p6gitn 116.. ¿Podemos sostener esta conclusión al nivel de signifi cación del (c) 0.) + a. ¡úgina 161. el ANALISIS DE VARIANZA Por 331 (b) definición vt' = a ) 1*r.P = (a-l)o2 * abp2 + zbp> ". más el reeulüado dd hoblema 9.05. en (I ) tenemos E(va) = b>[+*(¡. = 84.cAP. en la Tabla 9-23.+*i):-l -"ufLab J !+rr) " '' ) -LD aoz * b ) (p+ a¡)2 - o2 - s'b.13 supusimos que no existían diferencias significativas en las repeticiones. (b) 0. + > al - ob¡P (c--t)62 * b ) a.01? Si existe alguna variación debida a las repeticionee se incluye en lo que ae llama el ertor re¡idual o aleatorio. bSJ/o2 tiene drado con b . 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. tenemos dd Teoreme 6-4. obteniendo u" .\12 lBlx¡12 E(xil : E(Xz) = Var (Í) + Pero ya que las poblaciones de traüamiento son normales.21. Por el Teorema 5-6. Entonceo.1 gradoe de libotad.) / \ // /\/ ' = b>*?. página 158: ( tr) var (5) =r Var(X) = # E(X) = p (i¡.Enloncex. página 309.2 9.bgQ7z) Entoncee para cualquier variable aleaüoria U. que V-/o2 tiene dishibución chi-cuaüado cón o(b - 1) 9.t) X = ( )It. . üenemos E(val = b>86?) var(i¡. P¡ra hallar la variación debida a larepeticiónutilizamoslostoüalegdecolumna cn la Thbla 9-21. E(U2) = Var (U) + lE(U)12.8.) (d) (7) E(Xj.. con medias ¡t¡ y varianza común 02. Como ¡e indica en el Problema 9. omitiendo el fndice de la euma.-x¡z t=r aa a o = b>*i-2bx)x. Por tanto lv(x.18. Demostt'ar el Teorema $1.19(o).+auxz l=r t=L ya que (f) (21 (. puesto que las varianza¡ S! bn indep el Teorema 4-4. En el Problema 9. esto es.20.-ab*z j=1 a. los diferentes días de la semana.) = pj = p+ai Utilizando los resultsdos (2>(7).

= 8'1 Repeticiones (días de la semana).4. 9. podetnos concluir que no hay variación significativa al nivel de 0.4 3 Aleatoria o residual a'" | 2. Ao) Barupos.k. como se indica en la Tabla 9-33.1795. sedenotaporxjkl.767 | -=0...C". denota la media de valores en la clase C cuando A¡ y B:p se maitienen fijos. Suponemos que la clasificación se hace en A grupos..18. Las otras variaciones son las mismas a las de la Tabla 9-23. .. .¡r. El valor f.*ucA-. denotadospor ejemplo. es la Tabla 9-32. es la media de valores para las clases Il y C cuando Ar es constante.Elvalorú¡¡.. Tabla 9. Estas variaciones son entre clases del mismo tipo y entre clases de diferentes tipos (inúerccciones).7! parz 4. los días de la semana no eon significativos.22. o. Reproduzca la tabla de análisis de varianza a emplearse en tal caso..0g.01) debi- da a las repeticiones. (47)2 (50¡z -.32 Filas (máquinas).8¡r. La tabla final de análisis de varianza."o = 11. C. I-a variación residual después de restar la variación debida a la repetición ea ue : 84.EIvalorenA¡. Las siete variaciones en las que se puede dividir (1 ) vienen dadas por u = DA+ürJ+uc lTIAB *. 0' = 0c 51'0 Columnas (turnos).8 114: ?8.rpor denota la gran media. . Finalmente d Existirá una uarioción total dada por (l) 1) = t.86.u¡6. Pero ya que Fe5: 2.4 De la tabla vemos que el F calculado para repeticiones es 1. denotados pot 41. T. Sigñificados análógos se dan a E¡ ¡ ! r . el número de grados de libertad asociados con esta variación es b 1 : 4.2g grados de libertad. teniendo en cuenta las repeticiones. 8r. Ias conclusiones reliacionando máquinas y turnos son las mismas a las obtenida¡ en el Problema 9..332 ANALISIS DE VARIANZA [cAP.06 (y por tanto al nivel 0.827 = 73.6 = 11.. es decir.C{luposdenotadosporC¡. e 1t=-+'re¡ (57\2 g (51)2 g . . l---g 6. Describir cómo se pueden utilizar las técnicas de análisis de varianza para clasificación triple o experimentos con los tres factores (con factores simples)..t 2 @¡rt- ú)z que puede dividirse en siete variaciones.4 Puesto que hay 5 repeticiones. g - (268)2 40 = 1807 .4)2 .ú¡n< .. La interacción entre todas las clases se denomina como antes la uariación aleotoria o residuol.

rTabla 9-3$ Media de cuadrados r¡ Ao -q¿=-A o-l Varíación o¿ (entre grupos A) Grados de libertad F ?1.ri. ce' ) (¿. (b) 0.ñ j*.n\r.n.ñ.t.t .ñ.I ót s.k. D.¿).ñ.J- er" (ñ¡¡1.+ ¿.s suplernerirta. (o - 1)(b - 1)(c - 1) sl u¿ (entre gr¡r- posCyA) (entre grupos (c - 1)(o . Dc ñ\2 : ab 2 @.* ñ.4ñ s gl t.új..c (entre grupos C) -'l Añ "c .r+ ñ)z !ct = b > (ñ¡t.+ i)\2 E)2 aABc = .'uc c-1...cAP."" a a-l - 7.. B. (a.05. determinar si hay una diferencia significativa en rendimientos a los niveles de significación del (a) 0.ú. (fr.(a-1)(b-1Xc-1) Añ. 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 .BC gl 0¡s (entre grupos AvB) (o-1)(b-1) (b-lXc-1) (o - 1)(b - L).01.. ? (E¡. . C.+ 0nc = ".1Xó - l)(c - 1) gl os (entre grupos B) ó-1 c Ao og s "B . variedad y los rendimientos (en hl/ha) son los mostrados en la Tabla 9.r." = uesc (o-l)(ü-lXc-1) Probletna.A^o 8ó^tsA..Bc -1) 3.4ñ sA.23.kc (b - 1)(c - 1).2r@i*t.rt.34. E.(a-1Xb-lXc-1) AÓ.rlos CLASIFICACION STMPLE O EXPERIMENTOS DE UN FACTOR Tabla 9-34 A B C 9.c)i...Bc b-r.. el donde U¡ ANALISIS DE VARIANZA 333 - .-.% (c 1)(a 1). Se efectúa un experimento para determinar el rendimiento de 5 variedades de trigo A.tt+ ñt. (a - 1Xó - 1)(c - 1) gl trac (entre gru- posByC) o¿ =o=ffi= (c-1X¿-1) acA . Suponiendo que las parcelas eon de fertilidad semejante y que las variedades se asignan aleatoriamente a las parcelas.ó I Dg n rA^ Ét s^.ñ.c ..- ñ¡. Q¡n rB = = .k..ByC) u (total) (o-1)(ó-l)(c-1) abc-7 9?.Bzcl.BlSA. (o 1)(b 1)(c 1) gl 1) ¡ A.

28.05. Tabla 9-39 Operario Máquina A Máquina 23 34 28 1 Operario 2 Operatio 3 24 28 27 I I\láquina C 27 30 25 .01 si hay una diferencia significativa en los métodos de enseñanza. [. diferentes. (25) V Q6). Luego se da el mismo examen a todoe los estudiantes y oe obtienen las calificacionee indicadae en la Tabla 9-36. 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. página 310. e 9.26. 9. (b) 0. (D) O.30. Para lleva¡lo a cabo.334 ANALISIS DE VARTANZA [cAP.a 9-38. para el caso en que los 4úmeror de oba¿rvaciones dean CLASIFICACTON DOBLE O EXPERIMENTOS DE DOS FACTOBES 9. B. (b) entre máquinas. (b) 0. Tabla 9. página 311.85 Tabla 9-86 9. Determinar al nivel de (o) 0. 9. loa resultados se dan en la Tabla 9-39.29.O1 si hay una diierencia significativa en sus calificaciones entre Ssas asignaturas. 9.24. Una compañfa deeea ensayar 4 tipos de neumáticoe A.05. Demostra¡ la¡ fórmulas cortae (3I fl34). vienen dadas (en miles de millae) en l¡ Tabla 9-36. Ensayar a loe niveleg de (o) 0. (b) 0. Ensayar a loe niveles (o) 0.06.os a¡tículo¡ fabricados por una compañfa se producen por 3 operarios utilizando 3 máquinas diferente¡.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. I'z duración de log neum6ticor. Un profesor desea eneayar treg métodos de en¡eñanza I. donde cada tipo ¡e ha tratado en 6 automóviles semejantes asignando los neumÁtico¡ aleatoriamente. y a cada grupo se le enseña por un método diferente. Demostrar los resultadoe (24). El fabricante desea determinar ei hay una düerencia (o) entre operarior. Tabla 9-37 I\[atca. Ensayar al nivel de (o) 0.81.06.01 si hay alguna diferencia significativa en las marcas. determinada de sus fibras. La Tabla 9-37 da los números de mill¡s al galón obtenido por autornóviles semejantes utilizando 5 ma¡cas de gasolinas. Demo¡tra¡ el resultado (30).06.25. tres grupos de 5 estudiantes se escogen aleatoriamente. prÁgina 311.27. II. Se efectúa un erperimento para determinar el número de artículos diarios producidoe por cada operario utilizando cada una de lac máquinas. C. Durante un semestre un estudiante obtuvo las calificaciones indicadas en Ia Tabl. D.01 si hay diferencia en lo¡ neumáticos. Dar la informaci6n deseada utilizando un nivel de oignifi' cación del 0. II1.

9. Tabla 943 Míquina Lun I Jue 20 18 Nláquina If Vie 15 12 11 L7 Opcario A Operario B Operario C Operario D l5 L2 t4 19 Mar 18 16 t7 16 Mie Vie t7 14 18 2L t2 11 13 18 l6 2g Lun lVlar Me Jue L4 16 18 L7 11 15 12 16 72 L4 16 L4 L7 15 18 20 . c Semill¡s de 5 tipos de mafz ee siembran en 5 bloques' Cada ue se asignan 0. 9.01.33. varfan significati- aleatoriamen' 5 .38. la eegunda observación empleando una segunda clase especffica.06 de que hay diferencia en (a ) d método de en¡eñanza.40.06 si hay diferrencia en (o) los tipos de neumáticos. (b) la localización. / y II.g6. EXPERIMENTOS DE DOS FACTORES CON BEPETICION T¡bla 9-42 A 9. g.36. en tanto que en un experimento semejante efectuado en el oe¡te da los resultados en la Tabla 9'42.39.41. SLOQUpS C D E IIIUIIV t2 15 15 19 L4 18 11 16 16 l7 10 t2 16 L2 11 14 11 12 16. Solucionar el Problema 9-31 utilizando el nivel de significación del 0. (b) las clases de automóviles.12.06 ¡i hay una diferencia en (o) lor ferüilizantes.01. Solucionar el hoblema 9. Solucionar el hoblema 9. Ensayqr la hipótesis al nivel 0. los bloques). E 18 22 2L l7 18 24 g. Ensayar al nivel 0.01. y así sucesivamente. \4 9. Tabla 9'4O TIPOS DE MAIZ bloque te a los hl/ha.3ó r¡tilizando el nivel de significación del 0. (b) las diferencias en el tipo de maí2. y así sucesiva-E mente. 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. el segundo a un estudiante de otro planüel.40 utilizando un nivel 0. Suponer que el experimentg del hoblema 9. Determinar al nivel de 0.01.8?. dUrante díae diferentee.cAP.38 al nivel 0. a ^ B {amente con (o) las diferencias del terreno (esdecir. roy"t al nivel de 0. lo 77 9. doñde los números in' dican 10 en el tope de los graduados.05 si hay diferencias signifiéativas en (c) loe operarios. Tabla 9-41 9.g2. 9. (b) las máquinas.05. ts Tabla 9-43 da el número de artículos produeidos por 4 operarios diferentes trabajando en dos tipoe de máquinas. el ANALISIS DE VARIANZA 335 g. Analizar el ex' pelinojo rubio Alto Mediano Pequeño 76 81 73 78 76 castaño 80 79 perimento al nivel de 0. B C 16 18 20 15 L7 16 2l 19 18 23 19 2l 23 20 D 9. Soluoiona¡ el Problema 9.23 se lleva a cabo en el suroes' te de un pale y que las columnas de la Tabla 9-34 indican 4 tipoc diferentes de fertilizante.24ltprirnera observación para cada tipo de neumático se hace empleando una claee espeiífica de automóvil. Suponer que en el Prpblema g. Solucionar el hoblema 9. Suponer que en el Problema 9. (b ) en los planteles.33 utilizando el nivel de significación del 0'01.26 el primer valor para cada método de enseñanza corresponde a un estudiante de un plantel especffico. Ios réeultados se dan en la Tabla 9'41.05 ¡i lo¡ rendirnienüos en bla 9-40.34.

(ó) 0.05 ¡i hay una diferencia significaüiva en rendimiento académico de los e¡rudiantes debida. St. 4 cantidades diferentes de dos compuestoc químicos se agregan a los ingredientes bási co¡.46. Tabla 9. Oes: te. Para producir un tipo superior de alimenüo pnra pollos.44. D y las del cegundo por ü.05. BoG Dy l0 Ap8 c6 10 cialee. c16 9.38 euponer que introducimos un factor 876 c81 o73 Tabla 9-46 o78 E'76 c80 o79 c76 877 w4 CUADRADOS GRECO. Cuatrotiposdecable?¡. ?a sefabricanporcadaunadecuatrocompañfas. Wc y 4 especies d-iferentes . (D) lae variaciones del terreno.Tz. Ensayar la hipótesis a un nivel del 0. (b) colo¡ de pelo. Determinar al nivel (o) 0. É. 9. Efectua¡ un análisiÉ de varianza al nivel Q.Tc. B7 At4 Tabla 9-4ó c12 adicironal dando la sección donde naci6 el estudiante Eete.6 . D usando cuatro máquinas diferentes.48. 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. Tabla 9. donde lo¡ números indican rendimiento de maÍz por unidail de á¡ea.01 si hay una diferencia significativa en los tratamientoc.43.1. miden las fortaleza¡ de los cable¡. q D. o. Tabla 9-4t Alto Pequeño Mediano 110 95 Tabl¡ 9. [. B.Ct.43 utilizando un nivel 0. B.05. T¡¡ fq¡talezas promedio obtenidas se dan en el cuadrado greco-latino de la Tabla 9-4?. respectivamente. Sz S¡. Ca. B o C.LATINOS wr ^S.47.336 CUADRADOS LATINOS ANALTSIS DE VARIANZA IcAP. Centro. .05. e 9.Cuatro operarior A. Wz. 6. C. L62 BB L45 cB 2t2 A6 112 86 Do An 188 Bq 167 c7 136 PROBLEMAS DIVERSOS 9. w2 BB6 Dog ws Ao5 9. t¡ Tabla 9-48 contiene los datos sobre el moho acumulado en hierro tratado con químicos A. B.S4 Sr.49 105 103 118 A B 3544 4233 6465 Lt2 10? 90 115 c 108 lr2 93 104 96 L02 . 9. W¡ . Soluciona¡ el hoblema 9.C1 . Tr AB 164 c2 Bf 181 c3 ca Ay 193 193 207 166 c4 D6 160 T. (c) lugar de nacimiento.r 198 D. Con referencia al Problema 9. El aumento en peso por unidad de tiempo 6e da en el cuadrado greco-latino de la Tabla 9-46. T3 T4 c6 t7l D. eetableciendo cualquier conclusión a que pueda llegaree.44.4? c. y de variaciones del teneno en dos direcciones perpendiculares. Tabla 9-44 efectúa un experimento para ensayar el efecto sobre el rendiniiento de 4 tratamientoe de fertilizanües A. 7. eetableciendo cualquier conclueión a que pueda llegarse. Efectu¡r un análisis de la varianza del experimento al nivel de significación del 0. Det¿rmina¡ a un nivel de 0.45. C.01 de que no hay diferenci¿ en (o) los fertilizanSe C8 At4 D10 Á10 c12 BL4 D16 D12 B11 811 Dt5 Á10 tee.Cz. como se muestra en la Tabla g-46. Se obtiene el cuadrado latino.as cantidades diferentes del primer compuecto se indican por A.a diferencias en (o) ertatura.05. Wt.

Un experimento mide el L Q. Tabla 9-51 Alto 9. Tabla 9-50 Alto I.cAP. relativo a diferencia de estaturas.Q.05 si hay una diferencia en los puntajes debido a diferencias en (o) el estado veterano.05. Determina¡ al nivel de 0.5?. 9.62. (b)la ecuación@0). Demostra¡ (o) la ecuación (37).4g. Demostrar (o)la ecuación (39). Veterano No veterano 90 85 Medio ril 78 I. (b) 0.Q. 9.05 y establecer sus conclusiones. Demostrar el Teorema 9-3. Bajo I. 9. Derivar los resultados 9.54 al nivel 0. Con referencia a los Problemas 9.62.01 si hay alguna diferencia significativa en los I. Este Oeste Sur 88 84 86 Medio 80 78 82 Bajo 72 ¿o 9.05 si hay diferencias debido a (o) los químicos.Q. página 312. t¿ Tabla 9-51 muestra los puntajes para una muestra de estudiantes universitarios de diferentes partes del país con diferentes I. ¿Es ésto cierto si cada valor se multiplica o divide por una constante apro' piada? Justificar su resPuesta. Solucionar el Problema 9. página 309. Se realiza un examen para determinar si los veteranos o los no veteranos de diferentes I.59. página 309. (3) y ( ). 70 En el Problema 9-42.Q. Los resultados se indican en la Tabla 9-49. 9. el ANALISIS DE VARIANZA 337 g. Solucionar el koblema 9.Q.50. medias y pequeñas. (b) la ecuación (38). 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. Demostrar el Teorema 9-2. Ensayar al nivel 0. 9. 9. ¿puede determinar si hay una diferencia significativa en el número de artículos producidos en los diferentes días de la semana? Explicar. página 372.5E.23 y 9.55.05 si hay diferencia en (o) fertilizantes. (b) I.52 utilizando un nivel 0'01.ó6. Suponer que los resultados en la Tabla 9-48 del Problema 9-48 son válidos para el noroeste.Q' 9.54. Analizar la tabla al nivel de 0.51. rinden mejor' Los puntajes obtenidos se muestran en la Thbla 9-50. 70 9. (b) los tres lugares.61. página 312. Determinar eI nivel de 0. en tanto que los resultados correspondientes para el oeste se dan en la Tabla 9-52. de estudiantes adultos de estaturas altas.Q. Norte y centro 80 ¡D 79 g. Determinar al nivel (o) 0. (b) la localización.53.01.60.40 suponer que un experimento adicional realizado en el noroeste produce los resultados de Ia Tabla 9-53. . En los cálculos de análisis de varianza se sabe que puede sumarse o restarse una constante apropiada dp cada valor sin afectar las conclusiones.

Suponer que en el hobleme 9.69. 9.69.7 16 D66 Br7 Haga el montaje de un experimento que conduzca al cuadrado greco-latino de la Tbbla 9-55.64. Montar y solucionar un problema que iluetre el procedimiento en el Problema 9.01. 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. Efectuar un análisig de va¡ianza en el cuadrado greco-latino de la Tabla 9-65 a un nivel 0. ¿Deberíen modific¡r¡e la¡ conclu¡iones obtenidas en el hoblema 9.71. 9. De¡cribir cómo emplear las técnica¡ de análisi¡ de varianza para experimentos de tres factore¡ con repetición.63.68. 9.338 ANALISIS DE VARTANZA Solucion¡¡ el hoblema 9.67. 9. Efectua¡ un análisis de va4ianza en el cu¿drado latino de la Tabla 9-64 a un nivel 0.06 y establecer conclusione8.65. Haga el montai dc un erpcrimenüo que conduzca al cuadrado latino Tabl¡ 9-64 FACTOR 1 de la Tabla 9-54.05 y eetablecer conclusiones. es decir.21 hallamos una diferencia significaüiva en los días de la semana. En ln práctica. 816 FACTOB 2 c2r 823 416 AL8 ct4 Bt2 ct5 l á18 9.66. lcAP. ¿es¡rer¡rf¡ encont¡ar un (o) curdrado latino de Explicar. 0.62 utilizando un niyol 0. 9. e 9. las repeticionec.13? Justificar sus conclusione¡. 9. 2X 2? (D) ¿un cuadrado greco-latino de 3 X 3? .

Apéndices .

.

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

n) 0 (8) Está relacionada a la función gamma por B(m. Una extensión de la función gamma para n ( 0 puede obtenerse por el empleo de . stirling: (4) : ll2. n).yffin"¿-" (d) donde el signo .r = L#"-b2/4o = a+E 13.342 La fórmula de recurrencio viene dada por APENDICE A f(ra+l) = donde (2).n) . nr(n) (2) f (i) : 1. ¿-o" cos br d. En el caso de que n sea un entero positivo grande. entonces r(n+l) = nr. función factoriat. se define como B(m.indica que la relación de los dos lados tiende a 1 cuando n -+ @. Una propiedad importante de la fun- r(P)r(1 -P) Parap : *.n) INTEGRALES ESPECIALES - (e) Las siguientes son algunas integrales que se presentan en probabilidad y estadística. Por esta taz6n ción gamma es que (8) l(n) se cohoce como la. denotada por B(m. a)0 -/m + l\ ¡m¿-orzfu='\ 2 I zL<m+r)/2 11. (4) da "(l) = u" Para valores grandes de n tenem os la fórmula asintótica de (5) r(n +1) . una buena aproximación para n! viene dada por n7 LA FUNCION BETA = 1finnne-n (7) La función beta.a ¿)0 . Si n es un entero positivo. e-o'" cosbr d.' a)0.Í. m) -L a)O 12. Í.f'r^-'1t-u)n-t¿u olg m) 0.fu.' Í.

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

0018 .1315 .1 .0005 .0158 .0 0.2709 .0332 .8 2.3970 .3?65 .0009 .0004 .0973 .1040 .0002 .0303 .0005 .0i21 .7257 .0297 .0009 .9 .2897 .01.0110 .1 .0036 .2685 .3538 .0091 .0038 .0071 .0449 .0878 .2 0.0044 .1582 .156 .0132 .0833 .034? .0219 .0396 .0014 .0235 .0229 .2317 .1435 .3230 .0355 .0189 .l 2.1736 .3778 .2t31 .0099 .2565 .16'17 .0468 .0030 -0022 .0184 .0252 .0029 .3166 .1 .0154 .9 .0020 .0761 .8 0.0122 .oI47 .3989 .3144 I .3945 .0013 .0002 .0573 .0017 .1 7.0478 .0008 .0002 .3391 .5 1.3988 .0067 .3902 .016:l .0002 .0258 .0022 .0084 .0036 .0325 .¡ 3.2072 .0213 .3034 .0002 .000? .7 2.0009 .0002 3.0005 .2827 .3847 .13 .0669 .0051 .0046 .3187 .2323 .2083 .0006 0004 .0053 .0005 .0004 .4 0.0290 .0093 .3956 .8 3.1.1518 .24!r2 .0246 .0006 .0088 .266I .0818 .3572 .0940 .0 .1626 .2513 .0073 .331 2 3 4 D 6 7 8 o 0.0050 .0081 .1354 1.8 .3 DA .2989 .0129 .6 2.0008 .1 0.0126 .1669 .0194 .0003 .3712 .2756 .0025 .3209 .0002 .0008 .3802 .0171 .0003 .0061 .0002 .0019 .0060 .2203 .0002 .0032 .0270 .0007 .3448 .39?3 .1849 .1334 .0015 .:1825 .0413 .0002 .0037 .72i6 .0040 .3980 .0006 .0048 .2516 .l lJf]4 .0203 .1057 .3352 .0r 36 .0608 .0277 .0310 .3951 .06{4 .0707 .0167 .10?4 .0925 .0459 .2036 .0283 .2 1.2920 .1 .0039 .0488 .1965 .0003 .3925 .3984 .3467 .r1f)7 691 .2t07 .0010 .07.3637 .3429 .0264 .0006 .0004 .2 3.3589 .0848 .0224 .r295 .3932 .0139 .0005 .I942 .3485 .3011 .0003 .381 4 .1 804 .3292 .0065 .1989 .1771 .0018 .0001 344 .3 IA .0404 .0893 .0519 2.0020 .3989 .3986 .0116 .l 163 .1895 .0208 .0012 .0379 .1539 .2589 .6 o.0508 .2732 . ¡ .0003 .0004 .1145 .3410 .0003 .254r .6 l.3836 .0004 .0562 .0002 .0042 .6 ¿.0003 .1 .3056 .0909 .0775 .002I .u077 .5 3.0055 .0034 .3857 .3332 .140 .00I7 .3079 .3251 .2780 .7 0.2420 .0014 .o024 .2613 .28i1 .0058 .0734 .r023 .0422 .058.0002 .0113 .0790 .0011 .3101 .Apéndice B Ordenadas (E) de la curva normal t ipif icada enz 0 I .3621 .0026 .0804 .0681 .3989 .3555 .12 .0241 .0096 .0529 .1919 .0012 .0180 .0632 .0003 .3867 .0339 oe OA .1 561 604 .1182 .3739 .3752 .0031 3.0013 .2850 .3 0.0957 .0989 .0025 .01?5 .5 0.1826 .3977 .0101 .1.3939 .2295 .3910 .2803 .0002 .327L .0008 .0001 .0023 .0620 .3885 .0 1.0ri56 .0498 200 .3790 .0016 .3982 .1781 .010? .óooó .0119 .0016 .2966 .0004 .0027 .Dl éo .0047 .3605 .237r .3668 .0012 .3876 .0063 .1758 .1 .2 .0596 .3918 .0028 .2t55 .0010 .0694 .00r1 .0079 .2227 .9 2.24G8 .0075 .1127 .0056 2.0863 .0069 .0043 .3503 .0104 .3725 .0007 .2059 .22i5 .9 3.0371 .0086 .0387 .0317 .r374 .1219 .0198 .0010 .5 2.0015 .1 109 092 1.0540 .1872 .0431 .0007 .0033 .3961 .1006 .0.2637 .225I .1415 38 .2396 .8 I.3683 .0003 .3894 .1 tQ .3372 .3965 .2444 .3697 .0151 .0551 1.0363 .3521 .0 3.0005 .

5 3.4798 .4995 .3170 .4066 .3272 .4887 .8 3.4998 .4999 .0675 .4999 .4998 .25t8 .3926 .2224 .5000 .4998 .2549 .3023 .4117 .4999 .4951 ..4904 .0160 .6 0.4484 .4985 .4429 .4998 .4999 .3 1.4934 .4996 .4719 .1103 .4946 .9 1.3438 .48(.tzt7 .4999 .4993 .4554 .07L4 .4920 .4997 .497L .1628 .2324 .6 2.5 0.6 3.1517 .4993 .3643 .0871 .4960 .4783 .2794 .4992 .4868 .1915 .5 1.1844 .3078 .4999 .4972 .4 .4998 .3749 .0 1.4345 .4994 .1772 .2764 .4099 r.3980 .444L .4896 .0832 .0000 .3554 .4943 .0 2.4999 .4463 .45L5 .2t57 .4082 .4292 A25L .3264 .1 .4997 .4357 .3413 .4834 .0793 .4821 .4997 .4999 .4913 .1960 .4015 .4545 :4633 .4987 .3997 .4936 .5000 .4999 .2881 .4750 .4940 .4999 .4131 .1406 .4265 .229r .3790 .4406 1.3869 .0754 .4979 .4842 .4906 .4997 .4756 .4998 .4992 .0696 .)( 2.4846 .4999 .4949 .1?00 .4236 .0438 .4994 .3810 .Apéndice C Areas baio la curva normal tipificada de0az 0 0.2 ¿-D .4909 .4649 .4980 .2 1.1331 .4999 .4706 .3389 .0398 .2939 .4988 .3461 .4830 .4772 .4693 .4987 .3888 .4986 .4993 .4983 .467L .3129 .2734 .4981 .4999 .L265 .4222 .4968 .2258 .0080 .4970 .1064 .4616 .4999 .4941 .4962 .4993 .2580 .4726 .4991 .4032 .3621 .2422 .1 1 2 3 4 6 6 7 8 I .3051 .4962 .3907 .4996 .4976 .4927 .4961 .4989 .4898 .2823 .5000 3.0319 .4966 .2 0.4382 .t443 .4965 .4998 .4974 .4901 .4582 .4788 .1368 .7 0.4967 .4956 .4945 .4998 .4319 .4984 .4625 .4981 .8 .4505 .1591 .4998 .4991 .3599 .4978 .4884 .4495 .1179 .4969 .2996 .4964 .4306 .066? .4975 .5000 .2064 .4986 .4999 .7 3.4996 .7 2.4599 .485? .4925 .487L .4997 .2852 .4995 .4982 .4992 .4997 .3849 .4878 .1 0.9 346 .{o9t .1293 .0910 .4959 .2642 .4332 .4817 .1026 .4864 .4963 4973 .4948 .4192 .2 D') 2.5000 .3508 .2486 .4989 .3340 .8 0.1480 .4999 .5000 .8 1.1987 .3315 .7 1.0636 .4986 .1985 .4656 .4115 .4999 .4573 .3944 .3708 .0279 .4049 .4773 .4999 .0948 .4875 .4591 .4998 .4664 .4394 .4838 .3830 .4744 .4803 .0478 .48L2 .0987 .4989 .4997 .4984 .0040 .3531 .4992 .4608 .4890 .6 L.4931 2.4922 .4999 .4525 .26L2 .4918 .1 .2673 .1141 .3238 .4998 .4778 .4932 .4793 .4997 .4850 .476t .2704 .3665 .2190 .6000 3.4995 .0 0.4974 .4911 .2454 .4997 .2910 .4994 .3 0.4990 .() 3.4999 .4999 .4452 .4699 .3289 .3106 .4953 .4999 .4938 .6000 .0120 .1L62 .4994 .2389 .4998 .4535 .4999 .4994 .5000 .2t23 .2967 .4991 .4995 .4678 .4207 .4990 .4996 .4999 .4732 .4564 .4 .3133 .4999 .1879 .4967 .4979 .1 .4738 .4995 .4999 .4977 .2088 .4995 .4999 .4 0.4893 .1ts26 .0359 .4955 .3186 .4767 .3485 .4999 .4929 .4854 .4686 .4808 .0517 .5000 .4998 .4988 .2357 .4996 .1736 .4996 .1554 .9 2.4977 .1664 .3r 59 .4916 .0199 .43?0 .4474 .4997 .4881 .2019 .3365 .4982 .44t8 .3686 .0 3.1808 .4t47 .4990 .0239 .3577 .4279 .3962 .

531 .25 3.32 L.130 .32 2l 22 23 24 25 26 oa 28 29 30 40 60 .263 .765 .szs tse 31.584 .04 2.82 6.690 .684 .260 t.76 1.711 .L27 .534 .978 .856 .34 1.130 .r3 2.47 2.?18 .688 .530 .06 2.896 .02 2.34 1.866 .700 .531 .128 .t42 .36 3.48 2.ongman Group Ltd.256 . Stotistícal T¿bles for Bíological.00 2.46 2.?l 1.20 2.t26 .L27 .633 .96 2.536 .539 .72 2.266 .78 2.688 .266 .06 2.62 2.643 1.39 2.856 .626 .64 1.81 1.zo t.38 1.92 6. Edinburgh).Apéndice D Percentilrr de (tr) l¡ di¡tribsción f de Student con z grador de libertad v úss ¿oo t.37 1.67 1.07 2.863 6.63 1.67 2.72 1.L29 10 11 .669 .645 t.857 .17 3.70 1.02 1.532 .868 .538 .07 2.62 2.258 .68 2.54 3.681 .14 3.258 r.60 4.86 1.70 2.686 .255 .000 .66 1.86 2.04 2.33 1.72 2.t3 2.48 úes t.842 Fuente: R.28 t20 € .691 .06 2.72 1.49 2.90 2.18 2.14 .06 3.L32 .6?9 .t6 2.3L 2.692 .L27 .L28 .09 2.A.727 .686 .71 t.58 2.68 L.05 2.98 1.32 1.540 .563 .76 2.42 2.84 4.L0 2. Yate.60 2.32 1.73 1.L26 .r29 .258 .?8 .44 1. (previamente pubücado por Oliver y Boyd.70 1.92 2.684 .649 .683 .s.84 2.861 .254 .66 9.74L .920 .73 1.31 .L27 .816 1.674 .254 .34 1.47 2.50 2.L27 .50 3.542 .879 .267 2.82 2.131 .76 L.256 .256 .325 . .26 2.259 .88 2.30 L.L27 .82 2.08 2.257 16 2.70 1.45 2.277 .96 I7 18 19 .01 2.66 t.94 1.873 .941 .96 4.683 .66 2..256 .532 .694 4 6 6 .36 1.158 .846 20 I.53 2.137 .856 .64 2.260 .33 .889 . publicado por l.t27 .30 1.31 1.80 1.11 3.27L .862 .630 .90 2. AgriculturalondMedícol Recearch.686 .256 .61? . 3 .68 .11 2.537 .33 8 9 .848 .32 L.t27 .876 .3?6 1.t27 .256 .zs üeo tso 3.48 2.77 2.L27 .90 1.t2s .7L 1.L27 .78 2.706 .861 . con permieo dé lo¡ autores y editorea.727 .569 .36 1.77 1.864 .83 2.128 .36 3.865 .57 2.289 .83 1.533 t2 13 14 15 .76 2.8?0 .40 1.677 2.31 2.257 . Fistrer y F.30 3.257 .03 3.76 2.256 .685 .061 .684 .5L 2.627 1.42 1.727 .18 63.71 L.257 .35 1.62 2.29 L.534 .36 t2.36 2.92 2.r28 .128 .858 .L26 .sgs I .32 L.531 .703 .32 L.r27 .08 1.256 .257 .31 1.66 2.33 1.860 .76 3.23 2.7L 4.697 .70 1.09 2.81 2.261 .687 .629 .630 .76 2.74 1.134 .00 1.255 .696 .856 .535 .689 .906 .98 2.79 2.89 1.683 .31 1.263 .624 .80 2.75 L.262 .532 .531 t.06 2.t2 2.L28 .546 .869 .46 2.71 3.858 .126 .56 2.854 .883 .

8 55.4 32.2 24. Vol.26 7.43 8.8 26.455 1.3 19.3 13.3 t6.3 27.23 5.6 92.34 1.3 69.89 10.6 40.O tt.6 32.7 28.2 35.82 4.9 30.2 38.0 17.7 29.9 40.1 37.1 28.7 33.6 24.2 59.8 14.6 32.3 16.3 59.66 5.36 4.24 10.6 48.6 43.6 46.Apéndice E Percontilas (¡f) de l¡ di¡tribución chi-cuadrado con u grados de libertad v x.2 11.23 5.99 7.2 12.684 1. Pear¡on y H.6 29.4 42.37 3.3 53.6 30.3 16.26 3.6 .7 99.7 25.3 X.60 5.30 r6.7 37.3 18.9 18.3 32.L6 2.6 2L.6 79.t7 4.5 96.6 r3.39 10.6 12.01 5.4 32.1 16.8 48.5 16.06 3.9 17.6 43.6 38.7 37.64 .872 L.0 48. 347 .8 34.E 42.2 88.67 9.8 38.35 5.5 16.3 73.2 10.4 40.34 8.84 5.0 22.9 12.03 t.3 5.3 2L.3 26.4 37.90 6.8 13. t3.4 100 t2.0 27.L4 6.1 40.2L6 .7 26.0 33.0 26.2 46.66 2.94 4.0 19.3 30.07 4.3 29.4 12.8 t7 18 19 20 2L 8.39 6.0 14.4 86.63 ?.8 43. páginas 187 y 188.3 49.8 20.L 30.6 21.l 22.291 .9 11.8 t7.0 104 116 l4 16 16 to.7 73.? 37.8 16.9 1t.92 2.6 25.3 32.0002 .8 24.63 7.2 11.0 71.2 94.0100 .6 50.7 47.S.7 66.7 22.6 22.7 34.3 20.33 3.0 20.7 18.86 11.5 43.6 32.3 39.44 9.9 L6.2 37.1 10..57 4.472 .6 14.57 6.3 .2L 1.79 t4.9 34.3 16.6 20.56 9.0 69.73 2.64 9.0000 .6 24.31 10.6 15.7Ll 1.0039 .9 40..3 23.34 10.7 7L.D'ID r.3 17.60 3.6 46.3 13.57 7.58 6.8 40.6 tt.3 69.6 24.4 85.484 .7 28.3 27.2 31.0 11.3 45.4 43.9 43.9 35.8 45.87 6.84 9.06 1.1 12.24 1.20 2..7 2.4 23..3 22.7 16. con permieo de lol autore¡ y editoree.0 17.3 71.26 9.3 22.3 14. Biomelr:iha Tobles fo¡ Stotitticíane.3 46.989 1.1 DD. x'.8 67.8 28.66 8.96 8 I 10 11 4.2oo¡ xlo.3 10.0 27.? 42.6 26.54 L0.04 10.7 14.7 46.07L7 .4 29.7 16.6 16..9 2t.6 31.2 61.362 l.7 14.5 24.6 12.1 .8 18.6 36.9 48.2 29.4 34.0 t2 13 18.9 13.6 9.3 2L.9 11.1 12.3 29.3 42.831 .6 36.41 ?.gg x?rn y2 ^-00e .4 20.26 6.3 67.1 ttz r26 13? 64.1 19.4 83.40 6.6 90.0 r 7.2 '19.4 69.1 t2.2 67.102 .0 L07 6.3 99.8 44.O.70 6.6 36.1 27.2 26.8 63.6 33.5 33.0201 .6 L2.18 2.6 61.35 7.0 23.0 62.69 2.8 70.tl 4.8 14. 1(1966)' Tabla 8.6 74.4 16.0? 5.8 t9.207 .8 26.5 20.3 89. Hartley.554 .7 7.04 7.1 31.6 13.2 14.49 2.89 6.6 19.38 9.07 3.3 13.09 2.24 1.6 61.78 9.1 8.5 34.02 7.2 6t.15 1.6 66rB 56.6 28. 3 4 o I .L 2l.3 96.1 90.L 80.7r 4.6 19.6 23 24 25 26 27 28 29 30 40 60 60 70 80 90 100 41.91 9.3 r6.1 37.116 .9 20.9 26.3 17.3 18.6 47.1 41.O' X.7 38.8 13.103 x?.49 11.4 13.4 35.4 63.6 4.8 16.2 18.9 t8.11 5.. x?no X.1 27.9 63.3 28.3 11.6 22.8 67.73 3.2 28.1 13.26 6. .6 41.30 7.2 74.7 39.59 10.2 36. xlo.7 26.83 3.0 13.0 16.32 2.t 31.0010 .1 13.9 34.6 109 1r8 130 t28 140 t24 149 Fuente: E.0158 .2 16.4 3.58 8.8 20.77 4.1 16.63 8.57 t.2 29.0 44.2 66.67 3.1 52.0 36.74 7.2 62.4 31.8 9.1 39.6 14.7 18.6 108 118 8.23 8.9 19.6 88.01 7.7 12.2tL .6 46.8 32:0 33.5 20.6 54.9 23.88 10.26 8.3 12.81 6.4 L02 113 rt2 t24 136 98.o 22.2 11.8 14.8 36.3 15.56 3.3 61.8 14.63 6.3 49.8 24.2t 11.25 5.9 68.3 61.r7 2.1 45.E4 6 .3 49.8 79.2 t3.39 2.6 28.3 26.3 18.61 2.7 76.8 30.0 x2ot x'"0 . x?o".6 17.2 44.35 6.3 82.3 24.0506 .3 61.6t 6.6 56.45 4.1 10.3 79.25 7.90 27.9 39.4 16.8 12.0 4L.3 I 1..3 35.7 23.7 23.81 9.3 49.34 9.6?6 .7 2t.7 60.3 23.70 3.9 29.4 40.91 7.1 77.

12 2.66 8.50 4.71 2.30 4.7l 2.90 1.47 1.71 3.35 3.58 2.26 6.03 1.3 4 o 6 I 19.03 2.18 2.08 2.49 4.L2 9.86 2.12 2.53 2.l I D.94 8.75 1.87 t.49 2.64 2.89 1.65 2.69 4.28 3.18 3.27 2.16 2.g¡.44 3.5L 2.81 t.35 2.55 2.32 2.14 3.57 2.r3 2.25 2.(}51.00 3.16 2.13 3.67 2.37 2.31 2.92 2.t0 | 4.33 2.0s 1.35 7.52 j 3.69 3.02 r.01 1.4 19.rL 2.0r I | 4.12 3.34 3.20 2.62 2.94 1.46 2.60 4.t6 2.76 1.62 2.90 2.87 3.39 2.96 1.93 1.05 2.57 r.75 2.00 I.40 2.34 2.94 3.23 2.70 2.70 I 2.42 2.84 4.30 L2 13 14 15 16 L7 18 19 20 2.76 4.67 t.66 1.L2 3.86 1.83 2.61 2.2r 2.85 2.94 1.32 4.7l 1.3 19.24 2.97 1.51 2.37 3.47 2.77 4.91 1.6L 2.96 5.85 6.89 1.34 2.04 6.20 4.57 3.10 2.66 2.09 2.62 4.21 4.99 5.96 t.65 1.47 3.22 3.96 1.0L 1.5L 2.48 2.68 t.84 3.8z r.6 10.40 2.56 2. página 178. ¡O 5.10 2.5 19.41 2.24 2.80 2.81 8.58 3.?0 8.59 1.88 4.35 4.20 3.46 2.28 4.33 2.90 1.r9 2.74 4.59 8.67 4.29 2.01 2.02 2.99 2.81 1.69 3.61 19.4 19.53 2.97 2.75 1.43 1.53 2. Eiom etriho Toblec for Stotíaticianc.45 2.49 2.98 2.34 2.30 3.30 2.25 2.38 2.97 r.15 2.58 2.79 3.20 2.14 3.94 1.33 3.87 1.79 2.46 2.39 6.66 2.19 4.t5 2.90 2.L9 2.90 1.74 4.11 2.16 2.87 3.34 2.06 4.41 5. (1972).38 3.41 3.22 2.61 2.34 2.r2 2.17 3.07 3.27 2.87 r.99 1.56 4.96 4.99 1.20 2.80 2.94 2.61 2.88 1.L6 2.24 2.60 2.62 2.31 2.7L 2.22 1.68 3.L8 2.95 2.54 2.88 1.51 3. Hartley.07 2.42 2.4 19.r5 2.05 4.74 1.42 2.59 2.25 2.00 3.8L 2.37 2.34 3.2L 2.62 8.r8 2.47 2.L5 2.29 2.01 8. 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. con perrniro de los autoreo y eütorea.00 5.81 3.98 1.70 2.L0 2.38 2.85 2.85 1.38 3.54 2.86 5.60 3.06 2.63 3.16 6.t0 2.39 3.09 2.07 3.54 2.45 8 I l0 11 5.79 L.92 1.27 3.L2 2.93 2.37 2.?0 1.27 2.32 2.0Q 2.93 1.69 1.24 2.35 2I 22 23 24 25 26 27 28 29 30 3.43 2. Tabla 5.49 2.32 2.L3 2.41 3.2 19.53 3.23 3.25 2.70 2.66 2.81 2.27 2.96 1.08 2.54 2.40 4.2q 3.r7 2.06 2.44 3.39 t.29 3.95 1.2r 2.74 8.90 2.93 2.83 t.63 2.85 8.03 4.75 1.05 4. S.92 2.79 2.74 2.41 3.76 1.35 2. Pear¡on y H.08 3.89 8.98 2.lL 2.98 2.04 3.25 2.79 t.59 6.26 3.84 1.85 2.53 2.84 3.23 2.04 1.49 2.85 1.01 2.45 2.42 2.58 1.22 3.69 5.06 2.84 3.07 3.7 4 2:28 2.44 3.78 2.28 2.84 40 60 t20 t.07 1.76 1.31 2.77 2.26 2.84 1.69 1.04 1.DD 1.93 5.96 4.89 1.09 2.38 2.64 3.30 2.36 3.59 5.68 4.64 1.96 1.64 2.53 2.20 2.79 8.57 2.56 2.5 9.28 2.01 2.23 4.01 1.15 4.44 2.95 2.43 2.61 I.23 2.60 2. parr le di¡tribución F u1 grados de libertad en el numerador /2 gfados de libertad en el denominador ><.74 2.39 2.rL 2.96 2.92 3.01 1.09 3.?9 r.r7 4.80 a.22 2.87 2.68 2.66 2.23 2.84 2.29 3.01 2.76 2.4E 2.50 1.96 2.92 1.46 2.82 2.37 2.75 4.63 6.55 8.07 2.88 4.49 2.09 6.28 2.32 1.84 1.73 2.?3 3.57 2.5 19.22 2.54 4.5 19.00 2 Fuente: E.70 1.1L 2.91 1.84 1.1 7.27 2.49 3.92 1.35 2.4 19.82 4.36 2.99 1.05 2.7r 2.L0 2.92 1.91 5.03 ¿.t2 4.95 4.29 2.72 5.40 2.37 2.96 2.84 1.59 2.97 3.35 3.01 1.63 5.83 2.4 19.64 8.87 3:70 3.t9 2.55 2.01 2.4 19.08 4.64 2.5 19.71 2.64 2.26 3.43 4.78 t.69 2.66 5.94 1.40 2.95 1. O.42 3.92 4.74 2.53 4.20 2.46 2.36 2.26 2.32 2.L5 2.6? 2.21 4.86 3.79 3.06 t.35 2.62 2.LL 2.L8 2.38 2.03 1.18 2.01 4.48 3.50 3.77 2.62 1.83 2.30 2.46 2.6L 2.18 2.73 4.78 2.80 t. Vol.76 2.45 2.4 19.7L 6.84 2.89 2.48 3.04 1.60 2.25 2.60 2.3L 2.9L 2.53 r.07 3.77 2.76 2.11 3.98 1.65 2.34 2.2 19.82 t.39 4.73 1.79 1 a^ 1.06 2.76 2.84 1.19 2.46 4.42 2.02 1.46 2.91 3. l'.24 3.53 2.91 1.45 2. .15 3.77 L.57 8.5 19.42 2.28 9.07 4.59 3.66 2.90 2.77 t.4e 3.13 2.tl 2.28 3.68 2.93 1.10 4.46 1.6? 3.18 3.Apéndice F Porcentila 95 (nivele¡ 0.85 2.

59 3.02 7.88 2. 3 4 o oot 28.37 5.90 2.tL 3.31 4.07 5.78 3.91 5.38 2.3 13.60 6.52 3.54 4.26 4.59 1.66 2.77 4.56 3.?5 8.43 3.6 9.22 3.42 2.16 3. página 180.51 3.4 11.84 2.42 4.59 3.76 4.01 5.43 3.99 3.92 2.63 4.33 4.94 3.35 2.10 6.92 2.34 3.87 3.40 2.5 26.9 99.66 2.50 4.l 8 I 99.68 4.42 3.43 3. Pearron y H.25 3.68 2.2r 5.10 4.63 3.30 4.00 t20 Fuente: E.55 3. gFados de libertad en el numerador v2 grados de libertad en el denominador x1 I 98.23 6.82 4.98 2.33 8.48 3.66 99.08 6.65 9.2 16.61 4.30 3.0 10.54 3.74 6.69 2.56 6.22 4.97 6.84 6.43 4.07 4.86 3.66 3.47 6.19 11.82 4.26 4.52 2.32 2. Tbbla 6.03 3.78 2.75 2.21 3.31 2l 22 23 24 26 26 27 28 29 30 40 fó 4.61 6339 6366 99.74 4.67 6.71 3.80 3.66 6.61 6.60 3.51 3.88 7.95 4.4 99.23.72 5.10 8.r7 3.36 6.22 5.7 13.12 3. 3 4 o 6 .03 5.37 2.40 6.6 5981 6023 6066 6106 615? 6209 6235 6261 6287 99.54 20 9.11 6.73 7.8 99.08 3.6 13.9 9.00 3.60 4.63 2.4 26.18 8.99 2.19 5.5 26.67 3.7 10.54 2.L7 4.75 3. 2 (1972).3 27.44 2.7 99.65 3.1 a. .04 3.02 2.03 1.36 3. 3.95 7.03 2.41 3.46 3.36 3.95 5.2L 3.06 2.99 5.18 3.52 4.89 4.8 99.72 7.91 6.80 5.2 9.96 4.2 99.85 7.25 4.64 3.78 2.74 2.03 2.t4 4.7 16.39 4.59 6.13 3.66 2.31 3.5 26.81 4. para ls di¡tribución F v.6 10.70 3.4L 4.L2 2.o J 2.30 3.APENDTCE F 349 Percentila 99 (niveles 0.93 2.10 2.11 2t.34 4.01 3.5 9.67 4.87 2.49 12 13 6.20 2.70 3.89 4.99 5.41 2.06 4.29 2.32 4.61 o.57 t2.50 2.63 4.42 6.64 7.35 4.65 6 .9 99.67 9.0 30.64 3.40 8.09 2.02 3.20 4.3? 3.84 2.40 3.6? 3.32 3.23 3.12 4.30 3.5 10.O.86 3.01 6.20 4.L4 4.sz 2.86 6.80 6.20 2.16 3.12 3.96 I 10 11 .36 3.70 2.2 9.16 5.64 4.38 1.47 5.84 9.46 7.60 1.11 6.64 6.86 4.54 5.60 4.64 2.68 8.0 9.ó9 3.46 2.86 2.62 4.74 4.72 5.67 5.02 7.70 2.39 6.71 3.06 6.35 4.31 3. l4 15 16 4.18 5.00 2.47 t4.39 3.93 4.5 14.41 9.54 t7 18 19 4.89 3.41 3.17 3.16 3.31 9.t7 2.82 7.56 4.04 3.00 2.85 2.31 3.2 18.55 8.1 6.04 4.29 3.49 2.62 5.38 9.?0 1.42 5.57 2.93 6.46 2.18 3.t4 5.0 15.2 29.39 4.4 27.62 4.r 26.82 4.02 6.18 3.53 3.63 6.01 3.93 z.17 3.78 9.67 2.oo 7.02 7.65 2.49 2.87 4.?9 3.69 3.07 2.72 7.l 11.37 3.46 5.7r 4.2 14.se.03 2.7? 7.üb D.26 6.46 3..76 3.7 10.94 3. con permirc de lo¡ autoree y editoree. Hartley.31 7.23 2. 8.20 4.94 3.58' 2.13 2.70 6.21 3.oD 8 ?.17 4.72 2.83 2.99 6.58 4.72 2.5 26.15 2.1 7.09 3.45 s.86 1.18 4.72 6.85 4.29 7.3? 3.06 4.52 3.ó 16.89 3.b8 2.25 4.56 5.30 3.81 6.26 4.79 60 2.87 6.7 27.r3 2.56 4.28 4.62 3.0s 1.40 4.36 2.10 4.26 3.4 27.36 2.33 2.40 4.44 4. F.94 1.51 s.L2 1.66 2.07 6.4 9.33 3.8 10.42 2.70 8.26 3.5 34.68 99.2 13.3L 2.S.63 3.4r 5.42 3.90 3.4L 2.09 3.66 4.96 2.5 13.23 5.08 3.51 3.89 4.26 3.83 3.62 2.19 2.86 8.2'.88 2.45 7.47 3.32 5.50 4.76 1.44 4.92 2.2L 6.78 3.L4 5.1 13.66 2.81 3.64 4.46 3.3 28..78 3.21 2.19 l0 99.49 5.00 2.60 '7.6 14.39 2.09 3.3L 6.Ll 2.011.3 14.07 4.16 3.54 3.68 3.68 7.63 8.80 3.95 1.63 5.65 8.80 2.13 3.59 3.15 8.2 ?.01 .66 4.88 5.3 10.67 2.30 7.10 3.00 2.86 4.99 b.07 3.94 4.0 9.91 .31 4.37 4.29 6.28 4.86 3.26 2.10 L2 16 20 24 30 40 60 L20 @ 4062 6000 5403 6625 5764 5859 99.69 3.17 3.3 L2.78 3.76 2.78 3.94 2.93 3.4 13.56 2.98 6.4 27.96 3.01 1.36 4.89 3.46 6.10 3.60 3.65 3.0 16.47 2.75 2.55 7.84 2.96 2.4 99.00 3.29 2.5 26.3 8.94 3.7 14.60 2. Vol.03 3.89 7.4. Biomeúiho Toblec for Statbücbnc.35 3.29 8.72 4.56 6.45 3.

Apéndice G
Logaritmor dpcimale¡ con cuatro c¡fra¡

N
10

0

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

2

3

4

5

6

I

8

v

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

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

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

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

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

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

Partee hoporcior¡ales

22 23 24 26 26 27 28 29

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

4728 4742 4757

30
31

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

82
33

84 35 36 37 38 39 40

4829 4969 5105 5237 5366 5490 5611 5729 5843 5955

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

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

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

81114L7202226 81113L6L82L24

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

81113151719 81012141618 810t2L415L7 7 911131517 7 911121416

7 7 6 6 6 6 6 5 5 5

910121415 810111315 8 9111314 8 9111214 ? 9101213

7 ? 7 6 6

9101113 8101112 8 91112 8 91012 8 91011

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

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

4l
42 43 44 46 46 47 48 49 60

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

65/'2 6551 6561

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

5l
62 63 64

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

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

7tt8

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

N

2

D

6

I

350

APENDICE G

351

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

N
55 56 57 58 59 60
61

0

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

2

ó

A

D

6

7

8

I
1474

L23456789

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

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

7435 7513 7689 7664 7738

7443 7520 7597 7672 7745 7818 7889 7959 8028 8096

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

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

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

7

62 63
64

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

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

6 6
6

65 66

ot
68 69 70
7L

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

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

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

6 6 6
6

6 5 5 5

72
73

14

to
16 '/ó
79

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

8791 8797 8848 8854 8904 8910 8960 8965 9015 9020

5 6 5 5

80
81

82 83 84 85 86 87 88 89 90
91

9036 9090 9143 9196 9248 9299 9350 9400 9450 9499

9042 9096 9149 9207 9253

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

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

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

6
5 5 6

6

9304 9309 9355 9360 9405 9410 Q455 9460 9504 9509

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

o9 93 94 95 96 97 98 99

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

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

344

9786 9832 987? 9921 9965
I

9791 9836 9881 9926 9969

9?95 9841 9886 9930 9974
4

9805 9850 9894 9939 9983
6

9809. 9814 9818

9854 9899 9943 998?
n

9859 9903 9948 9991
8

9863 9908 9952 9996
a

3 3

4

N

Valorc¡ de e-^

(0<r<1)
}'
0

I

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

3

4

5

6

7

8

I
.9139

0.0
0,1

0.2 0.3 0.4 0.6 0.6 0.? 0.8 0.9

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

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

.9608 .8694 .7866 .7118 .6440

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

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

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

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

.8270
.7483

.677t
.6126 .5543

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

.5827

.5273
.477L .43L7
.3906

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

.Eore
.4538

.4107
.3?16

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

lo¡ valores

de

e-r

para otroe valore¡ de

I,
=

emplear lar leyes de los exponentes.
.03081.

Ejemplo:

-¿-3.48

=

(e-3oo)(¿-0.r8¡

=

(.0a929)(.6188)

Apéndice

I
Números aleatorios
74640 2349L
601 73

51772 24033
45939 30586 03585 64937
1

42331 83587

29044
06568

4662I
21960
1

62898 2L387 55870 86707 85659
551 89
41

93582 76105

04186 10863

52078
75797
81

25424 45406 82322 20790
98527 30277 60710 06829

1645

02133 79353 03355

31041 96799 65304

56974 12973
36081

37428
171 69

938

50884

19640 97453 93507 88116 14070 rL822 24434 41982 16159 35683

8?056 90581

94271

42t87
74950
15804

95863 51135 57683

5630

64759
56301

09448
21 631

62586 94623
5229A 87843

889

00745 25439
68829 48653 27279

65253
88036 06652
71

67283

85418 16835

49t59

9tt57
17480

7733L

590

t4676
47280

91097

294t4

28L95

47162

362

Respuestos o problemqs suplementqrios
CAPITULO
1

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

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

(c) {5i (d) t5}

k) @ (/) {3}

@) {2,6,3}
(¡¿) {6}

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

(d) {4} (¿) {3} (/) {3,4}

5/36

(c)

0.e8, (d) 2/9

(e) 7/8

) ) (c )
(o

(b

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

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

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

(e) 4/5

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

(e) IL/t6 (Í) L/5

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

(i\ (i)

6/26

52/225

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

(e) Lr/L5 U) r/5

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

1.86.

(a)

3/10

(b)

1/10

(c)

315

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

r.106.
1.107.

(¿)

32,805

(ó) 11,664

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

1260

1.108. (a)

120 10
6

(b) (b)

72

(c) L2 (c) 45

r.r09.
1.110.

(o)
tt.

70

.

1.96. 113 1.9?. t4/57
1.100.

=

1.111.210

8 12
(b)

1.112.

840 ?000

1.101. (a)
r-LO2.

2620

(c\

720

1.113. (a) 42,000 (b)

n:5 60
5040
(b)

lJla.

(a)

L20 150

(b) 2620 (b)

1.103.

1.115. (¿)

46

(c) 100

1.104. (o)

120

(c)

240

1.116. (¿) 1? (b) 163 1.117. (o)

1.105. (r¡) 8400 (b)

2520

20

(ó)

330

(c) t4199

353

354
1.118. (a)
16

RESPUESTAS A PROBLEMAS SUPLEMENTARIOS

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

6rys

¡

ya

1.119.2016

L.r22. (a) 5/L8 (ü) 11/36 (c)

1/36

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

44

(b)

2r

4

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

4152CB

r.127.

(6Ca)(aCz\/MCs

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

Ql

QCz. ¡¡'Ct

*

a'.Csl,l12cs

4(r3Oa\hgC+)/szCss 1025

r.l3E.

(o)

120

(ó)

60

(c) 72

1.131. 2.95 x 1.133. 0.8%

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

aproximadamente - 3

1.f40.

3L26/46,656

1.13ó. vT1
L.146. (a)

l.l4t.

(a)

4

(b) 14

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

4/52C5

r.t47.

2/243

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

126 462 3/32

(ó) , +,- rCn(b) (b)

r

,-tCn-t

1/16 (cl r/32

(d) 1/8
prob. empate

1,151. prob .4 gane

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

=

L26/216

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

2
0

2.38.

(¿)

I
3/8

o

3

2.39.

(a)

0

I
t6/28

.)

f(r)

r/8

3/8

t/8
t

f(r)

3/28

6/14

2.4o.

(a)

t

0

1

f(r)

9/64

r5/32

25164

RESPUESTAS A PROBLEMAS SI'PLEMENTARIOS

365

2.42.

(a)

r
f(r)

0 194,580

1

2 6768

3

4

270,726

69,184 270,725

r92
270,725

270,726

2.43.

(o)

r
F(n)

0

I
U2

2

3

L/8

7/8

I
4

2.46.

(o)

r
f(n)

I
L/8

2

3

(b) 3/4

(c\

7/8

(d)

3/8

(el 718

u4

3/8

U4

2.47.
2"48.

(o)

3

(ó) e-B

- e-6

(c)

e-s kll | -

e-s

F(r)

=

2.49. (al

6l2s

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

2.50. F'(c) =

2.6t.

(a) r/27

(r2/9 0<¡(3 de oha forma l0

(c) 26/27

(dl rls

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

fo

2.66. 2.67. 2.ó8. 2.60.

(¿)

(a)

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

(ó)

/r(u)

= {o

(Ale A = l'2'3
orra u

(d\

6116

(¿)

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

(ó)

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

tl1

*

al

o<a=l v=l

a=0

(a) (ó)

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

2.61

.

(a)

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

t)

=

rÍl'

0

5

Y

=

1

otra

r' O=A=I
0

(b)

l(r+ull@+l) 0 < ¿-< l, = 1o o<rsl,

=Y = otray

1

356

RESPUESTAS A PROBLEMAS SUPLEMENTABIOS

; i . ¡

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

0<rrl'

0=v<1

;
i |

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

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

,=o,u<0

A¿O

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

de oha forma

0 de otra forma

2.72. (o) c(u) =

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

(D) c(ut

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

i:i::
de otra forma

o

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

0 de otra forma

=

" {; '' 1"1í,""1.",t
I

2.82. c@)

=

{í'"-''u

:::

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

2.E3. l/4

-" ;: ;

2.s4.

s6/2*g

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

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

-

7e-o

2.89.

(a) c = (a)

1

(ó) 8e-2 c2=

,

2.9L. 2.s3.

cr=2,

I

- e-4 (ó) 9e-2-lAe-s L0

-

ze-r

(c)

4e-s-4c-?

(iI)

e-z-¿-t {ó

(el 4c-s

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

2's6' (a)

{r-^''
-rn2)

1"t"r0.".,-" (ó)
(r)
o1+

{;t'-"
zlrn

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

2.e0. (b) ;(1

lrnz

(¿)

2

,

2.e8. s(?)

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

2.ee.

(b)

7/L8

2JoE. \/r/z

62. (a) 1 lb) 7 (c) 6 3.65. (o) (a) 1 (b) I (c) rla (c) 3. (o) (f + 2te2t . 3.55. 3. 7/0 (ó) 6/5 3. pá: t6/5. (a\ l/2 parae>O (b) lParay>0 . 3. 3. 3. (a) (3r +2\/(6r*3)para0 5 ¡<i t¿l lsu+Z)/(6u*3)para 0 = a = | 3. 3. pn=33 (c) (bk+r'st<+r)/(k* 1Xb-o) peiaa (sen (ó) [1+(-1)k](ó -a.48. pl:L L6/3 3.5 3 (b) r3n/6 (a) 35112 @\ (ü \Elm.61.50. 10.ezt\/zt2 (D) p = 4/3.83'.\klzk+t(k+ll I qeiab co)/ao 3. Ft=2. 3. 3.E1. 1e/10 (¡t') 6/6 a/3 @ 1 \Ng 3. p¿=35 (b) pr = 0. (e2ia-Zie2ia-ll/"2 (a) (¿) (¿) Lr/144 (bl rr/L44 1c¡ t/iJttz (¿) (¿t) \/-LUr2 (e\ -L/L4a 0 -!rr 1 . 3. pí= 2. pí=0. (c) 315 3. p3 =-L2lll60. (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 3.69. 3.6E.47.67.57. 3.45.60. 3.79. 3.77.54. 3.64.E0. (c) 1/(1¿). (o) 1 (b) (o) Var(X)=5.74. Fz:5. 3. nx=lE (al (a\ (ü) Var(X)=3/80.46. o*=1/t5/ZO 4 (b) 2 (c) . ú= (a) h=0.RESPUESTAS A PIOBLEMAS SI. (a) (a) 2/3 (b) 2/3 G) aB 7/a (c) @\ Als 3.7 3./m/L8 (d' \rzssñ8 (e) -9L/32a (Í) -sr/235 4 tb) 4/\/35 -t/tst¿.68.72. 3/2 n (b) -2e/6 Lla !4 3./3s12 3.E4.'PLEMENTARIOS CAPITULO 3 3. ps: -5. 3.ó6. Fz:3/80.\ +(et/2+e-t/2) = cosht (ó) p=0.5e.78. i¿l p4=230718960 2a 3.66. pí=1.(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) \. <1 (ó) p = l. 3.43. 3/2 (bl 3e/4 (a. pi= Al=0. yí= 6. pz=7-.82.44. 3. 3. 3. pi= 2.62.

103.10a. (o) (c) 3 (ü) 3 3. t"l . (a) x Var (Y lX) 0 5/S I 416 2 (ó) Y Var (X I Y) 0 I 2S/36 2 24t49 3.126. (a) r 2 0 (ó) 8(21/2-r)/L6 (D \.114.90.120.91.123.[o ) 3. (a) 3.113. (o) no eriste (ó) (c) 3 -1 (c) e-z *0 3.05r 3.125. (¿) 3.. (o) (c) 8/16 1-+y'3 (bl v2 3. 3. (d) 1- (1/\. (o) 3. (a) 3. (o) 3. (a) x E(Y 0 I 2 (ó) Y 0 I 716 2 lxl 4/3 I 6/7 E(xlY) (ó) 4/3 u2 3.r/r-tsnflo) (ó) \F@i @ tlfr. 3.105.89. (o) 1 3. (¿) 1/y'5 3.17 (c) 0. (o) (a) 3.358 RESPUESTA"S A PROBLEMAS SUPLEMENTARIOS 3. (o) 0. (b) 2415o (ü) e (al (a) (b) 6/e (b) 1/18 (c) (et * 2e2t + Sezt)16 (d) (d) (eto + 2e2to + 3e3.o)/6 (a) -7/27 (c) 2(et-l-t¡¡¿z -Z(e--l-ü¡¡"2 (e) r/136 3.ze-t (D) no existe (al 2(\F-Ll/3 (b) L6t7 2 0 2 7/3 r/3 2t/2 (b) e 3.1)/4 (c) 16/81 3.116. (a\ L 3.109.L22.94. (al 3.5 02. (a) (b) r/4 (b) 0.85. . (o) 1 I (ü) (ó) (y'3. (bl 3614 (1 @l atg (b) 2/e L (c) * 2te2t - e2')/2t2 (el -2\/fr/r6 (d) -(1 + zibe2ia .8/2 (ü) 1/3 (c) 0 . (o) (ó) ln 2 (D) I 3.118.10E.e2.127.121 .1or. ffiParao rle (b) 1 6x2*6n*L s r:< I .###parao < nr 5r 3.119.eziarlznl u) 12/6 3.100.124.f 6/9 7lr2 o 3.

1008 (c) o. 4. 4.84.7% (b\ 54.0658 4.1680 (/) 0.I RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS .91.224r (e) 0. 11/16 (dl 518 (a\ r7lL62 (a\ (a) 5/16 (c) 4.7123 0. 4.550 (c) -0.76.9500 0.69.77 (a) npq(q (o) 1.8?67 (b) 0. 4.5.06131 .7t. -0.4% (bt 23. 4.6 (b) e (b) 72. 359 CAPITULO 4 4.5976 (c) 0.849 (e) tt.626 ó 0.87.4232 (o) 0.61.0687 0.E3. 4. 4.90.75 (b) -1.74.6404 (d) 0. 641243 25 (c) 500 4.2511 (b) 0.049?e (ó) 0.68.9198 (c) 0. (c) (p) 0.7% (al e5.05610 (b) 0.2241 (d) 0. (a'¡ 6L.15 (b) 0.E8.0838 (b) 0. (al93% 4.t9.92.0089 (o) (o) 0.2991 (c) (o) 0.1127 (dl2.62.67.78.G¿s 4. 0.93. 4.0154 (e\ 0.0286 (d) 0.63.E1.89.9962 (b) 0.9495 (b) (ó) 0.66.82.0567 (b) 0.66. 4.3% (a) (o) (a) (o) 1.0668 (a\ 20 (b) 36 (cl 227 (cl (d) 40 @) 15% 4. 84 (bl 8.1342 0.0?86 (c) 0. 4. 4.08 (d) r.73.0% (c\ 93. 4.85. 4. 4.80.64. 57/6a Q\ 2r/32 (b) (ó) 4.03?5 0. (o) 0.90 75.e265 (d) 0.t"/o 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. 4.6826 4. 4.77 (c) 0. 4.1494 0. 4.76.s27 1. (a') pl (b'l npq(l - 6ps\ * 3n2p2q2 -1.995 0. L93t5t2 (a\ @) 32/243 (bl re2l243 k\ a01243 (dl 2421243 42 (b) 3.4 (¿) 0.86 (c) 2.03eb . 4.0079 0.a7% 4.E6.726t (/) 0.

55.128 (d) -1.6e64 (/) 0.360 RESPUESTAS A PROBLEMAS SUPLEIVTANTARIOS 4.L4L.000295 4. (o) 0.8 68.04462 (c) 0.34 2.40 oz.71 (ó) (b) (b) 1.) 4'106' (c) 4.829 1.008 = oz.0 (b) (b) 4.0918 (d) 0.9544 5.47 (c) e.t : 5.r03. oi : 6.o rí.2 2s6.tr2. 22.73 -0.00J8 (d) 1. (a) e.16 5. (Q 4. (a) (ile)/Q?) .ro9.136.ro2.48 4. (o) B0.166 6.62.2 zr.128.4972 (ó) 0.000948 (ó) 0.47 (c) 9.130.861 (. @) 2.B 4.53.75 1.1033 (c) 0. (a) (d) (el 2.gs (e) z. (a) 0.00248 (b) 0.Lo4.r2o.8164 (ó) 0.2 (c) suponiendo áreas iguales en las dos colas.l 86.s5 z.b9 84.81 (bl2.0 (b) 4.1? v 7!r= !4.111.3/8 4. (a) 0.35 L7e.75 2.40 oz.51. (a) 0.94. (a) ?0/429 (b) l/143 (c\ L42|L4B 4105 (.0000 .1 4.136.101.r?r.4O 0. ('f) (l?)/(l?) (iSX?SXtt) sla 0 (b) (ó) (ó) (ü) l(¿ocoxzoc2ol+(4oc'l(nctsl* (qoc)(ncnl)taoczo 4.. (a) L22.. o* = 0. (¿) 4. (o) sx = 22.1b82 (c) 0.3 (d) (d) 55.60 3.0 (d) 8.49. (o) e.L29.0228 (c) 0. (a\ 3/4 .4 ft\ *e-tn -1"-.0620 4.rr3. (a) 2.84 (d) 4.0 (b\ 4.2 (c) (c) (c) 2B.00g oz oz oz.76 1. - 2.BB (d) -0.58 5.40 o¡ ligeramente menor que 0.s a8. (a) r 4.03 (¿tl 2.7 (b\ 4.0e (c) (c) (c) (c) 1.64.0 (d\ 2. o* = 0.L26. 82S\fe (b) (ü) (b) 2(b-al4/6 e/5 113 6.2 4l. ¡2.008 oz oz (ó) (b) pX pX = 22. @\ 4.5 (b\ 4.138. (c) p.r y 26.s? 4. (a) 237 22.160? (d) 0.13?. (a) 9.L27. (o) 5/3888 (b) 5/324 4. (a) 1.005? (b) 2 (c) ninguna (dl 24 6. (a) 201. Ll4 aJLa.68 2.? 3/4 16.50. 0.8b2 (e) 0. (a) 0 4.LB 4. (a) 4.s 20.62 (b) CAPITULO 5 (c) 0. (a) 4.L32.

tO. 46 (@) 0.0064 (c) 0'4504 5.96.50?.3196.?4 lb I 2 (d) 126 0.92.003 pulg.01.326.0136 0.91?2 6. (o) (o) (ó) (ó) 11.0006?6 pulgadas (b) 72.74. (o) 10.6% = 0.33f0.72642 pulgadas 26.?33 (c) 0.100.97.49 (c) 0'28 5. (ó) 0.60 0.0019 (ó) 0. 5.99. (a) ?99 (ü) 1000 (e) (c) 949.7349 pulg. (o) 0.a84 5. . (a) menor que 0. (o) ñ = 2. 1199.0028 (b) 0. . 5.76% S.3%' 99.1o9.104. 6.5E.3226.. (¿) 0.72. 0. 0. .60 5.6.00?? (ó) 0.86 (ó) (c) -e1 (d) 63 .322.01 (c) menor que 0. 0. 5..59.81.66.2160 (b) 0.1841 (cl (o) 118. 12. 11. 80Eo.t1 5.01 (b) menor que 0.t7.73.93. (a\ 2.01 (b) entre 0.3204. (o) 0.0482 .105.?9 0'0228 lb (b) 0. 0. .00 6.67 0.9t.166 ó 16. O.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 5.106. (a) 2 6 6 (b) 996 (b) (c) 218 12 5.94. 0.01 y 0.L6 (ü) 0.e5.LL2. (@) 0.3265.33? 6.68.76. 6 0 -1 (ü) 40 4 6 (c) (c) 288 (d) (d) 2188 (b) 0 26. 5. 6.10 5. (c) 0.90 5.0316 5.36 (ü) (ü) 0'17 0. (a) 82 6Jo2.11 5.33?6 pulg. 5.7L.00496 pulg. (¿) (o) (¿) (b) (b) 0.60. 6.0.101.2 6.8 lb. (c) 0. 78 á.1%. 0.60 1'. (o) 5.63.49 0.62.6 (fl @) a6% 100 (horas) (s) 62/a00 (h) 25. (a) 24% (b\ rL% 5.6% (il 0't ts.0.01?9 5.0026 6. (o) 0. 5. 99.9596 (c) 0'1161 .9 lb 5.0 s ?9 5.8664 (c) 0. (ó) 38.8869 28. 5..09 tons. (c) 146. 5. 8.82.E6. (a) 5.26 5.o% 78. .1.7o.108. .06 pero máe cerca a 0.113. 5.0% 76 5. (b) 0. 86 5.47 (ó) e = 5. 5.65.326-0:328. 501. (c) 0. (o) 0.111.20% ton. (al 4018 6.6 (d) 10995.56.323-0.

88. m1 = 0.12 hr t 0.u (o) al menos 323 hr (b) al menos 560 (c) al menos ?66 (b) 1.129.0 y 100.24 lb2 (c) 0. 26.30. 6.0696 r¡¿o 560 (c\ r. (b) 0.7.31.22.84914 6. rn2= 5. 6. 2. (o) (b) 105.39. L9.09 t 0..045 6.?0 r 0.241 7.62 6.Se (ó) ?.2344.82 0. 0. 101. 0.0090 CAPITULO 6 e.049 segundoe 6.362 ó. = -3.36.428 24.41.?3 onzas onzae (ó) Z.53743.130.7.e5 5. 5.72642 + 0.69 I 0.¡'TARTOS 5.25.36. m1 :0. 0. (a) 11.86 lb reepectivamente 6.41.123.72642 t 0.298 t 0. 6. -1r7. ó. 0. 6. (a) 5.38 (a) ?. (bl 0.72642 + 0.38.2 (b) 0. (o) 0.28 (b) (s) ?8e. (a) 0.1 ó.36206.030 eegundoa (D) 0.115.18. (¿) ffiz: 0.74 5. 101. (a) 1200 hr 6.3?. (a) 0.18 tons.43. (o) 9.?8 y 0.00002b pulg.72ti42 t 0.11 (ó) 0. Las estimas de las media¡ de la población son 1200 hora¡ en todos los casos.117.5 lb (b) 0.546 2. (o) al menos 96 (ó) al menos 68 (c) al menos 16? (d) al menos 225 900 (o) al menos (o) 7. 6.33. (o) 0.r5 (c) 0. m1- 89. (o) 0.6.298 0. 6.L2.70 t 6. 0.9?.96 onzas t t I 0.09 t 0.07 t 6.493e (b) 5.2 (d) 7158.tu.38 384 (b) al menos 221 (c) al menos 666 (d) al menos a 1. n4= 0 -0.000095 pulg.12t.116.4 hr Las estimas de las desviacionee típicas de la población para los tamaños de muestra 30.38 I (a) 0. (ó) 11.34. (q') (c) e2.82. (b) -4. 7 RESPUESTAS A PROBLEMAS ST'PLEMEI.000085 pulg.38 (hl 22.131. 0. (o) ?8.97. tb9 5.22 0.118. 0.045 0. 6.073 i 0.128.122.112 . 60 y 100 tuboc son respectivamenüe.35 (e) 26.000025 pulC.2 106 (ü) (b) 8.0586.000072 pulg. (o) 1. 0.124.127.09? (c) 0.?0 * o.2464 (b) 52. 0. 42 5.94 Laprimeradistribución (a) la aegunda (b) la primera 5.16 onzas 0. (d) 032642 a 0. -0.0? (b) 0.68 a 0.126.5 horas.24 tons. (a) 6. 6.40.0ab t 0. (c) 0. 1193.09 t 0. (o) 0.125.000060 pulg.29.20 (f) 7.4 4 (i) (il 706. ms = 0.62 r 0.

654 a 1. 6.06 (c) t2.8 horas 6.r.01 en (o) ni en (b).0 4802 (ó) al menos 8321 (c) al menos 11. (a) 95. (o) t¿.6 ¡ a 1g0.99.24 249 onzas lb (ó) 63. 139.ó4. (a) al menos 87.) (e) t2. .8 (b) 0.673 a 2.259 a 5. ?. 7.1 a 148. (a) 0.6% 105.4 horas hora¡ horas (b) 78.Bb 6. es 7.69.5).60.05.02 (a) 0.17. (a) 1800 t 6. (o) No se puede rechaza¡ Ia hipótesis al nivel de 0.9a1 a 2.269 (o) 0. (a) Aceptarlahipóteeissilasbolasrojarextrafdasestánent¡e22y42 rcchazarlaencasocontrario.7O.138 a 10. 86 lb (b) 1800 t 328 lb (c) 1800 t S82 lb 6.ó2.05 en ambos en!¡ayos.14 (a) 0.5 horas (b) 88.58.66. (o) a 230.944 (b) 0.5 a CAPITULO 7 7. r = . 0. 6. 6. (a) (IIe: p=0. (b) Ensayo unilateral. (c) Rechazar 116 si se extraen más de 39 bolasrojasy acept:ula en caso contrario (o no tomar decisión alguna).79 kl) t2.00 (ó) 13. -= 3' 2tritl "'+r3l 6.4E.5). (c) 106.45.63.9 1?0.(b)0.31 onzas 6. 2400 t 45 librs¡.06? a 1.8 t 0. 7.1 a 288.6 horas 2400 ! 59 libree (b) 87.. 1.64.62.70 (b) 0.67.65.250 6. (Hi p> 0.69.51. y se acepta en ceso contrario (o no se toma ninguna decisión). en ambos nivelea.20. Sí.05. .458 a 4.58 e 2. Se puede rechazer la afirmación a ambos nivele¡ mediante un enaayo unilateral. rechazarla en caso contrario. (c) Aceptar la hipóterie ¡i las bola¡ rojac extrafdas esüán ent.56. El re¡ulüado significativo al nivel de 0.52. (a) 6.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 363 6. (a) 63. k = -lln - (ct. 7 No se puede rechaza¡ la hipóteric al nivel de 0. 7.8 l: 0.lre 24 y 40..9 6.63.49.2606 7. (d) Rechazar lfe ei se extraen más de 41 bolasrojas.70 6.46.1 horas 6..5 (ü) 102.519 a 7.50. (b) Se puede rechazar la hipótesis d nivel de 0.1 a 140. mediante un ensayo unilateral en ambos caso8.78 (b) 0. kt') 0.61.68.58.15 6.?41 a l. I _ ()rr)/r¿ 6.

7.1 y 0.01.5.9. 4. (b) Un ensayo unilateral muestra que I no ee mejor que A al nivel de 0. 49. 7.32)r(0. f (x) = T.36. 5. 50. Un ensayo unilateral rnuestra que a ambos niveles el contenido -nedio en cobre es más alto que el señalado en las especificaciones. (o) t 0.1 y 1. pero no al nivel 0.79.87.94. concluimos que el primer grupo no es superior .2.9.7 Un ensayo unilaüeral muegtra quc la diferencirr e eignifrcaüive eB al nivel 0. 0.0. Un enrayo unilatetal a ar¡bos niveles de aignificación muesha que la marca B es superior a la marca A.4. 15. 7 . 60. [. 12. Las frecuenciae esperadac 8on 1. ?.8E.06.6.e0.1. 7.E3.7 y 0.2.98. . 39.4.0 respectivamente.05 pero no al nivel 0.96. Las frecuenciae eeperadas son 41. 7 (a) si (ó) no . 3. Un ensayo bilateral a ambos niveles muertra que el producto no cumple con las especificaciones.73.34. El aparente incremento en la vai'iabilidad no es significativo a ninguno de loe dos niveles. E resultado es significativo a este nivel con un enar¡yo unilateral. 7.81 ln 7.76. 7. es 7. Un ensayo unilateral muestra que el nuevo fertiliz¡¡¡¿ superior a ambos niveles de significación.96 onzas (D) 8.64 (ü) 0.0118 7.64 1 0. 7. 66.72.6t)l-r.64 + 0.78. 4. Concluirfamos que el resultado no común al nivel 0. pero no lo e¡ con un ensayo bilateral. 13.0118 (c) 0 (d) 0 (e) 0.63 onzas 7.84. bilate¡al muestra que no hay eúdencia s ni¡guno de los do¡ nivdes de que la duración media haya 7.2.05. 7.05. Un ensayo cambisdo. ?.82.RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS 7.7ó.4.ae frecuenciae esperadas eon 1. 7.?.6 respectiVamente.05 pero lo es al nivel 0.El' 7 Un ensayo unilateral muestra que el proceso no debe inhoduci¡se si el nivel de significación adoptado es 0.05.3.7 respectivamente. (a) 0.01. y 4.2. Podemos conclui¡ que la primera varianza es mayor que la regunda a ambos niveles.A1 \¡¿ - lar frecuencias esperadas con 108.e5. 9. 7.tO. 53. no ¡e deduce que haya diferencia de acidez. al eegundo. 7.05.0.1O0.7.E5. 7.1.86. 13 y 2 respectivamente.7.6. 7. 21.77.99.1.l0l. no 7.71. 11. 7. la¡ frecuenciae esperadar son 32.7 respectivamente. (o) Un ensayo bilateral indica que no hay diferencia en la calidad de fabricación al nivel de 0.01.20.t9.6.06. es ?. 14. pero debe introducirse si el nivel de eignificación adoptado e¡ 0. Mediante un ensayo unilateral al nivel de eignificación de 0.83 onzae (c) 8. 43. Mediante un ensayo bilateral al nivel de aignificación de 0. No podemos concluir que la primera varianza 8e¡ mayor que la segunda a ningún nivel. 23.3rL2 8. f (r) = aC"(0. 7. Un enrayo unilateral indica que no disminuye la media a ninguno de loo do¡ niveles.?. (o) 6 (D) 4 7.0.01 .6. E aparente decrecimiento significativo al nivel 0.

7.105. 7 . 0. La conclusión es la misma. Puesüo que la dietribuciónbinomialdaunbuenajustedelosdaüos. . (b) El ajuste es bueno pero no "muy bueno". (b) El ajuste es pobre al nivel 0.06. La hipótesis no puede rechaza¡se a ninguno de los niveles.05. ) Un ensayo unilateial al nivel 0.05 no rechaza la hipóteris (b de proporcioneo igudes. (o ) 10.118. La hipótesis no puede rechazarse a ningfin nivel.3179 (con conección de Yatea) 7 . 7.728.2205. (a) 0. bueno (b) no (o) El ajuste es "muy bueno".115.116.133.109.139.3863. (c) si no si no (c) no (c) no ?.132.114. 1. (o) 7.129.t25: 0. 50 respectivamente ( b ) La hipóüe¡is de que lo¡ reeultados ae'an iguales a los eeperadoc no 8e pueden rechazar al nivel de significación de 0. (a) 0.110.138.465t 7 . 7.05. La hipótesis no puede rechaza¡se a ninguno de lo¡ nivdes. (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). 60.RESPUESTAS A PROBLEMAS SI'PLEMENTARIOS 365 7. el re¡ultado er significativo al nivel 0. Mediante un ensayo unilateral.113.11f es es significante al nivel 0. La hipótesis puede rechaza¡se a ambos niveles. (a) Un ensayo bilateral al nivel 0. esto es consistente con el Problema ?. 7 . 7. ?.106.05. Igual conclusión. (a) (b) (c) no ?.01' 7. (b) (b) 7.108. ?. .L23.104. (o) El ajuste es muy pobre al nivel 0. ?. No hay razón para rechazar la hipóteeis a ningún nivel.05.06 pero no al nivel 0'01.124.13?.06.05 indica que á tiene una mayor proporción de bolas rojas que B. ?.L72. La hipótesis puede rechazarse al nivel 0.05 pero no al nivel 0. La diferencia ?.1L7 . No al nivel 0. La hipótesis no puede rechazar¡e al nivel 0.LO2. No hay razón para rechazar la hipótesis de que las monedas ¡ean hon¡adas.109.103. 7. (o) El ajuste 7. 7.0738 (corregida) 7.1985 (conegida) (D) 0. sea mejor que la B d nivel 0.05. 7. 0.0872. La hipótesis puede rechaza¡se a ambog niveles. El proferor nuevo no sigue las miemas nortnas que los otroe. ? .0. tul e no (b) 10 si (c) 10 (d) 8 7.10? . No puede concluirse que la marca A 7.134.

-0.8. (bl u = 4. 0.6606 (ü) 0.0 8.90.20 E. (a) 0.151{" ¿O ó U -92.rz 8.366 CAPITULO 8 RESPUESTAS A PROBLEMAS SUPLEMENTARTOS 15o 8.8861 1 t.9927 8.67. (o) 1.96. (o) E.968 (b. (a) 0.87.6t-t.60 (ó) 17.00 (c) ?.14¿0.00 t _1. (¿) t 3.?8 + 1.113.111.5t*3.13 + 0.6tly E.661¡ (c) r = -14.2928 y 0.77 y -.096 o * 0.?600 y 0. 75/p 8. u = 6.08?86 o¿ (ó) (c) t?0 ft.9 2.304 (ü) 1. (a) 24. (o) 8. r¡o¿ = fi -o.0 a (b) B?.64.66r * 2. (o) v=0.40 6 A:32.96.Z. Mediante un ensayo unilateral no puede rechazarse la hipótesie.oooo t 0.115.24. (a\ u=-i+í" 6 u=.108.8961 (b) u = 8. (a) z = 3. 0. 2.29y 8.00 6 r= (¿) 1. (b) d 8.24 (b) 8.188 ¡ (c) r32 8.E0.71.60 8.64y 8. E.66. (a) 3. (a\ 0.?3S(n-B)2 6 41.46¡r*l 8.0 t 8.21 0.IBB72 616 8.r3.ss56' 8.7l4r (b) "=t*lu 10.80 E.21r*O.9?.68.14(L.0 4.20(r-B) +0.70.6 1.448 8.gBB+o.s912 (ó) 0.84. (b) a = 29.427Y 61. =0. (o) 0.28 (o) (ó) Mediante un er¡rayo unilateral puede rechazaree la hipóteaia.r1y (d) 7g 95 t.s72 80.14(10)0. (o) (ü) t.408 + 0. (o) (ó) 2. (a) 8.000 + 0.6 E. B. (a) 0.szos 8.109.89 * L.0 t 5.99.85.0 a 19.00 8.88.112. 37.107.E6.4 si no no si E.) 1.500a (cl r = 2.89.5 (b) (ó) g?.2 (c\ 182. (cr.79.?961 y (ó) 0.398 (ó) 192.?801 y .00*1. (c) 37. (o) 1.1r4.81.60 (ó) 1.92.69.1 E. - 1.9818 8.138 t a 0. ft (d) Bg? (b') A=32.91¿6 y y 0. (¿) 0.8r*12 (b) r= 0.6633 1.74.126s 'y 0.r10.

9.05. Hay una diferencia significativa en el tipo de maíz pero no en los suelos al nivel 0.dondeyeslanatalidadpor1000habitantes.33 r . 9.16-0. de julio de 1950 (d) 142. (o) u = 3.120.43.7 y 173. Igual al hoblema 9.01.36.25.4f. (c) si no (ó) 8. una diferencia significativa en sus calificaciones a ambos niveles.9254 y 0. Flay una diferencia significativa en los métodos de enseñanza al nivel 0-05 pero no al nivel 0. 9. una diferencia significativa en operarios pero no en máquinas.34. CAPITULO 9 9.30 pulg.01. No hay diferencia significativa en operarios o máquinas. No hay diferencia significativa en fertilizantes o suelos. 8. 9.27. No hay diferencia significativa en el color del pelo o estatura.130.36 lb 3. Hay una diferencia significativa en los sitios pero no en los fertilizantes aI nivel 0.40: No hay diferencia significativa en neumáticos o automóüles al nivel 0. No hay diferencia significativa en los métodos de enseñanza o plantelesal nivel 0.1083¡*0. llay una diferencia significativa en neumáticos y automóviles al nivel 0. 9.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 367 8.116.43. flay 9.05 pero no al nivel 0.oy:107.9*4.7096 y 0.39. .3?. 9. (b)y:18.¡es5añosconorigenen julio de 1935.126.L27. llay 9.05.38x E.24. una diferencia significativa en marcas al nivel 0.23. 9. No hay diferencia significativa en el tipo demaíz o suelosal nivel 0. 9.01 .4653¡z.01. 415 8.deenerode1954.35.33.129.0.4547 8.9653 (D) 8. Igual al hoblema 9.42. 9.lgxsilaunidadxesLl2añoyelorigenesel ¡ es un año y el origen es el 1o.05.26.128. 0.(b)y:722. 9. No hay diferencia significativa en los sitios o fertilizantes al nivel 0.31.44.4 libras 8.4 (b) 116.11?. 9.42*2. 0. (a\ 20. 0.7 (e)1977 1o. Ilay 9.66.38.32.6402 si la unidad 8. No hay diferencia significativa en operarios o máquinas.125. tlay 9. No hay diferencia significativa en neumáüicos a ningún nivel.38. 9.05. una diferencia significativa en rendimiento a ambos niveles.01. 9.6158 E.l31. 9.

pero las debidas al LQ. 9. llay diferencias 9. 9.49. pero hay diferencias debidas al I. 9. máquinas o fortaleza de cables.4E. 9.368 RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 9.62.Q. 9. 9. significativas en los puntajes de los exámenes debido al estado veterano y al I. No hay diferencias significativas debido a sitios o fertilizantes. 9.61.64. 9.54. No hay diferencia significativa en los puntajes de I. Al nivel 0. FIay diferencias significativas debidas al factor 1 pero no al factor 2 o tratamienLos A. No hay diferencias significativas debido a los químicos o s¡tios.55.3. No hafl diferencias significativas debidas a los factores o tratamientos. sílo son.01 las diferencias en los puntajes del examen debidas al estado veterano no son significativas. fuual al hoblema 9. pero no otras dife- ' ltray diferencias significativas en tipos de cables pero no en operarios.45. No hay diferencia significatirra en tratamientos a cualquier nivel.Q.66.63. B. color del pelo o Iugar de nacimiento. y canüidades del primer compuesüo químico. al nivel 0.ó.46.47 No hay una diferencia significativa en rendimiento escolástico debido a diferencias en estatura. 9. . 9. 9.Q.52. llay diferencias 9. No ha! diferencias significativas en los puntajes de los estudiantes de diferentes partes del país. significativas debido a los sitios pero no a los fertilizantes. ltray diferencias signifrcatiyas en especies renciag signif icat ivas.05. C.54.

258 relación de la a la distribución norrnaI. 135 distribución bimodal. 46. 108.169 negativa. 328. 139'141 teoremas sobre la. 264.246 Datos agrupados. 8ó decisión. 237 dispe¡sión. 332. 198. coeficiente de. 316.2L6 área bajo la. 84 ajuste dé datos por la. 264. 9. principio fundameotal de.28l-244 fórmula p¡oducto-momento para el. 6 conección de Yates para la continuidad. curua de ajuste. 220. 297 distribución de Bernoulli (uéose distribución binomial) distribución de Cauchy.320.311 aleatorios.3f6 bloques aleatorios. 5 completa aleatorledad. 112. 316 27 distribución binomial negativa.11-13 teoremas sobre. 109 de la distribución de Poison. 26+ 246 püa datos agrupados. 1O9 relación de la a la distribución normal. 12. lO9 (véase tomb i¿n distribución no¡mal) distribución geomét¡ica. 112 relación de la a la distribución binomial. 6 conjunto nulo. problema. 216. 319. conelación y reg¡esión üneal perfecta. 92- curua cuadrática. 2a5'247. 130. 232-236. 264. 221-226. 31 curtosis. 129. 97 también varianza) dewiación tÍpica. | (uéase también conjuntos) columna de conteo. 118. 78. 143. 114.310. 13 conjuntos bien definidos. 118. 115.26l múltiple. colección. 317. 309 media y varimza de la.294 generalización del. 268. 23A. 1 18 distribución chi-cuadrado. 24 complemento de un conjunto. 11O. 177. 1 77 combinaciones. I29 aproximación normal a la. 258-3O5 gradual.324 el. 100. 115. 268 generalizando. 83. 248 curuas de aproximación.lndice Ajuste de datos po¡ distribuciones üeóricar. 26 4.293. 82 cuadrados greco-latinos. 263. 144 cont¡ngencia. ' dife¡encia de conjuntos. 333 cociente de inteligencia. 296 independencia y.125. 89 282 diagramas á¡bol. 217 convoluciones. 116.322 para experimentos de dos factotes. 9. 268 r23 aproximación de la dist¡ibución de interl¡retación probabilfstica de la. 254. 133 . r97. 40 control de caüdad. 2 constante de Boltzmann. 264 curyas OC.129 distribución exponencial. Só. Bernoulli. 345 tipificada. 111 r34 distribución de Pascal. 1O8. 239 propiedades de la. 1l uti¡izando p¡obabilidad. 116 cuenta. 2 (uéose deteminación.97 dist¡ibución binomial. 163 decilas. 244 264. 3O7. 224. 246 muestral. 88. 2L7.L28 relación de la a la distribución de Poisson. 3 dimensiones o unidades. 138.315.244 cuwa nomal. 1 (uéos¿ también conjuntos) clases y frecuencias de clase. 344 curua parabólica. 118 distribución de Poisson. 217. L28. 316 diseño experimental. 345 ordenadas de la. 81. 258. 31ó álgeb¡a de sucesos. 1 51 contado¡ Geiger. 2ll. 24O. 184 categorías. 10. 246. 117 ¡elación con la chi-cuad¡ado y t. 247 332. 296 Poisson a la. dewiación. reglas de. 26O clase.78. James. 225 análisis combinato¡io. completa. 99 (uéase tombién distri' bución normal) áreas bajo la. 291 26r. 218.263 covuianza. cumplemos. 266. 13 2. 116 reJación de la a la dist¡ibución normal. 213.316-321 aproxirración de Stirling a nl. 347 como caso especial de la distribución gamma. 3 1 5 altamente significativos. E4. 25-2 7 análisis de v xianza. 266 (véose tom' bi¿n conelación y reg¡esión) curva de potencia. 82. 46. 117.112 219. 118. 139. 2ó8 94. 1 13. 78 diseño de experimentos.269 cunas de regresión no lineal. 219.244 conelación.333 para experimentos de un factor.348. 349 distribuciones gamma. 6O.37 Cambio de variables.281-289 tabla. 234. 1 conjuntos disjuntos 3. 112 clasificación simple o experimentos de un factor. 47. 316 püa de tres factores. 108 bloques. 315. 22O. 109. 11. 118 valores de Ias percentilas de Ia.118 propiedades de la.297 teo¡ía muest¡al de. 311. 31O. 135 teoremas sob¡e la. 342 axiomas de probabilidad. 177. 263. 133. 85. 94. 183 de la distribución binomial. coeficientes de. 11. cuenteo. 306. 217. 267. 321.112. 316. 168. 11. 115. 11. 136. 119 distribución ¡'. 85. 56-60 pua el caso continuo. 344. 11O á¡eas bajo la. 112 de Ia distribución normal.243. 27. 164. l. L24. 161.213 Bridae.97-99. 316. 134. 117. 3f6-321 clasificación tríp¡e o factor tres expedmentos. 230 coeflcientes binomiales. 34ó cu¡va normal tipificada. 4 conjunto vacÍo o nulo. ó conjuntos iguales. 297 poblacioml. 127.145 ajuste de datos por.163 centroide o centro de gravedad de los datos. 28L-284 ensayo de tripótesis y significación para el. 25 coeficiente de conelacion. 284. 265-267 coeficiente de correlación lineal. distribución gaussiana. 295.118 distribución hipergeométrica.2 conjunto universal. 119- 310. 315. 82. 47. 3 264. 92-94 teoremas sobre la. 263. 61 disÉibución beta. 1 conjuntos medibles. 47 para el caso disc¡eto. 134 cuilas cdacterÍsticas de operación. 21 1 desigualdad de Chebyshev. 7L. 263. 118. 112. L27. 321. 33O cuadrados latinos. 116. 248 decisiones estadlsticas. 1 17 moda de la. 9. 306-338 fórmulas cortas en el. 316 bondad del ajuste. 19ó coeficientes de correlación múltiple. 217. 197. 295. número desigual de obseryaciones en 312-315 experimentos conjuntos. 117. 259 típica (uéose desviación tíPica) desiación media. 26 4 coeficientes de confianza.135-137. 269 ensyo chi-cuadrado Pua la. 21 diagramas de Venn. 46 casillas.2A2. 2a6-2a7 . 23. 29G 292 correlación gradual. 267. 30. 115. 83.237-239 aleatoriedad. 306- continua a la derecha.324 cuadrados ortogonales. 2. 232-236. lO.242. 142 relación de la con la binomiál negativa. 163.86.

6 enfoque a priori de p¡obabilidad. 194-2LO.6 286.279- 164. 45 función de densidad conjunta. t¡ansformación Z de. 22L- experimentos de un factor. 163. 3 7 Fisher. 1 de proporciones. 179 relativa. 43 teoremas sobre la. 237. L4l 11 8. 39 (uéase tambíén funciones de distribución) función de distribución conjunte. 160.160. 5.263. 142 distribuciones condicionales. 52 distribuciones de probabilidad condicional. 299 er¡ores del tipo I y del tipo II. 92. 263. 285. 267 3-2L5. 297. 111 teo¡ema de la unicidad para le. zLl. experimentos de dos faetores. 194 estimas por intenralos.226-228 mediante diferencias de proporciones. 110 espermza matemática. 41 conjunta. 141 probabilidad. 98. 2 interacción en el. 38.) distribución porcentual de frecuencias. 290 . 157 función de densidad normal tipificada. 279 efectos de bloques. 262. 164 acumulada.266. óo conti¡uas. 161. distribución de 2t6.22L.2A6 224 espacio muestral. 159. ?7 muginal. 178 (uéo¿e 213 mediante la distribución f de Student. 213 ensayos de una cola. 262. 94. 260 ejes. 114 relación de la a la disEibución binomial. 212. 77 (uéose dos. 162 INDICE efectos de tratarniento. principio de. 261. 77 espermza condiciona!. 267. pua variables aleatorias contfuruas. 41 distribuciones de probabilidad discret¿. 54 de sumas de variables aleatorias. 116. 3 Ecuaciones norraales pua la recta de mfnimos cuad¡ados.¡ecuencia marginal. 311 distribución t Student) 163 acumulada. 6 enfoque clásico de probabilidad. 94. 164 distribuciones de fiecuencia acumulada. 14. 212. 4ó. 138. 211267 estimas no eficientes. error típico de la (véose ettot tfpico de la estima) estimación. 44. 162 de difetencias y sumas. t7l enfoque a posteriori de Drobabilidad.4. 35 estadfstico no puamétrico.282. 310. 38. 112 de la distribución normal. 4 espacios muestrales no disretos. 194. 81 ble. ó2 de funciones de vuiables aleatorias. 162. 1Og de la distribución de Poisson. definicid¡ de la. 16G162. 91. 3O8 error tfpico.179 distribuciones de frecuencia ¡elativa. 4 espacios muesfales discretos. 306 Fistre¡. 157 de dewiaciones típicas. 115. 194 estimas po¡ puntos. 293.A. 42. 4O. 289. 164 f¡ecuencias elementales. 99 de la distribución binomial. 162.S. 14. 117 relación de la a la chl-cuadrado y F. 36 E. 178. 265 77 38. 109 propiedades de Ia. 194-210 eficiente. 16-321 225 la.lores medios predichos. 216 para coeficientes de regresión. 215.214 püa pequeñs muestras. 216.171173 de medias. 158.294 fómulm de Euler. 343 función de densidad. 314.293. 1ó chi-cuadrado y. 44. óó estatura de padres e hijos. 2L9. 113 experirnentos aleatorios. 117.249 distribución nonnalr 109-1 11. 2I9. 222 escalera flor. 43-46. 295. 297 f¡ecuencia observada. 156. 44 dis¡etas. ó1. 113. 63.226-22a mediaate la distribución chi<uadrado. 118.312. 8l totales. 4ó para valiables aleatorias dlscrets.139-141 ¡elación de la a la distribución normal. 223.178. 117 disribución trimodal. 13ó función de densidad para la. 213. probabilidad de. 306-31O.P. 40. 264. 44 va¡ianza pa¡a. 231 experimentos de clasificación doble (uCose experimentos de dos facúores. éxito. 47 interpretación gráfica de la. 2ó9. 312 Einstein-Bose.274. 286-287 . 119. 118. 218 frecuencia porcentual. 77. 261. (pe¡cepción ext¡as€nsorizlr. 1O8 . 4 46.216. 218. 276. 273. dualidad. 194 estimas sesgadas.215. 156. 198. probabilidad de. 28t. 196. 163. 80. Futl.267 formas igualmente factibles. 31 1 experimentos de Mendel. 157. 83. 286 fórmula producto-momento para el coeficiente de cor¡elación lineal.2La. 26ó también esperanza) estadfstica Bose-Einstein. 132. 266 para vrimzas. 83. 287.. 39.39. 199. 84 distribución multinomial. 214. 161. 220. en téminos de varimzas y del coeficiente de conelación. 341 fracaso. 43. 137. 92. 2L6. 1ó7. 52-56 continuas. 217 ensayos de dos colas. 81. 263. I76. 194 estimas. 213 para va.ent. 313-315.277 para el plaao de regreslón de mfnimos cuadrados. 278. 199 insesgada (u¿ose estima iDsesgada) estimas de máxlma verosimilitud. 164 acumulada.229-231 2L con repeticiooes. 216 Fermi-Di¡ac. 27 O.196. 243 ensayo de bipótesis y significación. 266.2t6 ¡elación con la teorÍa de estimación. 82 distribuciones de frecuencias. 162 distribución multimodal. 81 fórmula de Spe¡man pa¡a la cor¡elación gradual. ó3. 117. 2r9. 17?179 acumulada.318 de vuianzas. 81. 4 esperanzar 76. 266. 312 efectos de lnteracción. 238 bidimensional. 186 estadlsticos muestra¡es. 1?3-176 de varios estadísticos. 297 e¡rb¡ o residuo. 159. 1O8 expansión binomial. 44 . 86-E8 condicionel. áreas bajo mediante relaciones de varianzas. 290 estima. 296 derivación de la. 84 distibución uniforme. 5. 259 estimador insesgado.47 disc¡etas. 164.370 media y vaxi^nza de la. 119 distribución muestral. 160. 194 (uéate estimas insesgadas) toñbién mediante diferencias de medias. 311 notación paa. 6 fórmula de inve¡sión. 262.244. 64 293. 206. 267 pua valores predlchos. 221-226 mediante proporciones. 1ó espacio muest¡a] finito. 168- de ¡elaciones de vuiauas. R. 16ó-168. 2L4. 236 mediante la distribución normal. 113 distribución Maxwell. 1O8 expamión multinomial. 111 distribución nomal bidimensional. 289. 4 espacids muestrales continuos. 117 teoremas sobre la. 163.pua el coeficiente de correlación. 113. 133 distribución Weibuü. 41 de funcit¡nes de vadables aleatorias. 114. 124-127 ajuste de datos por la. 29A espacios muestrales infiniio no conta- fumión complementaria de error. 198. 138.294 pa¡a la püábola de mlnimos cuad¡a- teoremas sobre. 324-327 variaciones pa¡a. l6 3 frecuencia relativa. 2t6. 4 espacios muestrales inflDitos contables. 5 enfoque uiomático de ptobabiüdad. 194 e¡aor tfpico de la estima. 44.201 esti¡nas insesgadas. 326 función de distribución acumulada. distribución f de Stud. 269. 61-63 distribuciones co¡iuntas. traslación de. 260. 162. 198. 6 ensayo chi-cuadrado para bondad del ajuste. estadfstica (uéose estadís- tica Bose-Einstein) e1e x. 260 elementos o miemb¡os de los conjuntos. 76. mediante la disúribuclón F. 198. estadfstica. 16ó.268 pua grar¡des muestras. 2L9. 163. 6.177 enfoque de la frecuencia relativa de 308. 184 de medianas. 346 media y vaianza de la.61. 342 función característica. 164 distribuciones de probabilidad. 49. 231. 48. 25. fó8. 4. 241 3 mediante medias. 36 función aleatoria (uécse vuiable aleatoria) función beta.

\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. 312 g¡an total. 211 (uéase tombián ensayos de hipótesis y significación) hipótesis nulas. 213 números rleato¡ios.D. 2. 44 g¡andes muestras. 114. 266. 84 (véose también media) media muestral.313 ? probabilidad. 3.) mÍniinos cuadrados. 79 alrededor del origen.266 pe¡mutaciones. 342 función gamma. 158 I.342 función gene¡atriz de momentos. 113. 342. 311 mediana. 44. 84.179183 momelltos centüales. poker. 166-167. 6 moneda b-omada. 195 (uéose tambíén lÍmites de confianza) IÍmites reales de clase.44. 1ó8.241 hipótesis estadísticas. 164. 342 27. 1 (véase también conjuntos) prábola. 163.237. 6. 2O2. 47. á1 lÍnea real. 158. 155 población binonial.45. 19ó nivel de significación. 21?. 206 modelos matemáticos. 47. 1 7-2O función de la. 117 la distribución normal. 13ó de la distribución d€ Poisson. 26. 227. f96-202 L44. ó8. 276. 48. 42 para variables aleatorias discretas. 195 lÍmites fiduciales. 4O función factorial. 164 operaciones de coniuntos. 26O intetsección de cotiuntos. 84. 159. 23O inferencia estadística. 164. 352 números complejos. 162 no unicidad de la.234 pare propo¡ciones. 224 niveles de significación. para datos agru- Gas ideal. 111 21 E inte¡ralo semi-intercuütÍlico.49. t71. 214 histograma. 76. 97 medias de fila. 194.¡los abierto y cetrado. 206 semi-cerra2dO. 76. (cociente de inteligencia). 1r6. aproximación de Sti¡ling a. 5ó. 117 modelo matemático lineal pua el análisis de va¡ianza. 96. lnteÁ. 177. 1óó.Q. 6 muestras. L22. potencia de un ensayo. 309. 37 Poisson. 205. 164.97 (véase tanrbién esperanza) pados. 27-23 población. 171. 94 moneda cargada. 13 lÍmites de confianza. 308. ó4. f 56 alrededor de la media. 1ó6.2O3 para relaciones de vuianzas. 43. 217 259 236. 40. acumulado. f16. 224 tabla de. 177 muestreo.221 experimental o descriptiva. 3 inteivalo de clase. 96.312 ordenadas. 266- 4t. 79 intenalos geml-abiertos o dos. 85.5 probabilidad condicional. 1á6 con o sin remPlazamiento. 196 población finita. 32 parámetros poblacionales. 123 la distribución de Poisson. 44. 2O4. 350. 184 teorÍa de correlación y regresión. 163. gran media. 197. 198 dist¡ibución de muestreo de la. 183. 1O9. 342 fórmula de recunencia ptala. 277. 1 método de expansión. ensayos de. 86. teorema de la unicidad pea la. 2t3. 171. 83. 96. 18O- población normal. 13 Iey distributiva. Ojivas. 311. LS7. 11 método de mínimos cuadrados. 8O función monotónicamente creciente. 186. 199. 200 número. 163. 54. pea conjuntos. 8. 156.23O Herencia. para el análisis de la varianza. 45 funciones de distribución. 312. 96 de la dist¡ibución beta. 12. 39. 86 Marca de clase. 1 44 pe¡centil¿s o valores percentüa. 3.INDICE función de probabilidad. 112 la distribución F. 8 3O7. 351 loterm. 99 pe¡cepción extransesorial (udase E. 3O6 de de de de medias de grupo. 217 gráficos de control de caüdad. (uéqs¿ rectas de mÍnitnos cuadrados) método y fórmula clave. 55. 112 de la distribución normal. 6r 3 ley de los grandes números.249-292 n factorial. 1O función paso. 110 eomplementaria. 179 acumuladas. 156. 79 condicional. 1ó8. 313 polÍgono de frecuencias 179. 241 tabla de. 96. 136 gráficos de control. 264. 196 muestras aleatorias. 97 medidas de dispersión.164.S. para la convolución. 1ó1 grados de libe¡tad. 159. 39 condicional. lO9. 47 para conjuntos. 197.50. 84. 45. 2. 243 pua paábolas. 211. 41. . 39. 156 población multinomial. débil ros) (ué¿se muestras independientes. 269. 156 parámetros de la. l2 computación de la. 196. para la convolución. 2 núme¡os ¡eales. para la convolución. L78 I paradoja de Russell. 1 56 independientes. 98 integr¿les especiales. 163. 2+2. 6 suma de los pa¡a la distribución chicuad¡ado. ró9 población infinita. 1^O. 269. 3Oo funciones de distribución marginal. 1ló de la distribución F.5ó marginal. 3O6 medias de tratamiento. 111 de la distribución ú o de Student. 342 fórmula asintótica de Stirling pa¡a la. 259 para curvas. 308. 76. 203. 204 para medias. 292. 27 . 123 de la distribución chi-cuadrado. invuianza baio üanstotmacióD. 156 196 Ley asociativa. 21 hipótesis. 1 56 partículas radioactivas. 157 media total. 196.P. 61-63 conjunta. 156. 199-201 grupo. 194-206 para diferenciás y sumasr 196. 79 momentos condicionales. 83.. 268 para vuiables aleatorias continuas. 26L. 195.84 Papel gráfico de curya normal.272 función error. 8O. 84.312.165. 3 ¡ey conmutativa. 177. 178 moda.179 ojivas porcentuales. 40.297 198 para rectas. 84. 1O9.268 funciones de probabilidad marginrl. 164. 85. 11? de un conjunto de números. 1ó5. ó6. r23. 179-183 la distribución binomial. 2 pea vErian¿as. 163. 259 ir¡tetcepto. 156 tamaño de la. 159 normal. 89'91. ll. 89-91.22O. 183. grupo control. 306. 38 marginal. ó3 niveles de confianza. 81. 212. 19ó. 97 mejor cuwa o recta de ajuste. 259 método de comprensión. 13 en los zucesos.98 de la dist¡ibución binomial. lf l. 45. 44 371 molécula de gas ideal. 97. 94 función escalera. S. 48 probabilidad de causas (uéos(f teorema teoremas de la. 11ó. 3O7. 343 central. 1 polÍgono de frecuencia. 85. 2 lntcnalos de confianza. 49. 76 de una muestra. 155. 63 función de Drobabilldad coqiuDts.297 miembros o elementos de un coqiunto. 126. 165. 43 4O 268. 84. funciones de densidad marginal.166. 155 aleatorias. 80. 46. 221 experimental o descdptivo. 198. 1.219. 15ó. I 55 integrales de Fourier. 69 para datos agrupados. L21 Jacobiano. 306. 117. 184. 95 para las pruebas de Bernoulli. 1ól momentosr 79. 47 Pata conjuntos. 17? niedia. 217. 2 logúitmos comunesr tabla de. 157 media ditmética.293 medidas de centralización. 3. 341. 36. 80 teoremas sob¡e la.

110 vüiables dependientes. 38 variables aleatorias de la distribución de Bernoulli. 262.86. 45. 21 variación. 29.4 Recorrido. 164. 1lO va¡iables aleatorias adimensionales. 249 de vaiables aleatorias distribuidas normalmente.82 de momen- mente. 79 vriables aleatorias con distribución Be- serie". 131 teorema o ¡egla de Bayes. 270 va¡iables aleatorias.161 veiables aleatorir nomalizadas. 64 gráfica.88. 42. problema de los. 237 . 37 subconjuntos. 50 dist¡ibuidas unifomemente.39 vaiables aleatorias continuas. caso donde s . 85. 259. 30. 49 ¡éplicas. 123 de la distribución de Poisson. 263. l94 sÍmbolos de inclusión. 41 INDICE sobres.78. 26A. 9. 26-27 231. 311.372 o ¡egla de Bayes) concepto de la. 3O6 triángulo de Pascal. 85. 3Og pua las. 213 región de rechace.2a4. 29. para datos agrucondicional. 260 variaciones.317. 14. 31 1 entre y dentro de tratamientos. (véase v atianza muesüral) continuas. 164 dist¡ibuciones de la. 176 velocidad efectiva (¡ms). 264. 83. 258 punto muestral. 78 unidades tipificadas. 23a como una función de valor real. 9. 6 algunos teoremas importantes sobre la. I7 -2O. probabilidad empírica.2O2 interpretación probabilística de.116 función (uéose función de probabilidad) geométrica. ó-7 sumas es¡reciales.239 problema de la aguja de Buffon. 262. 43 t¿blas de clasificaclón doble.27l uperf icies. 89. 242. 26 2 teoría muestral de. va. 5 condicional. f91. 29O curva. 38. 254. 117 de la distribución muestral de medias. 312 regresión. 1 ilceso imposible. 46 scesos mutuamente excluyentes. 289. 1ó8.98 serie de Taylor.284. 266. variación total. 81. 306. 263. 3O8. 352 293. 89. 8. 198 rectas de mÍnimos cuadrados. 2ó9 Sec¡etaria. 22O tablas de con¿ingencia. 269 vdiables-transf o¡madas. 291) universo del discurso. 341 ¡elación con las dist¡ibuciones t y F va¡iables aleatorias con dist¡ibución Gamma. 97-99. 223.63 vüiables aleatorias no relacionadas. 5O con distribución dg Poisson. 78.38 discretas.244 representación gráfica.85. 63.284 relaciones no lineales. 15 utilizando el análisis combinatorio. 259.115 variables aleatoiias con distribución chi- ta. 242. 15 sucesos elementales. 324-321 residuo.260 pua vriables aleato¡ias distribuidas binomialmente. 3O7 para . 5. 263. 78 va¡ianza combinada. 194. 6. 196 tigmpo de reacción. 48 función de densidad de. 37 serie de Fourier. 264. 164 probabilidad geométrica. 26O. 8O ¡acte¡Ística. 151 teorema de unicidad. ó2-56. 261. 111 vuiable estocástica (véase vuiables valores exponenciales.2ó9 coeficiente. 31O. 281. dist¡ibución muestral de. 108. 22O. 269. 79. 27 8. problema de la.81.2a4. 263. 212 ensayos de. 20.81. 266. 68 proporciones. 49. 1 14 independientes. 131 prueba del. 183 de la distribución binomial. tabla de.245 en análisis de varianza. 25 Unidades o dimensiones. 117 muestral. 45. plano. 46. aleatorias) 2 2 241. 85 sesgo. 112. 265. 158.2a5 vatiación residual o aleatoria. 151 82 seguridad. 266. Valores críticos. 13O. ? sucesos independientes. 219. 79 distribución de las.94 de la distribución binomial.161:171 prueba de Bernoulli. 97. asignación de las. 281. 242. pa¡a la función ca- vaiables aleatorias independientes. 17-2O. 1 subconjuntos p¡oFiós. 226 .2a2. 289 ecuación. grados de libertad 311 métodos cortos paa obtener las. 195 valo¡es de tendencia.97 semi-intercuartr-lico. 39. 81 transfomación.294 vaianza. 259. 264-27 4. 79. 131. 50 papel gráfico. 216 como segundo momento.6O teorema del límite central. 6. 11 1. 3 significación.158.318 múltiple. 26O. 8O sesgada a Ia derecha o a la izquierda. 38. 160 esperanza de Ia. 8 cálculo de las.114. ó. 156 temperatura Kelvin. 297 tammo de la muestra. 1O9. 292-294 cov^rianza. 322-327 tabla de c. 262. 2a9. 289. 63 no conelacionadas.124 las. 6 suceso seguro. 15-17 p¡obablemente significativos. 4. 258. 269. 108 pruebas de Bernoulü. 7. 195 desconoce la. I 18 tablas y distribuciones de frecwncias de doble v&iación. 326 diag¡ama. 1?9-183 vriable independiente. 112 de la distribución f'.37. 79 tipificadas de.259. 3O9 ent¡e filas o tratamienúos. LIL. 111 de la dist¡ibución t. S2 sin dimensiones. Tabla de probabilidad coniunta.249 computación de la. 1 I O región crltica.2a5 vaiación no explicada.49. 49. 63. 158 de la distribución no¡mal. 4.lasificación simple. 27 I relación fineal. 67. 58. 311. 3O7.272 318 grados de libertad para. 26? traslación de ejes. 2a7.287-289 transformada inversa de Fourier. 311. 143. 82 veiables aleatorias normales asintótica- ley de los grandes números paa 109. 7. 30. 195. 48. 165. 1O8 variables aleatorias dependientes (uéose variables aleatorias independieDtes) vaiables aleatorias discretas. 2ll (véase tombién ensayos de hipótesis y significación) vaiables aleatorias con dist¡ibución Cauchy. 79. 11O v&iables aleato¡ias dist¡ibuidas uniformemente. 266. pda la función generat¡iz tos. 262. entre columnas o bloques. invarianza bajo. 2O1 t¡ansformación de Fourie¡. 317. 46. 219 en anáUsis de varianzas. 212 regla de Leibniz para la de¡ivación de una integral. 130. 112 de la dist¡ibución normal. 38. 266. 3O7. 262. 26I intersección de.262 27 a. región de. 217. 216 var\anza muestral. 79 pados.89 combinada. explicadas y no explicadas.273 en términos de varianza muestral v teoría de muestreo exacto.159. 266.262 vüiación explicada.123. 115 cuadrado. 114 1ó8. 279 unión de conjuntos. 81 transformación Z de Fishe¡.lores esperados de las. I 1 O pila distribuciones conjuntas. ó sucesos. 264.266. 3O9 regresión múltiple. 1Og de la distribución de Poisson. 3O9.115 vtianza poblacional. 48. 212. 8O dist¡ibuidas binomialmente. I O8 distribuidas normalmente. 161. para un conjunto de números.3il1 Taylor. 266. 3f 3-3f 5. 311 tratamientos.285 recta. 2t9. 2AL. 161. 52-56. 260. 1O8 vuiables aleatorias distribuidas de a- cuerdo con la dist¡ibución Poisson. 284. 113.experimentos de dos factores.111. 243246 tablas de frecuencia (uéose ta¡nbién distribuciones de frecuencia) variables aleatorim distribuidas binomia¡mente. 266. 271 referencias tipificadas. 64 probabilidades.

.

.

l .

.

.

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

Sign up to vote on this title
UsefulNot useful