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.

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

Parte I PROBABILIDAD .

.

léase"elconjuntodeloselementos¡talesque¡es una vocal" donde la línea vertical I se lee "tal que" o "dado que". _ Si un elemento a pertenece a un conjunto C escribimos a€ C. Sic noperteneceaC escribimos a é C. En general. o. EJEMPLO 1. como siempre lo supondremos. es decir si B. y un elemento por una leha minúsculao. ¡ |¡ es un triángulo en un plano ) es el conjunto de los triángulos en un plano. 4. i.1. El conjunto de las vocales en el alfabeto puede definirse por el método de extensión como { a.6\. i. EJEMPLO 1.3.Para que un conjunto seabiendefínido.escritoAcB6B:Ayleído"AestácontenidoenB"o"BcontieneaA" respectivamente. e.4.5. I a. 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. Sinónimos de conjunto son c/cse. El conjunto { Obsérvese que el método de extensión no puede utilizarse aquí. EJEMPLO 1. el cual es un subconjunto (propio) del conjunto de todos los resultados posibles {L. u ) es un subconjunto propio de {o. e. 4. 3._l 'Cupítulo Coniuntos y probqbilidqd EL CONCEPTO DE CONJUNTO 7 El concepto d. a. describiendo alguna propiedad conservada por todos los miembros y por los no miembros. mientras no se especifique lo contrario. e. EJEMPLO 1. SiA C B pero A + B llamamos aA un subconjunto propio EJEMPLO 1. pero no un subconjunto propio. i. grupo y colección. denotamos un conjunto por una letra mayúscula A. 3. u}. b e C. 5. El primero se denomina el método de extensión y el segundo el método de comprensión. En este caso AyB tienen A+ Si A no es igual a B. Si Ac B y B CAllamamosa A y B iguales y escribimos A : B. A tenemos A C A. B.2. llamados míembros o elernentos del conjunto. Si o y b pertenecen aC escribimos a. o. puesto que los dos conjuntos son iguales. 2. u}. Un conjunto puede considerarse como una colección de objetos.2.5. uloporelmétododecomprensióncomo{rlreeunavocal}.6. i. EJEMPLO 1. { 4 o.6}. SUBCONJUNTOS Si cada elemento de un conjunto A también pertenece a un conjunto B llamamos a A un subconjuntodeB. C. Un conjunto puede definirse haciendo una lista de sus elementos o. Se sigue que para todos los conjuntos exactamente los mismos elementos.b. si esto no es posible. de {o. u. 6). debemos estar capacitados para determinar si un objeto específico pertenece o no al conjunto. . escribimos de B. Obsérvese que la sola redistribución de los elementos no cambia el conjunto. o.4. Al lanza¡ un dado los resultados posibles cuando el resultado es "par" son elementos del conjunto {2.e conjunto es un pilar fundamental de la probabilidad y la estadística y de la matemática en general. A y B no tienen exactamente los mismos elementos. e } es un subconjunto.

2. 1-1) se representan por conjuntos de puntos dentro de los círculos. Intersección. 1-3).4. Tales diagramas denominados diagramas de Venn. 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.9.3. 1 El teorema siguiente es verdadero para cualesq Teorema I-I. El conjunto de loe rcsultados que consisten de las caras 7 u 11 sobre un solo dado es el conjunto nulo. CONJUNTO UNIVERSAL Y CONJI. . el conjunto de todoe los resultados posibles es el universo {L.a CONJUNTOS Y PROBABILTDAD lcAP.JNTO VACI( Para muchos propósitos restringimos nuestra d fico denominado el uniuerso del discurso. 1-2). se llamala unión deA yB y se escribe Au B (región sombreada en la Fig. sirven para da¡nos una intuición geométrica respecto a las posibles relaciones entre conjuntos. Si AC B y B CC.8. El conjunto de todos los elementos (o puntos) que pertenecen a A o a B. l-3 Fig. l -2 Fig. o simp espacio uniuersal y se denota por u. EJEMPLO 1. En tal caso los subconjuntos de zt (como A y B indicados y sombreados en la Fig. entonces AC C. Fig. 5. OPERACIONES ENTRE CONJUNT\OS 1. Unión. DIAGRAMAS DE VENN Un r¡niverso u puede representarse geométricamente por el conjunto de puntos dentro de un rectángulo. Si lanzamos un dado. 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. 6}1. 1-4 2.T.7. o tanto como aB. Los elemenr Es útil considerar un conjunto que no tiene r uacío o el conjunto nulo y se denota por p. 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 . es un EJEMPLO 1. EJEMPLO 1.

l-6 AIGUNOS TEOREMAS RELATIVOS A CONJI.{ = A Primera ley De Morgan Segunda ley De Morgan Para cualquier conjunto generalizarse (véanse Problemas 1.AnQ=9 AU'al -. el B y lo escri se llama saXl-B Fig. se escribe Fig.69 AUQ-A.cy conmutativa de l¿s uniones = AUBUC Ley asociativa de las uniones Ley conmutativa de las intersecciones Ley asociativa de las intersecciones Primera ley distributiva Segunda ley distribuüva AñB = Bl\A . interrecciones por uniones.'NTIOS AUB = BUA Au(BuC) : (.esdecir.74).An(BnC) = (¿nB) nC -.11.AñB1C An(BuC) = (AnB)u(AnC') . AnU (AuB)' = A'ñB' (AnB)' = A'UB' A = (AnB)u(AnB') Los teoremas L-Lzo. cyf..4u^B)uC I.cAP. l-5 Fig. escrita por A . A y B son disjuntos. 1'6). El conjunto que consiste en todos los elementos de A qtlle no pertenecen a B llama la diferencia áe A y B. se B Si A : UB). 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. 1-4). t-Lzb A YB y 1-13 pueden y 1.1l CONJUNTOS Y PROBABILIDAD DosconjuntosáyBtalesqueAnB:p. 4. L'L. Diferencia. u el 1/. 3.4u(anC) = (AuB)n(AuC) A-B = AñB' Si AcB. símbolos de inclwión .B (región sombreada en la Fig.guenotienenelementoscomunes'sella¡¡ran coniuntos disiuntos. En la Fig. entonces A')B' 6 B'c.

16.SC. Si tiene tantos punl'ig. entonces el resultado del experimento es el tiempo f en horas que se encuentra en algún intervalo. 1 EXPERIMENTOS ALEATORIOS Todos estamos familiarizados con Ia importancia de los experimentos en la ciencia y en la ingeniería. 6 | en tanto que otro es lpar. Sin embargo.1 0. Silanzamosunamonedadosveces.SS) caras. Si un experimento consiste en medir "la vida" de las lámparas eléctricas producidas por una compañía.11. si lanzamos un dado el resultado del experimento es uno de los números en el conjunto {L. Un suceso que consiste de un solo punto de cJ frecuentemente se llama un sueeso . Los siguientes son aLgunos ejemplos. el resultado del experimento es que algunos pueden estar defectuosos. EJ EMPLO 1 . EJEMPLO1. EJEMPLO 1. 'EJEMPLO 5. hay experimentos en los cuales los resultados no son esencialmente los mismos a pesar de que las condiciones sean aproximadamente idénticas. o una "cara". 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.1 ) representaselloen el primer Ianzamiento y cara en el segundo lanzamien[tr. Unespacio muestral que es finito o infinito contable frecuentemente se denomina espacio muestral discreto. . se denomina espacio muestral infinito contable. Obsérvesé que eJ córresponde al conjunto universal. por ejemplo. cara la primera y sello la segunda. Un suceso es un subconjunto A del espacio muestral. donde suponemos que ninguna lámpara eléctrica dura más de 4000 horas. EJEMPLO 1.14. Un principio fundamental es que si efectuamos tales experimentos repetidamenle bajo condiciones aproximadamente idénticas obtenemos resultados que son esencialmente los mismos.or . g. l-? tos como números naturales 1.esdecirunodeloselementosdelconjuntóíqs)(ó{0.2. 1)). 1.CONJUNTOS Y PROBABILIDAD [cAP. Si tiene tantos puntos como hay en algún intervalo en elejer. . 4. por ejempio.se denomina espacio muestral finito. Tales experimentos se denominan experimentos aleatorios.5.15. Si tenemos una máquina que produce tornillos.13.3.12) puede dibujarse por puntos en la Fig. Si lanzamos un dado.en tanto que uno que es infinito no contable'se llama espacio muestral continuo o no discretoSUCESOS posibles.elresultadopuedeindicarsepor{CC. ..CS. simbolizado por S ( ó 0 ). no defectuoso}. si lanzamos una moneda dos veces y utilizamos 0 para represenmr sellos y l para representar caras el espacio muestral (véase Ejemplo 1.12. por ejemplo. EJEMPLO 1. = ESPACIOS MUESTRALES Un conjunto oj que consiste en todos los resultados de un experimento aleatorio se llama un espacio muestral y cada uno de los resultados se denomina punto muestral. Si un espacio muestrdl tiene un número finito de puntos. Frecuentemente es útil dibuja-r un espacio muestral gráficamente. 1-7 donde.2. (0.6). 3. 2. es lógico que el último no sería adecuado pan determinar.tal como 0 f r: S 1. En tal caso es deseable utilizar números en cambio de letras siempre y cuando sea posible. sedenominaespacio muestral infinito no contable. como en el Ejemplo 1. si un resultado es divisible por 3.. es decir SC.dsdecirdos EJEMPLO 1. simbolizadaporc(ó1). es decir es un conjunto de resultados el resultado'de un experimento es un elemento de A decimos que el suceso A ha ocunido. 0 ú :: 4000. Si lanzamos una moneda eI resultado del experimento es un "sello". Así cuando se produce un tornillo será un miembro del conjunto {defectuoso. Si elemental o simple. impar) Sin embargo. etc.16. 4. un espacio o conjunto muestral de todos los resultados posibles se da por {1.

19. nes relativas a sucesos pueden traducirse en el lenguaje de-la Pu-esto que los sucesos son conjuntos es lógico que las particular tenemos página 3. Esto quiere decir que no pueden ocunir ambos. 2. EJEMPLO 1. Flxisten dos procedimientos importantes por medio de los cuales podemos obtener estimativos para la probabilidad de un suceso.'sello" (suponiendo que la moneda no se pierda ni caiga verticalmente). Como sucesos particulares tenemos el suceso en sí mismo. el suceso que sólo resulte una cara es el subconjunto del espacio muestral que consiste de los puntos (0. que es el suceso cíerto o seguro ya que un elemento de eJ debe ocurrii. SS } así tenemos A U B: {Cg A': {SSl SC. AU B es el suceso "Aó B o ambos". perosi estamos regutJs de que'el suceso no ocurriú d_e9. frecuentemente decimos que los sucesos son mutuamente. Si estamos seguros de que el iuceso ocurrirá decjmos que su probabilídad es 100% ó 1. CC.esdecirAñB:Q.Puesto que hay dos maneras igualmehte factibles del resultado de la moneda. 1) y (1. Esto también se llama laprobabilidad empírica del suceso. A.17. A' es el suceso "no A". entonces podemos obtener otros sucesos en cJ. simplemente "cara" y . Enfoque'clásico o a priori Si un suceso puede ocurrir en h maneras diferentes de un número total de n maneras posibles.cualquier experimento aleatorio siempre hay incertidumb¡e sobre si un suceso específico ocurrirá o no. si lanzamos una moneda dos veces. donde n es muy gmnde. razonarno{¡ que la probabilidad requerida es 112. entonces la probabilidad del suceso es h/n. que se llama el suceso imposible puesto que un elemento de Q no puede ocurrir. como se indica en la Fig.cAP. 1l CONJUNTOS Y PROBABILIDAD EJEMPLO 1. un suceso ocurre h veces. Enfoque. CC} EL CONCEPTO DE PROBABILIDAD En. En ólgebra de sucesos que coffesponde al álgebra de conjuntos indicada en la e. Supóngase que deseamos la probabilidad de que resulte una cara en un solo lanzamiento de una moneda. diríamos que hay y 26Vo de oportunidad de que ocurra y un 767" de opoitunidad de que no ocurra. w tloríá de conjuntos e inversamente. todos igualmente factibles. A n B es el suceso'qtanto A como B" 3. B : { CS. CC}. 1. 0). Al llegar a este resultado suponemos que la moneda es honrado. 1-8. SC. Equivale adecirque laprobabilidad contrasu ocurrenciaesdel 75% al25vo o de B ai. 2.B es el suceso "A pero no . .lm9s que su probabilidad es cero. si la probabilidád es de 1f4. Como medida de la oportunidád o plobabilid.B".[ proposicio Fig' 1-8 Empleando las operaciones de conjuntos en sucesos en Así si A y B son sucesos. EJEMPLO 1.18. Por ejemplo.como frecuencia relativa o a posteriori. 1. es decir que no está cargado. excluyentes.ad con la que podemos esperar que un suceso ocurra es conveniente asignar un número enhe 0 y 1. entonces ta próbauilidad del suceó es h/n. SS) : eJ A-B- Añ B: {CS} {^SC. Entonces A : {CS. y el conjunto vacío Q. SilosconjuntosconespondientesalossucesosAyBsondisjuntos. y de estas dos maneras una cara puede aparecer en una sola manera. Si después de n repeticiones de un experimento. 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". 4.

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

+ P(ánA") (rr) ASIGNACION DE PROBABILIDADES entonces por el Teorema 1-18 Si un espacio muestral el' consiste únicamente de los sucesos elementales Ar.. entonces P(A¿: '!y si A es k=1.An (1+) P(Ai + P(Az) + . EJEMPLO 1... Ar. Se lanza solo un dado.]) . Si asignamosprobabilidades iguales a lospuntos muestrales....P(A..A.79. 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. esdecir si suponemos que el dado es honrado..) + P(Ar) + P(As\ . El espacio muestral es e-I: {1.. Az.4.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 5.4.entonces P(A) = P(AnAi + P(AñAz) *'.3. si A (10) t. + 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). entonces P(A:U AzU ¿") : P(. Podríamos lógicamente emplear otros procedimientos para asignar probabilidades.cAP.. como el de la frecuencia relativa de la página 6.. Az.P(üñAz\ - P(A|¡A.+P(4") = 1 (e) 1-19: Si A y B son dos sucesos cualesquier4 entonces P(AuB) = P(A) + P(B) .P(AsnA) (rr) + P(Lt\AzñAs) También pueden hacerse generalizaciones a n sucesos.B\ Generalizando....2. si suponemos probabilidades iguales para todos los sucesos simples. Hallar la probabilidad de que resulte 2 ó 5. En particular.. 1l CONJUNTOS Y PROBABILTDAD P(Ar) Teorema +P(A2)+.. 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.2.21. entonces 1 6 . á3 son tres sucesos cualesquiera.. Véase Problema 1.6}.5.

= P(A)P(A|A. ilamamos a P(B I A\laprobabilidad condicio¡wl de B dada A. 1 indica por 2 U 5. TambiénP(AñBr:216:1/3. Hallar la probabilidad de que en un sólo l¿nzamiento de un dado requlte un número menorque 4. P(BIA\:"+#=#=? Por tanto. 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. . . r-9 EJEMPLO 1.41 ha ocurido tantas veces la probabilidad de que A3 ocura dado que At y Az han ocurido..CONJUNTOS Y PROBABILIDAD El ¡uceso que resulte 2 ó 5 ee [cAP. A2. (o) Si B denota el suceso {menor que 4). A3 tenemos P(AtñAzt\ás) = P(A) P(A2l At) P(Asl Atn Az\ (1e) En palabras. Por tanto P(2u5) = P(2)+P(51 = *. Fácilmente se demuestra que la probabilidad condicional satisface los axiomas en la página 6. es decir la probabilidad de que B ocrura dado que A ha ocu¡rido. (b)SiAeselsuceso{númeroimpar}observamosqueP(á):316= Entonces 1/2. Denotamos por P(BiA) la probabilidad de B dado que A ha ocurrido.á PROBABILIDAD CONDICIONAL = t 1 Sean A yB dos sucesos (Fig.Ya queB es la unión de los sucesos 1-18 que 7. . El resultado se generaliza fácilmente a n sucesos.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(Al Azl + . entonces P(A'. (o) no se da ninguna otra información. 1-9) tales que P(A)> 0. . Teorema 7-23: Si un suceso A debe resultar en uno de los sucesos mutua[iente Ar. TEOREMAS SOBRE PROBABILIDAD CONDICIONAL Teotema 1-22: Para tres sucesos cualesquieraAl. + p(A")P(AlA") (20) . Puesto que se sabe que A ha ocurrido. A. se convierte en el nuevo espacio muestral remplazando el original e-I.22. el saber que el resultado del lanzarniento es un número iinpar aumenta la probabilidad de Ll2 a 213. 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 . AnB Fig.) excluyentes á1. . (b) se da que el lanzamiento resultó en un número impar. 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.

Si un hombre tiene 2 cami¡as y 4 corbaüac enüoncee tiene y luego una corbata. V finalmente una k-ésima cosa puede realiza¡se Qr fl. que podría llamarse una forma sofisticad.91 y 1. es decir la probabilidad de que B ocuna no está afectada por la ocurrencia o no ocurrencia de á.. An que pueden causar la ocunencia de á. Por esta razón con frecuencia se hace referencia al teorema fle Bayes como el teorema sobre laprobabilidad de causs. Esto es equivalente a entonces A y B son independientes. Sin embargo. llamado diagrama órbol debido a su apariencia (Fig. entonces todas las fr cosas pueden realizarse en el orden especüicado en nr rr2 . . Az. se emplea frecuente' mente en conexión con el principio anterior. entonces decimos que á y B son sucesos independicnües. ANALISIS COMBINATORIO la enumeración o cuenta directa de los puntos del muestreo necesa¡ios para obtener las probabili dades no es difícil.. 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.en n2 maneras diferentes. . si se cumple (2I) (21) Ar.k=t. Inversanente. . .. Si P(AnBl = P(A)P(B) de (I8). 1l SUCESOS INDEPENDIENTES CONJUNTOS Y PROBABILIDAD Si P(B lA) = P(B).23.3 (221 'y también debemos tener P(ArñAzñAr) te. surgen problemas cuando la cuenta directa se convierte en una imposibiüdad práctica En tales casos se ernplea el anólisís combinntorio. = P(A)P(Az)P(A) (qsl Ni (22) ni (23) son sufrcientes por sí solo.. .A1.¡ maneras diferentes. P(A¡nAx) = P(á)P(A*) j+lc donde j. 1-10). ¡ealiza¡se EJEMPLO 1. 2' 4 : 8 maneras de eacoger una cami¡a Un diagrama. Ar..a de contar. . As son independientes entonces deben ser independientes por parejas. . como se deduce Algunas propiedades de la independencia están dadas en los Problemas 1. An son sucesos mutuamente excluyentes cuya unión es elespacio muestral ef.92. es decir uno de los sucesos debe ocurrir. . ??¡ rn?D€rds diferentes. . 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 . PRINCIPIO FUNDAMENTAL DE CUENTA. .2.cAP. Ar. La generclización a más de tres sucesos se hace fácilmen- TEOREMA O REGLA DE BAYES Supóngase que .

y finalmente n 1 formas dó escoger-el r-ésimo objeto. = .24. n. 41. -se deduce por el principio fundarnlntal de cuenta que el número de ordenácionás. Tt. .1 : nt (26) que se denomina n factorial.l.. 52 y las corbatas por ?1.6.34. E. = n(n. (n .. Dichas selecciones se llaman combinah misma combinación. B.l)(n .. El número de permutaciones diferentes de las 11 leüras de la palabra u M/SS/SSIPP.2). Así el núm&o de permutaciones diferentes (28) Véase Problema 1. . C. l-10.5 = 210 . I 2 1 Fig. clr no se Aquí.s de escoger el primer objeto. .r + l\ donde se observa que el producto tiene r factores. l-10 (25) . lógi tos es Sup n conjunto que consiste de n objetos de los cuales nr son de un nguir entre sí). . elnúmero de permutaciones de n objetos lomados de r en r. n2 son de un segundo tipo.P.7 manerias r * escoger ét segunaoiU¡e_ to-. G es ¡P:t = fi. Así abc es di o lo Sin embargo. y luego de hacer esto n de . + . EI número de ordenaciones o permutaciones diferentes que consisten de 3 letras cada una y que pueden forma¡se de las ? letras A. en muchos problemas estamos interesados solamenos sin inteiesar su orden. son del hnr + nz + .P. Para el caso particular cuando r: . . 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. .26. Tz. (25) se conüerte en = n(n-l)(n-z).. . 43 y 2p EJEMPLO 1. que rt4t4l't COMBINACIONES 11! = 34 650 una te e cion En una perrnutación estamos interesados en el orden de-la distribución de los objetos. o permutaciones diferentes como generalmente se les Uarnc está dado { 5 6 8 por Fig. ?a. D. rr.. consiste de LM. Llamamos a . . EJEMPLO 1.P. . Si las camisas se representan por S¡. . Podemos escribir (25) en términos de factoriales como (27) !2!\ -y realmente esto como una definición de 0! Si r: n obsewamos que (26') se satisfacen sólo si tenemos que 0! : I y tomaremos EJEMPLO 1'25. . . F. .10 CONJUNTOS Y PROBABILIDAD [cAP.to.

r'2 :25".28.describé dando sus (D) Puesto que t2 :25parar:5y x:-S. y)t = r:{ * (Í)".1. es la base de los logaritmos naturales. 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. Indique cómo describir a. .:nC. EI n(¡mero de manera¡ en lae cuales cartas diferentes es nU. Sea A el conjunto de todos los números reales cuyos cuadrados son iguales a 25. :25)que se lee"el conjunto de todosloselementosde¡ talesque. U (n Tenemos (véase Problema 1. .36) ln\ \"/:nt¿r=rl@=T.(t)**.s propiedades interesantes. Para un estudio más detallado de la fórmula de Stirüng véase el A¡Éndice A.(t¡*" .podemosesaibir A: {5.s! COEFICIENTES BINOMIALES 56 Los númerós de (29) se les llama frecuentemente los coeficientes binomiales puesto que provienen de laexpansión binomiat (r 1- u)^ : * . (a) A:kl* elementos. .'6 = . (l)* = APROXIMACION DE STIRLING A r¿ ! xa+ 4x3y!oxzyz *4xy3 +ya Cuando n es muy grande la evaluación de aproximada n! no es práctica.)" (n) Tienen mucha.cAP.-5). Por esta raz6n decimos que el I unaexpansión asíntótica del lado izquierdo.48.4 por (c) el método de comprensión y (b) el método de extensión.r.27.r/\) \r/ \n EJEMPLO 1. @-l (:.en (33) signifrca que la relación del al lado derecho se aproximá a 1 a medida eü€ /l + o.. El símbolo . escogerse o ¡elecciona¡¡e de un (91') 3 ca¡t¿s pueden total de 8 sc¡ = lt) = 8'J. (|)*-lt * (i)*"-. . r! (30) /n\ ( J=( /n '.71828._.yEñn"e-n donde e : 2.s resrreltoa CONJTINTOS 1.(n-r-rr\ r! ó nP.e¡decirA . Problenra.\s/ . se. En tales casos se utiliza la fórmula (38) nl . que también puede escribirse como (2e\ ("\ \r/ Fácilmente se demuestra que n(n-L\". . EJEMPLO 1. + . Véase Problema 1.

r.pueotoqueloe elementos 3 y 5 son enterosimpares. -rt.6._\E} . Puesto quetambiénBCC. aA. 1 L. = {0.4 u n = {-fr. Aeícadaelemenüodeá esunelemento de C y por tanto A C C. Otro método. (b) "A es el conjunto de ¡ tal que 12 : 4 y ¡ ) 9'.+.+.-4} = Entonces (BnC\' = {0.{0.4} utilizando el re¡ultado de (b).5)=0 sólosi x:B6x:6. C' : conjunto de los elementos en 'll que no están en C : {0.-rt. (c) (AUB)nC. seaA={rl*esunenteroimpar). Asf.+. Entonces {x I x * x} : e.u C.enconhar(a) AnB.sededucequeACB6B)Aylrrpropocición Obaérvese que esto se lee es verdadera- 1.+.-¿}.-qyC = {+.3.6.-{r). -4} = {+..15:0). tenemosque¡ € C.4.-{2. -4} y los subconjuntos de u están dados por A : {-\n.0.r.-r/2.o. El error radica en escribi¡ {@} por @.2.5. puesto que {9} es un conjunto no voclo que conriste del conjunto vacío. üenemoe A-B = AñB'= (f) BñC = {6.Demostrarque BcA.0}n {5. {*.-tf2. 1.-4} (c) (AuB) n C = {-{2. 5. se sigue queA: @.o. no hay objeto que no sea igual a sí mismo..'NT\OS 1. Puesto que no hay un númeror tal que x2 :416x:2. Puestoque el conjuntovacloesunsubconjuntodecualquierconjunto. es deeir B ee un subconjunto de A.o} u {5.0. Determinar cuáles de las proposiciones siguientes son verdaderas y cor¡egir las que son falsas. Cualquier objeto particular se supone ee igual a sf mismo.-. Un conjunto oomo {2} que consiste únic¿mente de un elemenüo algunas veces ae llzna conjunto singulo o unitaio y debe distinguirse del elemento que contiene.L2 CONJUNTOS Y PROBABILIDAD lcAP._\E}. (o) (b) (o {rln+ü} -.".B: eonjunto de elementos en A que no están en B : [0.--4} n {+. si el universo 'u = {}. (a) AnB = {-12.. Por el Teorema 1-8.5. Si A = {r l r2=4. Entonces ya que AC B.5.r).-4}n{0.r} = {0. r>g} y B: {fr | r<l}.5. (d) B'u C'. B: {x I x2 -8r+. OPERACIONES ENTRE CONJUNTOS. ".5. ee deci¡ ¡ € A. (b) AUB. 2 es wn número re¿l mientras que {2} esw conjunto que consiste del número real 2. (e) A .6}. (s) (AnC) e (Bne.-4}n{+.2. 0. .-fr. entonces AcC. DIAGRAMAS DE VENN Y TEOREMAS SOBRE CONJT.o} u {0.0|. el conjunto vacfo.. Entonces B.-4}. AsícadaelementodeB perten. Yaque x2 -8x * 15:0 ó (r -3)(¡. entonces B) A.-4} = {-18. Demostra¡ que si Ac B y B cC.o.t. Sea r cualquier elemenüo de á.-2ly * )9.r.-fr}.-4} = t-\ñ} (D) . (e) A-8.lQ}.üenemosB:{g.0. pertenecen á. (d) B' : conjunto de los elementos en t/ quenoestánen g = {0. ¿Es cierto que {2} : 2? No. +.5. página 3. r. tenemos x€ B.6. (/) (Bn C). n].8 = {6."áÁ y porüantoBC 1.r. es decir cada elemento de A eetá en 8.r} {*. ) La proposición es falsa.

l reA¡B 6 neAnB'} M6todo 2. sirve para euminishar relaciones posibles entre conjuntos que luego pueden probaree por métodos similaree al dado en (o ).0} n {*. (o) Tenemoe págrna 3: (A u Bl : A' n B'. (AnB) u(AnB') A : {r I reA) = {. l-ll Fig.8.reBuC} I re A. Teorema 1-6.7.74). (b) Ilus- har el resultado de la parüe (c) empleando un diagtama de Venn.nn.2. Teorema !-L?tt. 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.@.69). elconjuntovacío. Región sombreada = (AUB)' Región doblemente ¡ÜEÉru¡r qvvrs¡¡¡E¡¡w rayada ]_"7. y se observa que esta región es igual a la región sombreada de la Fig. En el diagrama de Venn de la Fig. 1-12. página3:Tenemoo An(Bu C) = (AnB)U(AnC).reC) @ | reA"'B 6 xeAnC\ {. Demostra¡ que para cualquier conjunto A y B tenemos A Método 1.-¿l = {+. Sin embargo. (AuB)' = {r I r4Ar-tB} = {" I rCA.-ll . (c) Demostrar la primera ley De Morgan.cAP.al : (ArtB) u (A^B') : (AñB') u (A¡. 1-11.xeB 6 reC} I s€A. Demostra¡ laprimeraley distributiva.9. 13 el de la parte (d) ilustra la segunda ley De Morgan. 1l CONJUNTOS Y PROBABILIDAD Obsérvese que este re¡ultado conjuntamente con Tborema 1-12b.r€B') (b) = A' ^B' El resultado puede extenderse a cualquier número finito de conjuntos (véase Problema 1. En Ia Fig. Fig. Sea C:8' en el Problem¿ 1.neB\ = {r I neA'.reB 6 r€A. página 3. .8. l-12 Obsérveee que un diagrama de Venn no suministra una prueba como la dada en la parte (o).8') A = (AnB)u(AnB') El resultado puede generalizane (véase Problema 1. (A¡C\ u(BnC) : @u {*. {r {" (AnB) u (A nC) 1. Luego At ñ f|' se representa por la región doblemente rayada en donde se encuentran ambos conjuntos de líneas. B n C = {}. (sl AnC = {-\/-2.-¿} [Vóase pa¡te (f)].-4} Entonces t. 1. 1-11 la región sombreada representa (A U B)'. Ao(BuCl = = = = = l r€A. Entonces A n (BuB') A r. = (AnB) u (AñB').

diamanües y tréboles. 13}. jota. B.. Refiriéndose al experimento del Problema 1. . También puede considera¡se observando que A. ESPACIOS MUESTRALES Y SUCESOS 1. y (b) Si tenemos en cuenta los paloc el espacio muestral cronsiste del as de corazón. es deci¡ rey (ó) 4 n I : {rey y trébol} : {rey de trébol) de trébol)) (c) Puesto que B Luego A U Bt = {trébol}. si . rey. @) AUB'.10 sea. . I diagrama eden de indicarse A U B. . Denotando corazones. .(g) (AnqU (AnB. 2.11.1-14. picae.-8.UB.{rey y no trébol}.12.A. diamantes y héboles respectivamente por l. : (rey o corazón o diamante o pica). . (d) A. 1 EXPERIMENTOS ALEATORIOS. dos.4. de acu gamas Fig. diez.L4 . .. Emplear la Fig. picar. por ejemplo. 1.2).. (o) A U B = {o rey o trébol (o ambos. 1. . Describir los sucesos (a) AUB. = A. .B -{reyperono trébol} Es lo mismo que A ñ B' . B': {no trébol} : {corazón. 1-13. podemos indica¡ una jota de picas por (11.11 com ^ B' . picas. reina. . . de Teorema 1 era simila¡ todos lo¡ obeervarse de la Fig. . (b\ A' se 1. Describir el espacio mueshal (o) no se tiene en consideración el palo (b) si se tiene en cuenta el palo. Luego el espacio muestral consiste de 52 puntoo indicados en la Fig. (d) A'U B' : {no rey o no trébol} : {no rey de trébol } También puede considerarse observando : ( cualquier carta pero no el rey de tréboles} que A' V B' : (A ñ B )t y utilizando (ó ).4 u B.n(8. diamantes y tréboles.4 el suceso {se extrae un rey} o sencillamente {rey} y B el suceso (se extrae un trébol} o sencillamente {trébol}. También puede considera¡se observando que (A ñ B) U (A n B') : A. Se extrae una carta aleatoriamente de una baraja de 52 cartas.).B. rey de corazones. pica}.nB. . 3.10.CONJUNTOS Y PROBABILIDAD [cAP. (f) A. (e) A-8. (q AnB. (e) A.). (n A'-3' :{no rey y no "no trébol") : {no rey y trébot}: (cualquier trébol excepto el rey). diamante. (o) Si no tenemos en cuenta los pdos el eepacio muestral consiste de as. (E) @ nB) U (A ñ B'):{(rey y trébol) o (rey y no trébol)): irey}. 2.. puede indicarse como {1. 1-13 para describi¡ los s sucesos (a).

(o) Tenemoe Az : At U (Az . Aunque hemos utilizado el diagrama de Venn el i rlu^') ". 1l TEOREMAS SOBRE PROBABILIDAI) 1. Para demostrar que observamos que A C et.At) = P(Azl . Encontrar la probabiüdad de .4n8)l Entonces puesto que los conjuntos A y B . P(Az. (o) Tenemos AV A' :s[. (c) Teorema 1-16. Una carta se extrae aleatoriamente de una barqia de 52 cartas. también ee rigre queP(. página 6.77). 1-15 (1) AUB: AUIB -(. página 6.15. asr que Entonces por el P(42\ = P(ár) * P(A2. 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.At son mutuamente excluyentee. Entonceepuesto gue. página 6.Ar. Demostra¡ el (c) Teorema 1-14. (b) Teorema 1-15. Demostrar (a) el Teorema 1-17 y (b) el Teorema 1-19.42 ) = P(Al ).13.42 . (b) Con anterioridad sabemos que P(A) > 0 por el Arioma 1.A¡ ) en donde . Así por el Teorema 1-14 [partc (o)] y el Axiom¿ 2 P(A) < 1 primero P(A)=P(¿)=1 (c) Tenemos eJ : eJuQ. l-15 (An CALCULO DE PROBABILIDADES 1.Ar ) - 0 por el Axioma 1. axioma 3.P(Ar) Puesto que P(.cAP.Puesto que P(eJ) sfnp = Q se sigue del Axioma P({)) 3 que s = P(d)+P(Q) 6 = 1.^^'rl i' r"u r--' resultado (l ) puede establecerse directarne¡rte (véase Problema 1. Fig.41 y Az .B) son mutuamente excluyentee.(A ñ .14. tenemos usando el Axioma 3 y el Teorema 1-14: P (A u B) | i'.

.52. Puesto que este complemento tiene 52 . doo. 4 bolas blancas y 5 bolas azules.. en particular "as" tiene una probabilidad de 1/13. P¡ @ Puesto que 10 y P no son mutuamente excluyentes tenemos del Teorema 1-19 UP):P(10) +P(P)-P(10 ñ : 1/13 + rl4 - 7152 : 4lI3 @) La probabilidad de no cuatro no trébol página 9.1l _ 9 . P. (d) no roja. pica. 1. .. 1 que sea (g) un as.2. D.. (c) un tres de tréboles o un seis de diamantes.lsnc) = #. Una bola se extrae aleatoriamente de una caja que contiene 6 bolas rojas. # -. asignando probabilidades iguales de tl52 : L162. (d) un corazón. 13 pot aa.10(o) en donde cad¿ punto mueehal.16. Pero por el Teorem a 1-t2 (a). Determinar la probabilidad de que sea (c) roja.. P(4'^T')= 4(4 U ")'l: L- P(4 U ?¡ : 1. Así. Por tanto puede denotarse por P(4' ñ ?'). (e) roja o blanca. (e) cualquier palo excepto corazones. P(6 n (o) ") P(1): PG^e ó 1nP ó. diarnante. ? para indicar coraz6n.4' ñ T' = (4 U ?)'..P(C) = ! P(L0 Ln = ?uti[zando laparte (d)y elTeorema 1-1?. (f) un diez o una pica" (g) ni un cuatro ni un trÉbol.n. (b) blanca.10(tr).* (d) P(c):P(ln c 62ñc6. por ejemplo.. página 6. (c) azul. (b) una jota de corazones. trébol.sz = Lg Tbmbién había sidq posible conseguir este resultado del espacio mueshal del Problema 1. Empleemoe el espacio muegtral del Problema 1.L ñD ó 1 n ") =P((1 n c) +P(1 nP) +P (1 nD) +P(1 n r) 11111 = 52. Asf g n C significa tree de corazoneo. rcy.16 CONJUNTOS Y PROBABILIDAD [cAP. 1-16.y 1. l-r 1.13 . Por simplicidad utiücelnos C. (e) P(C') - 1 . eeto es 1/4.16 : 36 puntos muestrales en él y cada punto muestral tiene una asignación de probabilidad Il52.la probabilidad requerida es 36/52 = 9/13.* h* .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.. respectivamente. t (b) P(11 ñC¡= :- (c) I * -I^ 26 ) +P(6 ñD¡: 62 52 = I " ..# = 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. en tanto que S U C significa tres o corazón. a cada punto mue¡hal. . También se hubiera llegado a este resultado por un razonamiento sencillo de que hay 13 números y así cada uno tiene una probabilidad de ger extraído igual a 1/13.[P(4) +P(")-P (4 n T)] _.

cAP. de las 6 maneras en que cae en el segundo lanzamiento. r(RUB)=P(A'): 1-P(A): I . . B y A los sucesos de extraer una bola roja. respectivamenüe.1?.H 10 2 6+4 6+4+5 . Un dado honesto se Ianza dos veces.'"::.42 ocurren. 4: 12 maneras en que tanto A1 como . Entonces P(ArnAzl .6:36 maneras. Método 2. . --6+4+5=1b=s 662 Nuestro espacio muestral corisiste de 6 * 4I 6:15 puntos muestrales. 5 ó 6 son 3 resultados de las 6 probabilidadés igualmente factibles) y P(Az): ltO (ya que 7.R ) : 6/15 : 215. P(AroAr) = P(At)P(A2lAr\ -. Método 1. Luego estamos buscando P(Ar ñ A2). Entonces si asignamos probabili' dades iguales Ll15 a cada punto muestral observamos que P(.::"fl'"".364en elsegundo lanzamiento". 1l CONJUNTOS Y PROBABILIDAD Método 1.También i"-or usado P(.3 6 4 en el segundo lanzamiento. Denótese por R. (b) P(B) = 6i+5 = ft porparte(o) (c) P(A) = 6+j+b = # = i =? (d) P(noroja) = P(R") = 1-P(E) = l-? (e) Método 1. .4 1) :316 (ya que 4. P(roja o blanca) : P(R u r) : -"""'. 19 1 .) '!' . 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 3.3ó 4 son 4resultadosdelasGprobabilida' des igualmente factibles). blanca y azul. Método 2. que P(nuB):P(R) +P(B):?*# = ? PROBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES 1. Entonees L1 (o) P(n)= Mótodo 2. . 6 6 6 en el primer lanzamiento V 1. norparte(c).15 .P(At)P(A.J. debido a que hay 6 puntos muestrales que corresponden a "bola rojatt. Cada una de las 6 maneras en las cuales un dado cae en el primer lanzamiento puede asociarse con cada una 6. ' 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). Puesto que los sucesos R y B son mutuamente excluyentes se deduce de (4). 2.5 o blanca También puede resolverse l¡tilizando el espacio muestral como en la parte (c).t""i: .á = | Método 3. un total de factibles..2. Hallar la probabilidad de obtener 4. página 6.

todas igualmente factibles. Sea A1 buscando suceso ttas en la primera extracciónt' y . 6) a 1. a (2.3) (3. aa {) (6. extracción". l'ig. 1-17. Entonces P(A. (b) no ambar¡ sean se remplaza. \. puesto que también hay 4 ases en las ó2 ca¡tas para la segunda extracción.2 a (6.18. r) (2. Puesto que los dados son honestos y hay 36 puntos muestrales asignamos la probabilidad 1/36 para cada uno.42 suoeso "as en la segunda P(Arñ A2): P(A1) P(A2l A t). Método 1. También. = las 51 cartas restantes. Encontrar la probabilidad de no obtener un total de 7 u 11 en ningunó de los dos lanzamientos de un par de dados honrados. A.P(Al -- L 27 -::99 1o. Entonces estamos (o) Puesto que para la primera extracción hay 4 ases en las 52 cartas. P(A¡): 4152. Así ambas cartas pueden extraerse en (52 ) ( 51 ) maneras.2. /.19.)(á) = P(ArP\A2l (2. lanzamientos de los dadosobservamosquelaprobabilidad de no 7 u 11 en el primero o segundo lanzamientos está dada por empleando el hecho de que los lanzamientos son independientes. p(A. .18 coNJUNTos y pRoBABILTDAD lcAP. {) (5.' ( #)l#) == # r\ P(A1l:4152. Hallar la probabilidad de que ases si la ca¡ta (c) se remplaza. si la carta se remplaza para la segunda extracción. 1 Esto indica directamente que A 1 y A2 son independientes puesto que . Entonces P(ArnA. 6) El espacio muestral para cada lanzamiento de los (r. así que P(A2l Ar Sin embargo si ocurre un as en la primera extracción quedarán 3 en ) : 3/51. Puesto que se incluyen 8 puntos tenemos que P(A ): 8/36 : 219. r'(A. Así que ambas cartas pueden extraerse en (52)(52) maneras.2gara indica¡ y 2o. 6) ({. entonces P(A2 | A r) : 4152. 1. I a a aa (r. Se extraen dos cartas. dados se muestra en la Fig. 1-17.3) Si A es el suceso "7 u 11" entonces A se indica por Ia porción sombreada en la Fig. de una baraja de 52 cartas.1) a Se deduce que la probabiüdad de no dada por ? u 11 está 345 Primer dado P1A'¡ '= | . (2. l-17 Utiüzando subíndices t. Por ejemplo (5."t (ol La primera carta puede extraerse en una de las 52 maner:u¡ posibles y ya que hay rempl."A) = P(A) P(A.3) (4.l Método 2.6) (2. .2) signitica que el resultado del primer dado es b y el del segundo 2. l) (3. oaa (3.tp(A2 A¡\ = (52")(*) = .2l a a (6.6) I (¿. 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.nA") =+:(.) = (b) Como en la parte (o). todas igualmente factibles.6) a (3.2) a a aa (5.3) (8. l) (1.azamiento la segunda ca¡ta también puede extraerse en una de las 52 maneras posibles.

4 Az 1. blanca y azul si las bolas (a) se remplazan.suceso "roja en la primera extracción".20. (b) no se remplazan. lanzamiento) = | . entonces los sucesos son independientes y p(. pero Bon independientes. Hallar la-probabilidad de obtener al menos un 4 en dos lanzamientos de un dado honrado. : guCe¡o (o) Si cada bola se remplaza. : 6.J requerimos A2: : suceso "4 en el prirner lanzamiento o 4 en el segundo lanzamiento o ambos" suceso t'al menos un 4" A2).P(A')P(A'2| = '! -(8X*) = *" Método 3. I}2 : süc€so "blanca en la segunda 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). Nfrmero total de maneras igualmente factibles en las que ambos dados pueden caer También.16. llallar la probabilidad de que se extraigan en el orden roja.42 ocurran : 1 .A2 ocurra pero : no At : 5 5 número de maneras en las que tanto A 1 como . A3 "azul en la tercera extracción".P(ALñ42) = P(A) + P(A!) . Se extraen tres bolas sucesivamente de la caja del Problema 1. Sea A I: suceso "4 en el primer lanzamiento" y : suceso "4 en el segundo lanzamiento". Si Rl . P(ArU Método 1. entonces los suceeos son dependientes y p(nr n 82 n At)=p(Rr ) p@2lR¡ )p(Ar I Er n 82) :1\6 | u+ 5/\5 +4+5/\/ u 5/ el \/ n \5+ 3+ \=.P(ningún 4) : 1 -P(no 4 en 1er. lanzamiento y no 4 en el 2o. Requerimos P(Rl ñ 82 n A!\. Así la probabilidad pedida es (4X3) (52)(51) I 2 1. número de maneras en las que A 1 ocurra pero no Az nf¡mero de maneras en las que . 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. por (1Ol V QI ) = 6'u-\ui\u/ * = * Método 2.P(At) P(Az\ 1 r /t\/t\ rr Por üanto.cAP. Los sucesos A t I Az no son mutuamente excluyentes. Así Art.Rr ) p(82 lnr )p(A3 In. P(A'tuA) = P(A) + P(A) .Rr n 82 ñ At):p(.P(A'rnA'"\ = | . P(al menos un 4) Entonces P(al menos un 4) P (ningún 4) = 1 : 1 .21.6 : 36.

La contiene 3 bolas rojas y 2 azules en tanto que la caja II contiene 2 bolas rojas y 8 azules.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).\P(A:A. página t. fcAP. página 8.41 U Az): 11/36. Si se obtiene cara se saca una bola de la caja..20 CONJUNTOS Y PROBABILIDAD Luego el número de manera¡ en l¡as cuales por lo menos uno de los sucesos 11. plear los resultados del Problema 1. otro contiene 3 bolas blancas y 5 bolas negras. pero revela que se sacó una bola . SeaB¡ : suceso "bola blanca del primer talego". (b) ambas sean negras.22.I.píryina9).O*' P(A\'Aki \ P1A¡ A¡ = P(A) P(A I Ak) P\Ak^A) = --PÁt ) P(A¡l P(A' Akl 1..)("+-ri-r:ri ---r:\ \2/\2+8/ \-/\-. Az entonces A = (AnAr)u(A¡42) PeroA ñAt y Añ Az son mutuamente excluyentes puesto que A1 y A2 lo son. Demostrar el teorema de Bayes (Teorema L-24. Asípor P(A) = P(AIA)+P(A^AI') = P(A) P(A i A) + P(42\ P(A I A2) 8..4 debe resultar en uno de los dos sucesos mutuamente excluyentes At. Por tanto P(. At : I. Az: II.23. Hallar Ia probabilidad de sacar una bola roja. Se lanza una moneda honrada.24. Puesto queA resulta en uno de lossucesos mutuamenüe excluyentes 1-22 (Problema 1.23 con A: R. Así la probabilidad de sacar una bola roja P(Rt - P(nP@ Il+P\II\P(RIII¡ = /t\/ I \ /r\/ z (. Si el suceso . An tenemos por el Teorema P(A) = P(AI)P(A Ar) + ' " + P(A. hallar la probabilidad de que (¿) ambas sean blancas. Extensiones para valores mayores de n se obtienen fácilmente. Supóngase en el Problema 7. .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-* = # 1.2/ 5 z TEOREMA DE BAYES L25. Demostramos el teorema para el c¡¡so n : 2. I|2 : süc€so "bola blanca del segundo talego". 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. j Dor tanto ". Si se extrae una bola de cada talego.26. (d) P(BtnBil:P(Br )P(B2lBt):P(Br )P(B) = lt!")/-=) + 5/ = I 4 \4 + 2/ \3 P(B'tñnb:pelp@. Axioma 3 empleando (I8).. Un talego contiene 4 bolas blancas y 2 bolas negras. (c) una sea blanca y una negra.) .. si se obtiene sello se saca una bola de la caja /I. 1 : Ar ó A2 ocurraes- 5 +5+ 1 L. Demostrar el Teorema 1-23.23) Ay A2. Puesto que una bola roja puede resultar al escoger cualquiera de las cajas podemos em.

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

hay 9 formas para ocupar el segundo puesto. (o) La primera puede ser cualquiera entre g (el 0 no). cuando esto está hecho. Otro métod<¡.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.. L = b! =. (b) si los números no pueden rcpetirse. Entonces 9' sPs : I .30. tercera y cuarüa pueden ser cualquiera de las 10. 9 ..1 = 6 1. l. (c) tsPt. g. (n .2. puestos). Obsérvese que cuando | = tr. 120 Elnhmerodeordenacionesdenobjetosdiferentesenunafilaes=n(n-l)(n-2\.5. La primera posición puede ocuparse por cualquiera de las cinco bolas. 8. 4. (d) rPr.6 .. puestos).8. por tlnto: El número de ordenacionesde lag 5 bolasen una filaes En general.. ¿De cuántas formas pueden sentarse? Los hombrcs pueden sentarse de 5P5 formas y las mujeres de 4Pa formas. I . 3. . Cuando esto se haya hechó hay 4 maneras de llenar la segunda posición. 1.9si(c)los números pueden repetirse. 1 Debemos ordena¡ 5 bolas en 5 posiciones así -.. = e 15 (d) ¡P¡ = 3.4.3 = 860 (c) .2. (b) uPo.31. y finalmente sólo 1 manera de llena¡ la última poeición.29. La segunda puede ser cualquiera entre 9 (no puede ser la que ocupó el primer puesto). ¿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. Así pues. S para ocupar el tercero y 7 para ocuparel cuarto. La segunda. á maneras de llenar la cuarta posición. es decir hay cinco maneras de llenar la primera posición.28. nPr.T = - 5040 El número de ordenaciones de n objetos diferentes tomados de r en r ea n = n(n 1) . Halla¡elvalorde (a) . El primer número puede ser cualquiera entre 9 y los tres restantes pueden elegirse de gPa formas.. Luego hay 3 maneras de llena¡ la tercera posición. 2. (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). ¿Cuántosnúmerosdecuatrocifraspuedenformarseconlosl0dÍgitos0.32. Se quieren sentar 5 hombres puede asociarse con cada ordenación de las mujeres. 1.r * l) Esto se conoce como el número de permutaciones de n objetos diferentes tomados de r en r y se denota por P. = 5. Cada ordenación de los hombres Elnúmerodeordenacionespedidoes = "Pr. persona!¡ tomadasde 4en 4es = tC. .. Por tanto: El número de ordenacionesde 10 En general.rP. y 4 mujeres en una fila de modo que las mujeres ocupen los sitios pares. = r¡ ! como en el Problem a 1. (¿) aP¡ = 8.1. .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 . 7 : 4586 sonlos númerosque puedenforma¡se.Pr.22 CONJUNTOS Y PROBABILIDAD [cA?.3..336 (b) Pq = 6.8. Entonces I ' 10 ' 10 ' l0 : 9000 son los números que pueden formarse.oPo = 514! = (lZO)\24) 2gg0 1.7: 4536son los númerosque pueden formarse.7.

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

escarola.8.CL-l tC2+5Ca+ sC4+ scs : 5 *10+ 10* 6* 1 : 31 . b! ?.Olf/Vvienedadopor ^ n"r nl /"\ \r / . (b) un físico determinado debe pertenecer al comité. 6 uCt=oC1 =6' 5ú ff (c) +Ca es el número de grupos de 4 objetos que se pueden formar con 4 objetoa. 3 físicos de un total de 7 dan 7C3 formas. Número total de selecciones posibles = tCz'tCs = 3'35 = 105 L.5.37. Hallar el valor de (a) zCq (b) aCs. = #h = I si se define Nótese que formalmente aCa 0! = l. el número de formas de considerar lias cinco verduras es 25 formas. (c\ eC+ 7.38. (c) dos matemáticos determinados no pueden estar en el comité? (a) 2 matemáticos de un total de 5 pueden elegirse de sCz formas. no teniendo en cuenta el orden de los objetos dentro del grupo. ¿De cuántas formas puede elegirse una comisión de 5 personas de entre 9 personas? /g) = ^c. n.SdelasSverduras. 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).rl nP' 1.. De un total de 5 matemáticos y 7 físicos.6. 5. 1.b = 126 1.. 4. Pero las 2s forma¡ incluyen el ca¡o de no seleccionar ninguna verdura. ae llamanúmerodecorñbinacionesdelosnobjetostomadosderenrysedenotapor. es:25 - 1 : 31 Puedeseleccionarseldelassverduras. endibia. si (c) puede pertenecer a él cualquier matemático y físico.2delasSverduras. Entonces tC+:I. Número toüal de selecciones posibles = sCz.2 = 6.ur .5 71 ^ (ol . 2 físicos restantes de un total de 6 puedtn elegirse de eCz formas.Entonceselnúmerorequerido de ensaladas es -.4 = l4..4!B! = 7. _ e! _ \s/-sws-BJ]T- e. lo que es evidentemente 1. En general el número de grupos distintos de r objetos que 8e pueden formar con. oCz = 10 .6. 3 físicos de un total de 7 pueden elegirse de zCs formas..24 CONJUNTOS Y PROBABILIDAD lcAP.5. Nfimero total de selecciones posibles = sCz' zCs = l0'35 = 350 (b). 2 matemáticos de un total de 5 pueden elegirse de sCz formas.6. ¿Cuánt¿s ensaladas pueden preparañ¡e con lechuga.4O. beno y achicoria? Cada verdura puede tratarse de 2 formas. ¿De cuántas formas puede formarse. 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. como si se escoge o como si se rechaza.. 15 = 150 (c) 2 matemáticoe de un total de 3 pueden elegirse de sCz formas.C. Por tanto El número de ensaladas Otro método. se forma un corúité de 2 matemáticos y 3 físicos.39.objetos dados.1 = o'' --ll (b) oCs = 6 ! = 6.rl(n-rll n(n-11"'(n-r+1) r! .

Halla¡ el término constan6 en h exDansión de 1r.*. Si escribimos lo¡ coeficientes de la expaneión binomial de (c * U)" púa n :0. $ \k /' 3 \& /'. n0r+ ncz+.r e =4e6 .r)'! r! (n . obtenemoa Ia distribución conocida como el trióngulo de Poscal: n=l n=2 n=3 n:4 n=5 n=6 et¿. Aeí10:4I6.*-. r0... 10 ' 6040 : 1 ?64 000 COEFICIENTES BINOMIALES 1. De acuerdo al teorema del binomio *'\.y por tanto eetá dado por /12\ _ \n/= 12. La¡ 4 coneonantes pueáen elegirse (!e lC+ formas. . .!2 = 0. ¿cuántas palabras pueden formarse. Demostrar q"" Tenemos que 11) \r/ = l" ."¡ /¿-r\ /"-r\ \ " )-\"-t) El resultado tiene la siguiente aplicación interesante.' \"/ ü/ \ El término conetante corresponde a aquel para el cual 3& .z.1l CONJUNTOS Y PROBABILIDAD 26 nCn Engeneral.r)l (n-r)(n-L)l * r(¿-1)! r! (n .+!\". de 1. 2. 1b:10 * 6. . 3 vocales) pueden ordena¡¡e entre sf de zPz : ?! forma¡.t) + f" . 'xl (**!\" = r-:o (1?).1r .tFV=fr .11)"-. 1 L 1 | I 1 6 4 3 6 2 1 1 3 4 1 1 5 10 10 5 15 20 15 6 1 1 Un resultado en cualquier renglón puede obtenerse sumando los dc coeficiente¡ del renglón anterior que encuenüreninmediatamentealaizquierdayaladerecha. lss 3 vocsles de s0g formac consonantes. Con 7 consonanps y 5-vogaJes diferentes. Entonces: El nhmero de palabrae y las ? letra¡resultantee (4 q 7C1 ' óCa ' ?! : 35 .41. ee 1.11. 4. ¡raracualquier enteropositivo n.r)l (¿-l)! (¿-1)! .43..eüc. ee decir k = 4. \ r / \r-1l' (n-r*r)(n-1)! r! (n .1).= xau /rz)'.42. 1.B.. que consten 4 consonantes y 3 vocales? No es necesario que las patabras tengan significado.1¡¡ 1" .Cs+ -. ! = 2r-1.cAP.

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

rey) x4crx4crxrcr) (rcr) szCs 64 162 496 (e) P(3 de un palo.p(6)p(6') . 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. Pero a su vez io¡ 3 libro¡ de matemótica¡ pueden cden¡r¡e enhe ¡f de 3P3 = 3 ! form¡¡. etc.á. puesto que hay 4 form¡¡ de eecoger el primer palo y 3 foim¡s de ercoger el regundo. Pero hay rCa son mutua¡nente ercluyentes./L\'/qY . de que S libros .cAP. Supongamos que lo¡ 3 libro¡ determin¡do¡ de m¡temática¡ ee remplazan por 1. Detenninar la probabilidad de tres seises en 5 lanzamientos de Represéntense los lanzamiento¡ del dado por cinco eepacioe no 6 (6'). Hallar el valor de 50! Para n muy grande. Halla¡ la probabiüdad determinados de matemáticas estén juntos. Análogamente '" ./r\3/s\2 = =*é)t1l)'= = I 't 'v.lf{| = 'ffi.por elmiamorazonamientoanüeriorlaprobabiüdaddeobtener r vece¡A en n enaayos independientes ea \n/ 1.ó En generd.. Un estante tiene 6 übros de matemáticas y 4 de física.p"en-' = (n\o'o'-' sip: P(A) y q:1--p:P(A'\. un dado honrado. Los libros pueden ordenar¡e éntre ef de roPro = 10! formar.6ó.* = (il'eu)' : 10 de ertor nrceeor y pueeto que suponemoe que lor ¡uoesos ron independientee.\6/ \o/ BITT\6i \6i 8888 nc. LuegoP(al menoa un ar) 1. = . reina.4E. Cada eopacio tendr6 lo¡ ¡uce¡oc 6 o 6. diez. n7 . (/) P(ningrn *) = # = m.66. u (c) (d) P(3 diece¡ y 2 jot¡¡) CONruNTOS Y PROBABILIDAD QCslQCzl 1 szcs 108 290 (4cr P(nueve.n"¿-¡.66.{fi. Asf logN = los(/lofi¡o5o¿-50) 1f = i los100 I |losr * 60 log60 - 50 log¿ . Por tanto la probabilidad pedida e¡ p(666. L¿ probabilidad pedida está dada por 8!3! 10! - 1 15 APROXIMACION DE STIRLING A z! 1. eractamenüe 66. Por ejemplo.46.4?. Arf tenemo¡ un üotd de 8 libroe que pueden orden¡¡se enhe ¡f dc 6Ps = 8 ! formas. Por tanto aot-t/ffi5oso¿-so:N Para evalua¡ N uüilizamoe logaritmoe de ba¡e 10.\o/ \o/ para todc lo¡ oEo¡ resultado¡ en los cuale¡ ocuren hec 6 y dos no 6. 2 de otro) = q#@ = ffi = t -. jota.á á *.

':. Probabiüdad = {¿)(f )($). (ó) quien lanza segundo los dados gane.:'. Probabiüdad : 1 /6. 2a.4972) + 50(1. Denótese por A B t. 1-17. lanzamiento.^. -/¿\/a\1¿\ = le ^ \3/\3/\3/ 27 1. (Esta suposición no sería justificable si un jugador fuera influenciad.:.4343) = 64.'. Acuerdan jugar un torneo consistente en 3 partidas.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 B. Hallar la piobabiüdad de que (o) A gane las tres partidas. (o ) La probabilidad de obtener 7 en un sólo lanzamiento de una pareja de dados.. y 3a. Quien obtenga primero un total de 7 q^? el juego.. PROBLEMAS DIVERSOS 1. \a) = n /r\2/<\ (c) P(A y B ganen alternaüvamente) : P(A gane. luego pierde B.04 x 100r. luego A o B gane.28 11 CONJUNTOS Y PROBABILIDAD lcAP. (b) dos partidas terminen en tablas."u j /t\/r\/t\ * /r\/r \/r\ = \r/\5/\r/ \¡i \zi \¡i 5 . lanzamiento..49.z.6990) - 50(0. lallar la probabilidad de que (o) quien lanza primero los dados gane.4836 N= 3.) suponiendo que los resultados de cada partida son independientes de los resultados de la¡ ohas.i :.Asílaprobabilidad.'J?fi '. .. luego B) == ". A y B juegan 12 partidas de ajedrez de las cuales A gana 6.. es 1/6 como se determinó en el Problema 1.P(B'roBj¡B'r) L . A 3 los sucesos " A gana" la 1.10. A pierde en el ler.P(B') P(B. supuestamente honradoe. t.Xt(. y 3a. Atendiendo a la experiencia que han tenido (probabilidad empírica) suponemos que P(Aganeunapartida) = #=+ P(Bganeunapartida) = #=+ =I (o) P(Aganelashespartidas) - P(AtnAroA3') = p(At)p(A2)p(As) = (.P(B no gane ninguna partida) t .) P@. luego A.46) 5 /s\ " \í)o'n'-' = t(.:. luego gana A. 1 = ¿los100 | ¡lor3142 + 11 = i(zl * de donde 50 1og50 - 50 log2?18 . (c) A y B ganen altemativamenie. 2a. Az.50 A y B juegan lanzando alternativamente un par de dados. partida respectivamenüe. Bz.18 y Fig. 1á¡ n gane al menos una partida.íll 36 (d) P(B gane al menos una partida) : 1 . I|3 los sucesos "B gana" la 1a.de2tablasenBpartidases(réase Problema 1. B gana 4 y 2 tnrmrnan en tablas. 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. un nfimero que tiene 6b dígitos.. partida respectivamente.) .

estén vivos en 20 años. P(W) : 0.cAP.8)(0.53.\6/ =5136=5 1 .2)(0. 1.8. ¿Cuál es la probabilidad de que la primera también sea blanca? Método 1. Entonces y lI/ son sucesos independientes. lo cual puede ser o no razonable. Nótese que la probabiüdad de un empate que 11 ' 6-5 11 1 Esto no serfa verdadero si el juego fuera limitado. gane es /t\ /s\/s\/r\ ./s\/¡\/o\/s\/r\ * \6/-\6i \6/\u/ \6i \6/\Bi \u/\6i 1l-. Este resultado se obtiene así Si P(BJB)='+#=elwq=* Método 2. Hallar la probabilidad de que en 20 años (a) ambos vivan. pierde A. gana A. 1l CONJUNTOS Y PROBABILIDAD 29 (3) A pierde en el ler. respectivamente.(5/6)2 11 . el 3'/o 6 360 son defectuosos y 11 640 no lo son. (b) ninguno viva. Así la probabilidad de que g. Puesto que se sabe que la segunda bola es blanca solamente hay 3 formas de las restantes 8 para que la primera sea blanca.9.9) = 032 (ó) P(ningunoviva) = P(H'nW') = P(H'\P(W') = (0. Una rnáquina produce un total deL2 000 tomillos diarios de los cuales en promedio elSVo son defectuosos. Las probabilidades de que un esposo y una esposa estén vivos dentro de 20 años están dadas por 0. Bl. : 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) .152.F/ y la esposa. I|2 son los suceoos "blanca en la primera extracción".tJ es cero ya Así iríamos 6 a 5 a que el primero que liance gana. respectivamente.' \6/\6/\6/\6/ * = /q\/r\T. Sean ÁI. P(H): (o) P(ambosüvan) = P(H1W) = P(H)P(W) : (0. Se extraen dos bolas sucesivamente de la caja sin remplazamiento y se observa. Una caja contiene 5 bolas rojas y 4 blancas.1) = 0. de tal manera que la probabilidad es 3/8. lanzamiento.52. 1. Prqbabilidad = (áX8X8X8X+). De 12 000 tornillos./l)/q)lq\It\ \6/\6.151 y 1. "blanca en la segunda extracción". que la segunda es blanca.02 . Hallar la probabilidad de que de 600 tornillos seleccionados aleatoriamente 12 sean defectuosos.9 respectivamente. estamos buscando P(Br lB2). Suponemos que . l|/ los sucesos que el esposo 0. pierde B. (c) al menos uno viva. Así Probabiüdad pedida = -H*-P 1.51. Véanse Problemas 1.8 y 0. pierde B.*/q\'*/q)'* \o/\e/t_' \o/'.

42. .\ /"\/t\/ I = (l)(t)-l:)/l)l \.1) . Por tanto la probabilidad pedida es p(ApAzu-. (véase Problema 1.."uAn) = )r(¿*) -)e6'tnl'r) "' * (-t¡"-t P(At^A2¡ " n.. .) p\AztAttp(A.) "1 ó 1. finalmenrte . .. A partir de la generalización de los resultados (10\ y (1 l)...u) las es la ¡uma de las probabilidades de A¡ desde t hasta n. Tbmbién (E) p(A. Por üanto.nA2n.79) tenemo¡ (1) donde E P(A¡) + )P(AinAinAk) P(áruAru...* r-e-l I : 0. Entonce¡ el ¡uceso al menos una carta en el sobre conecto es.i/ . lo¡ sucelo¡ primera./\ .i \. ..Tenemosporejemplolosiguiente: (z) P(A)=+ yanálogamente PlAr¡=L ya que de lo¡ n sobres rolamente 1 tendrá la dirección apropiada. 1 (c) P(al menoc und üYa): 1 -P(ninguno viva): 1 .\t/\...54. El resultado ee a¡ombroso ya que la probabilidad permanececasi constante para n ) 10.6321.4¡ U AzU'.-..sobre "nto"o' *to '' de los rectantes n- 1 sobres estará (4) p(AtnAzr1A¡) = p(Á.etc.=t \/ ..nA) = ''-n' P(A¡ñ A¡ ) hay (.).i1-:.0. 'á P(4 ñ A¡ ñ que tienen ) = "r"términos el valor dado por (4)..A. Una secretaria ineficiente coloca ncartasdiferentes en n sobres con destinos diferentes aleatopiada.98 1..#.(+ll-+ll=+) \.U An y deeeamos hallar P(A¡ U A2V. Hallar la probabilidad de que al menos una de las cartas llegue a la destinación aproDenótensepor A¡. Esto quiere decir Se deduce que ai n es grande la probabilidad pedida es aprorimadamente 1 -e que hay urra buena probabilidad de que al menos una carta llegue al destino apropiado. -r/\n-2/ (+) = + \. cegunda. página 7. U A.. aefqueparar:-l e-.) Ap) hay ( (+)l=+) \lr/\tt .C2 términos que tienen el valor dado por (3).02 = 0.. la probabilidad de que al menos una ca¡ta llegue a su destino apropiado es casi la misma si n es 10 ó 10 000..xt"1B"""ntJfi::::i*il'ff.1/ =.vAn¡ 1\ t.1/ nl (5) Entonces en la suma > Análogamente en E p(A. n-ésima carta ¡e encuentra en el gobre correcto.f'.ñA2t : p(At\p(A2lAt\ = (*)("=) aProPi"ao ü.".r) .lAtnAr) y así aucesivamente. E P(A¡ ñ Ar) es la suma de probabilidadesdeA¡ñA¡conjyhdeedelhastanyh)j.ri. riamente.\ri )\" " ' " + (-r)^-'l'\l+) = r-fr+i-"'+1-t¡"-'I cz \z/!t!/ Del cálculo sabemoe que (véare Apéndice A) = lf ¡*#./\. ='-('-+r.30 CONJUNTOS Y PROBABILIDAD [cAP.

Suponemos que solamente hay 365 días en el año y que todos loe días de cumpleaños son igualmente probables. Por tanto tenemos es (365 - P(n cumpleaños diferentes) = #* # ffi = \'- ' 365 :-l! + 1 1\/'.56. 3.l..23)(n'l 22) = g asf que n : 23.r)(Zn -r) 6 obtenemos para (3) (5) *::":: 16) rnp = -!!+ñ! .-k). Determinar cuántas personas se necesitan en el Problema 1. Describir A de acuerdo al (o) método de extensión."' .z\." .. debe ocurrir en uno de los otros 364 dlas.67.165/\'.ln p r¿(rr : - -- 1) ?30 . Problema. fótmula 7) que -r) -= --c - T- 3 así que (I ) puede escribirse como = ft+z+ : 2. por ejemplo n ( 30. (b) método de comprensión. D = {t I 12<16). La primera de las n personar¡ tiene lógicamente algún cumpleaños con probabilidad 365/365 : 1. Por tanto tenemos n.DeterminarsiACB o no. .55. si Ia segünda persona tiene un cumpleaños diferente.-4\ . la probabilidad de que la n-ésima persona tenga un cumpl'e¡ñoe diferent¿ de las otras n * 1)/365.' (Apéndice A' fórmulas 1 y 2) (Ir\ I+2+ "'*(n-1) = @. tnp = .55 para que la probabiüdad cumpleaños distintos sea menor que U2.(. Denotando la probabiüdad dada por p y tomando logaritmos naturales hallamos (r) @\ (3) lnp tnp =t"(r-#) -r'"(. 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.-*(n-1)2 - n(n .58. asf que una buena aproximación en este Pa¡a (7) p : L12. Halla¡ Ia probabilidad de que n personas (n < 365) seleccionadas aleatoriamente tengan n días de cumpleaños diferentes...2 -r¿-506 = 0 = 0. suposiciones que no se cumplen genetalmente en la realidad. SeaA = {r r2-3r*2=0}. Enipleando los hechos de que para n .cAP.^" --!.0. 12+22 i-. el segundo término y los términos superiores a la ae 1S¡ son dlespreciables comparados con el primer término.865)"'\'. Sea A eI conjunto de los números natwales entre 5 y 15 que son pares.1\:{. 1.s supletnentarios CONJUNTOS 1.693. Entonces. .865 ) de 1.). Finalmente.n(r-l) i30 para n pequeño comparado con 365. 1l CONJUNTOS Y PROBABILIDAD 31 1. "'+rn(t-#) ln(1 Pero sabemos de cálculo (Apéndice A.693 6 ln 2 = 6 (n .. Análoga' mente la probabilidad de que l¿ üerce¡a persona üenga un cumpleaños diferente de las dos primetas es 863/365.. Así la probabilidad de que la segunda persona tenga un cumpleaños diferente de la primera es 364/365.

(c) A)8. Demo¡harque .68. y (D) ilustra¡la utilizando un diagrama de Venn. página B.3. E¡tudiar la verdad o entonces A CB. (d\ (AnBlu(AnC).69. (c) Teorema 1-4.6 A: falredad de las propoeiciones siguientce. 1.ñ(B. en un grupo de 600 hombre¡. (e) A-8.5}.76. 1.5.9.. (b) (AuB)uC. 0 @uB) . (o) Si A y B eon dos conjunüos cuáleequiena.(BnC) (e) A' - (BuC)' 1.72. L.2}. - . De¡cribir un espacio muestral para cada uno una moneda. entonce¿A = B. (d') A-8. 1.0(¡=4) Encontra¡ (a) AvB. (ü) B'.B'? Ju¡tificar l¡ ¡olución. (Véase Problema 1.61. 1.64.p6gina 3. B. ¿EE (A - B)' : A' . (ñ) A .Encontrar (a) Av(BuCl. (ó) Sir yy son do¡ númeroereales sr¡alesquierq entonces x1y. Demostra¡el (a) Teorema l-2.A r. 15¡(6. A)8. (c) Añ(BuC).o de llamadas recibida¡ en une ce¡ttrat telefónica. de loe siguientes experimentos aleatorios: (o) 3 lanzamientos de 1. . ei ¿[e como I Sea ci éeeI' o cl¿se de todos loe conjunüoc que no 8on elementos de eUos mi¡mo¡. Tborema 1-120. (c) lanzar un¡ moneda hasta que aparezc¿ un sello.31. Emplear un diagrama de Venn para dibujar ceda uno de loo conjuntoo eiguientec: (¿) A n (Bucl (ü) . EXPEBTMENTOS ALEATOBIOS.ruNTOS. (d) el númer. 1. =y. I-a paradoja descrita se conoce Rusell. B={2.73. 1 1. oPEBACIONES E¡ITBE CON.66.2.?).6?. B. 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. formule en palabras el (a't A'.76.60. página (o) Eemortrar la segunda ley De Morgan. (Ó) el nhmero de fum¡dore. (fl (A-B) u (B-A). 1. Sea'tl el conjunto de todos loi enteros no negativos y conaidérenee loe nrbconjuntoc A = {xl¡e¡unente¡ope¡.} ! B = {rlreounnfimeroprimo. Demo¡trarque (á -A)UA =á ¡ólo srBC A e ilugtrarlo utilizando un diagramade Venn. entoncq cJeeJ.4 u (BnC\ (c) A' n (BuC)' (rt) A .t B = IA-(AnB)] u ÍB-UnB)l 1. Un erperimento consiste en el lanzamiento de una moneda y un dado. (c) A'uB. (c) A'nB'.66. (d) AnB'. (fllanzat una moneda y un dado.32 CONJUNTOS Y PROBABILIDAD Demoeürar que para cualquier conjunto [cAP. A tenemo¡ A C A. signifrcadodecadaunadelasoperacionessiguienüee: (f) B A. Generdiza¡ las primen y eegunda leyec De Morgan a cualquier número de conjuntos.?0. (e) el número de partícular nucleare¡ que enhan a un contador Geiger. Generaliza¡ el recultado del Problema 1.4.). (o) Demostrar que (b) Demoetrar que ri p-f Ge[. C = {4.68. Seaununiver¡o 'Ll:{L.1. página 3.(AuC). Afirmar -B = @. 1. (e\ B-A. 1. (s) (AnC)' u B. 1.?f .7 o negar: Si A u (Ar\B) eilusha¡loporundiagramadeVenn. (ü) Teorema l-8. x>y O i Demostra¡ que cualquier aubconjunto del conjunto vacfo debe ser el conjunto vacfo.62.nC. ESPACIOS MUESTBALES Y SUCESOS L.5\ yrupóngarequeloerubconjuntoede'll son A:{1. (e) A. (bl AnB. Ilustrar el principio de dudidad haciendo referencie a losteoremas de la pfuina 3. 1. DIAGBAMAS DE VENN y TEOREMAS SOBBE CONJUNTOS 1.69' 1.(B.uC').

1. blanca 1. o un estimador de ella.83. . pfuina ?.80.92.8 I . 1. y (I I ). 1. y A3 el suceso "rey en la tercera extracción".85. (b) ambas sean rojas. jota de tréboles o reina de diamantes al extraer una sola carta de una baraja común de 52 ca¡tas. Csonsucesosindependientes. y así demostrar eI resultado (l ) del Problema 7. (c) ninguna sea naranja. 1.77.82. o azul. Un experimento consiste en la sucesiva extracción de tres cartas de una baraja. (¡) solamente una sea roja. 1. Determinar la probabilidad p.t1. Demostrar que si P(A ) >P(B ) entonces P(A I B) Si > P(. (b) la primera sea roja ylasegunda sea blanca.90.. Halla¡ la probabilidad de que (a) ambas sean blancas.83.89. Hallar la probabilidad de que sea (c) naranja o roja. 20 azules y l5 naranjas.14(b) demostrando (sin emplear el diagrama de Venn) que AUB = AOIB-(AOB)I donde A y B .P(A¡B). (c)A y B-C. 1. Demostrar el resultado (1 1). L. . remplazando la bola extraída después de cada extracción. (i) la primera sea blanca pero la segunda no. (b\ p(AluA2\. pfuina Demostrar que P(A'uB') = 1 .?9. (b ) A' es independiente de A es independiente de B demostrar que (o ) A es independiente de B . 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). (e) la segunda no sea azul.8t. 1. (¿) p(A1^A'2ñA\). son inde- . Hallar la probabilidad de que si dos bolas se extraen aleatoriamenremplazamiento) (o) ambas sean azules. (d) sean rojas o blancas o de ambos colores (roja y blanca). Sea A1 el suceso "reyen la primera extracción". üe (sin Una caja contidne 2 bolas rojas y 3 azules. (b)AyBñC. B. satisface los axiomas de probabilidad en la página 6 y por tanto todos los teoremas sobre probabilidad. (¿) roja.tA'r).(A ñ B) son mutuamente excluyentes. cartzs 1. (c) AyBUC. @) p(A'rr. CALCULO DE PROBABILTDADES 1. (b) ni roja ni azul. (e) Al menos aparezca una cara en tres lanzamientos de una moneda honrada. (b) La suma 8 agatezca en un solo lanzamiento de un par de dados honrados.86.87. 1.demostrarque pendientes. ll CONJUNTOS Y PROBABILIDAD 33 TEOREMAS SOBRE PROBABTLIDAD 1. (c) no azul.1. as. (D ) si las cartas (o) se no se remplazan. (d) blanca.84 si no hay remplazamiento después de cada extracción. (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.4 ). SiA.91.t4. B'.54. Se exürae una bola aleatoriamente de un caja que contiene 10 bolas rojas. Explicar el significado de cada una de las siguientes: (a\ P(AroA!r). Se extraen dos bolas sucesivamente de la caja del Problema 1. Hallar la probabilidad de extraer 3 ases aleatoriamente de una ba¡aja de 62 remplazan. (e) pl(A1nAr) u (A"nAr)]. 12 defectuosos.7t.cAP. Completar la demostración en el Problema 1. PBOBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES f . p6gina Generalizar los resultados (I0 ) 30. 1. (h) máximo una sea roja. (c) una sea roja y la otra azul. (g) al menos una sea azul.42 el suceso "rey en la segunda extracción". 7.página 8. 30 blancas. Resolver el Problema 1. para cada uno de Ios sucesos siguientes: (c) La aparición de un rey.

. (b) ¡C¡. Una caja contiene 3 bolas azules y 2 rojas mienüras que otra caja contiene 2 bola¡ azulee y 5 rojas.1OO. caja / contiene 3 bolasrojasy Sblancas.34 CONJUNTOS Y PROBABILIDAD Sea lcAP. Hallar la probabiüdad de haber escogido la urna I. Se TEOREMA O REGLA DE BAYES 1. ¿Para qué valor de n es .98. En cada compartimiento del Begundo joyero hay un reloj de plata. (¿) roC¡.1O3. (D) 3 libros determinados deben estar juntos. ¿De cuántas maneraa pueden coloca¡se l. (c) cada mujer debe eetarentre dos hombres? COMBINACIONES 1. en tanto que en el oho hay un reloj de piata Si seleccionamos un joyero aleatoriamente. CUENTA Y DTAGNAMAI¡ ARBOL 1. Hallarelvalor de(a) oP2. 4 blancae y I nggra. Az. ¿cuál es la pobabilidad de que el otro compartimiento tenga un reloj de oro? 1. (c) 2 libros deüerminados deben ocupar lo¡ exüremos? (o ) 1. La escoge una bola aleatoriamente de la primera caja y se coloca en la s€gunda c¿ja sin ob¡ervar su color. En cada compartimiento del primer joyero hay un reloj de oro. 1 1.ent¿nüoquelacajalfcontiene4bola¡rojasy2blancas. y una bola ertraída aleatoriamente e¡ blanca.109. Una bola extrafda aleatoriamenüe de una de las. Luego ee extrae una bola de la segunda caja. 1. ¿De cuántas forma¡ pueden ordena¡se 7 libros en un eEtanüe ei (a) er posible cualquier ordenación.93.106. Se extraen tres cartas aleaüoriamente (sin remplazarniento) de una baraja de 62 ca¡tas. ¿Cuántos números diferentes de 3 cifra¡ pueden formar¡e con 3 cuaEog. suceso "número impar en el primer dado".101.96. .+tPt = nPtl. 9 ¡i impares. A3 lon independientes pero que 1. Hallar la probabilidad de que sea blanca.lO2.99. (b) doe mujerer determinadas no deben centar¡e juntar.cajas reeulta azul.1O?. ANALTSIS COMBINATORIO. Hallar el valor de (a) rC3. 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.104. Utiliza¡ un diagrama árbol para determin¡r la¡ diferentes poribilidades que pueden suceder. 1. L. I monedae diferentes en 2 posiciones diferentes? PERMUTACIONES 1.106. (b) las primeras dos cifras de cada número son pa¡es? lor números deben ser 1. ¿De cuántas formas pueden 3 hombres y I mujerec sentarse alrededor de una meea ei (o) no se impone ninguna resüricción. La urna I tiene 2 bola¡ blanca¡ y 3 negras.9?.4 doeee y 2 tres€s? 1. AziA2.96. 3 blancas y 4 negras. . A ¡: auceao At. Se lanza una moneda tres veces. . ¿De cuántas formas pueden 5 personas sentarse en un sofá si tiene sol¿mente tres asientos? 1. Demostrar que A¡ . ¿Cuánto¡ números de cinco cifras pueden formarse con los dÍgitos L.¿Guál es la probabilidad de haberla exbaído de la primera caja? Ttes joyeros idénticos tienen dos compartimiento¡. A2 = BuG€so "núme¡o impar en el segundo dado". (¿) roP¡. En el tercer joyero eñ un compartimiento hay un reloj de oro. Se selecciona una urna aleatoriamente la urna II. 2.43 no son independientec. 1. 1. 3. . abrimos uno de los compartimientoa y hallamos un reloj de plaüa.10t.94. . á3 : "total impa¡ en ambos dados". (ó) zPs. y lrr urna ffl. Resolver el problema anterior si la8 cifreÁ de los números pueden estar repetidas. Atl At.

. (b) la primera ca¡ta sea un aÁ pero la eegunda no.121. Se extraen dos cartas sucesivamente de una baraja de 52 eartas.e cuántas formas puede un grupo de 10 personas dividirse en (o) dos grupos de 7 grupos de 5.126. Si s€ extraen 3 tiquetes de la caja uno a uno' hallar la probabilidad de que alternativamente s€an impar.122. t"l kCz\QC¿)/DC. Expandir (o) (o+y)6. (b) en contra de A de perder los prir4eros dos juegos? 1. \4 / 1. (d) las cartas no sean del mismo palo. Demostrar que (c) (b) \r¿l \o/ \r / + 1") * '. (e) no más que una carta sea figura (jota. (b) /11 \ (r-a)4. . 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. 1l 1.120. Demostrar que (o) É ."". reina' rey). ¿Cuántos comités diferentes pueden formarse si (o) no se impone ninguna restricción.rnda carta no sea una figura dadoque la primera eí lo es. (b) tres 1. Hallar el coeficiente de ¡ en lt * ¿)t..t24.113.117./"\ .) = 0. (d) (rz*21t. unavez'(c)dosveces'en 1. En un juego de naipee ee reparte a cada uno de loe 4 jugadores 13 cartas de una baraja de 52 cartae. Calcular. s€ impone ninguna restricción. (c) al menos una carta sea un diamante. PROBABILIDAD UTILIZANDO ANALISIS COMBINATORIO 1.125. (b) j=t (-1).-tj(. +/"\ \2 / /"\ . 1.f 23. Hallar la probabilidaddeque (o)laprimera carta no Bea un diez de tréboles o un aa. lJna caja contiene 9 tiquetes numerados del 1 al 9.. 2 héboles. j=1 = n.8 mujeres.119. impar o par' impar' par.cAP. (c) un economista determinado no debe estar en el comité? 1. 3 niños y 3 niñas con 6 hombres. (ó) ( ). 1.116.111. (b) un palo completo. \ r/ 1. 3 y 2 personas? y 3 personas.110. ¿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. (g) la seg. Hallarlaprobabilidaddeobtenerunasumade?puntos(o)unavez. 3 corazones y 1 pica. (h) las cartar son frguras o picas o ambas. Halla¡ la probabilidad de que uno de loe jugadores obtenga (o) ? diamantea. (b) deben seleccionarse un hombre y una mujer 1.. (f) la seErnda carta no sea una figura.(b)almenoe dos lanzamientos de un par de dados honradoe.( ") .115..2n-1. Halla¡ el número de (o) combinacionee y (D) permuüaciones de cuatro letras cada una quepuedenformarse con las letras de la palabra Tennessee. (c) (t-r t)s. ¿De cuántas formas pueden seleccionarse 4 niños y 5 niñas si (o) no determinados? 2 hombres.4 mujeres. (b) dos estadistas determinados deben estar en el comité. ¿Para qué CONruNTOS Y PROBABILIDAD valor de n s€ cumple que 35 3' n+rC¡ : 7' nCzl. ¿f). 1.114. Con 5 estadistas y 6 economistas quiere formarse un comité de 3 estadistas y 2 economistas.. COEFICIENTES BINOMTALES 1. 1. La¡ apuestas en favor de A de ganar un juego de ajedrez contraB son 3:2.C. (c) eC¡. par.118.+ r-''i" 2/ \l )=o \o/ \r/ /"\ * /"\ I 1.

Un par de dados se lanzan repetidamente. (D) 2 letras son idénticas. APROXIMACION DE STIRLING A n! 1.3. Al lanzar un par de dados la suma puede ser 2.145.129. 1. (c) ca¡tas diferentes.l47.138. 1. Hallar la probabilidad de que ocurta 11 por primera vez en el sexto lanzamiento. (o) Hallar la probabilidad de obtener la suma 7 en al menos uno de tres lanzamientos de un par de dador honrados. (b) ¿Cuántos lanzamientos se necesitan para quela probabilidad en (o) eea mayor que 0.132. 1. A-(A nf¡: AñB'.143.142. Demosürarque siACB' entonces AnB:Q. ¿Cuántas palabras pueden formaree con 5 letras si (o) lae letras son diferentes. . . Se extraen cinco bolas aleatoriamente sin remplazamiento. rey y as del mismo palo. Hallar la probabilidad de que un jugador tenga de 13 cartas g de un mismo palo. Obüener una aproximación al resultado del Problema 1. (c) todas las letras son diferentes pero dos letras determinadae no puden estar juntas? tes. Halla¡ la probabilidad de que (o) las cartas eean de un palo. Halla¡ la probabilidad de que 3 sean rojas y 2 azules. (b) máximo dqs sean igualee.96? 1.127.141. l.130.'. Cuatro enteros se eligen aleatoriamente entre 0 y 9 inclusive. .. 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. PROBLEMAS DIVERSOS 1. Una urna contiene 6 bolas rojas y 8 azules. Supóngaae que al lanzar una moneda 500 veces hay una secuenci¡ de2(lsnzanientosqueresulüan"carast'. 1. 1. 1. Demostrar que aproximadamente 2nCn - 22"1\/ñ. . Hallar porcentaje de enor en la fórmula de Stirling para n : 10.134. (b) 0.136.. 1. etc.133. . ¡rara valores de n grandes. Un espacio muestral consiste de 3 puntos muestrales con probabilidadeg a¡ociadas dadas gor 2p.51. (b)al menos dos sean ages.I's probabilidad de que un tirador dé en el blanco eede 213. . ¿Cuál es el menor número de lanzamientos necesarios en el hoblema 1. Halla¡ la probabilídad de que (o) sean diferen1. . 12. p2 y 4p Halla¡ el valor de p. ¿De cuántas formas pueden selecciona¡se 30 individuos de un total de 100? 1.5. Se extraen 3 ca¡üas de una baraja de 52. . Demostrar que para cualesquiera sucesos Ar. ¿Podríamos asignar probabilidadee de 1/11 a cada uno de esos puntos? Explicar..131. 1. hallar la probabilidad de que necesiüe 6 disparos.12E.140. Demostrarque 1. Enunjuegodepókerhallarlaprobabiüdaddeobtener(o)unaescaleraflor. ¿Puede considera¡ee la moneda cómo honrada? Expücar. 1.135. 1 1.146. (b) tn full que consiste en 3 cartas de un valor y 2 de otro (por ejemplo 3 diecer y 2 jotas.) + P(A)+ .queconsistedediez.144. (d) 4 ases.jota.139.36 CONruNTOS Y PROBABILIDAD lcAP. Si diepara al blanco hastaqueledal¡primera vez. 1.13?. - L.). Az.reina.uAn) < P(4. +P(Á") 1. 1.140 para que la probabiüdad de obtener 11 por primera vez sea mayor que (a) 0.95? 1. An P(ArvA"u.

152. ¿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. 1.151. u¿ fi.ISrí"r"ncia.cAP. Este üipo de problema se presenta en física en conexión eonlaestadística Bose-Einstein. .150. demostrar que p"(a) = 1 fipn-o (0) y luego emplear el resultado del Problema 1.rtimientos separados. (c) los cuatro jugadores tengan un palo completo.(i)' una interpretación combinatoria. Resolver el Problema 1. Demostrar que la probabiüdad para que la secretaria del Problema 1. (c) trer cincoe.1ó3. CONJUNTOS Y PROBABILIDAD 37 (c) Un estanque contiene 6 compa. Este tipo de problema se presenta en física en conexión con l¡a es tad ísüca Fermi-Diroc.155._ \r/ (1 + r¡t (1 + o¡"-t y hallar el coeficiente de ¡j en el producto). "dar ¿ letras en los 1.8. .54 obtenga exacüamente I ¿-c / r\k sobres correctos ".6.11)'-* 1i)'-l \"/ \o/ \t/ . 1.151. 1.50 si el juego se ümita a B lanzamientos. una interpretáción combinatoria.156. Demostrar que /"\ = ! 1t'¡¡" .¿De cuántas maneras pueden colocarse 4 bolas idénticas en los compartimientos? (b) Resolver el problema si hay n compartimientos y r bolas. . Hallar la probabilidad de que en un juego de bridge (o) dos jugadores. Generaliza¡ el resultado del Problema 1. 3. (d) ningfrn 5? ¿Puede resolverse el problema sin saber el número de cincos que tienen los otros jugadores? Expücar. ¿Cuál es la probabilidad de que obtenga el 5 suponiendo que los oüro¡ tres jugadores en conjunto tienen (a) un cinco. 1. 4.149. Desea descartar el 8 y remplazarla por otra carüa que espera sea un 5 (err ese caso obtendrá una "escalera").' Denoüando la probabilidad deseada comopñ (a). que (Sugerencia: Consi¿s¡ar 1. Un jugador de póker tiene las cartas 2.t't . 1.:).148. (a) Un estante contiene 6 compartimientos separados. 1l 1. Demostrar l") .154.\¡/(.541. (ü) tres jugadores. 1.)va". (b) dos cincos.

x2. f(¡) : 0. también conocida como la distríbución probabiliM. Í! valores se asumen con probabilidades dadas por P(X=ryl=f(rx\ P(X = k=L. el nl¡mero de caras men(x el número de eelloa.. por ejemplo el cuadredo del n(rmero de carac. Así definimos una en el espacio muestral. Se concluye que X eo una variable aleatorir. Supóngase que se lanza una moned¿ dos veces de tal forma que el espacio muestral es ¡f : {Cq Cg Sq SS). Esta función se llama wriable aleatoria (o uariable estocastiea) o función más precisamente función aleatoria (función estocástica). En general f(¡) es una función de probabilidad 1. DISTRIBUCIONES DE PROBABILIDAD DISCRETA Sea X una variable aleatoria discreta y supóngase que los valores posibles que puede tomar están ordenados en orden creciente de magnitud. 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. geométrico u otro.Capítulo 2 Voriobles qleqtorios y distribuciones de probobilidod VARIABLES ALEATORIAS un espacio muestral asignamos un número. f(a) > o 2. Supóngase también que los dados por rr .. Tabl¡ 2-1 Punto muestral cc E cs I sc ss 0 x I Debe ob¡ervar¡e que también podrían definirre otras muchac variables aleatorias en este espacio mueehal. Con cada punüo muestral podemoe arcciar un nfrme¡o para X como se muesha en la Tabla 2-1.2... (I) de (2) Es conveniente introduct la funcíón de probabilidad. etc. En general una variable aleatoria tiene algún signifrcado físico. Supóngase que a cada punto de EJEMPLO 21. Repreoénteee por X el número de ca¡as que pueden resultar. Una variable aleatoria que toma un número frnito o infinito contable de valores (véase página 4) se denomina wriable aleatoria discreta mienhas que una que toma un número infinito no contable de valores s€ llama variable aleatoria no discreta 6 continua. Comúnmente se denota por una leha mayúscula como X 6 Y.>Í(sl = t 38 .

como se indica en la Fig.)f(u) (0 donde la suma a la derecha se toma para todos los valores de z para los cuales u = x. Fig.2.5 y 1. (b) IÁ gráfica de probabilidad puede reprecentarse comoleindica en la Fig. r.. (a) Halla¡ la función de probabilidad correepondiente a La variable aleatoria X del Ejemplo 2. 2-1. En la FA..6. r/4 =I r/4 la función de probabilidad está dada en la Tabla 2-2. En el ca¡o del hislogama podemos considerar la va¡iable aleatoria X como continua.de la función de probabilidad notando que r es cualquier número rl = F(u) real.2-f Eepectro Fíg. Si X únicamente toma un número finito de valores lct. por ejemplo X: 1 significa que esüá enüre 0.+/(r") x.1 x ( -. Recíprocamente la función de probabilidad puede obtenerse de la función de dist¡ibución. pata vrta donde obtenerse. Una gráfica de f(¡) se llama grdfica de (b ) EJEMPLO 2.1 y construir la gráfica de probabilidad. o simplemente la función de dístribución. 2-1 la suma de las ordenadas es 1 mientras que en el histograma la suma de l¡¡ áreas rectangulares es 1.2-2 Histograma FUNCIONES DE DISTRIBUCION PARA VARIABLES ALEATORIAS DISCRETAS varidble aleatoria X se define por La función de distribución acumuhda. P(X < (8) La función de distribución puede F(rl = P(x=r) -. 2-2..) +. P(X:1) = P(CSuSC) = p(cs)+ p(sc) = i*i P(X=21 = P(CC) Así. lxla .2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 39 donde la suma en 2 se toma sobre los valores posibles de probabilidad. Tabla 2-2 =I r f(r) 0 I r/2 . es decir . o por un histogromo.cAP. (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.

n (6) . F(r) se mues- Los aspectos siguientes acerca de la función de distribución anterior.3. 712.@ e -. Debido a la apariencia de la gráfica de la Fig. 2-1. por ejemplo.2 su 2. 3. Las magnitudes de los saltos en 0" 1. . (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. deben notan¡e. Este hecho permite obtener la función de probabilidad a paftir de la función de distribución. tomando valores desde 0 hasta 1. 714 corresponden exactanrente a las ordenadas en la Fig. Debido a esto se dice que es vnafunción monotónicamente creciente. Esto se expresa matemáticamente estableciendo que la función de distribución es continua por la derecha en 0. DISTRIBUCION DE PROBABILIDAD Si X es una variable aleatoria continu4 la probabilidad de que X tome un valor determinado generalmente es cero. la probabilidad de que su estatura X sea precisamente 147 centímetros sería cero. pagjna 38. f(r\ > 2. (o) Halar representación gráfica. Si se selecciona aleatoriamente un individuo de un grupo numeroso de hornbres adultos. 2. Por tanto no podemos definir una función de probabilidad en la misma forma que para una va¡iable aleatoria discreta (págrna 38).40 EJEMPLO VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD lcAP. Sin embargo hay una probabilidad mayor que cero de que X esté entre 145 y 150 centímetros. A medida que procedemos de izquieida a derecha (es decir subiendo la escalera) la función de distribución permanece igual o aumenta. nos conducen f(r) tal que o a poshrlar la existencia de una función 1. 1. Entonces definimos la probabilidad de que X se encuentre entre ¿ y b como P(a<X<b) : Í"' f (n) d. 2-3.2. Estas ideas y la analogía de las Propiedades 1 y 2. así el valor en 1 es 314 y no Ll4. 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. que son verdaderos en general. 2-3 frecuentemente se le llama función escalera o función paso. 1. la función de distribución para la va¡iable aleatoria X del Ejemplo 2. EJEMPLO 2. El valor de la función én un entero se obtiene del paso superior. 2 son LlA.)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 . 2.4.

lo que supondremos al menos se establezca otfa cosa.UU ¡( 0 entonces F(. definimos la función de distribución F(x\ para una uariable leatoria continua por F(.a1X<r) s = J_-" ¡p¡au f' ( si se desea. EJEMPLO 2. n.?1. (o) HaIIar la constante c para que Ia función f(r¡ = {"^* L0 sea una o. : P(.5. 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'). 2] VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 4L Podemos demostrar que esta definición satisface los axiomas de probabilidad dados en la página 6.n* =. debe satisfacer la propiedad 2 para ser una función densidad.au f""oou = 1 Por tanto la función de distribución pedida es r(o [o F(r) .f. en el Ejemplo 2. (a) Ya que f(r) satisface la propiedad 1 si c ? 0. 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).5.6.r) = P(X=r) f(r). (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.'U".. pero con mayor frecuencia se denomina función de densidad de probabilidad o simplementn función de densídad. el (o) Tenemos F(r) = Si P(X = r\ = o" Í__.CAP. = # + F(r) = fo" . . = *-h=:h 7 En el caso de que f(r) sea continua. Entonces de .1é/27 0<'<3 fr Obsérvese que s>s F(r) aumenta monotónicamente desde 0 hasta 1 como lo requiere una función dedistribución. También debe observarse que F(r) en este caso es continua. V) En los puntos de continuidad de EJEMPLO 2.-g ec y puesto que esto debe ser igual a 1 tenemos c: tl9.'!. = 13 t'n ¡3 . página 39. #f.ru. Si 0 f: x 13 entonces F(rl Si¡>Sentonces = ou fo' . ou + f"'f@)au = fo'!u.tu. = Í. En tal caso podemos remplazar cualquiera o ambos de los signos ( en (6) por Así. la probabilidad de que X sea igual a cualquier valor determinado es cero.5. Una función f(r) que satisface los requisitos anteriores se llama función de probabilidad o distribución de probabilidad para una variable aleatoria continua.'" de otra forma " función de densidad y (b) calcular P(l < X < 2).l-*Ít'lol' = )ow2dr .t) = 0. (b) P(1< p(r<x<z) -. (b) Emplear P(l < r = 2\.

se representa por el área sombreada de laFig. 2-4.'.a# . 2-l .r.F@t(n).42 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD [cAP.'r(u. la cunra no puede caer por debajo del eje r.6.x)itu donde = f""jl. : f(x) Si f(r) Fig.' T*0" + F(az(a). az y F se suponen derivables con respecto a. (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"". El área total limitada por la cuwa y el eje ¡ debe ser 1 debido a la propiedad 2 en la págna 40. es deci¡ P(a 1 X < b).i.2-4..ü# (121 at.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. 2s137 n La probabilidad de que X se encuentr€ entre r yxt Ax está dada por (8) p(r= xtn+ta) así que si = . Puesto que f(r) Z 0.'. Geométricamente la probabilidad de que X esté enhe a y 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.2 (ó) Tenemoa P(r<x<2) P(X=21 - P(X=1) f(2) - F(1) n-n como en el Ejemplo 2.

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

y\itrd.y) es la suma de todas las entradas para las eue r. a r y An 5 A. 2-6 A representa cualquier suceso existirá una región (. J_* J_f" f" se f@. Así la función de probabilidad coniunta patalas variables aleatoriasX. es decir Generalizando.y = 1 Gráficamente z : f(x.esté entre c y d es.y) dr dy (20) Fig.lafunción de densidadconiunta de X.o.o del plano ry que corresponde a é1. y) representa una superficie. Caso continuo.44 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP. F(x. 1. El volumen total limitado por esta superficie y el plano ry es igual a 1 de acuerdo con la propiedad 2 anterior. La probabilidad de que X esté entre o y b en tanto que Y . 2. como indica en la Fig. 2-6 y matemáticamente por P(a<X<b. Y respectivamente. si . También debe notarse que m i-. El Lafunción de dístribución conjunta de X.f":" f (r.@r) : t (17) que puede escribirse como (r8) k=1 Esto es sencillamente la proposición de que la probabilidad total de todas las entradas es gran total de 1 se indica en la esquina inferior a la derecha de la tabla. como más comúnmente se llama.u) > o z.'=.. Y se define por (1e) En la Tabla %3. Y) se define por 1. Y (o.f.tá dada gráficamente por el volumen sombfeado de la Fig.2 Debido a que las probabilidades (/5) v (16) se obtienen de los márgenes de la tabla frecuentemente nos referimos a fr(x¡) y fr9e) (o simplementn ft@l yfr(y))como las funciones de probabilidad marginal de X.e<Y<d) : . 2-6. En tal caso podemos hallar la probabilidad de A efectuando la integración sobre fi.| ) /'(c.¡ = mn i:r 1 k=l 2 f. llamada lasuperfieie de probabíIidad. El caso donde ambas variables son conünuas se obtiene fácilmente por analogía con el caso discreto al remplazar las sumas por integrales. f(r.

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

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

V:X (lasegunda selección es arbitraria). que tengan s(u) = r) itn Í__ . = ClDNVOLUCIONES 2. A) u.23\ que la suma de dos va¡iables aleatorias continuas X.iw . Il... Las siguientes son algunas propiedades importantes de la convolución: 1.u - (8el En el caso especial donde X.IBUCIONES DE PROBABILIDAD 47 Aú Ar (871 J= E(a.ul 6(u. y) la función de densidad conjunta de X. abreviado f . n. Teorema2-5: Sean X.y)<u) = fl .. obedecen las leyes conmutatiuq reociatiua del álgebra con respecto a la operación de la convolución. Teorema 2-6: Sea f(r.cAP.]NCIONES DE VARIABLES ALEATORIAS aa aa Los Teoremas %2 y 24 específicamente incluyen funciones de probabilidad conjunta de dos variables aleatorias. y) está dada por Como consecuencia particular de los teoremas anteriores podemos demostra¡ (véase Problema es decir de U : X * n.rr.ylitrdy R (es) donde Q es la región para la cual 4r(o. fz = fz+ ft 2. Un resultado análogo es váüdo para las funciones de probabiüdad de las variables discretas. Y son independientns. fr. -6 fr(*)fr(u-r)iln que se conoce como la conuolución de f t y f z. Cualquiera de los teoremas siguientes es frecuentemente útil para este propósito. Entonces la función de densidad g(u) de la variable aleatoria U : Qr(X. f .U) = f . y distribr''.(r) f . Y variables aleatorias continuas y sea U = ót(X.2l VARIABLES ALEATORIAS Y DISIR.@) y (39) se reduce a (t o¡ s@) = f' . Ír* (fr'f fi = ft* fz * ft+ fs s Estos resultados demuestran gue fr .r. En la práctica con frecuencia se necesita hallar la distribución de probabüdad de alguna o va¡ias va¡iables aleatorias determinadas. Y. Entonces la función de densidad pan U es la densidad marginal obtenida de la densidad conjunta de U y V tal como se halló en el Teorema 2-4. Y) se encuenha derivando con respecto a ¿ la función de distribución dada por G(u) = pÍó. &u 0a DISTRIBUCIONES DE PROBABILIDAD DE FI.o) A1r A. f t* (f z* f t¡ = gt* fz)'f 3. como función de densidad conjunta a f(x. ft. l(u.* fz .(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. y) es la función de densidad conjunta de X. El tipo de suposición empleado define la función de dishibución de probabilidad.48 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD IC. (B: Y: J). es pre porcional a K¡. Y : y) es la fi:nción de probabilidad conjunta probabilidad discreta para X. Y. Por ejemplo. Fis. la función de densidad condicional de Y dada X ¡1xlu) y f(alr)porfr(rla) I fr@lr)respectiva¡rente. etc. Lógicamente pueden plantearse ohas suposiciones. Análogamente la función de r(rlut = Algunasvecesdenota¡emosa @+¡ Estas ideas se amplían ejemplo. Por fe1ü = dadoquerlX(r*dres Ll++ r(r¡ I &s¡ donde f(x. yl = P(X : Í.AP. 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 es razonable suponer que la probabilidad de pegar a la región de área K. Por ejemplo. supóngase que tenemos un objetivo en la forma de una región plana de área K y una porción de ella con á¡ea K1 .Definimos '(r) y fr(r) es la función de f@tr) = y la llamamc y8 ## es ('t g) función de probabilidad condícional de Y dada probabilidad condicional de X dada Y es X. /.2-7 . Y son variables aleatorias continuas. puede ser menos probable pegar a áreas externas.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). (r) es la función de densidad marginal de X. fácilmente al caso en que X. entonces (42) P(Y=ulX=r) : f\*'') f donde f(x. APLICACIONES A LA PROBABILIDAD GEOMETRICA Varios problemas en probabilidad surgen de las consideraciones geométricas o tienen interpretaciones geométricas.

1. Supóngase que se lanza un par de dados honrados y que la variable aleatoria X denote la suma de-los puntós. así que cada punto muestral tiene probabilidad 1/36.2) tenemos X : 5. 2'9.2). garaX:5 corresponden los cuaho puntos muestrales (1. Así para (3. obtenemos la Tabla 2-4.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 49 Problerna. (a) Obtener la distribución de probabilidad paraX.Po¡ ejemplo. . 2-9 la suma de todas las óreos rectangulares es 1. (2. (c) LospuntosmuestralesparaloslianzamientosdeunpardedadosestándadosenlaFig. (4.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/.cAP. 2-8 o en la Fig.1) así que la probabilidad asociada es 4/36. variable aleatoria X es la suma de las coordenadas para cada punto. Utilizando el hecho de que los 36 puntos muestrales son igualmente probables. de acuerdo con si deseamos considerar a X como va¡iable discreta o continua. 2-8 la suma de las ordenodas es 1 en tanto que en la Fig.Jo 4/36 2/36 (ó) Podemos emplear un espectro o un histograma como los dados en la Fig. (3.4).3). Tabla 2-4 'x 1'17'página18. (b) Consbuir una gráfica para esta distribución de probabilidad. Nótese que en la Fig.s restreltos VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCRETAS 2.

suponiendo iguales probabilidades para niños y niñas. c. siA e¡eleuceeo"niñott.3. 2-ll (b) Véase Fig. Se encontró quelrr probabilidad de obtener eractamente r veoea A en los n intentos es icrp'q.2-L2. (a) Hallar la función de distribución F(r) para la variable aleatoria X del Problema 2. I 3/8 . (c) Hallar la disgibución de probabilidad de niños y niñas en familias con 3 hijos.(.L y (b\ repr€sentar gráficamente esta función de distribución.)' Tabla 2-6 fr 0 donde la variable ale¿toria X representa el número de niños en la familia.. (a ) EI Problema 1. (Obeérvese que X se define sobre el eepacio muestral de tres inüentos). 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.(. tenemos P(eractamente r niños) = P(X = r) = .) 3 se indica en la Tabla 2-5. Enüonces de los resultados del Problema 2. donde cada intento tenfa dos resultados posibles. 2-10 (o) Tenemos que F'(r) = P(X = tl u=x 2 Ífu¡. A y A'. 2-11. D:3.)"(t'-' = . ip=q:L12.".1 hallamos F(rl = 0 -e 1r<. Fig. La función de probabilidad para X.on probabilidadesp y g: 1-prespectivamente. f(r) = .¿6 2r/36 18/3rt 15/36 12/36 9i 36 6/36 3136 .2. 0123 Número de ¡¡iñoc X = ¡ Fis.t-.2 2.50 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP. dependiendo sobre si deseamos considerar a puede representarse como en la Fig.JNCIONES DE DISTRIBUCION DISCRETA r/t 2.. Obsérvese que el cero del eje r se ha desplazado. (b) Représentar gráficamente la distriUución en (o). 2-10 o en la la FI.c.46 trató el caeo de n intentos mutua¡t¡ente independientes. F(r) 1 33/36 30/36 27 i36 I 24/'.(i) \-'l /r \3 f(r) r/8 3/8 L/8 (b) La Eráfrca va¡iable X como discreta o continua. Por tanto.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.".

2-13. t:_flu)ttr = 1. z2 = 1 (ü) si* = x2 =t../J f = " =. _. acf que c=Ur. t*tantolaprobabilidadpedidaes t(-'lstt oJ-t dn *lft dr IL'rJ¡5.ran-l(--)J = l[r*-' " "if = i.r12*L =zC' oJ6..6.6.r . rL t__J = 11h.2 obtenemo¡ F(rl (ó) L8 gráfica = de la función de distribución de (o) se muestra en la Fig.t¿n-r (+)] I = z(z-z\ = 6 6/ "\4 2." r¿*l = ?['*-'(1) . X del Problema 2.itan-rc . la constante c.<6. )? estÉ entre 1/3 y 1. F(¡) I 7t8 6/r 6tE 4/E 3/8 2t8 I UE t Fig.2l VARIABLES ALEATORIAS Y DISIBIBUCIONES DE PROBABILIDAD 51 2. Hallar la función de distribución conespondient¿ a la función de densidad del Problema 2..cAP.6.. f . (c) Hallar la función de distribución F(*) para la va¡iable aleatoria representar gráfrcamente esta función de dishibución.4. Un (¿) (a) Debemostener aXtienelafuncióndedensidad o". donde -o(ú.(-.2-13 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2.'= J-. (b) Hallar la probabilidad de que f(r)=c/(n2+l)./ -\-'l (* :u. I -u.\r-.entonces ó -l < x = -f.2V @) (o) Uüilizando la Tabla 2-5 del Problema 2.-.12 + | = "t"r-rrl r-o = "L. 1 C" F(r) = )_-t{")a" = i)__ n du _ = !l-t.rr_rrl.e¡décir t-.

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

P(X = t.Y=L) + P(X=21 P(Y=L) E resultado también se deduce del hecho de que la función de probabilidad conjunüa. Demostrar que las variables aleatorias X. Y es f (n.10.Y=l)=5"=a 42 (c) De la Tabla 2-6 determinamos que P(X>t.{. (o) Debemos tener la probabilidad total igual a 1. (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. puede expresarse como una fi¡nción de ¡ veces una función de y. 2.8 (b) y 2. P(X=2.. (o) Hallar el valor de la constante c.u) d. 2<Y <3).Y : A) = P(X = r\ P(Y = Y¡ Pero. La función de densidad conjunta de dos variables aleatorias continuas X. Y del Problema 2. es decir | | f@. De estos vemos que P(Y=Y¡ = verificación:1*3 +!+1 ''7 74'7 t4 fz( =t 2. como se determina de los Problemas 2.9.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. no P(X--2. 1<g<5 de otra forma 1o (c) Hallar P(X>3.cAP.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD De la Tabla 2-6 determinamos que 53 (b) P(X=2. l22c=17/2r n=2 fz(u) y puede obtenerse de los de probabilidad marginal pata Y está dada por P(Y = a) = totales del margen en la última fila de la Tabla 2-6.8 son dependientes.11.9. Si las variables aleatorias. y.r du = I . Y <2).Y=\ = asr que h P(x=4 = # P(Y=l) = I (2x rr y)142.u) = lcnU 0(r<4. (b) Hallar P(1< X <2. 2. para todo r. 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.8. Y son independientes debemos tener. Hallar las funciones de probabilidad marginal (c) de XV (b)de Yparalasvariablesaleatorias del Problema 2.

Yl'"=. la integral tiene el valor f4 ¡5 J.o' = "Í. (o) L¿ función de di¡t¡ibución marginal para X ¡i 0 < ¡ ( 4 ec Ft@) = p(X=r) = f' ¿u=-4 ¿O=-@ f" fet.¡¡'J. = e6c Entonces 96c = 1 y c : 1/96.54 vARIABLEs ALEAToRIAs y DrsrRIBUcIoNEs DErRoBABTLTDAD -l IcAp. Oo = #Í:=.frarau = * Í'^='lÍ"'="u aafa' = + f"="#l'"='* L f4 Br.=.F ."=. Ft(¡) = 1. Por t¡nto Fr(rl = 1.Tn' = idt\t/|.'uau)a' = *f.1Í":=.2<Y ' (c) <3) = Í. y). (ó) Utiliz¿ndo el valor de c hdl¡do en (a) tenemoe P(l <x <2. [ Í=. 7 ñ J"="To' = ln 2.podrfamocremplazarenlaerpreaiónanüerior(por<.- ñ E P(x>s. 1""=140. fi uo = # 1. xaau )clx = "!.:o J"=rcnvilxils ft rrs = " J.'=.(a) = 0.'=.)* = "Í:=rr2adr = "tu*)l'_. =y( 5 ec Fzful = P(Y <-vl = Í¿t=_@ f1 ¿ú=l f" f@.12.r.o)ctud.r=o(ry-. fv J-"=oJ"'='ffiauao = + . .=o J"=.Y=z) = í:="í"'=.'=r$l'"-. 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.=oL.2 Empleando la defrnición de /(. = = 1 C' 5r. para 5 < 0.* s /rz11z .r"=. 4.olduclo dudo = P¡re o > ft (s J. Hallar las funciones de distribución marginal (c) de X V(bl de I' del Problema 2.11.

Se deduce que X.t : 5. J ( por < . l\¡.11. En la Fig.Y es diferente de cero. 2-16 hemos indicado la región cuadrada 0 ( ¡ ( 4. Y puede escúbirse como el producto de una función en r veces una función en y.L2. Para U < l.' *u au)a* Fig.(ul = { (. Las distribuciones marginales . ! c(t = c : F(r. Puesto que f(x.F ¡ (r) V Fzp) se determina¡on en el Problema 2. 2-16. 2-15 2. Halla¡ la función de distribución conjunta para las variables aleatorias X. 3. 1 < y ( 5 dentro de la cual la función de densidad X. Fz@) = 1. región sombreada en la Fig.Yl = rz(az . La probabilidad rc.11 hallar P(X+ y < conjunta de 3).¡ ryl96 sobre fi.2l Para y VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD OD = 5.l\ (r6)(24) Fig. de tal manera que su función de distribución conjunta eetá dada por F(r. !""=.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. donde J tt. esta probabilidad está dada por 'í Í"'=.cAP.ul = fr(r) f2(y).n ffia.¿v I < Y < 5 [ 0 de otra forma L/96. 2-I6 . podríamos remplazar en la expresión anterior [o u<r : 1. 2-15 muesha la definición por trazos de . t = 1. En el Problema 2.14. Y del Problema 2. En efecto. 2. F{A) = 0.LL se observa que la función de densidád conjunta para X. Del Problema 2.F(r. Por tanto Fzfu) Puesto que F2 (y) es continua en y = 4@r-t)tz+ tfy<b a=6 l. o 0 ( ¡<4 f de otra forma . [f=.. y) : Fr G\ Fz@). Y son independientes.| l rr. av = ut-[:. y) resultante.13. la Fig.

' ut 12 : ¿ ttt V@) en la integral al lado derecho.. "rl "" /{.16 ó P(ut<Uiu. págir. Demostxar el Teorema 2-4. | trrr J| s(u.. Véase Problema 2.. 2.56 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP.y) fe2 dr dy Remplazando avanzado que r : Út@.(' 'u2 l3-' '. esto es.páqina 46. 2-17 f . . página 46. donde ry''(u¡ ) 0 (es decir la penCiente es positiva). Jtl r s(u. Úz(u. u) en la integral de la derecha tenemos por un teorema de cálculo flrrtu. (2) puede Fig..1)llJ duda ("' ("'n. Para el caso donde rlr'(u) -< 0. Primero suponemos que a medida que r.Ll Plx = gfu)) = f lv@)l En una manera análoga puede demostrarse el Teorema 2-2.u).67). esto es. Dr P(r1<X1rz.f .a) a@'a) donde es d\u. u) ellacobiano.=o g6. Análogamente podemos demostrar ('36) para el caso donde ..2fu.u11V1o.o'tlJ J< que es (3ti).r\uti. Primero considere el caso donde u : ó@) 6 x : tenemos función creciente. pá$na 46. podemos demostrar que u y u también crecen.a).t'@) Este es un caso especial de (34)._-.17. como puede deducirse de la figura.2 1 L (" = J. Demostrar el Teorema 2-3. para el caso donde J 0. Por tanto = fI¡rfu.a todo u1 y u2 solamente si los integ'andos son idénticos. pá4ina 46.4v. ' olü au = ¡'tl f ¡¡gqullv'tu:du Esto es válido pr. es decir g(u) _. = 2. 2 lu=rd' CAMBIO DE VARIABLES [r(3-r)z r 'rldr 48 2. u). El teorema también se puede demostrar si rl'(u) 0 ó r/'(u) ( 0. u aumenta a medida que r aumenta (Fig. Igual que en el Problema 2. 2-1'7).16.¡.15.1 .fl.. también podemos demostrar que (31) se cumple (véase Problema 2.v)dud. y crecen. (r) (t tlt(u) es una P(ut LI 1tt"): P(rtlX1rr\ f¡7 (2) Remplazando x escribirse como /'ü: | t\u) titr 'ul |. pá$na 46.\: ?u. Entonces.u.. L es una función decreciente de ¡.u .66.rl duda = f"' (''' Ju.At<Y<Az) = | fre | l(r.z 46.= fu ). ) O. 92fu. La función de probabilidad para U está dada por s(u) = P(Lt ") = Plo(x) . y : Ju. Ju. Demostrar el Teorema 2-t.

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.18.3. Como se obeerva en esta ffuura el intervalo .cAP.+ l larelación entre loe valoreedeuyrdela¡variablesale¿torias donde u:2. . Puesto que ú'(u) : dx/du : . 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). Los valores de r para los cuales.16 que la Tbnemosu:tl3(L2-f.¡función u = 2..16..sutz¡21 ]."1:-. o el hoblema 2. de otra forma .3 ( 6 corresponden a los valores para los cualeo 0 S 36 como se muestra en la Fig. = P(.3 ( ¡ < 3 corresponde a 0 s z s 9 er tanto que 3 (¡( 6 corresponde a 9 ( u ( 36..2 = _.17.E2. La función de ptobabiüdad de una variable aleatoria X (2-' ü=1..A¡íparacadavalorderhayunoydamenteu¡valordeuy función de densidad para U ee s(ut Verificación: = ilt'. UyXqtídadapor y8€hatomadol¡raízrealpositiva. 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 ¡.Loe valore¡ de u que correrponden a¡= . f(r) = to de otra forma Halla¡ la probabilidad para la va¡iable aleatoria a = X4 + Puesto que l. La función de es disüribución para U G(ul = P('tlu') Entonces si 0 Fis. U: * . HaJlar la densidad de probabüdad de la variable aleatoria U = )? donde X es l¡ va¡iable aleatoria del Problema2.3 ¡e deduc.U<u) = P(-B<X<\fr) = J-s f@lA.3 y* = 6 rcn u = 6 y u -2re¡I¡ectivamente..'ll = 1 2.. de probabilidad pedida para U ea ( z-ni i s("! = 1o utilizando el Teorema 2-1. du ¡5 <tz:_su. | .e por el Teorema 2-3. 2.. página 46. En este caso no podemos emplear el Teorema 2-4 directamente ¡rero podemor proceder de la manera eiguienüe.I9..2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD es 67 2.tt¡¡f". u= r+11 6 r =n/F1.2..2O. o por el Probler¡¿ 2. 2-18. recfprocamentg.!7. Tenemos tL = tr2 ó r = *\ñ.82.Enüonce¡1. página 46.)óx:L2-3u.19.

1 < y ( 5 correeponde a la regiiin 0( u ( 4.<¿<36 de otra forma 21rsrz Verificación: zlb. u : r. 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.IBUCIONES DE PROBABILIDAD Pueeüo que la [cAP. Y tienen función de densidad conjunta r(x. le * fil2136 z4B l.a) (véase Problema 2.u 110 que ¡e muesEa eombreada en la Fig.=.11) hallar la Método 1. Por üa¡¡to la región 0 I r 1 4. 2-19. Entonces la ¡olución ¡imultiinea re¡ulta r : u. ! : ll2(u . 2-r9 Entonce¡ por el Teorem a 2-4 la función de densidad conjunta de U y V (u(u-t:l/384 21u-o( 10.2 l*ibníz (12). uear¡do la regla de c@l Utiüzando la definición dada de = f(r) eeto se convierte en 0<z<9 9. 1 tZ _1. 2 ea - Fig. lo1u114 de otra forma . etcogiendo arbitrariamente l¡r eegunda relación.-ro 0 6<¿<10 f4 afu.ol =#¿" . Si las variables aleatorias X. El Jacobiano está dado por Fr 0r J_lr"0o oa lüu la" att lo =l I 1 11 -. = {.1.58 VARTABLES ALEAT1ORIAS Y DISTR.21. = 2.2 < u .u). función de densidad de U = X + ZY.r'nu ffr:i:0" 'Sea u = t I 2y. función de den¡idad g(u) ee l¡ derivada de G(u) tonemos.

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

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

w) = (" DISTRIBUCIONES CONDICIONALES fz@\lt@-u)dut = fz'ft "/u=-n 2. 2.- u de tal maneraque u = u-u.o{üau = tfo'k-r"-"-rv\d. Y son variables aleatorias independientes que tienen funciones de densidad ft@l =112"-t' .e-tr¡ f -'.cAP. halla¡ la función de densidad de su sumao U = X Por el Problema 2. (o) Empleando los ¡esultado¡ en los Problema¡ 2. así que por el Problema 2.8. Ve¡ific¡ción: ao ifui = 6o.9 t¿nemo¡ ftutrt = arf que con ¡ : 2 ffi:*+#t f(ylz\=g#f=+ P(Y=rlX=2\=/(1l3r=*z (ó) .23 la función s(ul = t'.f¿ . obtenemos (-' Ítrfz = .f2(u-t:ld.f 2* f1 (Propiedad 1.u:-dw.25.ar@u .f .a J_ú En el integrando f1 se anula cuando u ( 0 y f2 8e anula cuando u ( u. Por tanto Cful = | JO f! (2e-2ül(ge-sru-u))do (" = 6"-su.-*) = 1 2.l) = 6(e-zt .fw=n ..to ¡iu>0yg(u):O¡iu(0.<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.olver el hoblema nes de densidad f t@).u = (. En este caso la función de den¡id¡d eonjunüa et f(x.241a función de den¡idad pedida es la convolución de f t y fz y eetá dada por c@) = ft*fz = f' fr(o. pígna 47\" Tenemos Ít* fz = | /r(") fz@-o) Jo=-a Haciendo fa da u)= a. Si X.rru-u)f2@t)(-d.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD 61 2. 2. HaJlar (al f(y l2).8 y 2. Y son variables aleatorias independientes que tienenfunciof.d.24. (b) P(Y : 1lX : 2'¡ pan la distribución del Problema 2.{olf2(u-olito = f t* fz que es la conuolucidn de h y fz. R'ex. Demostra¡ gue fi t. (y) respectivamente.26.23 si X.27.

El re¡ultado es para 0 (y(r.): fz@lr\ = !(u'a'-l = {'u'* h@\ lo La funeión de densidad condicional no está definida cuando JFr o=u=r otray (¡): 0- . = Í. !2@) Para = Í' Brydr = 4aÍ-u2'l lo¡ otros valores de y. Fig.t'o<a<r [0 se muestra Hallar (a) la densidad marginal de X.2-23. pa¡a 0 ( y ( 1.ffr:j:r. La función de den¡idad condiciond no está defrnida cuando L8 función de densidad condicional de Y es. Si X. = t¡*} ftulr\ h¡a oü¡o¡ ralore¡ de = definid¿. ft (¡) = (b) 0. como 8e integrando con reapecto a ¡ desde r = y hasta Í: indica por la franja horizontal en la Fig. : J'(i**r)0.a) = {t^" de otra forma 1=1=. hl. El resultado es (' Ítu. ft@la) (d) = ffi .) = Jt=o Sxydy .62 VARIABLES ALEATORTAS Y DISTBIBUCIONES DE PROBABILIDAD lcAP.¡. (b) P(v > + I + < X <*+d'r).. (d) la densidad de Y. Y tienen la función de densidad conjunta r(r.2 2.rYP* está. 2-23. (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.'.2E. para 0 ( r ( 1.29.* :". La región sobre la cual f(r. y) er diferente a cero sombreada en la Fig. 2-23. /(¡ | y) no ertó (ó) P(Y>l¿l+<x<l*drl = tr*. Y por f(r.i¿¡t\ = {o (2r/(L-azl a=r=l otra¡ O. La función de densidad conjunta de las va¡iables aleatorias X. Análogamente. Pa¡a los ohos valoree de r. (o) Para 0kc(1. (c) la densidad condicio nal de X.rlrol+)0. (b) la densidad marginal de Y. f2Q): O. ¡.4¡s pare 0 ( ¡ ( 1.a) = {i. rt*) hallar (a) f(alr). dada I 16 2. la deneidad marginal de Y se obtiene fijando a y e L. 2-23 (c) La función de den¡idad condicional de X ec.

Suponer que siempre se hace impacto en el objetivo. que se supone üene radio b. Íis. la¡ funcionee de densidad de X.2-21 Puesto que siempre se hace impacto en el objetivo. y) : 8ry.(. = . Si ecta ee remplazarí pu alguna reshicción en y no dependiente de r (como en el Problema 2. 2-24). Determinar la probabilidad Denótense por X Y la¡ va¡iables a¡ociadas con lo¡ puntos dados. + f t@) Í2fu). 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. f(t.ls rbF /"\2-1. Dos puntos se escogen aleatoriamente en el intervalo 0 < de que la suma de sus cuadrados sea menor que 1. Y son independientes. Jo L /r)'lo' = \a/ --) r de lo cual c = 312a. : T zalo lr-(i) Jl. fot rrror¿a = fo 4A$-u2lda = | 7 f"'r.A\ = 8rA.G't = lI 0<¡<1 | 0 de oEa forma f zfu) : tf f 1 ofY=1 o de otra forma Entonces ya que X.(.[t .rrrro. R es la dista¡rcia del impacto desde el centro del objetivo. Hallar la probabilidad de pegar en el blanco.30.)']0" Aquí.U) Debe anota¡se que no puede deducirse a partir de f(x. = lo'Ar"d.2-23.30. Puesto que se supone que intenalc igualec tienen probabüdadee iguales. 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. ¡ < 1. tal conclusión serfa verdadera- APLICACIONES A LA PROBABILIDAD GEOMETRICA 2. fz(A) : AaQ-A2'). tenemos ("fr.29 son independientes. Determinar si las variables aleatorias del Problema2. La función de deneidad ertá dada por f(r) r_ /r)rl = "Lt . b(Boz-br¡ =. Portanto f(r.r) = . Entonces la probabilidad de pegar en el blanco es Jo I rb t(.)¿. = t.21).2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 63 Verificación: fo' . htotdda -- Ío' 2. Ít@l = 4r?.¡ _. y a¡í { Y son dependientes.. EnlaregiónsombreadadelaFig.r'lúttr = Í"' fo" &or : .t L \a/ 2. que flr.32.31. Eeto ¡e debe a la restricción 0 < y < ¡. la función de densidad estd dada por .cAP. Y están dadas respectivamente por (r) f .

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

. 2-26.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD t'D (c) La función de deneidad marginal pÍüa X es. Paralalocalizaciónde(x.."=. P(x+Y=41 = hÍ. u\noescero]..'=rrr**y)drd.0(u(5 se muestra en la figura. + al dr du = '# 209 (e) s) = h [. l"n=o'rtr*údrctu Portanto P(X +Y > 4) = 33/35.fidxdv *' Tenemo. de la parte (b ).ú itr da es más { es la región sombreada de la Fig. = .'=.a\ = l"u=" J)="Wo"o. 2-26 Fig. donde ft'es la región doblemente rayada de la Fig. donde P(x + Y > 4) = Íí trr.tfrw. i < y yelrectángulo 21u( 6. Fig. 2-27\ la región de integración y) como Ju=-q f' Jt=-¿. F(r. aunqr} se puede encontra¡ de esta forma. ¡5 .ú = P(X=r. utiliza¡ el hecho de gue fácil p(x+y>4) = L-P(x+t'=4) = . (" f@. .Y <ü = En el plano uu (Fig.2-27 es @) La función de distribución conjunta F(r. Ju"=o = (f.cAP. tenemos es la intersección del plano en el primer cuadrante u [enelcual f(u. 2-26.y rr.o)duda s x. de la parte (b). Í2fu) (d) = trrfu) = 1o ¿ (Qa+t6l/I06 0<y<5 deotraforma 45 p(s<x <4.Y>2) P(x > = #I=. = ?. ¿ l\r*61/84 21x16 f(r) = tFr(") = deorraforma {o La función de densidad marginsl pa¡a Y es.)^ f.

2. V: X. Por incpeccióa.36.66 VARIABLES ALEATORIAS Y DISTB.2rs = - 2U8 a = h(r) = ¡fi e8 u¡¡a rolución.Y es f(.ntonc€. i) ¡e encuentra dentro del rectángulo.8 elJacobiano eetáda- .al + Fr(r) F2fu).y 1 l.3') = g F(z. Por tanto.a\ - o Fig. obtenemos oha erpreción. 2-2t (h) Las va¡iable¡ aleatorias aon dependientee ya que f(r. etc.2 Cuando (¡. P(X = di¡tribución deben ¡er igualee.r. Xf si la función de densidad conjunta de X.vl -| F(r.al + ft@lfzfu) o.¡) = I F(r'Y\ = I F(r. lo que er equivalente F(r.yt = d+# F(r. Lor result¡dos completoe se muestran en la Frg. Hallar la función de densidad de U : Método f Sea . Si X tiene la función de densidad f(s) = Halla¡ la función Y { l6rÍ-r\ L0 o(o(1 de oha fotma : h(X) que tenga la función de densidad s@) = {:zf(r-a\ 0 |. o<Y<1 de otra forma Suponemoequelafunciónde¡conoeidahestalqueloeinüervalocXSr.2-28.yeatarolucióntienelaepropiedadeodeseadas.84. F(r. r): P(ts< yI e¡ decir la¡ funcione¡ de Jo f " au$ - u) ttu = (u Prt(t Jo BAI t)2) d. !: u/u. do por U: XY. Br2 .IBUCIONES DE PROBABILIDAD [cAP.yl = F(r. y).Y=y:l¡(*)üienenuna correrpondencia uno a uno en una forma continu¡. B. 2. para 0 ( r. u: x 6r:u. ala¡cuales correcponde u:Í1.y) = I 2z2y*xy2-8!-ZV2 420 F(x.Entonce.1) ó &: a2 6 PortntoY:*tE.

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

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

38.44.42. repreeenüar gráficamente la di¡tribución. La Tabla 2-8 muestra la función de distribución de la variable aleatoria X.39 si s€ extraen las bolas c. 2.on remplazamiento. (b) Problema 2.46.IBUCIONES DE PROBABILIDAI) 69 Problenra. Una urna tiene 5 bolas blancas y 3 neg¡a¡. de digtribución para la variable aleatoria del Problema 2.rlo s VARIABLES ALEATOBIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCBETAS 2.38.4L.48. Una moneda ¡e lanza tres vece& Si X es l¡ variable aleatoria que indica el número de caras que rerultan. (dl P(X < 3). (ó) P(1 < X < 2). Hallar la función 2.89. 2. = Determina¡ (o) la función de VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2. (a) Construir una üabla que muestre la distribución de probabilidad de X V (ü) FUNCIONES DE DISTBIBUCION DISCBETA 2. 2. s). Obtener l¡ función de dishibución y su gráfica para el (o) Problema 2. Una variable aleatoria X tiene función de den¡idad l(x) Ilallar (o ) = 1o = (ce-g" c)0 rso (d) P(X < 1).E¡ suplernenta. 2.18. Una variable aleatoria X tiene función de deneidad f(n) = | "r' 1 "r L0 L< aé2 21r13 de otra forma . 2.47. Obtener la función de distribución y su gráfica para el (c) Problema 2.4O.46. (D) Problema 2.41. probabilidad. 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. (¿) P(X > r. Comparar los re¡ultados con los Ejemplos 2. (c) P(X >21. (o) hallar la di¡tribución de probabilidad para X V (b) repreeentar gráficamente la distribución.42. (D) P(l < X g). Hallar la di¡hibución de probabilidad de Z.40. Si se extraen doe bolas aleatoriamente sin remplazamienüo y X denoüa el número de bola¡ blancas.19. (o) Conetrui¡ una tabla que indique l¿ función de dietribución de X y (b) representar gr6ficarnente e¡ta función de distribución. 2.39.1 y 2. Sea X la yariable ale¿üoria que representa el número de ases extrafdos aleatoriamente en 4 ca¡tas de una baraja de 62 cart¡¡. Rnpre*ntar gráfrcamenüe las funciones de densidad y digtribución. la con¡tante c. 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. Resolver el Problema 2.47. (c) Problema 2.41. 2. describiendo la relación entre ella¡. (r) P(.2. (a) construi¡ una tabla que muestre la distribuci6n de probabilidad de X V (b) representar gráfrcamente la di¡tribución. La función de probabilidad de una variable aleatoria X ee muestra en la Tabla 2-7.2l VARIABLES ALEATORTAS Y DTSTR.cAP.

(g) P(Y = 3). ¿Puede ser la función (c(I-12) F(r\ = 1o una función de dishibución? Explicar. Halla¡ las funciones de distribución 2.52.63.67. (b) P\X'> PROBABILIDAD [CAP.60. De'rerminar ¡i X Y son independientes.!: L. Halla¡ la función de distribución para la variable aleatoria X del Problema 2. (b)lafuncióndedensidad. y su función de probabilidad conjunta puede expresarse por el producto de rfna función en ¡ y una función en v. (e\ P\Y < 2). Halla¡ la función de probabilidad condicional (o) de Problema 2. Hallar (o)laconstante c. (D) de Y dada X para la distribución del . 2. Y son independientes solo si poro todos los uolo¡es de x. (e)siX Ysoninde 2. Y = 2).Y = 3).56.Y>+). 2. Demostrar que las variablec aleatoúas di¡ctetas X. DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2.(b)P(X<+. DISTR¡BUCIONES CONDTCIONALES Y FUNCIONES DE DENSIDAD 2. Sean 2.54.56. (b) de Y para la función de dencidad del Problema 2. (d) P(l<X<2). cerode otra forma.ó8.(d)P(Y<{). Y variables aleatorias continuae que tienen función de densidad conjunta (c(r2*a2) 0Ér< 1. SiP(X:3):0hallar(o)laconstantec. Hallar las funcionee de probabiüdad marginal de (c) X V (b) (c ) y para las va¡iables aleatorias del Problema 2. 2. Sea X una variable aleatoria que tiene una función de densidad (r. E)emo¡trar el resultado del Problema 2. (b) P(X=2. y): cxy parar: L. (d) la función de dietribución. (b) P(1-12< X <312). marginal (a) de X. (c) P(X>l). 0< gr< 1 f(r'u) = 1o deotraforma Determina¡(o)laconstantec. La función de probabiüdad conjunta de dos va¡iablee aleatorias discretae )d Y eet6 dada por f(x.69. (cl P(llz < X < 3/2). (d\ P(X > 21.ót.3.64. X. f(r) = 1o 0=rÉ2 deotraforma Hallar (a) el valor de la constante c.2. (fl P(X = r).ñ.54.56 para el caso donde las variables son continuas. 0= ¡=1 deotraforma 2. (c) P(X > 1).57. 2.70 VARTABLES ALEATORIAS Y DISTRIBUCIONES DE Hallar (a) la constante c. X dada Y. La función de distribución de una va¡iable aleatoria X está dada por 2. 2 2). pendientes.(c)P(|<X<*).3. (c) P(I<X< 2.49.2.

at = 1.paraloscaso¡ (al g. 2.62. (ü) Y dada X. 2. (D) Y CAITIBIO DE VARIABLES 2.69.6t. (b ) Iluatrar el re¡ultado en la parte (a) erco$endo f(rl = i: l0 y verificar la solución. 2. para la digtribución del Problema 2. 2. 2. Hallar la función de densidad condicional de (c) Xdada Y.ú = { 0 J^ ^¿_. hal|arlafuncióndedén¡idad deY=*. -a <a < . Completar la labor necesa¡ia para hallar gt(u) en el método 2 del Problema2.2L e¿ igual a 1. (ü) *. Sea dada X.66. Sea la den¡idad de X Í@l = Halla¡ l¡ densidad de (¿) 3X (l/2 to -l<r(l deotraforma .@) < 0. (b) Y dada X. 2. Si X tiene función de densidad f(r) Hallar la función de den¡idad de l"-. Y.rl:j"<s<L Hallar la funcióa de den¡id¡d ondicional de (a) X dada Y.página46.p6gna 46. u >0 n1O 2. (e-(r+u) x>0.63.67.(¿) S 0.. -. (o ) Si la función de den¡idad de X es f(r ) hallar la función de densidad de X3 . Demo¡tra¡ el Teorema 2-2. 2.*.57 . DemostrarelTeorema 2-3. < 5 < @. (*e-2.(ulZ 0. .2I y verificar su reapuesta. de otra forma [^ la función de ilen¡idad conjunüa de X. Veúfic¿r que la integral de gr(?r) en el método 1 del Problema 2. SiXüienefuncióndedenaidad f(r):(2v)-r/2"-érz. si f(r.2l VARIABLES ALEATORIAS Y DTSTRIBUCIONES DE PROBABTLIDAD 77 2.72.. Hall¡¡ la densidad condicional de (c) X dada Y. (c) r¿.cAP. hall¡rladensidadde Y = tan-rX. 2.64.71. Siladen¡idaddeXes f(r)=U"(r2 *1).66. y>0 f@. 2.2. (bl Xs + 1.7O. n)0 = to r=o Y: X2.6!. l.

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. CONVOLUCIONES 2. 2.emosha¡que (a) lt*(fz*fs)=ft*fz*ft*fs' (b)/rt'(lz+fs) =(/rof)*fs' = Z y lttryo utiliz¿ndo convolucione¡ 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. ofrf 1.t2. APLICACIONES A LA PROBABILTDAD GEOMETRICA 2.76.21 primero efectuando la Ea¡rdormacií¡ 2Y 2. 2. thll¡r proübiUd"d la de que lo¡ trec reg¡mentor de lfnea formado¡ de e¡t¿ m¡nora puedan ¡er los lados de un triángulo. hallar la fi¡nción de den¡idad conjunta de U y V. Y variables aleatorias que tienen función de den¡idad conjunüa Í@. 2.79. yz0 deotraforma {o = X/Y.75. Emplear el Problema 2. l¡ función de den¡idad conjunta h¡lloda en el hoblema 2. Doc puntor ¡e seleccion¡n aleatoriamente ¡obre un segmento de lfnea cuya longitud a o ) 0. osv51 to deotraform¡ la función de densidad conjunta de Y.72 VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD Verifica¡ por medio de integración directa [cAP. 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. y:8 ¡enO demoeEarqne la -@ I e¡ ob\=i ¡r"-tz/2 r=0 r'(0 l0 2. -e 16 1o. para hallar la función de den¡idad de U = X + Z. 2.8E. < U < @. V = X I Y.77. Hallar la función de dengidad de Z = XY. Sean función de densidad de X.).R y @¡ott tt.74. Sean X.22.a) = (2r\-rs-(r2+Yt). Re¡olver el Problema 2.t1. Sea l(n'u) = ){ (1. Si X.halla¡ la función de den¡id¡d de (a) U : XYz. Sean X. y tienen función de den¡idad onjunta f(r'u) = y tJ (e-(t+vt r>0.2 2.22 pare. f. .7t. (bl V = XzY. Si.76.8O.r""""va¡iablesaleatoria¡taleequeX:R co¡O.

t¡. Supóngaee que 2. ¿Cuál es la probabiüdad de que tome el meüro? Se sabe 2. es la función de densidad para una variable aleatoria 2. AB yCD tienen longitude¡ de 8 y 6unidadesrelpect¡vamente. Dos segmentoe de línea. deotraforma Hallar la función de densidad de la va¡iable aleatoria Y: X2 y verificar ¡u ¡olución. Dos variables aleatorias independientee. encontrar c.92. 2.DoopuntosPyQ se escogen aleatoriamente sobre AB y CD reepectivamente. e¡ la función deprobabilidadparaunav¡¡iablcdeaüoriaX (o) Determinar c.0 {o deotraforma X. (d) Hallar P(2 = X ( 5). 2.86.E8. 2. f(r) = ( cre-22 r >. (e) H¡tlarP(X > 3). < X < 2). tomará el metro. y la¡ 3:80 P. En el Problema 2. M. r :1.9L ¿cuil ea la relación en'tre la¡ rcluciones (c).¡¡ue.GlP(x+r>1). X. ir a egta estación entre e¡tos tiempoe aleaüoriamente y eoperar por el buc mÁ¡imo que un bus llega a una estación deüerminada entre la¡ 8:00 P.u r€.Y=ll. (e) HallarP(2 s X< 3).t6.S Y DISTBIBUCIONES DE PROBABILIDAI) 73 2. Supóngase que f(r) : cl3t. (d) P(l <x<21.t7.. . (c) Representar gráficamente la función de den¡idad y la función dedistribución. P(l<x<2. 8i no lo toma.ln 2)lZ. 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 . ' PROBLEMAS DIVERSOS 2. Un¡ pcr-na decide 6 minuto¡. 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. F(rl = 1"0_"_. . 2. (a) Demostrar que para una constante c apropiada..t9.9O. Una va¡iable aleatoria X tiene función de densidad l$tr-¡z) o<¡51 f(xl = t. (o) Deüerminar a (b) Hallar la función de di¡tribución. Halla¡ (o)P(0 < X< 3). (c) Repreeentar gráficamente la función de probabilidad y la función de distribución.(d)HallarP(X> 1). M. (b)P(X> 1).91.. La función de probabilidad de una variable aleatoria X está dada por f(r) dondep es una constante. t)o es la (0 rS0 (b ) Determinar P(1 función de distribución para una variable aleatoria X.cAP.E4. (b) Hallar la función de distribución. (d) y (e)? Jurtifrc¡¡ ..1. P(r=1). 2.2l VARIABLES ALEATORIA.

Estudia¡ ¡i considerra que eltar oupoeiciones Bon realistas y cómo podrÍa mejorarlas si no lo son. f tienen función de den¡idad conjunta f (r' u) = t o llla 0(¡(U..93 ee cumple que P(X > +.103.79 a tres o má¡ va¡iables.Y<312). + y.74 VARIABLES ALEATORIA"S Y DISTRIBUCIONES DE PROBABILIDAD sean lcAP.102.96. Supóngase que la función de probabilidad conjunta de las va¡iables aleatoria¡ X.(c)lafuncióndedensidad 2.s7.93.101. ¿Cuál es la probabilidad de que una parte tenga una longitud mayor que el doble de la oüra? Indica¡ cla¡amente qué suposiciones se hicieron.( tt ( -. Y está dada por I r/9 r/6 r(r.0<U<t de otra forma P(X + (a) Determinar ai Y> rl2r. 2.94. (b) X Si -X.(d)lafunción Hallar(o)laconstantec.). y < g) = p(X > p(y < +. La función de probabiüdad conjunta para las va¡iable¡ X. 0 os¡=2'o<Y=' de otra forma 2 (o) Determinar ei X.1. /(z) = 2. Demo¡trar que la función de den¡idad de X s(u) I @# u=0. * Y es ) 0. (b) ttallarP(l S X< 3.. ¿por qué? +l En el Problema 2. -.. 2. (d) Hallar 2. t2<X< l). nal de X y f. Hall¡r ta función de densidad de Z .91 halla¡ la funciónde den¡id¿d de (o) X2. 2. ¿Cull er el análogo del teorema de la convolución para variables aleatorias di¡creta¡? Ilustrarlo usando el hoblema 2. (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 2.2. u=0. En el Problema 2.a) = de deruidad (marginal) de Y. Sean -(_ Y vari¡ble¡ aleatori¿¡ independiente¡ di¡tribuidae idénticamente y con función de densidad (2v)-r/2¿-úr2.L se rompe en dos parües. Generalizar (o) et hoblemz 2. Y son independientes. dada en la Tabla 2-9.. Y está. Sean X.2.99. X Y va¡iable¡ aleatoria¡ que tienen función de den¡idad conjunta f(r. (d) Harlar P(Ll2 2.X2 + Y2.1ü1.L. (D) Hallarp(1 <x<1. o<Y <2 | c(2r+Y) o(¿(r' o de otra forma I (marginat)deX. . (c) Dererminar si X y Yron independienter. (c) Iüllar p(x<rlz. Un¡ estaca de longitud ..y>1).2 2. Y son independientes. 2. 2. (c) HallarP(Y = r). Y variables aleatoria¡ independientes cada una con función de densidad . (b) Hallar p(X>tlz). x.(u) = ¡1e:r donde l.y> 1/B). y > 1)..(b)P(X>Ll2.96.98.101.78 y (b) el Problema 2.ur = {"-'o |.

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

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

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

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

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

Yson variables aleatorias con funciones generatrices de momentos M * (t) y M .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. Entonces X. Y tienen la misma distribución de probabilidad solo si M.'NCION GENERATRIZ DE MOMENTOS (27) - 'i|¡'a I-a.3 Como casos especiales tenemos.-" (32) es decir.t"2 lrt = t"L-Bp'rtr * l"t : t't.#l+ "' * r:#+''' ¡"i (r 1) Puesto que los coeficientes en esta expansión nos permiten hallar los momentos. utilizando pl = p ygb:1. IUI y (t\ idénticamente. Teorcma 3-I0 (Teorerna de la unicidad): Supóngase queX. FUNCIONES CARACTERISTICAS Si remplazamos ú : i<. erf(r\ dr (r) (variables continuas) Podemos demogtra¡ que la expansión en serie de Taylor es [Problema 3. La denotamos por .15 (c)] M*(t') : I + tLt * r. De la expansión podemos demostrar que [Problema 3.IZ DE MOMENTOS 3'8: Si Mx (ú) es la función generahiz de momentos de la variable aleatoria X y a y b (b 0) son constantes.función generatríz de momentos se define como Mx$) ee decir = E(e'*) er"f (28) (variables discretas) (2el (30) M*(t) = M"(t) ¡ . Donde no exista lugar a confusión escribimos M(ü) por M"(tl. la justificación del nombre función generatriz de momentos es lógica. donde i es la unidad imaginaria en la función generatriz de momentos obtenemos una función importante llamada lafunción característíca.4pip I FI. la función generatnz de la suma de va¡iables aleatorias independientes es igual al producto de sus funciones generatrices de momentos. AIfUNOS TEOREMAS Teorema SOBRE LA FUNCION GENER ATR. (t) respectivamente. En palabras..r(t\ Teorema = """'**(l) (33\ 3-9: Si X. f M " son variables aleatorias con funciones generahices de rnomentos M y "(t) (t) respectivamente.r.80 ESPERANZA MATEMATICA lcAP. 2p" 6¡Ir¡12 tt. entonces la función generatriz de momentos de (X + a)/b es + Mr*ro. = l"L.=t eo'f(r¡) = 2 ) _. (r) ..

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

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

r"siX:l. Entonces si e es cualquier número positivo. 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.LosTeoremas 3-L. Definimos la espensnzrt condicio¡wl o media condicio¡wl de Y dada X por E(ylX:r) = . 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 ¡.:}(.tf. f@ln) da alrededor de cualquier valor c como = E(Y lX: *).* Con frecuencia eb conveniente calcular las esperanzas empleando la Propiedad 2 y ¡ro directamente.cAP. Kti a2 P|X - pl> ko) k2 . Un teorema importante en probabilidad y estadística que revela una propiedad general de las y varianza finitas se conoce con el nombre de desigualdad. I nlv les.5.3l ESPERANZA MATEMATICA 83 ESPERANZA. 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. Una no puede decidir si conducir o tomar el bua. yl. para una moneda honrada. y el tiempo de viaje. x = a) = Í__. ¿Cuál ee su tiempo de viaje donde Aquf eetamo¡ considerando la distribución conjunta del resultado del lanzamienb. de Teorema 3-18 (Desigualdad de Chebyshev): Supóngrise que X es una variable aleatoria (discreta o continua) son media ¡t y vañanza o2 finitas.) s 4 rr | / (58) (5e) o. 12 y 3-3 también son válidos para la esperanza condicional. y)lf t@\ donde f1(r) es la función de densidad marginal de X.Presuntamenb.o - *r). EJEMPLO E(Y) : . E(Y lX = r) = E(Y) si X' }z son independientes. Tambiénpodemosdefinir elmomento condicionalrde YdadaX a\. asf que lanza una mor¡eda. El tiempo promedio de viaje a una ciudad lejana es c horas en automóvil o b horas en buó. { Y: Yauro si X:0. = r)f 1(r)dr 2.tf*rf@lx)da _^ Obsewamos las propiedades siguientes: @5\ donde "X: N" debe entenderse como x 1X S r * d¡enelcasocontinuo. 1. Y tienen función de densidad conjunta f(x. - al. así quepor la Propiedad 1 anterior y E(YIX -0) = E(f¡wolX=0) = E(Y*rol = c E(YIX= 1): Z'(ysorlX=l) = E(y5*) = b Entoncea la Propiedad 2 da (con la intcgral remplazada por una zuma). VARIANZA Y MOMENTOS CONDICIONALES Si X. p€rsona eeperado? 3.. f : Y6.YautoV YbussonindependientesdeX.rr - *r\2 | X = r) = Í_- . P|X-pl | 3.glX -. X.con.

Aunque la ntedia es la más empleada. Mediana La mediana es el valor de r para el cual P(X = x): P(X.6. Por ejemplo. Teorema es una consecuencia interesante de 3.3 3. que esperamos sea verdadero.34)./n difiera de su valor esperado ¡¡ por más de e. la desigualdad de Chebyshev.10 6lO% y se Fig. Si h : 2 en la desigualdad de Chebyshev (59 ) vemoo que P(X-pl>2s) í= 0. . : Xt* Xz+ .pero cuando n '+ @..) Sn/n (60') Puesto que Sn/n es la media a¡itmética de X1 . 3-2 es c. 2. lim + X" (n=L. el ánea a la izquierda de r. el resultado del Teorema 3-19 se llama ley de los gundes números en forma débil. En tal valor r. la probabilidad de que X diflera de su media en más de 2 desüaciones típica8 €8 menor que o iEral a 0.2. ..25 6 P(lx-pl<2"\ > 0.ro sería 0.. PERCENTILAS Con frecuencia es conveniente subdividi¡ el área bajo una curva de densidad empleando ordenadas de manera que el átea a la izquierda de la ordenada sea algún porcentaje del área unidad to tal. Con li31 frecuencia este resultado se denomtna ley de los grandes números en forma fuerte.. equivalente. y. es que p con probabilidad uno. también se emplean otras dos medidas de centralizaciiln. . realmente es falso. la probabilidad de que X se encuentre dentro de 2 dewiaciones típicas de su media es rnayor que o igual a 0. Esto es bastante extraordina¡io si se tiene en cuent¿ que aún no se ba eepecificado la distribución de probabiüdad de X LEY DE LOS GRANDES NUMEROS El teorema siguiente. cada una con media g y varianza o2 finitas. trimodal o multimodcl respectivamente. tres o más valores que tienen relativamente grandes probabilidades de octrrrencia. .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. . se implica la ley débil. en contraste. Moda. Un resultado más fuerte. Xz. Así por ejemplo el área a la izquierda de la ordenada eD f. La moda es el valor que con mayor frecuencia ocurtre.25. r): 1l2. .75 Literalmente.19 (LeV de los gnndes números): Entoncessi S. variables aleatorias mutuamente independientes (discretas o continuas).3-2 . llamado la ley de los grandes números. Xn.84 EJEMPLO ESPERANZA MATEMATICA lcAP. f(r) es máúma.. Cuando se hace referencia a la "ley de los grandes números" sin ninguna especifrcación. En tales casos decimos que la distribución es bímodal. este teorema establece que la probabilidad de que la media aritmética S. Algunas veces tenemos dos.75. Los valores que corresponden a tales áreas se llaman uolorcs percentila o simplemente percentíhs.. Estas son lamoda y lamediana. =o "( *-" =. En el caso de una üstribución discreta puede no existir una mediana única (véase Problema 3.. 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. tiene la mayor probabilidad de ocurrir.q en la Fig. 1.\. Sean X. . o en otras palabras. tiende a cero : g.

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

. Entoncee Restando.2.os diferentes valores de X conjuntamente con sue probabilidades se muestran en la Tabla 3-2.(i). Sin embargo una lotería gana dinero. - E(Y) ^/t\ = tll) * \o/ "' . [.0005 0 P(X : r\ 0... El precio justo a pagar por un boleto es 6 peeoo. Comúnmente se compara con la curya nonnal (véase Capítulo 4).00 ó 6 pesos.0005) + (0) (0.'(*). el precio del boleto sería más alto.) E(xt = Para halla¡ esta suma.9?75) : 6.(i)" = +.'(*) . Por ejemplo la probabilidad de obtener uno de los 20 boletos que dan un premio de $ 750 es 20/10 000:0.002.ero que se ganará un boleto.(*) .s resueltos ESPERANZA DE VARIABLES ALEATORIAS 3. Es posible definir coeficientes de sesgo y curtosis utilizando otras medidas de centralización y dispersión. Hallar la esperanza de una variable dada por aleatoria discreta X cuya función de probabilidad está Itrl Tenemos : (i)' (t=r. = 1 PorüantoS:2.. . Hallar la esperanza de la suma de puntos al lanza¡ un par de dados honrados.02) + 750 (0... |s = i .002 3000 0.'(+). pero los definidos anteriormente se emplean con mucha frecuencia. ¿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:.s. s = .3 que es una cantidad adimensional. 3. 20 premios de $750 y 5 premios de $3000 Suponer que se colocan a la venta 10 000 boletos. La esperanz¿ de X en pesos es r (pesos) 150 0..'(#).1. que tiene un coeficiente de curtosis igual a 3. Sean X. js = !+ | + á + # +.977t D(x): (150) (0. Tenemog E(x) Entonces.. Problerna. Y los puntos que aparecen sobre los dos dados.002) + 3000 (0. hágase á.z.41. por el Teorema 3-2.. Véase también Problema 3.02 750 0..o\El = t7 \o./ 'l*)* 7 E(X+Y) = E(X\*E(Y) = 3.3. En una lotería hay 200 premios de $150.(+).86 ESPERANZA MATEMATICA lcAP.

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

Halla¡ (a) la varianza y (b) la desviación típica de la suma obtenida al lanzar un par de dados honrados. Demostra¡ el Teorema L4. / .4.2.p\zt = '[(* -])'] = l:_ (" _'L)' t*.10. tenemoe f(x. Y ron independientee. var(X) (D) 3. Si la¡ va¡iablec X. Demoshar el Teorema 3-3. Además. Tenerno¡ E'(x ^"' * u' -'u. Sea ¡t(¡.(l) var(X) Var (X * ' . de ¡i X.)'= i o = tFf-var(x) = \E = t r" : Ot¡o ¡nétodo. por el Teorema 3.9. E(x2) = E(vz¡ ='. Obsérvese que la validez de eate teorema gira alrededor de si f(. y."*' ""'*"' =i'|í'.*(á) # :%1 Entonces. y) puede expresarae como una función de r multiplicada por una función I. Entonce¡ l¡ varianza e¡ Var (X) = Etá . y) la función de probabilidad coniunta de X.4 l¿ media de X ee ¡t= E(Xl -. Y rcn E(XY) = 22 Í!J! --t ra f@.(.. independienteo." (')no(')l E(X) E(Y) Si cualquier va¡iable e¡ continua la demoetración ee desarrolla de igual manera. o. y): f tG) /2 (y).7 Y) = Var (X) (Y) = F (b) ox+).3 3. Por tanto Y.'/'Q)2afztu) . Hallar (¿) la varianz y (b\ la desviación típica para la variable aleatoria del Problema 3. ea decir.:r:¡:* . (o) Del Problema 3. con¡iderada di¡creta. tenemos E(X): E(Y)= 7 12. Y ¡on independientes.\2 ^a = f-('-L)''"-"0' = i = El(x-r)21 E(xz¡-ll(x))2 = t. VARIAT'IZA Y DESVIACION TIPICA 3. p6g¡na 78.r. por el Teorema 3-4.y f t@) fz(a) )1. = Var(Y) = +-(. página 77.8.88 ESPERANZA MATEMATICA [cA". puetüo que X. con las eumas apropiadae remplazadas por integracioneg. Por el Teorema 3-4.(+)-Fr. (o) Como en el Problema 3.)'= * Var y. = Wa"(X+Y) = 1/g v6 3. Pa¡a va¡i¡blee dependientec generalmente no ee cumple.1/2.7.u) = ) ) . püa todo ¡.

pi E(Y - py) - o ya que X.n)21 E[(X .ttv eon independiente¡.\x. página 79.o)n = O. !¡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¡ .. e¡ decir cuando a : ll. Y .u. = .(i )/.. . * .'tut '\'/ + "' + (-L)'-'( t .2] + zEl(X .págna79..-iut + "' + (-l)'-t¡ur * (-l)-rnt donde al combin¡r loe do¡ úlüimo¡ término¡ re¡ulta (-l)r-1(?'- 1)p'.u\(Y .ft\tr*"-. La demo¡tración de (I9).pv)}21 EllX .14.3] ESPERANZAMATEMAIICA 89 3.-'u \I/ + ." -. mínimo de El(X-o)'l ocutre cuan- 3. Demostrar el Teorema 3-6.-.pv)l * El(Y EI{(X Var (X) + Var (Y) px)(Y pvl2) El(X - - pv)l = E(X . pág¡na 79.r?2.i.tt): E(X).P)21 + (P ..px)(Y . . p{ina 79.t:.. Var (X + Y) = E[{(X + Y) - (px + pv))2] = = = = utilizando el hecho de que . + r-r¡t('. .r.t'+ "' + {-r\r\l)r._i...12.í':.r.)t(")u'-l + (-t)rpr \.' .. Y y por tanto X gue al remplaz. Er(x-'''..!^r_':i.lt:0.px) + (Y .)¡.tt)lo es una variable aleatoria normalizadq demostrar que (u) E(X*¡ = 0' (b) Var (X*¡: 1. \t / \r/ + . Si X* : (X .ltx. + (-r\'-'( n .t . y el hecho de que E[(X tt)z1= 3.pl|. se ri' y emplear cl Teorema 3-6.cAP.a)2 pueeüo que E(X . página ?9.11.E(x..13.py) + (Y .EÍ6 .TNCIONES GENERATRICES DE MOMENTOS 3.(i\*. Demeshar el resultado (26). Demostrar el Teorema 3-7. Pr = El(x-pl'l = nfL x... * t-t'(T)t1"'-. = t(4=\ / =.)"n'-' + (-t)'p'l J \r-r/.:./ /\ /"\ = .px)2 * 2(X . MOMENTOS Y FI. (a) puesüo que E(X) = E(x*t ¡r. .ar Y gnr -Y .

e t-oma¡ los valores 1 y .. Pcto Al comperu Mx(\ tenemog t!:0.* pL=1. Apéndice A) tenemoe Mxe) = E(etx¡ = n(t+tX-t2x2. ¡á=0.2'.Lf".. Demostra¡ el Teorema B-9. p'+=L.*"-.1 = .._" 3.*#. = L*pt*uLr4.r ze<t-Dt : -T=Tlol@ = z li't<2 z-t.+"-. Demoshar (o) el resultado (Br )....16. ffirol.. 8-18.I con probabiüdad 1/2 cada uno. La variable aleatoria X pugd..*rá#*u. (b) el resultado (g2).(á) = |G.. Y ron independiehtee.) * .ú3x3.-"'ro. (o) Eqetx¡ = .t (D)Tenemor hsonce¡ et = e_t t+r+#.90 EspERANzA MATEMATToA [cAp. Eltt (o) la función genératriz de momentos y (b) lós primeros-cuatro momentos alrededor del origen. = L+tlt*uL#*ri#*. 'r"') \ . Todo¡ los momentos impares 6on cero y los pares Eon uno. 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. = . = 2 fo'e<t-z>'d..17. M(t) = Eletx¡ = f" J eEf(t)dr fo" ""1.16.rfr. cualguier función de X y cualquier función de y son independientes. !utt" quc X..r|r*frr. (r) (zl (I)V e\ = 1_¿+ r+_#*fr_ . g s..(.... página g0.*#*.-'. (o) utlliz¡ndo lrr erpaneión en serie de potencia de eu (8. For t¡¡to Mx*vQ) = Elet(x+Yr) = E(etxetv¡ : E(etx) E(¿tv¡ = MxG) My(t) 8.) cn(ú - o)" cn = i. (ü) dcú=oer Sc dcduce inmedi¡tamenüe del hecho conocido del cálculo de que si la ¡€nie de Taylor de f(ú) alrededor f(t) : enroncc .'. -T! \ 12 rg t + tU(x) + ae(xr) +¡a1xa¡ a . página g0.

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

Y es oxy = Y) = El(X . Demostüar el Teorema B-14. página 82. arf 2c O + .útit¡) l€ lo lo .e-ho 2ia.¡xXY . 3.92 ESPERANZA MATEMATICA La función ca¡acterfstica está dada por lcAP. Demostra¡ el Teorema B-15.22. página 82.o = 8en Cú.pv)] = E[Xy .24. = *t_""^"0. Puesto que f(r) es una función de densidad tenemog Í).c-atxt d.Fxpy .l*-ei. la función ca¡acterística está dada por E(eiax¡ = . Yl = E(XYI -. Si X. = "{lo 4f-o u-n<-.6-'l "iar¿-. Por tanto.LJ_-e(a+t@)ro" q.3 D(etx¡ = f-. e<o+iarz * Jo ¿-<a-.23. úu empleando las fórmulas de Euler (véase problema 3. Hallar la función característica de la variable aleatoria X con función de densidaa f@) = ee-atEt.."r.* npv] = E(XY) . y eon independientes entonces E(Xy) : E(Xl E( y) .. e-(a-i@)¡ 2 a*io l-" ' ._(a_io) ü a L 2(o* io) 2(a.ryttx * pxpv = ElXy).E(X)E(ts) = 0 .r'. por tanto por oxy el problema 8.io') = _a2 a2 * o2 COVARIANZA Y COEFICIENIE DE CORREIACION 3. Por definición la covarianza de X.t an + !o' "-"r.o<t> ¿sf . o" = asf que I ...23 = Cov(X. + fo* n.f?o/.pvX.lxtty = E(XY) _ E(X) E(Y) Cov (X.20) ceñ d = ao. l:. .p*y ."-*l* = -Alo = I - Entonces c: ol2. = 2a io l-o = | al@t la ela@ .pxE(Y) . 3.donde c ) 0 y c es una constante apropiada. a.r = "lÍ:. -oo < Í 1 @.pyE(X) * E(pxpvl = E(XYI .rrrrru.f(r)dr tlÍ-"eíore-o<-x.

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

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.94 ESPERANZA MATEMATICA fu'=o [cAP.30. la función de probabilidad eondicional de Y dada X : 2 es ftutz) = Entonces la esperanza condicional de Y dada + 2. Si f(r) es la función de densidad de X entonces .rrr.2g.y) = E(xy)-E(x\E(y) = ?-(?f)(*t) oxy = -# -0. La demosbación para variables discretas es semejante si ee remplazan las integralee por sumas.28(o). ..(iu) = ii 3.2g. Hallarlaesperanzacondicionalde(c)YdadaXv(b)XdadaYenelProblema2. . * a) dr tru = # otr . p= oxoy -200l3969 /50s615e6-0 {r6únsn -200 t/zsnr/te zzs = ESPERA}IZA. = var (y) = E(vz¡ _ l'(y))2 = t# _ (#)' = t.(#).)\t)* J_- donde hemos utilizado el hecho de que ltz: E(Y lX: r) :2. f u'.g. Demostrar la desigualdad de Chebyshev. pág¡na 62. 3 (d) (el u') b) (h') (t oxy =# E(Yz¡ = h f."=. pág¡na62.za condicional de Y dada 2(L-ys¡ 2(l+y*y2) --¡O+7I- x para eI problema 2.(#)' = *tq*$ o2.\r-.var(X) = E(xz¡-ll(xtl2 = #. Esto oru o"oo oo.# E(xz¡ =h Í. [. DESIGUALDAD DE CHEBYSHEV 3. Hallar lavariar¡.rrrr.29. (o) (ó) E(ylX=r) = Í-_afrtuldau = ír'r(rr")* = + E(xly=y¡ = f_-". VARIANZA Y MOMENTOS CONDICIONALES 3. X: 2 es E(Y =2) "x = ? r(+) X: donde la suma se toma sobre todo y que corresponde a E(y.03129 aprox.27.^:. .(ui) .27.28.(rlytdr = í"'"(#*S* El=a\ 3. página 61.. Hallar la esperanza condicional de Y dada X : 2 en el problema 2.=o. * v) dx da = cov(x.zlB del Problema 8.pág1na62. Presentaremoe la demostración para variables aleatorias ecntirruas.x=2) = -.(#). . Como en el hoblema 2.

ul=') 02 esto se conviertq.(l*-*l \t o2 =t)/ = 1-(1-e'r) = p2 e-s = 0.04e?e = plr- = 7/4. Así por la desigualdad de Chebyshev con Tomando el límite cuando n ) -. Para la variable aleatoria del Problema 3. /ts r|..t)/ = .) = o .'.25 Comparando con (o) observamos que el límite dado por la desigualdad de Chebyshev e¡ ba¡ta¡te crudo. página 84.*Var(X. La desigualdad de Chebyshev P|X-pl > f) resulta P(lX¡r] = 1) < oz = 0.. (b) Utilizar la desigualdad de Chebyshev para obtener un límite superior de P(lX . DeI Problema 3. como se pide.'*"') . = E(X) = p Var(Xr) = Var(X2\ = "' = Var(Xn\ = o2 Entonces t(*) = "(*'*'.t+.* .t <1) = "(l*-*l . En la práctica la desigualdad de Chebyshev se emplea para dar estimativos cuando es inconvenientc o imposible obtener valores exactos.32. el valor de la integral solamente puede disminuir cuando el int¿rvalo de integración se reduce. | \ _ ul=_ . Por tanto 02 t¡z-ttlZe rlr-yl=. Por tanto P(lX-rl > 6) 3. . Entónce¡ P1x ¡.¡.) así que t'" (+) = 4 var (s") = * X: Sr/n üenemos _/ls" | \ donde hemos empleado el Teorema 3-5 y una extensión del Teorema 3-?.rl > 1) y compararlo con el resultado en (a). LEY DE LOS GRANDES NUMEROS 3.x. ¿lr-al=e Pero Ia frltima integral es igual a P(lX - pl ? . Tenemos E(Xrl = E(X2l = .31. Demostrar la ley de los grandes números establecida en el Teorema 3-19.) = ¡toz tt Var(S") = Var(Xr*'...18.¡rl > 1).*X. (c) hallar P(lX .cAP.).+E(x")l = L(nt) = = Var(Xr)*.|ww.18. ¡¡ (o) = 1/2.(-:.3l ESPERANZA MATEMATICA 95 02 = EI(x - p)21 (' = J-* @ - p)2 l(r) dr Puesto que el integrando es no negativo.. ".|) ol ¿l \l \ o = J¡ | f :l/2 Ze-udr = 1 - e-3 Portanto (b) Del Problema 3. '|.18.

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

o sea ¿ 0. a (c) f. En forma análoga puesto que todos los valores ¡ ( 0 tienen probabilidad cero. (o) Puesto que todos lós valores ¡ ) 3 tienen probabilidad cero. Empleando el método del Problema 3. Por tanto el orden de las tres medidac es contrario al del hoblema 3.r - pl f (n) dr = l"' l' .33 la media Desviación media ee lt : 1. OTRAS MEDIDAS DE DISPERSION 3.3.655 apror.098 y 2.L21 aprox.. . (b) La vigésima quinta percentila es el valor de a tal que (L8o2 P\X<a)=#(Y-fl = "# aa -a4¡¡8t \l8L : O.-1998 0.19. (c) Como se encontró en el Problema 3. : 1.esdecirlasoluciónde(18a2 : 0. I.t):ll2.3l ESPERANZA MATEMATICA 97 (b) Si¡escualquiervalorentrely2.l : 2.. = - p|) = l_". Hallar el coeficiente y (b) curtosis para la distribución del Problema 3.1253 3693 8750 (a) Coeficiente de sego -: o.n "¡fa' = Í^" (.Portantacualquie¡númeroentrel y 2 podrfa representar la mediana. es decü 312.'"¡)a' = SESGO 0.35..b1 aprox.25. Determinar los valores de la (c) décima. (c) Del hoblema 3.0 : 3. Determina¡ (a) el recorrido. (b) Por el Problema 3.P(X=r):l12yP(X. (b) vigésima quint4 (c) septuagésima quinta percentilas para la distribución del Problema 3. Y CURTOSIS de (a) sesgo 3.")[#. : 2.68 aprox. Por tanto Recorrido semi-intercuartflico = ?121 .)[#'n .60 : 8/ó.33(b) tenemos (o) LadécimapercentilaeselvalordeoparaelcualP(X5o):0. tomamos el uolor mínimo de ¡ : 0. Por coneecuencia escogemos el punto medio del intervalo.33 hallamos que s : 0.cAP. Del hoblema 3.*l[#.19 tenemos 02 ll 25 It3 oo - 32 8?5 -0.35 los valores de la vigésima quinta y septuagésima quinta percentilae son 1.33. (b) el recorrido semi-intercuartílico y (c) la desviación media para la distribución del Problema 3.o .098 aprox. Entonces el recorrido es 3 .l0.10.")] d' + Í.33.36.121 reepectivamente.a septuagésima quinta percentila es el valor de ¿ tal que (18o2 - a4 ¡¡8t: o @a. Entonces E(lX = D. PERCENTILAS 3. :. M.". (" . tomamoseluolor móximo de ¡: 3.r :: .? 5.37.33. Del Problema 3.

"" Entonces j f'= " -iia 4.38.x¡ ¿ior¡ = - i -) r^..tlZ Se deduce que hay un sesgo moderado a la izquierda... ... .. f tl' .. Sea p. (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 -. 4¡ J.. J. y la varianzaes 02 : M"(O)-ÍM'1O¡12. . respecto I @ desde 0 hasta 22. pk 1 12= T.. es algo menos apunüeada que la 3€. yp¡ los coe¡icietttes tte iour¡"r. que tiene una curtosis de 3. - I zt. Qk¡). ¿ k icr_..40.. .1. = I#+i:"-o 2¡ tt'' sr(..l l''. n2. .t_ | eú . Utilizar el Problema 3..¡ rru. o1_o o. También la distribución distribución normal. PROBLEMAS DIVERSOS 3.. tenemos remplazando r : L y r : 2./" ." . 3.i)o ¡f.39 para obt€ner 14 distribución de probabilidad de una variable aleatoria X cuya función característica es O(<¿ ) : cos .página 80..98 ESPERANZA MATEMATICA lcAP..{o) r/o Con frecuencia llamamos Q$.Para una variable ¿leatoria continua.Iu-| é(o) E1er.u-¡ . De (32).l ¡rt" .. coS c do -e ':.1. = o" = M"(0) - lM'10¡12 1.(ar tra -= k =S o*Ja " ¿i{r'. como se indica en la Fig. puesto que f_"n.3 (b) Coeficientedecurtosis = et :. ._ ..> ]¡xeik. . f-ri".' '^'y'..j .39. .. . la serie de Fourier se rernplaza por la integral de Fourier (véase página 81).1.¿...rf t1o k+j k---j Por tanto rt ¡ P¡ . (b) Mulüiplicar ambos lados de la expresión (r) . Del Problema 3. " t*''L i:.n. .("... = .r-. remplazaudo j por h. X una variable aleatoria que toma los valores t n. ti = M'(ol Entonces de (27) tL = M"(o) p = Iú'(0) 3. ú"r**:r.Z. = 2¡p f -o --n . Si M(tl es la función generatriz de momentos para una variable aleatoria X demostra¡ que la media €S g : M'(O...r i r)d (¿@ I ¿ir r 1.39 I pt..

41. 2 2'\2/ = . -f rz ¿. {2¡ or./g\ = {.20.\2/ {.Pa¡alo¡oEdvalore¡dektenemo¡p*=0. .= -z-rll) . cientc de sesgo es cero.si.k:-1hall¡mogp-r=*. "_. \ Fig. = Z Jo {i . con probabiüdad Ll2 con probabilidad Ll2 -r 3.1"/l) = -{. (.. 3-? (b) Tenemos p. (o) f(t)= l¿-"'" l/Zn- -co<n<e l!\ : llt = O y lt\:0. = E(xz¡ = -+ ¿l" l/2r -. Iülla¡ el coeficiente de (c) sesgo y (b) curtosis con densidad de la distribución defrnida por la curua normal.8.2"-22/2¿¡ ¿u = + 'to f'sz¿-x'/z¿.1"/1) = r \/. Por simetrÍa. Por ta¡¡to la va¡iable aleatoria ectá dada por X=) Comó una verificación vúas€ hoblema 3.. Por tanto el coefi- La di¡tribución tiene I¿ apariencia de la Fig. # to' '"t2"-'d'o B L 4.cAP. 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.x2/2 ¿. 3 Por tanto el coeficiente de curto¡i¡ e¡ -i-ó .2./.. Análogamente obtenemos ti = E(xr¡ = h fl= o.)21 = E(X2) = pí = ps = qllX -p){] = E(X4) = p'n -o2 'lt4-. (r |." *.3l ESPERANZA MATEMATICA 99 Si&:lhallamosr'=$.p. = h Í. 3-7.'\2/ Entonces = EI(X.

(cl E(X21..Y El(Y _¡v)21 c(X - Px))21 = 0 / ol. / . La función de densidad de una variable aleatoria X es /(r) = (e-r r>0 de oüra forrns 10 Hallar (o) Eo(l. 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).45. (b) E(zX + 6). -2"":'\ -" -* \"r* ) -/ = oí+oil"-.42. (c) E(XY). (c\ E(Xt). 1/3 por . ll2 .100 ESPERANZA MATEMATICA p [cAP.s suplernent&rio s ESPERANZA DE VARHBLES ALEATORIAS 3.zl \ 'xv\2 "i" "x/ --t-"i = ""*"1-o'*"=-0 ó *=1 '7ní queesequivalenteap2 < "'*"?. 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).3 3. 9. + n?.47. * c2El(Xr ¡x)21 . 3. Hallar (a) E(XI.44.{) * -. (b) E(Xr). g.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__ .46. I Problerna. Una variable aleatoria X se define | -2 prob. ¿Cuál es el número esperado de puntos que resultan en 3 lanzamienüos sucesivos de un dado honrado? ¿Parece razonable su solución? Explicar. (b) E(Xz *)a2). Sean X. Demosbar que -1 < s1 (véase página 82). Para cualquier constante real c tenemo¡ .!\'Entonees el lado izquierdo puede escribirse El¡. (c) E'l(X-1)21. = o?."Í\"-. 3. (bl E(}X-21.-".( ".Y = ] 3 prob.49. .48. Una variable aleatoria X tiene la función de den¡idad (e-' r>0 /(r) = {l0 ^ ¡(0 Hallar E(e2x/31. I 1 3. Sea prob.zcEl(X.x)(Y- pv)l = + c2al - 2co*.¡.

s) = ] : de otra forma |0 Y). E(Y\. (b\ E(XY) : E(X) E'(Y).7/2 prob.0=tt<2 lr(t*u) l\x'a) = f deoüraforma 1o (b) E(Y). * Xil. (d) E(X2t'). Si /(t. (x) = io x>-0 de otra forma Hallar (o) Var (X). ¿Se cumple que (o) E(X + Y) = E(X\ + Sean X. 1/4 Hallar (o) E(3X+2Y). 3. en eI Problema 3. . (f.57.50. (b) E(Y).. 3/4 prob. tc)E(X+Y\. Y va¡iables aleatorias con deneidad conjunta f(r'al = iat' Io o-<:us1' o<tl<1 de otra forma Hallar (o) E(X). (d)E(XY). (c) E(X-rY). + Xn). Hallar (o) la varianza y (b) la desviación típica del número de puntos que resultan en un EoIo lanzamiento de un d¡do honrado.50? Explicar.'.48? Explicar. (b) E(Xy) -. . en el Problema 3. = I Z [ -_r Hallar (o) E(Xt+ prob. 3. 3. (b) E(2X2-Y2).49.66. 1/3 \o prob. que (o) D(X + Y) = E(X) + E(Y).69. 0f s<I. 1/6 Xzl . ¿Se cumple que (c) E(X + Y) = EIX) + E(yl.3l ESPERANZA MATEMATICA ¿Se cumple 101 3. Sean X. Y va¡iables aleatorias con función de densidad conjunta Hallar (o)^E'(X).53.E(X) E(Y). Sea X una variable aleatoria con función de densidad f (e-. Sean X.58. (b) "x. VARIAT{ZA Y DESVIACION TIPICA 3. (ó) E6?+ X'r+ . (d) E(XY).54.62. 3. Xn n variables aleaüoria8 que están distribuidas idénticamente tal que | 1 Xt.. 3.cAP. Sea X una va¡iable aleatoria con función de den¡idad (1/4 -2f x=2 l(rl = jo deotraforma Hallar (o) Var (X). 3.2/3 v) | 2 i -a prob. X2. (cl E(XY).XY\ 2 = E(X) E(Y\. en el Problema 3. 3.(zr+y) 0<r='I. 3.51.0lyf 3. 1/B prob. (b) "x. . . Y variable¡ aleatorias independientes tales que ^ vt || prob. . (b) E(.52? Explicar.55. Sean X1 . (ft E(xY).

62.71. E(X): 2. Hallar el hésimo momento alrededor (a) del origer^. Ei6 - . 3. En el Problema 3. (b) de la media. 1/2 prob.. Si M(ú) es la función generatriz F:t de momentos de la variable aleatoria X. p Prob' g=L-P Hallar la función característica de la variable aleatoria X que tiene función de densidad í'llZa f(r) = 1o 3.44. (a) Hallar la función generatriz de momentos de una variable aleatoria con función de densidad f(t) = fe IO y (b ) r r>o de otra forma determinar los primeros cuaho momentos alrededor del origen. (b) Problema 3.44.01 - 3M"(0) ¡l'(0) + 2lM'(0\13 Ifrivr(Q) 4M. - 1)2] = L0. 3. (b) Var (X).72. E(X2 ) : 8.7 lxl I a deotraforma 4. 3.43.61.'(0) ¡f. (c) o¡. demostrar que el 3o.(0) + 6M"(o)lM.(0)]2 - 3[M'(0)]4 FUNCIONES CARACTERISTICAS 3.67. ESPERANZA MATEMATICA Hallar la va¡ianza y la desviación típica para la variable aleatoria X del Una va¡iable aleatoria X tiene (a ) [cAP. (a ) 3. momentos al¡ededor de la media están dados por = p1 - ItI"'(. 3.64..70. 1/2 -tn primeros cuatro momentos alrededor del origen. 3. Hallar (o ) Var (X ). MOMENTOS Y FUNCIONES GENERATRICES DE MOMENTOS 3. 3. (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.6 hallar (a) E(X). Si X tiene función de densidad ¡t") : -i (l/(b-a\ O a'=r=b de otra forma. Halla¡ Ia función ca¡acterística de la variable aleatoria (a X = 7 ó I prob.65.60.67 halla¡ los primeros cuatro momentos alrededor de la media. 3. Hallar los primeros cuatro momentos alrededor de la media en el Problema 3.68.43. (b ) ox. y 4o. (á ) Problema 3. 2\21 Si una va¡iable aleatoria X es tal que E[(X Demostrar el Teorema 3-1. 3.63. página 81.66. g Problema 3. Hallar (o) la función generatriz de momentos de la variable aléatoria x = y (b ) los ( U2 1 prob.69. Demostra¡ el Teorema 3-11. página 77. Hallar la función carar:terística de la variable alcatoria X con función de densidad f¡): (x/2 io 05rtZ deotraforma .73.r02 3. 3. 3.

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)

Tenemos z de la variable tipificada el wlor tipificado. (r) Este resultado se conoce frecuentemente como la iunción o la distribución de densidad normal tipif!eada.-. ert (z)..73% del área total.-2y I2. du = + # fo' . P(-Z=Z<2) = 0.. es decir si hacemos (6) z=r= entonces den¡idad la media o el valor esperado de Z es 0 y la variartza es 1. P(-3< Z<3) = 0.. 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. 4 En este caso decirnos que la variable aleatoria X está normalmente distribuida con media g y l.Nl/s-> 96. En esta representación gráfica hemos indicado las áreas dentro de L.2 y 3 desviacionestÍpicasde lamedia(esdecir entue z: -1y * L. Si hacemos que Z sea la variable normalizada correspondiente a X..u y F(z) : á['. 99.9545. En este caso la función panZ puede obtenerseapartir de (4) alremplazar! = 0V o: 1.6827.99?3 (10) ¡$$. 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.73% Fig.27%. Esto quiere decir P(-1<Z=L) = 0. : . La función F(z) eú(z) = z-frÍr' e-u'd.z: + . resultando de f(z) : le-"'" V2" .96.46%. La función de distribución correspondiente está dáda por F(z) = P(Z < z) = I t/2" Í'-"-. algunas veces conocida como la curva normal tipificda.451/" y 99.110 va¡ianza DIsrRIBucIoNEs DE IRoBABTLTDAD coN NoMBBE pRoplo [cAp. que es uno. *t(ft)] (e) En la Fig.".68. du (s) se Algunas veces llamamos al valor encuentra relacionada con la función enor.z. 4-1 se muestra una representación gráfica de la función de densidad (7).8 yque3) las cuales rcn iguales aJ.

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

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

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

en tanto que las proporciones de bolas blancas y rojas 6onp y q = L. entonces .n'-" o2 = 'ILPQ p=nP esperábamos. = i@-a).p respectivamente.(ó N es grande comparada con n). (221 se reduce a (I8).a)/(b-a) a< n <b rzb |1 f o r<a (27) La media y la varianza son respectivamente u = |@+b) DISTRIBUCION DE CAUCHY Una variable ". Los resultados son los que N gmnde el muestreo sin remplazamiento realmente es idéntico al nuestreo con remplazamiento. r=Nq (21) (I9) V e0\ se conviertan respectivamente en P(X = x'¡ = (22) p--nP Obsérvese que cnando (23) escribirse como N -+ . que puede (24) p(x=t:) y (23) se reduce a = (I)o. párySna 109. La función de distribución está dada por F(rl = P(X = x) = j (t.114 DISTRIBUCIONES DE PBOBABILIDAD CON NOMBRE PROPIO [cAP. si la función de densidad de X es (2el .=#=*. (281 X tiene la dbtribución de Cauchy. ya que para (25) de acuerdo con las primeras dos entradas de la Tabla 4-L. 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.s=#=# de modo que 6 b=Np.

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

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

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

. b. 1ú.. r.' {-[(?)' -. Distribución binomial negativa o de Pascal. r : 1 da la distribución geomékica..CUADRADO. = t!-qprzt. p es la probabilidad de éxito en una sola prueba. Y. remplazando t = ia.. = (X -t)o'n'-' r :. : L/4'rr'r. y p es el coeficiente de correlación entre X y Y. r=l ""=# Me)=# r. (+)' ) /.ottoz sonlasdesviacionestípicas de X. M(t\: aquella en que el primer éxito ocura. DISTRIBUCIONES DIVERSAS En las diskibuciones descritas más adelante.9: Teorema fYF 4-r. É¡r p2son las medias de X. . 2. lt:po'=p2 r"rq E+S La va¡iable aleatoria aquella en que el r-ésimo éxito ocurra. p. Distribución geométrica f(t) = P(X=r) = pq'-' r=t.0(* :. -ú <A <6'. Con frecuencia nos referimos a (49) como la distribución normal bidimensio¡ul. .. La función ca¡acterística se obtiene de la función generatriz de momentos.rr. se considenn positivas al menos que se establezca lo confrario. Y está dada DISTRIBUCION NORMAL BTDIMENSIONAL Una generalización de la distribución normal por la función de densidad conjunta a dos va¡iables aleatorias continuas f(r. .r *1.4 *8: 4-o.Z. El caso especial X representa el número de pruebas de Bemoulli hasta. e incluyendo. Teorcma 4. a. e incluyendo. donde se da.o.= + X.. . Aquí La variable aleatoúa X representa el número de pruebas de Bernoulli hasta. Y.r.. las constantes o.r. f (r) : P(x = .u\ : 2rororl/T-p" ". 1..51). En el caso de (491esta condición también es suficiente (véase Problema 4. 410: 4. RELACIONES ENTRE LAS DISTRIBUCIONES CHI.n] (4s¡ donde -o ( t.118 Teorema DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP...r'X?) .. Para cualquier dishibución conjunta la condición p = 0 es necesaria para independencia de las variables aleatorias (véase Teorema 3-15).

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

/l\/tYll\'= . (c) puede escribirse P(al menos una /s\/r\'/r\o /s\/rY/r\ = \s/\rl \ü -\.)'(.I2O DISTRIBUCIoNES DE PRoBABILIDAD CON De otra forma. 4. i 8 P(al menoe 1 cara) : 1 : .)'= P(1 cara) 3 (c) P(aI menos 1 cara): P(1. qr" X.r)\t)\r) .X. NOMBREPROPIO [CAP. -1t\irY/'\'= \0/\2i \2/ (d) P(no más de un - P(ninguna cara) 1 8 sello): P(0 sellos o 1 sello) : P(0 sellos) * P(1 sello) 1 Debe menciona¡se que también puede usarse la notación de las va¡iables aleatorias.sea la va¡iabié aleatoria que denote el número de caras en los 3 lanzamientos.)'(i)'= á (b) p(zserrosunacsra) :: (. ó 3 caras) : * P(2 caras) * P(3 caras) = /'\/l\'/t\'.2. (o) p(scaras) = (l)(.\t/\t/ \z/ \z )\zl \zi \3 l\2) \2 / De otra forma. Usaremos ambos de los enfoques intercambiablemente. Tenemos (c ) dos X él número de veces que un 3 aparece en lo¡ cinco lanzamientos de un dado Probabiüdad de 3 en un solo lanzamiento = o=I q = t-U : * Probabilidaddeno3enunsololanzamiento =' (o) P(Bocu¡ra2veces) = P(x-2) /l\llYll)' = i"' 3888 \2/\6/ \6/ . (c) al menos dos veces. Halla¡ la probabilidad de que en cinco lanzamientos de un dado honrad o aparezca 3 veces.2. Aeí por ejemplo si seleccionamo. (b) máximo una vez. 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).' /'\lrY/l\'. Sea la va¡iable aleatoria honrado. cara) = I'(X ¡-- 1) = P(X = 1) + P(X =2\ * P(X: 3) ..á .

4 16 Otro método.L' = /1\/1\'/l)'= l.16 P(2 niños) : P(l niño) * P(2 niños) 16 16 * P(3 niíror) * P(4 nlñoa) 1 3 1 1 4 8'.3 vemoe que (o) (b) N(rmero esperado de familia¡ con al menos 1 niño = . Entonces.i \t/ \t/ = 2 8 p(4 niños) = (l\ /1)'11)'= f x-/\z) \z/ . De 2000 familias r-:on 4 niños.. de que en una familia de 4 hijos (c) al menos 1 sea niño.\s/\z) \z/ .i tUO (c) P(l : P(l niña) * P(2 niña¡) niñoe) :P(l niño)*P(2 : I +3 : * . -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. (d) ninguna niña? Refiriéndonos al Problema 4.ooo (lf) = 2000 18?5 Número esperado de familia¡ con 2 niño¡ 20OO ' P(2 niños) ó 2 niñas) = (3) = \ó.zL (b) P(3 ocurra máximo vez) = P(X 1) = P(X = 0) * P(X = 1) = = 1l\/rY1¡\'*' ¡s) /r\'/rY ../s\/t\'/qY \2/\6i \6/ \'i \ei \o/ * \o/\e/ \6/ * \s/\a/ \a/ 626 r25 25 1 763 . Suponer que la probabilidad del nacimiento de un varón es t-. por ejemplo. (b) al menos 1 sea niña. ¿cuántas calcula deben tener (c) al menos 1 niño. P(almenorlniño):1-P(nir¡gfrnniño) = l(b) P(al menos 1 niño y al menos una niña) ll)t \2/ = .cAp.= 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\'. 3725 3125 = n76r n76.4.3. \r \zi\z/ .3888 4. HaIaf la probabilidad (o) p(lniño) p(3niños) Entonc.\o/\6i \6/ \r/\oi \o/ 3125 . -' /t\/ 1l\'/+)' = t.. (o ) ee coüvierte en P(X>l) : P(X:l)*P(X=2)*P(X=3)*P(X=4) = 18 4. (b) 2 niños. P(al menos 1 niño) /t)l+)'ll\' = \.es sea niño y al menos 1 Ll2. 4l DTSTRIBUCIONES DE PROBABTLIDAD CON NOMBRE una PROPIO '. (c) 1 ó 2 niñas.3888 ' 3888 ' 7776 ' 7776 .

Sea la (o) P(X: t) = (rn ).L22 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.6. f (r) P(x = r) = (!\o.. Si X está'distribuida binomialmente.46e. Para una secuencia de n pruebas de Bernoulli definimos n /n\ '?n ('/tr"')'0"-' (a -l.'(\*.l# = fr X que está distribuida Hallar la funCión generatiz de momentos de una variable aleatoria binomialmente. \r/ Entonces la función generatriz de momentos está dada por M(t) = E(etx¡ = )etxf(r'¡ n /n\ = ¡=0 .p:0. determinar la probabiüdad de que de 4 tornillos escogidos aleatoriamente (a) 1.n) . 4..0.' (0.46e6 ffi ? . de un tornillo no defectuoso va¡iable aleatoria X el nl¡mero de tornillos defectuosos.6...4 Número esperado de familias con 1 ó 2 niñas = tZOOOill) ' '\ 6 / \/ = 125 1250 (d) Nfrmero esperado de famiüas sin niñas = (2000)( i ) = 4.0..2.1. = 1:)l+Y/q\' \"/ \"/ \6/ - r25 216 y 4.q" .r.nba j-ésima si éxito en la prueba j-ésima U=1'2.:: =:"0..7. (ü) p(X = 0) = (c) P(x <e) = (fi)to. Médodo 1.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 2.8)a = s.detalmodoquelaprobabilidaddenoTenunsololanzamientoesq:1-p:516. Si el 20 % de los tornillos producidos por una máquina son defectuosos. (b) 0. Entonces es g : I . página49). = = Método 2./ ) _)p..8)r = ¡.pet¡" Xi ' |0 {[1 si fracaso en la prr..rt't0.8. La probabilidad de un tornillo defectuoso e8 p :0. sean defectuosos.n" . HaIIar Ia probabilidad de obtener un total de 7 al menos una vez en tres lanzamientos dé un par de dados honrados. (c) menos de 2. P(al menos un ? en tres lanzamientos) = | .

o - {-npq.cAP. tenemos. .9) : 36.8. ..npl > k1/i-npq) < i ó (3) Si hacemos c = k \l T.la ley de los grandes números (en forma débil) pa¡a las pruebas de Bernoulli.1 = .)(0.2. v (3 ) se convierte en P(lz -.e*pet M(t) = M tQ) LI2Q\' ' ' (i=1.i . (o) Medialt:np:(400)(0. págirra 84. como se requiere. página 83.lro. Procediendo como en el Método 2 del Problema 4.)l*.'* Xn.) + (r - p)2p = i)". 2. (b) l'Iananza o2 : npq: (400) (0.1 ):40.) Í+ó \l ?¿ -l = / = 0 El resultado también se deduce directaménte en el Teorema 3-19. 4.. de Los resultados anteriores también pueden obtenerse (pero con má¡ difrculüad) derivando la función genaetriz momentc (véaee Problema 3. n.t/V6d. li* Pll{-.y (I)rc convierte En particular si X tiene distribución binomial o de Bernoulli.9.L52\...'EBAS DE BERNOULLI 4. Pa¡a la función geraeratr:iz Mj(t) = stoqlettp .7 tenemos para/: L.." *Var(X) = npq donde hemos utilizado el Teorema 3-7 para o2 . M"(t) - 'f pst¡n 4. si X es cualquier va¡iable aleatoria con media tas.IMEROS PARA LAS PRI. . :-.q Entonces o2 p:E(X)=E(X'\+E(X2)+"'+E(X")-np = Var(X) = Var(Xr) *Var(Xz) +. entonces F = P(lX. con S. Por tanto la desviación tipifrcada o = y'56 = 6. Si la probabilidad de un tornillo defectuoso es 0.1.10.. o =. = X.) / \ 14 'l y tornando el límite cuando n -+ @ = 2+ ¡4r. Demostra¡ que la media y la varianza de una variable aleatoria distribuida binomialnente son p: np Y o2 : npg respectivamente..t y varianza 02 Íini- (r) en tol P(X-11 -ko\ flp. LEY DE LOS GRANDES NT.esdeciresperamolque40tornillosesténdefectuo¡os.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L23 de momento¡ Entonces las X¡ son independientes y tenemos X: Xr * Xz *. Demostrar el Teorema 4-7. halla¡ (a) la media y (ó) la desviación tipiticada para el número de tornillos defectuosos de un total de 400 tornillos. Por la desigualdad de Chebyshev.1. página 80. entonces ¡. y1 E(X) = 0q*Ip = var (x.i)'== . tt = flp.38) o direetamente de la función de probabilidád (véace Problcma 4.n) (Q Entoncee por el Teorema 3-9.

Halla¡ el área bqio la curva normal tipiñcada (a\ enfte z: Q y z: 1.941.gg4g z=O . 4-3 (b) Area pedida : área entte z : O y z: *0.211 = + (''" {2r .6636 e-ú'/! clu = 0.(área enhe z :-0.94.94) O y z = 0.4 4.68 sz=o) = -! l'o {2¡ J = | r' -o.2. Por üanto'. El recultado.46 y 2.4864 : 0. (c) entre z : -0.68 y 0.a'ley de los grandes números establece en este caso que la probabilidad de la proporción de los 3 en n lanzamientosdiferiendodel/6pormásquecualquiervalor€)0tiendeaceroamedidaquen-+€.2.81y z = L.12.27.+e "-u2t2f.rz¿u (c) ñ J" Area pedida .2910 = 0.25f ? El área.28.68 "- u. (e) a la derecha de z: - L.1828 O yz ) lo mi¡mo que P(0.as 0.ildlt + _= |^2 ¿¡ = O.L (o) Utiüzando la tabla en el Apéndice.46 y z: 2.=12 Fig.81 0. 0.4964 | t/Zt Js \/2r Jo "-uz/z 1 (d) Area pedida : (área entre z : : E¡to es - (área entrez : 0. Por tanto P\0=z=r.6636. Por tanto .i77Z + 0.C. proceda a la derecha hasta la columna 8.68 (por simetría).L24 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.21.4738 - : 1. 0.46 " 1 e-u.t _o. baje por la columna ma¡cada con z hasta alcanzar el valor /.68 y z : 0. P(-0. DISTRIBUCION NORMAL 4.3849.Luego proceda a la derecha h¡sta la columna marcada 0.11.. 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. es el área pedida y representa la probabiüdad de que Z estÉ ent¡e O y 7. El resultado. (d) entre z: 0.2I) : O. .46 f ZÉ2. baje por la columna z basta alcanzar el valor 0. Entoncee.¿ ¿-uzr!¿u = -! Jfo \E = ___1__ -o.46) * (área enbe z:0 y z : 2. ee el área pedida y representa la probabilid¡d de que Z eté entre -0.2) = | {u ¡rz Jo ¿r.0. [. \. represenüa la probabilidad de que Z eaté entre -0. Por tanto P(-0.u + t/2" 'lo + ('"' "-u2tz 1¿4 2l 10.6.46 y z : O) * (área ent¡e z : O y z : 2.81 = Z = L. = "-u!/t 0.(b) entre z:-O.2L) : (área entre z : O y z : 0.!772 + 0.2517.

4332. 0 y z esO.4549 y z: l'ig.3621.5 )/10 .O2l7 + 0.0217.5 y 0 ) .O2l7 : Entonces el á¡ea entre z).14.O2L7 : 0. z debe ser positiva.28'y z = O) T 1área a la derecha de z : 0) = 0.5:0. suponiendo que se regis' han al valor de kg más próximo. Por tanta z: + 1. el valor 0'3?70 se encuentra a la derecha de la fila ma¡cada 1.35.5 y 71.8997 Esto es lo mismo que P(Z > -1. hallar el valor o los valores de z tales que (a) el área entre 0 y-z sea 0. z : -t. (o) Los pesos registrados entre 48 y 7l kg pueden realmente tener cualquier valor entre 47.4332- Entonces el área entre 0 y z es cual e: -1. hdlar el número de estudiantes que pesan (a) entre 48 y 71 kg.13.L6.:1Tí"11u (área entre 0 y O. El peso medio de 500 estudiantes varones de una universidad es de 68.28).5.3??0.16. Area entre -1. (a) En la tabla en el Apéndice C.16 es otro valor de z. Si "área" se refiere al área bajo la curva nonnal tipifrcada.0.0277 (árca entre -1. Suponiendo que los pesos están dishibuidos normdmente."O. o.5 kg en unidades tipificadas 68. Entoncec la z pedida es 1.cAP. de lo cual z:1.(área entre 0 y z) (área entre 0 y z) 0.5.5 y z sea 0. Caso 0.69.1 y bajo la columna 6. El problema es equivalente a resolver para z la ecuación rfz G ).4332.694 utilizando interpolación lineal. -1.4-ll -1. Caso 1: z es negativa pero a la derecha de -1.7O ?1.4332 :0.09.5.5: 0. (b) Puesto que el área es e-tt/2 du = 0'3770 mayor que 0. Area entre 0 y z es 0. o.5)/10 68.4115 de lo 2: z es negativa pero a Ia izquierda de -1. (b) más. 4.5 kg.3997 + 0.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROP¡O Area pedida L26 (e) - (área entre z: -t.8621. con menos precisión. 4.5: -2. (b) el área a la izquierda de e sea 0.5 kg en unidades tipificadas : (71.de 91 kg. por tanto z debe ser negativa.5: 0.4332- : 0.5 y z : 0. Por simetría.5 kg y la desviación tipiiicada es de 10 kg.8621 . z : -1. : (47 . Area entre z v -t'5: 9ü.5 y 0' (c) Si z fuera positiva el área sería mayor que el área entre que es 0.30 47. (c) el área enhe - 1.

4-r3 Si W denota el peso de un estudiante escogido aleatoriamente.600 P(W -. d1) = "ut'<o2t2/2t (J-ú "-tr-ort" l/2" .5<W<71. Sin embargo para doe cifrar significativag los resultados son iguales.5 .l.2) yz Proporción de lavadoras no defectuosas .4821 + 0. Determinar el porcentaje de lavado¡as defectuosas producidas por la máquina.29 cm.10 y z Ol * (área eítte z = O y z : 0.29 cm como representando realmente los diámeüros de¡de L.0107 es 2.275)l O.600) kg.7698 ó O yz : 77% -1.5 Proporción pedida de estudiantes 91'5 kg en unidadee tipificadas: (91.0125 cm.010?): $.9tOt 4.26 en unidades tipificadas 1.16.10 y z:0.91¡ = 6. .30 = 600(0. el resultado anterior se modifica ligeramente.2 -77% = 23%. : Z.1179 = kS ee 0. podemos resumir los resultados anteriores en términos de la probabilidad al escribir P(47. 1-14 Obsérvese que si consideranros el intervalo L.26 a 1.26 (1. (D) toe e¡tudiantes que pesan más de 91 kg deben pesar al menos 91.O]-25: -1.2 Por tanto el porcentaje de lavadoras defectuosaÁ es 10002 Fig.29 .L26 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.5 - 0.300) 0.(área bajo la curva normal entre z : L.(dos veces el área enhe z : = 2(0.68. suponiendo que los diámetros están dishibuidos normalmente.30 Entonces el número de estudiantes que pesa más de 91 kg Fig.3849) = 0. La media del diámetro interior de una muesha de 200 lavadoras producidas por una máquina es 1.I. El propósito prira el cual se han diseñado las lavadoras permite una tolerancia máxima en el diámetro de I.295 cm.4 Proporción pedida de estudiantes : : = (área entre z = -2.275 cm y la desviación típica es 0. M(tl = E(etx¡ = L= Remplazando (x ot/2r J -- (' ette-(t-tD2/2c2 dtr g.26 s 1.30) : (área entte z: -2. (área a la derecha a. etrt+oot-tu2/2. de otra forma las lavadoras se consideran defectuosas.2 .11. 1.2 L.29 en unidades tipificadas : : (1.6000 Entonces el nfimero de estudiantes que pesa entre 48 y 7f 500(0.1.(área entre z : O y z : 2.2 : -7.5)=0. .0126: L. 4.30) 0.tt)lo: uenlaintegralde M(tl = -= | \/2r J-14q modo quer:¡¡+ dx: o d4 tenemor dt. r.2) .266 a 1.275')lO. Hallar la función generatrrz Tenemos de momentos para la distribución normal general.6)/10 : 2.SO) (área a la derecha de z : 0 ) .4893 = 0. = 300.

7784 Probabilidad 2341678 Nfrmero de caras Fig.)'_ .58. (b) la aproximación normal a la distribución binomial.95) : O. 4-r5 23{587E Nfrmero de caras Fig.) ffi. 4-16 y puede aproximarse por el área bajo la correspondiente curva ncrmal.5 en unidades tipificadas : (2.X. en la Fig.e O.68 y z = O) * (área entre z : 0 y z : 0. La precisión es aün mejor para valores .#*¿%*# 03 = # = 0.4429 + 0.es la probabilidad pedida es P(B=x<6) = #. obtenido en la parte (o).cAP..58 6.5 en unidades tipificadas : (6. 4-16 trata los datos como gi fueran continuog. Tqqbié"r!g_.)\.ó8 : -1.¿*\ / = ewt+(ozt2/2) APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 4. Entonces p(x=B\ = P(x ('f)(. Entonces dadas por/r= np=10(4\= 5yo = {nw = y'(10)(+)(+) 2.p94!l y la varianza para la distribución binomial están = 1.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L27 Entonces sustituyendo u - ot: u hallamoc que ettt+(c2t2/2)( M(t) : + f\t/2" J-* "--.5)/1.6. Hallar la probabilidad de obtener entre 3 y 6 caras inclusive m 10 lanzamientos de una moneda honrada utilizando (c) la distribución binomial.5 a 6.3289 : 0.7718 (área entre d.5 caras.58: 0. mostrada a trazos.-o) l+Y 5 ll)' : . 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. )\. Cor¡siderando los datos como conünuoe.E \ /\2/ \2/ =5) = l.* "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. ro¡ Entonc..5)/1. (o ) Sea X la variable aleatoria que da el número de carag en 10 lanzamientos. La probabilidad pedida es la suma de las áreas de los rectángulos sombreados en la Fig.95) (área entre z :-1.5 .17.7734 que se compara muy bien con el valor verdadero superiores de n.58 y z : 0. se'deduce que 3 a 6 caras pueden considerarse como 2.

OB pero debido a que el habajo involucrado en la computación es excesivo. (rzo\/r\/!\'.(.0. 239. o \ i \6/ \6/ -{. .37) -0.b.0.5 en unidadee tipificadas :-5.6/ r7 \ /\6/ \6/ \ /\6/ Con¡idenndo los datos como continuos que 0 a También .mr.3557 -0.7 3 Probabilidad pedida : (dos veces el á¡ea bajo : 2(0'4968): 0'9936 la eurva normal enb.L28 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP. Un dado se lanza1-2O veces. t.18 (o) Necesitamo¡ la probabilidad de que el número de caras se encuentre enbe 240 y 260..6528 = (239.94 ib) Necelitamoe la probabilidad de que el n(¡mero de caras la encuentre entre22O y datos como continuos.(i) = 250 s '= \/ill = .e z: O y z:2. es decir etabacargoda 280.18.5 en unidades tipificadas 28O.. ..5 .)(+) = I 1.4115 : 0..94):2(0..5 en unidades tipificadas : : (área bajo la curva normal entre z: -0.08 .1443: 0.5 en unidades tipificadas hobabiüdad pedida ..'.5 en unidades tipificadas: (14.5 y 280.5 y 260....6 - 2O)l4. entre 219. entre 239.5 en unidades : (área bajo la curva normal entre z: -5.5 - 250 )/11. Esta se encuentra exactamente ¡rzo\/f\"i 5\'o' . 219.3? (D) Procedemos como en ha parte (o).35) : 0.(área entre z : O Y z :-1.5 cuatros.20)14. empleamos la aproximaclón normal.(lX*) : -5. = .OB tipificadas : -0.O2 14. o si conslderamos los datos como continuos.5 -.5. Una moneda honrada se lanza 500 veces.' La probabilidad de que resulte un 4 es p: l16 y de que no reeulte esg : 5/6.94 y z: 0.6 .250y11.94) : (dos veces el área enhe z: O y z :0. 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. un 4 debe apariecer 14 vece¡ o menos en aproximadamente la décima parte de estas muestras."p: . Entonces -0.5 en unidades tipificadas : 2.5 a 18.18 : -2.- -1.02) : : -(área enhe z O Y z : 0.35) : (á¡ea entre z : O y z : -5. Hallar la probabilidad de que el número de caras no difiera de 250 por (a) más de 10.3264): 0.18: .02y z: Probabilidad pedida -O. ¡ rzo\1¡\''l5_\'o' r8 \.19.0885 Se deduce que si fuéramos a tomar muestras repetidas de 120 lanzamientos de un dado. : 4.94 260.5 se 0. (b) por más de 30. l8 cuatros pueden tratarse como tt = ttp = Entonces 120( )l = ZO \o/ /t\ y q = 1/-n7tq .02 18.311 : (área ent¡e z: O y z: -5.. Hallar la probabilidad de que resulte 4 (c) 18 veces o menos y (b) 14 veces o menos..0.02 y 2 : -1.02) .4 4. podríamos considerar que la moneda no 4.73\ por más de 30. remplazando 18 por 14. suponiendo que el dado es honrado. pbr (o) Deseamos la probabilidad del número de 4 entre 0 y 18.31-i Probabilidad pedida : (área bajo la curva normal enhe z : -5.5 en unidades tipificadas : 1-0. .7 3 280. o si consideramos : (219.

. . que ee la distribución de Poisson.+:: ¡=(l ' ' e-). tenemos >{] !a1*="¡ = t=O -. ) 0.I \n/ / r \ ¡-¡ ) n1@. dado que ). Otro método.-r)" r?. 1. Segundo.i)-' + m/ \ \ cálculo = €-tr empleando el resultado conocido del .'ir . Entonces donde E(X) /-\ (I ) se convi'erte en rl Entonces cuando ¡. .cAP./ \ --> = (r-\)'1t .. Establecer la validez de la aproximación de Poisson a la distribución binomial. ' .4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L29 DISTRIBUCION DE POISSON 4. 1'-t)/'-?).rl ('* i) = Se deduce que cuando n (2') / \¡ eu - pero I permanece frjo (es decir p -+ 9¡ P(X=r) + ¡:q. obseryamos queP(X: ¡) ) r=0 O para r = 0.20 realmente es uná función de probabili' dad.21. página 80. : rtp de modo que p : I/n. 4. (¿-r)(1) /..20. Primero.er = 1 y se completa la verificación. 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. = "-^. entonces (f) P(X=r\ = l'"lqrq¡-r \r/ : np. Verificar que la función límite (2) del Problema 4. n/\ n/ \ en tanto que ('-+) +. El reeultado pedido entoncec ¡e deduce utilizando el Teorema 3-10. 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 ¡. Si X está dishibuida binomialmente.

Si la probabilidad de que un individuo sufra una reacción por una inyección de un determinado suero.r -Lót 1! ) = l-6e-z = 0. es 0. Zze-21 -.. Diez por ciento de las herramientas producidas en un proceso de fabricación determinado re.130 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.001. Halla¡ la probabilidad de que en una muestra de 10 henamientas seleccionadas aleatoriamente.1) - 1..' . 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.18 En general la aproximación es buena si p É 0. podemoa suponer que X tiene una distribución de Poisson. (b) más de 2 individuos tengan reacción.0"-' ./íil 2 o et't-(.e¡' = \z/ 0.23. t ¡t qn. TEOREMA DEL LIMITE CENTRAL 4. _/1t\ para X* es ". (o) La probabilidad de una herramienta defectuosa es p :0.22.4 4.re = (10)(0. Entonces de acuerdo con la distribución binomial p(x:zl (b) Tenemos )\: np (tJ )10.2te-z --z! . lioo ¡ln p¿tar liii¡ {ili ¡n . Denótese por X el número de herramientas defectuosas de las 10 escogidas. empleando (o) la distribución binomial.1. Entonces de acue¡do con la distribución de Poisson I¡¿- P(x--x) . Denótese por X el número de individuos que sufren una reacción.183e ó 0. X tiene una distribución de Bernoulli.001) :2 _ 0.t ¡n = le(qe + pet. e t..323 Una evaluación exacta de las probabilidades empleando la distribución binomial requeiiría mucho más trabajo.180 (b) P(X>2) = 1-[P(X=0) *P(X:1) +P(X=2)] _ I fzo¿-z. determinar la probabilidad de que de un total de 2000 individuos (c) exactamente 3. sultan defectuosas.tr r/iñ 1o + per/ lliii tvr ll-nw 1n ¡pt e ' tnp. exactamente 2 estén defectuosas.1# ^:?¡p:(2000)(0./)(p".1e37 ó o. (b) la aproximación de Poisson a la distribución binomial. pero ya que las reacciones se suponen sucesos raros.(d) I¡¿-)\ donde p(x-Bt . )r.np)/l/nW y la función generatriz de momentos Eletx'¡ E(et<x-nú/t'/-nil¡ tnnr rliii g 1"txrl noÁ ¡ "" = e-tnpt. vC.1 y \ = np 5 5. La variable tipificada para X es X* = (X . es decir P(X:x\ -.24. 4.r¡r1s.- 6 P(X=2) = %: = 0. tfi-oa = > ¡=0 |\_.

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

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

4. n=6. = n# Í.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Método 2 (empleando la fórmula).páginallS.28.#ruo. = E(x) = E(xz\ l"'* = #:af" b2-a2 Z(b-a\ a*b 2 (b) Tenemos = I.modo que = r*tu*lfí*.30. X con DISTRIBUCION DE CAUCHY 4. r= 4.29.. ¿ > 0 e. tiene unadistribución Cauchy en.. o > 0.r! * la cual no existe si ú es real. (b) o2 : Ll72(b -a)2. Esto puede verse al notar por ejemplo que si r ¿ 0.159). Entonces por(I9). (a) t. PIX=S) DISTRIBUCION T.laprobabilidadpedidaes . 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. Oemos- /(a) = ! -L2- . 7+ azctr sin +-ai )-.' La función de densidad de @ es < j.'NIFORME 6 = \/4 }i|j. .l \ /10\ \5/ 4." = o 2 . J-. Sea @ una va¡iable aleatoria distribuida uniformemente en el intervalo -l=t trarque X: atan @. i J-6 x'' + a: ""'l' .rr¡ r¡¿n' ("' 2o (" cosor r=.2+d2dr ' _ donde hemos utilizado el hecho de que los integrandos en el segundo renglón son funciones par e impar respectivamente.'f-+ = #tl. a f .cos or = . Demostrar que la media y la varianza de la dishibución uniforme (página 114) están dadas respectivamente por (¿) ¡. -> t!! I y la integral a la derecha diverge. = ffi= Yt+Y = Entonces la va¡ianza está dada por s2 = E[(X-u¡21 = E(Xzl-uz ry4y_ (+). Tenemos b 133 =6.' 7't|^ou" (b) La función característica de X es E(eiox) = g (¿. Puede demostrarse que la úlüima intcgral existe y es igual a e-aa (véase hoblema 4. Jo r.r-n '. = firo_ot.@ 1x1*. : Ll2(a + b). de. E(erx¡ = g (" -J".dz T . Í"..cAP. (a) La función gerreratriz de momentos de X es -¿. r = 3..

134 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Considerando la baruformación [cAP. = r@l#l = :a+-a DISTRIBUCION GAMMA 4.. ya que I'(a + 2) = (c * 1) r(c * 1) = (a * 1)a I(a).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.rÍ". Hallar lavarianza de la distribución beta.19: t tenemos E(xz¡ = ff"*. El segundo momento alrededor del origen es * 0) l'(a + 1) r(B) o I a B E(xz¡ = f(a)f(p) (t ."-r{r-x)F-tlitr = frffiJ.lff.E(X2) - (ap)z - "Bz DISTRIBUCION BETA 4.. la función de densidad de X está dada por s(r) que es la distribución de Cauchy. = Í. (b) o2 (a) = oB2. r(a+2+ ¡t) _ r'(a * É) (a * l)a r(a) r(B) t'(a) t'(É) (a * p * 1)(a + p) I(a + p) r(a) r(É) * B) r(d + _ (a-rB)@+B+1) "(el_! ..+fl Jo * l* _ r(a)I'(p) r(c r'(a + 4)- Jo (t *su+t11 2) l'(B) n)e-r ¿. fo"' .31." = ffirt"+f¡ = R RemPlazando p= Bon f' Fe-tdt aB (ó) Remplazando E(Xz¡ = t.r .)*: = ift)"("+z) = n2 Í. Demostrar que la media y lavananza de la distribución gamma están dadas por (a) p: aP. página 46. .z¡ro-r1l. t. .¡^.33.. Por tanto p2 = Bz(aIL)a"2 .'#0" p2(a*t)a.." ffi.o*r"-ro." ".32. l'(a r. HaJlar la media de la distribución beta. r Y dx Íz+a' Entonces por el Teorema 2-3.1o" xlQ: t tenemos : f.4 ¡: a tan 0 tenemog o-t¡¡-L! a . p = E(x) = ### fo'*¡.." "loo"¡.¡a-\d.

Esta debe ser la distribución de Z. DISTRIBUCION CHI. grados de libertad.la varianza es 02 = E(xz¡-l'(x)l= _(rro)'= cr6#T_Fn : (1. grados de liberta u2 Z:Xt *X.'rz¿s (-fr"-.36.cAP. . a * v. colocarz: 1 en (39).-rr/2e-.CUADRADO 4.36.84. 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. como se ve al página 116. Sea X una variable aleatoria distribuida normalmente con media 0 y varianza 1.v2 gadosde übertad. Pa¡a ( 0es lóglco que P(Y SU) y> 0 tenemoe P(Y<u): P(Xz<a) = P(-\/u=X<+\/a) +fr"-. utilizando el Problema 4.)Eqéx"¡ : 1l-2t¡-'r/2 1l-2t)-vz/2 utiüzando el koblema 4.34 que una distribución cuya funéión generatriz de momentos es (1 2t)-<vt+v2)/2 es la dishibución chi-cuad¡ado con v11.'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. obtenemos P(Y < ú = -! fs rrrze-uz t/2r Jo d.r2 Al remplazar (l - 2t)n/2 = 7. t : (1 - N¿¡-Qr+v2t/z (b) Se observa del Problema 4. cia entre Paray Deseamos hallar la distribución de la manera siguiente. y utilizar el hecho de que r(á) = V7.ztl-v/2 fa u<v/z)-re-udu = (L-zt¡-'rz r'(v/z) )o 4. Efectuando el cambio de variable x : *t/T en la última integral. 4. pá4ina 1-1. Demostrar que X2 tiene distribución chi-cuadrado con 1 grado de libertad. página g1. ea M(t) : Enet(xr+xü1 : E(etx.1 en la última integral hallamos M(tl = 2.a una distribución normal para X. Sean ¡t y X./2dü (-.t Pero esta es una distribución chi-cuadrado con 1 grado de libertad.34.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 135 Entonces.r2.6. pero procedemos de :0.t2r(v/2)Jo " r-2t \r-2t/ : ll . do ) función generatriz de momentoo de Z = X.s(v-2)/2e-<L-2t>r/2 dr =J-r(v/2) )o 2. Puesto que Ia correspondenX y Y no es uno a uno no podemoe aplicar el Teorema 2-3 como está. por el Teorema B-18.B2.2t)-. Al generalizar los resultados anteriores obtenemos una demostración del Teorema 4-4. Y: x2 dad. ! X. es con (¿ dA v.

34correspondienteav:9.026. La representación gráfica de la dishibución chi-cuadrado con 5 grados de libertad se muestra en la Fig.01. en la columna /. El resultado general para todos los enteros positivos l. x.5. (d) Si el área sombreada a la derecha es 0.1 es el valor pedido de 12. si el número de gndos de liberbad v es igual a (c) 15. (Véase las consideraciones sobre notación en la página 116). ¡! que corresponde a (a) 9.025. Hallar los valores de xf. y Si el área sombreada a la derecha es 0.831 y 12.4 4.3correspondiente av:28.01. (b) 32.025. el área sombreada a la derecha puede ser 0.10. como puede observarse de la tabla. (c) el área sombreada a la izquierda: 0.O5): 0.. Por tanto los valores son 0.esr.3correspondiente^v :40.99 y ¡22 representa la 4.04 en tanto que el área a la izquierda es 0.0 correspondientear: av:21.05.10.0. los valores: (a)25.tán distribuidas normalmente con media 0 y variánza 1. Por ejemplo.05.O.la cual es igual a 0. (c) S9.1. X. 4-18. a! es 0.40.(b) 2T. y x? (c) Si el área sombreada a la izquierda es 0.O25 representa la percentila 2. 4. entonces X? V X3 tienen distribución chi-cuadrado con 1 grado de libertad cada una..831. búsquese el valor 5.61. Hallar los valores de ¡2 para los cuales el área de la cola 15. . .8. (b) 2I. para v : Por el Problema 4. la cual es igual a 15.¡ (puesto que la mediana es la percentila 50 ) los valores: (o) S. u"mo. Entonces del Problema 4..2gs. hay muchos valores para los cuales el área totál sombreada : 0. Demostrarel Teorema 4-3. (c) 50' Utilizando la tabla en el Apéndice E hallamosenlacolumna ¡2er.01. Sin embargo.. x! por los cuales (a) el área sombreada a la derecha: 0. el área a la izquierda de x? es O.37.¡ se deduce en la misma manera.05. xz:. se acostumbra.05. en este caso cada área:0.7. 4. xl es (1 .5 correspondiente a z: 50.2-. X. lcAP.Ia cual es igual a 1. el área sombreada a la izquierda de x3 es 1 ¡j iepresenta la percentila 9?. Hallar el valor de la mediana de libertad.? conespondiente a la derecha de la distribución ¡2 es 0.39. Entonces.5. (d) el área sombreada a la derecha: 0. (b) 28 y (c) 40 grados de UtÍIizando la tabla en el Apéndice E.35(b).la cual del Apéndice E es 12. el átea a la izquierda de percentila 99. (b) Puesto que la distribución no es simétrica. xi representa la décima percentila. escoger las dos áreas iguales.025: 0.8.¡r.9?5 Análogamente. entonces el á¡ea a la izquierda de representa la nonagésima quinta percentila. Entonces procédase hacia la derecha hasta la columna x%r. (b) el área total sombreada: 0.36 vemos que si X¡ y X2 es. hallamos en la columna ¡. parav> 10 los valores de la mediana son iguales av . al menos se especifique lo contra¡io. Véase Problema 4. El resultado 11.. Fig. (c) 67. Es de interés notar que los valores de la mediana están muy próximos al número de los grados de libertad' En efecüo.136 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 2.150. qi" Z = X?*X2" tiene distribución chi-cuadrado con 1 * 1:2gradosdelibertadsiXr y X2 son independientes. 4-18 (o) Si el área sombreada a la derecha es 0.x?o¿s.38.95 y xz2 Refiriéndose a la tabla en el Apéndice E.¡2.píryina 116. x.05. si el á¡ea sombreada a la izquierda es 0.0.

0(v¡lorre¡l =L24.Lu€{p integrannr_conrespecto az de¡de 0ha¡t¡o. Hallar xlerpm (a) v : 60 y (b) y .ss+rtrOool-t¡z = |(1. podemor utiliza¡ el hecho de que ({Tx2 .tz¿ul¿" LJ":_-e A = urfi en la integral entre parénteais rectangulares hall¡mo¡ . Debido a que Y y independientee ¡u función de den¡id¡d coqjunta er 6l producto de (I ) y (2). tn¡r( z\ Ju= -' . DISTRIBUCION ü x3s¡ dado en el Apéndice E.lt * T ) eeto puede eocribir¡e d.=o"r. *^ I' = - *l Í": como z('' . himero fijamor r z b = integramos con reepecto a y de¡de ./ . z ) La función de di¡tribución de I = Ylt/ffi e¡ F(u) = P(T=r) = P(Y=er/Zfi) = y@2. #.6 = f. DE STUDENT 4.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.\2/ r\ (l + u2¡'¡<'+t>rz .y ¿2 # donde la integral ¡e toma ¡obre la región ( del pleno lz parn l¡ cr¡¡l g ut/ñ. / mayor que 30.r/2.(z."^' + zo+"/2 Í"'=-* d.3).@ hast¿ rl/z/r.t' / 2 e..-j(* .(' F(r) = _ tf Jr=-.= ... página 117.er dccir z<v/z)_te_ :|-r+zr/2 para -o 1g 1lo. podemoe ercribir.locuale¡tÁde¡cuerdooonelvalor6?.42. Demostrar el Teorema 4-6.rr-r"-. Por tanto tenemos Remplazando F(xl = .tzt'(vl2\ ). -/.u [f=.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPTO 13? 4.. Para . oon un alüo grado de aprorimación.. dud.64+rfss¡z =69."a']au de acuerdo con lo pedido..zl ztÍt + <t2 | v>r a")au ( " Susüituyendo F(r) = G. (b) Si r=100.u\ .Elrode donde t6=t = .. er la percentil¡ 10Op de l¡ di¡trlbución nornd tipilicada. xlgs = \@..cAP.es+ftool-t)2= +(1. .rzrl.#.va J"' {2r2.41.o 6 .rf ¡"ffi "-r. zo/2)-re-z/21ffi e-uzzr2. '\ z / (. Entonca ti z.2.64+/199P = 124.z \f 2nz./4 f ( 7<rrz>-r e-<yz+ztrz ¿.t¡ e¡tl c¡¡i dbEibuido norm¡lmenüc con medie certr y varianza uno.100 gados de libertad.tzl(vl7\ Jz=o = .

5.9?5 y úr reprecenta la percentila 9?.01. ODt=r. entonces el área a la izquierda de ú¡ es (1 repreeenta la percentila 95. hallamos en la columna te.css = 3. (b\ 27.e. De la t¿bla t ss = 2.la/2. La función de densidad conjunta de f '' V¡ y V2 etá.) = 6"i.645 correepondiente a y: 200. entonc€s por simetría el área sombreada a la derecha es 0.DZ=ü l1U7D Entonces el Jacobiano es i'. El resultado 1. tenemoe | 1U) t.99. a. t.025 por simetría.90.ú.'') (?ñ rr^ o(vz/2) -| "-'.05. búsqueee en Ia columna y el valor 9.0.[.nD\]uJur0.025): 0.44.05. 4-19 tt (a) Si el á¡ea sombreada a la derecha es 0.01 y el área sombreada a la derech¡ es 0. entonces el área total sombreada es (1 . -1)(v'\/2) "-.:._tr Fig.quedelatablaes igual a 1. ) 0 y 0 de otra forma.t u(v2/ 2) .0. . r / Ll+ lvt/v)).75 correcpondienteay:16.82. Deimostrar el Teorema 4-?. (El último e¡ el valor que se obtendría utiüzando la cu¡va normal.05 Refiriéndonos al Apéndice D. ¿.01.99. J z t .01.01 es (e) -2. En el Apéndice B e¡te valoi corresponde a la enhada en la última fila ma¡cada ó). losvalores: (o)L.'.05. ) 0. (c) el área total sin sombrea¡: 0..70 correspondiente a v = 27i (c) 1.01/2 : 0.rl). 4. dada por 1 (.25.l4\ -1- f 'pw\"rz'-' ID'-''-"e '"''o'-.45.26 como el valor pedido de ú. entonced el área sombreada a la derecha es 0. (d) Si el Área sombreada a la izquierda es 0. Sielá¡eaalaizquierdadeú¡ es0.O.. Por tanto el á¡ea a la izquierda de ú1 es (1 .olumna ¿.O5): 0.83 es el valor pedido de t (b) Si el área total ¡ombreada es 0.05. 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. t.:: ::'.er5.38.138 DTSTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO ú [cAP. La representación gráfica de la distribución (c) el área sombreada a la derecha en la Fig.::l = l"*:" 'u':'" Denotando la densidad como función de u y w por g(u. 4-19. sea 0.es. DISTRIBUCION 4. (d) el área sombreada a la izquierda : 0.entoncesúl correspondealapercentilagO. Por tanto el área de t para el cual el área sombreada a la izquierda es 0.gg) = 0. (e) el área a la izquierda de ü. Efectúe Ia transformación u 1/ v1 . (c) 200. (b) el área total sombreada: 0.2 g(u. . ú. ú es 0. Del Apéndice D hallamoe 2.e0.90. Halla¡ el valor de ú1 para el cual de Student con 9 grados de libertad se muesha : 0.1 ez(vt+ v2)/2 lQl/21 f (u2/2) <t | + ú2)' ri o.r) a\.(b) 1.43. vlW v2 . (c) Si el irea total sin eombrear ee 0. Entonceg búequese la c.82. t.u) = .4 4.95 y úr Refrriéndonos a la tabla en el Apéndice D.lL=-=_rü=02 L"a/ ar t'2ú | vl1t2' .:"i = l::"'. De la tabla hallamos t.005.

r. > 0 y 0 de otra forma. rr.rr. ro.rt) - (¡'r +t2)/2 - .9. (b) Del Apéndice F.1 -.i/2)--t (v2:L vru)-(r.r.F' gs.rr.1-2\/ /\. etc.ee..4l si u DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 139 > 0. . Vemos que 18. r¿ desde La función de densidad (marginal) de U puede encontraree integrando con recpecto a decir 0 ha¡ta €.cAP.-'1t'"tvp)-uvr\j-:.96.so.\ z /. 15.*r.l= *. 10.\i = /v' I vr\ ) si u ) 0 y 0 ¡i z¿ 5 0.80.\z .o.. que es el reeultado pedido. hallamog .o. (c) Por el Teorema 4-8. 11 ...+v2't/2r-r = 0 Dividiendo Wt ut|ti2)-2(t2l t¡t)-[("\+t.t r rz)tz Si tiene un máximo relativo se presentará cuando la derivada sea cero.0g (d) Por el Teorema 4-8.. 4.78)2. F.46.n.ss : ". Pero de Tenemoe (r h(u) / v2\vr/2 4Q 1/'' .7L = (2.l¡.ul F'. donde vt -. hallamoa \-i.- r1u)-¡(.1 = (3.ut = t'(P) ap Jo da) ) 0 y 0 ei rt É 0. donde. ro. la función densidad de la di¡tribución F es r[(t.. \.e75.ss : t?n (b) fl.ob.5 L6l = (72. i \rn) - 2\ / v' \ si v.8 = 3.s.t .\rt. ) 2' de (..t e.71)2. A diferencia de una conetante.o. rr.(vz/2) Jo -tL-!:j!::-:(I5).47.io = F_¡ .r' / 2(. Utilizando la tabla para la dist¡ibución F en el Apéndice F.t)- tyt ('4fa) (.¿t.48..257... r.+t. = # = 0. hallar (¿) F.50¡2. (c) = 10. .'. . primera f. (o) DeI Apéndice F. ( " *.au d. Demostrar que la distribución F es unimodal en el valol ¡v' ' La moda localiza e! valor máximo de la función de deneidad..2* .2* r.'r2\ ) = 0 ó trt ry = /.ot.L5. ir ua 0. (b) F . er hkt) = ei u (.\/2i-r.5.. página 118. 4. =- 9. (a) Comparar ia¡ entradas en la columna de la tabla F. /. u. 7. = 0.oc.30. RELACIONES ENTRE LAS DISTRIBUCIONES F. /. (d) F. ¡2 y ú 4.s. Apéndice A. \ : ¡.TZ) \ (-" se Utilizando el criterio de la segunda derivada podemos demoetra¡ que realmente trata de un máximo. Verificar que (o) /.'rrr...2\/2)-t e-tt+<v{/v2)t(o/2> z(tt ' u2)/2 t0t/21 l..o5 en el Apéndice F con e¡a¡ en l¡ distribución ú bajo ú.326.18)2. : (4.. página 118.0 = 4. es decir (r. hallamos F.. rs = 3.

vemos que el lado izquierdo de la última ecuación es igual a z.o) r\ \ '/ ll '=2 | '\ .rtF.84)2. v2 = v en la funeión de densidad para la distribución F f (ul = .r(l +3!) t r-ru+l)/9 ) O. Sea 11 .140 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP. Por tanto t-P 2 = Pp<T:.-...página 11?]. .P(f 0) = = P(T=+\E|-+ donde hemo¡ usado la simetría de la distribución ú.Ft-o) f(u): 0 para ¿ < 0.ee en el Apéndice F conegarenladistribución ú bajo ú. 4.(.r¡ n'(. que puede establecerse simplemente como F r-p = t? ott¡ l(4í). t { l'-'u-r..)" \/ Com¡rarando con (42).'.l / +z\-r¡ \ '/ ¡=.es el nhmero tal = 7- * t\ "/" .5 = (9.0 <'T = *t/Ft_o) ú donde ? es una variable aleatoria con distribución de Student con u grados de libertad. I ^F.1 = (5. pfuina 116. Re¡olviendo. 34. P(. tenemos P(T=+tlrno¡ = t -Pi .60)2.r( . 98.49. Entonces y a.'.t./" + r\ \ / l+1) "/ \-(!¡!'/'l tru = } -p En la integral efectf¡e el cambio de variable t=t t/-u: r)r'rl '\ J -'(f+-¡ dt = t-p 2-r 2.4*)___\-. P. página 118.eer.(4.-¡l r.sí generalizar los resultados del Problema 4.'. 21.2 -. '\2/'\2/ "11\ "/r\ t -/. Vemos que 4050 : (63. Demostrar el Teorema 4-9. etc.)" . y que P(U 5 ./ para u /_u_r.4 (b) Comparar la¡ enhadas en la primera columna de la tabla F.66)2.l.u/2¿-r/2(y + ul-(r1tr/2 ^/.9 " / +1\ -t'* "" t / vv/21l-12v-(.92)2.+tfttur¡ = P(T s +VFt-p) . + r\ r( ol -r- .*rr.. Entonces por la definición de un valor de percentila. \ : {".48. Por tanto ^\ F.

Por tanto la probabiüdad de obtener un 3 en el quinto lanzamiento es 1/6. DISTRIBUCIONES DIVERSAS 4. que era lo que se querfa demostrar. Y variables aleatórias cuya función de densidad conjunta es la distribución normal bidimensional. etc.. Entonces vemos que a r': ó) con etc. s.145. y) dada por (49) debe para todos los valoxes de x. Por tanto ú es estrictamente +\/F.99. etc.'.. Verificar el Teorema 4-10.50. Si el coeficiente de correlación p = 0. r por una función solamente en y para todos ser el Inversamente.4] DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L4t Pero.il = (4 .. )Lo. Y son independientes.'. Y son independientes solo si su coeficiente de correlación es cero.21 . Comparar las entradas en la última fila de la tabla . Y son independientes. para (a\ p : a1 0.¡ es el número üal que P(T=tt.(p/z\\ = l-?. = tt-(p/zt ó Fr-p : tl2t'-tptz'. por definición. lotll. entonces la función de densidad normal bidimensional (49).8t (b) -. s. Demostrar que X. ya que la función de densidad de Ia distribución positiva.:\/2= en . y este nfimero se determina finicamente.. Análogamente la probabilidad de no obtener un 3 en el segundo lanzamiento ee 5/6. La prueba general del Teorema 4-10 se deduce tomando el límite cuando U2 la prfuina 117..52.. f(x... producto de una función solaménte en. lo cual provee la verificación requerida. Méüodo 1. er el Apéndice F (correspondientes las enhadas bajo x:nn en el Apéndice E. página 118.. 't7 2.51.r"?ll--+"-. 3. lo cual provee la verificación requerida. Ll . La probabiüdad de no obtener un 3 en el primer lanzamiento es 5/6.78 = #.L . tt tt¡/z. (c) Comparar las entradas en Ia última fila de la tabla F o= en el Apéndice F (correspondientes las entradas bajo ¡. 4.94 3.F e..25 77i6 .+.r'il ) y y puesto que este es un producto de una función solamente r.ú los valores de = t-+o-.CAP.. la probabilidad pedida es Y/r\ \6i \6/ / s c. = @) con = "'13.. K (r(r . Hallar la probabilidad que en lanzamientos sucesivos de un dado honrado resulte un 3 por primera vez en el quinto lanzamiento. y se deduce que X.. página 118.7 2. -. se convierte en l@.¡ !.s2 T r. 4.00 =. + * en la distribución F en DISTRIBUCION NORMAL BIDIMENSIONAL 4. _ 9.60 -. Entonces vemos que 6.r y una función solamente en y.. Esto es posible sólo si p : 6. en el Apéndice E.1.GB a ¡'. Sean X. Véase Problema 4.4!¡ 4 2. si X.02 = #. 3. Entonces la probabilidad de no obtener un 3 en lo¡ primeros cuaho lanzamientos es (5/6)(5/6)(5/6X5/6): (5/6)4.95 y (b) p : 0.

. 4. i7't6 4.. 4 Utilizando la di¡tribución geoméhica. (b) uno.p(\ t + +)-l ó/J 4. (c) al menos uno. ó aproximando O. DISTRIBUcIoNEs DE rRoBABTLTDAD coN NoMBRE Método 2 (utilizando fótmula). Verifrcar las expresiones dadas para la (a) media. (b) la variarrza.55. etc.q:616. página 118. 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. ¿Cuál es la probabilidad de obtener un total de 9 (o) dos lanzamientos de r¡n pa¡ de dados? en veces.92.977?6.63. pedida er pRopro [cAp. ó aproximando 0. i) integral. (a) P(ninguno ee gradúe) = 5Cs(0.¡ :6 Gzl vemo¡ que la probabilidad /t\/o\' _ \6/ \6 / página 119. ó aprorimando 0. 2¡.L42 .be-! = o-2/br\t + a) Entonce¡ / o\ ¿u 02 = El(X-u¡21 = E(Xz)-uz = PROBLEMAS DIVERSOS o-".oJs u. de la distribución Weibull.4)0(0. 6 = 36 forma¡ en las cuales ambo¡ dadoe pueden caer. 1 en el primer dado y 2 en el regundo dado. 11.6)r : 9. alf hay 6 . La probabilidad de que un estudia¡rte que ingrese a la universidad se gradúees 0. eon p: Ll6.26 (c) P(al menos uno re gradúe) = 1 -P(ninguno se gradúe) :0-92224. (o) t' = E(X) = JO f abrb e-o"o d.4.""tb)-t a-ub I ur/be-! du Jo a_. - f.ra evaluar la (ü) E(Xz¡ = fo- oOro*r¿-oto¡lg r "b ('/z\r*ttro> e-!:u(t/b)-t = o"o )o \. se gradúe.2692./ du (' = o-r. \i)"-". : atb pa.4)1(0. E¡ta¡ ¡on 1 cn el grimer dado y 1 en el regundo dado.tbr donde hemo¡ ütilizado Lr ¡ustitución u f@ ab ('/"\ du /' (r.of ¡(1 + 3) b/ L\ .6)4 = 0.64.r I ú ). (D) al menos dos veces en 6 ¿ead¡¿o¡ por (1.08 (D) P(re gradúe uno) = 5Cr(0. etc. Determinar la probabilidad de que de 5 estudiantes (a) ninguno.

Para aplicar : 6. 10 puntos.6. ^ /r\ta. (a) (b) Coeficientedeeeego= Puesto que es positivo..5 en unidadee tipificadar hoporción pedida: á¡ea entre : : ./ * '"'(.4I DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 143 De estas 86 forma¡ todar igualmente factibles ¡i los dados ¡on honrado¡."'\g/ ' ^/rY/s\u. 4.7)1L.5 puntoe. 5).6u.17 z: -1 y z:-4. dependiendo del número de respuestas conectamente solucionadas de un total de 10. L. (c) la calificación mínima delL0% más dto de la clase. (a) la di¡tribución normal a datos discetoe. 4-20. eb necesario con¡idcrar los datoe como si fueran continuoe.0 (6.17 (5.. 4). Suponiendo que las calificaciones están distribuidas normalmente. hallar (c) la media y (b) la desviación típica para la distribución de tornillos defectuosos de un total de 400.? y la desviación típica fue 1.\0/ \e/ \s/ ^/l\'/q\' ffitZü 7268s 4. es decir podemoselpemr que 40 tornillo¡ esüén defectuosos. un total de 9 ocurte en 4 cqlos¡ (3. 4. P(al menoe 9 doa veco) : 1 - P(9 cero vecer) - P(9 una vez) : .5gr 441 * ss1 441 . Si la probabilidad de un tornillo defectuoso es 0./r\'/e\a.2788: . la distribución está sesgada a la derecha.6 (área entte 0.-.er)*P(9cincovecer)*P . Halla¡ los coeficientes de (a) sesgo y (b) curtosis de la distribución en el Problema 4. La calificación media fue 6. ^ /r\'/e\'.1.7)1L.6 a 6.5 . ./ \ó/ * '"'foi ó * '''Gi 72689 1 10240 960 48 61 = 681 440 65f ¿¿T .cAP.6. == vnpq H = 0.2.5?.58./ \.5 en unidader tipificadar : 5.2 = -'1.17 z: -1 y 277o z: O) 0. (D) Varianza : npe: (40OXO.a di¡tribución ee s+l---^6:q : 3+ff1-6(0'1X0'9) = nuq 3'01 ligeramente má¡ apuntada que la distribución normal. (4. (6. (a) Media : np :400(0.133 coeficienüedecu¡tosis: l.ó6.2.-"^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. (5. Las calificaciones de un parcial corto en biología fueron 0. determinar (c) el porcentaje de estudiantes con 6 puntos. ^ /r\u = 'c'(o/ \é/ * '"'(. Por tanto una calificación de 6 puntos ¡e cor¡sidera como 5.0676 : O. 6).1): 40. ^/r\'/a\'. 3). 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. (b) la calificación máxima del L0% más bajc de la clase.1XO.56.2:{). .9): 36.3418 - y e = 0) (áre¡ entre z :{. . (o) P(9 do¡ veces en seis lanzamientos¡ = 6"'\t/ /q\t-' . Véase Fig.5Bt 441 = 531 441 441 Otro método. Por tanto la de¡üación tfpica = /56 = 6.

Un contador Geiger se emplea para contar la llegada de partículas radioactivas. Entoncee tendremos una cuenta en el tiempo f * Af en lor riguientee dos ca¡o¡ mutuamente excluyenter: (i) 1 cuenta en el tiempo f y 0 cuentar en el tiempo At (ii ) 0 cuenta¡ en el tiempo ú y 1 cuenta en el tiempo Aú . cue¡rta en el üiempo SeaPl(ú) la probabilidad de una cuenta en el tiempo f+ I de modo queP¡(t + Af)er la probabilidad deun¿ Aú.4 .2 ! 22 Eu equivalente en unidades tipificadas.x2:8.17 I'ig. por simetría : L. rin considerar los términoe que incluyen (Aú)2 y término¡ cuperiores. Halla¡ la probabilidad de que en un tiempo f no se cuenten partículas. Refi¡iéndose al Problem^ 4.4-22 o ran si AÍ es pequeño.que lógicamente e¡ 1.2 u 8 aproximando al entero má¡ cercano.28. Por tanto. La Fig. Si se suponen lar llegadae de lae partícula¡ sucegos independientes. Si (b). Entonces (x2 - 6.I -0. la probabiüdad de no cuenta en el tiempo t Entonces Po (ú + At) es la probabilidad de no cuenta en el üiempo ú + Aú.L14 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP. 4-22 repteeenta el eje de tiempo c. Por tanüo c = I y l¡ probabilidad pedida ee (11 Po(¿) = ¿-^t 4. 4-2L el la izquierda de z¡ eo LOT.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.I At. a Area entre zt y O: 0. (c) Sea . 4-21 (b) Sea r ¡ la calificación máxima pedida ] z¡ !u equivalente en unidadec tipificadas. Máe precisamente. 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. pero no se consideSea P6 (ú) r-----]--l Fig. exiatirán término¡ adicionalecqueincluyen a (Aú)'y órdene¡ ruperiores. At.69 halla¡ la probabilidad de exactamente una cuenta en el tiempo t.26 6 aproximando y al entero má¡ cercano.4-20 Fig.28.6. = 0. 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.Z:-t.7)17. 4.28 (aproximadamente).28y Ír:6. De la Fig.7)lt.40 : -L.r2 la calificación mínima pedida zz =L. zt Enüonces zt = (xt .P6(0): c e¡ la probabiüdad de no cuenta¡ en elüiempoGrro. tenemoS (r) De (I ) obüenemos (2) Po(ú+a¿) = lú Ps(Ú)[1 -IAú] = -IPo (¿) At+0 lim Po(¿-f a¿) - PoQ\ e¡ decir (.69.on O como el origen.60. Por tanto la probabilidad de no contar en el tiempo At ec 1 .10. por tanto área.

Si P(X=2).rlos DISTRIBUCTON BINOMIAL (BERNOULLI) 4. Halla¡ la probabilidad de que al lznz. 4 caras en un solo lanzamiento de 6 monedas hallar (o) P(X = 4. ¿cuántaseeperaríantener(o)3niños.I"(t) = XF'o(¿) - IP1 (¿) ge Tomando el lfmite cuando Af -+ 0 y utilizando la expresión para Pe(ú) obtenida en el Problema 4. (c) 2. la probabilidad de acerta¡ correctamente al meno¡ 6 de 10 res¡ruestas en un examen tipo verdadero- .64. 4. Problerna.i que es [a distribución de Poisson.¡e-rtt esto puede escribirse como d. caras.69. Utilizando e¡to en (6) hallamos Pt (Ú) c2 0. Iülla¡ la probabilidad de (o\ 2 o már honradas. (b ) menos de 4. (b\ P(X <21' (c) P(1<x=3).59 esto convierte en dP. .cAP. @l 6 caras. (n 5. (b ) 1.t * \P.P.rt ú Continuando de esta forma podemos demostrar que la probabilidad de exactamente n cuentas en el tiempo está deda por (8) Pn(t\ = (^t). Por tanto (7') = ¡¿¿ . Suponer 4. (b) dog vece3' en dos lanzamientos de un par de dados honrados. P1(0) eo la probabilidad de 1 cuenta en el tiempo 0. Hallar la probabilidad de obtener un total de 11 (c) una vez. Por tanto. 4. La probabilidad de (ii) es Po(ú)I at. X denot¡ el número (d) de caras en un solo !¡nzamiento de 4 monedas. con un par de dados? ¿Cuál es la probabilidad de obtener un 9 exactamente una vez en 3 lanzamientos 4. DeSOOfamilia¡con Shijos.66.(b)5niñar.ar una moneda honrada 6 veces aparezcan (o) 0.I a¿). ¿@xtPr) = x que al integrar (6) Pr(t) = \¿¿-rú+c2e-\r Si : t:0. (c)o2ó3niños? probabilidades iguales para niños y niñas. u) Multiplicando por (5) e^¿ d.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 145 La probabilidad de (i) es P1(ú)(1 . sin coruiderar los té¡minos que incluyen (Aú)2 y ruperiores. Hallar fal¡o. tr¿-At (3) dt = ^Pl o d.62. 3). (r) Esto puede escribirse Pl (ú + a¿) = Pr (ú)(1 - r aú) + P0 (¿)r a¿ Pr (¿ + (2) l¿) Lt .s supletnenta.61. que es cero. (d) 3' @l a.67.66.

DISTRIBUCION NORMAL 4. entre 1.69. Hallar la probabilidad de que en 30 años (o) Ias 5. dondeZestádistribuidanor¡nalmenteconmedia0yvarianzal. (d) coeficiente de curto¡is para una dishibución binomial en la cualp : 0. ¿qué porcentaje de esas mediciones diferirá de la media por (o ) más de media desviación típica.85V 4.El m inclusive. 4.96).0314. (b ) al menos 3.50. z:-I.23 y z sea O.e z: -1.8{.2O y z --2.52 y a la derecha de z: 1. La calificación media de un examen final fue 72 y la derviación típica g. Demostrar que si una dishibución binomial con n : 100 es siméhica. hallar P(X > S). Z está distribuida normalmente con media 0 y varianza 1. 4. (c) Si las estaturas de 300 estudiantes están distribuidas normalmente c\on media 1.4 4. lt!aosea .75.55 m.2 o.610 y 0.2 respectivamente. (d) correspondientea z>:2. llallar el área bajo la curva normal z: 0.b superior de los estudiantes recibirán una calificación A (excelente).615 pul.9.79' 4. (b) a la izquierda de z:0.80' 4.O?30.L46 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. Si X está distribuida normalmente con media 5 y desviación tipificada 2.79.2266. Calcular la (o) media.oo ¿ea 22c/a. 4. 0. Evaluar (o) ) (c - p\3 f (r) v (b) > (r . (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. 4. su coeficiente de curtosie es 2.74. (e) el áiea en¡e-z y z 4. (/)ala izquierda de z:-2.77.72.?O m y desviación típica 10 Si los diámetros de los cojinetes de municiones están normalmente distribuidos con media 0. En un examen la media fue 78 y la desüación típica 10.r)af(rl para la distribución binomial.(b)z=I.80< z< !.6 y 1.4O. todas de edad idéntica y con buena salud. (b) menos que o iguales a 1.45.?8.? y n : 60.68.4 respectivamente. Demostrar las fórmulas en la página 109 para los coeficienües de seego y curtosis. 4.6 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. determinar el porcentaje de los cojinetes de municiones con diámetros (a) entre 0. (c)z:-2.5722. (D) mayor que 0. (b) menos que p .?0 m? cm. ¿cuántos estudiantes tienen estaturas (o) ¡nayores que 1.t'c. 4. El l}'. (c) el área entre de z tales que (a) el área a la derecha de z sea 0. (b) P(-1.64). (c) solament e 2. ¿Cuál es la cslificación mínima que debe obiener un estudiante para recibir una A ? Si un conjunto de mediciories está distribuido normalmente. haltar (a) P(Z = -1. (d) igual a 1.5 o? 4'83. Si (c) P(lzl > r).900.t ! 2 o. EnelProblema4. (b) Determinar los puntajes de dos estudiantes cuyas calificaciones tipificadas fueron y 1.61? pul.15 y z *aO. (a)Determinarlas calificacionestipificadasdedog estudiantes cuyos puntajes fueron 93 y 62 respectivamente. (c) menores que 0.6140 pul y desviación tipificada 0.59 y 1.23yz:1. entre (o) 4.7O.78: Hallar los valores sea 0. 4. (b) por fuera del recorrido ¡t ! 1.56. (c) coeficiente de sesgo.608 pul. 4.58. (d) el áreaentre 1. (ó) el área a la izquierda de z sea -0. ¿qué porcentaje de las medicione¡ están (o) dentro del recorrido I. Hallar el área bajo la curva normal (o) a la izquierda de z : -1. (c ) mayor que g 1.71.gShallarlacon¡tanteatalqueelporcentajedelo¡casos(o)dentrodelrecorrido 7 í'.83.85 m.0025 pul. 4.!6. (e)correcpondientea-0. -0.86. 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. (d) iguales a 0. (dl al menos I persona esté viva. (b) desviación típica.84. Interpretar los resultados. Hallarz¡ si P(Z-21)= 0.96 =_ Z < t.82. (c) a la derecha d.76.618 pul inclusive.85- 4. Un agente de una compañía de reguros vende pólizas a 5 personas.82.81' 4.

(Sugeren- cia: Utiliz. Si 3% de las lámparas eléctricas producidas por una compañía son defectuosas. S. (b) menos que 90 caras.ar la función generatriz de momentos). ( L 1 prob.entoncesXr+X2 tieneunadistribucióndePoissonconparámetro). 4. .95. f(r) =. . (c)entre y 46. hallar la probabilidad de que (of rnís de 5. 4. (c) menos de.b.87. . Hallar la probabilidad de obtener más de 25 "sietes" en 100 lanzamientos de un par de dados honradoe. 4. 4. En el Problema 4.(b)2. Education and Welfare. <x< @ 4.94. son independientes y están distribuidas idénticamente con la distribución de Poisson. 3 .88.2. de loe tornillos sean defectuosos. hallar la probabilidad de que en una muestra de 100 lámparas eléctricas (a) 0. -'.98.t9. 36 LO"/o de los cuales son defectuosos. Explicar por qué se podría esperar que el teorema üengan la distribución de Cauchy. 1/2 -r -t Demostrar el teorema del límite central para las variables independientes 'Yk donde g = | | 1 prob. Hallar la probabilidad de que un estudiante pueda acertar eorrectamente lasrespuestas a(a)12 o más de 20. 4. . Según Ia National Office of Vital Statistics of the U. p pr. o 2lámparas eléctricas sean defectuosas. (b) cada ca¡a una vez. (c)2. 2 "doses" y . (b)entre 30y 60.101. r¡ : L - p. f.cAP. Demostrar que si respectivostrr X1 ¡l X2 son variables independientes con distribuciones de Poisson con parámetros ytrz.(e)entre4y8.10O.0 de cada 100 000 personas.9!.92.97. Hallar la probabilidad de que en un muestreoaleatorio de 400 tor4illos producidos por estamáquina (a)máximo 30.93. 4l DISTRIBUCIONES DTSTRTBUCTONES DE PROBABTLTDAD CON NOMBRE PROPTO PROBABILIDAD PROPIO I47 L47 APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 1. Demostrar el teorema del lfmite central para el caso en q rre X ¡.1 t\. 4. página 113. (b) entre 1 y 3.(n5lámparar sean defectuosas. (b) 7. arí generalizando el Problema 4.(f)menosdeS ahogados por año. Utilizando (o) la distribución binomial y (b) la aproximación de Poisson a la distribución binomial.91. Halla¡ la probabilidad de que 4. enunaciudadcuyapoblaciónesde200000ocurran(a)0. del límite central no sea válido en el caso que X¡ .(d)8.97. Xz.99. Xz. Hallar la probabilidad de que en 200 lanzamientos de una moneda resulten (a) entre 80 y 120 caras inclusive. Generalizar el resultado a n variables. (d) 55 o más. Se lanza un dado honrado 6 r¡ece¡. hallar la probabilidad de que en 8 de tales extracciones se seleccione una bola roja 3 veces. . Department of Health. 4. 1/2 prob. (d) exactamente 100 cara¡. Entonces se coloca la bola en el talego. Halla¡ la probabilidad de que el resultado sea: (o ) 1 "uno".96. Demostra¡ el teorema del límite central para las variables independientes xk = 4. TEOREMA DEL LIMITE CENTRAL 4. (e) 4. Un talego contiene una bola roja y siete blancas.(c)6. Demostrar el resultado (l 7). "heses". Se extrae una bola y se obsen'a su color. (d) 3. DISTRIBUCION DE POISSON 4. (c) menos de 85 o más de 116 caras. . el promedio de ahogados en accidentes por año es 3. 4.#Tf DISTRIBUCION MULTINOMIAL 4. ( t 3 ). Una máquina produce tornillos. página I 1 1 . (bl 24 o más de 40 preguntas en un examen tipo verdadero-falso.90.

4. página 115. Hallar la probabilidad de que de 10 bolasextraída¡: (o) 4 rean rojas. (c) al menos una sea roja.103. 2 zzulee y l amarilla. normalmente con media 0 y varianza l Demostra¡r que Y: Xt lXz tiene una distribución DISTRIBUCTON GAMMA 4. Determinar los valore¡ modales de la distribución gamma. Una caja contiene 5 bolas rojas 5l l0 blancas. ó (24\ se para resolver el Problema 4.(b)8 sean rojas y 2 amarillas.Hallat(a) P(X i.11E.106 y e¡tudia¡ la precisión 4. 4.114. SiXestádistribuidauniformemente en-2< x=2. y (b) la función caracterfstica de la di¡tribución gamma . 4. Demostrar directamente que (22). azules y amarillas en la proporciün 4t 3z 2: L. Si se seleccionan 20 aspirantes aleatoriamente. o:2. 4. Verificar que (31 ).págin.109. hallar la probabili4. sean del oriente.106.111. ¿Porqué en este caso el 4. página 116.122. 4. 4. Hallar la función generatriz de momentos para la di¡tribución uniforme. Hallar (a) el tercero y (D) el cuarto momento alrededor de la media de una dishibución uniforme. dad de que (a) 6 sean figuras.102. (t) P(l = X=2). Si X.120. (b) P(lX-11 = +). (b) no más de 2. (b) P(Xz > r2). cuando N ' e. 4.121. 4. Demostrar que el recorrido semi-intercua¡tílico para la di¡tribución de Cauchyeeo. Y son independientes y ambas eetán distribuidas uniformemente en el intervalo de 0 a 1.115. Emplear la aproximación binomial (18) obtenida. es una función de densidad.116.116. (b) todas sean blancas. Si se seleccionan 13 cartas aleatoriamente (sin remplazamiento) de una baraja de 62 cartas. tl¡llar(o) P(X= 1). Si se seleccionan 8 bola¡aleatoriamente (sinremplazamienüo) determinar la probabilidad de que (a) 4 sean rojar.con < 2). Una variablealeatoriaX tiene una distribución gamma conQ:3. entoncel su mdia 4.119. Una caja contiene una gran cantidad de bolas rojas.107. DISTRIBUCION UNIFORME reduce a (I ).112. S blrncar.z 114.113. recorrido gemi-intercuartílico es un eustituto de la desviación tfpica? aritmética también tiene esta distribución.104. Hallar la probabilidad de no obte4er un 1. Yerificar la (a) función generatriz de momentos dadas por (33 ).págrna114. 4.Hallar(al P(X <1). 4.110. hallar P(lX .11?.105. Generaliza¡ el resultado del Problema i.4 4. hallar la probabilidad de que (o) 10. De 60 aspirantes a una universidad 40 son del oriente.9: 4. DISTRIBUCION HIPEBGEOMETRICA 4. Demostrar que si X1 y X2 son independientes y tienen la misma distribución {e Cauchy. 2 ó 3 en cuatro lanzamientoe de un dado honrado. página 108. (b) ninguna sea figura. 4.148 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cA¡. Z. Si Xt y Xz son independientes y distribuidas de Cauchy.108.fl DISTRIBUCION DE CAUCHY 4. Determinar el coeficiente de (a) > ll 6/. sesgo y (b) curtosis de una di¡tribución uniforme. blancas. Suponga que X tiene una distribución de Cauchydeacuerdocon(29).

727 si el área de la cola derecha es 0. (b) F.9:2. lJnavariablealeatoriaXtieneunadistribuciónbet¿cono:3. la distribución ú es 0.:10. Resolver el Problemz 4.ss. Hallar (a) es la x. hallarlaconstantec talque (a\ 0.ti ti¡l gue (o) el área a derecha de ¡l sea 0.141. (c) 28. Halla¡ (o) 4. ee la 0.01.2. 4.' dada Por r * .donde zo hra una distribución f de Student con 15 grados de libertad. Hallar 4. (e ) 150. hallar el valor de ú¡tal que (a) el área a Ia derechadeú1 seaO. hallar x2.4l DISTRIBUCION BETA DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO t49 4.ss. 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. / una buena aprorimación para percentila (100p) de la distribución normal tipificada.os. los valo-res de x? y x! no son únicos' 4.2\' 4..95.139.50. Hallar los .gc.95. v ) 2. es una función de densidad.%t con y :7.01. (d) P(U 2 c) = Q.136.z¿i (d) F. = t2ul(v1* .12?. 250. (b) el área a la izquierda de xi sea 0. Si la variable U tiene distribución chi-puadrado P(u < x?) : 0.13?. Q) F. 4. Demostrar que para 1 grado de libertad la distribución ú es una distribución de Cauchy. (c) P(U = cl = 0'20. Si una variable Utiene una distribución de Student con ¡. - 2).páSrrra 115.126.132.zoi (.rúmero e. Demostrar que (a) E(xz) = DISTRIBUCION ú DE STUDENT 4. (d) el área a la derecha de ú1 sea 0. área combinada a la derecha de ú1 y a la izquierda de -f1 4.136.(b)eláreaalaizquierdadetlsea0. Demostrar que la distribución beta tiene una moda l¡nica en DISTRIBUCION CHI-CUADBADO r: (a - l)/(a P(lX-+l = +).01.2gs para r = 150. si el número de 4.rz.125.130. hallar el valor ie .10'(d)el sea 0. (c) P(x?< U < x2z) = 0. (b) 12.or.13E.(c)eláreaaladerechadeú1 eea0.01 y ¡. : 6. (d) 40.90yy:25t (b)eláreaalaizquierdade-ü1 sea0. (ó) y (b) x.142.oo./(.20 91tt: 1i Y_4_.rs. \b\ Yar (7zl -.1 de la función de densidad (45'¡.eo.cAP. ¡2o egtá x?ozs y (b) xizs para'r = 4.. 4.55 ! 4. (b) Demostrar que si la suposición de áreae iguales en la parte (o ) no se cumple. v: -f1 sea 0.g.rales a la derecha de xB y a la izquierda de x!.¡' 4. (b) 19.131. 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.99.9¡' P(U>c)= 4.01. v. (c ) 25.123.valores de grados de libertad I ú para los cuales el á¡ea de la cola derecha de es igual z (a) 4. f f. Demostrar que la va¡ianza de la distribución t de Student con t.90.133.128.? 9:?^5: suponiendo ireae'ig.134.140.129.02'5yv=20'(c)eláxea 16.ol/l'. si el r. y x! tales que (a) P(U > x?rl = 0'025. (D) P(-a= U 3 c) :0. (c) F.rzo. + p .98.05. (o) llaltar x! y x? tales que el área bajo la distribución x2 correspondiente a v -. Para una distribución chi-cuadrado con 12 grados de libertad.i) 4.124. (d ) 60. 4. Verificar que la integral desde u lsugerencía: Hágase a : 0 hasta e v2u).05.or'so'lr-. Demostrar que para grandes valores de 4.¡.05. pígirn 117. er igual a 1. grados de libertad DISTRIBUCION x . Hallar el valor de: (a) F. (c) el á¡ea a la derecha de xl sea 0. (e) el área entre -f1 f f1 sea 0. 4.025. Verificrü que (34).

. libertad respectivamente. página I44.153. PROBLEMAS DIVERSOS 4. constantes y b2 < ¿c..159.143. demostrardirectamentelosresulta- 4. ento'nces ) Xf ti"tt" 51. Demosha¡ el teorema del límite central para el caso donde Xt.. 4. . 4.150.^h.c<ts -. . Generalizar el Problema 4. (véase página cada unacondistribucióngeométrica.e8¡zsa \z /' * (tlu)to.A) = ke-(!¡z+2bra+"v'l donde a.145. Si X.Porevaluacióndelasseries dos del Problema (") 4. . ¿tiene X2 una distribución chi-cuadrado con 1 X1.16O..1 o2 .8.pfuinal77.14E. 4.. Completar la demostración de la ecuación (8) del Problema 4. (ó) io ". Demostrar que cuando v "> @ la distribución f de Student tiende a la distribución normal tipificada.157. Y mnjuntamente tienen la distribución bidimensional (19).6O.155. página 116. . . Demostrar el Teorema 4-5. b..r. Y tienen la función de densidad conjunta f(r.37 demost¡ando que si buidas normalmente con media 0 grados de 4.X. Halia¡ el valor aproximado de (t3o). + Xn. (Sugerencia: Ilaga la transformación u : 1/u). son independientes pero no necesaria... Si X está distribuida normalmente con media g y variznza grado de libertad? Véase Problema 4. Sean las variables independientes n X¡. (a > o' o ..e8)2ez \3 /' y dar una interpretación de probabiüdad. É^ ¡=o . prfuina 118.. 4. Demostrar que 2u (. rj +n'r l¡ = ¡'oof 4. página 114.156.r. . hallar la función de distribución de lonva¡iablesaleatoúasindependientescon di¡tribuciónchi-cuadradoypr..4 4. RELACIONES ENTRE LAS DISTRIBUCIONES CHI-CUADRADO.0.144. 4. y varianza 1. ¿Puede deducirse la ley de los grandes números en forma débil del teorema del límite central? JuEtificar su solución.36.162. k=l son variablee aleatoria¡ independiente¡ disürluna distribución chi-cuadrado con y libertad. Demostrar el resultado (46).150 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.. 4..' o) 4. de 4.. 4... k=1. Xz.I Y T' 4.o2)a(0.161.15E.. Verificar que estas constantes son l¿¡s dadas en (19). Demostrar el Teorema 4-10.7ffi1. Demostrar el Teorema 4-8. Demostrar los resultados (20) y (23). 4. página LL8.147. DISTBIBUCION NORMAL BIDIMENSIONAL 4.146.X. Suponer que X. mente tienen una distribución idéntica.n. página 118.0r. Hallar la función generatriz de momentos de la di¡tribución hipergeométrica.149. c.154. mente con varianzas h aon 4.. Demostrarque k=l ) X* tiene distribución de Pascal 118). demostrar que e8t6n distribuidas marginal- "? y oi respectivamente.prgradoe X¡ + .0. 4... Si Xr.

(b) v = 2. (b ) la velocidad media.esdecirlarafzcuadradade la velocidad media al cuadrado).164.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 4. Estudiar qué le sucede a la varianza de l¿ distribución t 4. . (c) v1* 4. página 119.F' f. Comparar sus resultados con l¡ entrada 5. La probabilidad de que una molécula de un ideal terga una velocidad enhe u y u I du está dada por cuze-mv2lzkT du donde k e¡! la consúon te de Boltzmann y T es la üemperatura Kelvin del gas. (c) la velocidad más probable.162.cAP. y varianza de la distribución gas para loc casos (o) (b\ v2= 4. Determinar (a ) la conetante c. Estudiar qué le sucede a la media ¡i (o) r = . (d) la velocidad efectiva(rme.163.

.

Farte tl ESTADIST¡CA .

.

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

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

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

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

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

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

En cambio de hallar la distribución muestral de S' ó S' es conveniente hallar la distribución muestral de la variable aleatoria relacionada nS! .i2 o2 (20) o- La distribución de esta variable aleatoria se describe en el'teorema siguiente. 5l TEORIA DEMUESTREO 161 DISTRIBUCION MUESTRAI. 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.grados'de libertad. Es natural preguntar qué sucedería si no conocemos la varianza poblacional. . DE VARIANZAS Tomando todas las posibles muestras aleatorias de tamaño n extraídas de una población y computando la varianza para cada muestra podemos obtener la distribución mueshal de varianzas.24. S/\n X-t' slltn'- (22) r ü Podemos entonces demostra¡ utilizando el Teorema 4-6.1 grados de libertad. denota con frecuetlcia por ¡2. pagjna 117. - 1. podemos considera¡ él estadísü próxima a 1 indicaría una pequeña pequeña indicaría una gr¿rn áiierencia mientras que una relación diferencia. 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 . UtilizAndo la misma idea po es más buci ¿" diferencias de varianzas.cAP.Si. En (2I ) hemos supuesto lógicamente que se conoce la varianza poblacional o2 . 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.22. se Debido al Teorema 5-6 la variable en (20\ ción de este teorema véase Problema 5. (21) está normalmente distribuida si la población de donde se toma¡on Ias muestras de tamaño n está normalmente distribuida. en muesa la particular diferencias de medias. 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. Si. resulta ir¡ ande o e un bien complicada. Una posibilidad es estimar la varianzá poblacional utilizando una o más varianzas muestrales y luego colocar la corespondiente^ desviación típica en (21). Para una demostra- CASO DONDE LA VARIANZA POBLACIONAL SE DESCONOCE En los Teoremas 5-4 y 5-5 hallamos que. 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. Sin embargo. Establecemos esto en el teorema siguiente.la variable tipificada Z= X-¡t "/yñ. En cambio. en tanto que es normal asintóticamente si la población no es normal dado que n >: 30. 5-7: DISTRIBUCION MUESTRAL DE RELACIONES DE VARIANZAS En la página 159 indicamos cómo pueden obtenerse distribuciones muestrales de diferencias.

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

El histograma correspondiente es entonces semejante al de la Fig. que puede tomarse como representativo de la clase. 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. El ancho del intervalo de clase 7-ésimo.5:3. por ejemplo. se ¡nuestqan en la tabla anterior. Orden3mos los datos en clases o categortbs y determinamos el número de individuos que pertenecen a cada clase. La suma de ias áreas es 1 ó l-00'. como se muestra sombreado en la Fig. EI punto medio del intervalo de clase..5-59. desviación típica.l . o al menos sus medias y desviaciones típicas (errores típicos).5 pulgadas mientras que unaregistrada como 62 pulgadas realmente está entre 61. Distribuciones muestrales para estos estadísticos.5-62. EI siguiente intervalo de clase sería entonces 62. La ordenación resultante. se conoce como d¿süribución de frecuencia o tablade frecuencia. es Ia diferencia entre el límite real superior e inferior.cAP. o por un polígono de frecuencios uniendo los puntos medios de los techos del histograma. podríamos haber registrado el intervaIo de clase como 59. Io que se llama uninterualo de clase. inciicadas por 6G-62. Algunos de estos. denotado por c¡r que comúnmente es el mismo para todas las clases (en cuyo caso se denota por c).5 pulgadas. 5-1 ercepto que el eje vertical es frecuencia relativa en cambio de frecuencia.-r-l correspondientes a esta clase Ia correspondiente frecuencia de clase es 5. puecen enct-¡ntrarse con frecuencia. Ya que una estatura registrada tromo 60 pulgadas realmente está entre 59. Puesto que 5 estudiantes tienen estáturas casoc:62. la frecuencia relativa o porcentual correspondiente a la clase 63-56 es 18/100 ó 18'i.5 y 60. . denominada la frecuencia de clase. Tabla 5-2. Tabla 5-2 ESTATURAS DE 1OO ESTUDIANTES DE LA UNIVERSIDAD XYZ o H o 10 (pulgadas) fir) Estatnra i Número -f. En este La primera clase o categoría. DISTRIBUCIONES DE F.5. En el intervalo de clase 59.'J ir z 61 64 6t- l0 ?3 76 (pulgadas) Estatura (p [:ig. DISTRIBUCIONES DE FRECUENCIA RELATIVA Y OJIVAS estudiantes err cada clase.5-62.5 y 62. el resultado sería una distribucíón de frecuenciarelatiua oporcentual. 5-1.5 los números 59. se llama marca de clase. etc. Es interesante observar que Ia gráfica parece indicar que la muestra se extrajo de una población de alturas normalmente distribuida.5--65.Por e¡emplo. etc.'RECUENCTA Si una muestra (o una población) es grande.) de tro estudiantes É tr-r (::i t'.:) riri {l¡ ¡ lii 12 o ilr -71 27 8 . conjuntamente con los dados.5 se conocen como límites reqles de clsse. 60-62 es 61.5 y 62. es difícil observar las diferentes características o computal estadísticos tales como la media. Si en la Tabla 5-2 registramos la frecuencia relativa o porcentual en cambio del número de . 5l TEORIA DE iúUESTREO 163 definiciones son análogas a esas dadas para poblaciones en el Capítulo 3. Como ilustración suponga que una muestra consiste de las estaturas de 100 estudiantes de la univelsidad XYZ.5. consiste de estaturas desde 60 hasta 62 pulgadas. Por esta razón es útil organízar o agrupar los dofos.

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

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

11) 4.5 1 4.0 (2.8) \3.5. se considera la misma que (8. 7..0 -i.29.0 O.2) (11.0).0 otr 3.11) (1r. éstas son (2. 8). Para una demostración general de este resultado véase hoblema I . (2. rj).o2/ N . l'I1!11-q9-"'-lgl-99'":'I9't3ls 25 comprobándose que ) 150 tt - o'' t{' -.D 6. (6.6) \2..1. ll ).5 9.1-¡ . o: 3. 7.2). (2.U t< (.. 4.0.0 9. 3) (3. (6. 2) (8.5 7.0 6. sumando los 25 números así obtenidos y dividiendo por 25.40 = 2'32 Esto pone de manifiesto el hecho de que para poblaciones finitas en las que se efectúa muestreo con remplazamiento (o poblaciones infinitas).r' = 16.0 + 7.8) (6. Para una demostración general véase Problema 5.5 I. (3.2.40. 5.4. (c) Hay iC-.?. + l:1.5 = 6.11) (3.2t (3. 6. 11). y la media de la distribución muestral de medias es 9.05.8).!lr_115. 4 135 : -.11) (8.0.0r 6.8.8) Las correspondientes medias muestrales son 2. 3) (rl. Estas so r (2.8/2 = 5. 5.-.5 11. El resultado final es . 5..8) (8.166 TEORIA DE MUESTREO lcAP. de la distribución muestral de medias se obtiene restando el valor de la media 6 de c¿da número de (1 ).5 6.1¡ muestras (2.b - 6. de acuerdo con el valor anterior.5+ 5. (8.* .. ¡'. elevando al cuadrado cada diferencia. 11). ) "l .01.f. 7.to oue el sesundo miembro ^^ . 8). 8.11) (6.5 + 9.5.3).\ N _irl. 4.r ) 4.puestoqueel segundo miembro es 10.3) 111. Lo mismo que en el Problema 5.40 de modo que o. (o) y (ó) como en el Problema 5.6) (6.* 2.8) (11.0 4.3) (6.0 7.5 + 10 /r.47. 6) (3.5 (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).5.0.0 es 8.0 5.6). nuesto que segundo -:^-L-^ "" (.0 5.2.3).5 ¿" (l 8.0 8. 6) (8. Para una demostración general véase Problema 5. 11) La selección (2. ¡r: 6 y o2 :10.0 poniendo de manifiesto el hecho de que tÍ - (d) La varianza."\.6) (tt. 10'8/5 .8. or". de la distribución muestral de medias x es 6. + (9.5 .O.0 : itO + 6. 3) (2.5.5 5.05 Y ox r. (d) I'a varianza o{. 5. _Í ) .0 y la media de la distribución muestral de medias .1 para el caso de muestreo sin remplazamiento. (3.2\ Esto pone de manifiestrque '' .6.5 7. (3..5.2) 12.5 + 4.6.0¡:: -f -' .0 -('25-10 - c. que es el valor obtenido anteriormente. 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."2*= o2/r. Las correspondientes medias muestrales son 2.2) (6.0)2 = 4. por ejemplo.

8 . ¿cuál será la media y'la desviación típica esperada de la distribución muestral de medias resultante si el muestreo se hizo (o) con remplazamiento.0 0. para todo propósito práctico.1915 : 0.0 pulgadas y Yox=- ox = o=3 \/n {zs = 0.6682) ó 59. (b) de más de 510 Pa¡a La distribución muestral de medias ox- o yn !* = p = N-n N-1 5.4 pulgadas .3 La media X de una muestra en unidades tipificadas viene dada por Z X-p* aX X-68.8 y 68.(área a la izquierda de z : -2.6 (o) 66.cAP.3 cabría esperar una media (o) entre 66. Hallar la probabilidad de que una muestra af azar de 100 cojinetes elegidos entre este grupo tenga un peso total (c) comprendido entre 496 y 500 onzas.6687 Entonces el número de muestras esperado es (80)(0.3.4772 + 0.30 onzas. Fig.3 pulg. 5-3 5.68.8 y 68. De aquí que con 80 no se obtenga realmente una distribución muestral de medias.8 en unidades tipificadas 68.6 pulgadas 3000 3000 (b) p* = p - 68.0pulgadas o vn N-n _3 N-1 \/% . (b) 66.0)/0. cabría esperar que la distribución muestral experimental de medias se distribuya aproximadamente normal con media 68.4 - 68. cojinetes de bolas tienen un peso medio de 5.4 pulgadas? ¿En cuántas muestras del Problema 5. Quinientos onzas.67 Proporción de muestras con medias menores de 66.0 : 0. (b) menor de 66. Así.6 : -2.0 pulgadas y desviación típica 0.0098): 0.68. la media y desviación típica esperadas serán muy próximas a las de la distribución teórica.5 - 0. Por ello. Supóngase que las estaturas de 3000 estudiantes de una universidad se distribuyen normalmente con media 68. \a) p*.0)/0.0038 -2 A7 Entonces el nhmero de mueshas esperado es : (80)(0.4 en unidades tipificadas: (66. puesto que el número de muestras es grande.(área entre z : 0.3 en unidades tipificadas : : (66. Si se toman 80 muestras de 25 estudiantes cada una. pues.25 -1 que es ligeramente menor que 0.5 Proporción de muestras con medias entre 66. : (área bajo la curva normal entre z : -2.02 ? . 5.304 o cero. considerarse la misma que en el muestreo con remplazamiento. Así se tiene. pulgadas.4.6 pulgadas y puede. Sin embargo.30 500 /ioo 500-1 - 100 0.5\ :(áreaentree:-2yz:O) * (área entre z : O y z : 0. por tanto.67 0.6 : -2.67) : : (área a la izquierda de z : 0) y z : O) .5l TEORIA DE MUESTREO r67 5.4962 : -2. sino solamente una distribución muestral experimenú¿1. habría mucha aproximación entre las dos disbibuciones muestrales. = tL = 68.02 onzas y una desviación típica de 0.5) : O. que son muchas más de 80.5. (b) sin remplazamiento? El número de muestras de tamaño 25 que teóricamente pueden obtenerse de un grupo de 3000 estudiantes con y sin remplazamiento son (3000)2s V aoooCzs.3 .0 pulgadas.02 onzas. 0.6 pulgadas.0 y z : O.0)/0.0 pulgadas y dewiación típica 3.6 (68.

48(i8 .7 4) (áre^ entte z : -2. F'ie.O2\10.96) :0.5-4 (ó) El peso total excederá de 510 onzas si el peso medio de los 100 cpjinetes sobrepasa las 5.E6)) = L(rr\ = t! 6. (b) sea 5/8 o más del número de lanzamientos.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.02)lO.22 y z : -0. X2. En esta población la probabilidad de cara es p : I12 y la probabilidad de sello es C :1P : l12.02)lO. Se procede como en el Capítulo 4. '1-. solamente se darán 3 casos cada 2000 de obtener una muestra de 100 cojinetes con un peso total superior a 510 onzas. son ina"p"nl'i"nt".ruo2. Demostrar el Teorema 5-1. Demostrar el Teorema 5-2.5 y 72. la cual tiene media ¡1. (x1) r rI (x.7 4 y z : O) = 0.7..168 (o TEORIA DE MUESTREO lcAP.00 en unidades Probabilidad pedida tipificadas : (5.22 : --0. 5. 4. (a) ' pide ra probabilidad de que el número de caras en los 12Q lanzamientos se encuentre ent¡e 4O(/o de 6 48..10 onzas. y 6Ol/" de l2O.5 se encuentra entre 4. Hallar la probabilidad de que en 120lanzanientos de una moneda el número de ca¡as (o) esté comprendido entre el 40% y el60%. mediante la aproxlmación normal a la binomial. tenemos l¿-12 E(X¡) = * Entonces ya que la media muestral se define como -Y='' x. Puesto que X1.(.96 en unidades tipificadas: (4. página 158.5.O27 : -2.00 - 5.pues.(área entre z : -4.0015 : (área a la derecha de z Así..8.22 y z : O\ . página 158. son variables aleatorias que tienen la misma distribución que la población.96 5. se pide Ia probabilidad de que el número de caras se encuentre entre 47. 3-7 " x..216-1 (área entre z : : 222 -074 Fie. 6 72..10 ..O27 : 2. .96 ) El peso total se éncontra¡á entre 496 y 500 onzas si la media de los 100 cojinetes y 5.. tenemos por los Teoremas 3-5 y Var (X) -f vu.5 . Tenemos .4985: 0. Se 1-2O.0.t - .+"'") =.2704 : 0.(área entre z : O y z = 2.+ "' + -' Entonces puesto que X¡.5.5-5 5. DISTRIBUCION MUESTRAL DE PROPORCIONES 5.ttr rr"rr"n Var uuri^X. Puesto que el número de caras es una variable discreta.+-\1L tenemos como se requiere l E(X) = ]lEtX.96\ (área a la derecha de z:0) .) - .6.027 5..00 onzas.96 Probabilidad pedida : 2.0. X.10 en unidades tipificadas: (5.

0041?-0.28 : : : Otro método.1. i:abe esperar el encontrar un97.(áreaentre z : 0 y z : 2.60+0.6250 - 0.5 en unidades tipificadas = - 60 72.8 se ha obtenido que todas las posibles muestras de 120 lanZamientos de una moneda. = 2.detamaño 120 cada una.5 en unidades tipificadas = 72. que 0'00417 0. (o) En el apartado (o) del Problema 5.50 = _2.48 Probai¡ .uo ".65) : 0.28 que concuerda con lo obtenido por el primer método.4887 ) : O.977 4 ttp=P:i=o.00417) y (0.I9 en unidades tipificadx: ffip z sí la probabilidad pedida es el área bajo la curva normal entre 0.74% de ellas con porcentaje de ca¡as entte AOVI y el .=1p= ^FY = 120 = 0. (b) 518 o más de sus lanzamientos resulten cara? Este problema está estrechamente ligado al Problema 5.19 : 2(0.5 5.t9 yz : 2.0456 40Vo enunidades tipificadas 60o1c -2. Adviértase que (0. puesto que 5/8: - 0.np = rzo(!) = oo o= 47 \/"pq 47.idad pedida = 2. Teniendo esto en cuenta se resta 11 Z" = Al¡.fn ficadas son.40 0.0040 -_ 0'6250 5. = .s los posiblea l¿nzamientos de una moneda.4857) : Aunquees:cresultadotiene dos cifras significativas.40 y se Buma .28) 2(área errtre z : O y z : 2.65\ : (área a la derecha de z : 0) .00417) corresponden a las proporciones 47.117 l1 a 0.5 .5 .8.00417) en unidades tipificadas Probabilidad pedida .971.00.60 5.60. 5l TEORIA DE MUESTREO ¡r: núrnero de ca¡ae esperado . Aquí se consideran S00muestras.60 + 0.0r56 - 0.40 72. Cada persona de un grupo de 500 lanza una moneda 120 veces.6250. - 0. no concuerda exactamente. puesto que L1240: 0. las proporciones pedidas en unidades tip! 0. puesto que no se ha utilizado el hecho de que la proporción es realmente una r¡ariable discreta.9. (área bajo la curva normal entrez=-2.0456 = 2.5/120 y (b) Empleando el segundo método de (o) se tiene.0'60 = 2. de la población infinita de todo. ¿En cuántos individuos cabe esperar que (o) el númoro de caras se encuentre entre eI 40% y el 60% desuslanzamientos. 0.28 _ y 0. Así pues.48 .50 0.4960 : 0. de 0.I9 : -2.51720 del primer método.86 : (área bajo la curya normal a la derecha de z : 2.0041 7.0.28y2:2.cAP.28) 2(O.0456 (0.

5 6OVo.18 Probabilidad pedida : : (área bajo la curra normal a La izguierda de z 0.5/200 = 0. Los resultados de una elección demostraron que un cierto candidato obtuvo el 46% de los votos. (a) Puesüo que I. Se ha encontrado que el 2% de las piezas producidas por cierta máquina son defectuosas.4G y ".02 (o) y oP=tE= : 1/ 0. Otro méüodo.3869 :0. pero ésta.0'02 -: 0.5000 + 0.5025 en unidades tipificadas : (0.57L4 Si no se hubiese aplicado la corrección.1056. sería 100.489 : 1I individuos cabe esper:ü que su número de caras no se encuentre entre el 4O% y el 6O% de los lanzamientos. (2()'o de 400) = 3 Entonces 11. se tiene (o. método del apartado (o). También puede utilizarse el aegundo 5.5000 - 0.00125.10.46)/0. se concluye que en (500X0. ¿Cuál es la probabilidad de que en una partida de 400 piezas sean defectuosa. (Esta proporción puede también obtenerse dándose cuenta que 101 o más indica mayoría.5025.8)12.0714 se : O. como variable continua. ó 489 muestras con esta propiedad.5 y así la proporción sería 100.p = :p = 0.2t) : 0. 0.0362: 1. 1/800 0.0040) de sus lanzamientos sean caras..25 y como antes la probabilidad pedida (b) {0.0. 12 o más significa 11.170 TEORIA DE MUESTREO lcAP.oo125)enunidadestipificadas=W=|. hubiese obtenido 0. (b) Razonando como en (o).5000.14 = 20 0. p0.18) 0. Determinar la probabilidad de que de (a) 200.) Entonces.a es .007 Mediante la corrección para variables discretas.s (o) 3% o más. Se sigue que en 489 individuos se esperaría que su número de caras se encontras€ entre eI 4O% y el 6O%. (b) 1000 individuos elegidos aI azarde entre la población votante se hubiese obtenido una mayoría de votos para dicho candidato.={-= .21 (área bajo la curva nonnal a la derecha de z : l.98) v = 400 _ 0.1131 .5 en unidades tipificadas : " : {"w : (11. : 2 personas se esperará que los 5/8 o más 5. En concepto continuo.50 + 0.5 o más.02(0.26): 0.02 I 0.5025 o más. (3% de 400 ) : 12 piezas defectuosas.1056 Si no se hubiese aplicado la conección se hubiese obtenido 0.7 4% de 500.5 y'1+oo)1onz)¡rsg : 2. Es interesante advertir que en 500 .00125) en unidades tipificadas 0'02 r 010q1?5 . L/2tt.0764..11. Este tipo de error es un rresgo que se presenta siempre que se trata con probabilidades.0025. En ó00 muestras se puede esperar 97 .-' 0.0025 : 0.5025 Probabilidad pedida : . (b) 2% o menos? PP'=P=0.25 hobabilidad pedida : (área bajo la cu¡va normal a la derecha de z : I. una mayoría se obtendría en la muestra si la proporción en favor del candidato fuese 0. Tales individuos pueden razonablemente sospechar que sus monedas no están bien hechas aunque sí lo estén.0352 L12n: ll40O: 0.o3_o.8 : - 1.

= (2-3)2 * (4-3)2 =l ó ou"= l. sacado de (o) esto concuerda con el resultado general FLtr_uz= y (b). 6 r¿.46@Ba)/1000= 0.0158. = t/f.cAP. Sea Ut la variable de los elementos de la población 3.5025 en unidades tipificadas = ff*s : 0. 14 (d.46.6g) = 0. -3)2 + (3-3)2 + (4-3'¡z b L7 3 Eeto concuerda con el reeulüado general para muestras independient"" ou._u.4964 DISTRIBUCIONES MT.) o (e) . ou._ri.5000 - 0.12. = població n lJn = f. 8 y U2 lavariable de los elementos de lapoblaciín2.ia de 1400 horas con una desviación típica de 2OO horas. = varianzadelzpoblación U.Ur) Fur-u. y 0.. @).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.. 7.m=!T.. = FLrt = 4Lrr.]ESTRALES DE DIFERENCIAS Y SUMAS 5. [.13.a demostración del resultado general se deduce del Teorema g-7 .= \Ej7r-..0036 = 2.. (t) vr. Calcular (a) *u..7 g .. = mediadelapoblaciónU. (o) (b) (c) Éy.. Si se toman muestras al aza¡ de 125 bombillas de-cada fabricante. (d) V @ ). rnientras que las de otro fabricante B tienen una duración media de 1200 horas con una desviación típica de 100 horas. (f) n'u r- u" = mrianza de la población (U 1- U 2) (1-3¡z + (5-3)2 + Oo. o.6l (b) pp TEORIA DEMUESTREO = p: 0.' ¡ecado dc 5.-(e) ou". = media de La ]{S*?*8) = l.69 Probabiliüd pedida : (área bajo la curva normal a la derech¿ de z = 2. Las bombillas eléctricas de ün fabricante á tienen una duración Lned.j ut-v2 (6-3)21(-. ¿cuál es la probabilidad de que las bombillas deA tengan una du¡ación media que sea al menos (a) 160 horas.4.iu.. (b\ pu.q/n = y'd. = varianza de la población I/' (3-6)2 + (7-6)2 + (8-6)z _ 33 a2u. ofi.' Éiinz.._u".) nu. (f. (b) 250 hóras más que las bombilhjde B? .

L72
Denótense por

TEoRTA DE

MUEsTREo
1200

[cAp.

5

*n y )(o las duraciones

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

É*¿-*¡ -

- ttxn
ofr

1400

-

=

200 horas

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

=

1/(1qo]'

v 125-

gry = 2o horas 125
xrr\
20

La variable tipifieada para la diferencia de media es

(X,+-

Xil

-

0'x

(x^-

o.(.,

-

200

*o ss:
(160

mucho a una distribución normal.

(o)

La diferencia de 160 horas en unidades tipificadas

Probabilidad pedida

: : : :

-

2OO)\2O:

-2.

(área bajo la curva normal a la derecha de z

0.5000 +

0.4772:

: -2)

O.9772

(b)

La diferencia de 250 horas en unidades tipificadas

es:

(250

-

2OOll2O: 2.50.

Probabilidad pedida

(área bajo la curva normal a la derecha de z

:

2.50)

0.5000

-

0.4938

:

0.0062

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

/¿x,-*o = trx, /r¡o o*,

0.50

-

0.50

-

0

-,t,

=

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

ffif

.ffif

=

o.ooo8eb

P(z>-2.23

ó 2=-2.23) = P(Z>2.23)+P(z=-2.2:t) =

2(0.5000-0.4871) :0.0258

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

hechas, la probabilidad de ca¡a es p

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

-

1-12.

Entoncer, ApA 4I,B =

!t',r. pn -

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

f

q|li-t t¡

Z = lP¡- PB-

0)/0.10.

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

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

:0.9

que

es

0.5000

-

0.3159

:

0.1841.

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

cAP. 5l

TEORIA DE MUESTREO

173

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


r,,

y D2, se tiene

, '

t,D,) r¡" :
oD,t

trnr*

po, =
-

27.3

*

15.6

=

42'9 pulgadas

= t/7,, + 4,
trD,

\Á¡:i6FJT¡8)t =
27.3

0.l8pu[adas

(b)

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

I tro,

- 15.6 =

11.7 pulgadas

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

(0.08),

=

0.18pulgadas

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

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

1500

+

1500

+ 1500 =
2G0

4500 horas

- {t.!ffi.,
(5000

-

\mbO)t =
= I.92.

horas

(o

)

5000 horas en unidades tipificadas

: Probabilidad pedida : :

4500)/260

(área bajo la curva normal a la derecha de

z: t'92)

(b)

4200 horas en unldades tipificadas

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

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

: -1'15

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

(o)

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

0
0.25 4.00 9.00

0.25

4.00

9.00

20.25 16.00 6.25 2.25

0
2.25 6.25

2.25 6.25 1.00 0 1.00 0
6.25
es

20.2t:
/,.s2

16.00

2.25

La media de la distribución niuestral de varianza

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

b..ro

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

2 y o2

:10.8

lvéase

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

3, = ;= (b) La íarianza

52, puesto que se seguiría que 4.q,

o2. (véanse

también las notas de la página 160)'

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

t74

TEORIA DE MUESTREO

[cAP.6

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

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

l0

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

=

o.7ó

t\ p.r = / N \ /" : \ñ=/\T)"

[ecuación (re), página 160], como

se

N:

5,

n:

2

y

o2

10.8 el segundo miembro pasa a ser rs,

: (f )({)(10.8) :

6.75.

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

5.20. Demostrar que

E'(S')

= |c
se

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

define en

Teneno¡

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

r)(Xr

- tl - (Xz- ti -

.. .

- (xn- p\)

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

ceror por tanto se

E[(Xr- *¡21 = #U"-

L)2

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

d2)

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

=

I

fr{("-L)znz

* o2 * ... I

o2l

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

=

= ;nt<Xr-

1-

X)2

+ . .' + (X"-

X\21

Método z.
Tenemos

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

¿-1 o-) "l = n-L " -o'
p\(*

^

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

p)2

- 2(x¡-

- r) + {i -

,,¡z

v

(r)
donde lá su¡na es desCe

)1x,-i¡, = )(x¡j: t

p)2

- z(X-p))1x¡-r)

+.)1x-u¡z

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

cAP.5l
(2)

'"O*'O

DE MUESTREO

t76
u¡z

)tx,-xlz
>

j

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

- 2n(X- ü2 + n(*p)2 - n(*-p)z
ti2 -l

puesto que

6¡-

¡r)

=

el Problema 5.7 hallamos

Sv - np -"(X t-

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

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

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

i
o'

-

(n_

7)o2

¿'(S'z)

n
n

L

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

vzrianza 02, entonces su función

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

* Xz* . .. *

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

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

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

_

xt +x"l-...
n

1x,
t/2
02

es

Éx(") = t( ;)

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

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

/n, y el resultado

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

l',,. donde

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

r' - l'-ú: rt = o2--,

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

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

(X;-

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

(a)

Tenemos

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

7.2, tenemos

176

TEORIA DE MUESTREO

lcAP.

5

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

1

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

0.2b

(b)

resultados son iguales.

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

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

I'-'+, olln

Y-"

- nS2 z =ff,

| = fl-1.

Entoncespuesüoquelas X¡eetÁndistribuidasnormalmenteconmedia¡r

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

-

Se

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

f =
tiene la distribución
ú

,/u,

)'

= -!-P

s/\/;=

x-P
Snla

con n - 1 grados de libertad.

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

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

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

-1.0 -0.33 0.11
Realmente hay

-;;

-1"'

-1.0 -0.20 0.25

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

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

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

Yl

,..,, Y¡

reopectivamente. Entonces las

si = * -J tx, - x¡', sj
donde X,

at'¡

=

; -) rr', - i'r,

Ii ¡on las medias muestrale¡.

-

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

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

tiene la distribución F con m

-

1, tr

-

cAP.5l

TEORIA DE MUESTREO

r77

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

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

3e

. Por tanto

F '

-

1.85---iJá

s?

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

DISTRIBUCION DE FRECUENCIA

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

Tabla 5-4

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

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

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

:

11 aproximadamente.
Peso
1

Tabla 5-5

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

(libras)

Cuenta

Frecuencia

18- 0r/

I tl
'ft|+ I
Tfl+
,.

102

r28I DD-

I

3848A'1-

I AD 1

I
1

1
1

586373-

(;8- nt/

27 :t2 37 42 47 52 67 62 67

ll il/t

2
4 o 8

'l|lJ

lll

ilil ll /il
TOTAL

A

2
D

1

1

77 lt

I 40

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

Tabl¡ 6-6
Peso (libras)

Cuenta

Frecuencia
3

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

El histograma y el polígono de frecuencias para

cada

uno de los dos casos considerados en el Problema 5.28

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

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

5
q

12
D

4
2

40

178

TEORIA DE MUESTREO

lcAP.5

:¡T¡83:ETg!E['
Peso (libras)

f3¡

r40

14? t58

187 t76

165

Peso (libras)
F

Iris.

5-?

ig. 5-8

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

Tabla 5-7

Nfimero de
Número de
caras
0
1

lanzamientos

(frecuencia)
38

t4.t
342
287

2

(o)

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

164 25 1000

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

5

TOTAL

ta

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

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

es la frecuencia

total 1000.

de frecuencia se están tratan-

o

É o)
E N É
o

o

350 300

ú o
d
É
N

^-^ óou
soo
250 200

zso zoo
150

ñ
(d tt

lcu
roo
50

9

roo
50 0

h
!a

z

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

1231
Número de caras Fig.5-10

(b)

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

2.6.8.4.56 ó 1.0 3. Hallar la media aritmética de los números 5..6.10 y 18 individuos registran una media de pesos de 162. 20.0 o o É o C t{0 6 N^^ Eou o O .32.5.1 Número de caras Fig.aparece para todos estos valores (indicado por la línea horizontal).8.2.3. así por ejemplo. 5-12 Fig.4. de modo que eI mismo porcentaje l8. dos 6.4.4.6. dos 2 y tres 8. 5. 5-12 muestra el polígono de frecuencias acumuladas u ojiva de los datos y los trata como si en esencia fuesen continuos. 153 y 140 libras. 5-11 o en la Fig. Cuatro grupos de estudiantes.3. 1.10 N-^ EOU G' o :! . el porcentaje de lanzamientos en los que haya menos de 2 caras es igual aI porcentaje en las que haya menos de 1. Hallar el peso medio de todos los estudiantes.4.3 + 4 + 5+ 4 + 8 1 2+ 5+ 4 20 =ñ:n'" Método 2. respectivamente. 5-11 y 5-12 corresponden a las Figs. La Fig. 5-12. Hay seis 5. Método l.2ol. .75.5 100.31.(6)(5) +(2)(3) +(2)(6) + r5)(4) I (2)(2) +(3)(8) 6+21-2+5+2+3 96 20 = 4.5-ll (c) La representación gráfica puede indicarse como en la Fig.8 18. 5-9 y 5-10 de la parte (a).4 81 . La Fig.1 menor que 0 menor que 1 menor que 2 menor que 3 menor que 4 menor que 5 menor que 6 100 38 t82 524 811_ 975 1000 9?.5.2 52.5.10 Hzo o lzo A 0123456 Número de caras 6 0123. 2x It 5 qA +3 | fi + 5 + 4 + 5 + 2 + 8 + 6+ 5+ 4 + 8l. Entonces _ )/¡ n . VARIANZA Y MOMENTOS PARA MUESTRAS 5. cinco 4. dos 3.8. 5-11 es Ia más lógica para representar datos discretos.TEORIA DE MUESTREO Nfimero de lanzamientos Nfrmero de caras (frecuencia acumulada ) 0 Porcentaje de lanzamientos (frecuencias acumuladas porcentuales) 0.8 5. L48. CALCULO DE LA MEDIA. formados por 76.23 caras. Nótese que las Figs.

33.rj.¡ (tambiénescrito brevementecomor =a I cui. etc.35.34 para hallar la estatura media de los 100 estudiantes de la Universidad XYZ (véase Problema 5-33). 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 >/ - + .página 164.r¡ con respec[o a alguna marca de clase determinada a. XYZ. 63-65 pulgadas. Utilizar la distribución de frecuencias de estaturas en la Tabla 5-2.. alcú" 2f¡u. la es La solución se indica en la Tabla 5-9. etc. Elproblema entonces se reduce a encontrar la estatura media de 100 estudiantes. Técnicas breves se encuentran disponibles para disminuir el trabajo en tales casos. es igual al tamaño de intervalo de clase c multiplicado por algún entero u¡.35. para hallar tatura media de los 100 estudiantes de la Universidad.34. para la media aritmética. Entonces la desviación de. Derivar la fórmula clave (27). El método se denomina el método claue y debe emplearse siempre que sea posible.)" = 67+ (i%). 5 = 150 libras 5. pulgadas. por ejemplo. )fu = l5 u = "*(?t.. Adviértase que todos los estudiantes con estaturas de 60--62 pulgadas. es decir r¡ -o:cltj óx¡: a *cu. Denótese la clave de marca j-ésima por . pígina 163. etc. T abla 5-lO 5. 67. )/'(o*crr¡) = o>f. se consideran como teniendo estaturasde 61.t yaque n=2f¡. -. Utilizar la fórmula clave del Problema 5..45 pulgadas Los cálculos involucrados pueden conveitirse en tediosos. xj .o. si 5 tienen una estatura de 61 pulgadas. La media está dada por fi _ 2f¡r¡ = = nnnn.. = a*c! )/'rr' . 5.180 sfn TEORIA DE MUESTREO lcAP.ffiq = 6?.45 pulgadas . 18 tienen una estatura de 64 pulgadas. La solución puede ordenarse como se indica en la Tabla 5-10. especialmente para los casos en los que los números son grandes y hay muchas clases.64. Véase Problema 5.

150)2 | 20(149-1si)i -tJ911!!:-!Li)2 + 18(140- 150¡z !5+20+10-f 18 Entoncee unidades siguen la leyes comunes del álgebra.Do 18 42 27 8 0. Derivar la fórmula clave (28).31 tenemos ú = 4. : y'Gb.rlgadas.9025 208.33.45 -0.10 libras.45 4t. = +:q = 65'6 en unidades libras cuad¡adas o (libras)2 .31.8. Como en el Problema 5.6 (libras)2 : \6bS libras : 8. página 164. 5l TEORIA DE MUESTREO 181 5. (o) Método 1.55 o.36. [.7500 100 = {dEfB = 2.cAP.34 tenemos ri = a + cui y ft = a*c'" 2f.2460 8.5050 I¡D.z - 2 f(r .8)2 _ (b) De (o\.33.37.32. para lavarianza.u.5025 30. " 2f(r-r\2 _ n 6(5 .0L25 214.r\2 n 15(162.45 2.11 Estatura (pulgadas) Ma¡ca de clase 61 r r- r-r = 67.45 pr. HaIIar Ia desviación típica de los pesos de los estudiantes del Problema 5.36. Hallar la desviación típica de las estaturas de los 100 estudiantes de la Universidad XYZ Véase Problema 5.45 lr - fr)¿ Frecuencia 5 / f(r ñ\2 60-62 63-65 66-68 69-71 -6.92 pulgadas 5.6025 11. . 5.39. Entonces n20 _ 59.2025 6.8025 72-74 246. s2 = 59. aír 20 Méüodo 2.4.DO'O 64 67 70 73 -3.96 y "-rfzs6=1. Del Problema 5. x: 67.a solución puede ordenarse como se indica en la Tabla 5'11. Tabla 5.4200 n=)/=100 2 2f(r-ñlz= 852.8):¿ + 3(8 - 4.7500 f(r TL n\z 852.20 . = a*cú' t¿ .8)2 = 2QA (2_20 4. donde hemos utilizado el hecho de que las 5. Como en el Problema 5.38.20 20 2. Hallar (c) la varianza y (b\ la desviación típica para los números en el Problema 5.

'r".40 obtenemos la Tabla 5-13. La solución puede ordenarse como se indica en ta Tabla 6:12.f ¡@.jú.33.39 para hallar la dewiación típica de las estaturas en el Problema 5. + tlz) 2xt = *2 : t.33.1"u. Esto nos permite halla¡ 6. + c2úz *> r.o.> f . 2lu=75 )fqz = 97 lalEr lo-s primeros del Problema 5.-a¡z i) = "i 2 ¡ . 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 .- o¡.f!n'LN c2[u2 (.35.az¡ n \n /l = ta)'f-re? / rs Vl = Ltoo-\t*/J ^ ó'b-275 y s: 2.41.'1 \fu/J _ ú2]l 5.u? -t t - C2[ /2f. cr¡atro momentos con respecto a la media para la distribución de estatu¡as Continuando el método del Problema 5.92 pulgadas. : }> f . 2 't t f.{r./¡¿)'l = ¿21¿ . b = f.\t 't t l = = ". = ¿2."? -'#2 2ú2c2 r¡u.u._ "o¡.<"? . Utilizat la fórmula clave del Problema 5. 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. De la frltima columna tenemos ¡ como en el Problema a2 = "rfL>l!'.L82 Entonces s2 TEoBTADEMUEsTREo [cAp.40.u? = ¿2 ¿2 * .

los 18 eetudiantes con estaturas 63-65 pulgadas se numeran 05-22.6932 a3 Coeficiente de eesgo = a. Cada Nf¡mero Estatura n(rmero de estudiantes se denomina número'muestral. que tomamos como 67 pulgadas (la marca de elase).^=>+=2. (pulgadae ) Frecuencia 5 muestral 60-62 63-65 66-68 69-71 72-74 00-04 18 42 27 8 05-22 23-64 65-91 92-99 27. etc..BB Mí= >fu2 n y de (32).41.4MiML+ 6M'r2ML- BMin) 81[2. 27.15)2(0.97 M.cAP.3759 ffiz:s2=8. (c) Comparar los resultados de (b) con los valores teóricos. utilizando La TEORIA DE MUESTB. 67. Hallar los coeficientes de (o) sesgo y (b) curtosis para la dishibución de estaturas del Problema 5.6l Entoncee.9? .15)(0. ffi2=s2=8.53-4(0.nL¡ = ca(M't. (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.15)41 : 199.EO notación de la página 165. lttt = ffi2= ffi3= 0 0.1s)2] = ca(ML-gLI|Mi+ zM'Lz) = 2?[0.(0.42.33. (o) DeI Problema 5.88 "z1ML- 8. tenemoe 183 M] = >fu n = 0. etc.6275 B(0. explicando cualquier discrepancia. 7'1. .. De (D) yemos que e8 menoc apuntada que la dishibución normal (que tiene un coeficiente de curtosir: 3). fflg = p: { (8. que tomamos como n(¡meros muestrales aleatorios. 46. Del primer renglón hallamos la secuencia 5I. 99 (véase Tabla 5-14).3?59 5.41. .3759 qa-szrgy _ 6 al = z't+ De (o) vemos que la distribución está modetadamente sesgada a la izquierda. Así 51 conesponde a un estudiante con estatura 66-68 pulgadas. OL.14 m+ Entonces = 199. En forma semejante 77.53 M'r') = 9[0. 46 resultan en'estatu¡as de 70. 02.15X0. (o) Emplear dos dígitoe para numerar a cada uno de los 100 estudianües: 00. PROBLEMAS DIVERSOS 5.6982 . (b) Hallar la media y la desviación típica de la distribución muestral de medias en (o).67 pulgadas respectivamente. cada uno de los cuales determina la estatu¡a de un eetudiante determinado..5275 Entonces mB = -2.9?) + z(0. 40.5275)3 (b) Del Problema 5.. -0.97) -3(0.5275 rttt Coeficiente de cu¡tosis as=E = : 199.43.15 ML=Zy = o. Entonces extraeremo8 nl¡meros muestrales de la tabl¡ de nf¡meros aleaüorios (Apéndice I). Asf los 5 estudiantes con esüaturas 60-{2 Tabl¡ 6-14 pulgadas s€ numeran 00-{4.33) + 6(0.1b)B] = -2.

45.00 (0'75)(23\ = * 'ñ- 67'58 Pulgadaa 2fuz />1"\' n -\ i " (0. 81. 55.98.70 70. 70 6L.97.67 64. 67. 16. 58 70. 64.64. 40. 56.75 66.74.54 2:2.64.84 64.fu. Esta ee una distribución mucet¡al de mediu. 67 70.03.75 68. 67 67.24 64. 21.93.08. 64 67. 76.25 69. 20. 07. L¡ medi¡ y la derviación tfpica ee obtienen como es usual por los métodos claves delcrito¡ anterbrmeuüe.69.75 69. 67. 21. 19. 67 70. 67. 33 m.09. 12 3.93 27.25 68.50 68.00 66.25 69. 10.25 64. 67. 64.75 69.50 66'. 70.91.41 pulgadar .70.28.70.70.60 67.62 4.70 medi¡ 67. 67 70. 64 70. Medi¡ = a*cú Derviación = o*c2fu típicr = = e - 6?. 31.0L. 03. 70.70 Trbl¡ 6-16 Media muestral 64. 67.73 73.58 9.74.00 extnfdo¡ Estatr¡¡as corespondientec 64. 70. 58. 90. 67 23. 67.25 67. ?1.50 65.00 70.00 67.31.2L. 56.50 66.ón dc l¡ trbl¡ de nl¡rncro¡ dcatoiio¡ h¡brfrmo¡ podido inici¡¡ en eualquier parte y escoger cualquicr patrón dctetmindo.28. 11.25 66.79 70. 67.50 69.70 7.00 64. 67 67. 67.79.32 8.27. 07.50 67. 67. 73. 67.70. 64. 18 70. 70. 60.64. 67. 67 . = 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). 67. 70. 06.50 1. 73.99 23. 67.02.93 14. 67.50 68. 67. 42.75 67.25 69.25 Cl¡enta Í 1 u fu fu2 16 0 8 6 0 2 ñ( /t/t )#{ 6 4 A a+67. 73 67.2L 10. 67 64. 51. 1t. 15.08 12. 64. 70. 75. 65. 05. 98. 43 1f. 70 73. 93. 67 29.00 67. 67.'7L. 61.00 66.54. 67. 70. 45.93 5.6L. 67.30 58.22. 6? 15.96.64 73.91.25 65. 56.5 Por eete proceso obtencmo¡ l¡ T¡blr Fló quc rnue¡tra lo¡ n(¡mcro¡ mue¡trale¡ extrafdor. l. 64. 53. 73.91.25 68.64. 87 fl. 67. g8 25. 73. 68. 73 67.46.184 TEORIA DE MUESTREO lcAP. 67 Ír¡f¡f media 66.58.36 08.73.75 65. 70 64. 34.50 68.82. 67 64.04.8s 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. 70. L2. 10. 51.64. 19.42.57.6r. 64. 67 70.64.96. 13. 67.73 67. tt. 46 2. 3 14 16 4 I l.24. 67.41.52 13. 64. 67.00 -4 -3 -2 -1 0 1 -4 0 -4 -6 0 0 4 / 28 45 16 23 d D . 73.76) = 1.33. 70.64.67.87 26. 30. 70 64.97 24.50 79. T¡bh 6-ró Nf¡meros muesFale¡ Est¡twr¡ o- E¡la+ Nfrmeros muestralea extrafdo¡ rrcqrondieatcc 67. 67.67 67.77.44. 6L.25 67.25 70. 96. 59.f = n 30 4 ).00 68. 70.83. 86 6. 63.25 67. 73.50 68. 70 67. 64 67. 67.23. 39 13.

El área bajo la curva normal a la izquierda z : -2.cAP.50 : 2.5 .0228.r.50Ib v400 5. es igual a o/y'[.8%.4.g2/fi = 1. dada por a¡.t J.3'/'.92 pulgadas (véase hoblema 6..0.r .0. La desviación típica de los pesos de una población muy grande de estudiantes es de 10.10. Se escogen muestras de 200 estudiantes de esta población y se calculan las dewiaciones típicas de las estaturas de cada muestra.0 lb ( lr) \/2" + = 0. pfuina 162. de (b) 8.46 pulgadas. Puesto que o/t6':2.0 libra¡ en unidades típicas: (11.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.a a.l' ra. esto es Q\ (r) f" sean .con el valor de 67. El área bajo la curva normal a la derecha de z 2. es ig¡ual. tenemos: ( ¿[.) au .5l (c TEORIA DE MUESTREO 185 ) es t a media teórica de la distribución muestral de medias.8 .58 pulgadas de la parte (b).0. Una muestra de Por 6 observaciones se hace aleatoriamente de una población. ¡1r)drl'z I J € e É la probabilidad total de que las 2 últimac'ob¡ervacione¡ Puesto que u puede tomar valores entre menores que las primeras 4 es la integral de (3 ) desde o hasta €.45.4918) : 0. ¿Cuál es la probabilidad de que las dos últimas observaciones sean menores que las primeras cuatro? Suponemos que la población tiene función de densidad f(xl. . 5.0 libras.0 libras. de acuerdo.0)/0.0y0.4772) = 0.?d L -r. donde la dewiación típica poblacional o = 2.41 pulgadas de la parte (b).44. La desviación típica teórica (error típico) de la distribución muestral de medias. por tanto el porcentaje pedido es 2.. 5. Las discrepancias se deben a que solamente 30 muestras fueron seleccionadae y el tamaño de la muestra fue pequeño.f 'LJ" f t@ta*l'/t.' ¡p¡ a*)"lJ'"-r.45 pulgadas (vóase hoblema 5. ¿Qué porcentaje de las muestras del Problema 6.44 tendrían dewiaciones típicas (o) mayores que 11.5 .0082. Podemos considera¡ que el muestreo es o de una población infinita o con remplazamiento de una población finita.50 libras.0 libras y desviación típica 0. ) ea el producto de (1 ) y (2).33)..46.8libras? La distribución mueetral de desviaciones típicas es aproximadamente normal con media 10.10. De la Tabla 5-1. dada por o*.t.a la media poblacional ¡r que 67.". Entonces la probabilidad de que las primeras 4 sean rnayores que ü y las 2 últimas 6ean menores que u es decir - nc.1 aJ. estamos de acuerdo con el valor de 1. /(r) tr. (b) menores que 8.40) y el tamaño de la muestra n : 4.) ps: o = ts=-' o 10. Í:-lÍ.4 es (0.50 : -2. Ia probabilidad de que 3 de las primerae 4 observaciones sean mayores a u mientras que la cua¡ta obsenación se encuentre entre u y u I du e¡tá dada (1) .0 es (0. Hallar (c) la media y (b) la dewiación típica de la distribución muestral de las dewiaciones típicas.8 libras en unidades típicas : (8.0 . por tanto el porcentaje pedido ec 0. (a) : 11.

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

x¡)] = #ú* *. NÉ y la primera suma en el lado derecho er igual por definición.f x"\ D p (..49.38 o mayor de 22.48.7. 5.' " ) = .62. y el Problema 6-4?. (b ) la dewiación típica poblacional.N\N-rl' 't/ 5. (c) sean menor de 22. remplirzamiento. . Encontrar (c) v (d) directamente de (c) y (b) mediante las fórmula¡ 5. Si se erüraen 300 mueetras de tamaño 36 de e¡üa población.49 si el muestreo fuese sin remplazamiento. (b) sean rnayor de 22. g (o¡ - p)(o.51.p) = -Noz r \ -2 'r' X¡) = .51 si la población 5e compone de 22 cojineter.rlo s 6.cAP.á. ó.47 están dadas respectivamente por t*= (o) E6) = "1 =*"(x=) /X' +.. Demostrar que (c) la media y (b) la varianza de la media muestral del Problema6.6l TEORIA DE MUESTREO En esta ecuación. obtenemos var(x) = Sv^. (b ) sin 6.Ét ".42 onzae. Una población est6 formada por los cuatro nfrmeros 3. el lado izquierdo e8 cero. En el Problema 5. (c) la media de la digtribución mueshal de medias.50.iE(x)+"'+E(x")l 1 =1 n (p -r "'+p) donde hemoe empleado el Problema 6.51. cov(x¡.37 onzaa. ya que por definición a1 187 -la2+'. Resolver el Problema 5.¡ = .á var(X¡) * .40 onzas y dearriación tfpica 0.e 22. Por tanto I+v:l Cov (X¡. Hallar (o ) la media poblacional.1'". ¿en cuántae de lag mue¡tras aleatoria¡ cabe ecperar que sus medias (a) ertén enl'l.LL.4L onzas? y 22.53.Ét suplernenta.. 15.39 onzas.(-r¿_ i)] = Lfr-"-rf = 4(N-"\ nl.048 onza¡.) = #[. (d) ¡ean menor de 22.4L . 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.N-1J '¿\N-1/ Problern DISTRIBUCION MUESTRAL DE MEDIAS a. (d) la dewiación típica de la distribución muestral de media¡. Considerar toda¡ lae posibleamuestrasde tamaño dos que pueden extraers€ de esta población con remplazamiento. Loa peeos de 1600 cojinetes de bolas se distribuyen normalmente con medla 22.(n_'.N-1 ^' . Resolver el Problema 6.(. adecu¡das.a7 @).( rr-:--r l(-." +a¡v = a N 02. = p (b) Uüilizando loe Teoremar 3-5 y 3-16 (generalizadoe).

ar las diferencias en los Una u¡na contiene 80 bolas de las que 6oo/a son rojas y 4OToblanca* De un total de 50 muestras de 20 bolss cada una.63 si se comprueban 100 cables de cada fabricante? Explicar las diferencias. (b) l2 bolas rojas y 8 blancas. Si U¡ y U2 son los co¡r¡\ntos de nhmeros del Problema 5.R o I en las proporciones adecuadas. respectivamente. Hallar la probabilidad de que en dos muestras aleatorias compuesta cada una de 200 votantec.65. ¿en cuántas cabe esperar (a) igual número de bolas rojas y blancas.63.60. 5. En una prueba de aptitud puntos? la puntuación media de lo¡ estudiantes es de ?2 puntos y la dewiación típica de 8 puntos. tomada de entre ellos tenga una duración media de (a) entre 790 y 810 horas. rojas? 5.55. ¿Qué enores pueden introducirse al utilizar dos conjuntos diferentes de monedas? lotes de 100 bombillas cada uno. En lugar de bolas rojas y blancas.61. formados de 28 y 36 eetudiantes. Se extraen dos cotecciones de 30 bolas cada una con remplazamiento y s€ anotan sus colores. 5. (c) 8 bolas rojas y 12 blancas.60. Hallar la probabilidad de que una muestra aleatoria de 16 tubos. 6. Ciertos tubos fabricados por una compañía tienen una duración media de 800 horas y una dewiaeión típica de 60 horas. ¿Cuál es la probabilidad de que las dos coleccionee difieran en 8 o más bolag Resolver el Problema 5. Supónganse iguales las probabilidades de nacimientoe de niño y niña.66 si las exüracciones son sin remplazamiento al obtener cada colección. (b) 6 o más puntos.' ¿Cuál es la probabilidad de que dos grupos de estudiantes. haya una diferencia superior al1^o"k en las proporciones que votaron por dicho candidato.59.el 4Oi'o sean niños. (ó ) entre el 43% y el 57% sean niñas. (b ) entre el 4O% y el 60% sean niñas. Los resultados de una elección mostraron que un cierto candidato recibió el 65% de los votos. (c ) el 63"h o más sean niñas? Resolver el Problema 5. sacadas de la urna con rempliazamiento.12.6?. 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. y explic. (d) enhe ??0 y 830 horas. 6. 5.57 si se consideran 100 en lugar de 200 niños resultados. (b) 98 o más bombillas buenas? 5. Explica¡ la diferencia.nedias a larotura de 4000 y 4500 libras con desviaciones típicas de 300 y 200 libras.54 si la muestra extraída ee de 64 tubos.5t. (c) entre 2 y 5 Una urna tiene 60 bolas rojas y 40 blancas. (d) 10 o más bolas blancas? Dseña¡ un experimento que ponga de manifiesto los resultadoe del Problema 5. que tienén unas registencias . llallar Ia probabilidad de que de los próximos 200 niños nacidoe (o ) menos d.66.57. ¿en cuántos lotes cabe esperar (o) menos de g0 bombillas buenas.54. ¿Cuáles son las probabilidades del Problema 5. (c) mayor de 820 horas. ¿en cuántas cabe esperar que (o) menos del 4OVo sean niños. sob¡e las que se escrriba la inicial . A y B fabticzn dos tipos de cables. ¿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. 5. 5. 5. que es de 8200 libras? DISTRTBUCION MUESTRAL DE PROPORCIONES 5.6 6. (ó) al menos 450 libras más que A? 5. Un fabricante despacha 1000 DISTRIBUCIONES MUESTRALES DE DIFERENCIAS Y ST'MAS 5. De un total de 1000 muestras de 200 niños cada una. comprobar que . 5. difieran en su puntuación media en (o) 3 o más puntos.188 TEORIA DE MUESTREO lcAP. Los pesgs de los paquetes recibidos én un departamento de almacenamiento tienen una media de 300 libras y una desviación típica de 5O libras. (c) más del 640/o sean niños.56. 5. se pueden usar hojas de papel. Lo mismo del Problema 5.64.69. (b) menor de 785.62. respectivamente.6t. Si normalmente el 6Vo de las bombillas es defectuoso.

Con 6. Si se seleccionan 10 . respectivamente. (e) Tamaño del intervalo de clase.49 se confi¡man utilizando (a) P(-1 < f < 1) = 0. y Se halla que CASO DONDE SE DESCONOCE LA VARIANZA POBLACTONAL 5.899 900 . Explicar cómo podría utilizar el Teorema 5-7. = 1. 5.0 voltios y la dewiación tfpica 0.72. Una en tanto que muestra de 8 bombillas se toma de A y 16 de 8.?6.2 voltios.78.54 libras con dewiacionee típicar de 0.70. Verificar si los resultados del Problema 5.tr*Lrr: ru. Tabla 5-17 Duración (horas) 5.8f .50.cAP. referencia al Problema 6.60.499 500 .8 o másvoltios? DISTRIBUCION MUESTRAL DE VARIANZAS 6. (b) se encuentre enüre 50 y 70 horas.80 si las desviaciones típicas de las duraciones son (o) ambas 40 horas.0. (b) el error tfpico de varianzas.399 400 .01? Dos compañías. (b) Límite inferior de la octava clase. (g) Flecuencia relatir¡a de la sexta clase.tubos aleatoriamente hallar la probabilidad de que la dewiación tfpica muestral (o) no exceda a 50 horas.5 veces la otra mayor que 0. Reeolver el Problema 6. (ó) P(1. (d) Límites reales de la última clase.74. la de la segunda. TOTAL 400 . I 6.376) . DISTRIBUCION DE FRECUENCIA 5.21.77. Una población normal tiene una vari¿nza de 15. 6. De acuerdo con la tabla de distribución ú de Student para 1 grado de libertad (Apéndice D) tenemos P(-1 < 1) : 0. o menor que 0.97 y 62.01.75. para diseñar una tabla de distribución f de Student como la dada en el Apéndice D. Número de tubos L4 46 58 76 68 62 48 22 6 Solueionar el Problema 5. (b) ou1+ur = \Grtr.79. A y B fabrican bombillas. ?s 6.0.i se confirman por este valor y explicar cualquier diferencia.599 600 .82. Dos muestras de tamaños 4 y 8 se extraen de una población distribuida normalmente.48. entie 0.71. (c) Marca de clase de la séptima clase. La Tabla 5-17 rmuestra una distribución de frecuencias de la duración de 400 tubos de radio comprobados en la L & M Tube Company.799 800 . (b) 7. Con referencia a esta tabla determinar: (¿) f 'ímite superior de la quinta clase. (b) ambas b0 horas.73.699 700 . ¿Es la probabilidad de que una ttarianza sea mayor que 1. ¿Cuál er la probabilidad de que cuatro de estas baterfas conectadae en serie tengan un voltaje conjunto de 60. 6. hallar (o) Ia media de la distribución muestral de varianzas. = 5. (h) Porcentaje de tubos cuya duración no sobrepasa . (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.50. Verificar si los resultados del Problema 5.999 300 1000-1099 1100-1199 las 600 horas. DISTRIBUCION MUESTRAL DE RELACIONES DE VARIANZAS 5. ¿qué porcentaje puede tener varianzas (a) menores que 10.05 y 0. ó.3?6 < ? 1.46 y 0. Determinar la probabilidad de que la varianza de la primera muestra sea mayor que (o) dos veces. 6 Frecuencia de Ia cua¡ta clase.5I TEORIA DE IIIUESTREO ttur2 189 (a) 4.05. Hallar (o ) la media y (b ) la desviación típica de la suma de las cantidades. (b) mayores que 20.2 veces. La duración parz A tiene una desviación de 40 horas la duración de B tiene una desviación típica de 50 horas. donde ? tiene. Si se extraen muestrae de tamaño 5 de esta población.54 libras.E0.72 ei el muestreo es sin remplazamiento. página 161. una distribución ú de Student con r.49.35. El voltaje medio de una baterfa e¡ de 15. Se pesan tres cantidades dando 20.

88.82. 82 y 96.735 0. ocho 8.733 0.738 0.87.738 0. (h) una ojiva.82 construir (o ) una distribución de frecuencias reliativas o porcentual.734 0.730 0.737 0.734 0.729 0. y 0. "de"*- Tabla 5-18 0.92.732 0.?36 pulgadas. ó. Si las marcas de clase de gna distribución de fiecuenciaa de estoe diámetros vienen dadas en pulgadas por los números 0.736 0.321. (c) di¡tribución de frecuencias relativas.725 0. Con los datos del Problema 5.89.743 0.82 con duraciones de (o) menos de 560 horas. La Tabla dos.46.(a) el tamaño de intervalo de clase.333 y 0.78 y 89.74 y 82.740 0.740 0. 6.733 0. CALCULO DE LA MEDIA. siete 7. 4 y 6. 5-18 niuestra los diámetros en pulgadae de una muestra de 60 cojinetes de bolas fabricados por una compañía.735 0.738 0. respectivamente.732 0.732 0. respectivamente. (c ) un polígono de frecuencia¡ relativas.732 0.726 0. Estimar el porcentaje de tubos del Problema 5. (b) un polígono de frecuencias.741 0.E5' Para los datos del Problema 5. Una 6. 0. Construir una distribución de frecuencias de los diámetros utilizando intervalos de clase 5.737 0. (d) un histograma de frecuenoias relativas. Con log resultados del Problema 5. (d) una ojiva porcentual.744 0.82. ?6.63.735 0. (c) los límite¡ de clase. Comparar estos resultados con los obtenidos directamente de la colección de datos de la Tabla á-18.742 0.735 0.731 0. (b un ) histograma de frecuencias relativas.89 determinar el porcentaje de cojinetes de bolas que tienen diámetros (o) superiores a 0. 5. ee¡ie de nfimeros está formada a¡itmética ? por seis 6. (f) una distribución de frecuencias acumuladas.91. Deüerminar el tiempo medio de reacción del individuo a los estÍmu- 6.t4. (b) una distribución acumulada relativa o porcentual.?30 0. lcAP.0. (b) los límites reales de clase.?36 0. Construir (a) un histograma y (á) un polígono de frecuenciae ciaa del hoblema 5.746 0.?30 y 0. (c) entre 0.0.746 0.95.82 construir (o) una distribución de frecuenci¿s acr¡muladas.86.?38 pulgadar. (c) una ojiva. correspondientes a la distribución de frecuen- 5.50.737 0.44 los.327.735 0.727 0.736 0.83. Porcenüaje de tubos cuya duración es al menos de 500 horae pero menor de 1000 horas.741 0. Tles profesore¡ de economfa regieünron una ealificación media en sus eiámenes de 79.?30 0. 93.732 pulgadas. (e) un polígono de frecuencias relativas. ¿cuál es el promedio adecuado para sus calificaciones? (b ) ¿Cuál sería si todas las ponderaciones son iguales? 6.96. 0.724 0. Hallar la media a¡itmética de dichas calificaciones.734 0. Para los datos del Problema 5. ¿Cuál es ¡u media Las calificaciones de un estudiante en las tres asignaturas del curso fueron 77.729 0.735 0. horas.49.736 0.735 0.0.52.728 0.330.742 0. O.90. 0. (c) entre 620 y 890 horas.736 0.386. (c) Si las ponderaciones asignadas a cada asignatura rcn 2.72t 0. 5.128 0.734 0.733 0.740 una 5. 0. (b) no superioree a 0. 0.63. (b) 9?0 o mág Los diámetros interiores de las arandelas producidas por una compañÍa pueden medirse con aproximación de milésimas de pulgada.739 0. nueve 9 y diez 10.94.731 0.739 0.?39 0. Las calificacione¡ de un estudiante en cinco aeignaturaa fueron 85. (i) una ojiva porcentual.735 0.736 0.732 0. sue clasee . 5. (g) una distribución acumuhdá porcentual. ó. hallar. Resolve¡ el Problema 5.89 para los dato¡ del hoblema 5. DESVIACION TIPICA Y MOMENTOS PARA MUESTRAS 6. 0.190 (i) (j) TEoRTA DE MUEsTREo Porcentaje de tubos cuya duración es mayor o igual a 900 horas.324.55 segundos.93.88 consüruir (o) un histograma. Los tiempos de reacción de un individuo a determinadoe estímulos fueron 0.5 5.

7274-0.2. 10' L6. ¿Cómo están relacionadas las medias? (b) Multiplicandocadaunodelosnúmeros3.8. Tabla 5-21 60 ó.7 L2. ' 164.2. (b) el método clave.4. Calcular el diámetro medio. 7.104. Determinar la media de la carga máxima empleando (a) el "método latgo". La Tabla 5-21 mue¡tra Ia distribución de los diámetros de las cabezas de los remaches fabricadoe por una Tabla 6-22 Freeuencia I 6 8 Diámetro (pulgadas) 0.7 10.8-10.. 5. (o) Sumando 5 a cada uno de los nl¡meros de la serie 3. .103.2.7265-0. 1' 1' 5.2 TOTAL Í 98 75 56 42 30 21 15 11 6 compañía.99.7250-0.7256-0.5l estaban formadas por 32. Calcular la media de los datos de la Tabla 6'22. 6.2 11.7249 0.3-10.?.7267 0.5.9.726L 0.6.6. i) 5.106. reqrectivamente.0. Hallar la dewiación típica de la serie de nl¡meros de la progreeión a¡iümética 4.98.8-r2.3-11. Halla¡ i 9.7282 TOTAL de de Sfmenos de 36-menos de 40-menos de 16 L2 30 36 40 45 I o 2 TOTAL 54 250 6.8-11.1273 0.7 t2 17 l4 6 3 1 Tabla 6-2O fr 11.7271-0. 2.7.7255 0.7279 0. ó. (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 6.0.98' (b) 6.6.2. 19. El salario medio anual pagado a todos los empleados de una compañía fue de $6000.7252 0.g?.2 624 2 462 480 498 516 534 552 570 588 606 12.99. 25 las clases.7. . Demostrar que ¡as dos series tienen lae mismas desviaciones tfpicas.8-L3.22.7270 0.102.7259-0.0. Log salarios medios anuales pagados a hombies y mujeres de la compañía fueron $á200 y $4200.?276 0.4.7277-0.5.4. pero diferentes medias.2.7247-0.0. Determinar el porcentaje de hombres y mujeres empleados en la compañía.6por2ydespuéssumando6seobtienelaseriell.2 10. Hallar la desviación típica de los número¡: (a) 3. TEORIA DEMUESTREO 191 y 11 estudiantes.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 0.6 se obtiene la s€rie 8. 1. (b) el méto' do clave. 1. 11 . 15. para los daüos de la Tabla 6'20 empleando (o) el "méüodo largo". Determinar lacalific¿ciónmediaparatoda8 5.cAP.6. (b) 3.101. .7268-0. 12. 10.100.3- 9.7253-0. respectivamente.7 .7280-0. 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. L. (c) 0. Tabla 6-19 Carga móxima Nl¡mero de cableg (toneladas cortas) 9.7. L7.7258 0.6. tlalla¡ la dewiación üípica para las distribuciones del (o) hoblema 6.3-L2.1.7.262-0.

5.116. 5'121..10. Hallar (a) ntr.5. 5. Hallar (o) m t . (b) segundo. (b) asimetría? . Con los resultados de los hoblemas 5. 17.102(c).8 respectivamente.1.lOO.1 y -12.+.L22.109. 30 5. l. t¡l F. (t t 2s). 5'112.t s). (b) segundo. Tabla 5-23 f t2 t4 16 18 5. "on 5.g.L92 TEORIA DE MUESTREO lcAP. 1.108. Véase Problema 5. 5. (b) mz. (b) m. 5 5. Los momentos de cuarto orden respecto a la media de las dos distribuciones del Problema6. (o) Hallar la desviación típica s de los diámetros de los remaches del Problema b. (a) Hallar la media y desviación típica para los datos del problema 5.. (b) curtosis para la distribución del Problema 5. @') mt y (d) ma para los números.li. Si loscuatroprimerosmomentosdeunaseriedenúmerosrespectoalpunto3sonigualesa-2.f f O. 5. Hallar (a) la media y (b) la desviación típicaparaladistribucióndelProblema de los resultados obtenidos. 5. (a) De un total de n números. Si el momento de primer orden con respecto al punto 2 es igual a 5. ) Construir una distribución de frecuencias para los datos y hallar la desviación (c) Comparar el resultado de (b) con el de (a). 5.111 y 5.722. (b) segundo. - ?n: - 1m'rm! * l}m'r2nt!. Calcular los cuatro primeros momentos con respecto a la media para la distribución del Prol¡lema 5.llE. 5.0. Lo mismo del Problema 5.1!2. tlallar los momentos de (o) primero. y (i) (i+ rFpara 5.127.-2bybO. (b) respecto al punto 5. (c) tercero y (d) cuarto orden de los números 4.126 son 230y 780 respectivamente. De un total de n números.111.113. (c) respecto al origen. (b) ¿eué porcentaje de diámetros se encuentra entre (r1 . ¿Qué distribución se aproxima más a la distribución normal desde el punto de vista de (a) apuntamiento. mientras que los momentos de tercer orden con respecto a la media son -8. @¡. 11. teóiicos esperados.123. - l}rnlstn" * 4n.nl_ thnirni+6ml2rn. l. 5. comprobar las relaciones entre momentos (a) mi2. (c) tercero y (d) cuarto orden con respecto los números del Problema 5. si la distribución fuese normal.g. y comentar las diferencias observadas. a la media de 5.l F.119. Hallarloscuatroprimerosmomentosconrespectoalamediadelosnúmeros0.108 para los datos del problema 5.125. determinar los correspondientes momentos (o) respecto a Ia media.2g. . Demostrar que la desviación típica de La serie de números es fi.117.r5 1.mt. Comparar con el problema b. 5.30explicandoelsignificado 5. Hallarelcoeficientede(c)sesgo. Calcular los primeros cuatro momentos con respecto a la media para la distribución de la Tabla 5-23.. ¿cuál es la media? 5. la distribución del Problema 5.126. (b típica. 6.114. ¿Qué distribución está más sesgada a la izquierda? 6.98. (b) rr.1 . (c) lrq . Hallar el coeficiente de (o) sesgo. Hallar los momentos de (o) primero. Hallar los momentos de (a) primero. (a) Demostrar que . (l). (D ) Derivar una fórmula análoga par^rns. (c) nt3. 14. Los momentos de segundo orden con respecto a la media de dos distribuciones son g y 16.¡nz = ml- 5'115.124.120. I 4 o 10 7 5. 5. (f) s.101. 3. tt.r5. la fracciónp son unos mient:'as que la fracción q : 1 -p son ceros. (t l3s)? (c) Comparar los porcettajes'de (b) lo. 8.gg. 20 22 2 AI.1o6..f 07.111. S. la fracción p son unos mientras que la fracción q : 1 p son ceros.111.(b)curtosisparaladistribucióndelProblema5. (c) tercero y (d) cuarto orden respecto al punto ? para los números del Problema 5. Aplicar el resultado de (o) al Problema b. = nt.0..121.-Btnini l2m'rs.98.11g. Hallar los cuatro primeros momentos con respecto a la media de los números de la progresión aritmética 2. k) ¡¡.2_ Bm.

1)a = $n(n-l)(2n-ll8n2-Bn1 ).134.@z-L)dz.1 (b)Emplear(a)enel 6.* (n . 5.. 1z+22+32+". Una mueetra de 8 obeervacione¡ se hace aleatoriamente de una población. (b) sin remplazamiento. (o) Hallar la calificación mfnim¿ del 2O% superior de los eetudianües.fsugerencio: Utilizar - l+2+3+. hoblema 6. tno = ñ(n2-l\3n2-7'td4 CompararconelProblema 5.129 si la medi¿na de duración es de 900 horas. La compañfa envfa 1000 lotes de 100 tubo¡ cada uno. Demoetrar que Vt y Vz definidas en el hoblema 5.131. En un exarnen las calificaciones fueron normalmente disüribuidas con media 72 y dewiación típica 8.104. 6. Si muestras de tamaño 5 se ertraen de esta población y se calcula la varianza de cada muestra. ¿en cuántos lotes cabe eErerar que la mediana de duración exceda a 910 horaa? Comparar ¡u solución con el hoblema 5.+(n-l\z=fn(n-Il(2n-1). Demoshar que los primeros cuatfo momentos con respecto a la media de progresión a¡itmética a. son independientes.. a * 2d.128. (b) Hallar la probabilidad de que en una muestra aleatoria de 100 eetudianües la calificación mínima del 2O% superior Eea menor que 76. Una población de 7 números tiene una media de 40 y una desviación típica de 3..135.136. a * d.130.115. halla¡ la media de la distribución muestral de varianzae si el muestreo ee (o) con remplazamiento.. 5. ¿Cuál es la probabilidad de que lae primeras tres obgervaciones sean mayores que las'últimas cinco? ó. fSugerencia: 14+24 +34+' .132.cAP. ¿En cuántos lotee cabe esperar que (o) la duración exceda 910 horar. Demostrar el resultado (I9).... .133. (a) Demostrarquelarvarianzasdelconjuntoden nfrmerol a..aI progresión aritmética con primer término o y raz6n d) erlt6 dada por tl1-2 (n2 Dd2 .'*(n-1)=in(n-1).6l PBOBLEMAS DIVEBSOS TEORIA DE MUESTREO 193 5. página 175. mt = 0. Determinado¡ tubos producidos por una compañfa tienen una duración de 900 horar y una dewiación típica de 80 horas.129. (n-1)d (eadecirun¿ 6.22. (b) la dewirrción tfpica de la duración exceda 96 hora¡? ¿Qué ruporicioner deben hacerse? 6.129(o) y explicar ous reeultados.1 5. mz = i.a|(n-l)dson 11 ffit = 0.a*d. En el Problema 5.. pfuina 160..al2d.

03 pies. U 13 t) = o2. Por tanto. página 162. Sin embargo.. La media X y la varianza 3' d"finid".r--Bo.s*o.s. la media provee una estima más eficiente que la mediana. ESTIMAS POR INTERVALOS DE CONFIANZA. se dice que la distancia es 5. cabe esperar que el estadísticoSseencuentreenlosintervalos&s o^s8Í. En la práctica se ellas pueden obtenerse. La distribución muestral de la media y la mediana. respectivaménte.28 pies. u-¡r"* 3o" .27 % . se está dando una estima de punto. Los valo^res i y 3 z se llaman estimas insesgadas. S realmente es un estimador sesgado de o. si la distribución muestral de S es aproximadamente normal (lo que se ha visto-.73% de las veces. el estadístico con la menor varianza se llama estimador eficiente de la media. La estima de un parámetro poblacional dada por doS números entre loJ cuales se considera que se encuentra dicho parámetro se llama estima de interualo del parámetro. ya que en general Z(3) + o.Capítulo 6 rF I | . por la relativa facilidad con que algunas de ESTIMAS POR PUNTOS Y ESTIMAS POR INTERVALOS. 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.ACIONALES Sean ¡rs y o" la media y la desviación típica (error tÍpico) de la distribución muestral de un estadístico S.2.. en las páginas 157 y 160 son estimadores insesgados de la media poblacional ¡r y de la varianza poblacional 02.95. €l 68.28 + 0. pero esto no siempre es posible. SEGURIDAD La estima de un parámetro poblacional dada por un número se llama estima de punto de. puesto que E'(X) = u. por otra parte. es decir. L94 . Si las distribuciones muestrales de dos estadísticos tienen la misma media.2_5 y 5. la media poblacional' Sin embargo. la va¡ianza de Ia distribución muestral de medias es más pequeña que la distribución muestral de medianas.3.1. EJEMPLO 6. Entonces. El valor correspondiente del estadístico se llama estima insesgada del parámetro. EJEMPLO 6. &s-2o"EFsl%a'" ó ¡r. la distancia real se encuentra entre 5.46% y 99. Si. Lógicamente se prefiere tener estimas que sean eficientes e insesgadas. si el tamaño de muestra es n > 30). EJEMPLO 6. utilizan estimas sesgadas o no eficientes. Si se dice que una distancia viene dada por 5. ambas tienen la misma media. El valor correspondiente del estadístico eficiente se llama estima eficiente.31 pies. La precisión o conocimiento del error de una estima se conoce también como su seguridad. se está dando una estima de intervalo.l parámetro. eonq de esttmocton : . Véase Tabla 5-1.que es cierto para muchos estadísticos. DE PARAMETROS POBI.

6% del área se encuentra en cada "cola" de la distribución ü.1.68. Si el estadístico S es la media muestral X. se utiliza la estima muestral S o S.00 1.95. se puede ver que los límites de confianza para la media póblacional vienen dados por Xtz"* vn N-tt. los valores de z" pueden sacarse de las tablas de la cuwa normal en el Apéndice C.. como otras veces sé conocen. En este caso utilizamos la distribución t para obtener los niveles de confianza.27%. para estima¡ el parámetro poblacional. 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.96 o7 Y X + 2. Utilizando los valores de o. $ I 3or) son llamados los límites de confianza del 68.96.cAP.respectivamenllama¡ a estoé intervalos los interualos de confianza del68.46% 95% 90% 80% 68. & S*Sorenel 68. Por ejemplo si -t.73% s9% s8% s6% s5.9q -V 0. Poi estos se 99. Los números 1. 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.r. de modo que para obtener los límites de confianza anteriores.00 2. obtenidos en el Capítulo 5.28 1.6l TEORIA DE ESTIMACION 195 Análogaménte cabe esperar o se puede confiar en encontrar. 95.F') se hacen fácilmente modificaciones apropiadas para obtener los intervalos de confianza. Para niveles de confianza que no se encuentran en Ia tabla. Más generalmente. Pequeñas muestras (z < 30). El porcentaje áe confianza se"llama también nivel de confíanza.6746 En los casos donde un estadístico tiene una distribución muestral que es diferente de la distribución normal (como chi-cuadrado. . vienen dados por X r. entonces un intervalo de confianza para ? está dado por (véase pagina 161) (N -t. INTERVALOS DE CONFIANZA PARA MEDIAS 1.45%y te. ps er los intervalos S . si el muestreo es sin remplazamiento én una población 2..27%.68 2. en el caso de un S insesgado). t 6 .73% o. En la Tabla 6-1 se dan los valores de z" que corresponden a distintos niveles de confianza utilizados en la práctica.96. Iímites fiduciales.33 2. S -+ 2o.73% para la estima de ¡rs (es decir.szs son los valores de ? para los que el 2.srs .o. Tabla 6-1 Nivel de confianza zc e9. de los límites de confianza se llaman coeficientes de confianza o ualores críticos y se denotan por zc.46%y99.645 r.Grandes muestras (n > 30).27% 60% 3.1.. etn. entonces los límites de confianza d'el95% y 99% para la estimación de la media poblacional ¡. y S -r 2. S +.szs y ú. S-2o" a S+2o" ó S-3o.73% "pueden Análogamente. 2.58 ox respectivamente."\\ñ s (3) . En general.00 0. son los límites de confianza del96% V 99% (ó 0. a S * o' delasveces.96 1.96 o.05 2. De los niveles de confianza se pueden obtener los coeficientes de confianza y recíprocamente.99) para p". Los números extremos de estos intervalos (S i o5. la desviación típica poblacional o es desconoc^ida.46% y 99.27 %.58 o.

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

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

La¡ruíxima uerosimilitud puede obtenerse tomando la derivada deZ con respecto a 0 e igualándola a cero. empleamos una técnica conocida como el estímador de móxima uerosimilifud. los igualamos a cero y resolvemos las ecuaciones resultantes simultáneamente. Pa¡a obtener el "mejor" de tales estimadores. xn. Para ilustrar el método suponemos que la población tiene una función de densidad que contiene d-eterminado. Suponiendo que hay n obsen¡aciones independientes x1 . . h desviación media y el reconido . . (¿) La media muestral X y Ia varianz. semi-intercuartílico son cr¡atro de tales ejemplos. Por tanto. por ejemplo g. (b) insesgados y 3t = . El valor de F. Dar ejemplos de estimadores (o estimas) que sean (c) insesgados no eficientes.ütr I af(rt|) + 1 0f(r". De esta manera hallamos f@. de acuerdo con el Teorema 4-8.. Los dos son estimadores insesgadoe de la media poblacio- nal. puesto que la media de sus dishibuciones muestrales es la media poblacional. Esto vendría dado por r F. --LtSz son dos de tales ejemplos.0) (1e) que se llama la uerosimilitud.3.6 Adviértase que F. son dos de talee ejemplos. f(r".e\ffi = o (20) De aquí podemos obtener 0 en términos de r¡. Sin embargo ambo¡ no son eficientes si se les compara con X. que se va a estimar por un estadístico L .ee con los grados de libertad para el numerador y el denominador inyertidos.01 "'+ fl*. . Para este propósito es conveniente tomar primero el logaritmo y luego la derivada. (c) sesgados y no eficientes. Así para el caso donde existan varios parámetros tomamos las derivadas parciales con respecto a cada uno de los parámetros. (b) La mediana muestral y el estadístico muegtral *(Qt + Qs). El método puede generalizarse.31 $z o-n o-t - I' .s resueltos ESTIMAS INSESGADAS Y EFICIENTES 6. . la función de densidad puede denotarse por f (x.1.or €s el inverso de .0). donde Qr y @¡ ¡on las cuartilas muestrale¡ inferior y superior. página 118.. debida a Fisher. la función de densidad conjunta para estas obsen¡aciones es un parámetro poblacional.ss .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. (c) fa desviación típica muestral g la desviación típica modificada .f(r¡?\ f(n2. d ).zmuestral modificadas f eficientes. Problerna.F.198 TEORIA DE ESTMACION lcAP. .ss se obtiene de la tabla del Apéndice F. De una manera semejante podríamos hallar un inten¡alo de confianza del g0% empleando la tabla apropiada en el Apéndice F.

93. Utilizando n : 67. que puede denotarse por 66. 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 66.02 pulgadas es.88 a 68. = i2 = .!1t. 4er. (a) Los límites de confianza del 95% son X t I.00055 cm2 Nótese que 0 = /0"00055 = 0. (o) Del Problema (b) ó.cAP.35)2 2(n-ñ\2 - n-l = = es insesgada + (6..88 y 68. n-1" (6. 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.02): 0. los lí¡nites de confianza son 6?. Para las cinco medidas puestas en orden de magnitud la mediana es 6.02. 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.as y i : 2. no hay esencialmente diferencia entre 6.37 centímetros.35)2 5-1 0.2.58-?+ = V100 67.46 pulgadas.35)2+ (6.2. Se puede.336.95.93/V100) ó 67.5275) = 8.35)2 + (6.58o/tñ. 2.TG pulgadas . Dar una estima insesgada Problema 6.JDani (b) Estima insesgada y eficiente de la verdadera varianza (es decir.45 -- 0. JC = . En símbolos se escribirá P(66.45 ¡ + z. decir que ia probabilidad de que la estatura media de la población se encuentre entre 66.45 pulgad. 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.32 y 6.96"/\f. (b) la verdadera varianza.93 pr¡]Éadas como una estima de o (véase Problema 6. Adviértase que puesto que n es grande.45 ! 0. ESTIMAS POR INTERVALOS DE CONFIANZA PARA MEDIAS (GRANDES MUESTRAS} 6. de la varianza poblacional).37.02 pulgadas. (b) la verdaderavarianza. de la media poblacional).96.36 cm. por tanto.saa = tln ! 2.3?-6. Determinar unas estimas insesgadas y eficientes de (o) la verdadera media.6l TEORIA DE ESTIMACION 199 6.02 pulgadas.88 y 68. (o ) Estima insesgada y eficiente de la verdadera media (es decir.96(2.iroentre s yG.023 es una estima de la verdadera desviación típica pero esta estima no ni eficiente.35)2 F (6.3. = S tr. = n .45 ! 1.4. 95Vc ó 0. Una muestra de cinco medidas del diámetro de una esfera se registraron como 6. pues.ó.88 < tt<68.3. Para la muestra dada 67. 6.3).33: Estima insesgada y eficiente dé la verdadera altura Del Problema 5. (b) Los lfmites de confianza del 99% son X 2.6136 : y. 6. 6.57 pulgadas. el intervalo de confianza del 95% para la media poblacional ¡t es 66.32 6.38: Estima insesgada y eficiente de la verdaderava¡ianza media: t : 67.3?-6. - iT $.6136 s2 Así .33.36.? = /8.88 < p < ti8. 6.36-6. Así.

824! 0. los cojinetes del Problema Hallar los límites de confianza del (a) 98%. se supone que la población es infinita o tan grande que se pueda considerar que las condiciones son las mismas que poblaciones finitas si el muesheo fuese con remplazamiento. z:zc Puesüo que el área total bajo la curva es 1.el 99. 6.73 pulgadas. v (bl99% para el diámetro medio de todos los cojinetes.E8y.4í. 6.69 a 68. r.21 pulgadas.824 pulgadas y uná desviación típica de O. que puede denotarse por 66. Si se utiliza. ñ!3+ \ñ - 0.33.Hallar los límites de confianza del (o) 55"1.21. son xtz. puee. es total. (b) 9O% y (c'¡ 99. (o ) Los límites de confianza del g5% son 6 (b) x t 1.69 (¡¡ < 68.82¿!L. el área a la izquierda de z:-zce8 también lVo.g6a = Vn 0-824:t 0.6450'942 = 0. Entonces por simetría. : t. para n > 30 se puede asumir que s y 3 son prácticamente iguales.824 * 2.008 pulgadas. 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..6 Asf. Oa z : zc ea O.0.sa| = r*z.6.G.00b8 pulgadas Los límites de confianza d. Lad medidas de los diámehos de una muestra de 200 cojinetes de bolas hechos por una determinada máquina durante una.45 t utiliza¡lo.824 ! 0.824 0. de modo gue no 6?. pues.96? como 1. el intervalo de confianza del 997o para la media poblacional ¡r e¡ 66.O42 pulgadas.00??putgadas t 0. los límites de confianz¿ del 98% son r ! 23g+ = \/7i Asi 0.824tSL93 = \/zoo . se utilizaría t.200 TEORIA DE ESTIMACION lcAP.73% para el diámetro medio de G.semana dieron una mdia de 0.645. los límites de confianza anteriores se convie:rten en 67. Adviértase que se ha supuesto que la desviación típica dada es la desviación típiez modific¿d¿ i Si la desviación típica dada fuese S.el 99o/. los límites de confianza del90ak son n!I. srn embargo.96ry = \/200 0.824 t 1.so! = Vn 0.645a (c) . Para obtener los intervalos de confianza.824t0.0U89pulgadas.0049oulgadas t/-zoo sn 0.824 t 0.b6 y 0. se habría empleado ?: \/n/@4s = y'200[99s que puede tomarse como i para todos los propósitos prácticos. : O es Asi pues.0069 pulgadas Fig.' o^. (a) " lok. respectivamente. el área desde z eE 0.45 1 0.i :.= vn Vn V200 ó 0.73V. se puede considerar el factor es necesario = 0.49.824:r0.824=z.ss9 = 0. En general. de aquí que z":2.006 Pulgadas .{ñ= 0. Los límites de confianza d.7. lugar de Para y muestreo sin remplazamiento.6-l (b) S" busca z" tal que el á¡ea desde z : entonces z.gg9!9 = \/zo0 0.

: 166. = * t1.04.58o/{i.38 + 0.06 pulgadas.r.051/\/n = 0. (c) v : 30.i=r. ¿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.X+r"L .2910. <í n.r¿ -.4. AsÍ.682ó ESTIMAS POR INTERVALOS DE CONFTANZA PARA MEDTAS (PEQUEñAS MITESTRAS) 6.026 y el valor crítico correepondiente es ú. pues. de aquf que el grado de confianza pedido *162(O.11.9. Eláreabajolacurvanormal : O t z: 0.4 60 límitee de confianza pueden repreaentarse por Ítz"ox deede z 68.orr. Una muestra de 10 medidas del diámetro de una esfera dio una media ñ: 4.06)/0. Los coeficientes de confianza del 96Vo ("d.01 ¡i n e¡ 97 o mayor.9Tolfi.n r1s/t/Á¡.05)/\. (d) t= 60? Pa¡a los coeficientes de confi¡nza del 96% ("doble cola") el área total en la Fig. lo¡ límitee de confianza del96% pedidos eon 4.21o. (ó) +2. ¿Cuáles son los coeficientes correspondientes pala la distribución úsi (a) v = 9.0452 pulgadaa .e?'.9df (b) tos vn N-n A¡-1 = N-n N-1 75 t 1.00.05.10(c)]. . 6-3 6.01.01 segundos? 0.6 : 0. Halla¡ los límites de confianza para el diámetro verdadero del (o) 96% y (b) 99%.f I l.38 y c : 0. arrojó una media de 75 y una desviación típica de 10.cAP. 8e tiene la confianza del99% de que el error de la e¡tima eerá menor de 0.09.50 2oo-L = 76!2. debe emplearse la fórroul¿ para poblaciones finitas con muestreo sin remplazamiento.38 pulgadas y una desviación típica s : 0.05 segundos.58')(0.*.05 segundoe.01 si (1. se puede estar en la confianza del 96% de que el enor de Loe límitee de confianza del 95% ¡on s : el error de la e¡tima l.goo*.26 &- Vlo-1 = 4.96)(0. Entonces los lfmite¡ de confianza del 964o eon . pues. se tiene que el error ser6 igual a 0.setienequel.81 es 0.01. 6-8 debe ser 0. Entonces (2.Entonces los coeficientes de confianza pedidos son tú.gzs:2. TEORIA DE ESTIMACION 20L es de Al medir el tiempo de reacción. : 20.06.Entonce¡ utilizando ¡ : 4. Puegtoque¡.01 soliamente ¡i n es 167 o mayor. (o) ¿Cuáles sonloslímitesdeconfianzadel9Ú% para la estima de la media de las 200 calificaciones? (b) ¿Con qué grado de confianza poüá .96+ v50 (10) 200 .8.01 : 9..38 t 2. Fig. 1fi = (1.siendo 0. Una muestra aleatoria de 50 calificaciones de matemáticas de un total de 200.10. un sicólogo estima que la dewiación típica del mismo (c) .04.7I 6.t = t.26fvéaeet¿mbiénProblema6. (c'¡ t2.Tomando o = la estima eerá menor de 0. (b) Loe límite¡ de confianza del 99% son X t 2.:n-L:10-1:g.29lO):0.q'-: 200 v50 200-1 = 75 + 1.hallamoat.8 ó n : 96.2S z"=L6 z"=0.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.81. (o) Los llmitee de confianza delglovo están dados por.g6ol{n.oble cola") para la distribución normal vienen dados por i1. (d) =2. er decir. 6.Ze.96X0.23 zc h¡estoqueestodebeserigualaTSll. Asf el área ¡ombreada en la col¿ derecha es 0. (b). Para lo¡ valores de v dados egtos son (a) t Z. Aef.96.

Esto era de esperarse dada la menor precisión que r¡e obtiene en pequeñas muestras con relación a Las grandes ESTIMAS POR TNTERVALOS DE CONFIANZA DE PROPORCIONES 6.38 + 0.50. (a grandes ) Mediante loe métodos de Ia teoría de grandes muestras los límites de confianza del 95% son X t 1.pV" es normal asintóticamente. pues. - ó Prob(p > e-Bt/p6-ffi¡ = + J(t t/2r -. véase Problema 6.f) = 4. = 3.06/y'10 . Una muestra de 100 votantes elegidos aleatoriamente entre todos los de un distrito dado.38 t 0.-'\ r1/pg-p)/n / rB I l-r'-tt'/z¿y t/2. Entonces loe límites de confianza del 99lo rcn i t ú.88 i g. (b) Comparar los resulüados de los dos métodos.045 : 4. utilizando P donde B = : 0.55 = o'55t0'10 donde se ha tomado la proporción muestral 0.06b0 pulgadas y el inüervalo de confianza del99% e¡ 4. indicó que el 55% de ellos estaban a favor de un determinado candidato. ¿Qr'é tamaño de muestra debe toma¡se en el Problema 6.50): 0.6 : se puede estar en la confianza del 96a/o de que el valor ve¡dadero se encuentra entre 4.11 suponiendo válidos los métodos de la teoría de muestras.50 ó n= 27r . (b) 99%y (c) 99. t.55 del Problema 6.049 pulgadas. 6.l)6or.55 + 0. los intervalos de confianza mues¡ras.Z5(0. Puesto que (P .315 a 4. t 3ú058)16:¡8 10d 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. y para tener una confianza del g5% de su elección necesitamos : 0.335 pulgadas y 4.0 = 4. (b) En cada caso.14.ssr(S/tñ-l. Hallar los límites de confianza del (a) 95%.L2.25.95. Para hacer este problema de una fo¡ma más exacta.13.96-0-.qq /lo - 4.O37pulgadas ? donde se ha utilizado la desviación típica muestral 0.55 t 0.96. tenemoe 0.88 r 1.96-9.202 Asf. 0D > 0.13.73% parap son 0.58)(0."-. = P t 1. (c) 6.88 + 0.55 y la estima p : 0.38 4.88 + g.2/z¿y L645 Al comparar con Prob(p > 0.1.9ó utilizando el Apéndice C indica que e-Bt/fi-fl/n:0.55 2.55 para estimarp. J_.58ú6:5EXb:¡BtTdd = Los lfmites de confianza del 99. (a ) Los límites de confianza d./e(l -p) ¡? V = 0. (a) Soluciona¡ el hoblema 6.06) /\t1.18.6a5y'i6lBB)Io-75j7i : 0.27.= v-n 4.el95o/o para la población p son P : l.p')/\/p(l . 0.55 '^^ I(0'55)(0'45) :r 1'e6!ff : = 0.73% para la proporción de todos los votantes que estaban a favor de este candidato.55.13 para que la confianza de que el candidato sea elegido sea del g5% z El candidato se elige si p ) 0.l = 4. Análogamente.50) Prob( que hob / J--ct t)_p .15.38 * (2.426 pulgadas.06 como estima de o.446 pr'lgadas. (b) Los límites de confianza del99% parap son 0.045 TEORIA DE ESTIMACION lcAP.b0 Entonces.se5 - (b) Para v = 9.. los límites de confianza del 99% son 4.

g. dando. se obtuvieron 24 ca¡as. se Así.?4 y el INTERVALOS DE CONFIANZA PARA DIFERENCIAS Y SUMAS 6. pues. se puede esperar con el encuentre entre 175 y 225 horas. se puede esperar con el 994n de confianza que la diferencia de las medias de las poblaciones se encuentre entre 167 y 233 horas.83.?9. 100 adultos y 300 adolescentes dijeron que lei gustaba. 6..il3li.31./. se puede encuentre entre 0.6l TEORIA DE ESTMACION 203 6. pues.73% para la proporción de caras que se obtendrían en un ilimitado número de lanzamientos de la moneda. Mediante la fórmula aproximada p = P + 0. se tienep = 0.BZ a 0./i120)r/15¡+-G0)r400 = 200 + 82. Así. pues.19 y 0.el ggVoson 0.17 y 0. dando el intervalo 0. intervalo de confianza del 99.50 - 0. Hallar los límites de confianza d9l (c) 96% y (b) 99.58\.23. -loi*o'o -"1/"o-"" Los límites de confianza del 9b7o son: 1400 1200 .50 ! Pz : 100/400 : 0.25 = 0. (b) Al nivel del 99.t 1.25 = 0. Los límites de confianza para la diferencia de proporciones de los dos grupoe están dados por 'll1 1t2 dondelossubíndicesly2serefierenaadolescentesyadultos. se tienep : 0. el intervalo 0.6V n:40 enlafórmula \tF(l=A/.25 ! Z.75. En una muestra aleatoria de 400 adultos y 600 adolescentes que veían un cierto programa de televisión.16.cAP. pues.Xn-.50 encuentre entre 0.73% como 0. PtQt ..5B = 0.25 son las proporciones respectivas de adolescentes y adultos a quienes les gusta programa. se puede esperar con confianza d. 95"/o de = 200 t 24.6.60 + 15.Zb + 1.0g. Una muestra de 150 bombillas del fabricante A dieron una vida media de 1400 horas yuna desviación típica de 120 horas.96.60 La fórmula más exacta del Problema 6.tr 7. Una muestra de 100 bombillas del fabricante B dieron una vida media de 1200 horas y una desviación típica de 80 horas. z" = 3..06.15.el 99% son: 1400 - 1200 12. z" = 1. (a) Al nivel del g5o.el 96% que diferencia de proporciones (ó) Los límites de confianza d.96 La verdadera = 0.4 y B son dados por (a) *o. En 40 lanzamientos de una moneda. se As( pues.27 da el intervalo de confianza del 95'ib como 0.96/il2OtG0I80)2/100 Así.AquíPr:300/600:0.37 a 0.33. SustituyendolosvaloresP:24140 = 0.respectivamente. [-os límites de confianza para la diferencia de medias de.45 a 0.el 99Vo que la verdadera diferencia de proporciones . esperar con confianza d. PzQz el - O. ae confianza que Ia diferencia'de las medias de las poblrcionee (b) Los límites de confianza d. 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. Hallar los límites de confianza del (a) 95% y 99% para la diferencia de las vidas medias de las poblaciones A y B.45 a 0. (a) Los lÍmites de eonfianza del 95Va son 0. gt= Ptz" t z¡/F(=ffi.

Así.19 deberá tomarse para que con confianza del 99. En este caso se aplica la teoría de grandee muestras.. FfJ voltaje medio de las baterías producidas por una compañía es de 45. de la desviación típica para todos los estudiantes del colegio.0b4voltios.[4: "'rJ o'r. Entonceg el error porcentual de la desviación es 3s/t/-at (¿) Si 300 _ = s.1 V y la desviación típica 0. (a) Loslímites de confianza delgSv" están dados por sy'7/x.4 t 3(0.21 voltios.96(100)i/200 = 100:tg. el tamaño de la muestra deberá ser 1800 o más.054 voltios se llama error probable. Y t¡.204 TEORIA DE ESTIMACION [cm.o/yEi. (b) Si }OO/\E : Aei pues.r+r 2+Er+84 = .9.g.24 ) Los lfmites (c) Loc lÍmites (d) toslfmitesdeconfianzadel voltios. = 45. osr* Ez+t:. puesto que /¿rr = lLEt lr'. 0. donde 2.19. se tiene ltlt+Ez+at+¿o = Fu. = orr.4 t de confi¿nza del 99. ee puede esperar con confianza del 99'y'" que la deerüeión típica de la población se encuentre entre 87.f8.1 voltioE y dc.r-= oE. entonces n : = 10. se puede esperar con confianz¿ entre 90. el tamaño de la muestra deberá ser 450 o más.r Bo/l-zn Ss/\/Zn. La desviación típica de las estaturas de 16 estudiantes seleccionados aleatoriamente en un colegio de 1000 estudiantes es 2.20. los límites de confianza del 99. (b d.4:t0. Es y Eq representan los voltajes de las 4 baterías. pues. Hall¿rr los límites de confianza del (a) 95% y (b) 99% para la desviación típica de la población de tales bombillas. Entonces. Así. utilizando s como una estima de o. La desviación típica de las duraciones de una muestra de 200 bombillas fue de 100 horas.8 horas.96(0. (o) Alniveldel 95". pues.6?45(0. 46O. oE.58(0. = 1la1ffiy : 0.73% y (d) 5O% para el voltaje total. * uotr* l'a./nloslímitesdeconfianzason:100 11.08) = 180.* o". El valor de 0. = 0. * l'a. Por tanto (véase Tabla 5-1..2 y 109.08 ÉEr+nz+E¡+Eo = 4(45.16 voltios.08)=180.1) = 180.73% la verdadera desviación típica de la población ::o difiera de la desviación típica muestral en más del (c) 6%.9 horas. indica el nivel de confianza. Se utiliza la dewiación típica muestral para estima¡ o.x {2n 300//t = 5.4 t = 180. Hallar los límites de confranza del (c) 95% y (b) 99"/. Así.73% con: 180. ¿Qué tamaño de muestra en el Problema 6. Si se conectan 4 baterías en serie.4 V r de confianza del 99% son: 180.4i0. 6.t+ti.. 5O%son:180.4 (o) (b Los límites de confianza del95% son: 180.2L.08) = 180. (b)LO%? De igual forma que en el Problema 6. página 162)loslímites de confianza para la dewiación típica de la población son dados por S * z.73"/o para o son S . hallar lós límites de confianladel (a) g5%.58(100)/r/Zbd = 100 r 12. o 6.04 V.1 y 112. 0.4 + 1. pues. entonces n 1800.ozs.04 volüios. (c) 99.e75 y st/n/x.19.4O pulgadas. INTERVALOS DE CONFIANZA PARA VARIANZAS 6.4 + 2. Si Er.. 6.el 95Vo que la desviación típica de la población se encuentre ) Al nivel del 99% los límites de confianza son: 100 * 2. (b) 99%. .08) 0. 82.= lr'.

: 200 - 1 : 199 g¡ados de libertad.23.19 utilizando la teoría de pequeñas muestras." x%os 1_l . s! = 20.oe5=5.19(b). x?szs = 27. hallamos como en el Problema 4.9212 : 239 161 = olz02s+V2(199)-1)e =.o75 = |{zsrr. Entonces los límites de confianza del 95% son 2.5 6 x. están dados por Sy'-nlx ors y Sl-n/y.o .3 horas.1 : 199 grados de libertad.5 = 91'2 y 100y'200/12'1 = 111'3 horas respectivamente. (b) Los lÍmites de confianza d.40\f-16/2.2 a. = 15.ozs l-l Vz(rssl -r)z = itt.40\R/2.2.49 pulgadas.cAP.8 ó ¡.t-t..s¡5._.n.oos = 72.92)2 = 253 lL6. . (o) Los límites de confianza d.¡]oor=32.15. Si se encuentra que sus varianzas son 24 y (b\ 90% para la relación de varianzas.24 y = 6. Entonces los límites de confianza del 997o son 2.68 y 4..¡¡5.oos:4.)rto = \/ 2o.50.83 y 3'84 pulgadas.68 y 4.73 y 2.11. Por tanto se tiene la confianza del 99% de gue la desviación típica poblacional se encuentra entre 88.49 pulgadas. 1. 3? = t=r"i = (lf)rznl = "? = 18 de modo qrre 26.s¡5=2. y St/T/x. x2nzs de donde ¡¡.7.t.14./x Para v : sr. ee decir.24 y 2.9 y 1001800/t2.50..26 6 7. Por tanto se tiene la confianza del 95% de que la desviación típica poblacional se encuentra entre 91.g = 88. Este resultado debe compararse con eI del Problema 6. Dos muestras de tamaños 16 y 10 respectivamente de confianza del (c) 98% se extraen aleatoriamente de dos poblacio- nes normales. (b) tos lÍmites de confianza del 99\i.19(a).2= 115.sa+19.84 pulgadas.?3 y xz..el95')h están dados por Sy'-n.r+l/Z[I6Ef-T¡z = jtz. 1.9 y x.' son 100y'2b-0 115.40\f-I6/5.22. Entonces los límites de confianza del 99% son 100/Eñ6 de donde X sq¡ INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6.n25 = 2. Este resultado debe compararse con el del Problema 6. it. Solucionar el Problema 6.el99% están dados por Sy'-nl¡. 200 .83 y 3. rz = 10.SO+19.60 ó y.14.6l Para o TEORIA DE ESTIMACION 206 x?ozs = 16- 1 = 15 gradoode libertad.. Paray:16-1:lSgradosdelibertad.5 y Entonces los límites de confianza del 95o/.92)2 = : \2. esto es.9 y 115. 6.!75= 5.ozs. y 18 respectivamente halla¡ los límites (o) Tenemos nt = l(t. pfuina 137' x. Por tanto se tiene la confianza del 99/o de que la dewiación típica poblacion¡l se encuentra entre 1.9 horas.40Vf 6 /1. Por tanto se tiene la confianza del 95% de que la dewiación típica poblacional se encuentra entre 1.= r\ri= (f.ee5 Para v y Sy/i/7. X.2 y 111. x1.9 horas respectivamente.sor-79.

) Obsérvese que el intervalo de confianza del9O% e¡ mucho más pequeño que el intervalo de eonfianza del 98Vo. gue tenemos (I) Puesto Por tanto l(rx.'or¡ g. También del Problema 4. tenemos pataUl: 15 y ez:9 grado¡ de libertad f or : 1/3. Si n obsewaciones Xr & se toman de una población distribuida normalmente de la cual se desconoce la media y se conoce la varianza. pl = (2to2)-tt2¿-zbk-r)2t2o2 (z') (r) Fijando íLldp = 0 t¡L = a -f..89.6 Del Problema 4.6?=1=r.eo = ". ü = \/2ro2 -J- r-<x¡-ü2rzoz L = f(nt. pfui¡1g 19?. = 3)@*-Pl reeulta Q.#>@t-pl2 Tomando Ia derivada parcial con re4ecto raL 1:' fr.24. Halla¡ la estima de máxima verosimilitud de la media.tn1z.zt oz 0. Por tanto el intervalo de #(ffi) s += 6 0.0. Hallar los límites de confianza del (al 98% típicas del hoblema. 6.47(b). como lógicamente era de eryerarse.84 V F. reculta .23 hallamos los lfmitec de confianza para el (¿) (ó) ESTIMAS DE MAXIMA VEROSIMILITUD o.206 IEORIA DE ESTIMACION [cAP. 6.25. tenemos F ge = 4.4437 oí = * ('z'6'g)(?q¿.47(d).59. 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.23.e¡ = 3.z8a =# : = rsee.(ffi) 4. hallrrmoe para el intervalo de confianza del 98%.sg<!=z.e5 2. (#)(ffi3) o. Al tomar la raíz cuadrada 98% v el9o%. = (b) Como en (o) hallamos del Apéndice F que confianza del g0% es F. .89 de modo que l/F. Entonce¡ utilizando (171. pl" 'f (r.eg oz 6.os : 1t2. v Q) 90% para la relación de las desviaciones de las desigualdades del Problema 6.96 parapl : 16 1 : 15 ! U2 =LO-1 =9 grados de libertad. página 13p.

se tiene P-P Elevando al cuadrado los dos miembros.ca p= _6 + 1/@=lo" 2a z"P+27=W 2(n* z7\ 2nP I 22" * ""t/6F(L1VlT7" 2(nI zf.13. (a) como la utilizada en el Problema 6.e f(x¡. (c) Mostrar que p¿üa grandes valores de n la fórmula de (c) se reduce a p=P¡2" \FF -nn.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.p).13.P)/n Los valores mayor y menor de esüa variable tipificada son tzc. queda.0 hallamos Vé¿se Problema 6. = -fi+ uár> @t-r)2 02= 2 (rr - pl2 PROBLEMAS DIVERSOS 6.25 ha¡ta la ecuación (2) aplica. donde z" deüermins el nivel de confianza. Si escribimos f (rx. . zi n -4nz | +! .p oP = -1. se tiene e+ flt "" P(L-PI . Entonces tomando la derivada parcial con reqrecto a 02.63.cAP. tenemos ee i'# Fijando aLl0o2 . (a) Si P es la proporción observada de éxitos en una muesha de tamaño n. 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) .27. halla¡ la estima de máxima verosimilitud de la va¡ia¡rza. {P(L = *2" p(.) Dividiendo numerador y denominador por 2n. estaecuaciónsereduceaafi*bp*c:0.26. En estos valores extremos.25 se conoce la media pero se desconoce la varianza. z7 n -4ü r+4 n o P (b) Utilizar la fórmula de (¿) para obtener los límites de confianzadel99. La proporción muestral P en unidades tipificadas . b--(2nP+"7) y c=nP2.TS% delProblema 6. - (2nP I * nPz = 0 Si o=n+z!. Si en el Problema 6. todo lo efectuado en el hoblem¡ 6. por tanto.cuyassoluciop son dadas por La fórmula cuadráti."2) en cambio d.

31. lcAP.44. respectivamente (véase Problema 5. es de g1.8. 8.00058 pulgadas. pero de tal manera que las áreas en cada cola no sean iguales..2 y 9.0 a 110. entonces zf.?3 ton. 6. .6 p=0.6.7 a Lt3.'. La media y la desviación típica de los diámetros de una muestra de 250 remaches fabricados per una compañía gon O. respectivamente. Estimar (o) la media y (b) la desviación tÍpica de la población de todos los tubos de televisión producidos por esta compañía.a los cuales la suma de las áreas en l¡as colas sea61. ¡es=15.ge = 15.8.6 = 12.55yn:100enlafórmula y 22"/nson despreciables y pueden sustituirsepor cero.9 110. Valores Crítico¡ Tabl¡ 6-2 Intervelo de confianza d.utilizando de (a). (b) 98Vo. respectivamente.7s7=15.?3 20.3 91. (c) Comparar la desviación típica muestral con la desviación típicÁ de la población estimada. zf.Es posible haltar otros límitee de confianza escogiendo valores críticos de X2 gar.85.a.22(a) fueron obtenidos escogiendo valores críticos de y2 de tal manera que las áreas en cada cola fueran 2. ó 0.100). Hallar los límites de confianza del (o) 951/.42 a a 111.O a 110.72642 pulgadas y 0. 10.0 = 12.40 y 0.64.7. horas Una muestra de 10 tubos de televisión producidoe por una compañía. 6.208 TEORIA DE ESTIMACION (b) Paraloslímitesdeconfianzadelgg.30. Un intervalo con amplitud af¡n menor puede hallaree continuando el mismo método de aproximación x.8 89.8 ¡.32 92. la disminueión en el intervalo que 8e obtiene es comúnmente despreciable y no Probletn. etc.. Hallar los límites de confianza del (o ) 99%. en general. de forma 6.69 en acuerdo con el problema 6. (c) 95% y (d) 90% para el dirimetro medio de todos los remaches fabricados por la compañía.4 20.rlos ESTIMAS INSESGADAS Y EFICIENTES 6. g. X. y (b)99dto para la media de las cargas máximas de todos los cables producidos por la compañía. 6'33.=B.6%. Sin embargo.98) están dadas por 11. Determinar estimae insesgadas y eficientee de (o) la media de la población v (b) la varianza de la población.2 19.9 7. dieron una du¡ación media de 1200 y una desviación típica de 100 horas.e4 91.s2=12.7 7..r De la tabla se observa que un intervalo del95%.TSVo.4 libras. (c) Si n es gtande./Anz que se obtiene la fórmula pedida. X 032 y X 1¡2.z.$=12'76.28.el 95"tb Ampütud 2r. y 0.e6 : 15. Las medidas de pesos de una muestra fueron registradas como 8.09 ton.13(a). empleando t¡alores críticos tales como justifica el trabajo involucrado.s sr¡plernenta.54 ¡.¡amente 19. de amplitud sol.8. La media y la desviación típica de las cargas máximas soportadas por 60 cables (véase Problema 5. (o) Solucionar el Problema 6.Entonces. se tienep : 0.o¡r y x e8l. 50 y 100 tubos de televisión muestreados' (b) ¿Qué se puede deducü de la relación entre las desviaciones típicas muestrales y las estimas de las desviaciones típicas de la población para los diferentes tamaños de mueetra? ESTIMAS POR INTERVALO DE CONFIANZA DE MEDIAS (GRANDES MÜESTBAS) 6.8. 10.29. En la Tabla 6-2 se indican varios valores críticos y los conespondientes intetwalos de confianza del 95%. 2g.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 6.30 si se obtienen los mismos resultados para 30.32./zn.05. cuya amplitud sea menor que la del Problema 6.

24 onzze. (b ) del 99%. 6. 0. ¿qué tamaño de muestra deberá tomarse puüa que sea del (a\96%.38 onzas los límites de confianza del (c) 95% y (b) 997o para la resistencia real' desviación típica de 1. De dos grupos análogos de enfermos A y B formados de 50 y 100 individuos. 6. Si la desviación típica de la duración de los tubos de televisión se estima en 100 horas.cAP. Se cree que una elección resultará muy reñida entre dos candidatos.94" Hallar (¿) los Problema 6. Hallar los límites de confianza del (c) g5%.30 horas. mientras que de 100 cerrojos de otra máquina 12 eran defectuosos. Hallar los límites de confiánza (a) del 95% Una compañía fabrica cojinetes de bolas que tienen un peso medio de 0. Cinco medidas del tiempo de reacción de un individuo a un cierto estímulo fueron registradas real de 0.36 si el error en la duración media estimada superar las 10 horas? ESTTMAS POR INTERVALO DE CONTIANZA DE MEDIAS (PEQUEÑAS MUESTRAS) 6. 6. 6.7g% para la proporción real de bolas rojas en la urna.46.80. respectivamente.3? suponiendo aplicables los métodos de la teoría de los resultados obtenidos.2?. (b)gg%y (c)99J37" para la dewiación típica de todoslos cables producidos por la compañía.6l' TEORIA DE ESTIMACION límites de confianza del 5O% 209 6. y (b) el error probable para la media de los diámetros del 6.42.82 con una desviación típica deO.g5. como 0'28.g1 sfoundos.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.ParalosdelgrupoB fueron 6. Una r¡rna contiene una proporción desconocida de bolas rojas y blancas. respectivamente.40.2[horas. al primero le fue dado un nuevo tipo de somnífero y al segundo un tipo convencional. Para los pacientes del primer grupo el número medio de horas de sueño fue 7. Hallar los límites de confianza del (a) 95%' (b)99o/oy (c) gg . 6. 6. dio el 7O% de bolas rojas. 0. INTEBVALOS DE CONFIANZA PARA VARIANZAS Y DESVIACIONES TIPICAS 6.7 Bdn pá. La desviación típica de resistencia a la rotura de 100 cables producidos por una compañía fue de 180 libras.44. (b)g|%t (c)997oV @)59.86. Hallar eI error probable de la desviación típica del Problema 6'46' .41. (b\ 99% y G\ gg.40 verdadera no difiera de la proporción muestral en más del 6Vo sea (a) del 95Vo.3g. 0.a h diferencü de proporciones de cerrojos defrctuosos de las dos máquinas' Estudiar los resultados obtenidos. o.45.g9.41.gg.g?.012 libras. ESTIMAS POR INTERVALO DE CONFIANZA PARA PROPORCIONES 6. Hallar los límites de confianza del (a) 95% y (bl99% para el tiempo reacción. HaIIar los límites de confianza del (o) g5%.73V"? 6. Halla¡ los límites de confianza del (a) 96%V @)99% para la diferencia del número medio de horas de sueño inducidas por los dos tipos de somníferos. y una Una muestra de 12 medias de resistencia a la rotura de hebras de algodón dio una media de 7.43.33.76 y 0.(b\95%'(c\99% deladecisiónen favor de uno de los candidatos? INTERVALOS DE CONFIANZA PARA DfFERENCIAS Y SUMAS 6. Dar los resultados utilizando la fórmula aproximada y la más exacta del Problema 6'27. Hallar grandes muestras y comparar Solucionar el problema 6.638 libras y una desviación típica de y (b) del 99Vo pata los pesos de lotes de 100 cojinetes cada uno. 6. (c) del 99. ¿Cuál será el número mínimo de voranües que se deberá mue\trear para quelaeonfianza sea del (a) 8O%. Una muestra de 200 cerrojos producidos por una máquina mostró que 15 eran defectuosos. Una muestra aleatoriade 60 bolas extraídas con remplazamiento de la urna. para que la confianza de que la proporción ¿Qué tamaño de muestra se debería tomar en el Problema 6.

Solucionar el (o) Problema 6. hoblema 6.e 11. ¿Considera que las dos muestras del hoblema 6. X¡. INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6. -t 1 r ( -.(b)v:12. 6.54 fueron extraídas de la misma población? Justificar su solución.7T% de que la desviación típica de una población no difiera de la desviación típica muestral en más del 2%? 6.2to 6.6 ¿Qué tamaño de muestra deberá tomarse para que la confianza sea del (a) 95%.56. basados en muestras de tamaño 10 cada una. Una población tiene una función de densidad dada por 8e toman n observaciones l(r) = l^0 [ Si se toman n observaciones X1 . ¿Cuáles son los coeficientes correspondientes para la distribución f si (o) v = 4. hallar la estim-a de máxima verosimilitud de z. Las desviaciones típicas de los diárnetros de los cojinetes de bolas producidos por dos máquinas son 0. 6. . Determinar los intervalos de confianza del (o) 98%v @\gOVapara larelacióndelasdesviacionestípicasdel Dos muestras de tamaños 6 y E respectivamente tienen la misma varianza. 6. .54 si las muestras tienen tamaño 120 cada una. Si Xr. .? ¿Son lc mismos a los dados en los hoblemas 6.62. Si n observaciones 6. ESTIMAS DE MAXIMA VEROSIMILITUD 6. En una prueba de 40 cables seleccionados aleatoriamente resulta una media de la resistencia de rotura d.59. . [(A'+t)st 0<¡:<1 de otra forma Xn de esta población hallar la estima de máxima verosimilitud de h. TEORIA DE ESTIMACION [cAP.(c)v:25.53. . . Hallar el estiniador de máxima verosimilitud de ). . Si se toman n observaciones. Xn de esta población. r. del Problema 6. límites de confianza del (o) 96'/o y (b)99Eb pa¡a la desviación típica de todas las bombillas fabricadas Solucionar el Problema 6..51 que tiene la menor amplitud? 6. . Comparar los resultados con los obtenidos empleando la distribución normal. Hallar los igr la 6. 6. Hallar Ios intervalos de confianza del (a) 98% y (b) 90% para la relación de Ias varianzas.(d)v : 30' (¿) v: 40? Una compañía tiene 500 cables. . .49 utilizando la distribuciíny2 si una muestra de 100 bombillas tiene la misma desviación típica de 120 horas.50.26? Explicar. Solucionar el Problema 6.63. para la relación de las varianzas de las poblaciones de donde se exhajeron. . (b) gg% y (c) gg. . . (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. .25 y 6. de la du¡ación de 10 bombillas fabricadas por una compañía es 120 horas. La desviación típica compañía.49.51. 6. Una población tiene una función de densidad dada por i@l = 2rt/r/" ¡2s-v*.52. . 6.58. .48.57.55. . . PBOBLEMAS DIVERSOS 6.035 cm respectivamente. Los coeficientes de confianza del 999á ("doble cola") para la distribución normal están dados por 12.54.042 cm y 0. . .62.61.49 si 25 bombillas tienen la misma desviación tÍpica de 120 horas. X1.60.58. 6.52 y (b) Problema 6.e 24OO libras y una dewiación típica de 150 libras. 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. 02 desconocidas. . Hallar los intervalos de confianza del (o) 98% y (b)907. Xn se toman de una distribución de Poisson con parámetro tr desconocido..

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.5. si se quiere decidir si una moneda está cargada. HIPOTESIS ESTADISTICAS. nulns Cualquier hipótesis quedifiera de una hipótesis dada se llamahipótesis alternatiuc. ensoyos de significación o reglas de decisión. si se quiere decidir sobre si un procedimiento es mejor que otro. Tales supuestos que pueden ser o no ciertos se llaman hipótesis estadísticas y. se puede querer decidir a partir de los datos del muestreo. si un sistema educacional es mejor que otro.p#O. a Muy a menudo. Por ejemplo. en general. p : 0. 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. se dice que se comete un 277 . se formula la hipótesisde que la moneda est. hipótesis se llaman también hipótests fluctuaciones en el muestreo de la misma po y se denotan por flo . partiendo de la información muestral de las mismas.5. siunahipótesis-esp:'0.á bien. En muchos casos se formulan las hipótesis estadísticas con el solo propósito de rechazarlas o invalidarlas. conviene hacer determinados supuestos o conjeturas acerca de las poblaciones que se estudian. Si por el contrario. se estaría inclinado a rechazar la hipótesis de que la moneda est:á bien.5. lo son sobre las distribuciones de probabilidad de las poblaciones. Por ejemplo. donde p es la probabilidad de cara.Capítulo 7 Ensoyo de hipótesis y srgnlllc(Iclon DECISIONES ESTADISTICAS t cJo . Si se rechaza una hipótesis cuando debería ser aceptada. ENSAYOS DE HIPOTESIS Y SIGNIFICACION evidencia obtenida). Tales decisiones se llaman decisiones estadísticag Por ejemplo.Unahipótesis alternativa de la hipótesis nula se denota por Ilt .hipótesisalternativassonp:O. si una moneda determinada está o no cargada.56p>0.7. si en 20 lanzamientos de una moneda se obtienen 16 caras. si un suero nuevo es realmente efectivo para la cura de una enfermedad. aunque sería posible que fuese un rechazamiento enóneo. Por ejemplo. se dice que se comete vn error del Tipo se acepta una hipótesis que debería ser rechazada. 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 /. es decir. Análogamente. en la práctica se tienen que tomar decisiones sobre poblaciones. ERRORES DE TIPO Si en el supuesto de que una hipótesis determinada es cierta. HIPOTESIS NULA Para llegar a tomar decisiones. etc. se formula la hipótesis de que no hay encia observada se debe meramente a diferencia entre ios procedimientos (es decir.

aunque igualmente pueden emplearse otros valores. un intento de disminuir un tipo de error.O5. z > I. va generalmente acompañádo por un incremento en el otro tipo de error.96 ó z 1. lo que quiere decir que es un suceso con probabilidad de solamente 0.. 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-l Sin embargo.95).1. El área total sombreada 0.05 (área sombreada de la figura) si la hipótesis fuese verdadera.96 a 1. NIVEL DE SIGNIFICACION La probabilidad máxima con la que en el ensayo de una hipótesis se puede cometer un error del Tipo I se llama niuel de significacíón del ensayo.El conjunto de lasz que se encuentran dentro del recorrido . ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.05 o que la z obtenida del estadístico muestral dado es significatiua al niuel de significación del 0.96).01. se dice que la hipótesis se rechaza al niuel de significación del0.1.05 6 6"/. si al elegir una muestra aleatoria se encuentra que z para ese estadístico se halla fuera del recorrido .1. ¡--lglj . al diseñar un ensayo de hipótesis. Esta probabilidad se denota frecuentemente por o.. se puede estar con el 957o de confianza de que. de modo que los resultados obtenidos no influyen en la elección. y así se tiende a conseguir poner una limitación al error de mayor importancia.96 constituyen lo que se llama región crítica o región de rechace de Ia hipótes¡'s o región de significación.96 podía entonces llama¡se región de aceptación de h hipótesis o región de no significación. Entonces la distribución de la variable tipificada dada por Z : (S ¡. En tal caso se dice que la hipótesis ha sido rechazada aI niuel de significación del O. un tipo de error puede tener más importancia que el otro. es decir.96 y 1. Si. lo cual puede ser o no ser posible.05 si la z obtenida para el estadístico S se encuentra fuera del recorrido . En la práctica. la distribución muestral de un estadístico S es una distribución normal con media p" y desviación típica o".96 a 1.O6El conjunto de las z que se encuentran fuera del rango -1.96 a 1. la probabilidad de cometer error del Tipo I. Entonces puede decirse que esta z difiere signifícatiuamente de la que cabía esperar bajo esta hipótesis y se estaría inclinado a rechazar la hipótesis. debe diseñarse de forma que minimice los errores de decisión.96 a 1.1.05. En la práctica se acostumbra a utilizar niveles de significación del 0.lo que significa que se puede cometer error con una probabilidad de 0. generalmente se fija antes de la extracción de las muestras. Esto equivale a decir que el estadístico muestral observado es significativo al nivel del 0.)/o. Como se indica en la figura. 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. supóngase que con una hipótesis dada. La única forma de reducir al tiempo ambos tipos de error es incrementar el tamaño de la muestra. si la hipótesis es cierta.212 error del Tipo da. Esto no es tah sencillo como pueda parecer puesto que para un tamaño de muestra dado.05 es el nivel de significación del ensayo.05 ó 0.=lD6 I'ig.. varianza 1) y se muestra en la Fig. se está con un 95% de confianza de que se toma la decisión adecuada. ENSAYOS REFERENTES A LA DISTRIBUCION NORMAL Pa¡a aclarar las ideas anteriores. es una normal tipificada (media 0.96. por ejemplo se elige un nivel de significación del O. Representa la probabilidad de rumeter error al recbazar la hipótesis es decir. Así pues. De acuerdo con lo dicho hasta ahora. el valor de e obtenido de una muestra real para el estadístico S se encontrará entre 1. ? II. 7-1.96 (es decir.96 (puesto que el área bajo la curva normal entre estos valores es 0.05. entonces hay aproximadamente 5 ocasiones en 100 en que se rechazaría la hipótesis cuando debería ser aceptada.

La Tabla 6-1.96 en todo lo visto anteriormente por 2. media poblacional. Véanse páginas 158 y 160. con frecuencia se puede estar solamente interesado en los valores extremos a un solo lado de Iá media.005 0.58 (véase Tabla 7-L). Medias. ENSAYOS DE UNA Y DOS COLAS En el ensayo anterior se atendía a los valores extremos del estadístico S o su correspondiente z a ambos lados de la media.81 2. Ia región crítica es una región a un lado de la distribución. 1. media muestral.05 001 45 0.645 cí 2.88 2. Valores críticos de z para otros nivelei de significación. en una "cola" de la distribución. 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).58 2. en las dos "colas" de la distribución. Por esta raz6n. Si4 embargo.88 y -1. Los co..645 y 1. tss =. los resultados son para poblaciones infinitas o para muestreo con remplazamiento' Para muestreo sin remplazamiento de poblaciones finitas los resultados deberán modificarse. que da los valores críticos de z para ensayos de una y dos colas a distintos niveles de significación. Debe ponerse de manifiesto que puedgn igualmente emplearse otros niveles de significación. = op: o/1/i. con área igual al nivel de significación.58 ó -2. o. En cada caso.01 se sustituiría 1. si se utilizase el nivel del 0. Z = -.-: ú1V11.cAP.645 1. para estimar o. donde o es la desviación típica poblacional y n es el tamaño de la muestra. es decir.33 ó -2. Para ensayar la hipótesis nula (f) co (I ). aceptaríamos -EI6 de que la media poblacional es p : o utiliza¡íamos el estadísti-EÍe (o al menos no lo .7l / ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2L3 (b) Se acepta Ia hipótesis (o si se desea no se toma decisión alguna) en caso conhario.28 ó -1.002 ó -t. se pueden encontrar utilizando la tabla que da las áreas bajo la curva normal. será de utitidad para propósitos de referencia.58 y -2.10 0.6 1.33 -2. como por ejemplo.08 y 3. página 195. En tales casos.8I -3. es decir. Cuando es necesário se utiliza la desviación muestral observada s (ó G). La variable tipificada viene dada por Aquí S : X. Entonces.i: ¡t. 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. Tabla 7-1 Nivel de significación o Valores críticos de z para ensayos unilaterales Valores críticos de z para ensayos bilaterales 0. La Tabla 7-1.08 ENSAYOS ESPECIALES DE SIGNIFICACION PARA GRANDES MUESTRAS Para muestras grandes. utilizando un ensayo de dos colas. Tales ensayos se llaman ensayos de una cola o ensayos unilaterales. puesto que la suma del nivel de significación y el nivel de confianza es L00%.96 1..la X-.28 1. tales ensayos se llaman ensayos de dos colns o ensayos bilaterales.58 2. puede también emplearse.96 y -2. Por ejemplo.

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

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

página 159.t.EIo (o no la rechazarí4mos) en el nivel 0. provienen o no de la misma población normal. n .0. es correcta) si la varianza muestral específi- ca. 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 . (o al menos no la rechazaríamos) en el nivel 0. . Varianzas. aceptaríamos. (rz' .3¿ son estimas insesgadas de oi combinar los datos. En este caso utilizamos el estadístico (véase página 161) F= donde (16) fi.1.1 grados de libertad.. Bajo esta hipótesis (16) se convierte en "! F::-l q2 q2 \.oz : o en(12). y o!.. por ejemplo.s'. 4. . Para ensayar la hipótesis H. -2 gradosde'libertad. pero entonces emplearíamos un ensayo de una cola. utilizando un ensayo de dos colas. .t n.2L6 ENsAyos DE HrporEsrs y srcNrFrcAcroN / Se'tt. Esta es la uarianza 3. Por tanto rechazaríamos Hs. (/8) y lo rechazaríamos en el caso contrario.01 u y la rechazaríamos de otra forma. cuyas varianzas medidas son sl y sr2. sí sí = F'o. s2. Entonces si una muestra aleatoria de tamaño n tiene varianza s2 aceptaríamos flo .10 si Fo. en el nivel 0. y después utilizar como estima de o2 la media ponderada (n. fuera tal que nsz t2 y aceptaríamos IIo (o al menos no la rechazaríamos) de otra forma. combinada obtenida al donde ^31 t . de que la varíanza poblacional es mayor que o2 emplearíamos la hipótesis rilo . Relaciones de varianzas. fi son las varianzas de las dos poblaciones normales de donde se extraen las muestras. Un resultado otro nivel.05 si X.1 grados de libertad. es decir = o3.s? + + n.1)^ii + fn. Si ¡/o denota la hipótesis nula de que no hay diferencia entre las varianzas poblacionales.'oz¡ o<nsz< (14) semejante puede obtenerse para el nivel 0. t La distribución de ? es una distribución de Student conv: n. El empleo de (12) está plenamente justificado al hacer o..J)9j 1) + (nz -1)-- l' n.) (17) Para ensayar esta hipótesis al nivel 0. * n. Procedimientos semejantes empleando ensayos de una cola pueden formularse en el caso que deseemos ensayar la hipótesis de que una varianza poblacional determinada sea mayor que otra. Entonces. primero anotamos que F en (16) tiene la distribución F con fr . basados en el ensayo de dos colas. En algunos problemas deseamos decidir si dos muestras de tamaños m y n respectivamente.05 (y por tanto concluiríamos que f/. .

14). Es posible evitar el riesgo de error < nunca la hipótesis.31). Los gróficos de control suministran un método útil y sencillo para tratar tales problemas (véase Problema 1.05 es eq pigtm 195 conducente al intervalo de confianzadel96"/o se puede obsenrar que existe u eoría de ejemplo. poüíamos realmente emplear el intervalo de confiaíza del Capítulo 6 para e¡¡sayar ttipótesir. al menos en el caso de los ensayos de dos colias. Sin embargo. El método utilizado general: típica de la muestra para estimar la media y des 7. POTENCIA DE UN ENSAYO Se ha visto cómo el error del Tipo I pued. donde s camb se deben simplemente a fluctuaciones causa de deterioro en las máquinas. qué tamaños de muestras deben emplearse. conviene utllizar papel grófico de curua normal o papel grófico de probabilidad.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. significación. se describe más adelante.33.32 y 7.elo vn vn Por tanto. Un resultado semejante para_ ensayos de una cola requeriría intervaloi de confianza unilateralás. es posible frecuenten llamadas "modelos" o distribuciones "esperadas") tras de la población.cAP. la si de modo que puedan darse los pasos rápid ejemplo en control de calidad. Es a menudo en la práctica AJUSTE DE LAS DISTRIBUCIONES TEORICAS A DISTRIBUCIONES DE FRECUENCIA MUESTRALBS Cuando se tiene algiuna indicación sobre la probabilísticos u otra causa. etc. A pesar de que la necesidad de tales intervalos es rara' es posible definirlos (véase Problema 7.30.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. Útt "trrayo ajuste de distribuciones teóric as. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2t7 R. r a¡ la bondad d.136 y también Problema 6. .7. por ejemplo. El problema de ensay En un intento para determina¡ si una distribución normal representa un buen ajuste para datos dados. érrores de los empleados. 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. (/ ) en la (1e) ñ _ L. CURVAS CARACTERISTICAS DE OPERACION. el enmyo chi-cuadrado.29). GRAFICOS DE CONTROL DE CALIDAD importante conocer cuándo un proceso ha cambiado suficientemente. como a veces se le llama (véase Problema 7.

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

se . hay un-a y según las reglas de probabilidad' o esperada gue se calcula bajo ncia se llaman frecuencías elemen' q. es decir.05 a 0.e contin- Correspondiéndose con cada fiecuencia obsen¡ada en una tabla de contingenciahX k. no toinciden exactamente. La frecuenciá total de cada fila o columna es la llamada frecuencin marginalPara estudia¡ el acuerdo entre las frecuencias observadas y esperadas.) 0.j*h a distribuciones empíricas. por (21) se muestral a Como se demuestra en el elección de or tanto.44. en cuyos casos se decide que i" concordancia es bastante buena a los niveles de significación de 0.Si bajo esta hipótesis el valor calculado de x' como xf. Adviértase que el restar 1 a k es a causa de la óondición restrictiva (221 que denota que si son conocidas k .r.. 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)1.01 respectivamente.. que son los valores crít -se deduce que las frecuencias mente).L . paíá examfuia¡ tales situaciones se puede determinar si el valor calculado 4" I' ": -"noi eue ¡2". la fiecuencia restante puede ser determinada. Véase Problema 7. A valores mayores de y2. En la práctica..-Este procedimiento se llama ensayo o prueba de ehi-cuadrado de la hipótesis. contiene hh térmnos.| si las frecuencras esperadas pueden calcularse sin tener que estimar parrámelros poblacionales con los estadísticós muestrales.m si las frecuencias esperadas solamente pueden calcularse estimando m parámetros de la población a paftir de los estadísticos muestrales.1 de las frecuencias esperadas. de Poisson. c aproxima muy estrechamente ción mejora iguales a simbolo en (-21) si las frecuen para los valores superiores. las frecuencias observadas y esperadas concuerdan exactamente. El número de gradosrde libertad z está dado por (a) v : h . d. ó Xl. las frecuencias esperadas se calculan de acuórdo con una hipótesis flo. mayores son las discrepancias entre las frecuencias obsen¡adas y esperadas. las esperadas. cero debe mirarse demasiado bien con ncias obiervadas concuerden en que x2 estÉ muy próximo Además de aplicarse a la distribución multinomial.re ócupan ias corliilas de uná t tales. . se calcula el estadístico (2tt\ x2 = ?g#a donde la suma se extiende a todas las casillas de la tabla de contingencia. (blv : k . aquellas que se obtienen de los datos muestrdes. los símbolos X¡ Y nP¡ representan respectivarnente las frecuencias obsenradas y esperadas en la casilla i. etc. aq con cierto recelo.ENSAYOS DE HIPOTESIS Y SIGNIFICACION Si v2 : 0. pu-esto queDebe advertirse que en a. en las que las fre tabla de clasifict¡' tabhs gencia. mientras que si ¡z. la prueba chi-cuadrado puede-ser empleada para determinar de qué forma distribuciones teóricas talés como la normal. ó ¡f. rechaza llo al nivel de significación correspondienl rechazará. TABLAS DE CONTINGENCIA (léase "1por h"). Esta suma que es análoga a (21).

se pueden tener tablas h X h X I donde estén presentes 3 chsúicaciones. ? I estad de Y de es tal (a) v :.220 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.ráU" de esto véase el Problema 7.*!4t_"p_4. el máximo valor de c viene dado por 1frn .6g y 1. . ejemplo. La corrección consiste en poner (21) coimo sigue "r "pii""uié ¡2 (corregida) = tL\-g!)- !'5Y * !4-grP +. Las frecuencias esperadas-son halladgf bajo una determinada hipóteiis llo. Una tripótesis normalmente supuesta es la de que las dos clasificaciones son independientes enhe si.ü nPr En general..t.Cuando se aplican a datos discretos los resultados para distribuciones continuas deben hacerse ciertas correcciones..1F nz si las frecuencias observadas pueden solamente calcularse estimando m parámetros poblacionares con los estadísticos muestrales.. En COEFICIENTE DE CONTINGENCIA Una medida del grado de relación. Si el número de filas y columnas de una tabla de contingencia es ilrrh ah. número de grados de libertad es z : 1.48.7 .Los ensayos de significación para tablas h x h son análogos a los de las tablas 1 X k. Las tablas de contingencia pueden extenderse a un número mayor de dimensiones. . Et númeró áé É dado para h > l. que no es nunca superior a uno.62.L\q 1) si las frecuencias-. k il por (b) u : (h. ión muestral muy próxima a la distribución no sean demasiaáo pequeñas. A mayor valor de Q mayor es el grado de asociación. Una corrección análoga cuando se utiliza la distribución chicuadrado-. como se ha visto en capítulos ant-eriores. Así por CORRECCION DE YATES PARA LA CONTINUIDAD . También existe una modificación análoga de (24). la corrección se hace solamente cuando el @s) se conoce frecuentemente como corrección de Yates. El número de filas y columnas de la tabla dg contingencia determina el valor rñáximo de C.L)(k .rtt" pr. asociación o dependencia de las clasificaciones en una tabla de contingencia está dada por (26) que se llama coeficiente de contingencia. Para.esperadas pueden calcularse sin tener que estimar -parámetros ooblacionales con los estadísticos muestrales. (h .rytc (véanse problemas 7.L27\.

\ql . la hipótesis de que una moneda está bien hecha.0358 6 3.1.10) 7.CAP. /1Y.) +'noc. el área total sombreada (es decir. -. Para ensayar (c) Hallar la probabilidad de rechazar la hipótesis.I0 Probabilidad pedida : : área bajo la curva normal e¡tíe z: 2(áreaentre z: O y z: -2. 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. puede utilizarse para la er¡aluación de la suma anteriqr la aproximación normal a la distribución binomial.5 - 50 = 2. En una escala continua. entre 40 y 60 caras inclusive es lo mismo que entre 39.1O y z: 2. pues se habla de rechazar la hipótesis a un nivel de significación de 0. La regla de decisión se ve gráficamente en la Fig.. (2) de otro modo./ 1" (.5 caras. (b) Interpretar gráficamente la regla de decisión y el resultado del apartado (c). . Hallar la probabilidad de obtener entre 40 y 60 caras inclusive en 100 lanzamientos de una moneda.en unidadee tipificadas = 60. se dirá que esta z difiere significatiuamente de lia que cabría esperar si la hipótesis fuese cierta. se acepta la hipótesis. cuando debería aceptarse q el error del Tipo.-210 caras) FiE..5 y 60./lY' (. cuando en realidad es cierta.I de la regla de decisión y la probabilidad de cometer este error es igual a 0.s resueltos ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NORMALES 7.5 . Según la distribución binomial.0358...7-2 z (60.0358 en este casc. se rechaza.0358. Región de recbace ? El error que se puede cometer de rechazar la hipótesis (39. (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. de otro modo se rechaza y se decide que la moneda no está bien hecha. . Por esta razón. uo Pueeto que np o-{ffi=['r{ffi=' = _2. Si en una serie de 100 lanzamientos sg obtiene una z entre -2. probabilidad de error del Tipo I) se llama níuel de significación d.que muestra la distribución de probabilidad de caras en 100 Ianzamientos de una moneda bien hecha.lO 2.2. la probabilidad pedida es /1\'t0 'oocoo( i) /r \6r' .5 en unidades tipificadas = q9'5-:-E 60. la probabilidad de no obtener entre 40 y 60 caras inclusive si la moneda está bien hecha 1 .0.) =.L0 y 210. ambos inclusive. 53 (o) (b) Por el Problema 7. 7-2. Entonces la probabilidad de rechazar la hipótesis cuando es correcta : 0.e la regla de decisión y es igual a 0.'lóJ /1Yo .9642 : 0.1. Así.0358 del apartado (o).5. está representado por el área total sombreada de Ia figura.10 y nq son ambas mayores de 5.5 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. 39.'| rrx'ti'\r/ /tY' \-/ \-/ \-/ \-/ \-/ La media y la desvi¿ción típica del nf¡mero de ca¡as en 100 hnzamientos vienen dadas por t.tp = 1oo(.58%. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 22r Problema.

sería el caso cuando la probabilidad de cara fuese realmente 0.5.96 < z < 1. Siguiendo el mismo procedimiento del método segundo del apartado (o ).966X=24.23-7.5000 0.1. 24. (o) Primer método: Si el nivel de significación es 0. El error que se comete al aceptar la hipótesis cuando debería decisión. caras se encuentra entre (2) es Se rechazá la hipótesis en caso contrario. (d) Si.84.025 por simetría. pues. Estopuedetambién - el número de ca¡as se encontrará entre lr 2.np: 64(0. cada área sombreada en la figura anterior es 0.96 y 1. se habría rechazado la hipótesis. es decir. Si el nivel de signilicación es 0.96yñpq lleva a Ia regla de decisión anterior. Esto es lo que se debe afrontar cuando para tomar decisiones se toma cualquier línea de división.96(4)< X< 32 + 1.32 y o -= t/iw = y'6llos)(05) = = (X p)/o 4 bajo Ia hipótesis de que la moneda está bien hecha.76y 32+ -1. 89.05 y (b) 0. 7-3 es 0. Tercer método: y np+1.01.1. el área entre 0 y zr es 0. Así. una posible regla de decisión es: (I ) Aceptar la hipótesis de que la moneda est:á bien hecha si Z está entre -1. . g2-2.1.99 . nótese que la media y la desviación típica de la distribución binomial exacta de caras están dadas por ! .96(4) la regla de decisión anüerior.(X-32)14:-1. Entonces el área entre 0 y zr = 0.2.y z¡ : 1.Asípues.96.68 y Bz + Entonces la repla de decisión sería: (l) Aceptar la hipótesis si el nfrmero de caras se encuentra entre 22 y 42 inclusive. (i ) Se acepta la hipótesis de que la moneda está bien hecha si el número de 24.5) .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. el número de ca¡as se encontrará entre ¡¡ decir.05.575).96_ (2) Rechazar la hipótesis en cualquier otro caso. Entonces.95.84.96. Entonces.5000 . Segundo método: Con probabilidad 0.96.960. entre 25 y 39 ambos inclusive.84. (b -1. Se puede argüir que con solo una cara más que se hubiese obtenido. SiZ:1.96. cada6rea sombreada en la Fig.222 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.005.< 1. ? (c) Según la regla de decisión. por ejemplo.? en lugar de 0.96(4)< (x6 32.16<X< 39. Se puede aceptar la hipótesis cuando realmente debería rechazarse como.que también conducea ) obtenerse de la Tabla ?-1.96{npq o entre 32 - 1.58(4):21.96 equivale a .bg (másexacüarnente 2.4950 ! zt = 2. Diseñar una regla de decisión para ensayar la hipótesis de que una moneda est.58o y pt*.96(4): 1. Para mayor discusión véanse Problemas 7 rechazarse ea error del Tipo 1I de la .01 .1. (2) Rechazarla en cualquier otro caso. 2. se ve que con probabilidad 0. 7.O25O : O-4750. -zr Fis. np.96(4).58o.84que 32) < 1.58(4\: 42.7-B 2r Los valores críticos la Tabla 7-1- -1.t6.0050 :0.5i2:-1.O.96 y 1. es decir. Entonces Z la regla de decisión resulta: = (X - 32\14. en ambos casos se aceptaría la hipótesis de que la moneda está bien hecha.25.96(4) :24.960 y ¡J + l.32.96 <(x-gz)l¿.16 y 39.á bien hecha si en una muestra de 64lanzamientos de la moneda se toma un nivel de significación de {c) 0.(X-32)l¿:1-96óX:39. es decir.3.

01.05 pero no al nivel del 0. 7-4 de modo que el área sombreada en la región crítica de r¡alores alüos sea 0. 7. lo que se hace es simplemente no rechazarla. Es desconocido-para el zujeto cuántas cartas rojas o azules hay en el lote.26)13.01 son probablemente significotiuos. de modo que posteriores investigaciones del fenómeno están probablemente justificadas.5) en unidades tipificadas es 1. se concluye que al nivel del 0.4500. Si el zujeto identifica conectamente 32 cartas' determinar si los resultados son significativos al nivel de significación de (c) 0.ar la hipótesis si el número de caras se encuentra e¡fte 22 y 42 inclusive.S. Se elige un ensayo de una cola. Entonces el área enüre O y zt = 0. En un experimento sobre percepción extrasensorial (E.S.25\15. los resultado¡ son totalmente casuales Ht: p ) 0. Fig. Si la hipótesis está dado por ff6 es cierta. la media y la desviación tfpica del número de cartas identificad¿c correcüamente 3.84) que es menor que 2. puesto que no se está interesado en la facultad de obtener valoree bajos.05 el individuo tiene fuerza de E.entonceseláreaent¡eOyzt:0.4.64:1.33. sino en la facultad de obtener aciertos numerooos.01. se deduce que los reeultado¡ no son significaüuos al nivel de 0. (D) Sielniveldesignificaciónes0.5) = zb ! o=\/wq = /86(05)(-05) = ¡/Es = (a) Para un ensayo de una cola al nivel de significación de 0.84 llegándose a Ia misma conclusión anterio¡.5 .98 es mayor que 1.3(b) serfa: (I ) (2) No recltzz. Sin embargo.cAP. lo que efnificarfa que ee rehuaa cualquier decisión en este caso. la regla de decisión o enaayo de significación es: (f ) Si la z observada es mayor que 1. los resultados son significativos al nivel del 0.5 V el sujeto está simplemente adivinando. Seglrn la üerminologfa.) 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.05 y el indiüduo tiene fue¡za de E.5 y el sujeto tiene fuerza de E. zl (2) Si z es menor de 1.645.01 ¡on altomente significatiuos. p es la ptobabilidad de que el sujeto elija conectamente el color de una catta. los resultados significativos al nivel del 0.05. .omete al aceptar una hipótesis que debería ser rectrazada.P.26'). Para evitar este etlor.Puestoque32(ó 31.5.05 y (b) 0. Una completa discusión de tales casos requiere l¿ consideración de errores del fipo II (véanee hoblem¿s 7. Algunos estadísticos adoptan la terminología de que lios resultados significativos al nivel del 0.05. es decir.np = 50(0.23-7. entonces se tiene que decidir entre las dos hipótesis siguientes: Si Hoi p: 0. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 223 7.S. la decisión rnantiene es decir. (I) ee Adüértase que tealmente debería aplicarse una conección de continuidad. no significativos al nivel del 0. en muchos ejemplos prácticos es importante decidir si una hipótesis debe eer aceptada o rech¡zada. en lugar de aceptar la hipótesis.S.P.P.6.64: 1. puesüo que 32 en una eecala continua está entre 31-5 y 32.33.98 (ó 1.4900Y2r:2.645 los resultados Be deben a la casualidad.01. Asfrpues. 31.P. mientras que los resulüados significativos a niveles superriores al 0.06 son no significatiws. Rechazar Ia hipótesis en ca6o contraúo. ¿Cómo se podría diseña¡ una regla de decisión en el Problema ?.3 que evite el enor del Tipo T? El error del Tipo I[ se c. la regla de decisión del Problema 7. Sin embargo.645.645. se concluye que los resultados del experimento anterior wn probablemente significatiuos. Y zr : 1. Esto puede también eacarse de la Tabla 7-1.5 üiene un valor tipificado de (31.06 se debe elegit z1 en la Pig.54 p=. Así por ejemplo. es decir. 7-4 Puesto que 32 unidades tipifrcadas (32 .

P.01 . Entonces tre las dos hipótesis: se debe decidir Ho: p: 0.9)(o. si el área sombreada en la Fig.23. 7-5 es 0.viacióntípicaop:s/1/i.En una muestra de 200 individuos que tenían la alergia la medicina suministrada alivió a 160 personas. \/"pq = /?2ooxo.1. 7. 7-5 toma como regla de decisión: (1) La aseveración no es legítima si Z es menor de -2. ta probabilidad citada en-este caso 0.96.5). que es mucho menor de -2.6.$) : 1AO y " - 7. 3. . algunos estadísticos citan las probabilidades reales inherentes. (2) Se acepta l/6 (o no se toma decisión alguna) en caso contrario.S. (2) En caso contrario. altamente significatiuos (véase final del Problema ?. La duración media de una muestra de 100 tubos fluorescentesproducidosporuna compañía resulta ser 15?0 horas.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. . o de la Tabla 7-1.7.224 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.Ossetienelasiguienteregladedecisión: (/) Se rec}raza 116 si la z de la media muestral está fuera del rango . El estadístico bajo consideración es la media muestral X.23: -4.05 y (b) 0. Asípues.9 y la aseveración Se elige un ensayo unilateral. H1: ¡t* 1600horas Un ensayo bilateral debe utilizarse aquí puesto que g * 1600 incluye valores mayores y menores de 1600. mediante la simetría de la curva. Si ¡.0322. Ahora 16O en unidades tipificadas (160 . como puede deducirse del koblema 7.33 (en cuyo caso se rechaza H¡).dondegvoscnlamediayladesviacióntípicadelapoblación de todos los tubos producidos por la compañía. con una desviación típica de 120 horas. (a) Paraunensayobilateralalniveldesignificaciónde0. El fabricante de una patente médica sostiene qu€ la misma tien'e un 9O% de efectividad en el alivio de una aler_gia. comprobar la hipótesis ¡¡ : 1600 horas contra la hipótesis altemativa r¡ # 1600 horas con un nivel de significación de (a) 0. por la regla de decisión se deduce que la aseveración no es legítima y que los resultados muestrales son fle es cietta p : np = 200(0. La distribución muestral de X tiene una media r¿x-Éyunades.33. Determinar si la aseveiación del fabricante es cierta.5(b).s. Se tiene que decidir entre las dos hipótesis: Ho.r¡ = a..r es la duración media de todos los tubos producidos por la compañía. en este problemapuesto quep(Z > 1. entoncegz¡ : -2. es sobre el 3 por 100. puesto que Ee esüá interesado en determinar si la proporción de gente aliviada por la medicina es demasiado baja. lt:1600 hora. Por ejemplo.01. Si se toma el nivel de significación del 0. la aseveración es legítima y los resultados obtenidos se deben a la casualidad (en cuyo caso Si se acepta 116 ). es decir.96 a 1. por un período de 8 horas. se llama a veces niuel de significación erperimental o descriptiuo.l8O)14.33.9 y la aseveración es correcta es falsa Hy: p10. 7 Puesto que los niveles de significación sirven de guía en la toma de decisiones.01. Denótese porp la posibilidad de obtener alivio de la alergia utilizando la medicina. Se zl Fig.84):0.

el valor de z es -2.01 y.9 6. Bajo la hipótesis de que (I es rechazada.96 en la regla de decisión del apartado (c) se sustituye por -2.¿ 7. Como en el Problema 7.33.50. 7-5). el rango -1.05. (1 Hs si Z es menor de -1. y hay un cambio en la resistencia Aquí debe emplearse un ensayo unilateral (véase Fig.50 se -l . que es menor de -1 . 7-5 es -2. Adviértase que esta decisión es la misma que la obtenida en el Problema 7. . De aquí se deduce que los resultados son olúamente significatiuos y Ia aspiración de mejora debe ser admitida. puesto que se ensaya I/6 conha una alternativa diferente en cada caso. En el Problema 7. 7-4).58. ensayar la hipótesis p : 1600 hora. naturalmente esperarse.01 la regla de decisión es: ) Si eI valor de z es mayor que 2. Mediante una nueva técnica en el proceso de fabricación se aspira a que esta resistencia pueda ser incrementada.33.1600)/12 : (L570 . en efecto. se rechaza /16 al nivel de significación del 0.96 a 1.05. ¿Puede mantenerse que. Se debe < 1600 decidir entre las dos hipótesis: Ho: lJ: 1600 horas. ¡. Se ¡ecltaza 7 .50. Para ensayar esta aspiración. II1: ¡t{ 1600 horas. y realmente no hay cambio en la resistencia 1800 libras. Esto cabe. 7.s frente a la alternativa horas.F/0 (2) De otro modo. Ilo es aceptada (o no se toma decisión alguna). no están siempre en concordancia. basadas en ensayos de una o dos colas.05. ) (2) Se acepta. ' (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 -2.01. se tiene g : 1600 y o* = a/t/n = 120/\/L00 = 12. (a). Entonces.7 Como en el Problema de significación del 0. utilizando la desviación típica muestral como una estima de o. (a) Sielniveldesignificaciónes0.645.01 eI valor de z1 en la Fig. se ensaya una muestra de 50 cables y se encuentra que su resistencia media es de 1850 libras.96 a 1 .7(a) mediante un ensayo bilateral. 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.T-Stieneunáreade0.8.33 los resultados son significativos al nivel de 0. Adviértase que esta decisión es idéntica a la obtenida en el Problema 7. I/e es cierta.cAP.33. se rechaza pues.01.58 a 2. (2) S. por tanto la regla de decisión: -L.1600y12 : -2. /ls al nivel de significación del 0.50 se encuentra dentro de este rango. se rechaza pues.645. hay un aumento de resistencia al nivel de significación del 0.33. puesto que z -2. Al nivel de significación del 0. Debe aquí utilizarse un ens¿ryo unilateral (véase Fig. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 226 eneuentra fuera del rango Bajo la hipótesis I/6.7.01. acepta H6 (o no se toma ninguna decisión) en caso contrario.oo loo/v5o que es mayor de 2. Puesto que / : (X .1800 -------------ó.9. el valor de e es -2. que es menor de -2. se acepta Ile (o no se toma ninguna decisión) al nivel de sfinificación del 0.645. con los niveles de significación de (¿) 0.01? Se tiene que decidir entre las dos hipótesis: Ho: lJ: Ht: lt > 1800 libras. laregiónsombreadadelaFig.Ff6 (o no se toma ninguna decisión) en caso contrario. Las decisiones concernientes a hipótesis'lfe dadas. fle al nivel (b) Si el nivel de significación es de 0. se tiene X-p ol\n 1850 .01.7(a).05 y (b) 0.7(b) mediante un ensayo bilateral.0Sysetieneque zt : Se adopta.

58 y 2.0ó hay una diferencia significativa entre las dos clases y la segunda es probablemente mejor.la estatura media del primer gtupo ^o hay diferencia entre las estaturas mediases mayor que la del segundo ur?.01? ces.-*. 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 0.05 pero no al de 0.645.96. ft1 "8.5. = 1# = -2.2 pulgadas con desviación típica d. (b) 0. Para un ensayo bilateral.hay una diferencia significativa entre las dos clases la hipótesis lls. = o*r-fr.10. los resultados son significativos al nivel de 0.606 donde se han utilizado las desviaciones típicas muestrales como estimas d. "Z= l8r. De aquí se deduce que al nivel de 0. de acuerdo con la terminología utilizada al final del Problema 7. Se debe decidir entre las hipótesis: Ho: llt : H t: Ft ) Bajo la hipótesis. ?.05 si Z se encuentra fuera del recorrido -1.e 2. = o n*r-'^" = !t-".58. ambas clases provienen de la misma población. Se hizo un examen p dos clases formadas por 40 y 50 estudiantes respectivamente. 7. La media y la desviación típica de la di- uir-i. n2 = 0.96 a 1.01 si Z se encuentra fuera del iritervalo -2. - l"? . ! la diferencia se debe simplemente al azar H t : Pt * ¡t2 . Debe sin embargo ponerse de manifiesto que la hipótesis puede rechazarse al nivel de 0. Entonces z= (a) (ó) Pata un ensayo bilaüeral.05.10 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. mientras que en la segunda clase la puntuación media fue de 78 con una desviación típica de 7. Enton- Bajo ferencia de medias están dadas por Ho: ltt : llz.8 pulgadas. se tiene que Supóngase que las dos clases provienen de dos poblaciones que tienen de medias respectivas decidir entre las hipótesis: l\ y tJz.El6 . se rechaza la hipótesis lls si el valor de z fuese mayor de 1. . !40*50 = 1.226 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [g.lp.4s Puesto que los resultados scin significativos al nivel de 0. I vez cada 10. En la primera clase la puntuáción media fue de 74 con una desviación típica de 8. ltz .01.01 no hay diferencias significativas entre ambas clases. se deduce que los resultados son probablementesignificatiuos.05. =o n*r-rr"= "? .5 pulgadas.5 pulgadas con desviación típica de 2. mientras que 50 estudiantes que no mostraban interés en tal participación tenían una estatura media de 67. La estatura media de 50 estudiantes de un colegio que tomaban parte en las pruebas atléticas fue de 68.11. De aquí se deduce que al nivel de 0. Así pues. es decir. p2 . los resultados son significativos al nivel de 0. Ensayar la hipótesis de que los estudiantes que participan en las pruebas atléticas son más altos que los otros. z ENSAYOS RELACIONADOS CON DIFERENCIAS DE MEDIAS Y PROPORCIONES 7..10.e o1 y o2.

= p de curas 0.05.t.13.7 observada en las estaturas medias se tiene xt . se deduciría que el suero es efectivo al nivel de significación de 0. Se administra un suero al grupo A.650 0."io" dos grupos per- o*r- *.o*r-*.0648 ro. padecen una enfermedad. se tiene .II para que la diferencia observada de 0. Se encuentra que en los grupos Ay 8. .01.0648 donde se ha utilizado como estima de la proporción 65)1200 : 0. pero no al grupo B (que se llama gtupo control).?50 - = 1. = o?. = 0 V p".ir_*. bajo la hipótesis tiI6.5 ó t57 n>1b? 50 De aquí que se debería incrementar cada muestra en al menos : lO7 .01.05.l las diferencias observadas son debidas al az.7\n 3'75 La diferencia observada será significativa al nivel de 0.10.33. H t : pt ) pz. (b) 0. respectivamente se han recuperado de la enfermedad.zt.75 y 65 individuos. ¿En cuánto deberíán incrementarse los tamaños de muestra de cada uno de los dos grupos en el Problema 7. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 227 7.09 3. siendo en todo lo demás los dos grupos tratados idénticamente. Entonces ry- en los dos grupos muestrales el valor (?5 * P.zorro.tt d \/a>r2. al nivel de significación del 0.75/\n 0. Puesto que esta condición es satisfecha.7 3.70 y donde q : 1 p : 0.r. Dos grupos A y B fo¡mados cada uno de 100 individuos. = o o.54 (c) De acuerdo con un ensayo unilateral al nivel de significación del 0._P" orr.05.CAP.05 si Yif-t'uou (b) La diferencia observada ó 1/-n=8. 14.r-r.75 n .8 í¡ n>78 50 Así pues. Ensayar la hipótesis de que el suero ayuda a curar la enfermedad al nivel de significación del (a) 0.645.01 si : 28 al menos.28. (a) o.L2.7 pulgadas en las estaturas medias sea significativa al nivel de significación (o) 0.10 se rechazaría f/e solamente si el valor de z fuese superior a 1. De donde se deduce que a este nivel tambiénlas diferencias se deben al azgt."2 nn (2.#) = 0. Puesto que el valor de z es 1. 7. (c) 0:10.xz 4 . se rechazaría la hipótesis IIs solamente si z fuese mayor de 1. el suero no es efecüivo Ho: Pt : Pz.30. deberá incrementarse el tamaño de cada grupo en ?8 será significativa al nivel de 0. (2 ) sin decidir entre las dos hipótesis: es decir.. Se debe r! p2. (b) 0. Entonces.ebr(-#. 0.54.y el suero es efectivo Bajo la hipótesis 116. (ó) De acuerdo con un ensayo unilateral (c) Si se utilizase un ensayo unilateral al nivel de significación de 0. urr-r'. se r*}lrazaría lahipótesis1116 solamente si z fuese mayor de 2./" Para la diferencia de 0.01? Supóngase que el tamaño muestral de cada grupo eB n y qLe las desviaciones típicas manecen iguales a las de antes. ui'!!=r. se debe deducir que los resultados se deben al azar a este nivel de significación.5¡z ¡ ". Denótese por P utiliza¡ suero. respectivamente las proporciones poblacionales curadas ( I ) utilizando el suero .

Bajo la hipótesis (Ho: pt:pr ) se tiene l¡.0374 .Puesto queZ:1.01. Sin embargo. se debe decidir entre la hipótesis (Ho : P t : pz\ y (Ht : P t * pz). se está forzado a toma¡ decisiones en acuerdo con la información utilizable y asÍ se tendrá que correr mayor riesgo de tomar decisiones erróneas." 0.. Puesto que éste es el caso.560 dondesehautilizadocomoestimadepyqlosvalores +(0.0374 P. Entonces 0.56)(300) 0.sol( r*-L * r*-L ) : 0.01 de equivocación. se rechaza É16 a este nivel y se deduce que el candidato es preferido en el dis' trito A .480 = -0^0456== nivel. . Este es un riesgo que nb siempre deseamos suponer.96.14.05 ensayir la hipótesis de que (o) haya diferencia entre los distritos. es decir. Una muestra de 300 votant€s del distrito A y 2O0 del distrito B mostró que el 66% y el 48% respectivamente. En tales casos.05 se rechaza H¡ si Z fuese mayor de 1..0. ?.528 l'75 y 1-0. se deduce que el suero es efectivo con solo una probabilidad de 0. Al nivel de significación del 0.67 es puesto que el valor de z es mayor de 2.6b0 respectivamente. que están a favor del candidat<¡.528 = z - P. respectivamente. que son las mismas del problema anterior. Bajo la hipótesis ^FIe.encontrándosedentrodelintervalonosepuedetechazatH¡ a este (b . (¿) Si solamente se desea determinar si hay diferencia entre los distritos. Esto muestra cómo al incrementarse el tamaño de la muestra aumenta la seguridad de las decisiones.70 utiliza como estima dep.650 0. Si los resultados se deben realmente aL azar y se toma la decisión de que son debidos al suero (error del Tipo I).645. _ 1. se debe decidir entre la hipótesis (f/e ).750 y 195/300 Adviértase que en este caso la proporción de gente curada en los dos grupos son 225/300 : 0. Denótese por pr y p2 las proporciones de todos los votantes de los distritos A y B.96a1. se puede rechazar la hipótesis al nivel de significación del 0.P" = rrar. en muchos casos es imposible el aumentar el tamaño de la muestra. que se estudia con un ensayo bilateralCon un ensayo bilateral y al nivel de significación del 0.472. 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.48)(200)l/500:0. que se estudia con un ensayo unilateral.. se compone de 300 individuos y si se curan 225 i* : 0. = ú(¡D=@=00456 f(0. ?. z=ñ= - = 2.zol ro.750 = ro.228 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. 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. Co¡r un ensayo unilateral y al nivel de significación del 0. l'pr-pz = donde (225 0 ú¡'.-P. estaban a favor de un candidato dado. 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.?S. Por otro lado.-t'r= se ú'G. decir.13 si cada grupo dividuos del Grupo. .t 0.195y600:0. Solucionar el Problema 7.05. z Adüértase que las conclusiones anteriores dependen de lo que se esté dispuesto a arriesgar de tomar una decisión erróneá. (b) el candidato sea preferido en el distrito A.15.33. se rechazaría Hs si Z estuviese fuera del in' tervalo-1 . Entonces = 0 or.

01.01 se adopta Ia regla de decisión: (I ) (9) Se acepta . Se rechaza. se toma una muestra de 10 arandelas. se rechaza . y la afirmación del fabricante de modo que se requiere un ensayo unilateral. se rechaza Puesto que ?: 3.01.050 pulgadas. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Ú ENSAYOS RELACIONADOS CON LA DISTRIBUCION DE STUDENT 7. ¿Se puede admitir la afirmación del fabricante aI nivel de significación del (a) 0.cAP. H lJ: 8000 libras. : ) Para un ensayo unilateral al nivel de significación del 0. Para determinar si la máquina sigue en buenas condiciones de producción.01.00..86. se dice que lamuestraresultaproboblemente significatiua (véaee la terminología del final del Problema 7 . y la afirmación del fabricante está justificada es falsa 1 : ¡t 1 8000 libras.26. 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. que resulta tener un grosor medio de 0. se acepta.ee5.36.25. En el pasado una máquina ha producido arandelas con un grosor de 0.003 pulgadas.L7¡"- 1= ?l|'!-_99rnJ . Bajo la hipótesisae se tiene (o . á ú.Efs al nivel 0. Para un ensayo bilateral aI nivel de significación del 0.É16 elr cáso contrario.05. -t/n- t = 9!$-. se rechaza ffs . y la máquina de modo que se requiere un ensayo bilateral.86 . Se desea decidir entre las hipótesis Ho: lt:0. .050.ee.00. (b) 0. lo cual para 10 libertad es eI intervalo -2.f.05.F/6 si ? se encuentra dentro del intervalo --f.F/e en caso contrario.un.01 . ABI sería aconsejable comprobar la máquina o al menos toma¡ otra muesha.F/6 eri caso contrario. 7.4!9 ú0 -t -_. Se rechaza -1 :9 gradosde lls en caso contrario.17.00. que para 10-1 tad es el intervalo -3.05. : ) Para un et¡sayo unilateral al nivel de significación del 0.o.053 pulgadas y una desviación típica de 0. I/6 al nivel de 0.16. Ya que se rechaza lls al nivel 0. se adopta la regla de decisión (1) (2) Se acepta f/¡ : si ? es mayor de -f.86.i6= = -8. ) Para un ens¿ryo bilateral al nivel de significación del 0. Se rechaza.25 a 3.6). Ensayar la hipótesis de que la máquina está en buenas condiciones de producción al nivel de significación del (o) 0. . que para 6 Se rechaza. Se deduce que la afirmación del fabricante es extremadamente improbable que esté justificada. : 9 grados de liber- Puesto que ?: 3.05 pero no al nivel 0.g.01 .26 a 2. Puesto que T = -3. -1:5 gradosdelibertad da ?) -2.050.05 se adopta la regla de decisión: (I) (2) (ó) Se acepta fle si f se encuentra dentro del intervalo-f cz¡ a f e75.05 . Puesto que ? -B . que para 5 grados de libertad da 7') -3. y la máquina Ht: P + 0.F/s.01? Se tiene que decidir entre las hipótesis Ho:. se adopta Ia regla de decisión (l) (2) (b Seacepta116 si ?esmayorde -ú. se encuentra en buenas condiciones no se encuentra en buenas condiciones Bajo la hipótesis (o H¡ se tiene . (b) 0. = 4---f.

(cociente de inteligencia) de 16 estudiantes de una zona de una ciudad dio una media de 107 con una desviación típica de 10.y la diferencia se debe al azar H t: pt ) tt1. .2 : 22gradosde libertad es 2.45 (¿) Con r¡n ensayo bilateral al nivel de significación del 0. la mitad de ellas fueron tratadas con el fertilizante y la otra mitad no (grupo control).01. Q. eue para n¡ I nz . ? ?.Ef6 al nivel de significación del 0.ee.40 fanegadas.85 Con un ensayo unilateral aI nivel de significación del 0. lo cualpara n1 * nz . T= Entonces xt- X. Q. ¿Hay diferencia significativa entre el I.01. "t/U"t+ Y"2 donde o - n.3s7\n/12 + Urz = 1. se eligieron 24 parcelas de terreno de igual superficie.1 fanegadas con una desviación típica de 0. y ¡r2 las medias poblacionales del decidir entre las hipótesis I.ee5..19. de 14 estudiantes de otrazona de la ciudad dio una media de 112 con desviación típica de 8.ctsa ú e75. Para ello.76. no se puede rechazar. En una estación agrícola se deseaba ensayar el efecto deun determinado fertilizantn sobrela producción de trigo. hay diferencia significativa entre el I.?6 a 2. se rechazará Hs si T se encuentra fuera del recorrido -t. eue para 28 grados de libertad es el recorrido -2.S! + nrS! n1 -ln2-2 Entonces t6+L4-2 =9.44\/ l/16 + l/t4 = 1.05? Si se denota por ¡l-.4012 =o'397 v T= 5. Todas las demás condiciones fueron las mismas.1 - 4.01.y el fertilizante incrementa la producción Bajo la hipótesis I/6.44 y T= ltz - t07 9. de los dos grupos al nivel de significación del (o) 0. Así pues.ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.18.2 : 72 + t2 . mientras que la media en las parcelas tratadas fue de 5.2: 28 grados de libertad es el recorrido -2. a ú.05. La media de trigo conseguida en las parcelas no tratadas fue de 4. El I.O5 a 2.01. Q.05. T- xt-x. se tiene que Ho: lt : ltz ! no hay diferencia esencial entre los grupos Hti ltt =* tlr.05. no se puede rechazar Se deduce que no 116 al nivel de significación del 0. respectivamente. Así pues. y (b) 0. de los estudiantes de las dos zonas. 7. no se puede rechazar É16 al nivel de significación del 0. Q.ffi + 12(0-36)2 t/". sé rechazará Ia hipótesis f16 si ? fuese mayor que ú.16 + 74 . Así pues.8 fanegadas con una desviación típica de 0. donde nrsl + n252.y hay diferencia esencial entre los grupos Bajo la hipótesis lls. mientras que el L Q. ¿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.2:.8 0.36 fanegadas. tiene que decidir entre las hipótesis se Ho: lt : ltz. "tf. n1*n2-2 "=!ffi (a) I 12(0. de los dos grupos. (b) Con un ensayo bilateral aI nivel de significación del 0.51.01. se rechazará la hipótesisl{6 si ?se encuentra fuera del recorrido --t r¡g¡.

no se rechaza.8.4. = E = *n@ = r.sr.05.01 si el valor muestral de pues.8g. Entonces.Por tanto . sz :12 de modo -que G? = . Sin embargo antes de sacar conclusiones definitivas referentes a la conveniencia del fertilizante. vemos que tampoco podemos rechazar. ENSAYOS RELACIONADOS CON LA DISTRIBUCION ¡' 7-2L. F. En el pasado la desviación típica de los pesos de ciertos paquetes de 40. Así. A y B.EI6 al nivel de significación del 0.cAP. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 237 (ü) Conunensayounilateralalniveldesignificacióndel 0. y los resultado¡ observados se deben alazar H 1 : o > O . que ás igual a 36.oz.01? Hay que decidir entre las dos hipótesis: Ho: o :0.1 para v : 20 .Ffs al nivel de significación del 0.05 y (b) 0. se rechaza . Vz:26-L=24. ¡12 fuese mayor- Mediante un enaayo unilateral. Y deberá efectua¡se una revisión en la máquina. El número de grados de libertad para las clases son respectivamente rr¡ :16-1:lb.32 on?T.LL para 15. probablemente incrementado.la clase A tuvo una desviaóión típica de 9 en tanto que la clase B tuvo una desviación típica de1'2. pues.2 para 19 grados sig de I O. 9tt" 4'rn.32)2/(O. y cualquier va¡iabilidad observada se debe al azol Íi1: o1>.05 Si el valor de X2 muestral fuese mayor 9ue x?gs.05 que la variabilidad de la clase B es mayor que la de la clase A? (o) Tenemos.!4 = '*rrrr'= 1Eo Hay que decidi¡ entre las dos hipótesis : o ¡ = o2.ee : 2.01.05. ENSAYOS RELACIONADOS CON LA DISTRIBUCION CHI-CUADRADO 7.25 onzas. que es igual a 30. se rechaza. empleando eubíndices 1 y 2 para las clasee A y B respectivamente. muestras en cuestión.01. lo cual para22 grados de libertad esL.ltle al nivel 0. aunque no hubo diferencia significativa en medias de las calificaciones.tá h.e5. 24 grados de libertad (véase Apéndice F).25 onzas.er:z.0 onzas. ya que Ad F( F . LaclaseA tiene lGestudiantes en tanto que la clase B tiene 25 estudiantei.01.nn no podemos techazar ff6 al nivel 0.1 : 19 grados de libertad. en una asignatura específica. se rechazará. sr g.25 onzas..?0. Un instructor tiene dos clases.serechazarálahipótesisfl6si?fuesemayor que ú. (b) Ya que f'. (b) 0. f ( F. .74 eí Entonces. y la variabilidad se ha incrementado El valot de 12 para la muestra €8 X2 : nsz/sz :20(0.Alnivel 0. Se deduce que el incremento en la producción de trigo alttilizar el fertilizante es probablemente significoúiuo._Lr'? = if Itr¡ (e)2 = 86. 4 = .máqlLlina era de 0.v2 = 24 tenemos del Apéndice F. llenados por una. (o) (b) Mediante un ensayo unilateral. ¿Es el aparente incremento de va¡iabilidadsignificativa al nivel de signifióación del (a) 0.06.Z5l2 = 82. se rechaza ^Ef6 al nivel de significación del 0. ¿Podemos concluir al nivel d-e significación del (c) 0.01 paraZ¡ = L5.72. Así puee.É16 al ni- Se deduce que la variabilitlad se ha.05. p. Una muestra aleatoria de 20 paquetes dio una desviación tipica de 0.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.EIe al nivel de vel de significación del 0. En el mismo examen. sería deseable tener alguna prueba más.

90 4. 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. ?-6. Adviértase que en este problema se tenía la regla de decisión de la que se obtenfa c y p.18 yz : O. probabilidad de error del Tipo II). (a) Sip : 0.58 tipificadas = üipificadas - = = : -2. es igual a 0.5 4. 7-6.5.tO2: 0.07 -6.7)=70 60.6. entonces la distribución de carag en 100 lanzamientos eetá representada por la curva normal de la derecha en la Fig.7 (es decir.2L si existe una diferencia significativaenla media de las calificaciones de las clases? Justificar su solución.7 39 5 caras 60.4) = 4.18 Entonces 9: área bajo la curva normal entre z : -4. Con referencia al Problema 7 . llegando a una regla de decigión (2) Se decide sobre Q y P y después se llega a una regla de decisión.2L no inüeiresa su¡ valoree.jo la curva normal de La izquierda en la Fig. pues.? .7. En el diagtama se ve claramente que la probabilidad de acepLr . esta á¡ea d. está dada por el área rayada p de la iigura.5 39. Solucionar el Problema 7.? tiene una media y una desviación típica que Bon dadas por p=np=(100)(0.24.0358. número de caras en 100 lanzamienüos se encuentra entre 39.J? neda está bien La hipótesis ff6 de que la moneda está bien hecha.90 V(100)(0. rOalculada en el Problema 7.ó y 60. Esto es de esperarse ya que no estamos tratando de decidi¡ si hay una diferencia en las medias de las calificaciones. la media y la desviación típica de la distribución de caras vienen dadas por !=np=(100X0. sino solamente si hay una variabilidad en las calificaciones.102 -4. (b)p : 0. Puesto que la media real de las calificaciones no se usó para nada en el Problema 7 . cuando realmente P : 0.23 si (a)p:0.6)=60 ú = lnpq = 60.5405 Asi pues.9' (d) P : O-4.7-6 Si la probabilidad de cara es p : 0.58 = 70 y'6oo)(oJ)(0.3) = 4. .8.O1). La probabilidad de rechazar Ffe cuando debería aceptarse (es decir. y después se calcula p. ?. se acepta cuando el p = 0. (c)p :0.5 en unidades tipificadas = 39.5 en unidades 39.O5 ó O.6.66 to'l.232 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.5 p=o.99 60.5 en unidades ' = : r/"pq 60.¡O tn Entonces I: áteabajo la curva normal entre z --6'66 y z -2-O7 : 0. probabilidad de error del Tipo I) viene: dada por el área toüd c de la región sombreada ba.6 p-0.23. con la regla de decisión dada hay muy poco riesgo de aceptar la hipótesis de que la moneda eetd bien hecha. que representa el nivel de significación del ensayo de lfe.22. ¿Canbiarían sus conclusiones en eI ProblemaT.5 en unidades tipificadas = - 60 60 = = 0. En la práctica se pue' den presentar otras dos posibilidades: (I ) Se decide sobre c (tal como O.7 7.Efs cuando realmente p : 0.2 es decir.5 4.6. ¿cu6l es la probabilidad de aceptar la hipótesis de que la mohecha cuando la probabilidad real de ca¡a es p : Q. Para calcular esta área se obeerva que la distribución bajo la hipótesisp : 0.2(ol.6)(0.0192 Así. CURVAS CARACTERISTICAS DE OPERACION 7.5 caras Fig.

eedecir.0000 0.(a). (b) Sip=0.12 p: área bajo la curva normal entre z : -10.6 0.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION y'(100X0-S)(0¿) 233 =¿. (b) ( 1 p ) y p.2 0. (d) Porsimetríap = 0.8) = 80 y o=. Interpreta¡ los gráficos obtenidos. 7.9 0. Esta probabilidad es igual a 1 0.0000 0.5 en unidades tipificadaa 39.9: 0 pa¡a todos los propóeitos prácticoe.2 0.24.9 0. blemas7.24 construyendo un gráfico cuyos ejes sean (a\ I y p.0000 0.8. 7-z (o) El gráfico p.3 0.9.1 0 0 (a) (D) Fig.12 y z -4.9 1.? 0.5 cuando realmente p tiene un valor distinto a 0.5405 0. p ee muestra en la Fig.5405.9642 y ha eido introducida en - L-p 1.4 da el miemo valor deÉq.9642 0. Sin embargo.4 0. Representar gráficamente los resultados de los Problemas 7.p:0.0192 0.1 0. .25. Be ve que sip = 9.1 06 0{ 0.23y7. comolorobtenidosenlosProTabla 7-3 p B 0.5.6 0.4 0.0358 :0.cAP.enüoncea p=np = (100)(0. llama curua carocterísüca de operación o curva OC de la re- la di¡tancia del punto máximo de la curva OC a la línea p ción del e¡rsayor : I es igual a a : 0.0 0. La Tabla 7-3 muestra los valores de p correspondientes a valores dados dep.0000 la Tabla 7-3.0000 muy aproximadamenüe.3 02 0.0 0.23y 7.5 0.6 0.8 0.88 -10.. 7-1.3 0. el apuntamiento mayor de la curva OC es la mejor regla de decisión pa¡a techazar hipótesis que no son válidas. si realmente'p : 0.88 = 0.se gla de la decisión o enoayo de hipótesis.t"p:0.5405 0. Nótese que p representa la probabilidad de aceptar la hipótesis p : 0./nW= 60.0192 0.8 0. 1c) Comparando con (b) o por cálculo.7 0.09ó8 al nivel de significa- En general.6 0.6 en unidadeb tipificadas Entonces = ry = q9? : = = -4.8 0.5 se puede interpretar p como la probabilidad de acepoar p : 0'5 cuando debiera ser aceptado.6.

i 800 *sz.0 libras. 7-9. en caso contrario.310 libras es cierta.00 = 0. Constmir (a) una curva OC v (b) una cun¡a de potencira para ei Problema 7.33) =30?.e potencia.26(br.310 libras? Supóngase que la desviación típica se mantiene en z4libras. La cantidad p se llama tambiénfunción caructerístico de operoción de un ensayo.27. Una compañía fabúca cuerdas cuyas resistencias a la rotura tienen un valor medio de 300 li bry" y una desviación típica de 24libras. Esta es Ia probabilidad de aceptar Ho: ! : 300 libras cuando realmente es la probabilidad de comeüer error del Tipo II. H t : ! -. y (Ht: tt: 310 libras). *r. (2) Se'aceptqlfq pue¡to 'que z = cessi Z>2.p) ¡e llama a menudo función d.158?. 7-9. X>300+3(2.9qo. de aquí que A - 310)/3 = Fig.234 (D ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. ¡e llama curua de potencio de la regla de decición o ensayo de hipótesis. es decir. (c) Diseñar una regla de decisión para rechazar el proceso primitivo al nivel de significación del 0. que debieran ser rechazadas. es 7. bajo la curva normal de la derecha a la izquierda de z dect. 7 -7 (b). Para hallar su valor nótese que 307. de modo que realmente ambos gráficoe aon equivalenüee.0 lb. 7. se puede hdla¡ p para loe caeor en que el . y el nuevo proceso es igud que el primitivo 300 libras. suponiendo que la desviación típica de las ¡esistencias se mantiene en z4libras.01. (b) Bajo la regla de decisión adoptada en (a). Considérense las doe hipótesis (Ho: bras) Las distribuciones de las resistencias medias correspondiente¡ a estas dos hipóteeis se repreeentan.26. Si ción (a) ! es la resistencia media. Razonando análogamente a como se hizo en el Problem¿ 7. respectivamente con las distribuciones normales de la izquierda y de la derecha de la Fig. y el nuevo p¡oceso es mejor que el primitivo se un ensayo unilateral d nivel de significación del 0. tiene la siguiente regla de decigión (referenüe eon la Fig.7-9 = iren.00. : -1. I¡ cantidad (l . ? ) E gráfico (1 .Enton= "lr/ñ 24/\/u Así. Se cree que mediante un nuevo proceso de fabrica- puede inc¡ementarse la resistencia media.01 si se pone dé manifiesto qu¿ debe rechazarse al ensayar 64 cuerdas.33.26. la regla de decisión anterior se convierte en: (I ) (2) (ó) Se rechaza 116 si la reeistencia media de 64 cuerdae excede a 30?. ¿cuál es la probabilidad de aceptar el proceso primitivo cuando en efecto el nuevo proceso incremente la resistencia media a.0 tb 307 tb 3r0 lb -1.33. puesto que indica la aptitud o potencb de un ensyo para rechazar hipóüesie que son falsas.P). ?-8): (t ) Se rechaza lle si la e de la media de resistencia muest¡al es riayor que 2. Esta curva ae obtiene ¡encillamente invirtiendo la curva OC. tt: 300 li- Ia probabilidad de aceptar el proceeo primitivo cuando la nueva resistencia media sea realmente 310 libras se representa por el área É de la Fig.0 libras en unidade¡ tipificadas : 300 (307. Se acepta ^Éfs en caeo contra¡io.J = 't. p ¡e muestra en la Fig. ae quiere decidir enhe las hipótesis: Ho: U: Ht: ! ) Pa¡a 300 libra¡.

05. por encima del cual se rechaza la hipótesis de que p : 0. ya que lae dog curvag eon esencialmente equivalentes. etc.?4Eo De esüa forma se obtiene la Tabla 7-4.¡ o. La eituación planüeada se ve gtáficamente en la Fig.1 p (lb) 300 300 3to 3t5 (o) (ó) Fig.9900 L1. Para ensayar la hipótesis de que una moneda está bien hecha (es decir. se desea imponer las siguientes restricciones: (A) la probabilidad de rechazar la hipótesis cuando sea realmente conecta debe ser a lo sumo 0.1687 316 0.28.0038 320 0.5) mediante un número de lanzamientos de la moneda. 7. ?-10(o).7 0. y de aquí - 396 librae. en- 9: i¡ea bajo la curva normal de la derech¡ a la izquienda de z :0.05. de modo que no hay probabilidad de aeguir con el proceeo primitivo cuando la media de resistencia es mayor de 316 libras..7-11.0 B 0. sepuedenobtenerdeellalaomismasinterpretacionesque de la curva OC.6?.2 0.7-10(b).1 0.1 o más (es decir.05.01 cuando el nuevo proceeo da una media de 800 librar).6 0.0000 296 1. si el nuevo da una resistencia menor de 300 librar. (¡) U probabilidad de aceptar la hipótesis cuando realmentep difiera de 0. límite al riesgo de error del Tipo I Por ejemplo.0000 300 305 0.5 en 0. Por ejemplo. ri ¡r tonces 307. Tabla 7-4 tt 290 1. De la Fig.l (excepto para el nivel de significación del 0.7486 3r0 0.6? : 0. En esta curva 6e ve que la probabilidad de seguir con el proce' so primitivo. es piácticamente.4) debe ser á lo sumo 0.7-r0 (¿) La curva OC se muestra en la Fig.0 libra¡ en unidades tipificadas: (307. la curva baia ró- pidamente hacia cero. mientras que la restricción (B) requiere que la probabilidad de error del Tipo II eea a lo sumo 0 : 0.5. la restricción (A) impuesta requiere que la probabilidad de error del Tipo I sea a lo sumo c : 0. p : 0. se ha puesto Denótese por n el tamaño de muestra pedido y por ¡ el número de caras en los n lanzamientos.9 0.8 o. Eeepués.05. 7-11 se tiene: .cAP.0 . p > 0.0000 p 0.6 6 p f 0. (b) La curva de potencia se ve en la Fig. AquÍ y Tipo II.5 0. Determinar el tama¡1o mínimo de muestra necesario y enunciar la regla de decisión resultante.305y9 = 0. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 235 nuevo proceco da un¡ resistencia media ¡r igual a 306 librar. 315 librae.

05 o menos cuando p tiene cualquier otro valor por fuera del recorrido 0. Sin embargo.008 pulgadas.6 r¿ * 0. que representan la probabilidad de error del tipo II. (b) Mostrar cómo se. el procelo está bajo control.49\/n n = o.6n 0. La elección en cada caso depende de la¡ circunetancias particulares del tnismo. 7 0.008yn=6.584 pulgadas. enfte 742 y 177 si el número de carac en Slg lanzamientos está dentro del recorrido 159. .6 a la izquierda ae es 0.5.564 y 0.0'6n Realmente el área entre -f. 7'l2.674.05 o menoa. (o) Diseñar una. L7 . es 0.0. ? (f.0.96 r ó (Sl u. es 0.7 3% se puede decir que la media muestral X debe estar denüro del intervalo (p¡ entre cae a m p ¡t:0. Se construye una máquina que pr-oducfuá cojinet€s de bolas teniendo un diámetro medio de una desviación típica de 0. Se sigue que el tamaño de la muestra debe ser al menos 31g. también s€rá 0.05. dentro del intervalo 0.4 a 0. Para determinar si la máquina esconstruida para el fin que se destina.584 pulgadasi ee supone que la máquina es a- (2) De otro modo. y se obsen¡a el diámetro medio de la muestra. la moneda al menos B1g veces.5n = 1. (b) S€ rechaza la hipótesis + 17 .5\/n De 0.236 ENsAyos DE Hrpornsls y sIGNIFrcAcroN lcAP. ¡- np :1-77 - 159.llamado grófico de control de colidad.5.5.n: 318.Haciendo n : 319 en (3) o (4). Así pues.98.6.6 n- 0.Saladerecha a" 7 (9) El área bajo la curva normalp 09" O.9É!= -r. (2) es una cantidad muy aproximada. p = 0.O\4\'\/E) o Con confianza del 99 .574 . = 0. Cada vez que se observa una media muestral se representá por un punto en el gráfico.025.6..4r rtñ- (n.egla de decisión mediante la cual se puede estar razonablemente cierto de qúe la calidad del producto esüá de acuerdo con las noÍnas requeridas. se adopta la riguiente regla de decisión: (o) Se acepta la hipótesiep:0.5. (o ) 3o¡) a (p¡*3o¡) con el 9€. automáticamente tomarÍamos como 0.o:0. . Obeérvese que tomando la probabilidad de aceptación como De(/) x .7 BVo o brevemente lfmite¡ 3o. pueden igualmente determlnarse otros lfmiües de confianza. hay la posibilidad de que falle algo y se precisa una invesüigación del posible fallo.05 en el "peor de loc casos". Por tanto un promedio ponderado de todas estas probabilidades. la máquina (b) Un registro de las medias no s€rú adecuada y habrá que buscar la razón de su ineptitud.806y'-n es De (3) y (4).564 a 0.014l\/6\ y (0.05. se debe lanzar p - 0.6 n Y x - 0.r) - 0.seeigueque I se encontrará entre (0.el 95V".524 * Puestoque De aquí que la regla de decición eea como sigue: (l ) Si la media muestral decuada para el trabajo pedido. Cuando un punt'o se rale de estoe límite¡ control (tal como en la tercera muestra tomada el jueves).) Eláreabajolacurvanorrnalp:0.645 ó (t) o.49{n vnpq = '--. e¡ decir. Para decir.5 : ..5 en caso contrario.ít/n Vnpq= "- :0.. se toma una muestra de 6 cojinetes ejemplo. tales como los límitee d'el 99% o d.29. muestrales puede tlevarse por medio de un gráfico tal como ee muestra én la Fig. GRAFICOS DE CONTROL DE CALIDAD 7.4s 1/A 0. Los límites de control determinadog anteriormente se llaman límites de confianza del gg. En tanto que los punüoe se encuentran entre los límites 0.x :177.73% de O.re'presentaría grárticamente la regla de decisión de (a).9801fa- e'¡ 9-.

La bondad del ajuste se estudia en eI ProblemaT.1619 0. página 163 puede ajustarse a una distribución normal.43. la distribución binomial ajusta- En la Tabla 7-5 se han obtenido estas probabilidades así como las f¡ecuencias esperadas (teóricas) y las observadag.7 ó 151 29. La media del número de caras es ¡. Así pues. El ajuste se observa que es bueno.7 ó 309 150. la media del número de caras es 2fr_ / _2470=2.. página 178. .47 rooo Igualando las medias teóricas y real se tiene 5p da viene dada por /(r) = .¿94)¡(0.9 ó 162 316.2 ó 316 308. x F a os74 a a a t I a : o 0 s64 o Fis.30.0294 5 6 33 161.47 6 p :0.31.506)5-¡.1: np : 6p.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 297 Lunes Martes Miércoles Jueves Viernes $ € bD osal 1} a a t ü {. dondep y q son las probabilidades resy sello en un solo lanzamiento de la moneda.3162 0.3087 2 3 ^ 0.(0.cAP.494.0332 0. Para la distribución de frecuencias observada. Tabla 7-5 Número de caras (r caras) Frecuencia esperada Frecuencia observada 38 0 1 0. Se tiene P(x caras en una serie de 5 lanzamientos) : f(¡) = sCrprqs-". Utilizar papel gráfico de probabilidad para determinar si la dist¡ibución de frecuencias de la Tabla 5-2.C.1507 0.2 t44 342 287 164 25 7. : 2.4 6 29 33. 7-12 AJUSTE DE DATOS A DISTRIBUCIONES TÉORICAS 7. Ajustar una distribución binomial pectivas de cara a los datos del Problema 5.30.

46 pulgadar. dadas en la quinta columna. las frecuencias relativa¡ acumuladas expreeadar en porcentajes. como se muestra en la Tabla 7-6.32.6 68. De aquÍ se sacan las áreas bajo la curva normal entre los valores sucesivos de ¿.6 menor que 73. Tabla ?-7 Lfmite¡ realee Estatura de clase z pan los límites reales de clas€ Area bajo la cuna normal desde 0 ha¡ta z Area para cada cl¡ee Flecuencia eeperada Frecuencia observada (pulgdas) 60-62 r 59.0 100.E 50 40 30 20 Primero.238 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla [cAP. se observa que hay una distribución normal que se ajusta e¡trechamente a los daüos. ? 76 Frecuenei¡¡ Estatun (pulgad¡¡) menor que 61.92 ó 39 27.6 menor que 67.92 pulgadas (x mente El trabajo puede organiza¡se como en la Tabla 7 -7 . se obtienen lae frecuencias esperadas de la sexta columna.72 -1.6? 0. s = 2.5 menor que 70. Después. son pasadas sobre los límites reales superiores de clase.0 65. La "bondad {el ajuste" de la distribución qe congidera en el Problema ?.36 1. que da las áreas bajo la curva normal de 0 a z se obtiene con la tabla del Apéndice C.41 0.5 7¡.2771 0.40 respectiva- La cua¡ta columna. La¡az6¡ de esto se ve claramente con un diagrama. 7.70 -0. la distribución de frecuencia¡ dada se convierte en una di¡tribución de frecuencia¡ relativas acumuladas. = 61. se rutiliz. caicular e de los límites reales de clase.68 6 2l 38.2068 6L65 6&68 69-71 68.grófico de probabilidad eepecial.5 7t. página 163.5 oD. El grado en que los puntoe así dibujados ee encuentran sobre una lÍnea recta.44.6 menor que 64.t3 D 18 42 27 8 ñ.32.5 66.7L 6 28 7.tlls. donde la media i y la desviación típica 6 se han obtenido en los Problemas 5.z z = .0 92.6 &tatura (pulgada¡) Fis.0743 72-74 6 4 20. determina la bondad de ajuste de la distribución dada a la distribución normal.3892 0. Y se pone de manifiesto que ee ajuetan ba¡tante bien con las frecuencias observadas realmente.0413 0. anotadas en la última eolumna. Ajustar una cunra nonnal a los datos de la Tabla 5-2.4920 0.6 74.a -2.6 Rcl¡tiv¡¡ Acumulada¡ (%) 6.35 y 5.39 2. ?-r3 hoblema ?. en un papel. . 7-13. 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).5 7L.0 Io a E ql € ó a () 95 90 80 70 Q0 a (t 6 . Par:a. Véase o a I É to 5 o a d E 62. como se ve en la Fig.43 ít 7 4. Por lo anterior.5 62.6 ¡¡+ 0.0 23.4177 0. Multiplicando lo¡ valores de la quinta columna (que representan las frecuencias relativas) por la frecuencia total n (en e¡te ceso n = 100).

36. 100 sellos) es h:2. puesto que 4.o loe números teóricos de días en los que ee presentarán ¡ accidentes (obtenidos multiplicando las correspondientes probabilidades por 50).33. 0 r N(rmero de dÍasr Número de días obsen¡ado 2L 18 7 3 1 {r accidentes) 0. El número medio de accidentes es Número de I Número de accidentes.eo Entonces.84.50 . Para conveniencia de la comparación. En 200 lanzamientos de una moneda se obsen'aron 115 caral¡ y 85 sellos. Entonces y eeüos esperadas si la moneda está bien hecha son np : 100. Ensayar la hipótesis de que la moneda está bien hecha con un nivel de significación del (c) 0.24 2. Comparando con el valor de \ : 0.33 I 2 3 18.1647 espeado 20. véaee método 1 del Pro" blema 7.'12 ¡ 85.* : P(r accidentes) 1118 2 7 o.0494 0. hi' la ) El valor crítico xlso para 1 grado de libertad = 6.05. Entonces.63. < 6. El cálculo de la varianza de la distribución da' da. la euarta columna que da los números de días observados se ha repetido.01.3659 0. . ?] ENSAYOS DE HTPOTbSIS Y SIGNIFTCACION Tabla 239 7-t 7.CUADRADO ?. blemente bíen heclu. la varianza d : L.3 y 4 accidentes de esta distribución de Poisson.v: + (85:!00)2 = 100 h 4. Tabla 7-9 Número de accidentes. Ajustar los datos a una distribución de Poisson.0111 4 6 6 ó Nótese que el ajuste de los datos dados a una distribución de Poiseon es bueno. np2 : tOO.50 pótesis de que la moneda está bien hecha al nivel de significaeión del 0. durante los cuales r autos tuvieron accidentes en una ciudad.30 8.01. > 3. se rechaza la xlo¡ para 1 grado de libertad es 3. respecti- xz = (o) El valor crítico (b @t:lptlz -(rz:.63. da 0.4066 0.60 hipótesis de que la moneda está bien hecha al nivel de significación del 0.rj días. Para una verdadera distribución de Poisson. (b) 0. 313 {11 = Iq"+ill En l¿ T¿ble ?-9 aparecen lae probabilidadee para 0. La Tabla 7-8 muestra el número de días f durante un período de 50 días. 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. respectivamente rr = 115.56 6 ó 20 18 8 2 1 0.2.34.7:2 -L = l. Entonces.84..1. LA PRUEBA CHI. a¡í com.9?.47 0.90 hallado.f 0l2r + : (21)(0) '50 (18X1) + (7X2) + (?liQ_l q)(a) = .05. puede ser esto un indicio de la adaptabilidad de la distribución de Poison a la muestra de datos. Las frecuencias de caras y sellos observadas son. de acuerdo con la distribución de Poisson.CAP.np)z npt npz - (115__100)2 Pueeto que el número de categorías o clases (caras. Las frecuencias de caras vamente. puesto que 4.

De ello se sigue que la concordancia entre ambas frecuencias no es tan buena como para no dudar de Io deducido. Con un nivel de 0.15. (24-20\2. x2 (conegida) = = (lzt - nptl nPt 1001 0'5)z + !1""- np2l npz - 0'5\2 (1115 - 100 _ 0.86.96 a 1. (2. 115 caras en unidades tipificadas Bajo la hipótesis de que la moneda está bien hecha. (rt-nptl2 .npr o _ (rt-np)2 . ? 7.g.L2.96.zvb Puesto que 4'205 > 3.93_4)' _(15-20\2 .05 pero no al de 0.5 . Véase Problema 4. Esto conduce a las mismas conclusiones que por el primer método. ^-------::-:-.05 y un ensayo bilateral.5 o más caras. no se puede rechazar Para 5 grados de libertad x%s: 1. (16_20¡z _ *--lO-+ +ñ=5.5) =100yo=1fipq=/IZOO¡O.6)esh:6.240 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.5)2 .60.34 utilizando la corrección de yates.2o5 < 6. (185 _ __ 1001 Í4.S¡(0f)--7.-nps)2 (ra-npe)2 < 11. Nótese que el cuadrado del valor anterior.2.7OO)17 .1.34 mediante la aproximación normal respectivamente. La Tabla 7-10 muestra las frecuencias observadas y esperadas allanzat un dado 120 veces. es el mismo valor de X2 obtenido en el probl.35.4.05. Entonces 114.01 el intervalo sería -2. (23-20)2 +--lO . puesto que 5. Se sigue como en el Problema 7. El valor crítico a2e5 para 5 gados de libertad es 11. radasen200 lanzamientosdelamonedason¡r=np=(200)(0.01. véase método 2 del Problema 2.05)2 7 -37. la media y la desviación tÍpica del número de caras espe- : (l1b -lOO)t7. Con la corrección para la continuidad.5. solucionar el Problema 7.5)z = _100 )_ (L[.O7 : 2. a la distribución binomial.)z . 7.86.84. 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. Pa¡a una comparación con los métodos a4teriores.00 > 1.1.5 en uni: (114.00 20-+ n 20 Puestoqueelnúmerodecategoríasoclases(carasl. (rz-npzl2 . de modo que X2 : 5. Solucionar el Problema 7. Entonces.ema se cumple siempre que la prueba de chi-cuadrado comprende dos categoiías.86. Método 1. 115 o más caras equivale a 114. Método 2.63 se deducen las mismas conclusiones que en el Problema ?.58. Nótese que el cuadrado de este valor. de nuevo en consecuencia del Problema 4. .v:h-1-:6-1:b.00 la hipótesis de que el dado está bien hecho.07 :2. (ZJ2)2 : 4. 7.35.s)z = 100_ 100 tt q^< 4.06.20. dades tipifica¿¿5 : 4.15. se rechaza la hipótesis de que la moneda eetá bien hecha. si el valor de z está fuera del intervato -1.34' 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 Problema7.34 que la hipótesis se rechaza al nivel de 0.07. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación del 0.5)z _ . Esto se cumple siempre que la prueba de chiruadrado eomprende dos categorías y se aplica la corrección de Yates.b8 a2.36. (rr.84 y 4.0. (rs-np¡.

7. 101 rugosos y amarillos y 32 rugosos y verdes.76 *W = 0.3.01. 9 que se da en la Tabla 7-11.zS lisos y verdes Struol = frtssol 104. .g El valor crítico d" x. Se deduce que cabe sospechar alguna tendencia no aleatoria en dicha tabla de números. 5 naranjas.L. . : 3. la aproximación de chi-cuadrado será errónea.38.05? El número total de guisantes es 315 + 108 + 101 + 32:556. (b) 0. ?.76\2 3t2.75lisosy amarillos tol.como 23. Una tabla de números aleatorios de 250 dígitos mostró la distribución delosdígitos 0.se esperarían fttssel = -- 312. ¿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.Qe-2512 try+ .39.cAP.05. De acuerdo con su teoría. . Puesto que los números esperados están en la proporción 9:3:3:1 (y 9 * 3 + 3 + 1 : 16). ¡$5: 0. amari'llo y verde.2.. x2.352. 108lisos y verdes.352 y X2 :0.81. loe resultados obtenidoe están sujetoe a unh razonable influencia de error muestral. . ?. Bajo la hipótesie de que la urna contiene proporciones iguales de los cuatro colores. de modo que no se puede rechazar la teoría al nivel de 0. Una muestra de 12 bolas extraída aleatoriamente de la urna dio 2 rojas. Puesto que eetos números esperados Bon menores de 5. teoría y los reeultados del experimento están de acuerdo. En los erperimentos de Mendel con guisantes. Se deduce pues. .40. Para evitar esto se agrupan las categorías de modo que los núme¡os esperados en cada categoría sea al menos 5.. r ry = 2s.7.26 rugosos y amarilloe B4. 4 amarillas y 1 verde. ¿Hay alguna evidencia que permitadudarde su teoría al nivel de significación del (a) 0.01.01.zb rugosoe y verdes ft Entonces tssol = x2= (o) (b) Para v Para v (3L5 3L2. cabría esperar 3 bolas de cada clase en la muestra de 12 bola¡. de modo que no se puede rechazar la teoría al nivel de 0.470 Puestoquehaycuatrocategorías.h=4yelnúmerodegradosdelibertadesv=4-1=3. Ensayar la hipótesis de que la urna contenga proporciones iguales de los diferentes colores. estos números deberían presentarse en la proporción 9:3:3:1. Una uma contiene un gran número de bolas de cuatro eolores dife¡entes: rojo. que la Nótese que para 3 gtados de libertad.4?O > 0. De modo que aunque el acuerdo es bueno.'nr parav: h -1:9 gradosdelibertad es21-.ss= = 3.3 >2!3 sededucequeladistribución observada dífiere significativamente de la esperada al nivel de significación del 0. naranja. obseryó 315 lisos y amarillos. x?ss: 11.7I ENSAYOS DE HIPOTESIS Y SIGNIFICACION 241 7.

(5-e)z . (24-20\2 . para grandes muestras tales como las de aquí.x2l)s==3.84. respectivamente. En 360 lanzamientos de un par de dados. se tiene x: = 0qj:_6Fo.xjr¡. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación de 0. Esto se consigue en nuestro caso considerando las categorías "roja o verde" y "naranja o amarilla". En general.65 De acuerdo.:?.ces P("siete") : 1/6(360):60 veces 6/36 : 1/6 y P("once") :2136: 1/18.42.r que conduce a las mismas conclusiones anteriores. Los resultados observados pueden imaginablemente deberse al azar.ü.05. - e¡z -9 Parav:2-l:1.81 sellegaríaalasmismasconclusionesqueantes. Puesto que el número esperado en cada categoría bajo la hipótesis de iguales proporciones es 6. = ry. x' _ (1 -3¡:r ooo Puestoqueparav=4-1:3. se tiene (9 ^cuando las proporciones de los colores sean iguales.-ss:3. "Siete" se puede presentar de 6 formas y "once" de 2 formas. pues con la X2 corregida. l)na encuesta sobre 320 familias con 5 niños dio la distribución que aparece en la Tabla ?-12. ? Si se desea rechazar la hipótesis.) x2 _ = -6-. los resultados que se obtienen utilizando la correc- ción de Yates son más dignos de confianza que los resultados no corregidos.tz. se rechazaría la hipótesis a algún otro nivel (tal como 0.:-:_+r::__-::_:sis de que los dados estén X¿ 4.242 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. para las que la muestra dio 3 y 9 bolas.0. puesto que incluso el valor corregido de y2 se encuentra cerca del valor crítico.. ¿Es el resultado consistente con la hipótesis de que el nacimiento de varón y hembra son igualmente probables? . no se rechazaría la hipótesis al nivel de 0.05.84seestaríainclinandoarechazarlahipótebien. Sin embargo. 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 0.5)2 #-g*): = 3.0?>3. de modo que (74-60)2 .rP. z. Esto cabía esperarse puesto que la corrección de Yates Debe ponerse de manifiesto que si se emplea la aproximación de siado pequeñas.10). .41. empleando la corrección de Yates. 7. se agrupan las categorías de forma que la evidencia en contra de Ia hipótesis se muestre claramente.07 Parav:2-1:7.05(aunque sí se puede al nivel de 0.Asínosepuedetechazrlahipótesisalniveldesignificacióndel 0. Ento¡-. se tiene (174 (correglda.Desgraciadamente. De otro modo.(ig:lf-!éE.05. se duda acerca de la decisión que se debe tomar.Entonces.puestoque4. Sin embargo. En tales casos. de aquí que cuando no sea aconsejable agrupar frecuencias se debe recurrir a los métodos exactos de probabilidad incluyendo la distribución multinomial.10).1. la aproximación ¡' para frecuencias pequeñas es pobre. Un par de dados puede caer de 36 formas. (4--3)2 . se obtendría ¡2 a pesar de que las frecuencias sean dema- (2-3¡z .84. en 360 lanzamientos cabría esperar "siete" y 1/18(360):20 veces "once". = - 60l 60 - . se observaron 74 veces "siete" y 24 veces "once". = siempre reduce el valor de ¡2 . Así pues. aun Otro método: Utilizando la corrección de Yates.5)2 (124 - 2ol - 0. 7.

32. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla ?.99. 2.setiene P(ániñosy0niñas) = (+)5 : # P(4niñosylniña) = 5(¿-)4(á) : ¡tz P(3niñosy2niñas) = f0(l)3(i)2 = # Enüonces el número de familiae que 8e espera P(2niñoey3niñas) : f0(l)2(l)3 = i8 P(lniñoy4niñas) = 5(+X+)4 = t P(OniñoeySniñas) = (+)5 = + tengan 5. Adviértaoe que ¡fo es equiyalente a afirma¡ que la recuperación eeindependie¿úe del empleo del suero.os= 5.?11. (110_100)2.103.= (s8_33.43.9)2 .30.--lóo:t- .2)2 .yg:1-p:probabilidaddenacimientodehembra. TABLAS DE CONTINGENCIA 7. .92 27. x2. Para y : 4.1 para y:61:6gtadosdelibertad.L .959 7..x2.m : 5 .1 : 4.:z . el ajuste no es "demaiido bueno".U Puesto que x:e5:11.?)2 . Se deduce que el ajuste de los datos es muy bueno. Entonces. X?ss = 9.(342_316.64 > O.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). .---r¡If.sss:15. pero no al 0.-El: . el ajuate no es tan bueno como pudiera = 4. 10. y los reaultados son 10. pectivas probabilidades anteriores por 320.z = 6 4. lag cla¡ificaciones 8on independientes. como 8e indica en la Tabla ?-14.13 *(18-2-0:68)2 *(a2:^-39=92\2-(27:3ft7rl2 *(8:?'j13)z:0.os:0.2 : 2.05. .13 utilizando la prueba chi-cuadrado.Entonpiobabilidadee de (5 niños). Para v : 2 (que son la me- = 2. Bajo la hipóteeis nula lfq de que el suero no tie' ne efecto.212. v = k .1 y x. La¡ condiciones del problema se presentan en la Tabla ?-13. Utilizar la pmeba chi-cuad¡ado para determinar la bondad de ajuste de los datos del Problema 7. (88_100)2. Determina¡ la bondad de ajuste de los datos del Problema 7.44. puesto que X2 = 0.412_ -58:t-- . .. cabría esperar que 70 individuos de cada uno de los grupos Be recuperase y 30 en cada grupo no se recuperase.(26-29.". 50.--_-16-_¡&. BONDAD DE AJUSTE ?.103.?11.m : 6 . xL¡s:0. (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. (164-150.---T08J.i".1 . .. .cA¡. v : k .-r3)2 . Seap:probabilidaddenacimientodevarón.01.--I¡Ié- .4.49.43 20.1y0 niño¡seobtienemultiplicandolasres' (40-50)2.68 38.12 243 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 . 100. Asf'puesto que X2 = 7 .1 .(L44_161. es decir. Pa¡a rr = 2.=--_a6---_Eñ-----Jó¡-----i6b--_-Ed. Para V 1 (que er el pará- los datos es muy bueno. De aquf queel ajuste de creerse. Solucionar el Problema 7.45..3..!. Así se deduce que los reeultados son probablemente significativos y el nacimiento de varón y hembra no son probablemente iguales.(287_308. 50. De aquí (8_10)2 _. 7. x.959 > 0. .?)2.serechazarálahipótesisalnivel de significación del 0. 100. x.-.1 . (4 niños y 1 niña). "!ü Puesto que el número de parámetros utilizados para estimar las frecuencias esperads e8 m metro p de la dietribución binomial).^ _ (18_10)2 (56_60)2.

? Tabl¡ 7-14 FRECUENCTAS ESPEBADAS BAJO Ho Se re. 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. X Sr. En general.^se sigue que X er lo mismo que z en este caso.13 FRECUENCIAS OBSERVADAS Se re.84 para 1 grado de libertad y puesto que ¡2 = 2.5)2 * ----?O- (i65-701 -0.ss : 3. ya que. pueeto que una vez hecho esto loq números de las restantes casiüas vienen obligados por los üotales ya indicados.e5óx{-x.45 aplicando la corrección de Yates. Y y Sr. De modo que hay un grado de libertad.--. (35-301 -0.30\2 (36 *ffi = 2'38 Tabla 7-16 Para determinar el número de grados de libertad. Asf pues.-. _ ¡¡ (corre(rda) = (i75 -70\.10 uüilizando z.5)r . pero en la que solamente se han puesto los totales. obtenido en el Problema ?. Ensayar la hipótesis de que las proporciones de estudiantes suspendidos por los tres .No ee recuperan cupetan TOTAL [cAP. x2)x2ss correrpondea x>x.244 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla 7. conaidérese la Tabla 7-15.0. habrían suspendido 27 lL80 : Iíc/o de los estudiantes y DO . Nótese que X2 : 2. que es igual a la¡ dos dadas anteriormente.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. (125-301 -0. or^_. 200 140 30)2 o _ (75 x-1rc-?o70)2 - 70)2 .A Grupo B TOTAL 140 60 200 Puesto eue X. ya que la corrección de Yates siempre disminuye el valor de ¡¿".38 es el cuadrado del valor de z : 1. como en la página 215 (véase Problema ?. = I. X.5)2 .5)2 * ----TO* ?O S0 _ . 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.!t_. Sr.46. Está claro que solamente se tiene libertad lara colocar un número en una de las cuatro casillas vacías. Esto podría haberse visto rápidamente.13.84. ^.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.vó Obteniéndose que las conclusiones del Problema 7. al rechaza¡ una hipótesis al nivel de 0. se deduce que lob resultados no son significativos al nivel de 0.profesores son iguales. Se No ¡e recuperan recuperan TOTAL 100 100 Grupo.47.05.gs. Z.05 utilizando X" equivale a rechazar esta hipótesis con un ensayo unilateral al nivel de 0.38 < 3. Solucionar el Problema 7. drado Cel valor de z.51).¡. Y 47 L4 61 Sr. 7.Puestoqueparalastablas2Xz. En la Tabla 7-16 se indican los estudiantes aprobados y suspendidos por 3 profesores: Sr. 7.54. Tabla ?-16 FRECUENCIAS OBSIERVADAS Sr.Xz egelcua- Nótese también que yn ensayo unilateral utiliaando ¡12 equivale a un enEayo bilateral utilizando.45 son también válidas aquí. porejemplo.

10 si se está dispuesto a correr el riesgo de estar equivocado 1 vez de cada 10. Y St. que es igual que la Tabla 7-L7 pero en la que solamente se han puesto los totales._ (50-46. Se deduce que el número de gtados de libertad hk . después de lo cual.-. Nótese que este resultado es válido si se conocen los parámetros poblacionales necegarios para obtener las fr.zs¡ : 5. Puesto que x. Mostrar que para una tabla de contingenciah X h tad es (h .99. los resultados esperados bajo la hipótesis nula aparecen en la Tabla 7-20. * ó1)(o1 * o2) o1*óq*a21b2 n a2b.núnR/n "r'. Z TOTAL 153 27 Aprobair¡c didos TOTAL 85% de 55 : 6l 4G.15 61 15% de 64 8. que puesto que x:eg : 4.e 64 54.49.60 64 180 64 180 Entonces o x-.25)2 .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. sin embargo.60)2 4175 -.85 85V" d. se puede rechazar lfs aI nivel de 0. Está claro que como cada fila y cada columna han decumplir con loü totales.ó+ Pa¡a determinar el número de grados de libertad. pá. at__n_ = -nrrxJn (ór nrnsln)2 (b2. (47. 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.gina 22O .75\2 . 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. 153 qn X Sr.40 : Aprobados Suapen- Suspen.1). Entonce8 *.(h+Ic-l) = (h-lx/ú- 1) como se requería. Hay h (fz > 1.n2nslnl2 . Y 85% de S¡. Sr. de otra forma se necesitan ajustes como los descritos en ( b ). Tabla 7-17 ITRECUENCIAS ESPERADAS RAJO Sr. k > 1) el número de grados de libereg * & - 1 totales independientes de un total hÉ.40)2 (5-8.1Xk . todos los números restantes vienen obligados por lo8 totales. considérese la Tabla 7-18.15)2 (8-9. 7. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION habrían aprobado el 86Vo de los estudiantes.85)2 (56-54. Nótese.51. no se puede rechazar I/e al nivel de 0. Í4-9.5135-547ó-----d25 9J5 --. X ¿IO Tabla 7-18 Sr. Z TOTAI.61.75 = = 51.ecuencias teóiicas.25 OD : didos TOTAL 55 61 9.n"n¡ln\z' nrnn/n ntftl. Pero : (ar- nrnn/n)z (a". Así pues.60-=4.05.CAP.r"/" a1b2 (o. hay en este caso dos grados de libertad. . Las frecuencias esperadas bajo FI¡ se muestran en la Tabla 7-17. 7.L5% de 55 : I5% de 6t 9.48.

45. COEFICIENTE DE CONTINGENCIA ?. -flg L-p l-P2 = bc -= = q = -. yn:2OO. C= vra = {*#fu : r/d'6112e = 0'1084 . Sise aplica la corrección de Yates.4S. n2:60.ln)? = -"r!rrrñr" 7.246 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. bz:35.tn)z = 200il(?5x35) 2..38 : Empleando la corrección de Yates.. de modo que (r) (4) ú1 = nlPy az = nzPz.P)2 que es el cuadrado del estadístico Z. Halla¡ el coeficiente de contingencia para los datos de la tabla de contingencia del Problema 7.46 ¡2 (corregida) = ---ñ^"" - = - (25X65)l (140)(60X100X100) . Con referencia al Pro- (r) (2') P. da x' : D'- n(a. 1-Pr . ns = 100.93 7.a2b)2 -T nrn2nAnB nrn2(Pr. Denótese por P1 y P2 las dos proporciones muestrales y blema 7.=.10012 = 1.49 x2= n(ap2.. r¿r(1 - Pr). frA=úr*az.49 paralos datos del Problem^I. Ilustrar el resultado del Problema 7.52. (/ ) se remplaza por (21 "rr"r"^"" : nL2 nrnznAnB x2 (conegida¡ n(ltl.50. - O2 l¿z' fL¡ tl' ó. nt=140. dado en (IO) en la página 215. se puede escribir az-ry = ur-ry = Í2fts .azbtl . a2=26. EnelProblemaT.n2P2n{l . ür : 'tL¡ = flP.=&r*a2*b1*b2.45. ^ (t) n /otbr-ozbt\2 n lotbr.51. 7 Análogamenta Así. ¡e tiene del Problema 7. ns = ür*ó2.Prl . n1=at*b¡ nz=a2*b2. el resulüado eg el mismo que en el Problema 7.49. f. Or--m arb2 = - a2b.P)2 nWtPrA$ . se tiene p la proporción poblacional. r¿¡ = 100. bz = nz(l- Pz) tlg = flq Utilizando (3) y (4). 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). = #. a1 =75. . entonces riI ) del Problema 7.bq - aqb'12 donde A:&tbz-azbt.Pr)]2 nrnínpnq = nfri\+LlllrJ (Ya que n = nt+tt2l (Pt. Dr = 65.ozbr\2 n /orbz-ozót\2 ml?¿B\ n n nzn¡\ n n¡r¡\ / / / n fatbr-tzDt\2 n ?zrs\ / que al simplificar.49 da x2 = n(1aft2. P.

9.3)2+ r0Ca(0. (f) p : 0.? Bajo la hipótesis p P(menoc de 7 corectas) : - 1 -P(7 o mác conectas) 1 .3) + r0Cr0(0.4)2+ ro0a(0. Pueeto que las frecueneias eeperadas. hallar la probabilidad de aceptar la hipótesis p P : 0.6)?(0.. Hallar el valor máximo de C para la tabla 2X 2 del Problema 7.¡* .3)10] = 0.6. adopta la siguiente regla de decisión: (i) si 7 o más respuestas son acertadas el estudiante no las acierta por casualidad.?0?1.55.5 (ee decir. . Nótees la probabilidad de error del fipo I. Seap la probabilidad de que una pregunta sea contestada correctamente.6)e(0.6)101 = 0. (100 . Esta tabla de contingencia aparece en la Tabla 7-21.= (100 zw En general.(á) = 0. = 1/@-ffi. PROBLEMAS DIVERSOS 7. (Véase Problema 7 . do¡ clasificaciones son perfectamente dependiente¡ o a¡ociadas.-60 .1?19. C.3.7)8(0.7)7(0. 7l ENSAYOS DE HIPOTESIS Y STGNIFICACION 24V 7.4.". " x.?1e Asi ee que ésta pues.53.----80Entonceg el valor máximo de C e¡ ./Zt(xz + n'l = t/ñl@6T 2oo-) = 0.(g)p : O.64. el e¡tudiante acierta alazar).60)2 50 .ueno) TOTAL 100 (irupo ó 0 100 100 100 100 200 . (ii) en caso contrario.4) + 10010(0. las únicas frecuenci¡¡ de casillas que no Eon cero aparecen en la diagonal que baja de izquierda a derecha de la tabla..".. hallar la probabilidad de aceptar la hipótesisp = 0.56. (b)P : 0.0o)z (0 . el estudiante está adivinando.".21 valor máximo de C ee presenta cuando la¡ Se recuperan No se recuperan 0 TOTAL 100 GrupoA (utilizando auero) (no utilizando .50)2 (0 .a 7. (c)p : 0. Para ensaya¡ la hipótesis de que el estudiante acierte por car¡udidad.5 cuando realmente = O'7' : O. para la dependencia total en uua tabla de conüingencia.t.[roOi(0.i .6)8(0. (d) p : O. La probabilidad de conteetar correctamenté Bajo la hipótesisp r pregunta¡ de las 10 será rcCrqqto-'..(.. Para taleo ca¡os.54.3504 7.8. en la gue el número de fil¡s y columnas eon ambas iguales a &. Un instructor hace un cuestionario forurado por 10 preguntas falso-verdadero. suponiendo independencia total.2. P(7 o más correctas) : P(7 correctas) * P(8 conectas) + P(9 corectae) * P(10 correctae) = . ee 0.o. En el Problema 7.54.X.4)3+ roOs(0.ro)¿ . (e) p : 0.618 . 7.5 cuando realmente (a) p : 0. En tal caso. = 0.(iX. (a) Sip : 0.(+Xá) * .13.L27). Hallar la probabilidad de rechazar la hipótesis cuando es corTecta. En el problema 7. son todas igualea a 50.".3)3+ r0Cs(0.---80.6 la probabilidad pedida será 1 - [P(? conectas) * P(8 correctas) + P(9 cotrectas) + P(10 correctas)] =|- ho0?(0. donde g =L- p.cAP.. todor loe que tomen el suero 8e recuperarán y todor lor que no se lo tomen no Be recuperarán.7)e(0. la probabiüdad de decidi¡ que el eetudiante no reeponde al aza¡ cuando es que si.. D Tabl.

Pueeto que P(6 ó 6 earar): * + # = éa:0. no se puederechazar.5 dado por p : 1 . Una moneda que se lanza 6 veces da 6 veces cara.64. 1. 03 02 0.!¡.68. (g) pueden hallar¡e análogamente y se indican en la Tabla 7-22 junto con el valor correspondiente a p : 4. 2.000 0. respectivamente.2 0.54. Bajo la hipótesis (Ho: p: 0. Ad- la curva OC del 06 Si se hubiese dibujado (1 -p) yp.01). 3.945 0. 7-14.05 ó 0.1094.Puesto queP(6 caras): f¡ :0. Nótese que la probabilidad se denota por p (probabilidad de error del Tipo II).trf6 llnivelde . Sea p la probabilidad de ca¡a en un solo lanzamiento de la moneda. **.05 y (b) 0.05 ó 0. . Se ha irrcluido también el valor para p : 0.05. caraa en 6 f(x\ = P(x lanzamientos) = Entonces lae probabilidsdes de 0.7 hallado en el Problema 7 . .5).248 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.9 0.999 0. se puede rechazar. Tabl¡ ?-22 p B 01 1. pero no al 0. p + 0.3 0.350 0.58. pero no al 0. ? Loa resultados de (b).989 0.01662 y P(6 ó 6 carad) = * +-# : 0. . por #.8 0.121 0.0. como se muestra gráficamente en la di¡tribución de probabilidad de la Fig. pero no d 0.57. . $oluciona¡ el Problema 7.2188. l0 09 08 0? El gráfico pedido es el de la Fig.03125.618 0.6) y (Ht: p > 0.59. 0. 7. el resultado observbdo es significativo al nivel 0.t+.7 0. ¿Puede deducirse que al nivel de significación (c) 0.828 del Problema 7. ee puede rechazar ñfe Ensayo bilateral: al nivel 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.ó) y (Ht:.8.1?19 : 0.65. 7-15.01 (es decir.1 El grafico indica que la regla de decisión dada ee muy odecuado para rechazat p:0.¡qn.013 0 828 7.4 0. (c). Utilizar el Problema 7.1094. Puesto queP(0 ó no ee puede rec}ntzar H¡ al nivel de 1ó 5 ó 6 caras) = 2(t) = 0.5).6 y 6 caras son dadas.5)(ee decir. Puesto que P(0 ó 6 carar): t'o+* = 0. viértase la semejanza con Problema 7-27. Aquí se desea decidir entre la¡ hipótesir (Ho: p : 0.01. Ensayo bilateral. 4.05.1.t v i.06. 0.6 0. si en la moneda sale 5 veces cara. Ensayo u¡ilateral.01. Ensayo unilateral: Aquí se deeea decidi¡ entre las hipótesis (Ho: p: 0.5 0. la moneda está bien hecha). +i. se habría obtenido la curvo de potencia de la regla de decisión.5 cuando realmente p > 0. 7.Ele al nivel 0.01 la moneda no está bien hecha? Considerar ensayos de una y dos colas.01.

iYr. Enüoncec.96.61. Tal como oe establece.. por definición.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. Por t¿nto reeecribimo¡ (2/ ) como (r) x2 = /t'=^')'*f"'=^'\'*. el Problema 7.nPz.Yz=Az.tYx=at I Yr* Yz-1.. .¡Yt=Ur Y Yt+Yz+ "' *Y¡r= P(Yr+ Yz| "' * Y¡ = n¡ e-n n¡ Entonces.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 249 7. n(P. el numerador en (2) tiene.60. *Y¡= n¡ = que ee la distribución multinomial de la¡ X [compárese (I6). .. Epplear el resultado del ProblemaT. ^#--"Jpltpf2"'plk 7. .'. que Yr + Y. i npn: n. sabemos del hoblema 4.Y2=U2. Suponga que Xt. .. *Y¡r= n¡ PlYr=At. como se define por (21). página 118]. Tabl¡ ?.. Asl el denominador tiene el valor "":. Demostra¡ que la dist¡ibución condicional de las f dado que Yt*Yz+ "'+Yx = es precisamente la distribución multinomial de las X.. Sean f.6t pa¡a demostrar que ¡2.endientec. = (nP .Y¡=Ur I Yz* .1'"'-.. Pa¡a la función de probabüdad conjunta de ft l¡¡ Y tenemos (r) (21 p(y. y2= u2.. + ' ' ' + Y¡ es en sí migma una va¡l¡ble de Poi¡eon con parámetro np¡ * np2 + . Xz X¡ tienen una distribución multinomial..61 demuestra que podemos remplaza¡ las X por lae Y independienúes con dietribución de Poisson ai ae cumple que Y¡ + Y2 + " '* Y¡": ¡.p)2 PQI'I¿ 7.l\z : npz trr : zpr respectivamente.. .Yz=U2r . tiene aproximadamente una distribución chi-cuadrado. npp respectivamente...62.= ut. .23 Si P es la proporción mue¡tral para La categoes la proporción poblacional y n eo la frecuencia total..:í-^*f e-^ dondehemo¡uuiüzadoelhechodequept*pz+." Por tanüo (2) ee conüerte en P(Yr=Ur.¡p_r¡rll*l)q/ = '' \P Pq = (P-... / \V^r/ \Vrzl . p I Frecuencb observada Frecuencia esperada nP np II n(l.aL.. (5) de la página 214..L tu¿cione¡ por medio de la Tabla 7-23. busc¿ndo está dada por Iadi¡üribucióncondicionalqueeetamos P(Yt.. Sin embargo.. página 14?. Yr + ). con frecuencias esperadas flPt. de acuerdo con la resüricción (221.. el valor En cuanto aI denojminador.págtna 218... (21) ea diffcil de manipular ya gue las X di¡üribuidas multinomialmenüe son dep.Pl n(l-p)=nq TOTAL n . .. de (I ). Mostrrir que una prueba en chi-cuadrado que comprende dos categorías es equivalente al ensayo especial de significación para proporciones (pagina 214)..Yt va¡iablesmutuaÍienteiñdependientes con dist¡ibución de Poisson y parámetros tr¡ : npt. yx= ax) = 19#)1-+gj.. ce pueden describir las ei- ría I..+ph=L.*/t'-^'\' \Vrr.cAP.p)z = .

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

67. (¿) ¿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.63 se desea eneayar la hipóüeeis de que hay moyo.. + {pt Zt. Recientemente.entarios ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NOBMALES ?'63. Esüo provee Problernas suplem. es decir. 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. En una escuela determinada con 200 estudiantes el mismo examen dio una puntuación media de 75. donde z : h - las bases para las reglas dadas en la página 219.65. 7'68. mediante (of un ensayobilateralyla¡... ¿Se puede deducir al nivel de signüicación del (o) 0.93 onzas. y por tanto a la¡ Y o a las X reduce el número de grados de libertaá en X2 en 1. Supóngase que en el Problema ?. Un examen sobre una muegtra de 200 de talee equipos reveló que 18 eran defectuosos.9. y que E\W\ = VE(O) + \/p2(o)+ .1i¡ ee rechaza en caso co¡rtra¡io. 7.69. . Enaayar la hipóteaie de que los dados esüén bien hechos. La "demostración" anterior (que puede hacerse rigurosa) muestra incidentalmente que cada restricción lineal colocada alas Z.05 y (ó) 0.cAP. Var (W) = pr(l) * pz$) * .(o¡ : 1 s Por tanto la función . (o) ¿Qué regla de decisión ?. Discutir las razones de las posibles preferencias de uno de estoe ensayos sobre el otro.05 desde el punto de vista de (o) un ensayo unilateral y (b) un ensayo bilateral. erplicando las conclusiones sacadas con estos ensa- . (o) Hallar la probabilidad de rechazar la hipótesis cuando en realidad aea correcta. En un examen dado a un gtan número de estudiantes de muchas escuelas distintas. Ensayar la afirmación del fabricante al nivel de aignificación del (o) O.. normal (puesto que e8 una combinación lineal de la¡ variablee Z normaies e independientee).01. la puntuación medi¡ fue de 74. Para ensayar la hipóteeis de proporciones iguales de e¡to¡ colores.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.trLtroyo uniiateral y un nivel de significación del 0.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 26L Para evaluar el denominador de (5) notamos que la variable aleato¡ia W = lptZl * es l-p222 + . Un fabricante sostiené que al menos el 95% de los equipos que Euministra a una fábrica eetá de acuerdo con las especificaciones requeridas.05? 7.40 onzas.1 y la desviación típica fue 8.05. y Denominado¡ (. una muestra de 36 piezas de hilo dieron una resistencia media de 8. 7. ee decir. Comentar la significación de este resultado al nivel de 0.7 o.01? Se lanza un par de dado¡ 100 veces y se observa que un total de ('siete" apa¡sce 23 veces.. se adoptarÍa en el Problema 7.e) = p(lWl < e) - e4(0)(Z€) = 7. (Zr)-t/2(ze) Al dividir (8) por (9) obtenemos el resultado deseado.0ó? (d) ¿Cuál sería la regla de decisión si el nivel de significación fuera del 0.01. yos. proporción d. se quiere un nivel de significación del 0. (ó) Interpretar gráficamente la regla de decisión y el resultado obtenido en (o).0. Una urna contiene bolar roja.64. * p¡(1) = de den¡idad paraW es p(rr) : (Zr)-r/2e-u2/2.ebolac rojas que de azules.. 7.66.66 ei el nivel de significación es del 0.01 que el es ahora peor? hilo 7 ..01? (b) ¿A qué nivel de confianza ee aceptaría la hipótesis? (c) ¿Cuál ¡ería la regla de decieión si ee adoptara un nivel de significación del 0. Solucionar el Problema 7.e y azules. no cargados.OO.Of O.63 si ee quisiera que la probabitidad de rechazar la hipótesis siendo realmente conecta sea a lo sumo 0. + V!f.

8f En el Problema 7.5% y una desviación típica de 0.O7o laintroducciónde tales máquinas en eI proceso resulta antieconómico. Explicar las diferencias entre esto y lo que se pedía en el problema anterior.7 4. ? 7.01. ción típica de 6. ¿Puede deducirse al nivel de significación del (c) 0.01 y (b) 0. todos ellos tenían idénticas características de suelo.024. En el Problem a 7 .01. 7. El nuevo fertilizante se aplicó a 30 de estos cuadrados y el antiguo fertilizante a los restantes. 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.80. 1 .19. Análisis de 6 muestras de A dieron un pH medio de 7.01 V (b) 0. exposción a la luz del sol. ensayar la hipótesis de que el nuevo fertilizante sea mejor que el antiguo.76.05.01.05 que el producto presenta las especificaciones requeridas? ?.01.05.77. Ensayar la hipótesis de que a los niveles de significación (a) del 0. Unamuestrade 10 análisis dio una media de contenido en cobre de 23. ENSAYOS EN RELACION CON LA DISTRIBUCION ú DE STUDENT 7.a2.63 fanegadas. Utilizando un nivel de significación del (a) 0.01. mientras que la puntuación media de 36 niñas fue de 75 con una desviación tÍpica de 6.05 y (b) 0.7 8.83. Mediante unniveldesignificación del 0. etc.01 y (ó) 0. Una muestra de 75 bombillas de otro fabricante B dio una duración media de 1230 horas con una desviación típica de 120 horas. Un experto efieiente mantiene que introduciendo un nuevo tipo de maquinaria en un proceso de producción se puede disminuir sustancialmente el tiempo de producción.79 ensayar la hipótesis de que el contenido medio de cobre sea más alto que el que marcan las especificaciones. respectivamente. ENSAYOS REFERENTES A DIFERENCIAS DEMEDIAS Y PROPORCIONES 7. 7.05.05 y (b) del 0.4a. A causa de lo costoso del mantenimiento de estas máquinas resulta que a menos que el tiempo 4e producción ee disminuyaen un8.49 con una desviación típica de 0. ¿Hay diferencias entre las duraciones medias de las bombillas de los dos fabricantes al nivel de significación del (o) 0./o con una desviación típica de 0.05 ensayar la hipótesis de que las máquinas deben ser introducidas. mientras que 15 estudiantes de otra clase tuvieron una puntuación media de 74 con una des- . Para ensayar los efectos de un nuevo fertilizante sobre la producción de trigo. respectivamente. Dos tipos de soluciones químicas.54 fanegadas. 7.8 y 0. 0.7L.72.24%. Una muestra de 100 bombillas de un fabricante A dio una duración media de 1190 horas y una desviación típica de 90 horas.7 7 ensayar la hipótesis ¡¡ : 1120 horas contra la hipótesis alternativa tt diante un nivel de significación del (o) 0. determinar si los dos tipos de soluciones tienen diferentes valores de pH. Las especificaciones para Ia producción de una cierta aleación piden el 23. con los niveles de significación de (o) 0. ?. < 1-t2O horas. 7 . [.32%.01 las niñastengan mejor ortografía que los niños.252 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Solucionar el Problema 7.73. En seis pruebas de este tipo se obtuvo un decrecimiento en eI tiempo de producciónde 8. lcAP. A y B fueron ensayadas pa¡a ver su pH (grado de acidez de la solución).2 con una desviación típica de 0.2% de cobre. Ensayar la hipótesis de que la duración media de las bombillas no ha cambiado.70 si el nivel de significación es del 0. El número medio de fanegadas de trigo cosechadas por cuadrado en los que se utilizó el fertilizante nuevo fue de 18. Con un nivel de significación del (a) 0.a media y desviación tfpica correspondientes a los otros cuadrados fueron 17. una parcela de terreno se dividió en 60 cuadrados de áreas iguales. En un examen de psicología de 12 estudiantes de una clase hubo una puntuación media de 78 con una desvia- 7.05 y (b) 0. Análisis de 5 muestras de B dieron un pH medio de ?. Una muestra de 8 bombillasdelaproducciónactualdiouna du¡aciónmedia de 10?0 horas. ¿Se contradicen los resultados con los del problema anterior? En un examen de ortografía en una escuela elemental.76. (b) 0. Muestras al azar de 200 tuercas fabricadas por la máquina A y de 100 tuercas fabricadas por la máquina B dieron 19 y 5 tuercas defectuosas. Ensayar la hipótesis de que (o) las dos máquinas tengan diferente calidad de fabricación y (b) la máquina B sea mejor que A.52 con una desviación típica de 0. la puntuación media de 32 niños fue de 72 con una desviación típica de 8.032.05 y (b) 0.05. Utilizar el nivel de significación del 7. mediante un nivel de significación del (a) 0.05 y (b) 0. me- 7. .01? En el Problema 7 .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.

(b ) 0.6.95. Con la temperatura media del día 15 de cada mes. cuando la proporción real p de bolas rojas sea (o) 0. se toma una muestra cada 4 horas de 200 de las tuercas producidas. La resistencia a la rotura de una muestra de 8 cables dio una desviación típica de 300 libras.01. un cierto tipo de hilo producido por un fabricante tenía una resistencia media de roüura de 8.05 y (b ) 0. . desviación típica de las temperatwas anu¡legde una ciudad en un período de 100 años fue de 16" Fahrenheit. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION es 263 superior al segun- viación típica de 8. Solucionar el Problema 7. una curva de potencia correspondientes al Problema 7. ¿Concluiría que esto no es común? Explicar. (b ) ¿Qué conclusiones pueden sacarse de acuerdo con Ios riesgos de error del Tipo II cuando se incrementan los támaños muestrales? 7 . Ia desviación típica de las temperaturas anuales fue calculada como de 10o Fahrenheit. En el Problema 7.05 determinar si el primer grupo do.90.81 . ¿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. durante los 15 últimos años. Dos muestras consisten de 21 y 9 observaciones.63.92.65.85. (o ) Solucionar los Problemas 7 .26 y 7 .64 onzas y una desviación típica de 1. mediante un nivel de significación del (a ) 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 ) 0.9. (b) 99% sobre un gráfico de control de calidad y explicar sus aplicac¡o- nes. se toma cada 3 horas una muestra de 16 piezas de hilo y se determina la resistencia media.ores. 7.86. al nivel de significación del (a) 0. ?. tienen varianzas dadas por s? : 16 y s2 : 8 respectivamente. Comparar estos gráficos con los del Problema ?. Alrededor del lVo de las tuercas producidas por una compañía son defectuosas.01 . Con un nivel de significación del 0.87 si las dos mueetras con¡i¡ten de 60 y 120 observaciones respectivamente. Construir (a) unacurva OC y (ó) . ?. (b ) 0.91.05. Representar gráficamente los resultados del Problema ?. Determinar los Iímites de control del (a ) 99% y (b)95% pam el número de tuercas defectuosas de cada muestra. ENSAYOS EN RELACION CON 7 LA DISTBIBUCION F .7. Adviértase que en esüe caso solo son necesarios los límiúes de control super.3.01? CUBVAS CARACTERISTICAS DE OPEBACION ?. ENSAYOS EN RELACION CON LA DISTBIBI'CION CHI.89.8. determinar Ia probabilidad de aceptar la hipótesis de que haya igual proporción de bolas rojas y azules.0f .94.731o ó 3o. t¿ ?. En el Problema 7. (b) (1 -p) y p.25 considerando Ia analogía de bolas rojas y azules con caras y sellos respectivamente.27 GBAFICOS DE CONTROL DE CALIDAD 7. ?. ?. ?.90 construyendo un gráfico de (c)p V p. Investigar la significación del aparente incremento enla variabilidad.93. La desviación típica de resistencia a la rotura de ciertos cables producidos por una compañía viene dada por 240 libras.77 una muestra de 20 bombilta¡ reveló una desviación típica en la duración de 150 horas. Hallar los límites de control del (a) 99.84. (d) 0.27 si se eru¡ayan 400 cuerdas. En el pasado. (b) 0. Comparar estas curvas con las del ProblenaT . (e ) 0. Para determinar si el producto está de acuerdo a estas normas.E8.82. (c) 0.CUADRADO 7.28 onzas. En relación con el Problema 7. Después de introducir un cambio en el proceso de producción de estos cables.cAP. Ensayar la hipótesis de que las temperaturas en esta ciudad presentan ahora menos variabilidad que en el pasado. Para mantener esta calidad de producción.

9.^ 30 Frecuencia esperada )0 90 3() ?. 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.108. Durante un largo período de tiempo.se muestran en la Tabla ?-2g.0b. . 146 t20 7.100. El número de defectuosas ""d" fueron 2. utilizar papel gráfico 30 62 16 l0 . En 10 unidades del ejército prusiano y en un período de 20 años 1875-1894. Se Tabla 7-28 0 rojo 2 blanco 1 rojo 1 blanco 53 si los extraen aleatoriamente dos bolas de la urna. 3 4 .LB% B. 7.66 C' 16 D y 12 F.CUADRADO 7'102' En 60 lanzamientos de una moneda se observaron 37 caras y 23 sellos. Ajustar una distribución normal a los datos del problema 5. Delerminar al nivel de significación de 0. 7 z AJUSTE DE DATOS A DISTRIBUCIONES TEORICAS -24 2 7.103.1'04. Un profesor nr¡evo da durante dos se_ mestres 22 A.100. las puntuaciones dadas por un grupo de profesores en un determinado curso dieron un promedio d. con un nivel de significación del (o ) 0. 6l ?. 3. Ensayar la hipótesis de que la moneda está bien hecha utilizando un nivel de significación del (o) 0. Ajustar una distribución normal a los datos del problema 5.254 ENSAYOS DE HIPOTESTS Y SIGNIFICACION Tabla f 0 [car. (á) 0.r02 utirizando la corrección de yates. Una urna contienc 6 bolas rojas y B blancas.l 1 cara 108 bien hechas. Número de libros sacados Tabla 7 -27 Lun.Lg?o D y 12% F. Ensayar esta hipótesis al nivel de significación del 0.05. Juev. Se lanzaron tres monedas un total de 240 vese observó cada vez el número de caras obtenido. (o) Determinar las frecuencias esperadas. 7. Se eligieron aleatoriamente tuercas de la producción de . El número de libros sacados de una biblioteca pública durante una semana determinada viene dado en la Tabla ?-22. (b ) 0.05.05 2 rojo 0 blanco Número de extracciones con Ios esperados.40% C. se anota su color y se vuelven a la urna.05 si el profesor nuevo sigue las mismas nornns de puntuación que los otros.107.rrru de 4 máquinas. 7 '97 Ajustar una distribución binomial a los datos dela Tabla 7 _24.0r . I 65 22 a l 10!¡ I LA PRUEBA CHI. 7. 108 Mierc.106.gg.105. Determinar si existe entre las máquinas una diferencia significativa al nivel dc significación del 0. (b) Determinar al nivel de significación del 0. 7.g8 pueden ser aproximados estrechamente a una distribución normal.05. Ajustar una distribución de poisson a los datos del hoblema 2. 10. el número de muertos por unidad y año debido a coz de caballo se dan en la Tabla ?-2b. . Mar. Ajustar una distribución de Poiss<¡n a los datos. 114 Vier. solucionar el Problema 7.96 y comparar con el ajuste obtenido utilizando la distribución binomial.e 12% A.34 8.96.98.99. Este proceso se repite un total de 120 veces y los resultados obtenidos. 7. 7. de probabilidad para determinar si los datos del Problema 5. resultados obtenidos son consistentes (. Tabla 0 ? -25 I ?-101.01. Ensayar la hipótesis de que el número de libros sacados no dependa del día de la semana.

es decir. Tabla ?-30 Aprobados Clase 7.ensayarlahipótesis de que no hay diferencia entre las píldoras de dormir y las de aziucar al nivel de significación del 0. las dos claees. Solucionar el Problema 7.05 y en cada caso determinar si el ajuste es "bastante bue.115. medianüe un nivel de significación del (o) 0. Mediante la prueba chicuadrado determinar la bondad de ajuste de los datos de (c) Problema ?. se Ies preguntó si las pastillas habían surtido efecto o no. a unos se les dio pfldoraspa¡adormi¡. De un grupo de enfermos que se quejaban de que no dormían bien.cAP.05 v (b) 0.01 y (b)0.99. (a) Utiliza¡ la prueba chi-cuadrado para determinar la bondad de ajuste de los datos del Problema?. tiene su efecto en el número de accidentes de automóvil (incluyendo todo tipo de accidentes) se indican en la Tabla 7-34.06.96. enfer No se maron 'enferma¡on Vacun¡dos No Vacunados I L7 42 28 ?. 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. Dott. (b)hoblema 7.112. A 72 64 t7 23 Clase B 7. ¿Qué poeiblee dificultades en las t&nicas de muestreo como en otras consideraciones pueden afect¿r las conclusiones? . A un nivel de significación de (a) 0. Ia Tabla 7-33 da la relación entre las notas de los estudiantes en matemáticas y física.ensayarlahipóteois de que no hay diferencia entre ambos partidos en lo que a esta decisión se refiere.111. 7l BONDAD DE AJUSTE ENSAYOS DE HIPOTESIS Y SIGNIFICACION 265 7.110.0ó.98. Ensayar la hipótesis de que las notas de física sean independientes de lás obtenidas en matemáticas.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 7.01 y (b) 0.01. Hacer el problema con y sin la corrección de Yates. Mediante un nivel de significación del (o) 0. ¿Es consistente el resultado de (o ) con el del problema 7 . La Tabla ?-30 muestra el número de estudiantes de cada una de dos clases didos A y B que aprobó y suspendió un examen dado a ambos grupos. mientras que a otros se les dio píldoras de azúcar (aunque todoselloscreíonque suspíldoraseranparadormir). N nivel de significación del (a)0.112 introduciendo la corrección de Yates. 7. Mediante la prueba chi+uadrado determinar la bondad de ajuste de los datosde (o)Problem¡ 7.118.la Tabla 7-32.05 V (b) 0.L17. 7. Tabla 7. Sobre una decisión de importancia nacional. Posteriormente.05 y (b) 0.100.116.01 ensayarlahipóteaisdequeelnúmerodeaccidentes es independiente de la edad del conductor. 7.05. Mediante un nivel de significación del (o) 0.113.01. 7. la vacunación y esta enfermedad son independientes.114. Suponiendo que todos los pacientes dijeron la verdad.LOg? TABLAS DE CONTINGENCIA 7 Tabla 7-29 Se . (b) Problema 7.06. los votos de los demócratas y republicanos registraron los resultados que se observan en. Utilizar el nivel de significación del 0.(b) ¿Es el ajuste "bastante bueno"? Emplear el nivel de significación del 0.f09.101. Los resultados de una encuesta hecha para determinar si la edad de los conducüores a partir de los 21 añoe. El resultado de sus respuestas se muestra en la Tabla 7-31. ensayar la hipótesis de que no haya diferencia entre los grupos vacunados y no vacunados.

señalando las posibles aplicaciones que pueden_tener. 7'. mostrar que la frecuencia esperada para la casilla perteneciente a la fila i y a la columna j es n¡n. ? 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. Demostrar el resultado (2) det Problema 7.¡¡¡. ?. es JUS:0. (b) el coeficiente COLOR DE PELO Rubio No rubio 25 96 7. Demostrar que el coeficiente de contingencia máximo para una tabla fr X k es 1/1t¡ PROBLEMAS DTVERSOS .8165aproximada- 7. se toma una muestra de 50 bolas con remplazamiento de cada una de las urnas.128.127. pero se desconocen las proporciones de boias rojas y blancas en cada una de las urnas.LL4. (o) Demostrar eu€ ¡2 = 2@l/np. 7. Demostrar que el coeficiente de contingencia máximo para una tabla 3 X 3 mente. Si nI y n! denotan.125. diantes. donde n es la frecuencia total de todas las casillas. (b) Con el resultado de (c) hacer el Problema 7.11?.L23. COEFICIENTE DE CONTINGENCIA 7.49.?r para toda tabla de contingencia.1L2 y (b) Problema 7. . La Tabla 7-35 muestra la relación entre el color del pelo y los ojos de una müestra de 200 estu- Tabla ?-36 resultado contingencia. Por similitud con las ideas desanolladas para tablas de contingencia h X &.119. la suma de frecuencias en la fila ¡ y en la columna j de una tabla de contingencia (frecuencias marginales). Dos urnas A y I contienen igual número de bolas. 20. respecüivamente. 7. ( sin y con coeficiente de n de yates.1 . discutir las tablas de contingencia h X k X I.266 ENSAYOS DE HIPOTESIS Y SIGNIFICACIOD¡ Tabla 7-33 lcAP.121.121.122. donde n és la frecuencia total de todas las casillag.117. Hallar el coefieiente de contingencia para los datos del Problema ?.126.) 7. Xu) r¡ñY Azules No azules 49 30 8-ó 7. Hallar el coeficiente de contingencia sin y con la corrección de Yates para los datos de (o) problema 7./n.

(b) 0'01. Ensayar la significación de este resultado a un nivel de (a) 0. Generalizar el resultado del Problema 7. ?.001' (d) 0. 7. Mediante un nivel de significación del 0. el número medio fue de 21.131. (c) 0. Durante un período particular hubo 40 calificaciones A en un grupo de 300 estudiantes.132 empleando un ensayo unilateral.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 8.130.54 ?.135. el número medio de millas por galón consumido en 5 automóviles análogos bajo idénticas condiciones fue de 22. ?.4?. Construir gráficos análogos a los del Problema 7.55.l4O para obtener el valor de TOTALES lr2 n .48.54. Con otra marca B. En eI Problema ?.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 267 dando la de A 32 bolas rojas y la de B 23 bolas rojas.6 con una desviación típica de 0.0ó.06 de que el estudiante no está contestando al azar.05.01. ?. Al nivel de significacióndel 0. Solucionar el Problema 7. 7 n¡ ng üt fl1 b2 . 7.140. Solucionar el Problema 7.13g.140. Utiliza¡ el resultado del Problema 12 para el Problema ?.13?.136.132 si salen 6 caras. ?. 2. ?.cAP.05. ¿Se puede rechazar la hipótesis de que la moneda está bien hecha al nivel de significación del (o) 0. Comentar los resultados. (b) 0. 7. A B Tabla 7-36 I &1 II A2 III dg ó3 'tLg TOTALES ?.64-7.10. Con referencia al Problema ?.138.138 ¿hay mayor variabilidad en millas por galón utilizando la marca B que utilizando la marca A? Explicar. 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) 0.0Sinvestigarsila marca A realmente es mejor que B proporcionando mayor recorrido por galón.134. ?.54.142.129.133. (b) 0. Comentar cómo puede utilizarse la teoría del muestreo para investigar las proporciones de diferentes tipos de pescado presentes en un lago.132. es ahora 8.4 con una desviación típica de 0.23 pzra el Problema 7. Con una determinada marca A de gasolina. Explicar cómo podría definir interualos de confianza unilateroles y dar una posible aplicación.141. Solucionar los Problemas 7. Demostrar que para la Tabla ?-36 y2 " n = o(l+ú+"?\ * 2a (u" +ú+ rt2 'tL2 ns/ rr o?) ns ¡\ ?t I \t¿r / -.01? Utilizar un ensayo bilateral.56 si el 7 en la regla de decisión del Problema 7. ?. Una moneda se lanza 8 veces y se obtienen ? caras. El porcentaje de calificaciones A dadas en un curso de física en una universidad determinada durante mucho tiempo fte L0%.

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

(xn. Para un valor dado de . etc. . .) tiene laecuación A = a*bu (e) . 8-4 Definición.s de aproximación. la Fig. METODO DE MINIMOS CUADRADOS Generalmente. Pot tanto una recta con esta propiedad se llama recta de mtnimos cuadrados. etn. xn obtenemos las desviaciones d2. una parábola con esta propiedad se llama pardbola de mínimos cuadrados. . 8-4 en la cual los puntos de datos son (. parábolas. que se reduce a intercambiar los ejes r. o residuo y puede ser positivo. 8l CURVA DE AJUSTE. error. + el ajuste es bueno si es grande el ajuste es malo. .. por ejemplo r ¡ . la definición se modifica al considerar las desviaciones horizontales en cambio de las verticales. Si la suma es pequeña tidad dí + d. 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.r como la independiente. esto no se emplea con frecuencia. ..3) que la recta de mínimos cuadrados de aproximación al conjunto de datos (r1. Para motiva¡ una posible definición considérese Una medida de la "bondad del ajuste" de la curva C. . más de una curva de un tipo dado parece ajustar un conjunto de datos.3lr ). . El proceso de estimación se conoce como regresión. Denotamos esta diferencia por d. REGRESION Y CORRELACION 269 REGRESION Uno de los propósitos principales de la curva de ajuste es estimar una de las variables (lauariable dependiente) de la otra (la uariable independienfe). Por tanto tomamos la siguiente Fig. y").cAP. RECTA DE MTNIMOS CUADRADOS Empleando la definición anterior podemos demostrar (véase Problema 8. habrá una diferencia entre el valor de ! t y el valor correspondiente determinado de la curva C. la curva que tenga la propiedad de que ¿?+A?'+ es la "'+dl = unmínimo mejor curua de ajuste. u otras curua. + d?". negativo o cero. Se acostumbra a emplear la definición anterior cuando r es la variable independiente y y es la variable dependiente. Análogamente. "mejor parábola de ajuste". De todas las curvas de aproximación de un conjunto de puntos de datos dados. Al menos se especifique lo contrario consideraremos a y como la variable dependiente y a. desde los puntos de datos a la curva en cambio de sus distancias verticales u horizontales. que algunas veces se conoce como desuiación. Jr ). Sin embar- Es posible definir otra curva de mínimos cuad¡ados considerando distancias perpendiculares go. Estas dos definiciones conducen en general a dos curvas de mínimos cuadrados diferentes. correspondiendo a los valoresfz. es necesario obtener una definición de la "mejor recta de ajuste"... Si r es la variable dependiente. .al conjunto de datos la suministra la can. dn.r. y. Para evitar el juicio individual en la construcción de rectas.r. . y. . Si y se va a estimar a partir de r por medio de alguna ecuación la llamamos ecuación de regresión de y sobre r y a la curvarorrespondiente curua de regresión de y sobre x. . (Ín.

(I0) u-2f. Las anotaciones anteriores también son válidas para la recta de regresión de r sobre y. j= r.260 CURVA DE AJUSTE. ¡ = (2r)ln. primera ecuación normal en (4) por n resulta es decir. Lr t=r Las ecuaciones norma- les. entonces b también está dada por b- n2r'g' n2fr'2 - (2r"¡(2y') . y). Los resultados se obtienen simplemente intercambiando x y y. y han sido simplemente remplazadas por r'.. se pueden recordar fácilmente si se observa que la primera ecuación se obtiene formalmente sumando ambos lados de (3). Esto quiere decir que si hacemos la transformación (comúnmente lla¡nada traslación de eies) dada por n = a'Ih u - a'+k (e) donde h y h son constantes arbitrarias. porejemplo.()c'¡z (101 donde r. y' lpor esta razón decimos que b es invariante bajo la transformacrón (9)1.2 se simplifica a (11\ . En el caso particular cuando h = ñ.U. Los resultados (I0) u (I. Así. La pendiente b de la recta de regresión es independiente del origen de coordenadas. si se desea podemos hallar primero b de (5) o (6) y luego emplear (7) para hallar a = ú bá. Obsérvese que 2a. debe notarse que ¿. Los valores de c y b obtenidos de (a) están dados por n_ ()sX)r')-()cX)cs) "-w h . Al dividir ambos lados de la (7\ ú = a*bi Por tanto. I donde las constantes a y b se determinan solucionando simultáneamente las ecuaciones 2u = an*b)r 2rs =.ú. mientras que la segunda ecuación se obtiene primero multiplicando por r ambos lados de (3) y luego sumando. que determina el intercepto sobre el eje r.. una bana indica media. De (8) también se ve que la recta de mínimos cuadrados pasa a través del punüo (i. 2fr. 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. como es común. 2ra en cambio de 2 o. que es la pendiente de la recta (3).(>oX>y) (2u12 - (5) El resultado para b en (5) también puede escribirse como (6) Aquí. depende del origen (y por tanto no es invariante). REGRESION Y CORRELACION lcAP.o.f ) son útiles frecuentemente en simplificar el trabajo involucrado en obtener la recta de mínimos cuadrados.n2ry n2r2 . Sin embargo. k -. Lógicamente esta no es una derivación de las ecuaciones normales sino solamente un medio para recordarlas.a}r+b)12 por brevedad hemos utilizado (/r) que se conocen como las ectnciones normales para la recta de mínimos cuadrados. es la constante fundamental para determinar la recta. denominado el centroide o centro de gauedod de los datos. la recta de regresión de mínimos cuadrados de * sobre y es . (4).

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

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

Por esta raz6n algunos estadísticos prefieren expresar (22) con n . Si la variación total se explica totalmente por la recta de regresión.INEAL Hasta el momento hemos definido eI coeficiente de conelación formalmente por (I5) pero no hemos examinado su significado. y (en COEFICIENTE DE CORRELACION I.. Este está dado por 3r2. Esta terminología surge debido a que Ias desviaciones y -U.*-u)' (27) La cantidad a la izquierda de (27) se llama la uariación total. En Ia práctica la cantidad 12. 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.2 en cambio de n en el denominador. que se utilizan en la práctica son M n2ry ./(n .. 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. En otras palabras.r7 se explican por Ia recta de regtesión de mínimos cuadrados y así tienden a seguir un patrón definido. : nsl . Al tratar de hacerlo notemos que de (25\ V las definiciones de sy. se encuentra entre 0 y 1.cAP. 8l CURVA DE AJUSTE.24) (26\ 2@-ü' = 2ta -?/". 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.(>rX>y) (3r) ra-ra (? .. 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. La primera sunra a la derecha de (27) se conoce como la uarincíón no explicadc.. es decir. r : + 1. De otra parte si la variación total no se puede explicar..x"l(E (32) a. La fórmula (29) se conoce como la fórmuln producto-momento para correlación lineal..) . decimos que hay una correlación lineal perfegta (y en tal caso también regresión lineal perfecüc)..2).)2 * 2(u. r mide qué tan bienla recta de regresión de mínimos cuadrados se ajusta a los datos muestrales.1) igualmeninsesgada del cuadrado del error típico de la estima.r s€ comportan en una manera aleatoria o impredecible en tanto que las desviaciones /esr . Fórmulas equivalentes a las anteriores. algunas veces llamada coeficiente de determinación. si 12 : L í. mientras que la segunda suma se llama uariación explicadn. y sy tenemos )('?-U""')' D2 = r Entonces podemos demostrar que (véase Problema 8.

Puesto que un coeficiente de cortelación simplemente ¡ride qué tan bien se ajusta una cun¡a de regresión (o superficie) a los datos muestrales. (8t) El coeficiente de correlación lineal puede ser positivo o negativo. el coeficiente de conelación gradual. k = A. 8 Si utilizamos la transformación (9). . los datos pueden clasifica¡se en orden de tamaño. suponga que se aplica (29) a datos no lineales y se obtiene un valor que es considerablemente menor que 1. n. REGRESION Y CORRELACION [cAP.()r')()y') (83) que indica que r es invariante bajo una traslación de ejes. (33) se convierte en 2'r'a' (2x'2)(2y'2) que comúnmente se emplea en computacion. (31\. excepto en el caso de regresión lineal. y) en los datos ción graduaL La fórmula (36). esto es 12=: (85) refleja la forma de la curva de regresión (vía y*t) y de este modo es apropiada como la definición de un coeficiente de correlación generalízado r. puede existir vna gran correlación no lineal. 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). esüá dado por rs¡ad donde d 6>d L-i@r_l) = . Sin embargo. y se clasifican de tal forma.36. El signo se toma en cuenta automóticamenüe si empleamos el resultado (29). si utilizamos (30) para obtener r debemos aplicar el signo apropiado. L'a conexión (25) entre el coeficiente de conelación y el error típico de la estima es válida para corelación no lineal. coeficientes de correlcción múltiple. etc. es derivada en el Problema 8.. se denomina fórmula de Spearman para la conela- . donde coincide con (30). Si dos conjuntos correspondientes de valores. o cuando la precisión no puede obtenerse. Sin embargo. es ilógico utiliza¡ un coeficiente de conelación lineal donde los datos no son lineales. la última definición. página 260. En consecuencia da el mismo número para todas las formas de curvas de regresión y no es útil como medida de ajuste.a pot aquellos laicos con los fundamentos de la teoría de correlación) sino que hay poca correlaciín lineaL En efecto. . Entonces la conclusión a extraerse no es que hay poca correlación (conclusión algunas veces alcanzad. importancia. por generalización apropiada. y. CORRELACION GRADUAL En cambio de utiliza¡ valores muestrales precisos. 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. Sin embargo. y (86) : n: diferencias entre las clasificaciones de los conespondientes número de pares de valores (r. denotado por rgrad o sencillamente r. si lz : ñ. r.264 CURVA DE AruSTE.2. empleando los números t. COEFICIENTE DE CORRELACION GENERAL I ZADO La definición (29) [o cualquiera de las formas equivalentes (3/) a @ )l para el coeficiente de conelación incluye solamente valores muestrales r. . hallamos n2n'y'. En particular. (33) o (34).r. (32).

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

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

8 : to estimado de la ecuación de regresión muestral.2 grados de libertad. Esto también puede utiliza¡se para hallar inten¡alos de confianza p¿ua coeficientes de regresión poblacionales de los valores muestrales. Denótese por üp elvalormedb predichodey correspondiente a x = Ío para la población [esto es.50. Véanse Problemas 8.45. = ffi - (51) Z de Fish. 2. Véase Problema 8. De esta ecuación se pueden ha' llar límites de confianza para valores de población predichos. REGRESION Y COBRELACION 267 tiene una distribución de Student con n .44. Ensayo de la hipótesis p = 0. La transformación (60) se llama transformación /1+p\ I o/' ".1618"". Denótese por Jo eI valor predicho de y correspondiente o.. = 1.43 y 8.46. Í : Ís para la población.er. fo = E(YIX = co)]. Véanse Problemas 8. 1.48. Entonces el estadístico t- su. Los ensayos siguientes resumen los procedimientos involucrados. 3. (i=/ : 1'1513 tos'o(1 Estos hechos pueden también utilizarse para hallar los límites de confianza para los coeficientes de correlación. Véanse Problemas 8.49 y 8.47 y 8. En el caso de que p = O esta distribución es simétrica y se puede utiliza¡ un estadístico con distribución de Student. lo = a * bxs.2 grados de libertad.8l CURVA DE A'USTE. Véase Problema 8.2 grados de libertad.(i#J aproximadamente tiene una distribución normal con media y desviación típica dadas por (50) -Zt" /1+p\ *. es decir.'\[+Fi. De aquí pueden hallarse los tes de confianza para valores medios poblacionales predichos. Ensayo de la hipótesis p * 0. Ensayo de hipótesis para valores predichos.. Para p + Ola distribución es sesgada. Aquí utilizamos el hecho de que el estadístico z =*r"(i+) = r. Denótese por ¡lo el valor predicho de y conespondiente i f : ts estimado de la ecu¡ción de regtesión muestral. es decir. lo : a * bxs. En ese caso una transformación debida a Fisher produce un estadístico que aproximadamente tiene una dishibución normal.m (ao- úor\Ñ @a¡ tiene una distribución de Student con n . 2.Para este propósito debemos conocer la distribución muestral de r. 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. Ensayo de hipótesis para valores medios predichos. Aquí utilizamos el hecho de que el estadístico f = rl/n-z \/fr (+s¡ tiene distribución de Student con n - 2 grados de libertad. . Denótese Por Jp el valor predicho de y conespondiente 2.ffi @o- a"\{n-2 Urr¡ tiene una distribución de Student con n . Entonces el estadístico t- ú- ru.cAP.

8-5. ).2. Véase Problema 8. Demostrar = que la ecuación de la recta es U-Ut tenemoe (Ty. Pero diffcilmente diríamos que hay interdependencia düecta entre X y Y.yt)lfz . EJEMPLO 8. Una recta pasa por los puntos (xr. Se¿n X. = Y nr- n^ = nt-3' nz-B (53') disbibuye norma[mente.(. (521 donde se Itzr-|.s resueltos NECTA DE MINIMOS CUADROS 8.@ se mueetra en la Fig. CORRELACION Y DEPENDENCIA Si dos variables aleatorias X. yr ) V @2. y2 ) son puntos sobre la recta yt = a+bn1. calculamos Z. Problerna. lt ) y ( rr. Si X representa los s¿larios anuales de los profesores en tanüo que Y representa la cantidad de crímenes. Esto se demuestra en los ejemplos siguientes. Por tanto (1) A2 = aibr2 u-a1 = @*br)-(a+b*t) (2\ . diente de la recta. Y tienen un coeficiente de correlación diferente a cero. La gÉfre de la recüa . sabemos (Teorema 3-15.1. rt y nz respetivamente difieren Pa¡a determinar si dos coeficientes de correlación rr y tz extraídos de muestras de tamaños n1 apreciablemente entre sí. y. Es importante acla¡a¡ que "correlación" y "dependencia" en el sentido anterior no necesariamente implica una independencia causal di¡ecta de X y Y.)w-.51.1. La consüante b : (yz .a ecuación de una recta es ! : a * b*..268 CURVA DE AJUSTE. 8 3.lLzr. podemos utilizar una ecuación de la forma de (39) pata predecir el valor de Y a partfu del valor de X. su distribución conjunta no se factoriza en sus distribuciones marginales).yt)l@z . eI coeficiente de correlación puede eer diferenüe de cero y podríamos halla¡ una ecuación de regreeión prediciendo una variable de la otra. Además.t [. Entonces ya que (¡r. el resulüado se deduce. REGRESION Y CORRELACION [cAP. = Pzr. ozr-2. Y variables aleatoria¡ que representsn eetaturas y pesos de individuos.¡r ) es la pen- . Aquí hay una independencia directa enüre X Y.Zrpzr-2. Luego utilizamos el hecho de que el estadístico Zr. página 82) que son dependientes en el sentido de probabilidad (esto es.11 ) de (2) y (l pedido sustituyendo en ). EJEMPLO 8. ozr-2. Significado de una diferencia entre coeficientes de conelacion. cuando p + O. y 22 conespondientes a y rz utilizando (50).b(r-r-1\ Í2trt Uz-Ut .a*br)-(a*br1l = b(r2-r1l Obteniendo que b : (yz .

61.1 ) y (72. 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.tl' a-r =ffiO-l.4.rfnSOn a*bry albr2. f.. recta de mínimos cuadrados conespondientes a 11. Puede demostrarse que eetas realmente resultan en un mínimo. 2). . F(a. (b) Í como variable dependiente.4\.os valores de y sobre la. es decir.b) = l(o * br . (9. I 4 8 I Una rect¿ que se aproxime a los datoc se dibuja a mono olzada en la figura. (8. 6)..2. (b) Para obtener la ecuación de la recta construida en (o). Refiriéndonoa a la Fig. Derivar las ecuaciones nonnales (4). 6 y-l=0. 9) sobre un ¡istema de coordena' das rectangulares corno se muesha en l¡ Fig.. 12.. aFlab = 0. para la recta de mínimps cuadrados.3.(4. 8. albnn Las dewi¡¡ciones verticales correapondientes son dt = a*br1-yt. (o) Dibujar loe puntos (1. 8-6. 2ra = a2r*b2r2 como 8e pedfa.. CURVA DE AJUSTE. Para un método que eümine la ne' eecidad de juicio individual. (b) Hallar una ecuación para esta recta. 7).g¡2. 8-?. Las coordenadas de e¡tos puntoa tomadoc de la gráfica eon aproximadamente (0. Ya que # = >f. 8-6 . página 260.542r ó¡ U=l+0. 8. Entonces el Problema 8. (11. por ejemplo. 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. escójarrse dos puntoe cualesquiera sobre la recta. dz: albr2-9". (6. E-7 Entonces la suma de loe cuadrados de las dewiaciones e8 a?+ a3+ "' + dl = (a4'br¡-at)z * (a*br2-Uzl2* "'* (a*bnn-An)2 >d2 : )(o+br_y¡z Esto e¡ una función de o y b.8l 8.rA' ")t)'6"' Fig.7 . vé¡ee Problema 8'4 que emplea el método de mfnimos cuadrados. 4).642r. tales como P y 8.cAP.1 .2 utilizando a (c) variable independiente. r como . 8) y (14. dn = a*bxn-yn Fis. 3 2 4 6 4 891114 o a t). Una condición ó mfnimo (o un máximo) es necesaria para que esto sea un que aFlaa = O. (3..

)ru) c=ffi==-0.60 . Otro método.50.()r)()ry) = (40)(524\ . las ecuaciones normales son 2ru = c2y*d2a2 Entonces utilizando la Tabla 8-2.546 + 0. Nótese que esta no es la recta obtenida en el hoblema 8. b=+ ó0.50 d- - = 1. la ecuación de la la recta de mínimos cuadrados es ¡ : c * dy.636 r.8 (o) La ecuación de la recta es y : o * b¡. a = ()y)()r2) . d=9 ó 1.(56X364) lt ó0'545 = 6 --lE f8-i6 g=w =qffiffiá#l )c = cnld)y = frao.r. las ecuacionee normales se convie¡ten en dedonde c=-* ó -0. se ha agregado a la tabla para emplearla en la parte (b). 8c*40d = 56 40ci256d = 364 Estos valoree también pueden obtenerse de ()rx)sz¡ . Tabl¡ t-2 i 1 a 12 nu 1 a2 I 2 4 4 6 a 3 I I 16 36 64 81 I 4 6 4 6 8 16 24 40 63 88 l6 l6 25 49 64 81 I 11 8 Lzl 196 l4 I 2v=40 t26 524 )r=56 2r2 = 2ry = 364 2a2 - 266 : 8 y lias ecuaciones norm¡les se convierten a 8o*56ó = 40 56a*524b = 364 Resolviendosimultáneamente ¿=il ó0. yla rectade mínimoecuadradoopedida es S t + lrx 6 U = 0. t¿s ecuaciones normalee son )Y: 2ru: an*b)r a)r*b).2 utiPuesto que hay 8 pares de valores de.636. REGRESION Y CORRELACION [cAP. y.sz El trabajo involucrado en el crilculo de las sumas puede ordenarse como ae indica en lá Tabla 8-2.545.Ga)(.CURVA DE AJUSTE.50.oso (b) Si se considera a r como la variable dependiente y a y como la variable independienüe. Aunque la última columna no se necesita para esta parte del problema. n lizando el método a mano alzadt.

60 y. b por c. pero ¡e intergectan en (a.! :5.60+1.6)seencuenhasobrelarerfar=-++$y. Caso 1.546 f 0. 2.50y.8.636¡. (o) El punto (?.636 ¡ 2 0 6tl012 Fig.ha*+É.Elpunto(?. llamedo el centroide. [¡secuacionee delaedosrectassona= llamos 8.636 r o.5).4 intersectan en el punto (. {.333 + 0'667 ¡' que no ee l¡ mi¡m¡ rect¡ 8. Representar gráficamente las dos rectas obtenidas en el hoblema 8.6). = tllu-úl Nótese que en general. (o) Demostrar que las dos rectas de mínimos cuadrados obtenidas en el Problema 8. (c) Estimar el valor de ¡ cuan' doY: 3' -2a40 a=T=¡-=o Luego el punto (6. F = -0. (b) Estimar el valor de y cuando x: L2. pueeto eue6=*+t(?).50(3) = {. y : 0.. ¡ ¡=-0.E. - 0.66? r 8 6 1 u= 0. y E=-t+*y. hallamos que la recta de (5) que indica que la recta pasa por el punto (4. Por üanto la¡ rectas se interceptan en el punto (?.333 * 0.7. (b) Al remplazar x.546 + 0.60 * 1. se utiliza para estimar r para valores dados de y. y es la varirrble independiente.6. U = &* Lrrr.9.Resolviendoeimultánesmente. Nótese quelas dos rectas en e¡te caso prácüicamente coinciden.4.546 * 0. ¡ = 7 . U = 0'646 + 0'636(12) = g'Z' (c) Al remplazary:3 enlarectaderegresiónde¡ sobre a. más exactamente. mfnimos cuadrados puede eecribirs€ como hocediendo como en el c¿¡o 1 intercambiando r. remplazando las constantes o. la recta de mínimos cuadrados puede escribirse como Q) Caso que muestra que la recta pas¿ por el punto (á.60y t2 10 = y= e.ú). las rectas (¿) V (S) no coinciden. REGRESION Y CORRELACION Por tanto la ecuación pedida de la recta de mínimos cuadrados es r = 0.: L2 en la recta de regresión de y sobre n. y. d respectiremen' üe.pue¡üoque7=-*+*(6). Lar gróficas de l¡s dos rectat. lo cual es un¡ indicación de que los datos están muy bien descritos po¡ una relación lineal.500*1.60 + 1.8-8 8. 6) se encuentra en la recta U = 0. Ot¡o método. se indican en la Fig. Nótese que al solucionar esta ecuación para y obtenemos y obtenida en la parte (o).Í.cAP. La recta obtenida en la parte (b) se llama la recto de regreeión de x eobre y. . es (7. 0. ¡ es la variable independiente. ú).fi). ti). 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 ). 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.6.úr. r-ñ f).8l CURVA DE AJUSTE. Demostrar que una recta de mínimos cuadrados siempre pasa por el punto (i.

ú = b(x. página 260.(2rlz 2(¡z-2nr*12) 2r2-2ñ2r*2i:z 2r2-2n82 lniz 2s2 .pdgina 261.(Ic)z¡ También >(r - t)(v .8. r puede escribirse en la (l). tenemos D_ 2(r n2xy .(2r)(2r'l n2r. g 8. REORESION Y CORRELACION Demostr^ar que la tecta de regresión de mínimos cuadrados de y sobre forma (8).(2x')(2y'l n)s'2 .tenemos .)(2g. = n8ru-(2rl()ü _ n2xz _ (2r)z Entonces ti ú = út I h. sean c = d *h. Tónemo¡ de 11) [eAP.p'12 El resultsdo er útil para dessrrolle¡ un camino corto para obtener recte¡ de mfnimo¡ cu¿drado¡ al ¡e¡ta¡ con¡tanter epropirad¡¡ de lo¡ valore¡ dadoo de r. + k.=-Ep=Ts¡t Del Problem¡ 8. Ir 2(a .8 tenemos f.7 . h_ v- dondeh n2uU yk son constantes.n2r'a' .-. u=u'*k.=7+h. h = f.9.12). De la segunda ecuación en (5).al r. Problema 8.n8z 2r2 I Entonces . u=7+tc Por üanto .9. ¿ = ñ. . 8. y.(>.272 CT'RVA DE AJUSTE.10 Si en el Problema 8.1 -ñF-trú.úl = 2(rs-i:y-ir*efrl 2ra-ñ2u-ú2n1'2eú 2rU-nEú-nfrE*nitfi . demostrar que D--i# .e¡z demo¡tración de (12).()¿X)y) n)¡z .(2r..t¡z = - t )(>x)2 |ín2rz . U - g.y. j[n2ra Por tanto (I ) oe conüerte cn 2rU t (>¿X>y)] de donde ¡e obtie¡e el resultado (S ). re rigue intercambiando D - >(z::elfu. pdgina 260. y (véa¡e problema g. U .t).nEú (I¡X)z) ¿ru . 8.Demosharque .

197 )92 = 64. 72 de dispersión se obtiene dibujando los r = _8.4. 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. de modo que y :96.476.88+r.y deuna muestra de L2 padres y sus hijos mayores. (c) Hallar la ¡ecta de regresión de mínimos cuadrados de r sobre y.418b = 64.086/___V (b) f. de modo que lae ecuaciones normales se convierten en 9oe 2? 666 864 É¡ E 12o*800ó:811 800o*63. 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 = 63.849 . .82 y b = 0. (c) Construir un diagrama de dispersión.476x.9 ya que 2fr' = l(c-t) y análogamente = 2r-nñ = 0 ly' = 6./ €70 6 !a 2a'= an * ólr 2ra .L07 de donde hallamoe o : 36.cAF.8l CURVA DE AJUSTE. &11 La Tabla 8-3 muestra las respectivas estaturas lc. y ) sobre un sistema de coordenadas rectangulares como se muestra en la Fig. REGRESION Y CORRELACION 273 Se deduce inmediatamente del Problema 8.82 + O. La gráfica de esta ecuación ¡e muest¡a en la Fig.a recta de regresión de y sobre r está dada por y = a + b*.ae sumas se muestran en la Tabla 8. donde o y b se obtienen resolyiendo las ecuaciones normales.a2n*b2n2 [. (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r.418 Zny = 54. 8-9. 62 62 6{ 66 Fig. 8-9.

y. 8-9. . . b = dada por ry# = 0.5) - (10)z = 0.Iagráficadeestaecuaciónse Otro método.68.476u u . 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).d=1.086 8.9.476(n-66. y ( los números restados de r tee).86 * 0. - (>¡XI=y2l.6?.4?6 Larectaderegresión x:c* dy. 8 "= (c) ecuaciones normales I]4ff de¡ sobrey viene = 85. aparte de los enores de redondeo.12s¡z _ _s.12.07) 6 ecueción de regreeión pedida de y sobre x ea a .476 También ya que &' = ú . Esto nos conduce a la Tabla 8-5. = ú - 68.ú de acuerdo con el Problema 8. Por tanto 6?.67.036y.68. = ñ .()y)2 1. REGRESION Y CORRELACION lcAP. - 68 tenemos r.274 Otro método.68 = 0.asfque¡:-3. = delascualeshallamosc:-3. Réstese un valor apropiado.38*1.11.L07 E1lc#54.849d muestr¿ en la Fig.dondecydseobtienensolucionandolas 2a = cntd.036. (12X106) (-16)f. esto ee a = 36. De una manera análoga podemos obtener l¡ ecuación de regreaión de r sobre y.82. CURVA DE AJUSTE. u =7*68 = -**68 = IZ-LZ = b(u.2y 2uY = c2Y*d2Y2 L2c Utilizando las sumae en la Tabla 8-4.11 utilizando el método del Problema 8. de r. Solucionar el Problema 8.g8.á).38. se convierten en -f SLld = 800 64. por ejemplo 68. ¿ = n>r!: (>!)l?nl = n2a2 .(lyX>ay) n2yz .58 n I¡ =7*68 = -**68 = 66.

4Ou. debe existir entre las variables.14.7943 4. Las ecuaciones normales qorrespondientes a la recta de mínimos cuadrados logP = logC-ylogV logC ó logP*ylogV: Tomando log I/: x.log P : y.074L 2. obtenemos un punto que se dibuja en el popel log-log construido especialmente como se muestra en la Fig.(b) Escribirlasecuacidnes que¡elacionan aPy V.2 PVt = C.40. Solucionar el Problema 8. y y= logP=4. Entonces P=antilog1.8l CURVA DE AruSTE.8309 t. n. Tabl¿ 8-7 s = logV L. La tabla 8-6 da valores experimentales de la presión P de una masa de gas dada correspondiente a varios valores del volumen V. la última ecuación puede escribirse (r) U = oibr donde¿:logC.000. tenemos tomando logaritmos de base 10 cálculos involucrados en eI cómputo de la recta de mínimos cuadrados (l ).()rX>u) 6=-ffi.2 t9.20=logCy (b) Pvt.20.40.3 61. (c) Hallar elvalorde y y C.20-l.6 194.6 88. 8.8 49.13.6946 1. La Tabla 8-? da los valores ¡.9294 2. P de Ia Tabla 8-6 y también indica los (l ) son 2a = on*ü)¡ de las cuales 2ry .5 72.a2r*b2r2 4. Tabla 8-6 Volumen V (pul3 ) 54.cAP.9479 2.ffi¡af'=-1.2077 3.60X104 y y=1.to = 16.1 lu = 8'7975 b )12 = 23.6953 (o) Puestoqueo=4.13 dibujando los datos en un papel logJog.859? A = logP 1. y conespondientes a los valores de V.1 Presión P (lb/pul2 ) Ya que 6r.3019 6.0 10.40 Luego Y = 4.40=-y. (c) CuandoT=100.0 pulgadas cúbicas.6762 1.2340 2.2878 2. a = ()y)()rz)-(>rX:g¿l _ n2"2-1>n\z .0997 3.8543 =-1.0350 3. donde y y C son constantes.7910 1.0043 12 ra 3. De acuerdo con los principios de la termodinámica una relación de la forma PV. (c) EstimarPcuando V = 100. REGRESION Y CORRELACION 276 ECUACIONES NO LINEALES REDUCIBLES A FORMA LINEAL 8.4685 3. .4 118.0059 2xa - 16.4533 1. 8-10.4 37.7858 1.2ry .66L7 2.40(21 =1.0095 3. = C.20-1. C=1. Para cada pareja de valoree de la presión P y el volumen V en la Tabla 8-6.7348 1.2976 )r = 11.40= lb/pulg2.7 28. r=logV:2 25.2833 1.b:-'1.

y PVtl = 16O00 PARABOLA DE MINIMOS CUAI)BAI)OS E.16.2 a = logP-ülog7 = lo926*1.!nl. re de numéric¡rnente por l¡ relación-de la longitud AB a le longitud AC.a*(1.) d^ = o*üc"lorl-t^ y lrr ruma de lo¡ cuadrado¡ de le¡ de¡viacionee eotá dada por )¿t = )(o+ bxlca2-t)1 . e2. logPTlle . Ir grifflca re¡ult¡¡te muerb¡ que hay una relación li¡eal entre log P y log V que puede repreeentarre por l¡ ecu¡ción logP . m 60 so r00 Volumen Y '{l Fig. U = a*ba*crz l¡ pa¡óbol¡ de mfni- Se¡n lo¡ puntos mue¡t¡alec (a¡Ittl.¡ U¡ ertfa dadar por dt = qtbx¡Ic¡.. (nn. . (r*uzl. .4. para la parábola de mínimos cu¿dradoo. prigina 261.8 l0 ú' 3o {0 ü.?"-al' dc = o*bu21-cú-!2. Entoncee lo¡ veloree de y ¡ob¡e moc cr¡¡dr¿dor cotrec¡rondieatet a a1...276 CURVA DE AJUSTE. . P: 26 de la g¡lfic¿.4 logV = 4.4.Ut U2.4 los100 = l.. . Deriva¡ las ecuaciones nomales (I9). REOBESION Y COBRELACION [cAP. Pa¡a obtener ¿ ¡e nece¡it¿ un punto sobre ce8 l¡ recta.o*blogV ó g = o*bn Ie pendiente D. Por ejemplo cua¡do V: 100.1rn ¡on olbr¡lcu!. que er negatlva en e¡te ce!o.a)(2) = de modo que logP* 1.8-r0 150 ¡00 ú t00 También ¡e indica un¡ rect¿r (dibujada a mano alzada) que re aprorima a eeto¡ puntos. of bur*wl l¡¡ de¡vir¡cionee de. [¡ medida en este e¡¡o indica que D = -1. . Enton4.2. . . .2. . Por t¡nto albn2*ct/.

19 2.t2 9223.96 96. REGRESION Y CORRELACION función de o.6 2A = an*óI¡*c2n2 [¡s (r) ecuacionec normales son 2ry = o)¡*b2r9*c2rs 2n2a = o.36c = 230.8 4.6 5.46 254t.44 3.1 8. págin¡ 261.28 38.58 4.0 7.24 9.22 rzy 6.4 2r2 - Ic3 = 2276.36 2ua = Zxu 291. 8.8 7. o ción = 8.93 342.6 a I bx * cr2 a los datos de la t€ D.971.588 de mfnimoq cuadrado¡ pedida tiene l¡ ecr¡¡- .66 259.066.20 o + 2276.28 233.2 )u= 46.27 1.L6 6470. c.065 t .9 7.7 4.8 2.70 26.42 - - 1449.06 941.8 4.cAP.2 1.16.19 36?.2r2].20 18.2 6.O.41 73.04 1.5 6.91 636.7 4.92c : 1449.8r 2n2g I¿= 42.8 r87.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).' 7.82 4t.2ll0rt .49 92. Tabl¡ u 1. ? = )f.70 38.2110¡ arí la parábola 2.1 t€ 14 a 4.40 10.1 : 8.6 9. e¡ decir 277 F(o.OI 32.04 48.12 67.8l E¡t¡ ec CURVA DE A¡UsTE.20 c = 48.4E 1065.2 1.360 + 18971.75 117.73 5.9 9.1 12. c = {).92 230.65 185.42 291.36 5?6.b.62 21.0 ?.7 7.00 Puecto que n (2) Reolviendo.79 s32.9 5.9 7.688.2Ob+2275.8 7.2 6.o3to*óc*cr2-a)2 = )2(o+br*crr-a) k = )*a{o*br]-cnz-u)2 = 2Zr(a*brtcü2-a) aF :d.48 19. b = : 2. = + 2.08 10.cl = )(o I Para minimizar esta función debemo¡ tener bx * cx2 - U)z Ti=o' .t=o' *=o Enüonces # = ). b. lar ecurciorÉ¡ norm¡ler (I ) rc convierten en 8a I 42.8 3.6 2.7 12 n3 xy 6.49 60. Ajustar una parábola de mínimos cuadrados de la forma ! Tabla 8-8.00 2.2a*2SL.61 24.ólcs*clra H trabajn involucrado en computa¡ la¡ ¡uma¡ puede ordenarce qomo 8e mue¡ha en la Tabla 8-9.83 29. T¡bb ü u 1.2b + 291.8 3.

zt.7 u REGRESION MULTIPLE 8.741 4.2. 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.9 6.). 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. Se desea estimar una variable z de las variables : Sean los puntos muestrales (ryUyzr). b.página 262. Ue"¡ = 2.762.18 la forma z r. all.5 5. Pata r = 1..56L 2. [.zn\..19. (ün. Utilizar parábola de mínimos cuadrados del Problema 8. lcAP.16 para estimarlos valores de y de los valores dados de r.2) .762 4.588 + 2.2)2 = 4.2 6. c de modo que satisfaga (21.. vienen dadas por a*bnr*cyn dn = a* bnr* cUr. Análogamente se obtienen otros valores estimados.An) son respectivamenüe a*br1*ey¡ Por tanto las desviaciones de z¡. y por medio de una ecuación de regresión de a ! bx * cy. ala pulgada más cercana y las edades y al año más cercano de 12 muchachos. .8 8.503 7.2110(I. z.os resultados se muestran en la Tbbla 8-10 junto con los valores reales de y. . 8. . REGRESION Y CORRELACION la. (b) Determina¡ los valores estimados de e de los valores dados de r. c e igualando las derivadas parciales con respecto za. b.621 5. .640 7.613 6. Tabl¡ 8-10 Uest 4.8 7.5 2. pág¡na 262. .. Demostrar que la ecuación de regresión de mínimos cuadrados se obtiene al determinar a. Entonces los valores de z sobre el plano de regresión de mínimos cuadrados correspondientes a (r1. . b y c a cero.z¡ dt = a* br1 * cUt.8 4. y. las estaturas x. (c) Hallar la ecuación de regresión de mínimos cuadrados de z sobre x. (c) Estimar el peso de un muchacho de 9 años y 54 pulgadas de estatura.0. .065(1.962 7. .. y. 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.278 CURVA DE AJUSTE. y puede escribirse z: albnlcy Las ecuaciones normales (21). las ecuaciones normales pedidas (21) en la página 262 se obtienen.17.Un. La Tabla 8-11 muestra los pesos z ala libra más cercana. (rn.0 7.

8436 * 6779c = 40.! : 9 en (3).6612.20.880 106o*67?9b+976o Rerolviendo.356. Utilizando la ecu¿ción de regreción (3) obtenemos log valores egtimados de z. ü = 0. el peeo estimado es zest : 63.225 68. denoüado8 pot valoreg Tabl¡ 8-13 2est 2 64. c = 1.830 2yz = 6796 2uy = 6779 48.= v..4t4 69. las ecuaciones normales (I ) ee convierüen en l2a1-643b *106c (2) 643¿ = 769 * 34.136 64.843 Utilizando esta tabla. =í.6068. demos- s'?. y.682 ?8.66+0.2(Ufl -a.139 34."r)2 2afu 2fu-o-brlz o. Si la recta de regtesión de mínimos cuadrados de y sobre que el error típico de la estima sy.cAP.86? 65. 2a'- a2g n - b2rY por Ueet Loe valoreg de y ectimadoa a partir de la recta de regrerión vieneÍ'r dados = @ * ü¡. 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. la ecuación de regrerión pedida es (t) (b z = 3.606u zesb al susti- ) tui¡ los valores correspondientes de x.7r7 68.286 66. REGRESION Y CORRELACION Tabla t-12 fi 64 Df 59 49 62 51 a 8 10 6 11 z.926 66.-brl - o-bu) . a = 6796 = 3.865r+1.664 78.8646.168 48.920 64 7l 63 67 DD 68 77 67 66 61 76 68 (c) Remplazando ¡ : 54. Ír.206 69.b2r(u -a-br) .r=n= = 2(a-a.¡ €stá dado por r viene dada por ! : a * b*. ERROR TIPICO DE LA ESTIMA 8.8l CT¡RVA DE AruSTE. Entonces ^. o aprorimadamente 63 lb.e resultado¡ ¡e dan en la Tabla 8-18 junto con lo¡ mueshaleg de z.

28 68 69 68.y. Tabl¡ t.r. En la Tbbla 8-14 ee listan los valores reales de y (de la Tabla 8-3) y los valorec estimado¡ de y.á)..a(2U.al@ .b2t'g' . como se obtienen de la recta de regresión.66 >(u-u. / .")z = "1. REGREsIoN Y coRRELAcIoN lcAP. Método 2.28 -1. = 2a@-a-bt\ nll 2a2-a2a-b2ra Este ¡esultado puede extender¡e a ecuaciones de regresión no lineal. 8.11(b ) la recta de regresión de y cobre x ea ! : 36.2na-o.bt2y' .a2r * = b2u2 Entonces sí.21. E. cotrespondiendo a ¡ = 65 tenemotgest:36.Cuandoeehacenestoeremplazo¡enelProlos datos del Problema 8.x = lTiltr= 1.20 se obtiene el re¡ult¿do pedido.ana .71 69 68 68.98)2 12 = L64z .¡ Método 1.20 N3' = 2u2-o'2a-b2xy = 2(a' + ú)2 .76.b2r'g' .anÚ . También ¡e indican lor valorea y - Uest. g = A'+ ú.bnü! = 2U'2 + nú2 . Entonce¡ del hoblema 8. (1.66 7l 70 69.2¡ pará Del hoblema 8.82 + 0.19 2. denotados por lresr.24 68 67 67 67.6? 70 68 69.a)2 . Sabemo¡ que la recta de regreeión puede eecribiroe oomo blem¿ 8.UpotA-ú.29 -1.14 66 65 67.280 Pero CURvA DE AJUSTE. Catcular el error típico de la estima¡ 8¡. que corteeponde a empezar con l--o+bryremplazando:oporcero.476(66) : 66.19 67 68 67.33 0. Erto demueetra el resultado pedido.!* e!\ = 2a'2 + 2y29' * nú2 .14 ü a Uesl 65 68 66.81 0.28 pulgadac.b2(r' * ñl@' * úl = 2(y'2*2ytfi*¡z¡ .2r-b2rz = 2A = on * ó)c 0 puesüo que de las ecuaciones normales 2ru .*nú') .€2 + O.24 -0. 2(a .24)2+(0.22.ó)(a . 2u'=0 y ú = o*bt (que re deducen aldiüdiramboslado¡ de l¡ ecuación normal 2A = an * b)r por n¡.38 7l 68.ú = b(r .ú)'- b)(c n - ¡)(u - ú'l Si ¡ = r' * A.o.b2(r..81 62 66 66.r9)z:l-.14 -2. I üyt * r.11.o2(g' * fil .xpot¿-á..76 L.bñl = 2O'' .2y-an-óIr = 0 2r(a-a-br) .b2r'Y' = 2(a .bn.71 -0.7L 64 66 66.bi2r' . Demostrar que el resultado del Problema 8.b2rtgt * nú(ú . Por ejemplo.19 0.úl donde hemooutilizadolo¡re¡ultedot2r'=0. 8 2(A-a-bn) .24 63 66 65.ú = 2u'2 .2O puede escribirse como ^z üu.81 U - Aest 0. güe ¡e neceaitan para el cálculo de oy.62 0." y 8t.47 6r.+(0.

.y""t) * (Uost .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. ne dada por 6r. de datos..el 6812 de los puntos se encuentra entre las rectas.61 0.82 -t. = 19.A)'.a) = =Q :y. Si los puntos están distribuidos normalmente respecto a la recta de regresión.12 (o de la Tbbla 8-4.brt Q.rr.S-15 Uest : 8]-LlL2: 67.58). En el caso de regresión lineal )(v - Y'"'¡)(v" "r .. Entonces el porcentaje pedido es 9lL2: 7 5%.nrr.61 -2. Demostrar que >(g Elevando al cuadrado A"'r)'* 2(U*r.. = )(U .U""t)2 . 8-11. :: :. 8-11...::. + (2. (o) ta recta de regresión y : 35.g) sumando.28 y 1.77 )(U". ts. 8..28) = 1..r 0.11 se muestra sólida en la Fig. NOTA: Una mejor estima del error tfpico de Ia estima de la población de la cual so.34 0.ne?. Del último renglón de la Tabla 8-14.)(y-uu. tenemos 2(u-ú)2 . Uir examen poste- 66 6l 62 Otro método.un"J(v. = tpiLo (1. = 1/@ se tomaron las estaturas vie- COEFICIENTE DE CORRELACION LINEAL 8.abn) a . 8l CURVA DE AJUSTE. se encüentra entre -1. ya que es cero. la teoría predice que alrededor d. cada una a una distancia vertical su.28 (véase hoblema 8.476¡ obtenida en el hoblema 8. .28 (es decir.) para 9 puntos (¡. REGRESION Y CORRELACION 28L 8.30 0. '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.rn.. ú>@ - a - bn) puesto que de las ecuaciones normales 2(a = 0.:'.t-ti) - A)" = 2(A - El resultado pedido se deduce si podemos mostrar que la última suma este es eI caso..23.82¡z+.'. Las dos rectas paralelas. Entonces el porcentaje pedido es 9l12 : 7 5d.0t¡z .?0. (b) la variación no explicada y (c) la variación total para los datos del Problema 8. (b) Determinar el porcentaje de puntos de datos que se encuentren enhe estas dos rectas. Utilizando los valores - a -0.22). Calcular (a) la variación explicada. se muestrana trazos en la Fig. 2r(u . y).[t = (y .04 (a) Variación explicada = (b) Variación no explicada -ú)2 = (-0.25.11 a una distancia vertical sy.13 -1. del Problema 8. ya qve ú la Thbla 8-14 podemos construir la Tabla 8-15. Este hubiera sido el caso aproximado si el tamaño fuera más grande. (¿) Construir dos rectas paralelas a la recta de regresión del Problema 8.82 * 0.24..40 pulgadas.t)2* )(yn"t-ú)2+ z>fu.11.08 2.25 1. y-gfo". Il .58 del Problema 8. = 1.13 1. Tabla.cAP.:: .56 -0.22. Tenemos Uest de ú : 67 . parecen estar sobre las rectas..

16 o.= \Eá/ /rorl = \r¡. El trabajo involucrado en la computación puede organizarse como se indica en la Tabla 8-16.4 7l 67 68 70 -0.) asír--*2r'a' ffi (2x.69 u'a' a'2 0.7 3.27.L2 7. = y -f.-0v t'.96 2. la expresión para r tiene automáticamente el signo conecüo asociado. 8.s¿.:800/lZ = 66.3 0.92 10.66 -0. Utiliza¡ los resultados del Problema 8.16 6.6 3.4e88.02 1. 8.f.16 6.49 -2. del Problema 8. Entonces 2r'a' 40.6 0.7 )y = 811 a = 8LUl2 2rt2 = 84. REGRESION Y CORRELACION lcAP. trt =r- E. en el caso de regresión lineal. (la fórmula producto momento).22 + 19.4 .69 22.))' l) n'\ ¡ \) '\il t' jó -0. La recüa de regreeión de mínimos cuadrado¡ de y sobrer puedeescribfuse 1lest= b = 2r.7027 u 65 63 67 B4 a 68 66 68 66 69 66 68 66 r-t -t.70 = 38.68 2trtg'= 40. obtener el coeficiente de correlación lineal para los datos del Problema 8. y Ulst = U.92 0.16 2. /i84s8)?58-3t Tabla E-16 = 0.donde ¡2= variación explicada va¡iación no explicada 2b2r.4 2.'. utilizando A.66 0.6 .76 11.24. Halla¡ (o) el coeficiente de determinación y (b) el coeficiente de correlación pa¡a los datos del Problema 8.36 68 il 'l .A.09 5. Por tanto se sigue el reeultado pedido.7 0.56 0.3 a-v 0. página 264.7 1.34 2a'2 = 38.?0.' .= !0. derivarel resultado (34).42 -1.09 7.3 -2.11.4F7q de acuerdo con el Problema 8. (D) coeficiente de conelación = r : tVñ7d58.3 -2.82 4.4 ' 0.[bb tt 62 70 66 68 67 69 -4.76 1.7 -3. pero negativa cuando /est disminuye a medida que r. prágina263. Puesto que la varirable yn".92 = 67.6 0.z b22r.2 /?r.8 (c) Variación total : 2(a . A partir del resultado general (30). aumenta a medida que r aumenta.4 -0.11. Entoncee.32 7t 0.4 0.26(b). puesto que la'gt'es positiva cuando 3/ss¡ autnentá a medida que r aumenta.62 1. Los resultados (b) y (c) pueden obtenerse por cálculo di¡ecto de la suma de los cuadrados.29 1.92. ¡o )¿ = 800 i.3 2.o.3 4.aumenta.25.28.y = EP.09 10. .26.7 1. (a) coeficientededetermir¡ación = t = '1Hi1iáf*1"io" =m= 0. la conelación ec poeitiva y por tanto escribimo¡ r : O.7027 o con dos cifrar significativas r : 0.18 0.49 1.82 7.6 L.4 a'= tr'2 2.69 0.6 0.89 0.29 18. E.A)z = 19.3 -1. tenemoa &*br 6 Ulr¡= bx.282 CURVA DE AJUSTE.l2at2.34 \/G. para el coeficiente de conelación.32 1.y.= EF..89 13.68 5..7027.)z \/ñtrW Sin embargo. Utilizando la fórmula producto-momento.

págrna 261.29.| ¿gl\/¿e¿\ 6 =(iiot/\al/ ' ¡=o'7o27 que está de acuerdo con lo¡ Problemae 8.11(c) respectivamente 484 ' ó=10fr=0.cAP.26(D) y 8. Demostrar el resultado (17). Utilizar el resultado del hoblema 8.>IY w@ : n2rA-(2r'l(2A) . 2(a-nlz = 2(rz-2rt*r2) = 2s2 . Del Problema 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 .11.TUSTE.476 d=ffi =1. donde ¿=? rz r sobre y er =a*ilu 8y Entonces b¿t = 1g\ 1g) = \c"/\oy. 8.28.(>aXIY) n :E Puesto que = (2rlln V'ú = (2Alln" Arúlogamente.nnn* v Entonces (I ) ee convierte en r(a-üz = 2a2 r : .8l CURVA DE A.2ñ2r 4 ntz (2112 2(2nl' ()r)2 = 2rz = 2r2 . la recta de regresión de donde A=?I.036 Enroncec rz = bd. .30. Demostrar que el coeficiente de correlación lineal viene dado por f= En el hoblema 8. REGRESION Y CORRELACION 288 8.31.29 para halla¡ el coeficiente de correlación lineal para los datos del hoblema 8.a recta de regresión de y aobre r es u=olbx Análogamente./ 8.11 (b) y 8.

Oz variación explicada .78%de la variación total permanece no explicada. 8 8.4O De la Tabla 8-10 Por tanto t-= = l(g""t-Al2 = 2l.64 (á) Primer método.()¡X)z) (8oo)(811) (r2)(54. De la Tabla 8-4 r= n2ru .3743 indica prácticamente ninguna relación lineal entre r.2g y g.3?43 (b) De Ia Tabla 8-9. 8. Utilizando (a) y el Problema 8.40 8 = 1..4)/8 = 5. (b) Hallar el coeficiente de correlación no lineal entre estas variables. Esto puede deberse a fluctuaciones aleatorias o a una variable adicional que no se ha considerado. 2(A .16. (c) Hallar el coeficiente de correlación lineal entre las variables r.40.ilz = variación explicada 21. Ubtlizar la fórmula del Problema 8.2z .52) - (40. y (b) sr.636 ó 1.42) [(8)(2e1. (o) Del Problema 8.11. el error típico de la estima de y sobre I es B!.30.n parabólic a entre x. supóniendo la relación parabólica obtenida en eI Problema 8. Sin embargo. Hallar (a) s.16.20) - (42.L071 = 0. REGRESION Y CORBELACION [cAP. hallamos r= n2ru - ()¡X)r¿) (8X230.284 CURVA DE AJUSTE. Entonces la desviación típica de y es 8u= 2(u - ú\2 21.34.7027 como en los P¡oblemas 8.33.636y'i-(0.9922 = 0.ú)2 = 21. I del Problema 8. paralos datos del Problema 8. y? (a ) Utilizando los cálculos de la Tabla 8-9 y agregando que 2tt2 = 290.n¡zi = -0. y. hay una muy buena relación no lineal dada por la parábola del hoblema 8. Entonces variación total = 2(A .31 para obtener el coeficiente de correlación lineal para los datos del Problema 8.21(46.62. y r =0'9911 var6eió.32.) (42.80. i = (2U)/n = (46.01?g Por tanto 7.99r1)2 = 0.1 ¡.33 (b).tal =ffi=0'9822 (c) El hecho de que la parte (a) muestra un coeficienüe de correlación de solo 4. como lo indica el hecho de que el coeficiente de conelación en (b) está muy cercano a 1. (c) Explicar la diferencia entre los coeficientes de correlación obtenidos en (c) y (b).33 (b). (d) ¿Qué porcentaje de la variación total permanece como no explicada por la suposición de la relacii. 8.." = ss\/T=F = 1.16. variación no explicada va¡iación total (d) = l-r2 = L-0.16.218 6 o. COEFICIENTE DE CORRELACION GENERALTZADO 8.4'.2)r][(8X2e0.26(b).

*n2 n n(n*r)(2n*11/6 2 n2-l t2 utilizando los reeultados 1 y 2 del Apéndice A.222-n22 48.25 Variación explicada Enüonces - 258. pág¡na 264.cAP.a = = 299.88 = 629.35.218 ó 0. esbturas). ¡ sobre y.52.76)z = 888'26 = 888. CURVA DE AJUSTE. Entonces si d¡ : r i . y I va. Análogamenüe. ss t+2+. [¿ media de r. viene a3: s?+r?-2rs¡ads"sv .*n @l_ryz n*l En = mientras que la varianza es sf.16 y el cálculo adicional 2gz 8y. REGRESION Y CORRELACION 286 Utilizando el Problema 8.pl.@ "" = 0'8418 = !ffi = thffia Debe mencionarse que si fuéramos a considera¡ la regresión de eobre y..22 8.8l Segundo método. vemos del Problema 8.88 Va¡iación total 2(z-2\2 . ! ¡ el grado dado al j'ésimo valor de y ' [. Derivar la fórmula de correlación gradual de Spearman (36). y estamos interesados en el coeficiente de cor¡elaeíón múltiple de z sobre x. Ya que z se determina de ¡.os grados son enteros de 1 a n.4L4\2 + "'+(68-65'920)2 = 258. Explicar córno determina¡ía un coeficiente de correlación múltiple para las variables en el Problema 8.-. la mediaú ylavarianzasf sonigualesa(n l)12 y (n2 L)ll2 respectivamente.37 Coeficiente de correlación múltiple de z sobre x..I i son las desviaciones entre las graduaciones. z gería en general diferente del valor anterior. Utilizando el Problema 8.22 Tercer méüodo. y. al y el coeficiente de correlación entre grados por * - s2¿.36. el coeficiente de correlación de ¡ CORRELACION GRADUAL 8.19 Variación no explicada = 2(z - zo"tl2 (64-64. AquÍ estamos considerando n valores de r (por ejemplo pesos) y n valores correspondientes de y (por ejem.139 . z. = 12-82 = 12+22*.l'ciñexptñat. dada en térrninos de e2r.L2(62.33' variación no explicada = 0. la varianza de las desviaciones. que Para obtenerlo.19. tenemos 2a2-a2a-b2ra-c2n2a = 0.218 6 0. Sea rr: el grado dado al j{simo valor de x.

rz)/n y (l ) ge convierte en 7')/12 W @2 - * (nz 6>d2 . 6. 11. 6?. 6g.6.6 7. 71 Puesto que en esta ordenación loe lugares sexto y r*éptimo represenüan la misma estatura (6? pulgadas).7.286 Entoncee cuRvA DE AJUsrE. Tabla 8-18 Diferencias de puntuacionee.6 1 11 6 8. 69. 8 (r) h¡ecüo que 7 = fgrad = eZ+sT-af. 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. le. 1.(J) y (4).6 7. tor \-"rttd- "3 - e¿. 2. 12 De igual forma. a las e¡tatura¡ de loe padres ee les aaigna los órdenes (2) (3) dio de 7 . La Tabla 8-17 muest¡a cómo l0 estudiantes fueron clasificados según su rendimiento en el laboratorlo y en teoría de un curso de biología. les asignamo¿ w orden meg [(6 + z + + 9) / 4 . 9. 66. d d2 -1 -2 -1 1 1-1 I 1 3 I I I 2-L 4 1 -1 1 4 2d. Análogamente.6. a los lugares 8 y 9 ae les asigna el orden 8. 11.2 24 = Entonces rgrad= t-#!T = t-ir#?u = 0. 6.5. 8. 70.6. las estatura¡ de los padres eon (r) 62.5. 3.6 10 3. lac estaüuras de loe hijos ordenadas en gentido creciente son 66.6 3. 69. 9. Hallar el coeficiente de correlación gradual. 10. 69. 69. 4.5 l.6.c asignamos a estos doe lugares un orden medío de 6.6 1.11 y compararfos rezultados con el coeficiente de correlación obtenido por otros métodos. 3. 6.37.(2d2)/n = L-nfu2] 8. Tbmbién se incluyen dz y 2dz. 66.6 3 8. 10.8s45 indicando que hay una relación entre el rendimiento en laboratorio y teorfa. 6?.6.7. 66. la Tabla 8-B se convierte en Tabla E-19 Graduación del padre Graduación del hijo 4 2 6.7. 66. 7.l\ltZ . 67.5. 3.6 1.6 10 t2 7. 6. 1¡ (t) y (2). 63. 6g.5. 70.6.6. %. REeRESIoN y coRRELAcIoN lcAP.5.s" 0. 69. 7l y puesto que los lugares 6. Calcular el coeficiente de correlación gradual para los datos del Problema 8.6 t2 5 7. por tanto las estatu¡as de los hijos quedan ordenadas @ Con las correspondencias 1.6.66.6. ordenadas en forma a¡cendenüe de magnitud. 66. 69. 8 y 9 repreeentan la migma estatura (68 pulgadas). AsÍ.6 11 . 64.38. ?.

a* pr entonces A .00 d Entonces 2iP = 72.r.Fpx.Fpx. Y es l\r'a) : (a | f.6 2.9px.5 3. E(Y .40. los resultados para muestras tienen resultados análo- gos para poblaciones e inversamenüe. halla- tv = ol Ftx Por tanto si g .P¡x.}j'2l.cAP.6 -1. 20. utilizando esperanzas.25 2.6 3. los cómputos de d2 y I¡ )d se mue¡tran en la Tabla 8-20.25 6.2Boyy r (py . En general.dlz} = El(y -pv)21 + BzEl(X-r.o*t¡ .Fy = p(r . La función de densidad conjunta de las variables aleatorias X.26 L2.0 1. 8.0."l Igualando estas ecuaciones a cero. INTERPRETACION PROBABILISTICA DE REGRESION Y CORRELACION 8.a) ó Fok = o*v a-tly="4tr-u*) A-Py - /'.0 ü 12.ol.00 2. ) La función de densidad marginal de X es f{r) = [.zBEl(X-pi(Y -¡.px\ ^t u\ox) | Debe notarse la semejanza de la demostraeión anterior para poblaciones.26 12.(r+2y) 0<n<7.25 2.rv) = 0.7027 obtenido en el Problema 8. con la correspondiente para muestras. REGRESION Y CORRELACION diferencia en graduacionec d.5 -1.px) * (pv .6 -3.0=Y<L {o deotraforma Hallar la curva de regtesión de (c) Y sobre X. Derivar (39) a partir de (37).5 -1.px) .8l CURVA DE AJUSTE. lo cud es una condición necesa¡ia para que F(q.?466 que concuerda muy bien con el valor r = 0.60 rgrad = t-#!T: . lo+zo¡a.-ffi!\ = 0.6 1.F) sea un mínimo.26 6.25 1. íE = dF Denotando la última expresión por F(c.5 1.v)l + Gv-Ft'x-o)2 = "? * F2oI .5 -2.26(b).pvl . .26 1. Tabla 8-20 -3. utilizando sumas.39. = f.25 2. p) tenemos AF u = mos -2(pv zBoi - 2oxv - 2px(pv .P(X .26 L2. . (b) X sobre Y. 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 .ú2 E(X .

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

43)' y n: !2 1 r/o t r--- . Loslímitesdeconfianzadcl F = b-+f+) ' \ñ4\82 I para 12 .476B-b t=r. ¡rara ias estaturas yos padres tienen unas estaturas de (o) 65.- = .22)y 1.2: LO grados de libertad. En eI Problema 8. ot : ". de los hijos cuyp son 8.180.66 (Problema 8.0 y lb) 70.'lW\" . sr.2\ o.40..lrv1l_z=-.'=o Í"'=o.81 para L2 .losaleolocar t=lt. (¿) La recta de regresión de Y sobre X es + oXY "+@ .05 rechazaríamos Ia hipótesis de que el coeficiente es tan bajo como 0.-- .2 : 10 grados de libertad. REGRESION Y CORRELACION 289 (e) xY = Entonces Í.-..cAP.e5: 1.2g para 12 . 1/ .Of Ae que el coeficiente de regtesión de la ecuación de regtesión poblacional es tan bajo como 0.42. Y ltr-2 donde 37e : 85.23 h es decir. 0. = {".180 si ú ) ú.szs=!2.4?6 r6 (Problema 8. Por tanto no podemos rechazar la hiPótesis. Ensayar la hipótgsis al nivel d-e significación del O. (b) X sobre Y para el Problema 8.:2.los Ií¡:rites de conftanza del 95oy' para --j:lq--.nfi162\/28/Bz4 -0.11 se halló que la ecuación de regresión de y sobre x eray: 35.11).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.45.- 2.t / ó (b) La recta de regresión de.r: L.43.2 = l0 grados de libertad) vienen dados por 95?iparap(obteni. Escribir las rectas de regresión de mínimos cuadrados de (a) Y sobre X.9b Con un ensayo unilateral de Ia flistribucirin de Student a un nivel 0.11 = -l/162/.xY p = n-xÍ oxY oxoy = *-(s)(i*) = = - 1 162 0 -l/162 ..á para el coeficiente de regresión del Problema 8..42.43. .82 + 0.0818 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..28 (calculcda en el Problem a 8.44..2U'L66 0'19916¡= = ya que eo. hallar los límites de confianza d-ei 95'7.r: L. En el Problema 8.4?6 t Vlo\' t/tz.136 y 0..0 pulgadas' puesto qu€ t s7.11. 8l CURVA DE AJUSTE.q\I a.28. (+) ó a -i : - ür I x) ó -. Hallar los límites de confianza del 95'. sx: 2.8I 6. 8.o+zul)arav =1 3 . r8fl .B4o confianza del 95% de que 6 se encuentra entre 0.82 + O.o1f. se está en la ryHt\ = 0.66 del Problema 8'11' 8.47G :t ' +('!!) t" / = 0.476x.

05.32. ciertamente no podemos rechazarla al nivel 0.75 para 18 -2: L6 grados de libertad. o.14 f es decir.48). ¿Cuál es el tamaño mínimo tal de una muestra para que podamos concluir que un coeficiente de correlación de 0. Ya que t.32 sea considerablemente mayor que cero al nivel 0. hallamos [comparar con el hoblema 8.07 pulgadas.78.0.46.' sr.11).2óy6!2so.elgbVo de que las estaturas de los hijos están entre 64. t/6 al nivel 0.SOO112)2 : 11. Tarnbién.05? A un nivel 0. /e : 69.11. Por tanto no podemosrechaza¡I/6 al nivel 0.Bb Sobre la base de un ensayo unilateral de la distribución de Student a un nivel 0. ' (b) Si re :70.O .0.0.66 (Problema 8. los límites de conñanza del 95% están dados aproximadamente 8.476 r6 (Problema 8.0 pulgadas se encontra¡án entre 67.05. hallamos [comparar con el Problema 8. se puede esta¡ en la confianza d.45 pulgadas.?6 a 2'23 es decir.?6 t 3.45(c)] los límites de confianza delg1l".Estoconcuerdaconlosresultados aproximados mencionados en la página 262. rechazaríamosI/e si ú ) ú.48.76 1 1.05 y (b) 0.96sy.66. y¡ : 66.14 pulgadas. Porlo +1.?6 pulgadas.8 los límites (o) Si 16 : 65. (o) Si.69.8OOtl2r2 : 2. es decir.sz).80 pulgadas (b) Si 16 : 70.45(ó)] los límites de confianza del 95%.23 para 1 0 grados de libertad.sz\/ra-z : p l.7 y 70. También (x¡ . TEORIA MUESTRAL DE LA CORRELACION 8.8 pulgadas. En el problema 8./i=@0.0 y ?0.01 8.": 2. se puede tener confianza de 95Vo que la estatura media de todos los hijos cuyas estaturas de los padres son 65.0 pulgadas se encontrarán entre 65.2 pulgadas.290 CURVA DE AJUSTE. Entonces 66.o¡ para n - 2 grados de libertad .E.0 pulgadas. el valor mÍnimo de n debe ser 032{n - 2 r/i -to.? y 6?. Un coeficiente de correlación basado en una muestra de tamaño 18 resultó ser 0.09 pulgadas.01 que el coeficiente de corréhción poblacional es apreciablemente mayor que cero? Deseamos decidir entre las hipótesis (Ho: g :0) y (llr t = .i¡z : (?O.16 :65.14 + 5. = t. se puede estar en la confianza del 96Vo de que las estaturas de los hijos están entre 63.11.Los métodos de este problema son válidos independiente del tamaño de n ó to . es decir. hallar los límites de confianza del96% para las estaturas'medias de los hijos cuyas estaturas de los padres son (a) 65.s1t : 2.rcontalquero -ñnoseademasiadogrande.05. se puede estar en la confianza de| g6% de que la egtatura media de todos los hi jos cuyas estaturas de Ios padres son 70.6 pulgadas úo 0.t)2 : (65 .1 y 7 4.23 donde y¡ : ffisv.47. REGRESION Y CORRELACION lcAP. es decir.6 pulgadas. los métodos muestrales son exactos para una población normal.05 utilizando un ensayo unilateral de la distribución que de Student.1/l-z = = .ss :7.0.za\ = 66. Nótese que para grandes valores de n. 7. ¿Puede concluirse a un nivel de significación del (a) 0. de confianza del g5% son (ro . Entonces los límites de confianza del 96Vo so¡ 69. los límites de confianza del 95% para Uo fo son = 2. 35.0 y (b) ?0. (o) (ó) Puesto que no podemos rechazar ) 0).82 + 0.

49.4620 Entonces ¡t2 tiene el intervalo de confianza del9SVo. v =26. Un coeficiente de correlación basado en una muestra de tamaño 24 se calculó era r : 0. = Deseamos decidir entre las hipótesis = 0.rrro.:) = oz= La variable tipificada ee Fz = r. Entonces el tamaño mínimo de la mueetra ean:28. si Si pz Fz /r +"\ = l.66. (b) Sip:0.s5=1.50. t--032\r26^tr=@ = 1.49 y 0.72.5606.7L.5493)/O.80. t.9730 0.?1.s2\/ñ/\Flfu2p. zz: r.50.b4es.s0(-/l1 \ \y'n_B/ = 1. 8.75./ 0.5366' p = = L.!613*(=.=L.e155.) nzr-2. p : 0.9r : 1.4904- = 1.96oz = 1. pa¡a n=2g. t. Puesto que r : 0.r6r3t"" o.60.6.Portantopodemos rechazar la hipótesis de que el coeficiente de correlación poblacional sea üan pequeño como p: 0. El coeficiente de correlación entre las calificaciones finales de fÍsica y matemáticas para un grupo de27 estudiantes se calculó era0.L613 logS:0.0. para n=27.05 utilizando un ensayo unilateral de la distribución normal rechazaría' mos la hipótesis solamente si z fuera mayor a 1.5606. (b) p : 0.6932 0. z = t. Dos coeficientes de correlación obtenidos de muestras de tamaños nt : 28Y rtz:35 se cdcularon como rr : 0. ú.unrr.0e86 10.05.80 y n = 21. t=0. n=26. REGRESION Y CORRELACION Para un número Pa¡a infinito de grados de libertad. L {zt - = Z-pz oZ 0.28z (ff3*3) = o.5366 a 1.CURVA DE AruSTE.L6rt*(=.28 A un nivel de significación del 0.50 y tz : 0.sz\/rLtt/l-(u32Y = 1.r¡rlb*'.5493y2:(0.64 y por tanto n: 25. 8.50.s|= l. (Hs p2r= Fzrl I (Hi Fzr* .2182:L.266e = 0.rsr3 loc\t -. Por tanto no podemos rechaza¡ la hipótesie de que el coeficiente de correlación sea tan pequeño como 0. t .r5tz'""(+l-&. ¿Podemos rechazrir la hipótesis de que el coeficiente de conelación poblacional sea tan pequeño como (a) p (o) : 0. los límites de confianza d./ = 0. Por tanto los límites de confianza del 95Vo para p son 0.64. t.s|= 1.30 respectivamente. v=26.9730-0.60.7L.05? zr = r.tJ2:1.o.94.Hallarloslímitesdeconfianzadel96% paraeste coeficiente.B0eb #*#= Fzrl.50 a un nivel de significación del 0.16131og(++*) /r r-\ \r-'l / *t. v =24.el 95Vo püa pz vienen dados por Z=L. ¿Hay una diferencia considerable entre los dos coeficientes a un nivel de 0.) 0.2182 = 1.(-) \r P. a un nivel de significación del 0. 8.92.05? o.69.51.

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-(#)(#)] =

9) -69. Tenemoe 8"".?686.uo+qY: 145+q'qfrEq = u= De los resulüado¡ del Problema ?o. = 13.61.. De la Tabla 8-30 tenemos. REGRESION Y CORRELACION 299 Por tanto las desviaciones típicas de las calificaciones de matemáticas y fÍsica son 14.rlos RECTA DE MINIMOS CUADRADOS Tabla 8-31 8. Entonces utilizamos ( I 6 ).x=L2. (a) (bl Ey. 8y r-70.2.9 respectivamente.0 y 14. Calcular los ertores típicos de la estima (c) er. (b) sr. página 261 .64.0=A+##€?!)@-70.e)..966. Representar gráficamente los datos y las rectas de mínimos cuadrados utilizando el mismq conjunto de ejes coordenados. para obtener las ecuaciones de las rectas de regtesión (¿) ó a-u='!w-nt.. 0.cAP.934 s. r. = ¿yt/Ti-rz = = a"t/T7rz = f¿.926 y r = 0.60. en tanto que su covari¡nza es 160.o 8.5¿8 8. a y-6e.20 G&r'-áiÉfutB = o'7686 que concuerda con r hallado en el 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. 0.821(o-70.0).e Ge.64. r a 3 6 6 8 911 234668 8. E.61 a.7t9(u-69. Escribir las ecuaciones de las rectas de regtesión de (c) y sobre del Problema 8.v ts.0) x-?0.0=q9ff##q(v-6e. 8xv 160.gZfy'f - (OfOg6P = = 9. (b) Í sobre y para los datos rr+qW = 64. (b ) r como Ia va¡i¿ble dependiente.0 = (b) 6 r-ü='?o-o¡.64. Ajustar una recta de mínimos cuadrados a los datos de la Tabla 8-31 utilizando a (a\ x como la variable independiente. 8l CURVA DE AruSTE.62. s!..5+E#9 = ú .9 = 8. para los datos del Problema 8.66 8.60. Utilizar los resultados del Problema 8.60.a guplementa.63. = L4.s6oy'1:107686)á Problerrra.66. ParalosdatosdelProblemaS.65 utiliza¡rdo el resultado de la parte (c)' . (b) SolucionarelProblema 8.hallar(o)losvalore$deycuenda x=6.

Escribir las ecueciones normales para la curr¡a cúbica de mínimos cuadrados dada por dx3 . [.8?.2 5. 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 8:69.9 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. 8 t.?1.72.300 CURVA DE AJUSTE. Con referencia a Ia Tabla 8-33.71 rrcstrar c6mo una gráfica en papel semilogarítmico puede utilizarse para obtener la ecuación pedida sin emplear el método de los mínimos cuadrados. (b) Ajustar una parábola de mínimoscuadradosdelaformad:oIbu*cuzalosdatos. Tabla 8-36 Velocidad.ID 80 ?8 93 86 65 72 87 91 7L 98 95 68 84 89 tt 82 80 72 74 E. (D) Hallar la recta de mínimos cuadrados que se ajuste. (d) Representar gráfioamente las dos recta¡ de regresión de (b) y (c) sobre el diagrama de dispersión de (o).6 9.70.(c)Estimardcuandou:45mi/hy80mi/h. (a) Representar gráficamente d. y. z. Alustar una parábola de mínimog cuadrados. t. ¿cuál es su puntuación esperada en física? (e) Si un estudiante obtiene una puntuación de 95 en físice. y.a los datos. REGRESION Y CORRELACION [cAP. (d) Estimar el valor de y cuando r : J. (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. ¿cuál es su puntuación eeperada en álgebra? Tabla 8-32 Algebra (c) Física (y) . (d) Si un estudiante obtiene una calificación de ?5 en álgebra. o + bx r a 0 1 2 ó A 5 t) ¿x?alos datos de Ia Tabla 8-3¡t. (c) Comparar los valores de y obtenidos de esta ecuación con los valores reales. 12 .68.y:6. El número y de bacterias por unidad de volumen pres€ntes en un cultivo después de ¡ horas viene dado en la Tabla 8-36. o^ 2.I 3. En el Problema 8. (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r. (o) Construir un diagrama de díspersión. u (mi/h) Distancia de parada d(p) 20 54 30 40 138 50 60 70 90 206 292 396 E.t--10.74. I : o t bx * cx2 I Tabla 8-37 REGRESION MULTIPLE E.3 14.6 21. (b\ Estimar z cuando a to 90 10 72 . (o) Representa¡ loe datos en papel semi-Iogaritmo. con Ia escala logarítmica para yr la escala ariü- méticaparar. utilizando a r como la variable independiente. y : t 8. (o) Representar gráficamente los datoe. utilizando a y como la variable independiente. Tabla 8-36 Números de horas (¡) 0 I 47 2 3 4 D 6 Número de bacterias por unidad de volumen (y) 32 65 92 132 190 275 8.73. (c) Hallar la recta de regresión de írínimos cuadrados de ¡ sobre y.u.(b)Ajustarunacurvademínimoscuadradosdelaforma !=abxalosdatosyexplicarporqué esta ecuación específica da buenos resultados. (o) Hallar la ecuación de regresión lineal de mínimos cuadrados de e sobre x. 54 42 30 .a Tabla 8-37 muestra los 3 6 o n 8 t? o t4 valores correspondientes de tres variables x.

Tabla 8. ú=20.81 u 8.81. Hallar (o) sy ".68(b) v (c ).! .68.3E 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. . ¿qué porcenüaje de la varfación total pennanece no explicada por la ecuación de regresión? 8. 8. (b) Problema 8. Si sv.88. D. (b) r sobre y.90. Calcular (a) la variación total en y. y tiene la form¿ z = A 1. y obtener exptesiones para los coeficientes de regresión de mfnimos cuadradoe el resultado del hoblema 8. Si el coeficiente de correlación entre.z . " para los datos en el Problema 8. 8l CURVA DE AJUSTE. E.Br * Ca I Dr2 * Ery * Fyz Obtener las ecuaciones normales para los eoeficientes de regresión de mínimos cuadrados.74.86.r.y para los datos del Problema 8. La Tabla 8.7 7 a(r-¿l+b(u-úl o. r. Utilizar los resultados del Problema 8.Sis"=1. yesr:0. 8. (b) Multiplicar todos los valores de ¡ por 2 y sumarles 6. coeficiente de correlaciónentredos variables¡.8f . ¿Hay al' t.7t. (c) Estimar la pre- sión sanguínea de una mujer de 45 años. (c) la variación explicada en y para los 8. sr:2.68.cAP. en E.= E. Multiplicar todos los valores de y por 3 y restarles 15. (o) Hallar el coeficiente de corre' r..89. Hallar los coeficientesde correlación para los datos del (o) Problema 8.¡.68 utilizando la fórtnula producto-momento y comparar con el resultado del Problema 8.80 para hallar el coeficiente de correlación entre los dos conjuntos de calificaciones de los exámenes del Problema 8.i=10.50.76. (b) utilizando la fórmula s¡s = rs¡sÍ y el resultado del Problema 8. Hallar el coeficiente de correlación entre los dos nuevos conjuntos de valores.75 para solucionar el Problema 8. Obtener las ecuaciones normales para la regresión lineal de mínimos cuadrado¡ de guna interpretación geométrica para esto? Explicar Una superficie de regreaión de z sobre ¿¿ eobre r.68 (a) dircctamente. los dos conjuntos de calificaciones de los exámenes del Problema 8. y puede escribirse como z-2.8?. (o) Hallar elcoef¡cientede correlación entre E.64.67.E4. (ó) Determinar la recta de regtesión de mínimos cuadradoe de y sobre r. ballar las ecuaciones de la recta de regresión de (o) y sobre x. REGRESION Y CORRELACION 301 8.60.86. Hallar la covarianza para los datos del Problema 8.00. explicar por qué se obüiene o no el mismo resultado que en la parte (a).68.EO. Demostrer que la ecuación para regresión lineal de z sobre r.38 lación entre muestra las edades r y la presión sanguínea y d. y dados en la Tabla 8-39. Calcular (o) sv.t3. (b) Obtener eI coeficiente de correlación directamente de las pendientes de las rectas de regresíón del Problema 8.60. (b) la va¡iación no explicada datos del Problema 8.76. ERROR TIPICO DE LA ESTIMA Y COEFICIENTE DE CORRELACION LTNEAL E. halla¡ r.= 3y ss : 5.eL2 mujeres. (b) sr.79. El 8. 8. Tabla 8-39 x a 2 4 5 6 811 18t210875 . 8.82. (b) $. y es 0. y.85. y. Utilizar 8.E2. (o) Calcular el coeficiente de correlación entre los valores correspondientes de r.

Halla¡ el coeficiente de conelación gradual y decidir eobre el acuerdo de loe jueces en su8 eleccioneg. y para lo¡ daüo¡ del Problema 8. t. ¿Ocurren algunae simplificaciones en la¡ curvas de regresión Ce Y sobre X ó X sobre Y para el caso de varia- .102. COBRELACION GRADUAL E. (b) X eobre y. C.74. (c) el coeficiente de conelación generalizado. F. Y con E. I COEFICIENTE DE CORBELACION GENEBALIZADO E'91. lo¡ resultados se mueshan en la Tabla 8140. t. (o) Calcular el coeficiente de conelación múltiple pars los datos del hoblema 8.(b)XaobreYparalosdatosdelhoblema2.8. Hallar el coeficiente 264.92. t. E. ble¡ aleatoriac independientes? Explicar.99. (b) De. y\.84. G.90. Tabl.rOO. Mostra¡ cómo se puede diseñar un coeficiente de correlación múltiple.96gina 52.93.lOS. t. página 52.s. en el ca¡o de do¡ variablee aleatorias X.a) = [2r+3a Io o(c(L'o<Y<2 de otra form¡ Ilalla¡ la curva de regresión de (a) Y sobre X.8.5g ufilizando el resultado (35). REGRESION Y CORRELACION [cAP. 8.94.(D)larvariacionee explicaday no erplicada.págirra52.4O 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. página t.106.99. Hallar el coeficiente de conel¡ción lineal para la¡ variableg aleatoria¡ del Problema 2. t.96. t. 8.y. variación toüal es erplicada por la ruperficie de regreeión? (b) ¿Quéporcenüajedela Demostra¡elresultado (27). Da¡ un ejemplo para demostrarcómo hallaría (a) el error típico de leestima.99. (b) X cobre Y para Ios datos del hoblema 2. Doa juecec en una competencia debían clasifica¡ a 8 candidato¿ A.gus observaciones en (o). D. INTERPBETACION PROBABILTSTICA DE LA REGRESION Y LA CORRELACION E. (o) Hallar el coef¡ciente de correlabión gradual para los datos del Problema 8.lo6' función de densidad conjunta (o función de probabilidad conjuñta) f(x. de conelación para las variabie¡ en el hoblem" g.¡ 8. Il¡llar t. (D) X eobre Y para el hoblema 8. B.96. tls[a¡ la recta de régresión de mínimos cuadrados de (a) Y robre X.paraelca¡odeunaauperficiederegresiónlinealparazsobrer. La función de den¡idad conjunta de las variables aleatorias X.página 263. t. H¿ll¡rlacurvaderegreeiónde(a)YsobreX. Y viene dada por f(r.lol.302 CURVA DE AJUSTE. el coeficiente de correlación gradual para loa datos del (a) Problema 8.68 v (b) Problema 8.98.104. estudiar una posible deeventaja del método de conelación gradual. Halla¡ la recüa de regesión de mínimoe cuadrados de (a) Y sobre X.97. Obtener el coeficiente de correlación lineal para el hoblema 8. H de acuerdo con sus preferencias. Hallar el error típico de la estima de z ¡obre ¡.74.

hallar los límites de confianza del (c) 95%. es (o) tan bajo como 8.108. y'es eI mismo que el entre. 8.tu] tan-'L rfti + si) -l E. que hay una diferencia significativa en' tre los dos coeficientes? RESULTADOS DryERSOS 8.* : 8.0 + 2.l19.1 "l$- c2) 20. 8.110. ¿Podemos concluir a un nivel de significación del (o) 0. Verificar los coeficientes (5). demuestre que el coeficiente de correlación entre r'. .l0?hallarloslímitesdeconfianza d.01. (c) la media de lae presioñes sanguíneas de las mujeres de 45 años.?0. y). EnelProblemaS. (b) ta presión sanguínea de las mujeres de 45 años.sx = 3. En el Problema 8. utilizando un nivel de significación del 0'05? 8.84.112. (b) 0.113.50' ¿Podemosre' chazar la hipótesis de que eI coeficiente de correlación poblacional es (o) tan pequeño como p : 0.f-(1 -r2)s.05. 8.70. Un coeficiente de correlación basado sobre una muestra de tamaño 27 se calculó como 0.cAP. Hallar los límites de confianza del (a) 957o.I22. 8. E.tes t?.8.40. Si sr. ConreferenciaalProblema8. Demostrar que el cóeficiente de correlación - g. (Sugerencia: Suponga quer' = noi c1r.!l = 2. Solucionar el Problema 8.50. (b) 0.60.5a = 3. página 260. En el Problema 8.00 y ñ = 7. 8. .el(o)95%.10? ensayar la hipótesis de que el coeficiente de regresión poblacional 1.(b\ 99% para y cuando ¡ : 6. REGRESION Y CORRELACION 303 TEORIA MUESTRAL DE LA REGRESTON 8.111. para la recta de mlnimos cuadrados.30.10?.116.(b\99% pra el coeficiente de regresión.11?. que el correspondiente coeficiente de correlación poblacional es considerablemente mayor que cero? E. Demostrar que el ángulo entre dos rectas de regresión muestrales de mínimos cuadrados viene dado por . 8. Sobre la base de una muestra de tamaño 27 se encontró que la ecuación de regresión de y sobre r era t = 25. 5r . TEORIA MUESTRAL DE LA CORRELACION 8.ypuedeexpresarsecomo il2 -:.el 95% para el coeficiente de correlación calculado en el hoblema 8.115.(b)99%paralamedia'detodoslosvaloresde y correspondientesa¡ = 6. DemostrarqueparaelcasoderegresiónlinealelvalormÍnimodeE'{[]'-(o*¡lX)lz. Demostrarqueelcoeficientedecorrelaciónentre¡.d'.00 ¡. ¿Podemos concluir a un nivel del (o) 0.109.01.01.121.S4. A' = llo * c2y.123.c2 soll constantes arbitrarias.20.10? hallar los lÍmites de confianza del (o) 957o. donde r¡¡ !/6¡ cl¡.00.95 respectivamente.00.60 de una muestra de tamaño 28.\ es independiente de Ia elección del origen de las variables o de Ias unidades en que se expresan.211Ú 8.114 si el tamaño de Ia muestra es 52.(b)997oparu un coeficiente de correlación que se calculócomo 0. Hallar los límites de confianza d.118. Un coeficiente de correlación basado sobre una muestra de tamaño 35 se calculó como 0." = 1. 8. Hallar el coeficiente de correlación lineal. a un nivel de significación del 0. (b) tan alto como 2.80 y 0.114. 8l CURVA DE AJUSTE.05. Dos coeficientes de correlación obtenidos de muestras de tamaños 23 y 28 se calcula¡on como 0. Yvie' nen dadas por 2:r .hallarloslímitesdeconfianzadel 9fleparafo)elcoeficientederegresiónde y sobre r. Las rectas de regresión muestrales de mínimos cuadrados para un conjunto de datos involucrando X. (b) tan grande como p : 0.

(d) Predecir el Índice de precio para la asistencia médic¿ durante 1958 y compararlo con el valor verdadero (L44.304 CURVA DE AJUSTE.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) .4).L25.L24.125.129.l2S.r.8 114. Tabla 8. (c) Calcular los valores de tendencia y compararlos con los valores reales. 210-225 I .1 25.2 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 101. Con referencia a la Tabla 8-43: (o) Representar gráficamente los datos.128. 8ü 8É ¿Es el resultado válido para regresión no lineal? 8.3 1r 7.4 I14.8 8. (b) Br.2 t23.6 L19. Demostrar que para regresión lineal 4 = +. f¡¡ 32 20 t2 q . - Tabla 8-42 Año Indice de precios al consumidor Indice de precios al 99. 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. (o)HallarlarectaderegrecióndemínimoscuadradosdeysobrerparalosdatosdelProblemaS.8 102. Hallar los límites de confianza del 96% pára el coeficiente de correlación calculado en el hoblema 8.5 r14.y para loa daios del hoblema 8.0 113.126. Hallar (o) s".41 ESTATURAS .130.8 111. 8. Ilalla¡ el coeficiente de correlación entre las estaturas y pesos de 300 adultos dados en la tabla de frecuencias siguiente.1 t 10.8 111. El período base es de L94? 1949 : 100. REGRESION Y CORRELACION [cAP.5 por mayor 103.127. (ó) Hallar la recta de mínimos cuadrados que se ajusta a los datos y construir su gráfica.7 114. E. 19 5 o (t) e. 8.5 116.6 I 10. 8.(ó)Estimar los pesos de doe hombres cuyas estaturas son 64 y ?2 pulgadas respectivamente.3 I 10. (e) ¿En qué año podemos esperar que el índice de costos médicos doble el del 194?1949.2 Fuente: Bureau of Labor Statistics 8.1 114. 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 .2 r20.

136. ¿es g(r) única? Explicar. .9 ¿ind 1935 1940 1945 1950 1955 24. Demostrar el Teorema 8-2. si Ia hay.132).134.132 para variaciones explicadas y no explicadas. Estudiar la relación. Demostrar el Teorema 8-1.133.6 23. (a) Representar gráficamente los datos.6 Fuentet Department of Health.132. 8. Sean X. 8. 8.9 Welfaie 19.7 21.3 16.5 23. (b) Hallar la parábola de mÍnimos cuadrados que se ajuste a Ios datos.¿(r) es cualquier función de r para el cual estas esperanzas existen. (d) Explicar por qué la ecuación en (b) no es útil para propósitos de extrapolación.0 1030 18. En el Teorema 8-1. Tabla 8-44 Año Natalidad por cada 1000 habitantes 1915 1920 7925 25.131.l35. Demostrar que si 9(r) = E(Y \ X = c) entonces EUY - É(x)1'!) = E{LI'- o(xl¡z¡ + Ells(x) - q(x)l.página265. REGRESION Y CORRELACION 305 8. y).cAP.¿) donde . Con referencia a la Tbbla 8-44. Y variables a|s3fs¡i¡s con función de densidad conjunta (o función de probabilidad) f(x. del Problema 8. (c) Calcular los valores de tendencia y compararlos con los valores reales.' Utilizar el Problema 8. E. página 265.8l CURVA DE AJUSTE.9 17. (Sugerencia. Education 8.

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

denotada por u..¡)t = tr)(i'. zJ i'k es el total de todos los valores en el tratamiento j. el ANALISB DE VARIANZA 307 VARIACION TOTAL. Por tanto (7) tt.-r..)t (3) r¡x-I = (c¡r. para el tratamiento j tenemos las variables aleatorias Xir.k (:c..k (. VARIACION ENTRE TRATAMIENTOS de cada medida de la gran media Definimos la uariación total.u_r.r)' i. MODELO MATEMATICO LINEAL PARA ANALISIS DE VARIANZA Podemos c<¡nsiderar que cada fila de la Tabla 9-1 representa una muestra aleatoria de tamaño ó de la población para ese tratamiento particular. como la suma de los cuadrados de las desviaciones i. 1 ) (r.t.. )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¡.cAP. es decir Variacióntotal : Al escribir Ia identidad 1) : )(r.j:1*'u (13) En la práctica es conveniente restar algún valor fijo de todos los datos en la tabla. . S eJx r'. €s €l total de todos los valores t - rir ! 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.. VARIACTON DENTRO DE TRATAMIENTOS. Así. Xjo independientes y distribuidas idénticamente.¿. ':: ) (r'. Por tanto .p con respecto a las medias de tratamiento C¡...t. .- r)2 : ) (r. esto no tiene efecto en los resultados finales.r -.).u (Ir) y luego elevando al cuadrado y sumando sobre j y k podemos demostra¡ (véase Problema 9.-r-:): lltulUu (8) Así las ecuaciones (5) o (6) pueden escribirse como 'v-: (e) METODOS CORTOS PARA OBTENER VARIACTONES Para minimizar guientes: el trabajo en calcular las variaciones anteriores son convenientes las formas si- r) = .-r) ) i. Ias cuales toman los valores .k (5) (6) ) j. X¡2.. . . de la gran media cly se denota por ub. . -. .) y la denotamos por u-.k (".u At: donde esto es .u -- i.utt -: 2 @.i'¡)' + b > (r¡ .)*(i¡.i'): i.o")' : ) i. (11) (12) = tu4.t)b n-i_ # U-Ub (:0.1) que ...

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

en tanto que el Teorema 9-2 sólo es válido si se supone f/0. siendo el efecto más pronunciado a medida que la discrepancia entre medias aumenta. va : b)1nt. Es importante ¡ecalcar que el Teorerría g-1 es válido si se supone o no I/s . si las medias de tratamiento no son iguales. Se deduce que un buen estadístico para ensayar la hipótesis -EI¡ viene dado por 3. esto es. Debe advertirse que los grados de libertad para la variación total. vemos de (23) qrr" 33 puede ser mayor eü€ o2.ab . es igual a la-suma de los grados de libertad para las variaciones entre tratamientos y las variaciones dentro de tratamientos. (3) y (8). que se denominatabla de anólisis de uarianza.9l ANALISIS DE VARIANZA 309 DISTRIBUCIONES DE LAS VARIACIONES Utilizando el Teorema 4-4. V6 y V. Tabla 9-2 Grados de Iibertad Enüre tratamientos. (10) y (11).a(b-L) j a\o _ l) grados de libertad a : a-L+ ut = )(er¡../o2yV/étienen la distribución chi-cuadrado con ¿ -1 Tenrema y ab - 1 grados de libertad respectivamente.-f. y luego calcular u. TABLAS DE ANALISIS DE VARIANZA Lo! cálculos pedidos para el ensayo anterior se resumén en la Tabla 9-2. po{emos demoshar los siguientes teoremas fundamentales relativos a las distribuciones de las va¡iaciones V.1.3 r""igual a c2 independientemente de si las medias son iguales o no. Vt. a-I. Teoremag-3: E] estadístico tad. el cual es una consecuencia del Teorema 5-8.Ffs no es cierta. 9-1: V. Pa¡a utilizar este estadístico debemos conocer su distribución. con tratamientos. . página 161. Por otra parte.: u uu.)2 . Si este estadístico es considerablemente grande podemos concluir que hay una diferencia significante entre las medias de tratamiento y así rechazamos f[e. Total.- ¡¡z Ao s6 = o-1 u6 86 -_ s. Teorema 9-2: Bajo la hipótesis nulal{0. pág¡na 116.u/o2 tiene la distribución chi-cuadrado con o(b . o el método corto. es decir.1) grados de liberbad. ENSAYO ¡ PARA LA HIPOTESIS NULA DE MEDIAS IGUALES Si la hipótesis nula .13¿. En la práctica calcula¡íamos u y uo empleando eI métódo largo. Esto viene dado en el teorema siguiente. De otra forma podemos o aceptar lfe o reservarnos el juicio dependiendo de análisis posterior.cAP. 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. de (I9) y (20) cabe esperarse que S.

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

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

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

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

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

El procedimiento se ilustra en el Problema 9-tr3.9-l Fig. 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. DISEÑO E)GERIMENTAL Las técnicas de análisis de varianza discutidas anterionnente se emplean despuós de que se han obtenido los resultados de un experimento. Il[r) no puede rechazarse.los detalles de un experimento deben planearse cuidadosamente con anterioridad.F de 33/0? V GfBi en cambio de esas dadas en la Tabla 9-6. B. Il[3) puede rechazarse. Esto produce una tabla factor dos con valores singulares.r A B c A C B A c C" Dr Au B6 Cuadrado Compleüa aleatoliedad Bloquee aleato¡ios Cuadrado latino Fis. D.1). Caso I. y l/. Las diferencias en los factores serían impgrtantes solamente si fueran grandes comparadas con tales interacciones.9-l .1. (a . a cuatro bloques escogidos completamente al aza¡. esto es l3*= 0 I{:}): No hay interacciones entre tratamientos y bloques. aunque físicamente cualquier forma puede utilizarse) y asignar cada tratamiento. Dos casos poóibles se presentan.2 Fig. utilizando hs íelaciones F de G?liZ v 3:63 reópectivamente como se muestra enlaTabla9-6.9-3 grecoJatino Fig. Pa¡a üseña¡ tal experimento podríamos dividir el teneno en 4 X 4 = L6 parcelas (indicadas en la Fig. y utilizando este valor para remplazar el denominador 3! en el ensayo F. etc.o) y-H<2.1) (b . Esto se denomina a veces como diseíw del experimento. Utilizaremos este procedimiento alterno. 9-1 por cuadrados. 1. Caso II. Sin embargo. 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. Luego podemos ensay4r H. En este caso podemos concluir que las interacciones no son muy g¡ánAes. para ganar tanta información como sea posible. En este caso podemos concluir que las interacciones son considerabtemente grandes. En lo que sigue damos algunos ejemplos importantes de diseño de experimentos.j'z) utilizando las relaciones . Por esta razón muchos estadísticos recomiendan que se ensayen I/é'. 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. página 306. 9. que pueden analiza¡se como en la Tabla 9-5. indicados por . Completa aleatoriedad.4.cAP.F' de 3?/S3 de la Tabla 9.l) + ab(c . Supóngase que tenemos un experimento agrícola como en el Ejemplo 9.6. 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 . El propósito de la aleatoriedad es la de eliminar varias fuentes de enor tal como fertilidad del suelo. 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. C.

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

. + abú2 i.k . Hallar (c) el rendimiento medio para los diferentes tratamientos. (c) la va¡iación total.utilízandolanotaciónenlapágina307.j=lk=l 'i ) )'¿r. )r¡. (b) (c) Puesto que 7j.]. B.D6 I ab¡z s-? -4 ab =.2.3..'*\ u u. i'k f¡*" .r-r): i.) r:r tenemos K por Ia parte (c).2(o) en el último renglón.¡.-¿)t )¿i = i.2(o) en el tercero y último renglones anteriores. o C. el ANALISIS DE VARIANZA 317 g. : abñ.k abúz )"i = j. riedad de trigo cultivado en un tipo particular de suelo tratado con químicos A.k 2r@br\ aü*: )"'n = j. = 't)61't). Verificarque(o) (d) r: úbÍt(b).t) = )(¡. (d) la variación entre tratamientos y (e) la va¡iación dentro de tratamientos. -'#(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.cAP.It - 1'b' Tabla 9-? 9.oi-ziri+ñ2) utilizando el Problema 9.. Análogamente = )(¿. (b) la gran media para todos los tratamientos.ijk+ñ2\ = i.u ó un -.k = )rr¡. )1rc = ))*r* r = abt 9.zr>ti.r b bI 1.=brj.k )(rji-zx.4..k / r'\2 rl rS/rl-zrJ. Tenemos página 307.18 49 48 50 49 51 50 . La Tabla 9-7 muestra los rendimientos en hl/ha de una cierta va- A B C . Utilizar el método largo.2x)r¡¡ I i.-!+abEz -* í.2(b) en el tercer renglón y el Problema 9.(c) ?'. Verificar las fórmulas cortas (10)-(12). .18 49 50 47 19 .k .

f B+4+6+b+b¡ = Así la gran media para el conjunto original de datos es 45 * 4 : 49 hl/ha.4. = i(B+4-f b+4+2t. obtenidog al sumar 45 a éstos.1): 3(4-1) : I grados delibertad.41-B..4)'. eon 49.Tabla 9-8. (a) (b) ? 3 9. Por tanto los rendimientos medios.01? Tenemos con-o Con referencia al hoblema 9. = lae+A+3*B) = 5 3.4.4)! + (3 .¿): + (4 -4):¿ + (6-4)2 + (5. 1 = 4.Puesüoque^F :6)F.6.¡. Entonces obtenemoe los datos de la. = ) @¡¡-E¡.4)2 + (2 .@ir-E)2 = (3-4)r + (4-4)x + (6-¿)¿ + (4.26. 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 significación del (c) 0.g)r + (4.: i(4+6+5*5) = respectivamente.conut:2yu2:9.:l = = r'.¡. . (o) ConreferenciaalApéndiceF. ¿podemos rechazar la hipótesis nula de medias iguales al nivel - 1 : F=$=h = 3 6 - L : 2ya(b .k = (3.5)r + (d--5)! -l (5-5)r + (5-5)r 412 9. (b) la variación dentro de tratamientos. B. -¿). Con referencia al Problema 9. = b)) (é) Variacióndentrodetratamientos Otro método.4¡:: * (3 .5. por ejemplo 45.4)2 + (4- + (2 -3)2 + (4-3)2 + (:J-U + (5-4¡r + (4-4): 3)2 + (3 .95:4. =.318 ANALrsrs DE vARTANZA Para simplificar la aritmética podemos restar algún número apropiado.u = 14-8 = 6 (cl. 4l(4 .)2 t.yemosqueF.05.4)2 + (4-4): + (3 . 3 0. Variacióntotal 4 =. Tabla 9-E e (a) por Las medias de tratamiento (fila) para la Tabla 9-8 vienen dados respectivamente rr. ¡r. (b) 0. 48 y 50 hl/ha para A. C (b) (c) . [cAP.05. de todos los datos sin afectar los valoree de las variaciones. = o.4)2 + (5 -. i. = !4(B+4+ 5+4..¿.4): + (5-4¡: =14 ((l ) Variaciónentretratamientos = tr.96podemos techazar la hipóüesis nula de medias iguales al nivel 0.

6 ¡e muestran en la Tabla 9-9.4.4-9.9 o(b-1)=(3)(3)=9 gradoe de =14-8=6 libertad 9. Tabla 9-9 Gg=f. (o) Tenemos 2r¡?r=9+16+26+16 t'k +4+16+9+9 +16+56+26+26 También = 206 = 3+4+5+4 +2+4+3+3 +4+6+6+6 =48 1) Por tanto = a"?--# : .9no podemos techazar la hipótesir nula de medias iguales al nivel 0..n) = : 2oo 6 _ tg2 = E (c) D-Qb:14-8 .02.O1. I¿ tabla de aDáli¡is de va¡ianza para loe hoblemss 9.2/3 n con 2.6:8. .conur:2!uz:9.?.4 ba'i ab 1 i062+t22+202) 0w: (^8\: te. = 3+4+6*4 = 16 tz.06-S8t = (b) Los totdes de las filas ¡on 206-rsz = 14 También rl. .=2+4+3*3:12 rt.Pue8toqucF=6(F. Utilizar las fórmulas cortas (101-(12) para obtener los resultados del Problema 9.= Dentro de t¡ata 0w=0-0b a -63 ^' .vemoaqueF.cAP. = 4 +6+5*5 = 20 r = 16+12+20 = 48 Luego D6 1s-.a&-6 . el ANALIS$ DE VARIANZA 319 (b) ConreferenciaalApéndiceF.

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

-¡.. ?t¡ = 655 tratamientos.l-5rr -.r (2 5):r -l. Utilizando el método largo. el Formamosla Tabla 9-13..-i)z -3(9 ' - 7\2 36 ! 5(7 + 4(8 -- 7)! = 36 .05. directamente observando que es igual a (7--9):r-(11.f)r!-i tÍf -f)): r t.u-1) = 5(4) rA = I l "u ?'. lógicamente tampoco la podemos rechazar al'nivel 0.1456 =ZO I | =.01. 20 grados de libertad tenemos F . Tabla 9-15 Total Muestra 1 Media 9 7trI 4 27 8 5 2 Muestra 2 Muestra 3 6 25 32 5 10868 .9. Es conveniente restar Tabla 9-14 Muestra 1 ..(i -5r2 .¡r .ss: 2. ensayar al nivel de significación del (c) 0. las medias de grupo o muestrales y la gran media.18-512: rl¡--5rr .^.)(r.(10 8r: I í8 __ 8)r -i rG 8): -1.".05.r. ".. Tabla 9-13 Entre tratamientos.)! ¿'.i = Gran 8 media = 84 1t En esta tabla hemos indicado los totales de fila.fti'k ¿rr.1 . u. MODIFICACIONES PARA NUMEROS DESIGUALES DE OBSERVACIONES 9. La Tabla 9-14 muestra la duración en horas de las muestras de tres tipos diferentes de tubos de televisión fabricados por uná compañía.102 410 .)rr¡(.-i.cAP. ANALISIS DE VARIANZA 321..(8 _ 8l: - . Por tanto no podemos rechazar la hipótesis nula a un nivel 0.t0i Muestra 2 Muestra 3 11 409 401 406 408 405 .u¡. (b) 0. .-+(8-7)z = 5): 72 -= J'K )(t. 7):+(11 -?)2+. por ejemplg 400.108 406 408 un número apropiado. y obtener la Tabla 9-15.2lIl I ab-I=24 I W = tz. .01 si hay una diferencia en los tres tipos.ru r También podémos obtener 72 -- 36 ..8 (5X4) t: Pata 4. Entonces tenemos .87 .

como también los totales de columna. 72 t1.2 Calculamos los totales de fila y medias de fila. ¡=84 = + iL2 + .4 uru so'- 18 = 36 G1=?9=4 = 4.2 7. + 62 +8r-Q|2 = 72 a6 = ?t-.11.8 o. rg.05 pero no al nivel 0. so:. e Variación Grados de libertad Media de cuadrados F D¡=36 a-7=2 n-a=9 io.10. Tabla 9-16. 9. Rt=3.02.(32)2 s-5-4 -W = s6 'l)ú = I-Ub Utilizando estos re¡ultados el análisis de va¡ianza procede como en el Problema 9.01 si (a) hay una diferencia significativa en rendimiento por acre debida a los fertilizantes. ninguna diferencia en los tres tipos de tubos) al nivel 0. La Tabla 9-17 muestra los rendimientos por acre de cuatro go.26. Tabla 9-1? Cosecha cosechas de plantas diferentes culparcelas tratadas con tres tipos diferentes de fertilizantes.8 6.01. = = 36 (27)2.9 6.?. ensayar al nivel de significación de 0.-. (25) V Q6l. = 19= 1g 5.99 : 8.(25)2.2 ñ"¡'. Por tanto podemos rechaza¡ la hipótesis de medias iguales (esto es.0 5. Tabla 9-16 [cAP. como se indica en la Tabla 9-18..7 45 8.=32.os datos pueden resumirse en la tabla de análisis de varianza. CLASIFICACION DOBLE O EXPERIMENTOS DE DOS FACTORES 9..5 Enüonces para 2 y 9 grados de übertad hallamos del Apéndice F que F. I 5. Por tanto ! = n2=5. n=12. Soluciona¡ eI Problema 9. F. De la Tabla 9-15. 12. Utilizando el método lartivadas en Cosecha I Fertilizante A Fertilizante B Fertilizante C u Cosecha III Cosecha IV 6.6 7. 12t nB=4.=27.9 utilizando las fórmulas cortas incluidas en (24).8 9. las medias de columna y la gran media.322 ANALISIS DE VARIANZA f. (b) hay una diferencia significativa en rendimiento por acre debido a las cosechas.9.:25.4 7. .96 : 4.

zt gl: 2.6. .5 -6.05 con 2.4-6.14.32 U: Va¡iación total (4.8)2 = 23.6 grados de libertad.6 5.8)2 -1 (9.5 18.cAP.2 2t.6.0 7.9 columna Medias de 19.0 Gran total 22.2 -6.2 8.8 Media de fila 6.9 = = 81. (7.8)2 + (8.:5.8)2 + (6.24> 5.8)2 + (5.4¡z a (6.08 ue : Variación aleatoria = Lt .S12 -'.68 u" : Variación de medias de columna con respecto a la gran media = 3[(6. 64 7.2 6.5 6.3 Gran media 6.ocz Al nivel de significación de 0.8 -6.7 -6.7 8.9 -6.4 7.8)2 + (6.5-6.8)2 + (5.6 7.3 5.2 Fertilizante A Fertilizante B Fertiüzante C Totales de 4. Tabla 9-19 6.14.8 : Variación de medias de fila con respecto a la gran media = 4U6.8)2 + (5.8 .7-6.3 .2-6.r.4-6.9 68 5.3-6.6.2 23.yaque 6. Entonces.4¡z * (7.6.8)2 + (5.8)21 = 13.r.8)2 + (?.0 33. : Esto conduce al análisis de varianza en la Thbla 9-19.6 oi = t.8 9. 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.podemos rechazar la hipótesis de que las medias de fila son iguales y concluir que al nivel 0.6.8)2 + (6.6 .5 6.6.8 7.0-6.7 5.8)2 + (8.05 hay una diferencia significaüiva en el rendimienüo debida a los fstilizantes.2 .8 . .58 F =G?/C?: a. el ANALISIS DE VARIANZA Tabla 9-18 Cosecha 323 I Cosecha II Cosecha III losecha IV Totales de fila 24.0 .86 gl: 3.8)z] = 2.6 columna u.6 ¡'=0"2/i3=0.9 .6.8¡r+ (7.S¡z a (7. Fq.

88 ab = 23.2)2 81. 554. C. - 13.24 ¡ (22.2+23.58 EXPERTMENTOS DE DOS FACTORES CON REPETICION 9.. .2¡z (19.6 : 577.9)2 = 1673. (b) una diferencia en los turnos.324 ANALISIS DE VARIANZA las fórmulas cortas para obtener los resultados del Problema 9. Los resultados se indican en la Tabla 9-20.2.2)2 (27-O'¡z r. + 24.05 si hay (c) una diferencia en las máquinas.88 2. Efectuar un análisis de varianza para ensayar al nivel de significación del 0. En esta tabla se indican los dos factores principales.6)¿ = 2274.8+33.5)2 + (18.82 11 = = 23.96 bj'j.rol rt .68 .S¡z a (6. Los días de la semana se pueden considerar conro réplicas o repeticiones del rendimiento de cada máquina para los dos turnos.82 = 6. Un productor desea determinar la efectividad de cuatro tipos de máquinas A.08 de acuerdo con el Problema 9.6 = (4. Para llevarlo a cabo se obtiene el número de tornillos defectuosos producidos por cada máquina durante los días de una semana en cada uno de los dos turnos.2)2 ¡ + (33.G8 = *>t-"ti = |trozs.n¡z (5.t2.k )"i T a . : lcAP.(23.88 = = 18.11. D en la producción de tornillos.08 = uc Lnezln. e 9. Tabla 9-20 PRIMER TURNO Lun 6 SEGUNDO TURNO Mar Mie Jue Vie Lun Mar Mie 12 Jue Vie 10 C I o D 10 Los datos se pueden organizar de igual forma como en la Tabla 9-21. Utlizar Tenemos de la Tabla 9-18 i. móquina y lurno.11. B.13.zu 'üc bb4.96 S-z Sro (24.. Nótese que para cada máquina se han indicado dos turnos.ut - bb4.10 Entonces s-2 j* tt'r^ 12 ab = vr 1s-r-t' 577.

¡2912. variación debida alasinteroccion¿s entre las filas y columnas. 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 [.S .. + 72 +L02-W = 1946- 1?95.0c = 65. 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+ .3.1 = 6. (30)2.5 .6 rov = 8.2 . viene dada por -. que es una tabla de dos factores con valores simples. _124)2.6 = 1b0. (31)2.)' + qq -ld.b --5 .-. (38)2 ""--6-5 ..0-8.cAP.S .6 : 66. (44)2. (32)2. Esta viene dada por * u" ) obtenemos la 0i = 0"-D¡.b . ZO - (126\2.0 'tt" = --ñ.1795.?_1?e5.4 variación total para la Tabla g-22.1 Si reetamos de la variación subtotal u.4 Para considera¡ los dos factores principales. que llamaremos variación subtotal u".(41)2. Estos se ordenan en la Tabla 9-22.6-51.5 = 1861.6 - 1?9b. (119)r_eqq\2 ? 40 - _ 180s.6 La variación enhe filas üene dada por (zee¡z 40 a' = (54)2 (85)2t' (6.6 = 51. concentremos nuestra atención al üotal de los valores de repetición correspondiente a cada combinación de factores. la suma de las variaciones entre filas y columnas (u. móquino y turno..ro ro 10 La va¡iación entre columnas viene dada por (zgq)' 40 = 1846.

ya que hay 4 filas en la Tabla g-22La variación debida a l¡s fila¡ tiene 4 .o Columnas (turnos). Por tanüo los grados de libertad debidos a l¡ va¡iación residual o aleatoria ee 39 7 : 32. podemos rechaza¡ |a hipótesis flllr ¿" la pógina 315. D" = 84'8 Total.: 4. Esto esequivalenüe a decir que al nivel 0. vemos que F para las fila¡ e¿ 6. Esto es equivalente a decir que al nivel 0. la va¡iación subtotal) ¿L U variaóiOn tot¿l u. e Finalmente la variación reaidual.90 para B.05 podemos conclui¡ que las-máquinas no son igualmente efectivas. eeto es.o" : 150. De la Tabla 9-23 vemos que pa¡a interacción F : 0. u= 150.:6.tr ¿" que lar fila¡ tienen ¡¡sdi¡¡ igualee.4 Para continuar debemos determinar primero si hay alguna inüeracción significaüiva entre los facüores básicos (es decir.16. filas y columnas de la Tabla 9-22).F nl: 2.42.65 para el denominador de F en la Tbbla 9-23 no afectan las conclusiones alcanzadas anteriormente.61.entantoquelavarirrcióndebidaalae 2columnastiene 2-L= Estas va¡iacionee se indican en el análisis de varianza.8 1 grado de liberüad. 0c = 8'1 Interacción.6 : 84. hallamos para la va¡iación combinada y grados de libertad combinados u¡* u. ce debe a interacción. el reeto.06 no hay diferencia iignificativa entre turnos.4-65. u¡ = 6. Siguiendo lae reglas de la página 315. se halla reetando la suma de variaciones füa. Puesto que 3 de esos 8e deben a filas y 1 a columna¡. 0' = 51'0 i? = tt. Para hallar loe grados de übertad debidos a la interacción obeervamoe que hay 8 valores en la Tabla 9-22. . 7 (3 + 1): 3. Al usar este valor en cambio de 2. columna e interacción (ee decir. - libertad cottespondientes a cada tipo de variación. Eeto resulta en a" = Q-(or*o"*o¡l = 7).81?. Tabla 9-23. 32 grados de liberüad Fn.5 G? = zltt Aleatoda o residual. Po¡ tanto el total de gtadoe de libertad es 8 I : 7. Aef. I¡iabla también da el número de grados de Tabla 9-23 Filas (mÁquinas). que conduce a unava¡ianzacombinadade gL. Puesto que .SfSe:2. Entoncee ya que F calcul¡do para lascolumna¡es 8.326 ANALISIS DE VARIANZA lcAP.! : Sgradosdelibertad.8 : 91.06. Si decidimos analizar los resultados combinando las variaciones residual e interacción como lo recomiendan algunos estadísticos. no podemos techazt la hipóteeio l/[zt ¿" que las columna¡ tengan medias igualee.Ya que hay 40 valores en la üabla original 9-2i el total de gradoe de libertad es 40 1 = 39. 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).3 y 3 + 32: 36 respectivamenüe. lo cual indica que la interacción no ee significante. B2 grados de libertad podemos rechazar la hipóüesis ll.. Para l.6 + 84.

49. 29. 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.lá.47 para 3. Ya que F .r.05 y (b) 0.06 = 4.e0 = 7.Ia variación üotal y las va¡i¡ciones para filas.06 : va¡iación entre (77\2 (74\2 (78\2 (71\2 columru lS=?rc= 4 .l cAP. Solucionar el Problema 9.' + (10¡z * (lT2 -@5Y 16 5769 - 6439.19 (2eS1z - 5439.75 .06 .4 -.13 si se utiliza el nivel 0. columnas y üratamientos se obtienen común y corrienüe.69 16 variaciónenrretratamienros = .51 para 1.06 : 329.1)¡ ff +ff + ff -5468. 32 grados de libertad y puesto que F para columnas es 3.15. Un hacendado desea ensaya¡ los efectos de cuatro fertilizantes A.t: 4. Hdlamos Va¡iacióntotal : o= (18)? + (21)2 + (25)2+'. de modo que podemos proceder más al. podemos concluir que aún al nivel 0. A este nivel aún no hay interacción apreciable.01. donde los números indican rendimientos en dkl por unidad de área. concluimos que al nivel 0. 32 grados oe libertad y puesto que F para filas es 6.94 Variación entre filas .4 .01 las máquinas no 6on igualmente efectivas. También obtenemos el total de rendimientos para cada uno de loe fertilizantes como g€ muestra en la Tabla 9-26. B. CUADRADOS LATINOS Tabla 9-24 9.25 + ry . = T*ry*ry 5723.5439.14.At-ril. el ANALISIS DE VARIANZA 327 9. Ya que ¡'.19 - 5439.05.01.25 *9'{ -(fftr = 284.. D en el rendimiento de trigo. Efectuar un análisis de varianza para determinar si hay una diferencia significativa entre los fertilizantes a niveles de significación de (c) 0. C.01 no hay diferencia significativa en los turnos. 4 : 5443. 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 9.26 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.

de modo que cada letra apatezca solamente una vez en cada fila y solamente una vez en cada columna.19 Columnas. podemos concluir que hay diferencia entre fertilizantes. conductores. Ya que el valor de.76.16.¡. Un aneglo posible es el dado en la Tabla 9-28. podemos aceptar la hipótesis que no hay diferencia enla fertilidad del suelo en las filas (o las columnas) al nivel de significación del 0. 4. rechazamos al nivel 0.o :4.r.9 > 4. i I}¡ 9. C. autos y caminos podemos emplear un cuadrado grecolotino. Es de interés determinar si hay alguna diferencia en el kilometraje por galón entre las gasolinas A. 6. Diseñar un experimento utilizando cuatro conductores. debemosconcluirquehay una diferencia entre fertilizantes al nivel 0.0 : 9. Tabla 9-28 CONDUCTORES 1234 B. D.17.19 Residuales. Asignamos aleatoriamente los cuatro caminos que van a emplearse. p. CUADRADOS GRECO. 29. D aleatoriamente a filas y columnas.05. Asignamos las diferentes gasolinas A. B.78. denotados por o. 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. Se deduce que al nivel 0. Sin embargo.lJtiliza¡ el análisis de varianza para determinar si hay alguna diferencia significativa al nivel 0. Tabla 9-2? lcAP. e Filas. Puesto que se incluye igual número (cuatro) de gasolinas. C.05 hay diferencia en la fertilidad del suelo de una fila a orra. Supóngase que los diferentes autos se representan por las filas y los diferentes conduetores por las columnas. sujetos a los mismos requisitos impuestos a las letras latinas.. 11.01. 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). como se indica en la Tabla 9-28.69 Tlatamientos. cuatro autos y cuatro caminos diferentes. Así cada conductor tendrá la oportunidad de conducir a lo largo de cada uno de los caminos. concluimos que no hay diferencia en la fertilidad del suelo en las columnas. LATTNOS 9.01. (b) Ya que Fgo. Puesto que el valor F para columnas es menor que 1.328 ANALISIS DE VARIANZA El análisis de va¡ianza s€ muestra en la Tabla 9-27.8? (o) Puesto que F er.05Ia hipótesis de que hay medias de fila iguales.. B.F para tratamientos es 4?. 284. .76. 7. 4.' I A.

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. Las filas. (63)2 .60 (A.1 para un cuadrado de n X n. Dl Caminos: (o' P.4-T 4 . leüras laüinas y letras griegas cada una tienern 1 grados : 4. (62\2 -.60 - 4096 = = 16. Filas: a----l---4 (64)2 . ó) Ga¡olinas: (62)2 4267.00 deliberüad. columnaE.60 -4096 = 111.60 Columnas: . 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. (61)2 .cAP. C.00 de modo que la variación debida al e¡ror e¡ 148. el ANALISIS DE VARIANZA 329 Prirpero obtenemos totdes fila y columna como ¡e indica en la Tabla 9-30. -1--4(n-1)=(n-lXn-3). (81)2 . 4 - (70)2 (256\2 16 Q6A)z 16 QAA¡z = 4112.60 = 6.Ennueetro .os resultados se mueshan en el análi¡i¡ de varianza. B.4 .50 4244-4096 = 148.60 ry*ff+ff+ry-ry 4 (16)'z = 4ros. E número total de gados de übertad es n2 .50 La variación total ee (1S¡z * (le¡z + "' + (16)2 + (2s\2 -e66\2 =' 'I | \-vt 16 16.60 I 4096 6. 7. como eigue: Atotal: 15+16+15+16 = Btotal: 19+18+2I+ 23 = Ototal: . (59)2 .Portantolosgradosdelibertadparaelerroresn2 caso n f. (52)2 . Tabla 9-31. (68)2 4 . utilizando el método corto.6o-40e6 = ?. (61)2 4-4-4-4-16 4102.50 - 7.00 - 6-50 - 11r.

¡z > + ) (x.s : 29.330 ANATISIS DE VARIANZA Tabla 9-31 lcAP.) = bj¿E(Si) utilizando (I6) del Capftulo 5. donde Sf é define por (15). Derivar (c) la ecuación (17).5.50 2. 111.01..26 Tenemos F. J=r - =.-*. e Columnas (conductores). = 9..18.. 5u. Demostrar que > oj = 0 [(15). (o) Poi definición tenemos v.a:9. 6). Por tanto podemos rqchazar lahipótesisdequelasgasolinasson igualee al nivel 0.-¡b-l ¡ es la varianza muestral para el tratamiento jr como que el tamaño de la muestra es b.05 pero no al nivel 0. Se deduce que t=L )¡t* )"t j:r ' donde hemos utilizado la definición p )a. Entonces.} . de Ia página 308.50 Caminos (o' É' 7. (4.60 Gasolinas.19.so. B. = F* e¡. b 3 (¿'-1"'\ -i---t\ b / = a(b . El tratamiento medias de la población viene dado por p¡ Por tanto ac = 9. 6.*-i. página 308].C.tz = b j=r |Lo rEr' " ' ) = ¿!s? j=1 d.s.l)oz - . (b) la ecuación (I6).D).28 V F. Capítulo 5. 7. ya E(v.or.".3u*3" = op+\'¡ t=L i=l !:t' = (2p)/a. PROBLEMAS DIVERSOS 9.500 :?*33=t.= .r.

página 309. Demostt'ar el Teorema $1.bgQ7z) Entoncee para cualquier variable aleaüoria U. 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.p6gitn 116. con medias ¡t¡ y varianza común 02. Como ¡e indica en el Problema 9. .-x¡z t=r aa a o = b>*i-2bx)x.19(o). el ANALISIS DE VARIANZA Por 331 (b) definición vt' = a ) 1*r. ¿Podemos sostener esta conclusión al nivel de signifi cación del (c) 0. E(U2) = Var (U) + lE(U)12. Por el Teorema 5-6.) (d) (7) E(Xj.1 gradoe de libotad. = 84. los diferentes días de la semana. tenemos dd Teoreme 6-4. que V-/o2 tiene dishibución chi-cuaüado cón o(b - 1) 9.18. omitiendo el fndice de la euma. obteniendo u" .+auxz l=r t=L ya que (f) (21 (. + > al - ob¡P (c--t)62 * b ) a. puesto que las varianza¡ S! bn indep el Teorema 4-4. bSJ/o2 tiene drado con b .t) X = ( )It. P¡ra hallar la variación debida a larepeticiónutilizamoslostoüalegdecolumna cn la Thbla 9-21. en la Tabla 9-23.05. Por tanto lv(x.) / \ // /\/ ' = b>*?.01? Si existe alguna variación debida a las repeticionee se incluye en lo que ae llama el ertor re¡idual o aleatorio. üenemos E(val = b>86?) var(i¡..8. página 158: ( tr) var (5) =r Var(X) = # E(X) = p (i¡.) + a.2 9. en (I ) tenemos E(va) = b>[+*(¡.-ab*z j=1 a.+*i):-l -"ufLab J !+rr) " '' ) -LD aoz * b ) (p+ a¡)2 - o2 - s'b.21. esto es.13 supusimos que no existían diferencias significativas en las repeticiones.) = pj = p+ai Utilizando los resultsdos (2>(7).20. En el Problema 9.P = (a-l)o2 * abp2 + zbp> ".\12 lBlx¡12 E(xil : E(Xz) = Var (Í) + Pero ya que las poblaciones de traüamiento son normales. (b) 0..cAP. ¡úgina 161. más el reeulüado dd hoblema 9.Enloncex. Entonceo.

teniendo en cuenta las repeticiones. 8r..2g grados de libertad.4 3 Aleatoria o residual a'" | 2.767 | -=0."o = 11. Tabla 9..8 114: ?8.rpor denota la gran media.06 (y por tanto al nivel 0. = 8'1 Repeticiones (días de la semana).827 = 73.. La interacción entre todas las clases se denomina como antes la uariación aleotoria o residuol. Las siete variaciones en las que se puede dividir (1 ) vienen dadas por u = DA+ürJ+uc lTIAB *. Describir cómo se pueden utilizar las técnicas de análisis de varianza para clasificación triple o experimentos con los tres factores (con factores simples). I-a variación residual después de restar la variación debida a la repetición ea ue : 84. es la media de valores para las clases Il y C cuando Ar es constante. Estas variaciones son entre clases del mismo tipo y entre clases de diferentes tipos (inúerccciones).Elvalorú¡¡. o. El valor f. 9. Las otras variaciones son las mismas a las de la Tabla 9-23. Pero ya que Fe5: 2.4.32 Filas (máquinas).8¡r. denotadospor ejemplo. (47)2 (50¡z -. l---g 6.332 ANALISIS DE VARIANZA [cAP.t 2 @¡rt- ú)z que puede dividirse en siete variaciones. es la Tabla 9-32. C.C{luposdenotadosporC¡.4)2 .0g.k. denota la media de valores en la clase C cuando A¡ y B:p se maitienen fijos.6 = 11.7! parz 4. g - (268)2 40 = 1807 .01) debi- da a las repeticiones.*ucA-. La tabla final de análisis de varianza..18. 0' = 0c 51'0 Columnas (turnos).. sedenotaporxjkl. podetnos concluir que no hay variación significativa al nivel de 0.22. e 1t=-+'re¡ (57\2 g (51)2 g . . . Finalmente d Existirá una uarioción total dada por (l) 1) = t.86. Ias conclusiones reliacionando máquinas y turnos son las mismas a las obtenida¡ en el Problema 9. es decir. Sigñificados análógos se dan a E¡ ¡ ! r ... Suponemos que la clasificación se hace en A grupos. . Ao) Barupos.. como se indica en la Tabla 9-33. el número de grados de libertad asociados con esta variación es b 1 : 4..u¡6.C".4 De la tabla vemos que el F calculado para repeticiones es 1. ..¡r. los días de la semana no eon significativos.4 Puesto que hay 5 repeticiones. Reproduzca la tabla de análisis de varianza a emplearse en tal caso.ú¡n< .EIvalorenA¡. T. denotados pot 41.1795.

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

a 9-38.05. C.28. (25) V Q6). Demostra¡ la¡ fórmulas cortae (3I fl34). Una compañfa deeea ensayar 4 tipos de neumáticoe A. [.O1 si hay una diierencia significativa en sus calificaciones entre Ssas asignaturas. Ensayar al nivel de (o) 0. página 310.29.06. loa resultados se dan en la Tabla 9-39. Durante un semestre un estudiante obtuvo las calificaciones indicadas en Ia Tabl.24.26. (b) 0. y a cada grupo se le enseña por un método diferente. Un profesor desea eneayar treg métodos de en¡eñanza I. Ensayar a loe niveles (o) 0. II. Tabla 9-37 I\[atca. Demostrar los resultadoe (24). donde cada tipo ¡e ha tratado en 6 automóviles semejantes asignando los neumÁtico¡ aleatoriamente. vienen dadas (en miles de millae) en l¡ Tabla 9-36. D.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 9.01 si hay diferencia en lo¡ neumáticos. (b) 0. para el caso en que los 4úmeror de oba¿rvaciones dean CLASIFICACTON DOBLE O EXPERIMENTOS DE DOS FACTOBES 9. Para lleva¡lo a cabo. La Tabla 9-37 da los números de mill¡s al galón obtenido por autornóviles semejantes utilizando 5 ma¡cas de gasolinas.05. Determinar al nivel de (o) 0. II1. Demo¡tra¡ el resultado (30).81. Ensayar a loe niveleg de (o) 0. prÁgina 311. Dar la informaci6n deseada utilizando un nivel de oignifi' cación del 0. A 33 B 32 c 31 D 29 38 40 37 34 36 42 35 32 40 38 33 30 31 30 34 33 36 34 80 31 Método I III 76 62 7t 68 81 7g 90 81 Método tr Método 86 68 92 73 79 60 76 MODIFICACIONES PARA NUMEROS DESIGUALES DE OBSERVACTONES 9.06. El fabricante desea determinar ei hay una düerencia (o) entre operarior. e 9. I'z duración de log neum6ticor. diferentes.27.85 Tabla 9-86 9.25. 9. (b) 0. 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 .30.os a¡tículo¡ fabricados por una compañfa se producen por 3 operarios utilizando 3 máquinas diferente¡. (D) O. Tabla 9. Se efectúa un erperimento para determinar el número de artículos diarios producidoe por cada operario utilizando cada una de lac máquinas.334 ANALISIS DE VARTANZA [cAP. B.06.01 si hay una diferencia significativa en los métodos de enseñanza. 9. 9. tres grupos de 5 estudiantes se escogen aleatoriamente. (b) entre máquinas. página 311. Luego se da el mismo examen a todoe los estudiantes y oe obtienen las calificacionee indicadae en la Tabla 9-36. determinada de sus fibras.01 si hay alguna diferencia significativa en las marcas.

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. el segundo a un estudiante de otro planüel. B C 16 18 20 15 L7 16 2l 19 18 23 19 2l 23 20 D 9. (b) la localización.40. la eegunda observación empleando una segunda clase especffica. Ensayqr la hipótesis al nivel 0. g.06 de que hay diferencia en (a ) d método de en¡eñanza. EXPERIMENTOS DE DOS FACTORES CON BEPETICION T¡bla 9-42 A 9. Solucionar el hoblema 9. \4 9.41. los bloques).06 si hay diferrencia en (o) los tipos de neumáticos.12. (b ) en los planteles.cAP. doñde los números in' dican 10 en el tope de los graduados. Tabla 9-41 9. ts Tabla 9-43 da el número de artículos produeidos por 4 operarios diferentes trabajando en dos tipoe de máquinas. 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 . 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. (b) las clases de automóviles. E 18 22 2L l7 18 24 g.01.05 si hay diferencias signifiéativas en (c) loe operarios.8?. Suponer que en el Problema 9. / y II.40 utilizando un nivel 0.26 el primer valor para cada método de enseñanza corresponde a un estudiante de un plantel especffico. y así sucesivamente. varfan significati- aleatoriamen' 5 .33.g2. Suponer que el experimentg del hoblema 9. Ensayar al nivel 0. Soluoiona¡ el Problema 9. y así sucesiva-E mente. (b) las diferencias en el tipo de maí2.05.g6. roy"t al nivel de 0. el ANALISIS DE VARIANZA 335 g.38. a ^ B {amente con (o) las diferencias del terreno (esdecir. Suponer que en el Prpblema g. Analizar el ex' pelinojo rubio Alto Mediano Pequeño 76 81 73 78 76 castaño 80 79 perimento al nivel de 0. lo 77 9.39. Determinar al nivel de 0.38 al nivel 0.01. dUrante díae diferentee.3ó r¡tilizando el nivel de significación del 0. 9. Tabla 9'4O TIPOS DE MAIZ bloque te a los hl/ha. Solucionar el hoblema 9. Solucionar el hoblema 9. (b) las máquinas. SLOQUpS C D E IIIUIIV t2 15 15 19 L4 18 11 16 16 l7 10 t2 16 L2 11 14 11 12 16.06 ¡i hay una diferencia en (o) lor ferüilizantes.05 ¡i lo¡ rendirnienüos en bla 9-40. 9.34.33 utilizando el nivel de significación del 0'01. Ios réeultados se dan en la Tabla 9'41.01.01.36. c Semill¡s de 5 tipos de mafz ee siembran en 5 bloques' Cada ue se asignan 0. Solucionar el Problema 9-31 utilizando el nivel de significación del 0. en tanto que en un experimento semejante efectuado en el oe¡te da los resultados en la Tabla 9'42.24ltprirnera observación para cada tipo de neumático se hace empleando una claee espeiífica de automóvil.

Oes: te.44.1. miden las fortaleza¡ de los cable¡. É.44.05. Ensayar la hipótesis a un nivel del 0. y de variaciones del teneno en dos direcciones perpendiculares. (c) lugar de nacimiento. ?a sefabricanporcadaunadecuatrocompañfas.05. Para producir un tipo superior de alimenüo pnra pollos. como se muestra en la Tabla g-46. Tabla 9. 9. Soluciona¡ el hoblema 9. . Determinar al nivel (o) 0. Det¿rmina¡ a un nivel de 0.01 de que no hay diferenci¿ en (o) los fertilizanSe C8 At4 D10 Á10 c12 BL4 D16 D12 B11 811 Dt5 Á10 tee.01 si hay una diferencia significativa en los tratamientoc.05 ¡i hay una diferencia significaüiva en rendimiento académico de los e¡rudiantes debida.S4 Sr. donde lo¡ números indican rendimiento de maÍz por unidail de á¡ea.46. T¡¡ fq¡talezas promedio obtenidas se dan en el cuadrado greco-latino de la Tabla 9-4?. Tabla 9-44 efectúa un experimento para ensayar el efecto sobre el rendiniiento de 4 tratamientoe de fertilizanües A. Ca. Efectu¡r un análisis de la varianza del experimento al nivel de significación del 0.43. El aliñento se da a los pollitos ordenados en grupos de acuerdo con 4 peeos ini- Cr8 464 Dp6 D66 S" ce7 865 BrB c D3 Av6 cr6 9. 6. o. Tr AB 164 c2 Bf 181 c3 ca Ay 193 193 207 166 c4 D6 160 T.4? c. Se obtiene el cuadrado latino. t¡ Tabla 9-48 contiene los datos sobre el moho acumulado en hierro tratado con químicos A.38 euponer que introducimos un factor 876 c81 o73 Tabla 9-46 o78 E'76 c80 o79 c76 877 w4 CUADRADOS GRECO.a diferencias en (o) ertatura. Centro. q D.C1 . 9. El aumento en peso por unidad de tiempo 6e da en el cuadrado greco-latino de la Tabla 9-46. D y las del cegundo por ü. W¡ . (b) colo¡ de pelo. Wz. Cuatrotiposdecable?¡.Tc. St.LATINOS wr ^S. C. BoG Dy l0 Ap8 c6 10 cialee. 4 cantidades diferentes de dos compuestoc químicos se agregan a los ingredientes bási co¡. (ó) 0.Ct. Efectua¡ un análisiÉ de varianza al nivel Q.49 105 103 118 A B 3544 4233 6465 Lt2 10? 90 115 c 108 lr2 93 104 96 L02 .45.as cantidades diferentes del primer compuecto se indican por A.43 utilizando un nivel 0.Tz. Con referencia al Problema 9. c16 9. Tabla 9-4t Alto Pequeño Mediano 110 95 Tabl¡ 9. L62 BB L45 cB 2t2 A6 112 86 Do An 188 Bq 167 c7 136 PROBLEMAS DIVERSOS 9. [. e 9. B.336 CUADRADOS LATINOS ANALTSIS DE VARIANZA IcAP. (D) lae variaciones del terreno.48. eetableciendo cualquier conclueión a que pueda llegarse.Cuatro operarior A. T3 T4 c6 t7l D.05.6 . respectivamente. Sz S¡. Wt.47. 7.Cz. eetableciendo cualquier conclusión a que pueda llegaree. B. B o C.r 198 D. C. D usando cuatro máquinas diferentes.05. w2 BB6 Dog ws Ao5 9. Wc y 4 especies d-iferentes . Tabla 9. B7 At4 Tabla 9-4ó c12 adicironal dando la sección donde naci6 el estudiante Eete. B.

05.Q. Suponer que los resultados en la Tabla 9-48 del Problema 9-48 son válidos para el noroeste. (b) I.01 si hay alguna diferencia significativa en los I. (b)la ecuación@0). Determina¡ al nivel de 0. 9. página 309. . Solucionar el koblema 9. (b) 0. (b) los tres lugares. 70 En el Problema 9-42.50.60. Demostra¡ (o) la ecuación (37). Este Oeste Sur 88 84 86 Medio 80 78 82 Bajo 72 ¿o 9. Un experimento mide el L Q. Tabla 9-51 Alto 9.01. página 372. Demostrar el Teorema 9-2. 70 9. Determinar al nivel (o) 0.Q.05 si hay una diferencia en los puntajes debido a diferencias en (o) el estado veterano. rinden mejor' Los puntajes obtenidos se muestran en la Thbla 9-50.Q.5?. de estudiantes adultos de estaturas altas.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. relativo a diferencia de estaturas. página 312. Tabla 9-50 Alto I.62. Bajo I.52 utilizando un nivel 0'01. 9. Solucionar el Problema 9. 9. 9. Demostrar (o)la ecuación (39). (3) y ( ). ¿Es ésto cierto si cada valor se multiplica o divide por una constante apro' piada? Justificar su resPuesta.40 suponer que un experimento adicional realizado en el noroeste produce los resultados de Ia Tabla 9-53. Se realiza un examen para determinar si los veteranos o los no veteranos de diferentes I. Los resultados se indican en la Tabla 9-49. Norte y centro 80 ¡D 79 g.ó6.05 si hay diferencias debido a (o) los químicos.51. Demostrar el Teorema 9-3. Determinar eI nivel de 0. medias y pequeñas.4g.55. página 309.54 al nivel 0. Derivar los resultados 9. (b) la localización. 9.Q.61.54. 9.05 y establecer sus conclusiones.Q' 9.59. el ANALISIS DE VARIANZA 337 g. en tanto que los resultados correspondientes para el oeste se dan en la Tabla 9-52.62.cAP. t¿ Tabla 9-51 muestra los puntajes para una muestra de estudiantes universitarios de diferentes partes del país con diferentes I. Veterano No veterano 90 85 Medio ril 78 I. Ensayar al nivel 0.Q. Analizar la tabla al nivel de 0. Con referencia a los Problemas 9.05 si hay diferencia en (o) fertilizantes. 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. ¿puede determinar si hay una diferencia significativa en el número de artículos producidos en los diferentes días de la semana? Explicar.23 y 9. (b) la ecuación (38).5E. página 312.Q.

las repeticionec. 9. Montar y solucionar un problema que iluetre el procedimiento en el Problema 9. Efectuar un análisig de va¡ianza en el cuadrado greco-latino de la Tabla 9-65 a un nivel 0. e 9.64. En ln práctica.06 y establecer conclusione8. ¿Deberíen modific¡r¡e la¡ conclu¡iones obtenidas en el hoblema 9.69.62 utilizando un niyol 0. 0. lcAP.05 y eetablecer conclusiones. 2X 2? (D) ¿un cuadrado greco-latino de 3 X 3? . De¡cribir cómo emplear las técnica¡ de análisi¡ de varianza para experimentos de tres factore¡ con repetición.67.21 hallamos una diferencia significaüiva en los días de la semana.65. 9.7 16 D66 Br7 Haga el montaje de un experimento que conduzca al cuadrado greco-latino de la Tbbla 9-55. Suponer que en el hobleme 9.63.66. 9.13? Justificar sus conclusione¡. Efectua¡ un análisis de va4ianza en el cu¿drado latino de la Tabla 9-64 a un nivel 0. 816 FACTOB 2 c2r 823 416 AL8 ct4 Bt2 ct5 l á18 9. Tabla $65 1 FACTOR ar6 863 FACTOR 2 BB L2 C64 Df 15 P" 18 Ae8 cs t4 De t6 cr 20 Bog Ae t7 466 co 9. 9. 9. es decir.69.71. 9. ¿es¡rer¡rf¡ encont¡ar un (o) curdrado latino de Explicar.01. Haga el montai dc un erpcrimenüo que conduzca al cuadrado latino Tabl¡ 9-64 FACTOR 1 de la Tabla 9-54.338 ANALISIS DE VARTANZA Solucion¡¡ el hoblema 9.68.

Apéndices .

.

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

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

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

0003 .1989 .3538 .3251 .2t07 .1539 .0775 .0004 .0029 .01?5 .1334 .3961 .3989 .0060 .0032 .0132 .0014 .0086 .2637 .140 .0973 .0790 .0317 .1582 .0 1.6 ¿.0468 .Dl éo .0007 .0573 .2059 .058.0459 .0002 .3668 . ¡ .6 o.0002 .3956 .6 2.0014 .3034 .72i6 .0893 .07.1872 .0002 .2323 .0498 200 .0371 .0i21 .2072 .3836 .0006 .3352 .016:l .0025 .1 0.0003 .28i1 .0012 .0804 .2083 .1626 .0042 .0002 .0431 .0189 .0283 .1145 .3?65 .0270 .0925 .3683 .3739 .1 .5 3.7257 .0006 .3 IA .3902 .7 0.0023 .1965 .0848 .1 561 604 .3790 .0020 .0213 .2317 .1758 .331 2 3 4 D 6 7 8 o 0.1895 .0081 .l 163 .0004 .0003 .10?4 .3984 .0010 .3448 .o024 .2203 .3989 .8 3.2803 .3079 .0017 .0940 .0387 .2420 .2709 .0058 .0008 .0180 .0005 .0071 .0126 .0055 .0009 .1 .0018 .00r1 .237r .0018 .0122 .3847 .0529 .3637 .0519 2.06{4 .0003 .I942 .0 3.2897 .0478 .381 4 .0620 .0012 .3982 .0449 .24!r2 .3970 .0129 .2 .0004 .0008 .1669 .034? .0277 .0761 .1771 .0669 .254r .0031 3.3572 .3011 .3056 .3725 .2613 .0139 .01.0878 .0694 .0030 -0022 .266I .0241 .3965 .0009 .7 2.0053 .0034 .0562 .0339 oe OA .0551 1.0075 .0027 .0171 .0 .0ri56 .1826 .3621 .2827 .0002 .0422 .0002 3.0013 .0734 .oI47 .0252 .8 2.2966 .3989 .0010 .0r 36 .2756 .0002 .0065 .0003 .0063 .1435 .3332 .3503 .1219 .1 7.1040 .0235 .0033 .0047 .9 2.0488 .0073 .0198 .3802 .0005 .0048 .1315 .3230 .r295 .5 2.0036 .0010 .1 109 092 1.22i5 .9 3.3988 .1 .0061 .2 1.12 .0013 .1 804 .3697 .0005 .3945 .1182 .0355 .1.0208 .1 .0194 .00I7 .0020 .2685 .327L .0681 .r1f)7 691 .0039 .0 0.0113 .0006 .3932 .1736 .1781 .2989 .2589 .0707 .2513 .0325 .0015 .1 .2780 .0084 .3986 .0046 .0154 .8 .0005 .0167 .3589 .0005 .0957 .5 1.0989 .0067 .0040 .2920 .1849 .0833 .0119 .0002 .0003 .3144 I .3391 .8 0.0.0863 .2036 .0002 .3712 .0012 .0303 .3752 .0413 .0002 .0016 .3467 .3187 .2t31 .0203 .0909 .0007 .3778 .1518 .3951 .0025 .0099 .0540 .3910 .óooó .16'17 .0037 .0116 .0224 .3209 .0051 .0015 .1.2516 .3894 .0310 .3521 .0093 .r023 .002I .1354 1.0043 .0028 .1 tQ .0404 .0002 .8 I.0050 .l lJf]4 .4 0.0508 .0379 .0005 .39?3 .0002 .225I .0096 .3867 .3925 .1415 38 .u077 .0818 .0056 2.0158 .0088 .0151 .:1825 .0608 .0632 .9 .0069 .0044 .2732 .3918 .0003 .3410 .0016 .2850 .1919 .0008 .0264 .3 DA .1127 .0007 .0290 .3876 .0258 .3605 .0104 .0396 .0001 .24G8 .2396 .0006 0004 .2227 .1 .0003 .0079 .2t55 .0110 .2565 .2 0.0026 .0011 .3939 .r374 .0004 .0009 .1057 .5 0.3857 .0003 .0038 .0001 344 .0022 .0091 .2295 .0219 .0101 .3429 .156 .0332 .3 0.3166 .3555 .3292 .0036 .0184 .0004 .3372 .3101 .¡ 3.0229 .9 .3485 .0004 .13 .0363 .0596 .3885 .0297 .010? .0019 .3977 .3980 .2 3.000? .2444 .l 2.1006 .0002 .0246 .Apéndice B Ordenadas (E) de la curva normal t ipif icada enz 0 I .6 l.0008 .

3315 .{o9t .4996 .4974 .4842 .2324 .4967 .4992 .4994 .3129 .4986 .4783 .4906 .1368 .467L .1879 .0120 .1960 .4994 .4963 4973 .1517 .4961 .3340 .4817 .Apéndice C Areas baio la curva normal tipificada de0az 0 0.0319 .4015 .1591 .4999 .4999 .0636 .476t .2 D') 2.1736 .4992 .4474 .3485 .4996 .4995 .4999 .4911 .2064 .4998 .3272 .0040 .4918 .4999 .4599 .4999 .4913 .4959 .48(.4992 .4999 .4989 .4678 .5 0.4505 .3643 .4686 .4649 .3186 .4997 .3554 .3749 .0948 .1103 .4616 .1808 .9 1.3413 .4995 .2580 .4545 :4633 .4988 .4896 .4484 .4890 .5000 .1844 .4236 .8 1.3289 .5000 .0793 .4999 .4830 .() 3.2 0.4991 .0000 .9 2.t443 .4406 1.2642 .4988 .3051 .1ts26 .4699 .7 1.4976 .4803 .4767 .487L .4726 .3r 59 .4998 .4984 .4982 .0199 .4999 .4793 .0 1.48L2 .4997 .4966 .4989 .4999 .4893 .4778 .4750 .5000 .5 1.4997 .4082 .4945 .4608 .3686 .4115 .4997 .4265 .497L .5000 .4986 .1985 .4909 .2454 .0359 .3508 .4999 .3 0.4999 .4131 .4980 .9 346 .4854 .4991 .2734 .3106 .8 3.4998 .2 1.4997 .4993 .4940 .5000 .4279 .1406 .4t47 .4998 .0910 .4920 .1 0.4972 .4999 .4975 .0398 .4964 .4998 .4382 .4994 .4962 .4998 .6000 .0987 .0675 .5000 3.4998 .4987 .26L2 .4222 .4887 .3962 .1 .1293 .4931 2.4554 .4993 .4984 .4967 .4463 .2389 .0239 .4706 .4772 .4049 .4117 .3531 .4990 .4032 .4319 .4756 .3599 .4998 .4987 .066? .1554 .4 0.)( 2.4953 .1141 .2 ¿-D .7 2.4564 .4996 .2704 .2224 .3665 .2764 .6 2.4997 .4997 .4996 .4345 .4951 .4965 .4925 .1331 .4878 .4744 .2939 .1?00 .3869 .4934 .4999 .0438 ..229r .3438 .4582 .4943 .0517 .4821 .4996 .4099 r.4901 .43?0 .4991 .4773 .2794 .4990 .4997 .4998 .3 1.6 3.4983 .4998 .4993 .4850 .3365 .2673 .4948 .4995 .4932 .0160 .07L4 .4981 .4693 .1L62 .0871 .4875 .0696 .4981 .4573 .3078 .4998 .4979 .3980 .4999 .4999 .1772 .tzt7 .1026 .4535 .4960 .5000 .3997 .4898 .4719 .4846 .4994 .1 1 2 3 4 6 6 7 8 I .2852 .4956 .4904 .4999 .4798 .2190 .4936 .45L5 .3849 .3389 .4962 .4808 .4941 .4970 .4838 .4495 .3133 .4979 .4916 .4999 .4999 .3830 .0754 .4968 .4927 .2486 .3888 .2422 .4738 .3621 .4929 .0 3.4992 .25t8 .2910 .1915 .2t57 .2549 .4995 .0 0.4591 .4066 .3170 .4656 .4978 .6 0.4922 .4999 .4996 .4998 .4292 A25L .7 3.4881 .4999 .4990 .2967 .4332 .444L .3790 .4452 .2019 .3708 .1179 .4357 .6000 3.4664 .3907 .0832 .4949 .2t23 .2258 .4985 .4938 .0478 .4788 .4999 .3926 .0 2.8 0.44t8 .4969 .4625 .0279 .4974 .4993 .5000 .4982 .4 .L265 .4864 .1480 .4995 .4995 .4999 .0080 .4192 .2823 .4834 .2357 .2088 .4525 .4868 .4946 .3264 .7 0.4998 .4999 .4955 .5 3.4306 .4977 .3810 .4997 .3023 .4 .4207 .4977 .1987 .4994 .4997 .1 .485? .3944 .3461 .2881 .1 .1628 .4999 .4884 .1664 .8 .4732 .4999 .2996 .4429 .4999 .1064 .3238 .4999 .4394 .3577 .4986 .4999 .6 L.4989 .

t6 2.38 1.539 .920 .25 3.883 .630 .76 2.75 L.978 .83 2.633 .31 1.256 .82 2.92 6.Apéndice D Percentilrr de (tr) l¡ di¡tribsción f de Student con z grador de libertad v úss ¿oo t.11 2.47 2.255 .62 2.86 2.06 2.131 .L27 .28 t20 € .30 3.06 2.854 .27L .126 .82 2.584 .11 3.77 1.76 1.866 .ongman Group Ltd.60 2.70 1.569 .77 2.31 .862 .90 2.629 .531 t.78 2.L27 .L26 . 3 .L27 .256 .42 1.31 1.540 . .687 .79 2.542 .09 2.34 1.688 .L29 10 11 .37 1.60 4.703 .74L .70 1.260 t.000 .697 .537 .259 .50 2.669 .683 .856 .t42 . Fistrer y F.t27 .68 2.44 1.34 1.68 .683 .856 .856 .643 1.sgs I .706 .137 .98 1.88 2.711 .90 2. Stotistícal T¿bles for Bíological.L28 .256 .09 2.67 1.692 .80 1.76 2.t27 .534 .262 .624 .700 .81 1.325 .49 2.r3 2.869 .L26 .48 2.6?9 .860 .t26 .254 .876 .691 .80 2.98 2.06 3.L27 .?8 .684 .92 2.71 3.696 .54 3..864 .?l 1.zs üeo tso 3.266 .546 .683 .158 .46 2.30 L.29 L.889 .72 2.254 .681 .263 .258 .630 .66 9.256 .04 2.266 .686 .76 3.40 1.33 8 9 .r28 .L32 .277 .53 2.688 .36 t2.7L 1.t2 2.684 .263 .858 .258 r.31 1.256 .47 2.532 .257 .941 .3L 2.08 2.32 L.08 1.35 1.649 .36 1.627 1.?18 .62 2.530 .33 1.74 1.848 .134 .765 .61? .261 .685 .66 1.70 2.L28 .36 1.32 1.73 1.48 úes t.02 2.8?0 .62 2.L27 .57 2.r27 .842 Fuente: R. publicado por l. con permieo dé lo¡ autores y editorea.t27 .256 .689 .01 2.66 2.857 .256 .A.szs tse 31.17 3.96 4. AgriculturalondMedícol Recearch.865 .34 1.863 6.58 2.32 2l 22 23 24 25 26 oa 28 29 30 40 60 .879 .816 1.39 2.45 2.533 t2 13 14 15 .130 .7L 4.534 .32 L.130 .727 .896 .05 2.33 .563 .727 .90 1.04 2.5L 2.727 .677 2.72 2.L27 .81 2.76 L.36 3.96 I7 18 19 .46 2. (previamente pubücado por Oliver y Boyd.258 .535 .L0 2.00 2.128 .06 2.856 .36 3.257 .267 2.70 1.r29 .42 2.96 2.30 1.48 2.23 2.66 t.36 2.83 1.531 .03 3.50 3.07 2.32 L.861 .64 2.532 .684 .858 .84 4.861 .86 1.t2s .72 1.257 .L27 .56 2.32 L.906 .92 2.94 1.68 L.694 4 6 6 .868 .257 16 2.76 2.686 . Edinburgh).256 .260 .289 .89 1.02 1.33 1.71 L.31 2.63 1.674 .18 63.70 1.128 .531 .00 1.t3 2.26 2.18 2.14 .128 .67 2.73 1.536 .zo t.255 .532 .645 t.686 .531 .s.64 1.72 1.L27 .846 20 I.257 . Yate.07 2.626 .3?6 1.76 2.690 .32 1.71 t.14 3.66 2.538 .84 2.06 2.061 .20 2.78 2.873 .82 6.

6 23 24 25 26 27 28 29 30 40 60 60 70 80 90 100 41.5 16.7 12.8 14.6 43.7 22.6 16.18 2.6 41.102 .1 39.6 36.3 23.0039 .3 49.58 6.4 13.4 32.2 59.69 2.3 45.30 r6.5 96.S.207 .1 27.64 9.9 26.4 12.04 7. 1(1966)' Tabla 8.3 61.9 29.6 26.56 9.3 29.3 32.3 26.3 20.0 x2ot x'"0 .4 35.1 10.9 t8.43 8.Apéndice E Percontilas (¡f) de l¡ di¡tribución chi-cuadrado con u grados de libertad v x.8 38.6 43.8 24.3 99.0 33.4 37.81 6.0? 5.2oo¡ xlo.67 3.87 6.6 13.3 16.31 10.4 86.8 13.57 6.24 1.1 16.66 8.1 27.2 6t.5 33.9 68.58 8.6 L2.56 3.E 42.7 16.41 ?.0 14.64 .6 22.2L 1.79 t4.1 t2.0 71.01 7. Pear¡on y H.35 7.88 10.3 59.9 39.2 29.7 47.49 11.3 49.34 8.2 11.1 41.63 6.81 9.0100 .7 37.2 61.8 70.0002 .3 42.96 8 I 10 11 4. x?no X.01 5.8 79.45 4.9 34.8 67.1 ttz r26 13? 64.3 30.7 33.0 69.8 40.? 37.8 26.3 29.5 43.07 3.0 44.89 10.8 45.2 74.74 7.4 16. t3.3 2L.6 .1 DD.4 31.8 55.362 l.3 73.3 t6.34 1.7 7L. Vol.7 23.L6 2.6 32.1 31.3 19.2L6 .63 7.6 14.9 35.6 46.0 26.0 23.6 4.9 13.2 11.6 56.3 18.3 15.91 7.06 1.1 77.83 3.49 2.6 30.2 38.9 11.7 46.7 14.L4 6.23 5.831 .7 60.6 32.1 52.8 44.3 17.59 10.57 4.94 4.3 69.2 62.9 L6.872 L.2 t3.9 43.6 9.39 10.54 L0.77 4.1 19.6 24.1 90.8 28.0 22.8 9.9 18.3 I 1.3 89.6 108 118 8.07 4.4 40.35 6.7 73.t 31.3 49.2 14.3 39.84 9.2 94.60 3..26 6..4 34.3 18..0 36.26 9.25 5.8 12.37 3.4 85.26 8.8 14.989 1.6 19.8 26.3 12.3 32.1 16. Biomelr:iha Tobles fo¡ Stotitticíane.6 38.0 27.1 37.3 71.0000 .7 18.472 .0 62.6 22.0 16.0 t2 13 18.8 32:0 33.1 12. x?o".2 26.t7 4. 347 .3 69.3 28.6t 6.3 53.3 13.7 28.9 1t.6 29.1 10.7 28.73 3.7 7.6 79.35 5.2 28.3 27.9 19.1 .6 r3.8 18.3 35.02 7.09 2.L 30.3 22.6 88.7 18.7 2.3 13.3 17.6 46.8 34.6 90.7 29.r7 2.8 13.06 3.9 2t.9 40.L 80.3 61.1 13..03 t.8 t9.3 2L.8 16.6 50.3 14.0 20. xlo.6?6 .4 83.E4 6 .9 20.6 tt.2 11.1 13.40 6.0 11.2 67.8 36.0 17.8 43.4 100 t2.6 20.25 7.2 '19.34 10..? 42.2 66.61 2.63 ?.2 44.5 20.1 40.7 38.84 5.3 96.4 29.15 1.3 5.4 69.36 4.2t 11.8 30.20 2.3 26.91 9.90 6.07L7 .3 .8 67.6 36.7 26.6 12.3 82.4 63. Hartley.554 .7 39.5 24.2 12. páginas 187 y 188.0 104 116 l4 16 16 to.9 12.484 .2 10.57 t.2 36.6 14.o 22.L 2l.7 37.60 5.8 16.89 6. con permieo de lol autore¡ y editoree.O' X.9 30.6 92.116 .7 66.73 2.9 48.3 13.7 14.1 8.3 23.3 X.6 12.4 L02 113 rt2 t24 136 98.26 7.67 9.9 63.0 48.3 16.5 20.23 5.8 t7.1 45.7 23.34 9.24 10.24 1..70 3.9 11.0 27.1 37.6 33.3 46.4 40.70 6.9 40.2 18.0 4L.8 14.2 29.8 63.3 r6.7 99.8 t7 18 19 20 2L 8.0 13.1 28.6 15.6 19.4 32.2 37.6 24.6 48.6 40.7 76.4 16. .7 34.23 8.6 66rB 56.1 12.32 2.6 54.6 28.7 2t.684 1.86 11.8 20. 3 4 o I .0158 .4 42.3 61.2tL ..7 25.6 31.26 6.4 43.3 16.6 74.0 L07 6.6 28.6 17.6 2L.5 16.7Ll 1.3 22.O.291 .5 34.6 24.66 5. x'.l 22.78 9.0506 .4 23.82 4.0 19.0 17.0010 .7r 4.8 20.57 7.2 24.2 31.3 67.D'ID r.3 79.6 25.90 27.3 27.6 46.6 109 1r8 130 t28 140 t24 149 Fuente: E.0201 .2 16.6 61.3 18.O tt.3 10.6 61.66 2.3 49.63 8.8 48.103 x?.2 88.2 46.11 5.tl 4.3 11.04 10.455 1.9 17.8 14.6 47.4 20.7 16.39 2.99 7.38 9.8 24.39 6.6 36.3 24.7 26.9 34.gg x?rn y2 ^-00e .44 9.92 2.0 r 7.30 7.2 35.4 3.26 3.9 23.6 21.33 3.6 32.

t6 2.06 2.54 2.64 3.23 4.77 4.81 1.20 2.79 2.90 1.64 2.03 2.85 2.87 3.96 t.98 2.98 2.38 2.r8 2.76 2.74 2.37 2.24 2. Hartley.35 2.10 2.53 4.68 3.94 1.5L 2.73 4.25 2.89 1.r5 2.77 t.36 3. con perrniro de los autoreo y eütorea.50 4.61 19.09 6.07 3.57 2.35 2I 22 23 24 25 26 27 28 29 30 3.7L 6.08 3. .95 1.35 3.53 2.91 3.84 3.01 1.46 2.92 3. página 178.41 3.L8 2.22 2.34 2.5 19.t5 2.70 I 2.61 2.04 3.66 2.89 2.27 2.42 2.2r 2.03 1.02 1.97 1.l I D.86 1.99 1.04 6.59 5.0s 1.69 4.95 1.20 2.70 2.58 1.50 1.84 2.02 2.05 4.57 2.49 2.85 1. Tabla 5.69 2.r7 2.r9 2.34 3.00 3.65 1.99 1.90 1.20 2.38 2.82 2.84 40 60 t20 t.59 2.t2 4.94 1.98 2.78 t.57 3.32 1.24 2.46 2.75 1.46 4.54 2.L2 2.41 3.5 9.24 3.33 2.Apéndice F Porcentila 95 (nivele¡ 0.71 2.84 4.96 1.68 t.71 2.30 2.35 3.76 2.47 1.59 6.96 4.28 3.74 4.57 8.10 4.22 2.42 2.23 2.90 2.34 2.30 2.18 2.81 8.12 3.1 7.32 2.45 2.13 2.75 1.38 2.66 2.85 1.29 2.28 9.92 2.28 2.23 2.03 1.93 2.42 2.96 2.45 2.12 2.85 2.06 2.26 3.4 19.98 1.7l 2.94 3.04 1.57 2.03 ¿.76 1.2r 2.32 2.13 3.57 r.t0 | 4.90 2.31 2.71 3.37 2.L2 9.35 2.39 2.29 2.70 2.87 3:70 3.29 3.L2 3.55 2.92 2.64 2.43 2.L5 2.77 2.76 2.00 I.66 2.46 2.41 5.52 j 3.2 19.91 1.46 2.6? 3.63 3.62 2.96 2.88 1.74 2.5 19.40 4.56 2.7L 2.29 2.4 19.84 1.58 2.79 3.40 2.86 2.86 3.68 2.1L 2.19 2.14 3.53 3.83 2.60 2.50 3.L9 2.07 3.47 3.72 5.66 2.39 t.79 3.09 2.43 2.67 2.35 2.30 3.38 3.80 2.84 3.46 2. Vol.79 2.79 L.43 4.62 8.88 4.08 4.L0 2.09 2.59 2.96 1.6? 2.37 2.23 2.45 2.35 7.7l 1.81 2.53 2.g¡.66 5.93 1.22 2.87 r.92 1.42 2.64 2.34 2.46 2.L6 2.47 2.04 1.51 3.84 1.15 2.96 4.87 t.42 2.80 t.86 5.16 2.7r 2.25 2.53 2.87 3.(}51.05 2.t0 2.42 3.15 3.37 2.84 1.70 2.97 r.01 2.77 L.2 19.61 2.65 2.08 2.92 4.66 8.93 5.25 2. ¡O 5.68 2.59 1.39 2. l'.96 1.93 1.20 2.34 2.34 2.65 2.03 4.r2 2.81 3.59 3.rL 2.39 6.96 2.27 2.09 2.05 2.18 2. (1972).07 4. parr le di¡tribución F u1 grados de libertad en el numerador /2 gfados de libertad en el denominador ><.3 4 o 6 I 19.58 2.38 2.L3 2.25 2.54 2.42 2.27 3.56 2.60 2.01 2.?9 r.6L 2.69 1.92 1.94 2.69 1.28 4.DD 1.60 4.85 2.07 2.4 19.8L 2.49 2.32 2.47 2.01 1.40 2.25 2.20 2.95 2.5 19.17 3.76 1.4 19.38 3.49 2.08 2.18 2.75 1.84 1.98 1.64 1.35 4.58 3.7 4 2:28 2.69 5.45 2.99 2.91 1.r7 4.93 2.79 t.79 8.39 3.26 6.24 2.41 3.40 2.10 2.L8 2.78 2.49 2.92 1.44 3.33 3.84 3.80 2.0Q 2.74 8.97 3.22 3.63 6.46 2.84 1.45 8 I l0 11 5.0L 1.01 2.48 3.?0 1.6L 2.36 2.5L 2.lL 2.40 2. S.54 4.62 2.19 4. 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 18.30 L2 13 14 15 16 L7 18 19 20 2.77 2.32 4.67 4.27 2.89 1.9L 2.r3 2.74 1.20 3.90 2.61 2.16 6.26 3.87 2.76 2.02 r.28 2.12 2.87 1.?0 8.00 2 Fuente: E.LL 2.62 2.63 5.74 4.93 1.89 8.07 2.L0 2.97 2.23 2.06 2.60 3.60 2.99 1.07 3.73 2.80 a.75 4.60 2.53 2.96 5.27 2.24 2.90 1.23 3.75 2.04 1.?3 3.21 4.31 2.14 3.55 8.22 1.01 2.18 3.00 3.28 2.06 2.37 3.90 2.39 4.53 2.66 1.94 8. O.49 2.62 2.84 2.95 4.70 1.82 t.56 4.85 6.91 5.11 3.66 2.62 1.35 2.5 19.85 8.63 2.2q 3.78 2.79 1 a^ 1.44 2.26 2.92 1.rL 2.2L 2.88 1.21 4.76 1. Eiom etriho Toblec for Stotíaticianc.28 3.01 1.94 1.5 19.00 5.53 r.83 2.81 t.8z r.43 1.01 1.88 4. Pear¡on y H.06 t.69 3.16 2.48 3.11 2.54 2.4 19.29 3.74 2.3L 2.26 2.30 4.33 2.89 1.22 3.46 1.53 2.76 4.73 1.96 1.95 2.44 3.67 t.85 2.0r I | 4.69 3.3 19.49 4.6 10.07 1.L5 2.68 4.91 1.07 3.59 8.15 4.77 2.99 5.31 2.94 1.82 4.41 2.t9 2.49 3.01 8.62 4.44 3.16 2.32 2.06 4.4E 2.83 2.27 2.37 2.64 2.55 2.34 2.83 t.4 19.18 3.09 3.4 19.01 2.30 2.20 4.25 2.51 2.01 4.48 2.36 2.05 4.61 I.34 3.64 8.tl 2.84 1.4e 3.

56 4.00 3.53 3.60 6.18 3. gFados de libertad en el numerador v2 grados de libertad en el denominador x1 I 98.98 6.35 2.65 8.44 4.2 18.48 3.5 26.43 3.63 4.86 3.Ll 2.40 6.99 b.11 2t.89 4.56 3.8 10.8 99.43 4.86 4..06 4.59 3.47 5.10 3.2L 6.59 3.3 14.3? 3.01 3.7? 7.75 2.39 4.2 9.43 3.84 2.26 2.60 4.94 3.78 3.87 4.1 6.76 2.55 3.21 3.47 2.06 4.3L 6.67 6. 2 (1972).72 7.17 3.o J 2.4 27.40 4.20 4.70 2.43 3.4 99.49 2.17 4.46 3. Tbbla 6.86 4.72 5.1 a.70 2.36 3.60 3.4.42 2.25 4.68 2.01 3.76 4.42 2.63 3.S.74 2.70 3. para ls di¡tribución F v.04 4.38 1.26 3.72 4.3 28.71 3.67 9.2 ?.3 27.78 2.59 1.42 6.63 2.7 10.09 3.34 4.06 6.88 2. Hartley.54 3.78 3.49 2.28 4.18 8.65 6 .32 3.APENDTCE F 349 Percentila 99 (niveles 0.94 3.00 2.41 3.55 7.59 3.76 1.5 9.22 5.02 7.7 16.23 5.01 5.08 3.33 2.19 5.08 3.99 5.2 9.56 2.19 2.03 3.31 4.5 10.16 3.84 2.54 4.2 99.r3 2.39 3.78 3.56 6.04 3.63 5.6? 3.17 3.61 o.18 3.0 9.94 3.46 3.2 13.61 6339 6366 99.r 26.30 4.36 4.22 4.99 3.66 2.03 2.06 2.sz 2.00 t20 Fuente: E.10 8.1 13.02 7.31 3.30 3.17 3.26 3.11 6.82 4.65 2.46 2.8 99.31 2l 22 23 24 26 26 27 28 29 30 40 fó 4.04 3.91 6.50 4.67 5.36 2.02 6.89 3.7 99.0 30.4 9.6 13.l 11.78 3.11 6.5 14.29 2.60 4.79 60 2.60 2.20 2.36 2.t7 2.6 5981 6023 6066 6106 615? 6209 6235 6261 6287 99.3 13.6 10.31 7.07 4.35 4.29 3.72 2.46 2.64 3. página 180.87 6.37 4. Biomeúiho Toblec for Statbücbnc.66 4.07 3.t4 4.45 7.54 5.80 2.47 6.28 4.20 2.67 4.85 2.61 6.88 5.13 2.62 4.93 4.2L 3.67 2.52 3.86 2. Vol.60 1.37 5.44 2.2 16.üb D.86 1.97 6.56 4.40 3. l4 15 16 4.92 2.62 3.22 3.4L 4.4 26.011.02 3.b8 2.83 2.89 4.13 3.66 2.68 3.78 9.66 6.42 4.67 3.3L 2.98 2. F.89 3.69 2.15 2.64 7.1 7.90 2.0 15.3 8.33 8.18 4.67 2.?5 8.34 3.95 1.5 26.?9 3.63 6.2 29.5 26.58' 2.t4 5.62 2.64 2.26 4.95 7.70 8.7 10.21 3.63 8.30 7.tL 3.46 5.86 8.60 3.6 14.33 4.96 2.66 2.2 14.45 3.93 6.66 99.25 3.35 3.26 4.38 2.9 99.86 3.31 3.L4 5.L2 1.4 99.12 3.87 2.68 8.86 6.19 11.64 6.30 3.03 3.68 4.16 3.96 3.46 7.3 10.50 4.71 3.4 11.3 L2.12 3.00 2.09 3.85 7. Pearron y H.7 27.66 4.31 3.74 4..68 7.10 4.29 8.46 6.70 3.7r 4.63 3.se.01 1.39 4.4 27.84 9.02 7.52 2.O.oo 7.99 5.90 3.62 5.75 3.00 3.5 26.6 9.18 3.35 4.9 99.r7 3.21 2.23 6.85 4.80 3.54 2.7 13.61 4.64 4.03 2.02 2.4 13.4 27.51 3.25 4.44 4.0s 1.92 2.49 5.L4 4.09 2.37 3.57 t2.60 '7.26 6.31 9.84 2.07 2.81 3.00 2.78 3. 3.7 14.40 2.51 3.83 3.57 2.18 5.01 .12 4.39 6.00 2.51 3.oD 8 ?.32 2.72 2.52 4.56 6.37 2.82 4.88 2.10 L2 16 20 24 30 40 60 L20 @ 4062 6000 5403 6625 5764 5859 99.82 4.94 1.3? 3.5 13.31 4.64 3.69 3.45 s.81 4.91 .96 2.80 6.80 3.10 6.03 2.87 3.4L 2.95 4.84 6.96 I 10 11 .5 34.0 9.2'.16 3.80 5.77 4.89 3.51 s.47 3.42 3.23 3.86 3.23 2.65 9.47 t4.74 6.23.0 16.41 3.42 5.92 2.33 3.66 2.40 8.03 1.46 3.49 12 13 6.56 5.54 t7 18 19 4.08 6.07 4.89 7.72 7.94 3.03 5.16 3.96 4.40 4.29 2.99 6.9 9.l 8 I 99.10 4.66 3.94 2. 3 4 o 6 .L7 4.62 4.2r 5.65 3.93 3.65 3.20 4.29 7.ó 16.0 10.?0 1.94 4.68 99.5 26.72 5.76 3.99 2.91 5.15 8.93 2.74 4.4r 5.58 4.52 3.10 2.95 5.30 3.01 6.78 2.10 3.50 2.75 2.39 2. .20 4.69 3.38 9. 3 4 o oot 28.55 8.82 7.36 6.63 4.09 3.13 3.59 6.70 6.41 2.93 z.26 4.41 9.64 4.36 3.19 l0 99.32 4.54 20 9. 8.88 7.66 2.L2 2.72 6.16 5.26 3.73 7. con permirc de lo¡ autoree y editoree.30 3.29 6.42 3.07 5.36 3.ó9 3.07 6.81 6.32 5.54 3.89 4.

Apéndice G
Logaritmor dpcimale¡ con cuatro c¡fra¡

N
10

0

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

2

3

4

5

6

I

8

v

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

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

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

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

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

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

Partee hoporcior¡ales

22 23 24 26 26 27 28 29

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

4728 4742 4757

30
31

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

82
33

84 35 36 37 38 39 40

4829 4969 5105 5237 5366 5490 5611 5729 5843 5955

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

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

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

81114L7202226 81113L6L82L24

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

81113151719 81012141618 810t2L415L7 7 911131517 7 911121416

7 7 6 6 6 6 6 5 5 5

910121415 810111315 8 9111314 8 9111214 ? 9101213

7 ? 7 6 6

9101113 8101112 8 91112 8 91012 8 91011

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

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

4l
42 43 44 46 46 47 48 49 60

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

65/'2 6551 6561

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

5l
62 63 64

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

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

7tt8

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

N

2

D

6

I

350

APENDICE G

351

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

N
55 56 57 58 59 60
61

0

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

2

ó

A

D

6

7

8

I
1474

L23456789

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

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

7435 7513 7689 7664 7738

7443 7520 7597 7672 7745 7818 7889 7959 8028 8096

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

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

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

7

62 63
64

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

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

6 6
6

65 66

ot
68 69 70
7L

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

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

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

6 6 6
6

6 5 5 5

72
73

14

to
16 '/ó
79

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

8791 8797 8848 8854 8904 8910 8960 8965 9015 9020

5 6 5 5

80
81

82 83 84 85 86 87 88 89 90
91

9036 9090 9143 9196 9248 9299 9350 9400 9450 9499

9042 9096 9149 9207 9253

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

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

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

6
5 5 6

6

9304 9309 9355 9360 9405 9410 Q455 9460 9504 9509

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

o9 93 94 95 96 97 98 99

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

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

344

9786 9832 987? 9921 9965
I

9791 9836 9881 9926 9969

9?95 9841 9886 9930 9974
4

9805 9850 9894 9939 9983
6

9809. 9814 9818

9854 9899 9943 998?
n

9859 9903 9948 9991
8

9863 9908 9952 9996
a

3 3

4

N

Valorc¡ de e-^

(0<r<1)
}'
0

I

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

3

4

5

6

7

8

I
.9139

0.0
0,1

0.2 0.3 0.4 0.6 0.6 0.? 0.8 0.9

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

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

.9608 .8694 .7866 .7118 .6440

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

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

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

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

.8270
.7483

.677t
.6126 .5543

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

.5827

.5273
.477L .43L7
.3906

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

.Eore
.4538

.4107
.3?16

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

lo¡ valores

de

e-r

para otroe valore¡ de

I,
=

emplear lar leyes de los exponentes.
.03081.

Ejemplo:

-¿-3.48

=

(e-3oo)(¿-0.r8¡

=

(.0a929)(.6188)

Apéndice

I
Números aleatorios
74640 2349L
601 73

51772 24033
45939 30586 03585 64937
1

42331 83587

29044
06568

4662I
21960
1

62898 2L387 55870 86707 85659
551 89
41

93582 76105

04186 10863

52078
75797
81

25424 45406 82322 20790
98527 30277 60710 06829

1645

02133 79353 03355

31041 96799 65304

56974 12973
36081

37428
171 69

938

50884

19640 97453 93507 88116 14070 rL822 24434 41982 16159 35683

8?056 90581

94271

42t87
74950
15804

95863 51135 57683

5630

64759
56301

09448
21 631

62586 94623
5229A 87843

889

00745 25439
68829 48653 27279

65253
88036 06652
71

67283

85418 16835

49t59

9tt57
17480

7733L

590

t4676
47280

91097

294t4

28L95

47162

362

Respuestos o problemqs suplementqrios
CAPITULO
1

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

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

(c) {5i (d) t5}

k) @ (/) {3}

@) {2,6,3}
(¡¿) {6}

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

(d) {4} (¿) {3} (/) {3,4}

5/36

(c)

0.e8, (d) 2/9

(e) 7/8

) ) (c )
(o

(b

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

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

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

(e) 4/5

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

(e) IL/t6 (Í) L/5

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

(i\ (i)

6/26

52/225

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

(e) Lr/L5 U) r/5

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

1.86.

(a)

3/10

(b)

1/10

(c)

315

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

r.106.
1.107.

(¿)

32,805

(ó) 11,664

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

1260

1.108. (a)

120 10
6

(b) (b)

72

(c) L2 (c) 45

r.r09.
1.110.

(o)
tt.

70

.

1.96. 113 1.9?. t4/57
1.100.

=

1.111.210

8 12
(b)

1.112.

840 ?000

1.101. (a)
r-LO2.

2620

(c\

720

1.113. (a) 42,000 (b)

n:5 60
5040
(b)

lJla.

(a)

L20 150

(b) 2620 (b)

1.103.

1.115. (¿)

46

(c) 100

1.104. (o)

120

(c)

240

1.116. (¿) 1? (b) 163 1.117. (o)

1.105. (r¡) 8400 (b)

2520

20

(ó)

330

(c) t4199

353

354
1.118. (a)
16

RESPUESTAS A PROBLEMAS SUPLEMENTARIOS

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

6rys

¡

ya

1.119.2016

L.r22. (a) 5/L8 (ü) 11/36 (c)

1/36

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

44

(b)

2r

4

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

4152CB

r.127.

(6Ca)(aCz\/MCs

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

Ql

QCz. ¡¡'Ct

*

a'.Csl,l12cs

4(r3Oa\hgC+)/szCss 1025

r.l3E.

(o)

120

(ó)

60

(c) 72

1.131. 2.95 x 1.133. 0.8%

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

aproximadamente - 3

1.f40.

3L26/46,656

1.13ó. vT1
L.146. (a)

l.l4t.

(a)

4

(b) 14

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

4/52C5

r.t47.

2/243

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

126 462 3/32

(ó) , +,- rCn(b) (b)

r

,-tCn-t

1/16 (cl r/32

(d) 1/8
prob. empate

1,151. prob .4 gane

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

=

L26/216

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

2
0

2.38.

(¿)

I
3/8

o

3

2.39.

(a)

0

I
t6/28

.)

f(r)

r/8

3/8

t/8
t

f(r)

3/28

6/14

2.4o.

(a)

t

0

1

f(r)

9/64

r5/32

25164

RESPUESTAS A PROBLEMAS SI'PLEMENTARIOS

365

2.42.

(a)

r
f(r)

0 194,580

1

2 6768

3

4

270,726

69,184 270,725

r92
270,725

270,726

2.43.

(o)

r
F(n)

0

I
U2

2

3

L/8

7/8

I
4

2.46.

(o)

r
f(n)

I
L/8

2

3

(b) 3/4

(c\

7/8

(d)

3/8

(el 718

u4

3/8

U4

2.47.
2"48.

(o)

3

(ó) e-B

- e-6

(c)

e-s kll | -

e-s

F(r)

=

2.49. (al

6l2s

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

2.50. F'(c) =

2.6t.

(a) r/27

(r2/9 0<¡(3 de oha forma l0

(c) 26/27

(dl rls

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

fo

2.66. 2.67. 2.ó8. 2.60.

(¿)

(a)

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

(ó)

/r(u)

= {o

(Ale A = l'2'3
orra u

(d\

6116

(¿)

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

(ó)

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

tl1

*

al

o<a=l v=l

a=0

(a) (ó)

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

2.61

.

(a)

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

t)

=

rÍl'

0

5

Y

=

1

otra

r' O=A=I
0

(b)

l(r+ull@+l) 0 < ¿-< l, = 1o o<rsl,

=Y = otray

1

356

RESPUESTAS A PROBLEMAS SUPLEMENTABIOS

; i . ¡

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

0<rrl'

0=v<1

;
i |

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

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

,=o,u<0

A¿O

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

de oha forma

0 de otra forma

2.72. (o) c(u) =

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

(D) c(ut

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

i:i::
de otra forma

o

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

0 de otra forma

=

" {; '' 1"1í,""1.",t
I

2.82. c@)

=

{í'"-''u

:::

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

2.E3. l/4

-" ;: ;

2.s4.

s6/2*g

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

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

-

7e-o

2.89.

(a) c = (a)

1

(ó) 8e-2 c2=

,

2.9L. 2.s3.

cr=2,

I

- e-4 (ó) 9e-2-lAe-s L0

-

ze-r

(c)

4e-s-4c-?

(iI)

e-z-¿-t {ó

(el 4c-s

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

2's6' (a)

{r-^''
-rn2)

1"t"r0.".,-" (ó)
(r)
o1+

{;t'-"
zlrn

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

2.e0. (b) ;(1

lrnz

(¿)

2

,

2.e8. s(?)

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

2.ee.

(b)

7/L8

2JoE. \/r/z

64. pz=7-.69.45. pí=0. 3. 3./3s12 3.6E. ú= (a) h=0. <1 (ó) p = l. 3.7 3.83'. (a) (3r +2\/(6r*3)para0 5 ¡<i t¿l lsu+Z)/(6u*3)para 0 = a = | 3. pá: t6/5. pi= Al=0.47. 3/2 (bl 3e/4 (a.77. (o) (f + 2te2t .5 3 (b) r3n/6 (a) 35112 @\ (ü \Elm. 1e/10 (¡t') 6/6 a/3 @ 1 \Ng 3.46.(b) 1 (c) (ó) 1 (d) 1 (c) 0 (/) 0 (e) 73le60 ?3/e60 y'?s/e60 t¿l r/Tils6o -u64 (f) -r5/7s (a) 233/324 (b) 233/324 (c) (a) \.44. Fz:3/80. 3/2 n (b) -2e/6 Lla !4 3. 3. Ft=2.68. 3. (c) 315 3.43.74. (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 3.60.54. 3.'PLEMENTARIOS CAPITULO 3 3. (a\ l/2 parae>O (b) lParay>0 . i¿l p4=230718960 2a 3.72. pí=1.67.55. 3.5e. ps: -5.66. p¿=35 (b) pr = 0. 3.E0. 3. 3. pn=33 (c) (bk+r'st<+r)/(k* 1Xb-o) peiaa (sen (ó) [1+(-1)k](ó -a.50./m/L8 (d' \rzssñ8 (e) -9L/32a (Í) -sr/235 4 tb) 4/\/35 -t/tst¿. 3. 3. (c) 1/(1¿).79. 3.RESPUESTAS A PIOBLEMAS SI. 10. 3. (o) 1 (b) (o) Var(X)=5.82.E4.48. Fz:5. pi= 2.61.\ +(et/2+e-t/2) = cosht (ó) p=0. pí= 2.ó6.ezt\/zt2 (D) p = 4/3.62. yí= 6. 3. 3. 3. o*=1/t5/ZO 4 (b) 2 (c) .\klzk+t(k+ll I qeiab co)/ao 3. p3 =-L2lll60. 3.62.57. 7/0 (ó) 6/5 3.65. pl:L L6/3 3. (e2ia-Zie2ia-ll/"2 (a) (¿) (¿) Lr/144 (bl rr/L44 1c¡ t/iJttz (¿) (¿t) \/-LUr2 (e\ -L/L4a 0 -!rr 1 . (a) 1 lb) 7 (c) 6 3. (o) (a) 1 (b) I (c) rla (c) 3. 3.E1. nx=lE (al (a\ (ü) Var(X)=3/80. (a) (a) 2/3 (b) 2/3 G) aB 7/a (c) @\ Als 3.78. 3.

8/2 (ü) 1/3 (c) 0 . .121 . (al 3.1or. (a) x Var (Y lX) 0 5/S I 416 2 (ó) Y Var (X I Y) 0 I 2S/36 2 24t49 3. ffiParao rle (b) 1 6x2*6n*L s r:< I . (o) (c) 3 (ü) 3 3. (o) 1 I (ü) (ó) (y'3.103. t"l . (¿) 1/y'5 3.125. (d) 1- (1/\. (a) 3.91.ze-t (D) no existe (al 2(\F-Ll/3 (b) L6t7 2 0 2 7/3 r/3 2t/2 (b) e 3.###parao < nr 5r 3.119.10E. (o) 3.10a.eziarlznl u) 12/6 3. (bl 3614 (1 @l atg (b) 2/e L (c) * 2te2t - e2')/2t2 (el -2\/fr/r6 (d) -(1 + zibe2ia . (a) (b) r/4 (b) 0. (a) 3. 3.120.17 (c) 0.5 02.358 RESPUESTA"S A PROBLEMAS SUPLEMENTARIOS 3.[o ) 3. (¿) 3.94. (o) no eriste (ó) (c) 3 -1 (c) e-z *0 3.L22.123. (b) 2415o (ü) e (al (a) (b) 6/e (b) 1/18 (c) (et * 2e2t + Sezt)16 (d) (d) (eto + 2e2to + 3e3..127.89.126. 3. (o) (c) 8/16 1-+y'3 (bl v2 3.o)/6 (a) -7/27 (c) 2(et-l-t¡¡¿z -Z(e--l-ü¡¡"2 (e) r/136 3. (o) (a) 3. (o) 1 3.109.05r 3.1)/4 (c) 16/81 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 3.114.118.100. (a) r 2 0 (ó) 8(21/2-r)/L6 (D \.113.105.e2.f 6/9 7lr2 o 3. (a\ L 3.85.116.r/r-tsnflo) (ó) \F@i @ tlfr. (o) 0. (o) (ó) ln 2 (D) I 3.124.90. (o) 3.

82.92. 4.550 (c) -0. 641243 25 (c) 500 4.08 (d) r.89.6 (b) e (b) 72. 11/16 (dl 518 (a\ r7lL62 (a\ (a) 5/16 (c) 4.63.e265 (d) 0.90.0687 0.9962 (b) 0.1008 (c) o.0286 (d) 0.2511 (b) 0. -0.9500 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 4.77 (a) npq(q (o) 1.2241 (d) 0.05610 (b) 0. 4.s27 1.t"/o 0. 4.0668 (a\ 20 (b) 36 (cl 227 (cl (d) 40 @) 15% 4. (c) (p) 0.a7% 4.66.4232 (o) 0.7123 0.1494 0.9198 (c) 0. 4.91.1342 0.I RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS .64. (a'¡ 6L. 4.76.15 (b) 0.1680 (/) 0.86 (c) 2.0567 (b) 0.68.8?67 (b) 0.E6.93.73.626 ó 0.61.9495 (b) (ó) 0.6826 4.62.67. 0.0089 (o) (o) 0.4% (bt 23.7% (al e5.0079 0. 4.85.69.90 75. 4.726t (/) 0. 57/6a Q\ 2r/32 (b) (ó) 4.t9.0658 4.849 (e) tt.76.77 (c) 0.0?86 (c) 0.06131 . L93t5t2 (a\ @) 32/243 (bl re2l243 k\ a01243 (dl 2421243 42 (b) 3. 4.224r (e) 0.5.78. 84 (bl 8. 359 CAPITULO 4 4. 4.E1.E3. 4.75 (b) -1.84.74.G¿s 4.7% (b\ 54.E8. 4.03eb . 4.66.995 0.5976 (c) 0.87. 4.3% (a) (o) (a) (o) 1.2991 (c) (o) 0. 4. (o) 0. 4.7t.0154 (e\ 0.049?e (ó) 0.6404 (d) 0.0838 (b) 0.4 (¿) 0. (al93% 4. (a') pl (b'l npq(l - 6ps\ * 3n2p2q2 -1. 4.0% (c\ 93.03?5 0.80.1127 (dl2. 4. 4. 4.

4O 0.60 3.9544 5. (o) e.2 (c) suponiendo áreas iguales en las dos colas. ¡2. (a) (d) (el 2.s? 4.81 (bl2.0228 (c) 0.84 (d) 4.360 RESPUESTAS A PROBLEMAS SUPLEIVTANTARIOS 4.0 (d) 8. (a) 0.76 1.0 (b\ 4.03 (¿tl 2.0620 4.s5 z.35 L7e.. (o) 0.136.2 4l.13?.829 1.1? v 7!r= !4.000295 4.000948 (ó) 0.008 oz oz (ó) (b) pX pX = 22. (a) 9.rr3. (a) e.ro2.160? (d) 0.55.111. 22.005? (b) 2 (c) ninguna (dl 24 6.8164 (ó) 0.4 ft\ *e-tn -1"-.s 20.3/8 4.8b2 (e) 0.51.34 2.BB (d) -0.r?r.62.b9 84.0 (d\ 2.? 3/4 16.00g oz oz oz.58 5.47 (c) e.101.L27.40 o¡ ligeramente menor que 0.136. 0. - 2.0000 . o* = 0. (Q 4. oi : 6.94.0e (c) (c) (c) (c) 1.130.1 4.2 zr. (a) ?0/429 (b) l/143 (c\ L42|L4B 4105 (.B 4. (a) 0. @\ 4.gs (e) z.62 (b) CAPITULO 5 (c) 0.7 (b\ 4.75 1.LB 4. (a) 4.r2o.73 -0.2 (c) (c) (c) 2B.1b82 (c) 0. (a) 201. o* = 0..00248 (b) 0.008 = oz. (o) 5/3888 (b) 5/324 4. ('f) (l?)/(l?) (iSX?SXtt) sla 0 (b) (ó) (ó) (ü) l(¿ocoxzoc2ol+(4oc'l(nctsl* (qoc)(ncnl)taoczo 4.04462 (c) 0.5 (b\ 4.40 oz. (o) sx = 22.ro9.71 (ó) (b) (b) 1. (a) 0.4972 (ó) 0. (o) B0.L32.6e64 (/) 0. (a) r 4.tr2.40 oz.138.r y 26. (a) 2. (a) (ile)/Q?) .128. (¿) 4.00J8 (d) 1. (a\ 3/4 .0918 (d) 0.53.2 2s6.75 2.Lo4.o rí. Ll4 aJLa. (a) 237 22. 82S\fe (b) (ü) (b) 2(b-al4/6 e/5 113 6.L26.s a8. (c) p.8 68.L29.L4L.16 5.49. (a) 4.0 (b) (b) 4. (a) L22.48 4.128 (d) -1.68 2.64.) 4'106' (c) 4.47 (c) 9.861 (. @) 2. (a) 0 4.l 86. (a) 1.166 6.0 (b) 4.1033 (c) 0.r03.50.t : 5.3 (d) (d) 55.

100.. 80Eo.323-0.60 1'.0482 . 8.LL2. (o) 0.?33 (c) 0. (a\ 2. (ó) 0.06 pero máe cerca a 0.0064 (c) 0'4504 5.36 (ü) (ü) 0'17 0.2160 (b) 0. 5.09 tons.86 (ó) (c) -e1 (d) 63 .0. (o) 0. (@) 0.3265.1%. 6.106.10 5. 5.108.1o9. (o) 0.t7.7349 pulg.60 0..91?2 6.8869 28. 99. (a) 82 6Jo2. 5.0019 (ó) 0. (b) 0.76.?4 lb I 2 (d) 126 0. 501.9t. 5. 6 0 -1 (ü) 40 4 6 (c) (c) 288 (d) (d) 2188 (b) 0 26.56.68.60 5.90 5. 0. (o) 10.94.00496 pulg. 5. (o) (o) (ó) (ó) 11.0% 76 5.o% 78.0136 0. 5. .6 (fl @) a6% 100 (horas) (s) 62/a00 (h) 25.104. O.11 5. 5. 5.7o.8664 (c) 0. . (a) ?99 (ü) 1000 (e) (c) 949. (o) 0.2 6. (a) 5. 0.93.20% ton.60.99.66.96. 12. (a) menor que 0.3204. 1199.0316 5.01 (b) menor que 0.01. .82. 86 5.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 5.326-0:328.33f0.67 0.01 (b) entre 0. 46 (@) 0. (al 4018 6.9 lb 5.0006?6 pulgadas (b) 72. 5.3196. 0.62. 0.6.0026 6. (o) ñ = 2. 6.e5.49 (c) 0'28 5.33?6 pulg.72. (¿) 0.26 5.92.59. 0. (a) 24% (b\ rL% 5.6% (il 0't ts.1. (c) 0. (c) 146.tO.00?? (ó) 0.8 lb.101.73.97.166 ó 16.3226.7L.6% = 0.0 s ?9 5.L6 (ü) 0.81.6 (d) 10995.9596 (c) 0'1161 .t1 5.50?. (o) 5. (c) 0. .01?9 5.1841 (cl (o) 118.65.63.0028 (b) 0.47 (ó) e = 5. (ó) 38. . (¿) (o) (¿) (b) (b) 0.326.113..a84 5.111.01 (c) menor que 0.76% S. 5. 78 á. (a) 2 6 6 (b) 996 (b) (c) 218 12 5.0.33? 6.322.49 0.01 y 0.105. 0. 11.E6.3%' 99.72642 pulgadas 26. .?9 0'0228 lb (b) 0.74. (c) 0. 6.003 pulg.5E.00 6.

m1 :0. 60 y 100 tuboc son respectivamenüe. 2. (ó) 11.62 r 0.84914 6. (a) 0.?0 r 0.00002b pulg.38 (hl 22.0586. 5. 6.045 6.34.0 y 100. (bl 0.298 0.29.049 segundoe 6.22.24 lb2 (c) 0.82 0.0090 CAPITULO 6 e. -0.36.126.000085 pulg. (o) 0.12 hr t 0.124. (b) 0.38 (a) ?.493e (b) 5.36. 0. 0. (b) -4.36206.41.118.030 eegundoa (D) 0.5 lb (b) 0.5 horas. 0.38 I (a) 0.117.97.131.09? (c) 0.?3 onzas onzae (ó) Z.2344.0? (b) 0. m1- 89.09 t 0. 1193.9?. (o) 0. (o) 9. rn2= 5.r5 (c) 0.39.20 (f) 7. (q') (c) e2. 0. (a) 5. -1r7. 42 5.69 I 0.116.86 lb reepectivamente 6.0ab t 0.72ti42 t 0.11 (ó) 0.2 (d) 7158.38 384 (b) al menos 221 (c) al menos 666 (d) al menos a 1.073 i 0.298 t 0.72642 + 0.428 24. 101.128.241 7.09 t 0.3?.35 (e) 26.2464 (b) 52.115. (a) 11.122.?0 * o. Las estimas de las media¡ de la población son 1200 hora¡ en todos los casos. (c) 0.25.62 6. (o) al menos 96 (ó) al menos 68 (c) al menos 16? (d) al menos 225 900 (o) al menos (o) 7.72642 t 0.41. (a) 0.33. 6.30.4 4 (i) (il 706.tu.72642 + 0. 101. (o) 1.045 0.88. tb9 5.130.74 5. = -3.38.12t.000060 pulg.24 tons. 0.40.e5 5.7. ms = 0. n4= 0 -0. ó.123.Se (ó) ?.125. 6.000072 pulg.18.16 onzas 0.31. 6. 0.70 t 6.07 t 6. (a) 6.18 tons.94 Laprimeradistribución (a) la aegunda (b) la primera 5.129.53743. (¿) ffiz: 0. 0. (o) 0.0696 r¡¿o 560 (c\ r.u (o) al menos 323 hr (b) al menos 560 (c) al menos ?66 (b) 1. 26. (o) (b) 105. 0.000025 pulC..43.¡'TARTOS 5.28 (b) (s) ?8e. 0.L2. 6.2 106 (ü) (b) 8.4 hr Las estimas de las desviacionee típicas de la población para los tamaños de muestra 30.546 2. 6. L9. 7 RESPUESTAS A PROBLEMAS ST'PLEMEI. m1 = 0. (o) 0.127.1 ó.22 0.09 t 0.68 a 0. (d) 032642 a 0.112 . (o) ?8.82.6.000095 pulg.7.362 ó. (a) 1200 hr 6.2 (b) 0.?8 y 0.96 onzas t t I 0. 6. 6.

(o) No se puede rechaza¡ Ia hipótesis al nivel de 0. El re¡ulüado significativo al nivel de 0.2606 7..6 ¡ a 1g0.58. 139.56.. 7 No se puede rechaza¡ la hipóteric al nivel de 0.69.138 a 10.ó4.49. ?.r. 2400 t 45 librs¡.64.63. 6.02 (a) 0. I _ ()rr)/r¿ 6.01 en (o) ni en (b).519 a 7.15 6.68.58. mediante un ensayo unilateral en ambos caso8. (c) Aceptar la hipóterie ¡i las bola¡ rojac extrafdas esüán ent.9a1 a 2. kt') 0. 7. (a) 1800 t 6.6% 105.05 en ambos en!¡ayos.1 a 140.5 (ü) 102.20.58 e 2.269 (o) 0.944 (b) 0..1 a 148.60.14 (a) 0.31 onzas 6.65.67.8 t 0. -= 3' 2tritl "'+r3l 6. (Hi p> 0.70 6.Bb 6.46. (c) Rechazar 116 si se extraen más de 39 bolasrojasy acept:ula en caso contrario (o no tomar decisión alguna).45. 7.78 (b) 0. en ambos nivelea. .5 a CAPITULO 7 7. 1.8 l: 0.99.5).52.50.62.05. (b) Ensayo unilateral.51. (a) 63. (o) t¿.) (e) t2. (b) Se puede rechazar la hipótesis d nivel de 0.0 4802 (ó) al menos 8321 (c) al menos 11.69. k = -lln - (ct.7O.458 a 4.8 horas 6.(b)0. rechazarla en caso contrario. (a) (IIe: p=0.5 horas (b) 88.24 249 onzas lb (ó) 63.8 (b) 0. 0. (a) 6. (a) 95.00 (ó) 13. y se acepta en ceso contrario (o no se toma ninguna decisión).05. (a) al menos 87.66. 6.06? a 1.?41 a l.1 a 288.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 363 6.17.1 horas 6. (c) 106. r = . (o) a 230.ó2.259 a 5.4 horas hora¡ horas (b) 78.06 (c) t2.lre 24 y 40.250 6. Se puede rechazer la afirmación a ambos nivele¡ mediante un enaayo unilateral. 6.9 6.63. es 7. 7.61.654 a 1.673 a 2. Sí. (d) Rechazar lfe ei se extraen más de 41 bolasrojas. (a) 0.6 horas 2400 ! 59 libree (b) 87. .9 1?0.79 kl) t2.4E.70 (b) 0.5). (a) Aceptarlahipóteeissilasbolasrojarextrafdasestánent¡e22y42 rcchazarlaencasocontrario. 86 lb (b) 1800 t 328 lb (c) 1800 t S82 lb 6.

7 respectivamente.3rL2 8.0.1.El' 7 Un ensayo unilateral muestra que el proceso no debe inhoduci¡se si el nivel de significación adoptado es 0. 60. 3. no ¡e deduce que haya diferencia de acidez. 43. 7. Concluirfamos que el resultado no común al nivel 0. 5.05. al eegundo. 7.1 y 1. 66.64 + 0. 50.94. no 7.20. 7. 49.?.2.99. Mediante un ensayo unilateral al nivel de eignificación de 0.0.6. Un ensayo cambisdo. 4.2.05.32)r(0. 39.1.98. E aparente decrecimiento significativo al nivel 0.76.1O0.05 pero lo es al nivel 0. (o) 6 (D) 4 7. 7.2.0118 (c) 0 (d) 0 (e) 0. [.06. 13.8E. es ?.0118 7. ?.9.79. f (r) = aC"(0.73. 7. .E5.63 onzas 7.81 ln 7. Un ensayo unilateral rnuestra que a ambos niveles el contenido -nedio en cobre es más alto que el señalado en las especificaciones. Mediante un ensayo bilateral al nivel de aignificación de 0.05. Las frecuenciae eeperadas son 41.4. ?. Un ensayo bilateral a ambos niveles muertra que el producto no cumple con las especificaciones.96 onzas (D) 8. 7.4. 7. 7. 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.64 (ü) 0. f (x) = T. Un enrayo unilateral indica que no disminuye la media a ninguno de loo do¡ niveles.6 respectiVamente. Un ensayo unilateral muestra que el nuevo fertiliz¡¡¡¿ superior a ambos niveles de significación.01 .9. No podemos concluir que la primera varianza 8e¡ mayor que la segunda a ningún nivel.7.64 1 0. 23. 7. (a) 0.72. es 7. pero no al nivel 0.7ó.06.2.7 respectivamente.7 y 0. bilate¡al muestra que no hay eúdencia s ni¡guno de los do¡ nivdes de que la duración media haya 7. 7. (o) Un ensayo bilateral indica que no hay diferencia en la calidad de fabricación al nivel de 0.6.01.05.83 onzae (c) 8.7 Un ensayo unilaüeral muegtra quc la diferencirr e eignifrcaüive eB al nivel 0.96.36.7.e0.6t)l-r.0. 11. concluimos que el primer grupo no es superior . pero no lo e¡ con un ensayo bilateral. 7.0 respectivamente.E3. 7.78.l0l.tO.1 y 0.87.3. (b) Un ensayo unilateral muestra que I no ee mejor que A al nivel de 0.05 pero no al nivel 0. 4. 9.RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS 7.01.77. 7.4. 7 . 12.5.ae frecuenciae esperadas eon 1.71. 7 (a) si (ó) no . (o) t 0.82. 0. 53.t9. Podemos conclui¡ que la primera varianza es mayor que la regunda a ambos niveles.6. pero debe introducirse si el nivel de eignificación adoptado e¡ 0. 13 y 2 respectivamente. y 4.e5. Un enrayo unilatetal a ar¡bos niveles de aignificación muesha que la marca B es superior a la marca A.1. Las frecuenciae esperadac 8on 1.01.86.84.34.?. 14. 21. 7.6. la¡ frecuenciae esperadar son 32.A1 \¡¿ - lar frecuencias esperadas con 108. 15.

116. No hay razón para rechazar la hipótesis de que las monedas ¡ean hon¡adas.110. (o) El ajuste 7. (b) El ajuste es bueno pero no "muy bueno".2205. (o) El ajuste es muy pobre al nivel 0. (o ) 10. (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).1L7 .06. . ?.132.0. ?. 7 .LO2. 7. esto es consistente con el Problema ?.129. (a) 0. 7. bueno (b) no (o) El ajuste es "muy bueno".0738 (corregida) 7. (a) (b) (c) no ?.13?.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. La hipótesis no puede rechaza¡se a ninguno de los niveles. Mediante un ensayo unilateral.05 pero no al nivel 0. 7.05 indica que á tiene una mayor proporción de bolas rojas que B. el re¡ultado er significativo al nivel 0.124.01' 7.134.10? .114.3863. . sea mejor que la B d nivel 0. La conclusión es la misma.11f es es significante al nivel 0. 7. 0. 7 .05. (c) si no si no (c) no (c) no ?. La hipótesis puede rechaza¡se a ambos niveles. ?.RESPUESTAS A PROBLEMAS SI'PLEMENTARIOS 365 7.0872.06 pero no al nivel 0'01.138. Igual conclusión. (a) Un ensayo bilateral al nivel 0. 60.106. El proferor nuevo no sigue las miemas nortnas que los otroe. 7.05.133. tul e no (b) 10 si (c) 10 (d) 8 7. (b) (b) 7. 1.06.139. 7.05. 7. La diferencia ?.05.113.1985 (conegida) (D) 0.L23. 0.465t 7 . ? . ?. La hipótesis puede rechazarse al nivel 0. Puesüo que la dietribuciónbinomialdaunbuenajustedelosdaüos.05 no rechaza la hipóteris (b de proporcioneo igudes.L72. ) Un ensayo unilateial al nivel 0.104. (b) El ajuste es pobre al nivel 0. No puede concluirse que la marca A 7.118.109. La hipótesis puede rechaza¡se a ambog niveles.3179 (con conección de Yatea) 7 . (o) 7. (a) 0.103. La hipótesis no puede rechazarse a ningfin nivel.108.05. No hay razón para rechazar la hipóteeis a ningún nivel. No al nivel 0.115. La hipótesis no puede rechaza¡se a ninguno de lo¡ nivdes.728.109. La hipótesis no puede rechazar¡e al nivel 0.105.

E6.6 E.6tly E.968 (b.69.0 t 5.9818 8.113.6633 1. (b) d 8.304 (ü) 1. u = 6.126s 'y 0.0 8.28 (o) (ó) Mediante un er¡rayo unilateral puede rechazaree la hipóteaia.14(L.85.0 a 19.91¿6 y y 0.szos 8. E.79.408 + 0.111.20 E.E0.366 CAPITULO 8 RESPUESTAS A PROBLEMAS SUPLEMENTARTOS 15o 8. - 1. (cr.6 1. (bl u = 4.00 8.6t-t.24.84.r3. 75/p 8.64. (o) 1.80 E. 37. (o) E. -0.9 2.71. (a) 24.89.1 E.90. (a) z = 3.20(r-B) +0. =0. (b) a = 29.46¡r*l 8.oooo t 0.2 (c\ 182.5 (b) (ó) g?. (o) (ó) 2. (a\ 0.2928 y 0. 0.92.r10. (a) 0.87.7l4r (b) "=t*lu 10.9927 8. (a\ u=-i+í" 6 u=.661¡ (c) r = -14. r¡o¿ = fi -o.99.70.66.60 (ó) 17.4 si no no si E. Mediante un ensayo unilateral no puede rechazarse la hipótesie.1r4.00*1.66r * 2.096 o * 0. (a) 8.) 1.0 t 8.427Y 61. (a) 0. 0. 2.?600 y 0.8861 1 t.67.14(10)0. (a) 0.?8 + 1.8r*12 (b) r= 0.14¿0.112.68. (a) 3.81.00 6 r= (¿) 1.?3S(n-B)2 6 41.rz 8.0 a (b) B?.96.s72 80.64y 8.?801 y .60 8.60 (ó) 1.0 4.000 + 0.40 6 A:32.151{" ¿O ó U -92.448 8.08?86 o¿ (ó) (c) t?0 ft. (o) v=0.77 y -.s912 (ó) 0.138 t a 0.00 t _1. (c) 37.5t*3.ss56' 8.29y 8.r1y (d) 7g 95 t.21 0.gBB+o. (o) 0. (o) 1.IBB72 616 8.24 (b) 8. (o) (ü) t.188 ¡ (c) r32 8.13 + 0.115.500a (cl r = 2. (¿) t 3.107. (o) 8.8.96.21r*O.88.108. (¿) 0.9?.89 * L.6606 (ü) 0.00 (c) ?.398 (ó) 192.?961 y (ó) 0. ft (d) Bg? (b') A=32. B.109.74.Z.8961 (b) u = 8.

16-0. No hay diferencia significativa en el tipo demaíz o suelosal nivel 0. una diferencia significativa en operarios pero no en máquinas. No hay diferencia significativa en fertilizantes o suelos. No hay diferencia significativa en el color del pelo o estatura. No hay diferencia significativa en operarios o máquinas.dondeyeslanatalidadpor1000habitantes.6158 E. Flay una diferencia significativa en los métodos de enseñanza al nivel 0-05 pero no al nivel 0.43.38x E.4 (b) 116. No hay diferencia significativa en operarios o máquinas. No hay diferencia significativa en los métodos de enseñanza o plantelesal nivel 0.25. 9.38. Hay una diferencia significativa en los sitios pero no en los fertilizantes aI nivel 0.6402 si la unidad 8.125. 9.0.42.lgxsilaunidadxesLl2añoyelorigenesel ¡ es un año y el origen es el 1o.36 lb 3.33 r . tlay 9. 9. 9.3?. No hay diferencia significativa en los sitios o fertilizantes al nivel 0.40: No hay diferencia significativa en neumáticos o automóüles al nivel 0. .66.34.44.01.05.oy:107.9653 (D) 8.05.7 y 173. 9. flay 9. una diferencia significativa en sus calificaciones a ambos niveles.01.l31.42*2. (c) si no (ó) 8.01. 9.L27. 9. 0. 9. (b)y:18. Ilay 9. 0.26.116. Igual al hoblema 9.4f. No hay diferencia significativa en neumáüicos a ningún nivel.4653¡z.05 pero no al nivel 0.01 .7 (e)1977 1o. 8. llay 9.01.9254 y 0.129.7096 y 0.24. 9. 0.38. Hay una diferencia significativa en el tipo de maíz pero no en los suelos al nivel 0. 415 8.130.27.05.126. (o) u = 3.9*4.39.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 367 8.120. 9.30 pulg.128. CAPITULO 9 9.11?. 9.43.¡es5añosconorigenen julio de 1935. Igual al hoblema 9. (a\ 20.05. una diferencia significativa en marcas al nivel 0.31. una diferencia significativa en rendimiento a ambos niveles. llay una diferencia significativa en neumáticos y automóviles al nivel 0.23.32. de julio de 1950 (d) 142. 9.33.1083¡*0. 9.36.35.deenerode1954.(b)y:722. 9.4 libras 8.4547 8.

9. color del pelo o Iugar de nacimiento. sílo son. .52. 9. B. al nivel 0. máquinas o fortaleza de cables. 9. C.63.01 las diferencias en los puntajes del examen debidas al estado veterano no son significativas. 9. Al nivel 0. No hafl diferencias significativas debidas a los factores o tratamientos. No hay diferencias significativas debido a los químicos o s¡tios.64.368 RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 9.05. 9.Q. No hay diferencias significativas debido a sitios o fertilizantes. fuual al hoblema 9. 9. No hay diferencia significativa en los puntajes de I. 9. significativas debido a los sitios pero no a los fertilizantes.66.3. y canüidades del primer compuesüo químico. significativas en los puntajes de los exámenes debido al estado veterano y al I. pero no otras dife- ' ltray diferencias significativas en tipos de cables pero no en operarios.47 No hay una diferencia significativa en rendimiento escolástico debido a diferencias en estatura.45.Q. 9.54. ltray diferencias signifrcatiyas en especies renciag signif icat ivas.ó. pero hay diferencias debidas al I. 9. No ha! diferencias significativas en los puntajes de los estudiantes de diferentes partes del país. llay diferencias 9. 9.55. llay diferencias 9.49.4E.62. FIay diferencias significativas debidas al factor 1 pero no al factor 2 o tratamienLos A.61. 9.54.46. pero las debidas al LQ. No hay diferencia significatirra en tratamientos a cualquier nivel.Q.

109. 112 clasificación simple o experimentos de un factor. L27. 291 26r.315. 306- continua a la derecha. 112 de Ia distribución normal. 139.26l múltiple. 118. James. 333 cociente de inteligencia. coeficiente de.244 cuwa nomal. 21 1 desigualdad de Chebyshev. colección. 97 también varianza) dewiación tÍpica. 3 dimensiones o unidades. 1 17 moda de la. 247 332. 112. 139'141 teoremas sobre la. 133 . 232-236.112 219.112. 138.169 negativa. 258 relación de la a la distribución norrnaI.2 conjunto universal. 24O.2L6 área bajo la. 116 cuenta. 11.lndice Ajuste de datos po¡ distribuciones üeóricar. 11O.L28 relación de la a la distribución de Poisson. 3f6-321 clasificación tríp¡e o factor tres expedmentos. 83. 264. 184 categorías. 78 diseño de experimentos. 316 püa de tres factores. 94. 259 típica (uéose desviación tíPica) desiación media. 266 (véose tom' bi¿n conelación y reg¡esión) curva de potencia. l. 297 poblacioml.125. 246 muestral. reglas de. 82. 78. 237 dispe¡sión. 319. 134. Bernoulli. 234. 2ll.129 distribución exponencial. 161. 177. 315. 217. 267. 232-236. 61 disÉibución beta.322 para experimentos de dos factotes. 25 coeficiente de conelacion. 218. 311. 22O. 217 convoluciones. 345 tipificada. conelación y reg¡esión üneal perfecta. 1O9 relación de la a la distribución normal. lO9 (véase tomb i¿n distribución no¡mal) distribución geomét¡ica. 11. 26+ 246 püa datos agrupados.135-137. 344 curua parabólica. 29G 292 correlación gradual.244 conelación. 321. 197. 246. 118 distribución de Poisson. 118. 268 r23 aproximación de la dist¡ibución de interl¡retación probabilfstica de la. 47.324 cuadrados ortogonales. 221-226. 88. 9. 119- 310. 135 distribución bimodal.237-239 aleatoriedad. 116. 112. 111 r34 distribución de Pascal. 216. 109 de la distribución de Poison. ó conjuntos iguales. 31ó álgeb¡a de sucesos. cumplemos. 31O. 345 ordenadas de la. 267.118 propiedades de la. 118. 115. 30. dewiación. 2. 263. 46 casillas.37 Cambio de variables. 33O cuadrados latinos. 11O á¡eas bajo la. 6 conección de Yates para la continuidad.86. 248 curuas de aproximación.293. 268.269 cunas de regresión no lineal. 5 completa aleatorledad. 219. 116 reJación de la a la dist¡ibución normal. 295. coeficientes de. 2a6-2a7 . I29 aproximación normal a la. 13 2. 92-94 teoremas sobre la. 284. 26 4. 85. r97. 81. 27. 24 complemento de un conjunto. 115. 254. 83. 328. 118 valores de Ias percentilas de Ia. 13 conjuntos bien definidos. 85. 12. 1 13.320. 220.310. 112 relación de la a la distribución binomial. 263. 119 distribución ¡'. 163 decilas. 248 decisiones estadlsticas. 127. 1 77 combinaciones. 28L-284 ensayo de tripótesis y significación para el. 2a5'247. 306-338 fórmulas cortas en el. 9. 23. 46. completa. 108 bloques. 332. 7L.311 aleatorios. 115. 264. 217. 143. 34ó cu¡va normal tipificada. 198. 1 conjuntos medibles. E4.2A2. 1 51 contado¡ Geiger. 23A. L24. 144 cont¡ngencia. 99 (uéase tombién distri' bución normal) áreas bajo la. 82. 19ó coeficientes de correlación múltiple.97 dist¡ibución binomial.243. 315. 117 ¡elación con la chi-cuad¡ado y t. 168. 84 ajuste dé datos por la. 269 ensyo chi-cuadrado Pua la. 265-267 coeficiente de correlación lineal. L28. 92- curua cuadrática. número desigual de obseryaciones en 312-315 experimentos conjuntos.316-321 aproxirración de Stirling a nl. distribución gaussiana. 11. 1 18 distribución chi-cuadrado. 316. 213. 225 análisis combinato¡io. 135 teoremas sob¡e la. 136. 264.97-99.263 covuianza. Só. 117. 3O7. 2ó8 94. 114. 177. | (uéase también conjuntos) columna de conteo. 2L7. 6O. ' dife¡encia de conjuntos. 56-60 pua el caso continuo.145 ajuste de datos por.348. 115. 316. 344. 230 coeflcientes binomiales. 133. 3 1 5 altamente significativos. 316. 3 264. 296 Poisson a la. problema.163 centroide o centro de gravedad de los datos.246 Datos agrupados. 297 distribución de Bernoulli (uéose distribución binomial) distribución de Cauchy. 46. 309 media y varimza de la. 10. 263. 25-2 7 análisis de v xianza. 244 264. 31 curtosis.297 teo¡ía muest¡al de. 100. 316 diseño experimental. 258. 9. 116. 349 distribuciones gamma. cuenteo. 306. 47 para el caso disc¡eto. 130. 163.78. 117. 118. 296 independencia y. 129. 264 curyas OC. 347 como caso especial de la distribución gamma. 117. 26 4 coeficientes de confianza. 1 conjuntos disjuntos 3. 2 (uéose deteminación.28l-244 fórmula p¡oducto-momento para el. 1O8.294 generalización del.242. 342 axiomas de probabilidad.11-13 teoremas sobre. 40 control de caüdad. 317.3f6 bloques aleatorios. 108. lO. 183 de la distribución binomial.333 para experimentos de un factor.281-289 tabla. 224.324 el. curua de ajuste. 321. 134 cuilas cdacterÍsticas de operación. 47. 26O clase. 1 (uéos¿ también conjuntos) clases y frecuencias de clase.118 distribución hipergeométrica. 295. 217. 316 27 distribución binomial negativa. principio fundameotal de. 21 diagramas de Venn. 268 generalizando. 258-3O5 gradual. 1l uti¡izando p¡obabilidad. 142 relación de la con la binomiál negativa. 263. 82 cuadrados greco-latinos.213 Bridae. 316 bondad del ajuste. 2 constante de Boltzmann. 266. 239 propiedades de la. 11. 8ó decisión. 89 282 diagramas á¡bol. 6 conjunto nulo. 4 conjunto vacÍo o nulo. 164.

44 va¡ianza pa¡a. 267 pua valores predlchos. áreas bajo mediante relaciones de varianzas. 206. 194-2LO. 3O8 error tfpico. 156.196. 16ó-168. 199 insesgada (u¿ose estima iDsesgada) estimas de máxlma verosimilitud. en téminos de varimzas y del coeficiente de conelación. 215. 198. 22L- experimentos de un factor.215. 14. 216. 293. probabilidad de. 266. 81. 77 (uéose dos. 162.274. 231 experimentos de clasificación doble (uCose experimentos de dos facúores. principio de. 117. 178 (uéo¿e 213 mediante la distribución f de Student.226-22a mediaate la distribución chi<uadrado. 287. 289. 262. 2L6. 241 3 mediante medias. 92. ó1. 2L9. 113. 243 ensayo de bipótesis y significación. 237. 157 función de densidad normal tipificada.171173 de medias. 260 elementos o miemb¡os de los conjuntos. 113 experirnentos aleatorios. 39. 162. 214.¡ecuencia marginal. 43. 346 media y vaianza de la. 311 distribución t Student) 163 acumulada.268 pua grar¡des muestras. 326 función de distribución acumulada. 161. 94. 77 espermza condiciona!. 35 estadfstico no puamétrico. 216 para coeficientes de regresión. 220. 81. 213 para va. 43 teoremas sobre la. 163. 42. 80.229-231 2L con repeticiooes. 2L4. 163. 1ó7. 160.263. 260 ejes. 194 estimas sesgadas. 290 estima. 133 distribución Weibuü. 186 estadlsticos muestra¡es. 264. 109 propiedades de Ia. 278. 198. 212. 342 función característica.. 222 escalera flor. 199.216. 6. 306 Fistre¡. 4 espacios muestrales inflDitos contables. t7l enfoque a posteriori de Drobabilidad. 312 Einstein-Bose. 6 enfoque clásico de probabilidad. 16-321 225 la. 156.294 fómulm de Euler.179 distribuciones de frecuencia ¡elativa. 194. ?7 muginal. 114 relación de la a la disEibución binomial. dualidad.39. 39 (uéase tambíén funciones de distribución) función de distribución conjunte. 1O8 expansión binomial. 263. óó estatura de padres e hijos. 3 Ecuaciones norraales pua la recta de mfnimos cuad¡ados. 4ó. 314. 38. 163. distribución f de Stud. 114. 157 de dewiaciones típicas. 159. L4l 11 8. 297. 267 3-2L5. 52-56 continuas. 31 1 experimentos de Mendel. 119. 194 estimas por intenralos. ó2 de funciones de vuiables aleatorias. 313-315. 132. 111 distribución nomal bidimensional.139-141 ¡elación de la a la distribución normal. 117.293. 81 ble. 17?179 acumulada. 286 fórmula producto-momento para el coeficiente de cor¡elación lineal. 218. 117 relación de la a la chl-cuadrado y F.lores medios predichos. 310. 238 bidimensional. 82 distribuciones de frecuencias. 162. 1 de proporciones.61. pua variables aleatorias contfuruas. 213 ensayos de una cola. 231. 2L9. 184 de medianas. 113 distribución Maxwell. 1O8 . traslación de. 4 espacios muesfales discretos.22L. 164. definicid¡ de la. 111 teo¡ema de la unicidad para le.214 püa pequeñs muestras. 297 e¡rb¡ o residuo. 4O. 41 distribuciones de probabilidad discret¿. 341 fracaso. 265 77 38. 212. 2ó9. éxito.279- 164. ó3. 290 .244.226-228 mediante diferencias de proporciones.294 pa¡a la püábola de mlnimos cuad¡a- teoremas sobre. 77. 76. probabilidad de. 269. 4. 44 .177 enfoque de la frecuencia relativa de 308. estadfstica. 198. 1?3-176 de varios estadísticos. 99 de la distribución binomial. experimentos de dos faetores. 312 efectos de lnteracción. 6 ensayo chi-cuadrado para bondad del ajuste. 162 distribución multimodal. 142 distribuciones condicionales. 2 interacción en el. 4 46. 196. 279 efectos de bloques. 194 estimas po¡ puntos. 162 INDICE efectos de tratarniento. 25. 40. 45 función de densidad conjunta.ent.) distribución porcentual de frecuencias. 296 derivación de la. 164 acumulada. 94. 276.pua el coeficiente de correlación. Futl. óo conti¡uas. 221-226 mediante proporciones. 1ó espacio muest¡a] finito. 41 conjunta. 38. 163. 44.2t6 ¡elación con la teorÍa de estimación. 217 ensayos de dos colas. 164 distribuciones de fiecuencia acumulada. distribución de 2t6. 83. 159. 118.277 para el plaao de regreslón de mfnimos cuadrados.370 media y vaxi^nza de la. 211267 estimas no eficientes. 41 de funcit¡nes de vadables aleatorias. 161. 1Og de la distribución de Poisson. error típico de la (véose ettot tfpico de la estima) estimación. 36 función aleatoria (uécse vuiable aleatoria) función beta. R. 27 O. 61-63 distribuciones co¡iuntas. 2t6. 138. 81 fórmula de Spe¡man pa¡a la cor¡elación gradual.2A6 224 espacio muestral. 194 e¡aor tfpico de la estima. 162 de difetencias y sumas. 289. 194-210 eficiente. 4 espacids muestrales continuos. 112 de la distribución normal.2La. I76. 64 293. 2r9. 113. 117 teoremas sobre la. 91. 259 estimador insesgado. 5. estadfstica (uéose estadís- tica Bose-Einstein) e1e x. 263.312. 36 E. 116. 6 enfoque a priori de p¡obabilidad. 158. 6 fórmula de inve¡sión. l6 3 frecuencia relativa. 110 espermza matemática.S. 216 Fermi-Di¡ac. 262. 5 enfoque uiomático de ptobabiüdad. 48. 44 dis¡etas. 4ó para valiables aleatorias dlscrets. zLl. 141 probabilidad. fó8. 262.A. 160. 52 distribuciones de probabilidad condicional. 261. 4 espacios muestrales no disretos.267 formas igualmente factibles.160. 266. 286-287 . 16G162. 198. 164 f¡ecuencias elementales.P. 299 er¡ores del tipo I y del tipo II. 168- de ¡elaciones de vuiauas.6 286. 194 (uéate estimas insesgadas) toñbién mediante diferencias de medias. 164 distribuciones de probabilidad. 236 mediante la distribución normal. 124-127 ajuste de datos por la. 194 estimas. 44. 119 distribución muestral. 223.249 distribución nonnalr 109-1 11. 14. 44. 118. 8l totales. 266 para vrimzas. 306-31O. mediante la disúribuclón F. 295. 16ó. 138. 2I9.4. 26ó también esperanza) estadfstica Bose-Einstein. 98.282. 49. 92. (pe¡cepción ext¡as€nsorizlr. 63. 29A espacios muestrales infiniio no conta- fumión complementaria de error. 157. 137. 13ó función de densidad para la. 54 de sumas de variables aleatorias. 164 acumulada. 115. 84 distibución uniforme. 5. 47 interpretación gráfica de la. 297 f¡ecuencia observada. 3 7 Fisher. 86-E8 condicionel. 28t.178. t¡ansformación Z de. 84 distribución multinomial. 261. 273. 83. 285. 343 función de densidad. 179 relativa. 213. 267. 311 notación paa.318 de vuianzas. 1ó chi-cuadrado y. 117 disribución trimodal. 324-327 variaciones pa¡a.47 disc¡etas. 43-46. 1O8 expamión multinomial. 260. 4 esperanzar 76. 178.266.201 esti¡nas insesgadas. 218 frecuencia porcentual.

P. 123 de la distribución chi-cuadrado. 195. (cociente de inteligencia). 259 ir¡tetcepto. 3Oo funciones de distribución marginal.Q. 48 probabilidad de causas (uéos(f teorema teoremas de la. 94 función escalera. 11ó. 84 (véose también media) media muestral. 45 funciones de distribución. 45. 3 ¡ey conmutativa. 15ó. 221 experimental o descdptivo. 158. 199-201 grupo. 313 polÍgono de frecuencias 179. 1ól momentosr 79. 97 medidas de dispersión. 177. 312 g¡an total. 97 mejor cuwa o recta de ajuste. 8O. 21 hipótesis. 268 para vuiables aleatorias continuas. 39. 308. ró9 población infinita. para el análisis de la varianza. 3. 312. 1ó6. 2 pea vErian¿as. 1ló de la distribución F. 1á6 con o sin remPlazamiento. 163. 3O6 de de de de medias de grupo. 155. 98 integr¿les especiales. 18O- población normal. 126. 157 media ditmética. 43 4O 268. 81. ll. 48. 1 7-2O función de la. 3O7. 2 núme¡os ¡eales. 203. 164 operaciones de coniuntos. 198.313 ? probabilidad. 1O9. 23O inferencia estadística. 21?.297 miembros o elementos de un coqiunto. 32 parámetros poblacionales. 158 I. 111 de la distribución ú o de Student. L22. 194-206 para diferenciás y sumasr 196. 96.22O. 41. L21 Jacobiano. 342 función gamma. 47 Pata conjuntos. 269. 69 para datos agrupados. 1 56 independientes. 96. 164. 44 g¡andes muestras. 165.5 probabilidad condicional. 155 aleatorias. 86. 342 27. S. 55. 2 lntcnalos de confianza. 39. 12. 343 central. 156. 311 mediana. invuianza baio üanstotmacióD. 6. 84. 183. 350. 80. 1óó. potencia de un ensayo. 19ó nivel de significación. 36. 157 media total. 156 196 Ley asociativa. 63 función de Drobabilldad coqiuDts. 171. 352 números complejos. 155 población binonial. 80 teoremas sob¡e la.165. 213 números rleato¡ios. á1 lÍnea real. t71.312 ordenadas. 1 polÍgono de frecuencia. 195 (uéose tambíén lÍmites de confianza) IÍmites reales de clase. 117 la distribución normal. 243 pua paábolas. 136 gráficos de control. 44. 1. 306. 46. 19ó.84 Papel gráfico de curya normal. . 342 fórmula de recunencia ptala. 27-23 población.49. 1r6. 61-63 conjunta. 1ó8. 3.164. I 55 integrales de Fourier. 259 para curvas.179183 momelltos centüales.179 ojivas porcentuales. 184 teorÍa de correlación y regresión. 6 suma de los pa¡a la distribución chicuad¡ado. 259 método de comprensión. 97.S. 2 logúitmos comunesr tabla de. 198 dist¡ibución de muestreo de la. 27 . 341. 309. 2O2. 44. débil ros) (ué¿se muestras independientes. 227. 47 para conjuntos. 79 momentos condicionales. 49. 40. Ojivas. 199. 76. 306. 194.2O3 para relaciones de vuianzas. 2+2. 206 modelos matemáticos.234 pare propo¡ciones. 1 (véase también conjuntos) prábola. f 56 alrededor de la media. acumulado. 83. 184. 45. 5ó. 163. 205.237. 3 inteivalo de clase. 162 no unicidad de la.221 experimental o descriptiva. para la convolución. l2 computación de la. ó4. 224 tabla de. 38 marginal. f96-202 L44.50. LS7. 89-91. (uéqs¿ rectas de mÍnitnos cuadrados) método y fórmula clave. 183. 79 intenalos geml-abiertos o dos. 179-183 la distribución binomial. 54. ó6. 156 tamaño de la. 211. 342 fórmula asintótica de Stirling pa¡a la. 266- 4t. 86 Marca de clase. 111 21 E inte¡ralo semi-intercuütÍlico. 3. 83.97 (véase tanrbién esperanza) pados. 8.98 de la dist¡ibución binomial.297 198 para rectas. poker. 206 semi-cerra2dO. 164. 164.44. ó8. 2. 123 la distribución de Poisson. 13 Iey distributiva. 47.INDICE función de probabilidad. f16. 114. 95 para las pruebas de Bernoulli. 159.293 medidas de centralización. 42 para variables aleatorias discretas. \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. ensayos de. 1O9. 84.¡los abierto y cetrado. 26O intetsección de cotiuntos. 2O4. 79 condicional. 110 eomplementaria. 26L. 204 para medias. 166-167. 163. r23. ó3 niveles de confianza. 196. 1ó1 grados de libe¡tad. gran media. 6r 3 ley de los grandes números. 351 loterm. 84. 178 moda. lO9. 117 modelo matemático lineal pua el análisis de va¡ianza. 177. 89'91. 171. 76 de una muestra. 113. 112 la distribución F. 214 histograma. 196 muestras aleatorias. 292. 156. 196. 224 niveles de significación. 85. 76. 84.) mÍniinos cuadrados. 308. aproximación de Sti¡ling a. 85.272 función error. 197. 311. 26. 217. 8O función monotónicamente creciente. 96. 85. 11 método de mínimos cuadrados. para la convolución. 4O función factorial. 96 de la dist¡ibución beta. 6 muestras. 1 56 partículas radioactivas. 47. 99 pe¡cepción extransesorial (udase E. grupo control. 264. 212. para la convolución. pea conjuntos. 1ó5. 164. 2t3. 1ó8. 163. 159 normal. 277. 84. 196 población finita. 1 44 pe¡centil¿s o valores percentüa. 13 en los zucesos. 79 alrededor del origen. 37 Poisson. 177 muestreo. 13ó de la distribución d€ Poisson. 84. 156. 266. 211 (uéase tombián ensayos de hipótesis y significación) hipótesis nulas. teorema de la unicidad pea la. 3O6 medias de tratamiento. 8 3O7.219. 179 acumuladas. 269.241 hipótesis estadísticas.312. 217 259 236.166. 117. lf l. 1 método de expansión.. 44 371 molécula de gas ideal. L78 I paradoja de Russell. 1^O. 156 parámetros de la. 11? de un conjunto de números. 156 población multinomial. 1O función paso. 159. 6 moneda b-omada.D. 195 lÍmites fiduciales.266 pe¡mutaciones. 96. funciones de densidad marginal. 241 tabla de.268 funciones de probabilidad marginrl. 197. 43.249-292 n factorial. 94 moneda cargada. 13 lÍmites de confianza.342 función gene¡atriz de momentos. 112 de la distribución normal. 2.23O Herencia. 163.45. 76. lnteÁ. 342. 97 medias de fila. 200 número. 276. 17? niedia. 39 condicional. 40. para datos agru- Gas ideal. 217 gráficos de control de caüdad. 186.5ó marginal.

284. 38. 216 var\anza muestral. 111 de la dist¡ibución t. 198 rectas de mÍnimos cuadrados. 89. 284. tabla de. 164 probabilidad geométrica. 27 I relación fineal.63 vüiables aleatorias no relacionadas. 52-56. 3O7. 45. 115 cuadrado. 279 unión de conjuntos. 160 esperanza de Ia. para datos agrucondicional.159. 311.294 vaianza. 306. 27 8. entre columnas o bloques. ó. plano.287-289 transformada inversa de Fourier. 258. ? sucesos independientes.82 de momen- mente. 237 . 15-17 p¡obablemente significativos. 217.161 veiables aleatorir nomalizadas. 49.81.2a4. 254. 4. 2t9. 266. 242. 1 subconjuntos p¡oFiós.284 relaciones no lineales. 25 Unidades o dimensiones. 269. problema de la. 3O8. 26? traslación de ejes. I 1 O pila distribuciones conjuntas. 266. 292-294 cov^rianza. 158 de la distribución no¡mal. 78. f91. dist¡ibución muestral de. 78 va¡ianza combinada. 219. 1 14 independientes. 3O7. 29. 15 utilizando el análisis combinatorio. 259. 5.266. 259. 266. 39. 43 t¿blas de clasificaclón doble.experimentos de dos factores. 30. 21 variación. 143. 26O. 262.37. 266.124 las. variación total. 38 variables aleatorias de la distribución de Bernoulli. 31 1 entre y dentro de tratamientos. 263. 81 transfomación. 156 temperatura Kelvin. 79.27l uperf icies. 11O v&iables aleato¡ias dist¡ibuidas uniformemente. 41 INDICE sobres. 7. I O8 distribuidas normalmente. 158. 311 tratamientos. 1O9. 131 prueba del. 11 1. 269. 97. 63.38 discretas.317. 26-27 231. 212 ensayos de.116 función (uéose función de probabilidad) geométrica. 151 82 seguridad. 165. 164 dist¡ibuciones de la. 8O sesgada a Ia derecha o a la izquierda. 289 ecuación. 270 va¡iables aleatorias. 6 suceso seguro. 3O7 para .6O teorema del límite central. LIL. 111 vuiable estocástica (véase vuiables valores exponenciales. 68 proporciones. 352 293. 63 no conelacionadas. 79 pados. 130.lasificación simple. 112. invarianza bajo. 151 teorema de unicidad. 5 condicional. 20. 281. 264-27 4.259.239 problema de la aguja de Buffon. para un conjunto de números.110 vüiables dependientes. 9. 22O tablas de con¿ingencia.249 computación de la.273 en términos de varianza muestral v teoría de muestreo exacto. 3O9. problema de los.85. 1Og de la distribución de Poisson. 49. 82 veiables aleatorias normales asintótica- ley de los grandes números paa 109. 79. Valores críticos. 322-327 tabla de c. I 18 tablas y distribuciones de frecwncias de doble v&iación. 195 valo¡es de tendencia.81. ó sucesos.262 27 a. 37 subconjuntos. 131 teorema o ¡egla de Bayes. región de. 195 desconoce la. 83. 48. 3O9 regresión múltiple. I7 -2O. asignación de las. 58. ó2-56. 50 papel gráfico. 326 diag¡ama. 14. 1O8 vuiables aleatorias distribuidas de a- cuerdo con la dist¡ibución Poisson. 1 I O región crltica. 196 tigmpo de reacción.115 variables aleatoiias con distribución chi- ta. 97-99.2a2.114. 5O con distribución dg Poisson. 2O1 t¡ansformación de Fourie¡. 262.115 vtianza poblacional. pa¡a la función ca- vaiables aleatorias independientes. 29O curva. 48. 8 cálculo de las. 38. 3Og pua las. 297 tammo de la muestra.89 combinada. pda la función generat¡iz tos.39 vaiables aleatorias continuas. 81 transformación Z de Fishe¡.111. 260 variaciones. 262. 63. 79 distribución de las.3il1 Taylor. 6. 23a como una función de valor real. 264. 195. 262.161:171 prueba de Bernoulli. 263.2a5 vaiación no explicada. 176 velocidad efectiva (¡ms).2O2 interpretación probabilística de. 194. Tabla de probabilidad coniunta. 312 regresión. 3O6 triángulo de Pascal.318 múltiple. 242.372 o ¡egla de Bayes) concepto de la. aleatorias) 2 2 241. 243246 tablas de frecuencia (uéose ta¡nbién distribuciones de frecuencia) variables aleatorim distribuidas binomia¡mente. 317. 311. 117 muestral. 131. 26I intersección de. 249 de vaiables aleatorias distribuidas normalmente. 64 gráfica. 4. l94 sÍmbolos de inclusión. grados de libertad 311 métodos cortos paa obtener las. 67. 266. 42. 81.2a4.158. 8O dist¡ibuidas binomialmente. 45. 108.123. 79 vriables aleatorias con distribución Be- serie". 8O ¡acte¡Ística. 260. 26 2 teoría muestral de. 2ll (véase tombién ensayos de hipótesis y significación) vaiables aleatorias con dist¡ibución Cauchy. 85. 261. 50 dist¡ibuidas unifomemente.97 semi-intercuartr-lico. 7. 3f 3-3f 5. 15 sucesos elementales. 291) universo del discurso. 38. 78 unidades tipificadas. 259.88. 2a9. 112 de la dist¡ibución normal. caso donde s . probabilidad empírica.4 Recorrido. 3 significación. 213 región de rechace. 108 pruebas de Bernoulü. 46. (véase v atianza muesüral) continuas. 1 ilceso imposible.245 en análisis de varianza. 46. 123 de la distribución de Poisson. 2ó9 Sec¡etaria. va. 263.lores esperados de las. 161.86. 1ó8. 266. 22O. 37 serie de Fourier. 8. 26A. 161. 79 tipificadas de. 64 probabilidades. 264. 29. 89. 26O. 242. 265. 1O8 variables aleatorias dependientes (uéose variables aleatorias independieDtes) vaiables aleatorias discretas.49. 13O.98 serie de Taylor. 6 algunos teoremas importantes sobre la. 269 vdiables-transf o¡madas. 3O9 ent¡e filas o tratamienúos. S2 sin dimensiones. 164. 117 de la distribución muestral de medias. 281. 289. ó-7 sumas es¡reciales. 1?9-183 vriable independiente. 112 de la distribución f'. 85 sesgo. 223.260 pua vriables aleato¡ias distribuidas binomialmente.285 recta. 6. 219 en anáUsis de varianzas. 31O. 226 . 271 referencias tipificadas. explicadas y no explicadas.262 vüiación explicada. 341 ¡elación con las dist¡ibuciones t y F va¡iables aleatorias con dist¡ibución Gamma. 2AL. 266. 311. 1lO va¡iables aleatorias adimensionales. 289. 263. 216 como segundo momento. 85.2ó9 coeficiente. 262. 46 scesos mutuamente excluyentes. 113. 49 ¡éplicas.272 318 grados de libertad para. 30. 266. 2a7. 79. 258 punto muestral. 212. 324-321 residuo. 264.94 de la distribución binomial. 212 regla de Leibniz para la de¡ivación de una integral. 114 1ó8.78. 9. 17-2O. 48 función de densidad de. 183 de la distribución binomial.2a5 vatiación residual o aleatoria.244 representación gráfica.

.

.

l .

.

.

. Genética t/lecánica de los flurdos e hidráuiica Mecánica del medio continuo [!lecánica técnica Meclnica teórica Métodos cuantitativos pdi:..ceri.: cie concretc a¡'rnado Diseño cr.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 cilculo Programación BASIC Ouir¡ica f ísica (en prensa) Ouímica qener¿l Resistencii-.I$ROS DE LA SERIE SCHAI.'M PUBLICADOS EN ESPANOL Acústica Algebra eiementai Algebra elemental rnoderna Algebra lineal Algebra superior Análisis estructural Análisis estructural avanzado Análisis de Fourier Análrsii numc.ar ía Ecuaciones diferenciales Ecuaciones diferenciales rnoder¡las Espacio de estadn . i-rásicas de las ciencias de la . adrni nistración de empresas (en prensa) Macroeconom ía Micrc¡econom ía óptica Probabil.i.:a de tos fluidos Dinárn'ca de Lagrange Diseñ.. máquinas Economía internacional (en prensa) Ecuac'rine.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. Ce mater iales Fletroaiimentación y sistemas de contrei es Geometría analítica Geometr ía ciescri ptiva Ceonletr ía Cíferencia I Teoría de conjuntos y temas afines Teoría Ce grupos Termodinámica Tcpolog ía Trasformadas de Laplace Trigonometr ía \/ariables conrplejas Varialiss ¡eales Vibraciones mecánicas 0-07-03092"9 .dad Probabilidad y estadística co.¡ sist¡ma lineai Estad ística F ísica gcnera I Fundamenrol de matemáticas superio.ico Análisis'.l.

Sign up to vote on this title
UsefulNot useful