\ —_—— ‘ Oa eee PROBABILIDAD| | yi | | ESPADISTICA\| | PARA INGENIEROS SEXTA EDICION \ We ‘ \/ WALPOLE 8 mee . MYE RS ao weRonald E. Walpole Probabilidad y estadistica para ingenieros SEXTA EDICION TRADUCCION: Ricardo Cruz Traductor Profesional REVISION TECNICA: Juan Antonio Torre Marine Ingeniero Mecanico Electricista Universidad Ananuac $64» Chile + Beuador Rofco » Uruguay *Venezeels‘Tilo, edico Potbiidad yestasice paca Ingeies, 6, e PRENTICE-HALL HISPANOAMERICANA, S.A Mca 199 Fort: 19 we 182 ELICION BX ESPANOL 10K: PABLO EDUARDO ROIG VAZQUEZ, SUPERVISOR DF TRADUCCION, JONGE BONILLA TALAVERA SUPERVISCR DF EDICION OSCAR AVALOS SALCEDO. EDICION E INGLES: Esher dirsctor, Tim Bie Edtorin chet. Jevome Grawt Eada asostnt, Mindy MeCtard Exccuive mano eso, Ktfen Schigparell ng elon, Lind Dbanoy Bete Nichola Remarc wishin VP preition monotactring, David W. Rison ‘asaser, rads Paci Cover designer, layne Conte Marketing manages. Meily Mares Marketing ssisiant, Jenifer Pa Compasitor, Prepare Ine/Emileomp srl WALPOLE: PROBABILIDAD ¥ ESTADISTICA PARE INGENIEROS, be ‘radveido de a sexta etctn en mls eI obras Prababilty an Statises For Eagnces and Scents. Alright reserved. Autonet taste fo Engh ngage eiton piste 9 Pence Hl. In. Anon Smtr compan Teo os ders sean. Tadcoin stra cin cn ins public poe Pentel Ts. ‘Sion & Ser Comp, Allright reserved. No pa of his bok may be reoved oe taniitedin any fom aby ay es Stet meta nclan poucopyng. ego emt se an ee System wthnt pertodon in ing rr he poe Prd cpl tl opal et, prcugelernaivo mds an pe isd edo Deectoswsratin © 199 rpc primeacin en pt PRENTICE-WAII nISeANOANIERICANA Sh Alliccmclco Nim 501 Piso Colts Ao S059, Naueapan de jure, Edo, de Mesicn ISHN mm 72446 lms ina na de eta ita Ni 152 fil Ehah Langage aon Past by rene a, Me ‘Sinn & Sater Company Capyraht ©1958 (PRINTED INMEXICO ,Contenido Prefacio ix 1 Introduccion a la estadistica y al andlisis de datos 1 Repaso 1 El papel de la probabilidad 2 Medidas de posicion: media de una muestra 4 Medidas de variabilidad 5 Datos discretos y continuos 6 Modelado estadistico, inspeccion cientifica y diagnosticos graficos 7 Boeene 2 Probabilidad 9 24 Espacio muestral 10 2.2 Eventos 13 2.2 Conteo de puntos de la muestra 19 24 Probabilidad de un evento 27 2.5 Reglas aditivas 30 26 Probabilidad condicional 35 2.7 Rieglas multiplicativas 38 28 Reglade Bayes 44 Ejercicios de repaso 49iv Contnito 3 Variables aleatorias y distribuciones de probabilidad 51 aa a2 23 a4 a5 Concopto de variable aleatoria 51 Distribuciones discietas de probabilidad 53 Distribuciones cortinuas dk -ontinvas de propabilidad 58 Distibuciones empiricas 63 Distribuciones de probabiidad conjunta 69 Ejorcicios de repaso 62 4 Esperanza matematica 94 aa 42 43 aa Madia de una variable algatorio. 84 Varianzay covarianza $2 Madias y varianzas de combinaciones lineales de variables aleatorias 101 Teorama de Chebyshev 108 Ejercicios de repaso 112 5 Algunas distribuciones de probabilidad discreta_ 114 Introduccién 114 Distribucisn uniforme diserata 114 Distribucionas binomial y multinomial 116 Distribucisn hipergeometriea 125 Distribucionas binomial negativa y geométrica 132 Distribucisn de Poisson y proceso de Peiston 135 Ejercicios de repaco 141 6 Algunas distribuciones continuas de probabilidad 143 61 62 ribucién de probabilidad continue 143 rabueidn normal 145 os bajo fa curva normal 148 ‘Aplicaciones de Ia distibucién normal 163 ‘Aproximacien normal ala binomial 16) sibucionos gamma y exponencial 166 ‘Aplicaciones de las distribuciones exponencial y gamma 170 Distribueién ji cuadrada 172 Distribucién logaritmica normal 173 Distribucién de Weibull 174 Ejercicios de repaso 178 7 Funciones de variables aleatorias 180 ma 72 13 Iniroduccién 18 Transformaciones de variables 180 ‘Momentos y funciones goneradoras de mamentos 189Contenido ov 8 Distribuciones fundamentales de muestreo y descripciones de datos 198 82 Agunos sess portato: 201 3.3 Presentaconas de datos y melosos grdfecs 84 — Distribuciones muestrales 215 = ae 85 Disweicines uestts de modiss 217 84 Ditton mucsta de ae 87 Disrmucten 238 88 Discten 252 Bjtclos de reaso 237 9 Problemas de estimacion de una y dos muestras 238 9.1 Introduccién 238 9.2 Inferencia asiadistics 238 9.3 Métodos clasicos de estimacion 239 9.4 Una sola muestra: estimacien dela madia 249 95 Error esténder de una estimacisn puntuel 240 8.6 Limites de tolerancia 249 9.7 Dot musetras: estimacién de Ia diferencia entre dos medies 253 9.8 Obsoraciones pareades 259 9.8 Una sola muestra: estimacién de una proporcién 268 9.10 Dos muestras: estimacion de la diferencia entre dos proporciones 268 9.11 Una sola muestra: estimation de la varianza. 271 3.12 Dos muestras: estimacion de la razon de dos varianzes 273, 9.13 Metodos bayesianos de estimacion. 275 9.14 Estimacion de prooabilided maxima 282 Ejercicios de repaso 237 10 Pruebas de hipotesis de una y dos muestras 290 10:1 Hipdtesis estadisticas: conceptos generales 290 102 Prusba de una hipotesis estadistica 292 103 Prusbas de una y dos coles 300 104 Uso de valores Para la toma de decisiones 302 105 Una sola muestra: pruebas con respecto a une sola media (varianza eonocida) 306 108 Relacién con la estimacion del intervalo de confianza 309 107 Una sole muestra: pruebas sobre una sola media (varianza desconocida) 310 108 Dos muestras: pruebas sobre dos medias 313 109. Eleccién del tamafo de la muestra para probar medias 318 10.10 Métodos araficos para comparar medias 323 10.11 Una muestra: prueba sobre una sola proporcién 330, 10.12 Dos muestras: pruebas sobre dos proporciones 333, 10.13 Pruebas reterentes a varianzas de una y dos muestras 336Vi Conenian 1014 1018, 1016 1017 1018 Prueba de la bondad de aiuste 240 Prueba de independencia (datos catagbricos) 944 Prueba de homogensidad 347 Prueba para varias proporciones 348 Estudio de dos muestras 360 Ejetcicios de repaso 355 11 Regresion lineal simple y correlacién 359 ma mz 13 m4 15 16 1) na 19 11.90 re Introduccién s la regresién lineal 358 Regresion lincal simple 361 Propiedados do los estimadores de minimos cuadredos 365 Inferencias acorca de los coelicientes de regresion 367 Prociccion 371 Elecsién de un modelo de regresion 377 Procedimionto del analisis de verianza 377 Prueba pora ta lineelidad de la regresion: datos con. observaciones repetidas 378 Graficas y transformaciones de datos 387 Estudio de regiesion lineal simple 391 Correlacion 994 Ejercicios de repase 400 12 Regresion lineal multiple 405 124 122 123 124 125 126 127 128 129 12:10 13 Experimentos de 131 132 133 134 Introduccién 405 Estimacion de los cosfcientos 406 Modelo de rearesién lineal con ol uso de matrices 410 Propiedades de los estimadores do minimos cuadiados 418 Inferencias en la regrosién lineal multiple 420 Eleccién de un modelo de ajuste a través de la prueba do hipotesis 427 Caso aspecia de ortogonalidad 491 Méiodos secvenciales para la celeccion del modelo 435 Estudio de residuce y violacién de suposiciones 441 Validacién cruzads, C,, otros crterios para la Seleccon del modelo 445 Fjercicios de wopaco 456 un factor: general 461 Tecnica del andlisis de varianza 461 La estrategia del diseno experimental 463 Analisis de varianza unilateral: disefio completamente alpatonizado 463, Pruebes dela igualdad de vatias variancas 470Contenido 13.5 Comparaciones de un solo grado de libertad 475 136 Comparaciones miiltiples 475 13.7 Comparacion de tratamientos con un control 483 138 Comparacién de un conjunto de t 08 en bl nto de tratamiontos en bloques 483 139 Diseno de bloques completos aloatorizados 469 13.10 Métodos gréficos y diagnéetices posteriores 498 13.11 Cuadrados latinos 499, 13.12 Modelos de ofectos alestorics 506 13.12 Enfoque de regresion para el andlisis de vrianza 611 13.14 Potoncia de las pruebas de analisis de varianea 612 18.15 Estudio de caso 519 Ejercicios de repaso 523 14 Experimentos factoriales 527 14.1 Introduccion 527 142 _Interaccion y el experimento de dos factores 529 14.3 Anélisis de varianza de dos factores 530 14.4 Andlisis grafico en el problema de dos factores 537 145. Experimentos de tres factores 540 186 Modelos muttifactoriales especificos 548 14.7 Exporimantos factoriales modelo Il y Ill 543 14.8 Eleccidn del tamaio de la muesira 552 Ejercicios de repaso 555 15 Experimentos factoriales y fracciones 559 15.1 Introduccién 559 15.2. Anélisis de varianza 560 15.3 Experimento 2* factorial sin replicas 554 15.4 Estudio de caso 565 18.5 Experimentos faotoriales en bioques incompletos 571 15.6 Confusion parcial 577 15.7 Experimentos factoriales en un ajuste de rearesion 579 15.8 Estudio de caso: exparimento de purificacion de carbén 583 15.9 Experiments factoriales fraccionados 588 15.10 Analisis de experimentos factoriales fraccionados 501 415.11. Disonos do fraccionos euporioros y depurados 595 16.12 Construcsién de disenos de resolucién Il y IV con 8, 18 y 32 puntos de diseio 596 15.13. Otros disenos de resolucidn Ill de dos niveles; disenios de Plackett-Burman 587 18.14 Diseno robusto de parametros de Taguchi 598 Ejercicios de repaso 607Contenido 16 Estadistica no paramétrica 609 16.1 16.2 16.3 16.4 165 166 167 168 Pruebas no paramétricas 609 Prueba de signo 510 Prueba de rango con signo 614 Prueba de la suma de rangos 620 Prueba de Kruskal Wallis 623 Pruebas de corridas 625 Limites de tolerancia 629 Coeficiente de correlacién de rango 630 Ejercicios de repaso 634 17 Control estadistico de calidad 635 74 17.2 173 74 175 17.6 Bibliogratia 667 Introduccién 635 Naturaleza de los limites de control 637 Propésitos de la grafica de control 637 Graficas de control para variables 638 Graficas de control para atributos 653 Graficas de control de cusum 660 Ejercicios de repaso 664 Apéndice: Tablas estadisticas 671 Respuesta a ejercicios con numero impar 723 indice 737Prefacio La sexta edicién de Probabilidad y estadistica para ingenieros destaca la teorfa esta- distica y pone un énfasis apropiado en el andlisis de datos, el eélculo estadistico y la mejora de la calidad. Nuestro objetivo es presentar al estudiante los elementos de la probabilidad y las distribuciones de probabilidad, la inferencia estadistica, la re- gresi6n y correlacién lineal, el andlisis de varianza. el disefio de experimentos y el control estadistico de la calidad. Este equilibrio entre la teoria y la metodologia ha encontrado histdricamente aceptacién por parte de los revisores y los usuarios del texto. La quinta edicion destacé la introduccidn de impresos de software para real- zar los ejemplos ¢ introdujo también los métodos graficos en el anilisis de datos. ‘Ambos temas se refuerzan en la sexta edicién, con impresos adicionales incluidos enel texto y también junto con casos de estudio dentro de los ejercicios. Oura ven taja de este texto es la abundancia de ejercicios de la “vida real” que incluyen con- juntos de datos de estudios reales realizados por ingenieros y cientificos. Se amplian los ejercicivs, en particular para las areas de pruebas de dos muestras y estimaci6n del intervalo de confianza, andlisis de varianza de uno y dos factores, y anilisis de regresion. A peticion popular, se proporcionan las respuestas para los ejercicios im- pares Un prerrequisito para el uso de este texto es un curso de calculo diferencial integral, con detivacién parcial e integracién multiple. Siel instructor intenta hacer un tratamiento completo de la regresion lineal multiple, seria util un curso de alge- bra lineal y matrices.x Pretecio importantes en la sexta edici6 1. El primer capitulo ho sido ampliade para proporcionar al lector wna introduc. cid sélida de las nociones de posicion y variabilidad. Se han agregndo Gjerei- clos este capitulo, 2. En casi todos los capitulos aparecen nuevos ejercicios de bi puesto énfasis en los ejercicios de repaso, ida real”. Se ha 3 Se introducen distribuciones uniformes continuas y logarftmica normal, sein fumica normal cluyen aplicaciones y ejercicios con el uso de la distribucion log 4. Se hace énfasis apropiado en el uso de la distribuci6n ¢ para adaptar pruchas y laestimacidn que incluye dos medias con varianza no homogen Se omite la seccidn yobre tearfa de la decisiin y se hace mas Enfasis en la est ‘maci6n de la probabilidad maxima. Se utilizan mas ejemplos y ejercicios para reforzar ef material det (esto sobre probabilidad maxima, 6. Se abarea ea forma mas completa el uso del ‘lgehra matricial en el andlisis de la parte de vari iple. se complementa con Ia inclusion de EL capitulo sobre experimenios factorial modelos mezclados, 8. En los capitulos de rey de “casos de estudio” y se incluyen muesiras de impresos de computadora. lente sitio ftp: ccom/pubiesm/statistis.027/walpole/probability_ statistics resin maltiple y andlisis de varianza apareven ejercicios 9. Los archivos de datos para este libro se pueden descargar del Atpsivav.w.prenh Este texto esti disefiado para un eurso de uno o de dos semestres. Un curso de tun semestre que contenga el tratamiento de probabilidad c inferencia estadistica se adapta con el material de los eapitulos 1 al 16, Sin embargo, existe mucha flexi dad para el uso de estos capitulos. Despus de la nueva introduccion, los capitulos 2, 3 4 cubren la probabilidad basica y las variables aleatorias. Los capitulos 5 y 6 tratan las distribuciones especificas, sus aplicaciones y las relaciones entre distribu: ciones. El capitulo 5 trata las distribuciones disoretas. incluida la binomial y la hic pergeométrica multinomial, binomial negativa, geométrica, uniforme y de Poisson El capitulo 6 explica la normal (incluye la apreximacién normal la binomial), gam- _ma, logaritmica normal, exponencial, ji cuadrada y otras distribuciones tiles. Es po- sible que, para un curso mas te6rieo, el instructor pueda elegit no utlizar la {otalidad del material en estos des capftules. Por otro lado, un curso para ingenie- ros ciestamente se beneliciaria de la discusion de las reas de aplicacion de estas im- portantes distribuciones y del uso de les ejerccios. lo 7 es un capitulo corte titulado Funciones de variabies aleatorias y es el tema mais matemitica de! ibro. Se incluye el uso de funciones generadoras de momento y técnicas para calcula Ia dis- tribucién de funciones de variables aleatorias. El instructor que esté mas inelinado ‘ enfatizar la estadistica matemstica puede preferir incluilo, El capitulo & contiene tres importantes temas relacionados: muestrev alealorio, ddescripcidn de datos y distribuciones de muestreo fundamentates. Como se meng 16 al principio, se pone considerable atenciGn al éespliegue de datos y @ las grt ‘cas. Ademas, se colocan las bases para el uso de percentiles y la graficacion de IaPretacio x probubilidad normal en aplicaciones que aparecen en los caphiulos siguientes. Se is- cute Ia dstribueibn de X y S, y se proporciona la motivacion para si uso en los dos capitulos siguientes. este respecto, se introducen ls distribuciones ty F. asf como la motivacion para su uso en la estimacién del intervalo la prueba de hipstests. Los capitutos 9 y 10 contienen material sobre la estimacién de una y dos mus tras y la prueba de hipdtesis, respectivamente. Se incluyen nuevos ejereicios y ejem plos, ¥ Se introduce al estudianie 4 conjuntos de datos de “la vida real”, Las iustraciones incluyen el uso de comporaciones gréficas asi eomo Ia inferencia for mal —impresos de computadora comentados forman parte dela ilistracion, El ca pitulo 9 inclaye tambicn material sobre probabilidad masima yestimacion de Bayes Las pruebas tesricas normiates que ineluyen ls distribuciones 1, Fy y'se dan en el capitulo 10, como pruebas que implican el uso de datos categoricos, Los eapitulos Ly 12se ocupan de la rezresidn lineal simple y la regresidn mltiple. espectiva mente, Como en el pasado, se incluyen ls critetios de selecsicn de! modelo de un solo numero, procedimientos paso paso. di diseusidn de transform: \stico con grifieas de residuys y une El capitulo 13 es una presentacién del problema de un factor. Se introduce el analisis de vatiana para prueba de medias. Se incluyen los blogues, cuadrados lati anos y el modelo de efectos ateatorios, Un extenso estudio de caso iustra fa unin de graticas estadisticas la inferencia formal. Elcapitulo [4 contiene e| experimen: to factorial general, con grificas e impresos de computadora comentados y resala- dos una vez mis. El capitulo 1S contiene el material mensionado con anterioridad sobre experimentos 2 factorialesy fraccionales,ineluidos los bleques y a confusién. Se resaltan los métodos modernosde mejora de la calidad por medio de ejemplos y ‘easosde estudio, y se explican la metodologia de Taguchi asf como modelado Ue va rianza, El capitulo 16 se ocupa de los precedimientos no paramétricos, y el capitu- lo 17 estd dedicado al control estadistico de la calidad. Los capitulos 11 a 17,2 nuestro juieio, proporcionan material suficiente para un segundo semestre. Cada capitulo contiene suficiemte flexibilidad y permite la omi- sin de secciones sin pérdida de comtinuidad ‘Queromos agradecer a los que contribuyeron con la prepara edicién, Agradecemos a Linda Seawell, que mecanografis el manuscrito. De nuevo, muchas gracias al Centro de Consulta Estadistica del Instituto Politécnico de Virgi- nia: fuente de muchos de los conjuntos de datos de la “vida real” que se uiilizan co mo ejemplos y ejercicios. Estamos en deuda con aquellos colegas que revisaron la sexta edici6n y propor cionaron muchas sugerencias titles para esta ediciin, Elles son Melinda McCann, Universidad Estatal de Oklahoma: Bill Beyer. Universidad de Akron; Michael Merscher, Universidad Tecnolégica Lawrence: v Kyuil Kim, Universidad de Ilinois en Chicago. También estamos en devda con el albacea literario del fallecido sir Ronald A. Fisher, F-R.S., Cambridge, y a Oliver & Boyd Ltd., Edimburgo, por su permiso pa- ra reimprimir una tabla de su libro Statistical Methods for Research Workers:al pro- fesor E. 5. Pearson y a los administradores de Biometrika por el permiso para reimprimir de forma condensada las tablas & y 18 de Biometrika Tables for Stati cians, vol |; a Oliver & Boyd L.td., por el permiso para reproducir tablas de su br0 ion de esta sextaPrefacio Design and Analysis of Industrial Experiments de O. L. Davies: a McGraw-Hill Book Company por el permiso para reproducir las tablas A-25d y A-25e de su libro Introduction to Statistical Analysis de W. J. Dixon y R. J. Massey, Jr; a C. Eisenhart, M. W. Hastay y W. A. Wallis por el permiso para reproducir dos tablas de su libro Techniques of Statistical Analysis. También deseamos expresar nuestro aprecio por el permiso para reproducir tablas de los Annals of Mathematical Statistics, del Bu- Metin of the Educational Research at Indiana University, de una publicacién de la American Cyanamid Company, de Biometrics, de Biometrika, vol 38, y de la Jour- nal of the American Statistical Association. RAM. S.L.M.Introduccién a la estadistica y al andlisis de datos 1.1 _Repaso CN a En Ja industria estadounidense se dedica una cantidad extraordinaria de atenciGn al mejoramiento de ta calidad que comenzé en los ocheata y cantina en la presente déeada. Se ha dicho y escrito mucho del “milagro industrial” japonés que comenzs en la segunda mitad del siglo xx, Fueron eapaces de tener éxito donde nuestio pais (E.U,) y otros paises fallaron —a saber, en la creacisn de una atmésfera que permi. te la manufactura de productos de alta calidad. Gran parte del éxito de los japone s2s se atribuye al uso de méodos esadisiicas y al pensamiento estadistico entre | personal gerencial El uso de métodos estadisticos en Is manufactura, ol desarrollo de productos alimenticios, software de computadoras, productos farmacéuticos y muchas ottas ‘reas implica el acopio de informacién o datos eientificos. Por supuesio que o aco piio de datos no es algo nuevo, ya que se ha realizado por mas de mil alos. Les da~ tos se han reeabado, resumido, reportado y almacenado para su examen euidaloso. Sin embargo, hay una diferencia profunde entre teeabar informacion cientifica y la ‘estadistiea inferencal. Es esta ttima la que ha resibido legitima atencion en las ce numero enorme de herra mientas analiicas que permiten al ingeniero o al eientifico comprender mejor los sistemas que generan los datos, Esto refleja la verdadera naturaleza de la ciencia {que Hlamamos estadistica inferencial, pneipalmente el uso de técnicas que nos per- ‘miten ir mas alla de solo reportar datos sino, mis bien, nos permite obtener concli- siones (0 inferencias) sobre el sistema ciemtifico, Los estadisticos hacen uso de leyes fundamentales de probabilidad e inferencia estadistica para sacar conclusiones sobre los sistemas cientificos, La informacién se colecta en forma de muestras, 0 12 captuie + itrodeccisn agrupaciones de observaciones, En el capitulo 2 se introduce el proceso de mues treo y la dscusién continda ao largo de todo el libro, Las muesteas se tetinen « par ‘on agrupaciones de todos losindividuos o elementos individuales de un tipo particular, A veees una poblacion significa un sistema cieniifico, Por ejemplo, un fabricante de tarjetas de computade ra puede desear eliminar defectos. Un proceso de muesiren puede implicar la rece leecién de informacién de 50 tarjetas de computadora probs el proceso, Aqui. la poblacién es todas las tarjetas de computadora prod ln empre ‘na muestra de pacientes y a eada uno se le administra un medicamento especifian vducit la presi6n sanguinea. Se onfogs el interés en la cbtencion de conelusio. en un period espectfic, En un experimento con medi para sobre li poblaciin de los que sufren de hipertensidn. Si se hace una mejora en el proveso de produccidn de las tarjetas de computadora y se reine una segunda muese a de tarjetas. cualesquicra conchisiones que Se obtengan respecto laetectividad del cambio en el proceso x debe extender toda la poblacion de tarjetas de computado- tu ques produzcan bajo el proceso mejorads ‘A menudo, es muy importante el acopio de datos centilicos en forma sistemé- tie, enando fa planeacton ocupa un lugar importante en fe agends. En ocasiones la plaeacion esta, por neeesidad, bastante limitada, Lin ingenicro puede necestar es- {udhar el efecto de las condones del proceso, temperatura, humeded,cantidad de lun ingrediente particular, eteétera, sobre ln produecidn del articulo. Elo ella pue- den mover de mancra sitemstica estos faeores a cualesquiera niveles que se sugie- Fan de acuerdo con cualquier prescripcign o disefo experimental que se desce Sin embargo. un cientifieo sivicultor que est interesado en un estudio de los factores In densidad de la madera en cesta clase de debol no necesariamen un experimento, En este caso puede requctir un estudio observa 1 que los datos e acopian en el eampo pero no ve pueden seleccionar Je sintemano los niveles de los fuetores, Ambos tipos de estudios se presta Ios ne todos de la inferencia estat deri de la planeacin aproy el ultimo, el cientitico esta a smersed de lo que pueda recopilar. Por ejemplo, resulta madecuado sun agrénomo be interesa en estudiar el efecto de a Huvia sobre la produscion de plantas y los di- {os se obifenen durante una sequia. Se debe comprender la importancia del pensamiento estadistico en los admic nistradores ef uso de la inferenciaestadisica por el personal centifie. Losinves- tigadores obtienen macho de los datos cientificos. Los datos proporcionan una ‘comprensidn del fensémeno cientifico. Ls ingenieros de producto y procesosapen= den mis en sus es{uerzos fuera de linea para mejorar el proceso. También logean tuna comprensisn valiosa al reunir dates de producci6n (mionitoreo en linea) con una base regular. Fsto permite la determinacidn de las modificaciones necesatias afi dle mantener el proceso en un nivel deseado decal 1.2 El papel de la probabilidad Fa este libro, los capitulos 26 tratan de Tas nociones fundamentales de la proba idad. Una obtencion esmerada de Ins bases de estos conceptos permite al lector {rar una mejor comprensién de ln inferencia estaditica, Sin algo de forms studiante no puede apreciar ls verdadera interpretacion del a‘Seccion 12 £1 papet de a provabilided 3 de datos mediante los métodos estadisticos modemos. Es completamente natural es- tadiar probabilidad antes de estudiar inferencia estadistiea, Los elementos de proba. bilidad nos permiten cuantficar la fuerza o “eontianza’” en nuestras conclusiones, Ejemplo 1.1 Suponga que un ingeniero se encuentra con datos de un proceso de produccion cn el que’se muestrean 100 articalos y se enewentra que 10 estén detec {twosos. Es de experarse que de ver en cuando habré artieulos defeetuosos. Sin em bargo, se determina que, a largo plazo, Ja empresa sélo puede tolerar 5% de articulos defectuosos en cl proceso. Ahora bien, los elementos de probabilidad per miten al ingeniero determinar qué tan concluyente es la informacion mucstral con respectoa la naturaleza del proceso, Supong, ‘que averiguamos que si el procese es ‘ceptable, es decir, si produce articulos con el 5% defeciuesos, hay una probabil dad de 0.00001 de obtener 10 0 més articulos defectuosos en una muestra sleatoria de 100 articulos del proceso. Esta pequeria probabilidad sugiere que el proceso, en realidad, tiene un potcentaje de artieulos defectuosos en el largo piazo que excede ‘un 5%. En otras palabras, bajo la condicion de un proceso aceptable. la informacion ue se obiuvo casi nunca ocuriria. Claramente, sin embargo, ocurriria con tuna probabilidad mucho masala si la tasa de articulos defectuosos del proveso ex ccediese 5% por un monto significativo. De este ejemplo es evidente que los elementos de probabilidad ayudan en la trade ‘cidn de informacion muestral en algo concluyente o no concluyente acerca del sis tema cientifico, El ejemplo que sigue proporciona una segunda tlustracidn. El valor 0.00001, que jugo un eran papel en nuestra conclusidn, a menudo se denomina Yae lor P. En los capitulos siguientes se trata detenidamente el concepto de valor-P. Ejemplo 1.2 Con frecuencia la naturaleza del estudio cientificn sefilaré el papel {que juegan la prohabilidad y el razonamiento dedctivo en la inferencia estadistica El cjercicio 6 al final de Ia soccidn 9.8 proporciona datos asociados con un estudio aque se lev a cabo on cl Instituto Politéenico y Universidad Estatal de Virginia so bre el desarrollo de una zelacién entre las raicos de les drboles yla cin de un hon: 180. Se transfiicron minerales de los hongos a los érboles y azticares de los érboles ‘al hongo. Se piantaron dos muestras de 10 plantones de roble rojo norten en un in- Vernadero, una que contenta plantones tratados con nitrégeno y una muestra de plantones sin tratamiento. Todas las demas condiciones ambientales se mantuvie- ron constantes. Todos los plantones contenian el hongo Pisolhus ronerorus. En el capitulo 9 se proporcionan mis detalles. Los pesos de los tallos en gramos se tegis- traron al finalizar 140 dias. Los datos son como sigue: Sin mtrogeno Con nltedgeno 032 0.26 053 0.8. 028 00 0 02 0, on 20) 3 on 03 0464 Capito 1 Introsuccion» la ostadiaticay et ends de tetas a % a8 40 $+ 4 +4 + +4 5 o 6 70 75 0 85 90 Figura 1.1 Pesos detos los Ex conveniente graficar los datos comp se muestra en a figura 1. Los valores, presentan Tos datos “con nitrégeno” y los valores » representan los datos “sin ni- Ahora bien, el propésita de este experimento es determinar si el uso de nitrgeno tiene inflenci en el ereeimiento de las raices. Notese que la aparieneia general de los dates pucde sugerir al lector que, en promedio. el uso del nitrdgene 1a el peso delta lo, Cuatro observaciones con nittégeno son considerable ne més grandes que cwalquic parte de las observaciones sin nit del centro de los pare datos. La apariencia del conjunto de dittos pareceria ind que el nitrdgeno es 10 se puede resumir toda ls cevidencia visual aparente mo en el ejemplo anterior, se pue: izar los tundamentos de 1a probabil. Las conclusiones se pueden res mir en una declaracién de probabilidad o valor P. El problema gira alrededor de la “probabilidad de que datos como estos se puedan observar” dado que el nitrogeno 1no ene efecto, en otras palabras, dado que ambas muestras se generaron a partir de la misma poblacién, Suponga que esta probabilidad es pequesia, digamos 0.03, ésta seria con certeza suficiente evidencia de que el uso de! nitrogeno en realidad in ye (aparentemente aumenta) el peso promedio det rallo. a Dimos dos ejemplos donde los elementos de probabilidad proporcionan un re: ssumen que el cientifien 0 el ingeniero puede wsar como evidencia sobre la eval fin car una decisién. El puente entre los dalosy la conclusisn esta, por supuesto, basido en las fandamentos de Ia inferencia estadistica, la teoria de la distribueién y las dis tribuciones de mutestreos que tratan ¢ iustran en los eapitulos 7 @ 11, Es conve niente en este punto prestar atencién alas medidas de posicién y yariabilidad de la muestra, Tanto cl andlisis exploratorio o intuitive de datos como ka inferencia esta distica Formal dependen de estas medidas. 1.3. Medidas de posicion: media de una muestra Las medidas de posicisn 19 conjunto de datos estin disesadas para proporsionat ita alguna medida cuantitativa de dénde esté el centre de fos datos en ne ‘muestra, En el cjomplo 1.2 ciertamente parece como si el centro de la mucstea con la obvia y muy ail es » Suponge xxcediora al de la muestra sin nitrdgeno, Una me Hay otras medidas de tendencia central que se explican con detalle en eapitulos pos {eriores. Una medida importante es la mediana de la muestra. El proposito de It Inediana dela muestra es reflejar lt tendencia central de la muestra de manera Uk‘Secciin 14 Medidas do varabilicad — 5 ‘no est¢influida por fos valores extremos, Dado que las observaciones en una mues- fea son 8) tas 4, soomodidos en orden eresieate de magnitud, a mediana dela F > Spenya sinesimpar, = Syat tunes Simespar, Por ejemplo, supor y 147. La media y i t cae nediana de la muestra son, respectivamente, 39.311 e512 Fs 309, Es evidente que la media esta influida de maner: Ja observacion extrema, 14.7, mientras que “centro” del conju el caso del conjunto de datos de dos muestiay del ejemplo 1.8, las dos medidas de tendoneia central pars las muestias individuales “onsiderable por la presencia de la mediana hace énfasis en el verdadero. ¥ Gin nitrSgeno} 0.40 gramos. O37 +042 ¥ (Gin nitrgeno) ~ amos ¥ (con nitrogeno) = 0.57 grams, 049 + 052 ¥ (con nitrogeno) = (0.505 gramos. 1.4 Medidas de variabilidad La variabilidad dv una muestra juega un papel importante en el andlisis de datos. La variabilidad de un proceso y de un producto es un hecho real en los sistemas cient cos y de ingenieria: el control o reduccidn de la variabilidad de un procesoa menudo esuna fuente de dificultades mayores. La variabilidad en valores de poblacion y da- tos de una muestra es un hecho real. Una variabilidad grande enirelas observaciones de una muestra a menudo puede “limpiar” cualesquiera efectos que elingeniero pue- dda tratar de detectar. Lasmedidas de posicin en una muestra no proporcionan un re~ sumen apropiadode lanaturaleza de un conjunto de datos. Es decir, nel ejemplo 1.2 1no podemos consluir que el uso del nitrégeno realza el crecimiento sin tomar en ‘uchtala variabilidad de la muestra. Por ejemplo, compare losdos conjuntos de datos dc abajo. Cada uno contiene dos mucstras y Is diferencia en las medias es aproxima- “damenie la misma para las dos mucstras: Conjunto de datos A: x xX XX XX UX xXOOxx x0 0000000 Conjunto de datosB: | * KX XK XX XX KX 00000000000 |© Copneio 1 inrocuesion ata esactie yo! andinie de doroo Elconjuto de dato i parece proporsionar un contrate mutho mésclar entre junto de datos A. Sil propdsito de tal experiment es dectat ln difcenel ey las dos poblacions, a tres ov Ive cab en el cao del conjuno de dates Be embargo cnet conjnio de daton A ian vara dent de as dos erea dialed. De hecho, no ey tac ub A como hay muchas medias de endencia ental ode posi hay muchas Imes ispersino variablaa Quiz la mssimple esl range del noceey nu. Nyx Elrango puede ser muy uty xe dicute con ampitaden el capes ‘amas a meni sla devon estndar deta musta, Nuctamente devotees 60.4.0, valores dela musta a deseacin estndar de la mas i= (SG 4 una diferencia enire las dos poble Lacantidad ¢ = (x, ~'/( ~ 1) se lama variamza dela muestra. Debe quedr oal lector que la desviciGnestindarde la muestra ex, de hecho, una medida de \aribilidad. Una variabilidad grande en un conjunto de datos produce valores lativamente grandes de (x - 3)" y por ello una vaianza de la mucsiva grande. La camtidad n 14 menudo se denomina grados de libertad asociados con ka varanza estimada. En este ejemplo simple les gradtos de libertad representan el numero de Piezas de informacion independientes disponibles para caleular la varabilided. Por sjomplo, suponga que deseamos calcuar la varianza de la muestra y la desviaciOn stindar del conjuitio de datos (5,17, 6, 4). El promedio de la muestra es 1 ~ 8 El Ccieulo de la yasianza impli 6 - 8) + 07 ~ 88 + (6 — 8) + 4 ~ 8) = (-3 + EF + ( cay Las cantidades dentro de los paréntesis suman cero. En general, ¥ (1, ~ 3) \Véase el ejercico 4. Entonecs el cileulo de una varianza de la muestra no implica n desviacioney cuadradas independientes de la media t. De hecho, como e!tltimia va lor de x ~ x esta determinado por los primerosn ~ | valores, decimos que estas son n~ | “piezas de informacion” que producen s:, Por ello hay n — 1 grados de liber- tad en lugar de m prados de libertad para calcular una varianza de la muestra, 1.5 Datos discretos y continuos La inferenc sis de-estuios observacionales 0 de ex Perimentos disenados se utiliza en muchas dreas centfiens, Los datos reuios pueden ser diseretos 0 eontinuos, dependiendo del étea de aplieavion. Por elen= plo, un ingeniero quimico se puede inteesar en vn experimento que lo leve 4 Condiciones donite se maximice la produecién. Aqut, por supuesto, la producci6n. puede ser en porcentaje, o gramovlibra, medida en un continuo. Par otro lado, i fexicdlogo que realice un experimento de combinacién de férmocos puede oncSecsién 1.6 Modelado estadistica, inspeccién ciemitca y kaandsticos aréticos 7 tos que son binarios por naturaleza (es decir, el paciente responde 6 no). dlos situaciones distintas la teoria de la probabilidad que nos permite extiaer inferencias estadisticas es completamente diferente, En el eapitulo 3 y pos teriores se obtienen diferencias ciones discrotas y continua. 1.6 Modelado estadistico, inspeccion cientifica y diagnosticos graficos Muy a menudo el resultado final de un analisis estadisti es la estimacién de los pa rametros de un modelo postulads. Esto es por completo natural para loscientificos ylos ingenietos, pues con frecuencia tratan con el modelado. Un modelo estadistica tno es delerminista sino, mis bien, debe involucrar algunos aspectos probabilista, Una forma modelo a menudo fundamentaciGn de las suposisiones que hace e) analisia. En nuestro ejemplo 1.2, el cientifico puede desear extract algtn nivel de distinei6n entre la peblacién “con nitéyeno” y “sin nitsgeno” a traves de la infor macion de la muestra, El andlisis puede requerir cierto mocelo para los datos, por ejemplo, que las dos muestras provengan de distribuciones normales o gausianas, \Véase el capitulo 6 para la discusidn de una disiribucion normal A veces e! modelo postulado puede tener una forma algo més complicada, Con sidere, por ejemplo, un fabricante de testiles que disefa un experimento donde las, imuestras de tela se producen de modo que contengan diferentes porcentajes de al- godén, Considere los datos siguientes: Porcomtaje del agedsn Resistencia a la teuecisn 15 7,7.9,8, 10) 20 1, 20,21,20, 22 2 21,21, 17,19,20 30 8.7.8.9,10 Se fabrican cinco muestras de tela para cada uno de los cuatro porcentajes de algodon. Ahora bien, en este caso tanto el modelo para el experiment como el tipo de andlisis que se utiliza deben tomar en cuenta el objetivo del experimento, y los importantes insumos del cieatifico textil. Algunas graficas simples puede aclarar la distincion entre las muestras, Véase la figura 1.2; las medias de las mues: 25 20) a5 i fie teri 18 2 cy 30 Figura 1.2 Gritica de la esistencia ala traccibny ls porcentaes de algoconCapitule 1 Introduccion a a estacistce yal andlisis de datos {ras y la variabilidad se describen bien en la grafica de datos. Un posible objetivo de este experimento es simplemente la determinaci6n de cusles porcentajes de al. goxton son en verdad distintos de los otros. En otras palabras, como en el caso de Jos datos con nitrégena/sin nitrégeno. para cuales porcentajes de algodén hay distinciones claras entre las poblaciones 0, de manera mis especifiea, entre las me. dias de las poblaciones? En este caso, quizd un modelo razonable e+ que cada muestra viene de una distribucién normal, Aqui el objetivo es muy semejante al gcnolsin nitrgeno, excepto que se involucran mas muestras, El formalism del analisis implica nociones de prueba de hipdtesis que se tratan el capitulo 10, De paso, este lormalismo quiza no es necesario a la luz de la aca de diagndstico, Pero, ;describe el objetivo real del experimento y por con Siguiente el enfoque apropiado del andlisis de datos? Es probable que el cient 0 anticipe la existencia de una resistencia a a tracciin de la media dela poblacién mdvima en el rango de concentracién de algodén en el experimento. Aqui el ané- lisis de los datos debe girar alrededor de un tipo diferente de modelo, uno que Postule un tipo de estruetura que relacione la resistencia a Ja iraceiOn de la media {ela poblacién con ta concentracion de algodon. En otras palabras, un modelo se puede escribir como de los datos con nit thy = Ba + B\C + BC donde 1, .¢s le resistencia a la raccion de la media de la poblacion, que varia con Ja canticad de algodon en el producto C., La implicacién de este modelo es que pa- ra un nivel fijo de algod6n, hay una poblacidn de mediciones de resistencia ala trac cidn y Ia media de la pobiacién es 2... Este tipo de modelo, que se denomina modelo de regresién, se trata en los eapitulos 11 y 12. La forma funcional la clige el cientifico. A veces el anilsis de datos puede sugerir quc se cambie el modelo. En- tonces cl analista de datos “considera” un modelo que se puede alterar después de que se haga algin analisis El uso de un modelo empirico se acompaiia por la teo- ria de estimacion, donde f, 8, y f Se estiman de los datos. dems, se puede usar entonces la inferencia estacistica para determinar lo adecuado del modelo. ‘Aqui se hacen evidentes varios puntos de las dos ilustraciones de datos: 1) el tipo de modelo que se utiliza para desoribir los datos a menudo depende del ob- jetivo del experimento y (2) la estructura del modeto debe aprovecharse del inst ‘mo cientfico no estaditico, La seleccion de un modelo representa tina suposici fundamental sobre la que se basa la inferencia estadistica resultante. Se hard evi dente a Jo largo del libro qué tan importantes pueden ser las grificas. A menu, las graficas pueden ilustrar informacién que permite que los resultados de la inf rencia estadistica formal se comuniquen mejor al cientifico o al ingeniero. A veces, las graficas 0 el anilisis exploratorio de los datos pucde enseiiar al analista algo no reeuperado del andlisis formal. Casi cualquier andlisis formal requiere suposi- nes que se desarrolian a partir del modelo de datos. Las graficas pueden resaltat bien la violacion de suposiciones que de otra forma no se notarian. A lo largo del libro, las gréficas se utilizan de manera extensa para complementar el andlisisfor- mal de datos.Seccidn 1.6 Modelado estadistico, inspeccién cientifica y diagnésticos gréficos =O Ejercicios OO 1. Un fabricante de componentes electrénicos se in- teresa en determinar el tiempo de vida de cierto tipo de baterfa. La que sigue es una muestra, en horas de vida: 123, 116, 122, 110, 175, 126, 125, 111, 118, 117 (a) Encuentre la media y la mediana de la muestra (b) Cual caracteristica en este conjunto de datos es la responsable de la diferencia sustancial entre las dos? 2. Un fabricante de neumaticos quicre determinar el didmetro interior de cierto grado de neumatico. Idealmente el diametro seria 570 mm. Los datos son los siguientes: 572, 572, 573, 568, 569, 575, 565, 570 (a) Encuentre la media y la mediana de la muestra. (b) Encuentre la varianza, desviacion estandar y ran- go de la muestra. (c) Mediante el uso de las estadisticas calculadas en las partes (a) y (b), :puede hacer comentarios sobre la calidad de los neumaticos? 3. Se conduce un estudio de los efectos de fumar sobre los patrones de suefio. La medicién que se ob- serva es el tiempo, en minutos, que toma quedar dor- mido. Se obtienen estos datos: Fumadores: 69.3, 56.0, 22.1, 47.6, 53.2, 48.1, 1, 34.4, 60.2, 43.8, 23.2, 13.8 No fumadores: 28.6, 25.1, 264, 34.9, 29.8, 28.4, 38.5, 30.2, 30.6, 31.8, 41.6, 21.1, 36.0, 37.9, 13.9 (a) Encuentre la media de la muestra para cada grupo. (b) Encuentre la desviacién esténdar de la muestra para cada grupo. (c). Grafique los datos como en el caso de los conjun- tos de datos A y Bde la seccién 1.4. (d) Comente qué clase de impacto parece tener el fu- mar sobre el tiempo que se requiere para quedar dor- mido, 4. Muestre que las n piezas de informacin en > (X, — X)' no son independientes; es decir, mues- a tre que (X,- X)=0. im 5. Dados cinco lanzamientos independientes de una moneda que tienen como resultado cinco caras. Re- sulta que si la moneda es legal, la probabilidad de este resultado es (1)° = 0.03125. ¢Produce esto evi- dencia solida de que la moneda no es legal? Comen- te y utilice el concepto de valor P que se discutié en la seccion 1.2.Probabilidad 2.1 Espacio muestral En el estudio de ta estat pretacién de resultados fortuitos que ccurren en un esiudio planeado o investi gacién cientifiea. Por ejemplo, pocemos registrar ol niimero de accidentes que ‘curren mensualmente en la interseecidn de Driftwood Lane y Royal Oak Dave, con el deseo de justifiear la instalacidn de un semaforo; podemos clasiicar 10x articulos que salen de una lines de montaje como “detect uosos” 0 “no defectuosos": ‘onos povdemos interesar en el volume de gas que se litera en una reaceiGn quimica cuando se hace variae la concentracion de un acido, Por ello, el estaditico a menudo trata con datos experimenteles, eonteos 0 mediciones representatives, 0 quid con datas eategéricas que se pueden clisificar de acuerdo con algin criteria. Nos referiremes a cualquier registro de informacién, ya sea numérico 0 categérico, como una abservacién, Asi los nsimeros 2,0, 1 y2, que representan al nidmero de aecidentes que ocurrieron en eada mes de enero a abril durante el af pasado en la intersecei6n de Drifewood Lane y Royal Oak Drive, constituyen Un Conjunto de observaciones, De forma similar. ls datos eategoricas N, Dy N,N Ds {que representan los artculos defectuoses o no delectuosos cuando se inspecciona Ginco artculos, se rezisiran somo observaciones. Losestadisticos utiizan la palabra experimento para deseribir euakquier proces® «que genere tn conjunto de datos, Un ejemplo simple de experimento estadisticn es tla toa are de una moneda, En este experimenta slo hay dos resultados fosibles, cara o cruz. Otro experimento puede ser ef lanzamiento de un misily 1 ‘bservacion de su velocidad en tiempos especies, Las opiniones de los vol ratamos bisicamente con la presentacion e inteDefinicion 2.1 ‘$#0010n 21 Espacio muestral 14 ‘con respecto 4 un nuevo impucsto sobre ventas también se pueden considerar como sasiones que osenen poriarepetciondl experiments nieeee Paes es part deloscins ls resultados ependerin el war. pr tno howe ponte dct concer Singin rela mandi wees nb emreee clones obtendra detente meds, que nieanunckmentoce peteeing ee Pprocedimiento experimental. Incluso cuando se lanz: E ism Tepetida, no podem toner re una moneda de forma erteza de que un lanzamiento dado tendré como embargo, conocemos el eonjunto completo de posibildades El conjunto de todos los resultados posibles de un experimento estadk ams espacio muestral se representa con el simbolo $. Cada resultado en un espacio mucstral se lama elemento o miembro del espa. cio muestra o simplemente punto muesteal Sic! espacio muestral iene un numero finito de elementos, podemos fistar los miembros separados por comas y encortar los en paréntesis. De esta forma el espacio mucstral S, de los resultados pesibles ‘cuando se lanza al aire una moneda, se puede escribir S= 1H), donde Hy T corresponden a “earas” y “eruses”, respectivamente, Ejemplo 2.1 Considere ef experimento de lanzar un dado, $i nos interesamios en ‘el miimero que muestra en la cara superior, el espacio muestral seria $, = 11,2,3.4,5, 6} Sinos interesamos s6io on si el ntimero es par 6 impar, el espacio mucsiral es sim plemente Ss = (par. impar|. El ejemplo 2.1 ilustra el hecho de que se puede usar mas de un espacio mues- tral para deseribir los resultados de un experiments, En este caso S, proporciona ims informacisn que S,, Sisabemos cusl elemento en S, tiene lugar, ppdemos decir cuil resultado ocurre en Sno obstante, el conocimiento de lo que pasa en S,no.es de ayuda en la determinacion de cus! elemento en S, geurre, En general, se des ‘utilizar un espacio muestral que dé la mayor informacion acerca de los resultados del experimento. En algunos experiments ¢s Uti istar los elementos del espat form sistematiea mediante un diagrama de arbol o muestial de Ejemplo 2.2 Un experimento consiste en lanzar una moneda y despues lanzarla tuna segunda vez si sale cara, Si sale cruz.en el primer lanzamiento, entonces se lariza tun dado una ver. Para listar los elementos del espacio muestral que proporcione la mayor informacién, construimos el diaprama de érbol de la figura 2.1. Ahora bien, Jas diversas trayectorias a lo largo de las ramas de! drbol dan los distintos puntos de la muestra. Al comenzar con la rama superior izquierda y moyernos a la derecha a12° Capito 2 Provavitised ‘Segundo Punto s ” r wr 1 n a ir) 5 rs 6 6 Figura 2.1 Disgrama de arbol para el ejomplo 22 Jo largo Ge la primera trayectoria, obtenemos el punto muestral HTH, que indica fa posibilidad de que ocurran caras en dos lanzamientos sucesivos de la moneda, ‘Asimismeo, el punto muestral T3 indica la posibilidad de que la moneda muestre una cruz seguida por un 3 en el lanzamiento del dado, Al seguir alo large de todas las trayectorias, vemos que el espacio muestral es (MH, HE,T 1,12, 13,18, 15, TO). ’ Ejemplo 2.3 Suponga que se selecionan tres articulos de forma aleatoria de un proceso de fabricacion. Cada articulo se inspecciona y dlasifica como defectuoso.D, 0 sin defectos, N. Para listar los elementos del espacio muestral que proporcione li mayor informacion, construimos el diagrama de srhol de la figura 2.2. Ahora bien, Jas diversas trayectorias ao largo de las ramas del 4rbol dan los distintos puntos muestrales. Al comenzar con la primera Wayectoria, obtenemos el punto mista DDD, que indica a posibilidad de que los tres atieulosinspeccionados sean defee= tuoses. Conforme continuamos a largo de las dems trayectorias, vemos que et espacio muestial es (DDD, DDN, PND, DNN, NDD, NDN, ND, NNN, Los espacios muestrales con un mimero grande o infinito de puntos muestrales se describen mejor mediante un enunciado o regla. Por ejemplo, silos resultados posibles de un experimento son el conjumto de cindades en ef mundo con una poblacién de mas de un mill6n, nuestro espacio muestral se eseribe ‘ciudad con una poblacién de mis de un mill, Ijresu sue a6 lee “Ss 6l conjunto de, tds ln + ales ue ¥ 64 hn ciudad EE Poblacion de més de un millén La barra vertkal s¢ lee “a qe” De manera mila, i ese cenjanto de tos ls puntos (x,y) sobre In fomtera onto tin effeuiode radio ? con eento en el igen, exeribimos Heo wdlat ty? AND NNN Figura 2.2 Diagrama de drbot para el ejemplo 2.3 mes el espacio muestral mediante el método de la regla olistando los <¢lementos dependera del problema especifico en cuestion, El método de ls regla tene ventajas practicas, en particular para los muchos experimentos donde un is tado se vuelve una tarea tediosa. 2.2 Eventos ee Para cualquier experimento dado podemos estar interesacos en la ocurrencia de Cierios eventos mis que en el resultado cle un elemento especifico en el espacio ‘muestral, Por ejemplo, pocemos estar inieresados en el evento Aen el que el resul tad cuando se lanza un dado sea divisible entre 3. Este ocurtiré si el resultado es tun elemento del subconjunio A ~ (3 6 del espacio muestral 5, del ejemplo 21 ‘Como ilustraci6n adicional, nos podemos interesar en el evento B de que-el niimero de defectuoses sea mayor que 1 en el ejemplo 2.3, Esto ocurrird sil resultado es un ‘elemento del subconjunto B= |DDN, DND. NDP, DDD} del espacio muestral 8. Para cada evento asignamos una coleccidn de puntos muestrales, que consti- tuye un subconjunto del espacio muestral. Fse subconjunto representa la totalidad de los elementos para tos que el evento es cierto,14 capituio2 Probatiicad Delniclén 22: |[Uieveniaeeimmyaninm do mieeIao muna Definicién 2.3 Elemplo 2.4 Dao el espacio muestral § = [1|1= 0}. donde es ta vide en aos de cierto componente eleetrsnico. entone antes de que finalice el quinto an Es coneebible que tn ev espacio muestral S. 0 un subconjunto de S que se denomina conjunte vac se denota mediante el simbato , que no contiene elemento alguno. Por ejemplo, hacemos qt en un expe ento 4 de que el componente falle ilo = 5} fo pueda Ser un subconjunto que incluya todo el esl subconjunto A ¢ Ase el evento de detcetar un organismo microscopico a simple vista imento biokjgico, entonces A ~ B. Tambien. s B = |x| es un factor par de 7) center "es B debe ser el conjunto vacto, ptes 1s Unicos facteres posibles de 7 son los snimeros nones 1 y 7 Considere un experimento donde se regisiran los habites de fumar de los empleacos de una empresa industrial, Un posible espacio muestral podsia clasificas un individuo como no {umador, fumador ligero, fumador moderado o fumador empedernido. Sea el subconjunto de los fumadores un evento. Entonces la totalidad de los no fumadores corresponde a un evento diferente, también subconjuata de, que se denomina complemiento del conjunto de famadores. El complemento de un evento A con respecto a es el subconjunto de todos los elementos de 5 que no estan en A. Denotamos el complemento de A mediante et simbolo 4’. Ejemplo 2.8 "Sea & el evenio de que una carta roja se seleccione de una baraja ordinaria de 52 cartas, y sea $ toda la baraja. Entonces R’ es el evento de que la ‘carta seleccionada de la baraja no sea una roja sino una negra. w Ejemplo 2.6 Considere el espacio muestral libro, catalizador, cigarrillo, precipitado, ingeniero, remache) Sea A (catalizador, remache, libro, cigarillo}. Emionces a’ [previpitado, ingeniero}. Consideremos ahora cierias operaciones con evenios que tenn como tesul tado la formaciéin de nuevos eventos. Estos eventos nuevos seta subconjuntos del inisimo espacio muestra como los eventos dados. Suponge que A y B son dos eve tos atociados com un exporimento. En otras palabras, y Bf son subcomuntes del ‘mismo espacio muestal §. Por ejemplo, en el lanzamiento de un dado podemos hacer que A sea el evento de que acurra un numero par y Bel evento de que ‘sparezca un mero mayor que 3. Entonces los subconjuntos A = (2,4, 6]y B = fs 5,6} son subconjuntos del mismo espacio muestral $= (1,2,3,4,5,6)Definicion 24 Definicion 2.5, Seccidn 22 Eventos 18, Nétese que A y B ocurririn ambos cn un lanzamiento dado si el resultado es un ele- ‘mento del subconjunto (4, 6}, que eS precisamente la interseccion de A y B. La interseccién de dos eventos A y B, denctada mediante el simbolo A 7B, es el evento que contiene a todos los elementos que son comunes aA ya B. Ejemplo 2.7 Sca P cl evento de que una persona seleccionada al azar mientras cena en un restaurante de moda sea un contribuyente, y sea Q el evento de que la penona tenga mas de 65 anos de edad, Entonces el evento PA Q es el conjunto de todos los coniribuyentes en el restaurante que tienen mas de 65 afiosde edad. Ejemplo28 Sean M = (a.e.i.0.u) yN = (rssh entonces se sigue que M ON = @), Fs decit, M y N’ no tienen elementos en comin y, por tanto, no pueden ecurrir ambos de forma simultinca Para clertos experimentos estadisticos no es nada exirafio definir dos eventos, Ay B. que no pueden ocurnr de forma simultdnea, Se dice entonces que los even: tos A y B son mutuamente exeluyentes. Expresado de manera mas formal. tenemos Ja definicién siguiente: Dos eventos A y B son mutuamente exeluyentes 0 disjuntos si A 0 B =O: es decir, si A y B no tienen elementos en comin. Ejemplo 29 Una compania de television por cable ofrece programas en acho diferentes canales, tres de los cusles estén afiliados con ABC, dos con NBC, y uno con CBS. Los otros dos son un canal educative y ef canal de deportes ESPN. ‘Suponga que tuna persona que se suscribe a este servicio enciende an televisor sin selescionar de antemano el canal. Sea A el evento de que el programa pertenezca & Jared NBC y B el evento de que pertenezca a la red CBS, Como un programa de televisi6n no puede pertenecer a mas de una red, los eventos A y B no tienen pro- ‘gramas en comtin, Por tanto, la interseccién A 1 B no contiene programa alguno y fen consecuencia los eventos A y 8 son mutuamente excluyentes. = A menudo nos interesamos en la ocurrencia de al menos uno de dos eventos aso- cciados con un experimento, Asi, en cl experimento de lanzamiento de un dado, si 2.4.6) y B= 14.56), podemios interesamnos en que ocurra A 0 B, 0 que ocurran A y B. Tal evento, que Se llama la unién de A y B, ocurriré siel resultado es un elemento det subconjunto (2.4.5.6). La uni6n de dos eventos A y B, que se denota mediante el simbolo AU B, es |evento que contiene todos los elementos que pertenecen a A oa B 0 ambos.16 Copituio2 Provabitded Hjemplo 210 Sead a bely BH AUB=|abede). d, ef; entonces Ejemplo 2.11 Sea Pl evento de que un empleado seleccionado al azar de una ‘compania petrotera fume cigarros. Sea Q el evento de que el empleado selecsionado ingicra bebidas alcoholicas. Entonces el evento P U Q es el conjunto de todos los empleados que beben o juman, 0 que hacen ambas cosas. # Bjemplo 212 iAP = fx|3 099 <1) 2. Uillice ef método. de Ia regla para describe el ‘xpacio muestra 5, ue consiste on todos lon puntos ‘el primer euadrante dentro de un efreulo de radio 3 ‘om centro en el erigen 3. {Cusles de los siguientes eventos som iguales? @ a= (1.3) (0) = [el 0s un mimero en un dado}; (C= frlx?— 443 =o}; (@)D = [rl es el nimero de earas cuanto se lancan seis monedas) 4. Un experimento implica lancar un par de dados, ‘verde y 1 rojo, y reistar lox iimeron que salen, Si ¥ es igual al resultado en cl dado verde ¢ yes esl tado en el dado rojo, deseriba el espacio muestal $ (a) mediante la lists de ls elementos (b) mediante et uso del metodo de hr 9. Un experimento consiste en lancer an dato y {despues larzar una moneda una vez si el ndaero en el dado es par. tel numero en el dado es imp, i moneda se lanza des veces, Use la notacion 41, pot jemplo, para denotar et evento de que el dado muesire4ydespuesta moneda salga cars, yA para denonar el evento de que el dado muesite 3 segnid por una cara y despues ura crue en la moneds, cons ‘wuya un diagrama de Arbol para mostrar bs 18 ele- Imentes de espacio mucstal ©. Se seleceionan dos jurados de 4 suplentes para setvir en un juici por asesinao, Con et uso de lt notackin Ay por ejemplo, para denotar el evento simple de que se selecionen los suplentes | 3, ist os clemcatos del espacio muestral $.18 Coptuto 2 Probabitited 7. Se seleccionan al azar cuatro estuchantes de una slase de quimica y se clasifiean como masculino femenino, Liste los clomentes del espacio muestal S, on et uso de ta letra Mf para “maseulino y F para ‘femenino”. Defima un segundo espacio muestal § done tos elementos representen el niimero. de mujeres seleceionadas, 8, Paral espacio muestral del ejercicw & (0) lise os elementos que corresponden a evento A de que la sua sea mayor que 8: (b) list os elementos que corresponiten al evento B de que ocurra wn 2 en cualquiera de los dos dos (©) liste fos clementos que corresponiea al evento C de que salga un mdmeromayor que den el dao verde: () liste Ios elementos que coresponden al evento, ANC {€) liste Ios elementos que corresponden al evento 10 B: (1) iste fos elementos que corresponden al evento Be (2) corstruya un diagrama de Vern para iustrar las secciones y uniones de los events 4, BC. 8. Pata el espacio muestra del ejercicio 5 (2) ste ls elements que corresponden al evento A ‘de que salga en el dao un mimero menor que 3 (by) liste les elementos que eorresponden al even B de que ocurran ? eruces (6) Istelos elementos que corresponden al evento A GA) liste los elementos que carresponden al evento AOR: (&) liste los elementos que cortesponden al evento AUB. 10. Se contrata a una firma de ingenieros para que determine si ciertas vies Mluviales en Virginia son scgurns para a pesca-Se toman muestasde Us 108, (a) Liste los elememios de un espacio muestal 5, utlice tay letras F para “Seguro pata la pesca” y para inseguro para la pesca (b) Liste Ios elementos de que eorresponden al evento £ de que al menos dos de loses sean sepUros para a pesca (©) Defina un evento que os punton nga como sus elementos LUFF, NEF. FPN. NEN} 11, Los curricula de 2 aspirantes mascalinos para un puesto de enseftanra de quimica cn una faculad se colocan en la misms fila que los curricula de dos asp nes mujeres, Estdn disponibles dos puestos y Primero, con el rango de profesor asistente, se cubre mediante la sclecein de 1 de tos aspirantes al aia 1 sepundo puesto, con ef rango de instructor ve cubre después mediante la selection se atoria de uno de los 3 aspirants restantes. Con el to de ly notaci6n Af, F,. por ejemplo, para denotar cl evento simple de que el primer puesto se eubra con el segundo aspirante hombre y el segundo puesto se ‘cubra después con la primera aspirante mujer (a) fiste les elementos de un espacio muestal $: (b) liste los elementos de S que corresponden al evento A de que el puesto de profesor asstente se cubra con un aspirante hombre: (6) liste los elementos de S que corresponden al ‘evento B de que exactamente 1 de los 2 puestos se cubra con un aspinante: hombre (d) tste tos elementos de S que corresponden al evento C de que ninggin puesto se cubra con un asp rante hombre (6) liste los elementos de $ que corresponden al evento dB: (8) Iste tos elementos de que corresponden al evento AUC (g) construya un diagrama de Vena pata ilustrar las interseeciones y uniones de los eventos A.B YC. 42. Se estudian cjercielo y dieta como posibes st tutos de la mediacion para a presion sanguinea baja Se utilirarén trey grupos de individuos pars estudiar el efecto vel ejeteicio. El grupo uno es sedentario ‘mientras que el urupo dos eamina y el grupo tres mada luna hora al dia, La micad de cad uno de fos tes gr pow de ejeiciio tend:4 una dleta sin sal, Un grupo. auivional de individuos no hars eeretio ni resting su sal, pero tomard la medicacion estandar. Use Z. ppava vedeniatio, W para caminante, S para nadador, Y pata sal. N para sin sal, M para medieacion, ) F para sin medisamentos. (a) Muestre todos os elementos del espacio musta (b) Dado que 4 es el conjunto de mdividuos sin medicantento y 8 es el conjunto de caminantes, hile los elementos de A UB, () Liste les elementos de 4.7) B. 13, Construya un diagrama ce Venn pars ius Dosibles interseesiones v uniones para los siguit eventos relativos al espacio maestral que consiste todos los automéviles construidos en Estados Us Fcuatio puertas, 8: teeho correcize, Ps cireccion asst + M4, SiS = (0.1,2.3.45.6,7.8.9) 7 4 8.8 = 11,3,5.7.9) C= 2.3.45, yD =Iline Hos clementos de los conjuntes quecorresponden 1s siguientes eventos: (ay ave (y) ang, (@ (CopuE, nen) @) Eney 0 18) Corsidete 5 = feobre, sex tani. enigen spacio muestral nitrdgeno, potaia ine] yy ls eventos A = {gobre,sodio, cin) B = {sodio, ntogeno, potasio} C = [ougeno, iste ls elementos de los eonjuntos que correspon dena los eventos siguientes; fa) a’ (b) AU fo) (AnByUe: BING: le) AnBne ( UBynUn®, 16.5) = [slO 0. PBA, Como ilustracion adicional, suponga que nuestro espacio muesiral 5 es la po- blacion de adultos en una pequuena ciudad que cumplen cen los requisites para ob- tener un grado en la facultad. Debemos clasificarlos de acuerdo con st sexo y situacién laboral:36 Capitvio2 Probabitided Empleado —_ Desempleado a Hombre 4 0 500 Mujer 10 20 0 Uno de estos ves del pits para promover las ventajas de establecer indusirias nuevas en la ciudad, [Nos interesaremos en los eventos siguientes ividuos se Seleecionaré al azar para que AM: se clige un hombre, E> olelesido tiene empleo, ‘Al utilizar el espacio muestral reducido E, encontramos que 460 23 POMED = on ~ an Sea.n(A) el namero de clementos en cualquier conjunto A. Con el uso de esta notaci6n, podemos eseribir NEM) _ (EAM /n(S) _ PEM) n(E) n(E)/n(S) PIE) donde P(EMM) y PCE) x encuentran ra verificar este resultado, note que PUM E) = partir de} espacto muestral original 5. Pa oo _2 0 29 pie = =? y pienyy = 0-8 De agut as _23 pony = 28 =. como antes 2s 30 Ejemplo 231 La probabilidad de que un vuelo programado normalmente salga & tiempo es P(D) = 083: la probabilidad de que Hlegue a tiempo es P(A) = 082, y | probabilidad de que salga y legue a tiempo es P(D MA) = 0.78. Eneuentre le probabilidad de que un aviin a) llegue a tiempo, dado que salié a tiempo y b) sa Ii6 a tiempo, dado que lleg6 a tiempo. SOLUCION (a) La proba ad de que un avi6n Hegue a tiempo, dado que salié a tiempo es P(DOA) _ 078 PCD) 083 np, dado que legs a tiempo es PIA\D) = 0.94, (b) La probabilidad de que un avion saliera a ti P(DOA) _ 078 (a) ~ 082 ~ 095 P(D\A) =Seccién 2:6 Probabilidad condicions! 37 En el experimento de lanzamiento de un dado que se discuié en ls pigina 35 notamos que P (|) = 2/5 mientras que P(B) = 1/3 Es decir. PULA) # PB), lo que indica que B depende de. Consideremos ahora un experimento en el uc sesacan 2 caas una dexpucs de ors de una bara dinar com emp, Los eventos xe definen como A: la primera carta es un as, 2B: la segunda carta es una espada Como la primera carta se reemplaza, nuestro espacio muestral para la primera y se gunda cartas consiste en $2 cartas. que contienen cuatro ases y 13 espadas. De aqui Bo 1B m4 oF PASS PiBlAy Es decir, P(B|A) = P(B). Cuando esto es cierto, se dice que los eventos A y B son independientes. La noci6a de probabilidad condicional proporciona la capacidad de reevaluar la idea de probabilidad de un evento a la luz de la informacidn adicional; es deci, ‘cuando se sabe que ocurri6 otro evento, La probabilidad P(A] 8)es una “actualiza cion” de P(A) basada en el conocimiento de que ocurrié el evento B. Enel ejemplo 231 es imporiante conocer la probabilidad de que los vueles leguen a tiempo. Se znos da la informacién de que el suelo no saliéa tiempo. Con esta informacién adi- cional, la probabilidad mis pertinente es P(A |D'), esto es, la probabilidad de que Hlegue a tiempo, dado que no salié a tiempo, En suchas sitaciones las conclusio nies que se obticnen de observar la probabilidad condicional mas importante cam bian por completo la situacidn, En este ejemplo el catcuto de P(A|D") es P(AND’) _ 082 ~ 0.78 PD) a TO P(A|D') = ‘Como consecuencia, la probabilidad de una legada a tiempo disminuye considera: blemente ante la presencia de la informacion adicional. Eventos independientes ‘Aunque la probabilidad condicional tiene en cuenta Ia alteracidn de la probabilidad de un event aa Iz de materia acon, tambien nos permite comprender mejor el muy importante concepto de independencin o, en el contexto actual, el de even- tos independientes. En la ilustracidn del aeropuerto, P(D|A) difiere de P(D). Bs to sugiere que la ocurrencia de A influye en D y esto realmente se espera en este ‘caso. Sin embargo, considere la situacién donde tenemos los eventos Ay By P(A[B) = P(A). En otras palabras, la ocurrencia de # no tiene impacto en tas probabilidades de ocu- rrencia de A. Aqui la ocurrencia de A es independiente de la ocurreneia de B.38 captu2 Frovatiliad ‘La importancia del concepto de independencia nose puede eniatizar con ence So, Juega un papel vital en el material de casi todos ls eapitulos de este lite yon todas las reas de la estadlistica api Definicién 210 | Dos eventos A y 1 son independientes sy solo si P(Bla)= PB) sy P(A|B) = P(A), De otra forma, A y B son depenientes, La concicion P(B|4) = P(B) implica que P(A|B) = POA), y viceversa. Para los experimentos de extraccién de una carla, donde mostramos que P(B|A) P(B) = 1/4, también podemos ver que P(A |B) = P(A) = 1/13 2.7_Reglas multiplicativas Al multiplicar la {6rmula de la definicién 2.9 por P(A), obtenemos la siguiente re ela multiplicativa importante, que nos per lar Ia probabilidad de que ecu: rran dos eventes. Teorema2.13 | Si en un experimento pueden ocurtir los eventos A y B. PAB) = PLAyPCBLa). onces l Asia probabilidad de que ocurran A y 6 es igual a la probabilidad de que ccurra A multiplicada por la probabilidad de que ocurra B, dado que ocurre A, Como los eventos A118 y BPA son equivalentes, se sigue del teorema 2.13 que también por ‘demos escribir ANB) = PUA) = PUP LA|B), En otras palabras, no importa euil ento se considera como Ay euil como B. Ejemplo 2.32 Suponga que tenemos una caja de fusibles que contiene 20 unidar des, de las cuales cinco estn defectuosas. Si se selecctonan dos fusible al azar se Separan de la caja uno después del otto sin reemplazarel primero, zeual es la pro- babitidad de que ambos tusibles estén defectuosos? soLucioN Sean A cl evento de que el primer fusible este defeciuoso y B el evento de que el segundo esté defectuoso, entonces interpretamos AM B como el evento de que oct: Fra A, y entonces 8 ocurre despues de que ocusre A. La probabilidad de separa pri= mero un fusible defectuoso es 1/4; entonces la probabil ie sepa fusible defectuoso de los restantes 4 es 4/19. Por ello, manny (\(A)= he a Fun segundoSeccién 27 Reylas munipteaives 38 Ejemplo 2.33 Una bolsa contiene cuatro bolas blancas a bolsa contiene tres blancas y cinco negras. Se saca una ¥ se coloca sin verla en la segunda. ;Cual es la probabilida ‘una bola negra de la segunda bolsa? SOWUCION Sean B, Bs. y W, respectivimente, la extraccion de una bola negra de ta boa unanegia de fa boa? yunablance delabolsel-Now ners nei {os mutuamente excluyentes B, Bay W, 3. Las diverts posbilidadesysus pro. babilidades se ilustran en la figura 28, Entonces tres negras, y una segun- bola de la primera bots id de que ahora se saque PUBL) 0H, 08,)| = POND) + PIB.) PCB, PBB.) + POW, )PB,\,) GILG) +) =(&) * Pi. 8:\=(2)(8) : e ss “ 8. 4% of PUB, Wa): 2 2 * Pawn wm ($)(4 Pawo w~($)() Figura 2.8 Diagrama de ao) paral sjempio 2.23. et cl chlo 220 epi Feb sin ys twice ee un fusible defeciuoso en la segunda seleccion atin es 1/4; es decir, P(B|A) = PC) {loseverin A ¥B uot ndependlens. Cumdo cio es Gent, posses sulie P(B) por P(B|A) en el teorema 2.13 para obtener Ia siguiente regla especial de mul~ tplesoon40 Caputo 2 Provadiidua nw 2.14 | Dos eventos A y Bison iependicntes sys MAOB) © PAYPUD) Por tanto, pay simplom probabilidad de que ocarsan dos eventos indepe ite calculamos el product de sus probabilidades individuales, Fjemplo 24 Una pequens cia disponibles para emengenc fade bomberos y uns ambuloneia «La probabilidad de que el earro de homberosesté diy. ponible cuando se necosite es 098 y ta probabilidad de que ty 3 isponible o ibulancia este 1 6s 0.92, En el easo de que resulte un herido de 1, encuentie la probabilidad «ke que de bombers estén disponibles, SOLUCION Sean Ay 1 los respectivos eventos de que estén disponibles el easro de bomberos Y la ambalancin, Fntonces, n edifice en Ma inbulaneia y el earro POA AB) = PLAYPCB) = 098)(0.92) = 09016, 0 Ejemplo 2.35 Se lanza dos veces un par de daclos, ;Cusi es la probabilidad de obs tener totales de siete y IL? soLucION Sean Ay. Ay, By, ¥ B, los eventos independientes respectivos de que ocura un te en la primera tirada, ocurra un siete en el segundo kanzamiento, un mero y un IT enet segundo, Nos nidin de los ev samemte exchuyentes A 8, B.A, Por tanto. PUA NB UB VAD = PAB) © RUB OAg) POA)PU) + PURPA) (o)Cis) + Cal) Los teoremnas 2.13 y 2.14 se pueden generalizar para cubrir cualguic de eventos, mero. Teorema 213 | ‘Sion un experimento, pueden acuttit fos eventos A, Ay, Ay P(AANAYD.Ay) POA) POASIA,) PAA OA,) PUA, LAA, OAL) Sion eventos Ai» A2.Ay yu son independisntes, en HA,DA,DA\OMA,) s Aysemtonces nee PEA PAPUA) PAY):Seccidn 27 Replas mutpicatvas 1 wn res cartas tna tras ota, sin reemplazo, de una bara or- vin neuen la prasad de que oar el evenio Ay AA, doe A, exel evento de que la primera carta a unas ojo, Aye evento de que la scour carta sea un 100 una sotay Ay cl evento de que Ia lercea cals sa pero menor que sicte. a Ta primera carta es un a rojo, ta segunda earta es un 10.0 una soa, Ay: ta tereera carta es mayor que tes pet0 menor que siete Emtonces 2 2 1 ; 8 PA) = POnIA) = sp P14,0.4,) = 5 y de aqut, por el teorema 2.15, Plan Anas) = PeayPra.layreala.o =(2)(8)(2) = <8 52) \31)\s0) ~ 5325 Ejemplo 237 Se carga una moneda de modo que la cara tenga una posibilidad de ‘ocurrir dos veces mayor que la cruz. Sise lanza tres veces la moneda, jeuél es la pro babilidad de obtener dos cruces y una cara’? SoLUcION El espa ‘muestral para el experimento consiste en los ocho elementos, 8 = (HHH, HHT, HTH, THH, HTT. THT. TTH, TTD, Sin embargo, con una moneda no balanceada ya no es posible asignar probabilida- des iguales a cada punto de la muestra, Para encontrar las probabilidades, considé- rese primero el espacio muestral S, = (Hf. T], que representa los resultados cuando ‘e lanza una ver Ia moneda. Si se asignan probabilidades de aw y 2w para obtener tuna eruz y una cara, respectivamente, tenemos 310 = 1 0 w = 1/3. Por tanto P(H) = 2/3 P(T) ~ 1/3. Sea ahora A el evento de obtener dos eruces y una cara ‘en los tres anzamientos de la moneda. Entonees, A= (ITH, THE, HTT, ¥ como los resultados en cada uno de los tes lanzamientos son independientes, se ‘Sigue del teorema 2.15 que perm = Pero roy = renrcnedn = (3)(3)(3)= 5 De manera similar, Porn) ~ purr ~ 2, ols Pid) = eh oe ee nia Sr tar ares42 Conitulo2 Probabitia Ejercicios sD 1. SiRevelevenode tun robo a mano armada yD es el evento de que st comviclo promoviers el con empalabras lo que en proabiidades se indica por (a) PORID: (b) POD'|R): (©) PURID, 2. Unaclase de fisoa avanzada se tuiantes de pi res de ieno abo y 10 gr dduades. Las calificaciones finales mitstean aq tres ‘studiantes de primer ato. 10 del sltimo ae einen de los graduados obtuveron A en el curs. Si se lig tm estudiante al azar de esta chive y se encuentra que «5 uno de los que obtuvieron A, ceual es In probabil dad de que lo ela sea un estudiante de tilimo aio? 3. Una muestra aleatrin de 200 altos se lasifen abajo por sexoy si nivel de edlucaciin Paucacién Hom Priman 3 Secundara 38 Facultad 2 Si se eseoge una persona al azar de este grupo, Ceuentre la probablidad de que {@) Ia persona soa hombre, dido que la persona ic ne educacion sccundaris, () Ia persona no tiene un grado universiuario, dado ‘que la persona os mujer 4. En un experimento para estar Is relacin eta hipertension arterial y os hubios de fumar, se reuinen fos siguientes datos para 180 individuos Nv Fumadores Fagor —___Famator_maeradosempeeries Con hiperiensiin 21 6 30 Sin hipertension 486 19 Sie selecciona ‘cuentre la probabildad de que la persona (@) sufte hipertensiin, dado que la persona es un fu- ‘mador empedernido; (b) sea un no fumador, dido que la persona no sulre ehiperiension 5. En el dhtimo ato de una elase de graduados de eparatoria con 10 alumnos, 42 cursaron materi a; 6, psicologss; 54, historia; 22 matematicas ¢ his {oni 25.matematicas y psicolopia sicte historia pero ‘hh matemticas ni psicologta: 1, eursaron las ies a om alguna de as tes, ses /esudlante at azar, eneweatre Is protbi Hd de (@) una persona inserta en psiologa curs fs res, perona auc 6. Un fabvicante de ona va 1a gripe se in teresa ew la calidad de su sucro, Tres dif partansentos procesan los loten de wero yt ibe recharo U6 0.10, 008 y0.12,respestivameme, Las imspecciones dle les tree pastanscnton Son secuencln les independientes (a) {Cusl es la probabitidad dé que un Hote de suse solveviva a la primera inapeccign departmental pe. sea rechazade por el sexunle dspartomento? (hy ¢Cu es la probabidad de que un tote de suery sea Fechazado por ol tereer departamsnto? 7. En USA Todty (5 te septiembre de 1996) ss taron como sigue los resultaton de wna encuesta So bree uso de 10 o se inienbid en pico cure 0 para lone micas se viajar Hombre Maier Ropa interior 02200424 aa Canin oom 0.180 ag Nada 0160 onIs at on 0073 ots Oot ones oa Oteos ong, 0403 opr (2) {Cuil es a probatitdad de que un vigjerd sea tna mujer que derme desma? (b) gCusl es la probatildad de que un vijero sea hombre? (©) Supongs que el visjro es hombre, zeus fa ‘obatilidad de que un viajero sea mujer si duerme 1 pijama? (4) {Cas esta probabildad de que un vijero sea hombre sduerme en pjanao en eamiscta? 8. Laprobabitded de queun automo ‘vel tangue de giolina tambien a aceite es 1.25, ks obabilidad de mero filo de aeite e300 la probabil de ae hecesitecambiode aceite fillies 3.14 {@) Sise tiene que cambiar el esa pro- babilidad de que se necesite un nuevo fir? (6) Si necesita un iro de aceite nuevo, jeu es Drobabiad de que se wenga que eam act?‘3)).a probabil de que un hombre casa vea ude television es 0.4 y la probabilided nujer casa yea el programa es 0:5 La piobabilidad de que un hombre vea el programa, da Uo que si espost lo hace, e 7. Enctentre la proba: bilidad de que (@) an macrime (b) una expona vea el programa dado que su esposo love 10. Pars matrimonios que vivenen cierto suburb la probabilidad de que el esposo vote en un referendum 0.21 1a probabilidad de que su esposa vote es 0.28 yla probabifidad de que ambos voten es 0.15. ;Cuil eslaprobabilidad de que (a) al menos un miembro de un matrimonio vote? (b) una esposa vote, dago que su esposo vetara? (} un esposo vote, dado que su esposa no vore? 11. La probabilided de que un vobiculo que entra» las Cavernas Luray tenga placas de Canads os 0.12, probabilidad de que sea una casa rodante es 0. y Ja prebabilidad de que'sea una.casarodanie con places de Canad e019. ;Cual esa probabil de que (a) una casa rodante que entra a as Cavernas Luray tenga placas de Canada? (b) un vehiculo con piacas de Canad que entia a Las CCaveimas Luray sea una casa rodante? (6) un yehiculo que entra alas Cavernes Luray no ten a placas de Canads 0 que no sea una casa rodante? 12. La probabilidad de que el jefe de familia esté en ‘cata cuando un representante de MCI lame es 0, Dado que el jefe de familia esti en casa, la probaby lidid de que ocurra un cambio de compaiia para ls Namadas de larga distancia es 0.3, Encuentre la pro babilidad de que el jefe de familia esté en casa y cambie 3 MCT para el servicio de Hamadas de larga distancia, 13. La probabilidad de que un dector dingnostique do ‘manera correcta una enfermedad particular es 07. Da doque el doctor hace un diagnéstico incorrecto, la pro babilidad de que el pasiente presente wna demands o& 9, {Cua es ls probabildad de que el doctor bags wa diagnéstico incorresto y el pacente lo demande? 44, £m 1970, 11% de los estadounidenses completar on cuatro aos de profesonal, de los cuales 43% ‘eran mujeres. En 19%), 22% de los estadounidenses completaron cuatro anos de profesional, de ioscuales 534% fueron mujeres, (Time, 19 de enero de 19%) Seccién 27 Regios multoleatves 43 (a) Dado que una persona completo cuatro aiios de profesional en 197), ;cuil¢s la probabilidad de que Ja persona sea mujer? (b) {Cuil es ia probabilidad de que una mujer termi ne cuatro aos de profesional en 19907 (©) {Cues fa probabilidad de que en 1990 un hom: bre no haya terminado la carrera profesional? 18. Ln agente de bienes raices tiene acho Haves Iaestras para abrir varias cases nuevas. Sélo una Have maestra abrité cualquiera de las casas. Si 40% de estas casas por lo zereral se dejan abvertas sa probabilidad de que el agente peda ent ‘una casa especifica si selecsiona tres aves macstrae al azar antes de salir dela ofc 16. Antes de Ia distrbucicn de cierto software esta distco se prueba la precisa do eda cuarto disco compacto (CD), El proceso de pricha consist en ‘correr cuatro programas independiente: y vetifica los resultados. La tasa de alla para los custo pro _gramas de prucka son 001, 003, 012 y 0.01, respes: (a) {Cuil 6s la probabilidad de que un CD que se prachefalle cualquier prucda? {b) Dado que se prucha un CD, eusl esa probabi Tidad de que fale el programa dos tres (©) En una mucstia de 100, ;eusnios CD esperarta gus se recbacaran (4) Dado que un CD esti defectuosa, jul es la po: Loaded de que se prucbe? 17,’ Una ciudad tiene dos cartos de bomberes que ‘operan de fora independiente. La protabilidad de Gus un carro especitico esté disponible cuando se le rnecesite es 0.96. (a) {Cuil es la probabilidad de que ninguno est diss pponible cuando se les necesite? (bb) {Cuil es a probabilidad de que uneartode bem: heros ete disponitte cuando se le necesite? 18. La probabilidad de que Tom viva 2D aos mis 607. ¥ la probabsidad de que Nancy viva 20 aos ‘mas ¢s 0.9, Si suponemos independeacia para am- thos, cul es ln probabilidad de que ningano viva 20 abos mis? 19, Un neceser comtiens dos frascos de aspiring y tes frascos de tabletat pars la tirides. Un se boke grande contiene thes froscox de aspirin fraseos de tabletas para la roides y ‘Meas lavantr. Si se sica un Frasen de Ade cada equipaje, eneventre la probabilidad de que (a) ambos frasoos comiengan tshletas pars la iroides:44 Caprulo2 Probabiicud (0) nga frasco contenga tabletas pa la (©) lox dos frascos contengan lables diferentes, 20, La probabilidad de que una persons su dents lead de Seleccionar sleatoriae le 4 ltrs de leche em buenas conhcones races, tn terigerador que contiene 20 tos de le cinco estén echados a perder, me tamecesite rayon X e+ 0,6 Ia probabil persona que neceste una placn de rayos X nbién fenga una armalgams es (13. la paobyblidad (8) I primers formuls del Yeorema 2.15 en ba piping de que ana persona que tenga ‘amalgams tambien te 5011, {Cul es ts prob 1a phicu de rayon Xy Miidad de que una persona — M28 25 y 29, respectivamente, 2-0 su dentist te 2.8 Regla de Bayes Represemos in de la seccidn 2.6, donde un i lividuo se selecciona al azar de los adultos de una pequetia ciudad para viajar por el pais y promover las Ventajas de establecer industry nuevas en a ciudad. Suponga que ahora demos ip informacion adicional de que 36 de los empleadlos y 12 de los desempleados som ‘miembros del Club Rotatie. Deseamos encontrar la probabilidad del evento A de gue el individuo seteccionado sea miembro del Club Rokatio, Con referencia i he ura 2.9, podemos escribir A como la unién de Jos das eventos muluamente excl yentes ENA E°CVA. De aqui A =(ENA)UE'O A) ¥ por el corokatio del teorem 2.10, y adem el teorema 2.13, podemos eseibie P(A) = PLE AYE Ay) PED A) + PLE A) PUESPALE) + PUB) PALE?) Los dates dela seein 2.6, junto con ky datos adicionales dados arriba para el conjunto A, nos permiten calcula: 02 36 3 PED iq 3 PALE) = So = a y a tin 4 PEE = 50 POAIEY = son = 35Stecion 28 Regia de Bayes 45 re ot Snemae Ss PS % *~ 2X, E PIA y= 125 a PUEMPIAIEY Figura 2.10 Diagrams de arbol pars tos atos de la pgins 4 5 / Figura 2.11 Paricion dol espacio muestal S Si mostramos estas protabilidades por medio del diggrama de arbol de la figura 2.10, donde la primera rama da la probabilidad P(E)P(A|E) y la segunda rama da la probabilidad P(E’)? (A|E’), se sigue que (2 Wa 3) so) * (3)(5s) Una generairaiin de fa iustracin precedente al caso donde el espacio mes tral se parte en k subconjuntes la cubre el siguiente teorema, que algunas veces se denomina teorema de probabilidad total o regla de climinacién, Teorema2.16 | Si los eventos 6, j,constituyen una particion del espacio muestral $ 1a tal que P(B,) # paras = 1, 2,... A, entonces para cualquier evento A de S, ‘ 4 > PBA) = > PB )MALB,). PA PAUEBA Considere ef diagrama de Venn de la figura 2.11, Se observa que el evento A ela uni6n de los eventos mutuamente excluyentes,ae Capitelo 2 Probabitided BINA, BONA, BNA: es decir, A= (B,NA}UB,NAYU--U(B,AA) ‘Con el uso de! corotario 2 del teorema 2.10 y ademés el teorema 2.13, tenemos PA) = PB, OA) UB,NA)U-~U(B. OA) = PIBA) + P(B.NA) + = + PUB. A) Spa.ow = 3 papas) Ejemplo 238 En cierta planta de montaje, tres méquinas, By, By ¥ B.. montan 30%, 45% y 25% de los productos, respectivamente. Se sabe de la experiencia pa saila que 2%, 3% y 2% de los productos ensamblados por cada maquina, respect. vamente, tienen defectos. Ahora, suponga que se selecciona de forma aleatoria un Producto terminado. ;Cual es la probabilidad de que esté defeetuoso? SoLUCION Considere los eventos siguicntes AL el producto est detectuoso, B,: el producto esti ensamblado por la maquina By, By: el producto esté ensamblad por Ia miiquina 8 By el producto esti ensamblado por Is migiina B. Alaplicar la regla de eliminacion, podemos escribir P(A) = PCB, )PLA\B,) + P(B,)P(ALB,) + PURPA, Con referencia al diagrama de drbol de la figura 2.12, encontramos que las tres ra ‘mas dan las probabilidades P(B)P(A|B,) = (0.3)(0.02) = 0.006, P(B.)PCAIR.) = (0.48)(003) = 0.01235, P(Bs)P(A|B,) = (0.25)(0.02) = 0.005 Pialey) = 002 PLALB,) = 003 PIA) 0.02 A Figura 2.12 Diagrama de Arvo! paral sjemplo 2.38‘Teorema 2.17 Seccion 28 fegla de Bayes 47 yde aqui P(A) = 0,006 + 0.0135 + 0.005 = 40245. En lugar de preguatar por P(A), por la reel sideramos ahora el problema de e1 lade eliminacicn, suponga que con- contrar la probabilidad condicional P(R,|A) en 1 eiemplo 2.38. En otras palabras, suponga que se selecciond un producto de for ma aleatona y es defeetuoso, ;Cudl es la probabilidad de que este producto fuera hecho por la méquina B,? Preguntas de este tipo se pueden eontestar mediante el uso del teorema siguiente, que se lama regla de Bayes: (Regla de Bayes) Si los eventos B,, 8, -B, constituyen una particién del espacio muestral § donde P(B,) #0 para i = 1.2.... .k, entonces para eval Quicr evento A enS ial que P(A) + 0, (RA) = Paina) PCB )P(ALB,) cme Drea Yrwprca|s) PRUEBA Por Ia definicion de probabilidad condicionsl, P(B,0.A) P(A) -y.con el uso del teorema 2.16 en el denominador, tenemos P(BLOA) (BA) rielay= 2 > Pian ‘Al oplicar el tgoreme 2.13 al numerador y al denominador, obtonomos la forma al: terna, IP(A\B, P(B,|ay = PEOPALBS > Paypal) ‘que completa la demostracién, i rete cjemplo 2.38, si se elige al azar un producto y se Ejemplo 2.39 Con referencia al ejemplo 2.38, si se elig : encuentra que es defectuoso, {cul es la probabilidad de que esté ensamblede por la maquina B,? soLucion Con el uso de la regla de Bayes para eseribir P(B)P(A\By) P(B,)PAIB,) + PB, )PCA\B,) © PUR)PCALB) y después sustituir las probabilidades calculadas en el ejemplo 2.38, tenemos P(B\A) =4B Capitulo? Probabindad PBA 0.006 + 0.0135 0.005 00s _ 10 00245 ~ 49 0.005 En vista del hecho de que se seleccions un producto defectuoso, este resulta- do sugiere que probablemente no fue hecho can la maquina By Ejercicios sss = 1. En ciera region del pats se sabe por experiencia ‘del pasado que la probsbilidad de Seleccionar un adulto mayer de 40 ates de edad con cincer es 0.45, Site probatilidad de que un doctor diagnostique de forma corresta que una persona con cdncer tiene la ‘enfermedad es 0.78 5 ta probubilidad de que diagncs: tique de forma incorrecta que una persona sin cancer ‘como s tuviera a enfermedad es 006, ceudl e babilidad de que a una persona se le diagnostique 2. Lapolcia planeareforzar los limites de velocidad mediante el uso de un Sstema de radar en cuatro ci ferentes punios dentro de la ciudad. Las trampas de radar en cada unode los sitios L;. 1. Ls y L,operan 40%, 30%, 20% y 30% del tiempo. y si una persona {que maneja a gran velocidad cuando va a su trabajo tiene las probabilidades de() 2, 0.1.0.5 y0.2 respect vamente, de pasar por esos pares, zou es la probs. bilidad de que reciba uns mutta por conducir con exceso de velocidad? 3. Refcrase al ejercicio |, cual es la probabildad dle que una persona a la que Se le diagnostica cancer realmente tenga la enfermedad? 4, Sien el eerccio 2 lapersona es multads por con dusir con exeeso de velocidad en su camino al traba jo, zeuiles la probabiidad de que pase por el sisterma de radar que se ubicaen 1,7 ~ 5. Suponga que les cuatro inspectores de una fabric ¢ de pelicula colocan la fecha de caducidad en cada aguete de peitcula al final de fa linea de montaje John, que coleca la fecha de caducidad en 20% de los paquetes, no la pone una vez en cada 200 paquetes, ‘Tom, que la coloca en 60% de los paquetes, no la colo. una ver en cada 100 paquetes; Jef, quien la coloca én el 15% de los paquetes, nolo hace una vez en cada 99 paquetes. y Pat, que fecha 5% de los paquetes. no lo hace una vex en cada 200 paquetes. Si tn consumi dor se queja de que su paquete de pelicula no mues. 1a fecha de cadueklad, jeu es la probabilidad de Aue haya sido inspeccionado por John? 6. Una compan telef6nies regions opera tres os. taciones relevadoras idénticas en diferentes sitios. Durante un period de un ato, el niimero de desper fectos reportados por cada estacién y las causes te imuestran abajo. Edacones A BC Problemas con ef suministro 2 Ye de electricidad Desperiecto dela compatadora 432 Fallas del equip el f 4g Fllas ceasionadas por otros 73 Suponga que se reporta una fall y que se encuentra ‘gve fue ocasionads por otros erares humanos. zCusl la probabilidad de que provenga de la estacién C2 7. La contaminacion de fos ties en Estados Unidos. >n problema de hace varios aitos, Considere los evenios siguientes: A = (BI io esté contaminado,) B ~ [Una prucha cn una muestra de agua detec {a contaminacion,) (© = {Se permite a pesca.) Suponga: P(A) = 03, P(B| A) = 0.75, PB\A') ~ 020, PC|ANB) = 0.2 rcla'ns| (Clans) Pcclarn'y (a) Eneuentre P(A N BNC), [b) Fneentre PBC), (e) Fneentre P(C), (a) Enewentre la probabilidad de que el ro esté com ‘aminado, dado que se permit Ia pesea y qu la pre ba de Ia muestra no detecte contaminacion,8. Uno cadena de tiendas de pintura produce y ven= de pintura de latex y semiesmaltads, Con base ca lag ventas de largo plazo, la probabilidad de qu un een te compre litex e¢ 0,75, De les que compran pintura de Litex, 60% también compran rodillos, Pely 30% Ejercicios de repaso Seccidn2.8 Regiade Bayes 49 ‘de los compraitores de pintura semiesmaltada com. Pran rodillos. Un comprador que se selecciona al azar ‘compra un rodillo yuna lata de pintusa. ¢Cudl es le Probabilidad de que la pintura sea del ee 1, Un suero de la verdad tiene ta propiedad de que 80% de los sospectosos culpables se juzgan de forma aalecuzda mientras que, por supuesto, 10% de lossos- Pechosos culpables resultan erroneamente inocentes For otto lado. a los sospechosos inocentes se les juzga ‘de manera erromea 1% de las veces, Sel sespechoso se Selesciona de un grupo de sospechosos de los que solo 5% alguna vez han cometido un crimen, y el suero indica que es culpable, ;cuil es la prohabilidad ‘de que sea inocente? 2. Una alergista afirma que S0% de tos pacientes que examina son alérgicos a algiin tipo de hiesbo, {Cuil es la probabilidad de que (@) exactamente tres de sus cuatro proximos pacien: tes sean alérgicos a hierbas’? (b) singuno de sus siguientes cuatro pacientes sean alérgicos a hierbas? 3. Mediante la comparacién de las regiones apro. piadas en un diagrama de Venn, verifique que (a) (ANB)U(ANB') = A (©) A'UB'UC) = (ANB IU’ UO. 4, Las probabilidades de que una estacién de servi io bombee gasolina en 0, uno, dos, tres, cuatro, ) (Cuantas combinaciones se utilizaran para cada tipo de aceite? (©) Discuta por qué las permutaciones no son un pro- blema en este ejercicio. 17. Considere la situaci6n del ejercicio 16 y suponga que el fabricante puede probar s6lo dos combinacio- nes en un dia. (a) {Cual es la probabilidad de que se elija cualquier conjunto dado de dos corridas? (b) {Cudl es la probabilidad de que se utilice la tem- peratura mds alta en cualquiera de estas dos combi- naciones?3 Variables aleatorias y distribuciones de probabilidad 3.1_Concepto de variable aleatoria erimentos cuyos resultados se enewentran sujetos alazar. La nponentes clectrénicos es un ejemplo de experimento ese 4 para deseribir cualquier proceso mediante el cual se jemplo, el espacio muestal que da una desripcion Aetalloda decade posible resultado cuandose prucban tesconponcnies cecreninn se puede escribir como 5 = NWN, NND, NDN, DN, NDD. DND, DDN, DDD), 10S0”. Naturalmente, estamos De esta forma 4 cada punto, Estos valores yr numérico de 0, 1,2 en el espacio Son, por suputesto, c rminadas por el resultado del experim yimero de ar- variable alea 10. Se pueden ver como valores feulos defeetuosos cuando se prucban tres nponentes electoniens. Una variable aleatoria cs una funci6n que asocia un numero real con cada ele mento del espacio muestra 5152 copiuto 8 Varacies ateatoras y dstibucicnes dv probabiided Utilizaremos una tetra mayuscula, digamos X, Ysutcorrespondiemte mintscula,x en esie caso, para uno de sus valores. En el ejems lo anterior de prueba de componentes electrGnicos. notamos que la variable lon toria X toma el valor 2 para todos los elementos en ef suhecinjunto E = |DDN, DND, NDP} del espacio muestral S: Es decir, cada valor posible de X represe ‘85 un subeonjunty del espacio muestral para el experimento dado, tun evento que nplazo de una urna que ras, Los posibles resultados y los valores y de la variable aleatoria ¥, donde ¥ es el nimero de bolas rojas. son Espacio mucstrat RR 2 ae 1 aR 1 ae o Ejemplo 3.2 El empleado de un almacén represa tres eascos de seguridad al azar a tres empleados de un taller siderairgieo que ya los habian probado. Si Smith, Jo- nes y Brown. en ese orden, reciben uno de los tres easeos, liste los puntos muestia: les para los posibles Srdenes de regreso de los cascos y caeuentee el valor m de la variable aleato ‘el nimeto de asociaciones correcta, sowucion S, Ly B representan los caseos de Smith, Jones y Brown, respectivamente, enton- ces los posibles arreglos en los que se pueden regresatr los cascos y el niimero de aso- Espacio muesiral nt SUB 3 sey I ISB. L IBS 0 BSI ° BIS 1 cada uno de 1osdos ejemplos anteriores, el espacio muestral contiene un n= ‘mero linito de elementos. Por otto lado, cuando se lanza un dade hasta que osutre tn cinco, obtenemos un espacio muestral con una sscuencia interminable de ele- rmentes S'=(F.NF.NNE, NNNE, donde F y N representan, respectivamente, la ocurrencia y no ocurrencia de un. Pero incluso en este experimento el niimero de elementos puede ser igual a Jos nimeros enteros de modo que hay un primer elemento, un segundo, unt asi sueesivamente, y en este sentido se puedSecciin 32 biswibiciones discrmas de probebitdad 6 tun niimero (into de posbilidades 6 una sere ‘o> Como niimeros enteros exsten, se llama es contabis, Tales leis, por cjempla, cand selevea cane aa ane pesablel con cinco tos de gasoline, Supgaan qe ee ee ble que se mide con algén gradode predsi6n,entonces claramente teretpans infinite de posites dstancin ene espacio mumalaee reo Imes ahora gue no todos fs expacioe muestales nroon ses dean, Sim espacio muestra contisne un adnero infinite de posbidades ual al ad mero de puntos en un sgmento de linc, s lama espacio mucstal coat Una variable aleatoriase Hama variable aleatoria disereta si se puede contarsucon- junto de resultados posibles. Como los posibles valores de Y en el ejemplo 3.1 son 0. 1y 2 y los valores posibles de M en el ejemplo 3.2 son 0,1 y 3, se sigue que ¥ ¥ ‘M son variables aleatorias discretas, Cuando una variable aleatoria puede tomar vi lores en una escala continua, se le denomina variable aleatoria continua. A ment: do los posibles valores de una variable aleatoria continua son precisamente los rmismos valores que contiene el espacio muesiral continuo, Tal esl caso cuando la variable aleatoria representa la medicidn de méuil recorre en una pista de prueba con cinco litros de gasolina. En la mayor parte de los problemas pricticos, las variables aleatorias continuas representan datos medidos, como son toulos los posibles pesos, altutas, temperatura, distancias 0 periodos de Vida, mientras que las variables aleatorias discretas represen tan datos conados, como el numero de articales defeciuosos en una muestra de k a ticulos o el numero de avcideates de carretera por aio en un estado dado. Nétese que las variables alcatorias ¥ y M de los ejemplos 3.1 y 3.2 representan datos contades. Y el ndimero de bolas rojas y M el nimero de asignaciones correctas de los cascos a distancia que cierta marcs de auto- 3.2 Distribuciones discretas de probabilidad Una variable aleatoria discreta toma cada uno de sus valores con cierta probabili- dad, En el caso de lanzar una moneda tres veces, la variable X que representa el nt- ‘mero de caras, toma el valor 2.con probabilidad 3/8, pues tres de los ocho puntos muestrales igualmente probables tienen como resultado des earas v una cru7. Si se suponen pesos iguales para los eventos simples del ejemplo 32, la probabilidad de que ningén empleado obtenga de vuelta su casco correcta, ¢s desir, Ia probabilidad de que M tome el valor cero, 8 1/3. Les valores posibies m de M y sus probabil des son3a Captuto 3 Variables tears y tibuciones de probabidnd m oa rom [ao Note que los valores dean ay es suman | Con free nv toMlos ls casos poribles y par elo las probabih: ncia es conveniente represemtar tots kas probabilidades de una vo. toria mediante una fonmula, Til formula necesariamente serta una fog sid de tos valores numericos x que denotaremos con fC), u(x), rls), ¥ aad sucesivamente, Por tanto, eseribimes J(a) — POX sdecit, J) = FOC = 4, Fl conjunto de os (x (4) se tha ‘én de probit bbucidn de probabitidad de is vasiable aleatoria discret © Fable ale El conjunto de pares ordenado ion masa de probabilidad o dis ria disereta X's, para cada rosul Le fx) 0. zB Diey=1 3 PU = x) = fix), Eemplo33_ Un embarqe de ocho mioompatares Snes para uma end dest cempndiancnevenreludncsindepesaneen detest sowie Sea una viable letra cays vss «son fos don penile de comqu Ida efectuosis que compra lesa Entanass pas a Iosmimeros 192, Aor en 3))8 (G)_w 0) = 1% = 0) 5) 2) f0)= Pa) oe 1s ; JQ) = P(X = 0) = * iy 3a ) Entonces la distribucién de probabilidad de X esDefinicion 3.5 ‘Seeclon 3.2 Distrituciones discretas de probabilded SB a) Ligmple 34 Si unaagencia de autos vende 0% de ou inventario de cierto vehi lo extr ‘SOLUCION. Como la probabilidad de vender un automéviléon botas de aire es 05; los = 16 Puntos del espacio muestra tienen ta mismna probatilidad de ocurrencia, Por tanto €l denominador para todas las probabilidades, y también para nuestra lunciém og 16, Para obtener el nimero de manetas de vender tres modelos con bolsas de aie necesitamos considerar el nuimero de formas de dividir cuatro resultados on des cel, «das con tres modelos con bolsas de aire asignadas a una celia. y cl modelo sin bol 3 S48 dese asjgado as otra. Eso se puede hacer de (4) = 4 formas En general elevento de vender x modelos con bolss de aire 4 — x modelos sin bolas de aire fi puede ocurrir de (*) formas, donde x pusde ser 0. 1.2.3.6 4 Entonoes, i dst bucién de probabilidad /(x) = P(X = x) es 4 (.) fis) pane = 0.1.2, Hay muchos problemas donde deseamos caleular la probabilidad de que el va- tor observado de una variable aleatoria X’sea menor o igual que algin ntimero real x. Aleseribir F(x) = P(X = 1) para cualquier aimero real r, definimos a F(x) co- mo la distribucion acumulada de Ia variable sleatoria ¥w La distribucion acumulada /(x) de una variable aleatoria disereta X con distti- bution de probabilidad f(x) es Fix) = P(X 4. Entonces, £2) = FQ) - FU) ‘A menudo es itil ver una distribucién de prohabilidad en forma grfica. Se pue- den graficar los puntos (x. f(4)} del ejemplo 3:4 para obtener la figura 3.1. Altunir ios Puntos al ee. ya sea con una linea punteada o con una sida, obtenemos lo que Por lo general se denomina como grifca de barras. La figura 3.1 permite ver de forma fae «il qué valores de ¥ tienen més probabilicad de ocurrencia, y también indica en este «caso una situacion perfectamente simétrica, En lugar de graficar los puntos (x, f(«)), mas a menudo construimos resténgu- 4os, como en la figura 32. Aqui los recténguilos se construyen de modo que sus ba ses, de igual ancho, se centren en cada valor x y sus alturas sean iguales a las Probabilidades dacas por f(s). Las bases se consiruyen de forma tal que no dejen spacies entre los reetdngalos, La figura 3.2 se llama histograma de probabilidad.‘Seccion 32 Distibuciones diseretasde probabilidad 57 19 to 66) . ae 516 a6 : i ane| 2n9 vie} . eealet dw Sone 3 4 Gs Bucy FE Figura 3.1 Giatea de bares, Figura 3.2 Histoyrame de probat Fes jure 3.3 Dietibucién acumulads discrot ‘Como cada base en la figura 3.2 tiene ancho unitario P(X = x) es igual al rea del rectingulo centrado.en x. Incluso si las bases no fueran de ancho unitario, podriamos ajus- tar las alturas de los reetingulos para gue las éreas aiin fueran igaalcs a las probabilida- dos de X al tomar cualquiera de sus valores x. Este concepto de utilizar areas para representar probabilidades es necesario para nuestra consideracion de la disteibucin de probabilidad de una variable aleatoria continua, La grafic de la distribuci6n acumulada de! ejemplo 32. ci6n escalonada en la figura 33, se obtione al grafic: Geertas distribuciones de probabilidad se aplican a mas de una. tribucion de probabilidad del ejemplo 3.4, por ejemplo, tambié aleatoria ¥, donde ¥ es el numero de cara cuando se lanza 4 veces una mone Variable aleatoria W, donde W es el numero de cartas rojas que resultan cuando se 4 cartas sucesivamente al azar de una baraja con el reemplazo de cada carta y barajando antes de sacar Ia siguiente, En el capfiulo 5 se consideraran distribuciones discretas espe- Ciales que se pueden aplicar a muchas situaciones experimeniales diferentes. se aplica a la vatSB Copitulo.3 Variables aeatorias + dstibuciones de probsbiliced 3.3_Distribuciones continuas de probabilidad Una variable aleatoria continua tiene una probabilidad cero de tomar exactamen. te cualquiera de sus valores. En consecuencia, su distribucién de probabilided no se puede dar en forma tabular. En un principio esto puede parecer sorprendente, Pero se hace mas plausible cuando consideramos un ejemplo particular. Conside Femos una variable aleatoria cuyos valores son la altures de toda la gente may de 21 aitos de edad, Enire cuatesquiera dos valores, digamos 1635 y 1645 semi. metros, o incluso 163.99 y 164.01 centimetros, hay un nimero infinite de alturas, abilidad de seleceionar una persona entimetros de estatura y no sca una del eon: tuna de las cuales es 164 centimetros.L azar que mida exactamente 164 junto infinitamente grande de estaturas tan cercanas a 164 centimettos que buma pr amente no s¢ pusda medir la diferencia es remota, por ello asignamos tna probabilidad cero a tal evento. Este no es el caso, in embargo, si nos referims » ta probabildad de selecionar una persona que al menos mida 163 centimettos pe ro ne mds de 165 centimetios de estatura. Tratamos ahora con un intervalo en tu gar de un valor puntual de nuestra variable aleatoria. Trataremos el caiculo de probabilidades para varies intervalos de variables leatorits continuas como P(a < c), etcétera. Nétese que cuando X es continua, Pa {a distribusién acunnatada F(x) se expresa deforma grfica en la figura 46, Ahora on, PO 3) [e) Pls <7 <6) 13. La cistribucién de probabilidad de X. et mimero de mperfecciones por 10 metros de una tela sintéties én rolloscontinuos de ancho uniforme, es dada por * Oe Liters f@) | 0M 037 O16 O08 om ‘Constsuya ta distiibucion acumulada de X. Sapiuto 3 Vanabies ahatorias v dstibuciones de probabiliead 14, El tiempo de espera, en horas, entre corredoces Sucenivos deteciados por un radat es una varie :toria continua con dstibecién seumulada fu <0 les, aso, rw) Encventre la probabilidad de esperar menos de 12 minutos entre enrredores sucesivos (a) coneluso de la dstribucion acumalada de X: (0) con el uso de la tuncin de densidad de probabi Higa de x 16. Eneuentte la distribuciin acumulada de la varia bie aleatona ¥ que representa! atimero de unidades efectuosas en el ejercieio 11. Con el wso de Fx) cercuentre fa) POY = 1) tb) P< X= 2). 16. Construya una laa del ejercieio 18 “17, Una variable aleatovia continua X que puede to mar valores entte x = Ty = 3 tiene una funcién de densilad dada por F(») = 1/2, (a) Muestre que eT aren bij la trv es gua (b) Encuente P2-< ¥< 2.5), (c} Frouentre POY 18. Uns varishls mar valores eat fia de la distribucion scum toria continua X que puede to- x= 2yx = 5 tiene uma fencion de slensidad dada por f(s) = 2(1 + x)/27, Eneueatre fa) PO =); (b) PG = N= 4), 19. Para ta funcion de censidad del ejercic {7,en suentre £2), Uiileela para evaluar P(2 = X= 25), 20. Para la funci6n de densidad del ejercicw |8, en: fuente F(a). y uiicela para evaluar P(3 = X'< 4), ~21, Comidere la funein de densidach o 0} (b) Pi-r= <9)24, Encuentre la dstribucién de probabitidad para et inimero de CD de jazz cuando se seleecionan eateo, CD alazar de una coteccién que consists en einen CID de jazz, dos de musica clésica y tres de rock: Exprese sus resultados mediante una férnmul, 25. Se seleecionan tres monedas sin reemptizo de caja que contiene cuatro ce dier centavos y dow de cinco centavos. Encuentre ly cisrtweisn de pro Secon 34 Distrouciones empricas 6B batdod panel tl 7 as tes ones. ape she dstrbucin de pois de forma pi ‘oun hitoprama de protaaldad conene cao bolasnegrassdsverdes cashes inte la Ustebucon de probabil parecl aie roe ties cach 3.4_Distribuciones empiricas las seeciones anteriores el lector fue expuesto a conceptos acerca de distribucio Nes discretas y continuas. Los métodos de cilculo de probabilidades dependen del Conocimienio de la funcién de masa ie probabilidad o funcin de densidad de pro babilidad: La funcién de probabitidad para el easo dseretoy la funcion de densidad Para el caso continuo son formas de caractetizar la distribucion de probabilidad pa ra una poblacidn 0 sistema, Obviamente, el usuario de los métodos estadisticos no puede generar suficien te informacién o datos experimentakes para caracterizar por completo a distribu. sign. Pero a menudo se utfizan conjuntos de dates para aprender acerca de Gertas Propiedades de la distribucion. Los ciemtiicos ¢ ingenieros estan acostumbrados @ {atar con conjuntos de datos. La importancia de caracterizar o restunir la naturale 2a de las recopilaciones de datos debe ser obvia. Con frecuencia un resumen de un Conjunto de datos por medio de una representacidn erafiea puede proporcionar més informacién del sistema del que se tomaron los dates, En capitulos posteriores se explora con detalle cl mucstreo de distribuciones ¥ la ropresentacién de datos afin de seforzar la infereneta estadistea acerca de ss. temas cientificos. En esta secci6n silo inttoducimos algunas representaciones sim- ples pero a menudo efectivas que complemenian el estudio de tas distribuciones estadisticas Por lo general, en un experimento que incluye una variable aleatoria continua la funcién de densidad f(x) se desconoce y se supone su formia. Para que la elecciin de f(x) sea razonablemente vilida se necesita en su seleccién tn buienjuicio que se base en toda la informacién disponible. Los datos estadistcos. gonerados en gran cantidad, pueden ser muy titles para estudiar el comportamionto de la distribucion sise presentan en u le dine -grama de troneo y hojas. Para ilustrar la construceign de un diagtama de tronvo y hojas, considere los datos de ta tabla 3.1, que especifican la “vida” de 4) baterius de coche similares que se registran al décimo de ano mas cercano, Se garantiza que las buterfas duran tres representacién tabular y gréfica combinada denomin: Toble 3.1 Vi Te an Oe Rietite sleet; 38 au 25 dae aa 36 39 33 a8: Beedle 44 32 41 19 47° 38 42 26 «439 30 4aoa Capitulo 3 Varinbiesaleateraey distribucionos dle probabitdad Tabla 3.2. Diagrama do tronco y hojas de a vids do as baterias Don 2225848USs6777859 25 fovae divide adh observacién en W6s p tes que consisten en un ronco represent el digito entero y la hoja ‘da a fa parte decimal del nimero. En otras paabras, pata el numero 37 et neo y et digito 7 como ta hoja, Los cuatro troneos pparatnuesites datos se lisa de forma consecutt fo taquierdo de uns linea vertivat en 32s las hojts se tegistran tla dereeha de la tinea en oposicidin a Valor det tronco apropiado. De esta forma la hoja 6 del numero 1.6 se segistra ea el lado opuesto del ironed 1; la hoja S del aximero 2,5 se registra en el lado apues- tode! troneo 2;etectera. ET numero de hojas que se registran en el lado opuesto de cada tronco se resume en fa colunna de frecuencia, El diaurama de tronco y bo} de ka tabla 3.2 contiene sélo cuatro troneos y en consecuentia no proporcia iacion adecuada de la distribucign, Para remediar este problema, ne Fel nlimero de troncos en nuestro ddiggrama. Una forma simple de leva a eabo esto es escribie cada valor de tronen dos veces a la irquierda de by linea ve tar las hojas 0, 1,2,3 y 4 del las ido donde apareee por primers ¥ez;y as hoe smo valor del troneo donde aparezea por segunda ver, Este diagiama de dobie ironeo y hojas medificad se ilustra en Ia tie bla 3.3, donde los troneos que eorrespontien a las Nojas 0.4 se codifican con el sim bolo * y el tronco que corresponde las hojas 5.4 9 con el simbolo Se puede lograr un aumento en el mamero de troncos al escribir cada valor de tronco cinco veces la izquierda de una linea vertical, donde podemos ahora end ficar los troncos con a para las hojas Oy 1, para bys hojas 2 y 3, para las hojas 4 y5.d para las hojas 6 y 7, ¢ para las hojas 8 y 9, Para los datos de la tabla 3.1 uti lizaremos entonces tos troncos 1d, Le, 2a, 2b, 2¢, 2d y 26 para construir un diagr’e ma de cineo troncos y hojas, En cualquier problema dado, debemos decidir los valores apropiados de lo troncos. E de modo que el iro 3 se designs com elt doopuesto del valor del tronce 185, 6, 7.8 9 de ado opuesto al decision se toma de forma un poco arbitraria aunque nos gains Por Tabla 3.3. Diograme de doble tronco y hojas para 1a vida de los baterlas Tron: Hoja Preawencia o 2 2 1 00, 4 contni2zzsss4e4 15 3 SS07TTNEO 0 ro la 5 4 7 3Seccién 34 Ditrbuciones empricis — 65 ¢l tamafo de nuestra muestra, Por lo general, elegimos entre cinco y 20 tronces. En- {re mis pequeo es el nimero de datos disponibles, menor es la eantidad de Woneee scleccionar: Por ejemplo, silos datos consnten en mimeros del al 21 que repre, sentan la cantidad de personas cn la fila de una cafeteria para 40 dias hdbes que se ‘cleccionan de manera sleatoria y elegimos un diagrama de doble troneo y hos lox {roncos serian0*,0-.1*, 1: 2° por io que ala observacién mas pequefia} le ores onde el troneo 0° y la hoja |. al nimero 18 le corresponde el tronco | y la hoja 8, ya la observacidn mayor 21 le corresponde el tronco 2* y Ia hoja 1. Por otro lado, fos datos consisten en cantidades de $8800 a $9600 que representan las mejores ven 1s de 100 automoviles nuevos de cierto distribuidor y clegimos un diagrama de un Solo tronco y hojas, los troncos serian 88, 89,89, ...,y 96 y ls hojas contendrfan dox digitos cada una. A un earro que se vende en $9385 le corresponderia un valor de {ronco de 98 y la hoja de dos digtos 85. Las hojas de digitos maltiples que pertene. ¢en al misma tronco por lo general se separan por comas en el diagrama de tronce y hojas. Los puntos decimales de los datos por lo general se ignoran cuando todos lox digitos a la derecha del punto decimal representan la hoja, Tal cs el caso de las ta blas 3.2 y 3.3. Sin embargo, silos datos consisten en mimeros que van de 21.8 4 74.9 debemos elegir los digitos 2, 3,4, 5.6 y 7 como nuestros troncos de modo que un ad ‘mero como el 483 tenga un valor de tronco de 4 y una hoja de 83 El diagrama de tronco y hojas representa una forma efectiva de resumir datos, Otra forma es a través del uso de la distribucidn de Frecuencias donde los datos, que se agrupan en clases 0 intervalos diferentes, se pueden construir mediante ci comieo de las hojas que pertenecen a cada tronco y al notar que cada tronco define un in. tervalo de clase. En la tabla 3.3 el tronco 1 con 2 hojas define el intervalo 1.0-1.) que 0 para toda (x.y). 2 ff seorjacay—1, 3 POY) € Al= | f oonaray. ara cualquier region A en el plano xy. Ejemplo3.9 Una fabrica de dulees distribuye cajas de chocolates con un sur- tido de cremas, chiclosos y nueces cubiertas con chocolate claro y oscuro, Para una caja seleccionad al azar, sean X y Y, respectivamente, las propor ciones de chocolates elaro y oscuro que son eremas y suponga que la funcién de densidad conjunts es72 Captuio 3 Varebiesalatoras y dstrbusiones de probabiidad Definicion 3.10 Qx+3y), O 0, PIX = ¥=y) _flvy) PIX x) 5) donde X'y son variables aleatorias diseretas. P= y|X =) ge) > 0, Noes dificil mostrar que la funci6n f(x, »)/g(x), que es estrictamente una fun: cin de y con + fia, satisface todas las condiciones de una distribucidn de probabi- lidad. Esto también es cierto cuando f(x,y) y g(x) son la densidad conjunta y la distribucion marginal de variables aleatorias continuas, Como resultado es en extre- ‘mo importante que hagamoy uso del tipo especial de distribucion de la forma 16s, y)/8() 2 fin de ser capaces de calcular de manera efectiva prob: ‘icionales. Este tipo de distribucion se lama disteibucion de probabil nal; la definicion condicional es la que sigue. ilidades con- lad condicio- Sean X y ¥ dos variables aleatorias, diseretas 0 continuas. La disteibucién iable aleatoria Y, dado que X = x,es flsy) fe. mils, Ia distribuciOn condicional de la variable aleatoria 4 gtx) > 0. Tl = FEM. no) >0.Sewcion 3.9 Distrbuciones de probabilided conjunts 75 Si se desea encontrar la probabilidad de que la variable aleatoriadiscreta X ca ‘entre ay b cuando se sabe que la variable discteta ¥ = y. evaliamos Pla x= 025)= | fole=a2ydy= [ora ay= 8 Kjemplo 3.14 Dada la funcin de densidad conjunta ish es osxenecyct 0, encualquier otro caso, encuentre x(x), AO). Slely).y evahie PCL << IV =) so.ueen Por defnicion oti 7 (+ 3y?) st= J feanrdy= [yy Sh) yaya oe tales ea ae‘Seccién 3.5 Distrituciones de probebided comune 77 Por tanto, ely = fey) 0+ 3y9)/4 ANG) Vaan ae OER? p(t ye PD el 4 3)" [a8 ae Independencia estadistica Si flly) no depende de», como es el caso en el ejemplo 314, entonces Feely) = 869) y flx.») ~ (3G). La demostracion se tiene alanine J%.9) = fesly ny) en la disteibucién marginal de Fs decir. s0)~f seyrdy =f" perlyynoyay. Si f(x]y) no depende de y. podemas escribir sy =rehf horde Ahora bien [ Oddy = 1 Pues /i()) es a funcion de densidad de probabilidad de Y. Por tanto, (8) =J(aly)—yentonees—flx,y) = gyi. Debe tener sentido para el leetor que si f(xy} no depende de y, entonces por supuesto el resultado de la variable aleatoria ¥ no tiene impacto en el resultado de la variable aleatoria X. En otras palabras, decimos que X'y Y son variables aleato- Flas independientes, Ofrecemosahora la siguiente definicion formal de independen. ia estadstica, Definicién 3.12 | Scan X y ¥ des variables aleatorias, discretas o continuss, con distribucion de probubilidad conjunta f(x,y) y distribuciones marginaes g(x) y h(y), respec vammente. Se dive que las variables aleatorias X y ¥ son estadisticamente inde- pendientes si y sélo si F059) = gC) para toda (x,y) dontro do sus rangos.78 Captulo 3 Variables slemorian y disribueiones do provebiténd as del ejemplo 2.14 son estadticamente indepen. dientes, pues el producto de ls dos distribuciones margiales da ia lncton de te, mente este no es el caso, sin embargo, pata continuss del ejemplo 313. La comprohacisn dela independencia esadisca de Aiseretas requiere una investigacion ms profunda, pues es po 10 de las distribucionos marginales sea ial ala Untibusien de hl conjunta pra algunas de las combinaciones de (3,3) pero no pare tas Si med encontrar alsin punto (x ») paral que fC y)se Uline de medortoe Jl. 9} 4 alah) as vatiales deren X'y ¥ no on estaditcamenteinopoe, Las variables aleatotias cont dientes Bjemplo 3.18. Mucstre que lay variables alcaiorias del ejemplo 38 no son estadi Ucamente indepenientes soLuciON Comideremos el punto (0,1), De la tabla 3.6encontramos que las tes probabilida: des (0,1), 0) Y HCL) son fi.ay= Da ee 2,3 405 #0) = ¥f0.3) = 55 + ie on aa oe 3 3 3 W0)= Fray = f+ Seon) Charamente JOA) # wlOVCA), to Xy ¥ no son estudisticomente independientes, V port FanaS las definiciones anteriores respecto a dos variables aleatorvs 3 pueden ge neralizar al caso de n variables a Sea flv... %,) la funcion de probar Gilad conjunta de las variables aleatorias x. 3, yy La Usribucdn marginal de X,, por ejemplo, es ota) se 2 Theun paral eas tise, y 8) ff ipekaynnesy)dagdeyeedey para el caso continuo. Ahora podemos obiener disteibuciones marginales conjuntas, Como (r,.,), donde Da Bikey om) (caso discreio) Hyxn=s" * Lop eevee ates doy te — eneSeccien 2.6 Distibuciones de prodabiidad conjunia 79) Gueden conserar numerosas dstribuciones condicionales, Por ejemplo, la tribucidn condicional conjania de X;, X3 y X, dado que X,= 4X. X, X,, = 4,,8e eseribe como ie ee a) BGG %55245%,) WG REAL ae oe) donde g(x, ras .X,, Xe {ina generalizacion de ln definicién 3.12 conduce ala siguiente detiniion para ta Independencia estadistica mutua de las variables Xy,4y.--0X,0 +4, ) es a distribucién marginal conjunta le las variables aleato- Definicén 3.13 | Sean X,, X;,....-X, n variables aleatoras, dderelas 0 eontinuas Gon Gu sion de probabilidad conjunts f(t,.x3,.~..,) y distibueiones, marginales Ailxs)s fla), fot). Tespectivamente, Se dice que las variables aloatorias »X, son estadisticamente independientes mutusmente si y sdlo si FOX) = HOO) °F, (4) Para toda (x,,r2..... ,) dentro de sus rangos, se eS eee | Ejemplo 3.16 Suponga que el tiempo de vida, en aft. de cierto producto alimen ticio perecedero empacado en cajas de cartén es una variable aleatoria cuya funcion de densidad de probabilidad esta dada por _fe. >0 Talo.” priaualtiBt osc, Sean 2%, X3.y X; los tiempos de vida para tres de estas cajas que se selecsionan de torma independiente y eneuentre POX, < 2.1 =< Xe < 34, = 2) sowvci6n Como la cajas se seleccioman de forma independiente, podemossupaner que ls va lables aleatorias X,, Xs yy son estadsticamente independientes¥ que tienen densidad de probabilidad conjunta Plsy.%:35) = Flee Fld) = para t, > 0,1 > 0.x, > 0.9 fly.) 0 en cualquier otro ease. De aqui ponerrex Yr (a) POX + ¥=4), 3. De un costal de fratas quecontione tres naranis, dos manzanasy tes platanon se selesciona una mues tra aleatoris de cuatro frutas Si Nest nuimero d ranjasy Vel de manzanas en la mucstra, enavent (a) ladistribucion de probabitidad conjunta de X’y ¥ (b) PUCK.) © Ay donde A es la region dada ps (syle y 4. Una vinateria opera atencién ‘en el automSvil ypara atender a quien Hlega caminan do. En un dia seleecionado al azar, sean X’y Y, res: pectivamente, las proporciones del tiempo que se utiliza cada instalacin. y syponga que la funcién de densidad conjunta de estas variables aleatorias es Ja +2y) 0, en cualquier otra parte. Osrs1osys fixy) 4 ‘ (@) Eneuentre la densidad marginal de X: (b) Encucnire la densidad marginal de ¥, (©) Encuenure la probabilidad de que las instalaco- ‘es para atencion en carro esten ocupadas menos de 1a mitad éel tiempo. 5. Una compania duleera distribuye eajas de chovo- lates con un surtido de cremas,chiclosos y envinados Suponga que el peso de cada caja es un kilogramo, ‘ero que los pesos individuales de las crema. ciclo. Sos y envinados varian de una caja a otra. Para una ‘aja seleccionada al azar. sean X y ¥ tos pesos de las cremas y los chiclosos, respectivamente, y suponga gue la funcién de densidad conjunta de estas varia bles es dy, O 0720 cen cualquier otro caso, encuentie PO = N= 1)¥ = 2), 7. Sea X el tiempo de reaecion,en segundos, der ‘oestimutante y ¥ la temperatura (F) ala que certa -accin comicna a suceder. Suponga que dos varia bles aleatorias ¥’y ¥ tienen la densidad coryunta foo = fo, dy, exch oeyet FO) 10 cncuslquicr otro caso Encuentre fa) PO=X< Sy} <7<3); tb) POC<¥), 8. Se supone que cada rueda trasera de un aereple- ‘no experimental se lena a una peesién de 40 psi Sea Ia presi real dl aire parala rueda derecha y Ya presion real de aire de la rueda izquierda. Supenga que Vy ¥ son variables aleatorias eon Ia densidad conjun 30S¥<50; 305 y<50 1) = Jo, ‘en cualquier otto caso, (a) Eneventre & (b) Encuentre P(30-< X= 40 y40< ¥ <50) () Encuentre la probabilidad de que ambas ruedss ‘no estén completamente Hlenas. 9. Sea Vel didmetra de un cable eléctrico blindads y Yeldiimetro del molde cerimico que hace el cable. Ay ¥ tienen una eseala tal. que estin entre 0 y 1. Su- ponga que X'y ¥ tienen la densidad conjunta 1 foes=4v 0, en cualquier orrocaso. Encuentie P(Y + ¥ > 1/2) 10. Con referencia al ejerccio 2, encuentee (a) Ia distribucion marginal de Xj (b) la distesbucidin marginal de ¥ 11. Li eantidd de queroseno, en miles de htros ed tun tangve al principio de cuakjuier dia es una cant dad aleatoria ¥ de la que una cantidad aleaiona X'S vende durante et dia. Suponga que el tangue no S® Feabastece durante el dia por lo que x = yy supon O 8. Se lanza dos veves una moneda S to de caras en el primer lanzamiento y W el mimero total de caras en los dos larzamientos, Sila moneds ‘ho est halanceada y una cara tiene una probabilidad de ocurrendia de! 40%, encuentre (@) ladistribucion de probabilidad conjunta de Wy Z. (b) ta distribucion marginal de W; (c) ladistribucidn marginal de (@) laprobabilidad de que ecurra al menos una cara 29 Z ol niime. 19. Dads ls funci6n de densidad conjunta me ceneventre PCL < ¥-< 3) = 2) Dex<2reyed 20, Determine sitas dos variables aleatoras del ejer- Ciclo 15 son dependientes o independlientes, 21. Determine silas dos variables alsatonias del ejer- elo 14 son dependdentes o independientes, 22, La funcién de donsidad conjunte de las variables atestorias X'y ¥ es 6x, Gee 1o 1 <2 <2). 24. Determines ls doe variables aleatorias del ejer- cio 7 son dependieates 0 independientes 25. Determine si las dos variables aleatoris del ejer- cicio 8 son dependientes oi82 Captulo 3 Variables aleateries ycittrbuciones de probabilidad 2B. La funcién de densidad de probabibdad conju: ta de las variables aleatorias X.Y y Z es O7. (a) {Cust es a funcicn masa de probabilided de X? (b) Caleule P(4< X= 7), 3, Dos componentes eleciténicos de un sistema de ‘isles trabajan en armonia para el éito de todo el sisiema, Sean X’y ¥ la vida en horas de los dos sis- temas. La densidad conjunia de X'y ¥ es eo? 12 0,y>0 i ‘en cualquier otro cas. ) Determine las funciones de densidad marginal ppara ambas variables aleatoris. (b) {Cual es la probabiidad de que ambos compo- nentes duren mis de dos horas? 4. Uns instalacin de servicio opera con dos lineas, En un dfa seleccionado al azar, sea X la proporcién de tiempo que a primera linea esti en uso en tanto {que Y es la proporcicn de tiempo en que la segunda linea esié en uso. Suponga que a funcion de densidad de probabilidad conjunta para (x. ¥) es or fret o 05, ¥ > 05),Seccion 3.5 Distribuciones de probabilidad conjunta 83 7. Un proceso industrial produce articulos que se pueden clasificar como defectuosos 0 no defectuosos. La probabilidad de que un articulo esté defectuoso es 0.1. Se lleva a cabo un experimento en el cual se sacan cinco articulos al azar del proceso. Sea la variable aleatoria Y el nimero de defectuosos en esta mues- tra de cinco. ,Cual es la funcién de masa de probabi- lidad de X? 8. Considere la siguiente funcién de densidad de pro- babilidad conjunta de las variables aleatorias X y Y: 359 F(x, y) = 9 0, en cualquier otro caso. :. Leyes, < ys 2 (a) Encuentre las distribuciones marginales de X y Y. (b) {Son independientes X y ¥? (c) Encuentre P(X > 2). 9. La duracién en horas de un componente eléctri- co es una variable aleatoria con funcién de distribu- cin acumulada — enH/50 3 Foy ={! er, x >0 0, (a) Determine la funcién de densidad de probabi- lidad, (b) Determine la probabilidad de que la duracién de tal componente exceda 70 horas. en cualquier otro caso. 10. Una fabrica produce pantalones. Un grupo de 10 trabajadores los “revisan”. Los trabajadores inspec- cionan pantalones que se toman al azar de la linea de produccién. A cada inspector se le asigna un mtimero entre el 1 y el 10. Un comprador selecciona un panta- lon para comprarlo, Sea la variable aleatoria X el nu- mero del inspector. (a) Determine una funcién de masa de probabilidad razonable para Y. (b) Grafique la funcién de distribucién acumulada para X.Esperanza matematica 4.1_Media de una variable aleatoria Sis miento, entonces los valores de X puedes }6 veces dos monedas y X’ os el nimero de caras que ocurre por lanza ser (0, 1 2, Suponga que en el experiment to salen cero caras, una cara y dos earas un (otal de cuatro, siete y cingo veces, respectivamente, ET ndmero promedio de earas por lanzamiento de las dos monedas (V4) + 017) + EE) 16 = 1.06, Este es un valor promedio y no es necesariamente un posible resultado del experi: mento. Por ejemplo. el ingreso mersual promedio de un vendedor probablemente ‘no es igual a alguno de sus cheques de pago mensuial Reestructuremos ahora nuestro cileulo del atimero promedio de earas de mo- do que tengamos la siguiente forma equivalente: o(f) + (2) +)(8) =u Los niimeros 4/16, 7/16, y 5/16 son las traceiones de los lanzamientos totales que ‘ienen como resultado cero, una y dos caras, respectivamente, Estas fracziones tam: son Ja Frecuencias relativas de los diferentes valores de ’ en nuestro expet: nto. En efecio, entonces, podemos calcular ka media o promedio de un conjunte de datos mediante el conocimiento de los distintos valores que ovurren y sus ffe= ‘euencias relativas, sin un conocimiento del ntimero toval de observaciones en nbes- tro conjunto de datos. Por tanto, si 4/16 0 1/4 de osDefinicién 4:1 ‘Secsion 41 Media de una variate slestoria 85 fetta cero cares 7/16 de os laneamientos tienen como resultado una cara 5/16 de sos tienen dos caras.ct numero medio de eae por noaanentoes 8 ‘in importa sel numero total de finzamienos fue Ts, 1000 orhcay W ‘utcemos ahora este mélodo de frecuenciasreatvas part eset nsimero romeo de ares por lnzamiento que podifamen esperar en cl lange pens Nee ‘eleitemosa este Valor promedlio como a meta det variable sleet Tokar ts de la distibucién de probabilidad dey ls denotanon por oo evvpenente como wewandoestéclaroa qu vtiae slentara non rslonings Fealen ees énite ls estadsticos referie a eta motia como cspsransn matenaiie Sel lor esperado dela variable sleatoriaX'y denetolawrge BU) Supongs que se lnzan monadss legals encontatos ge el espacio muestra pata nesro experiments S= (Hu THN Come los + puntos mucstrakes son igualmente probables, se sigue que PIX =0)= POT = 3 PW =1) = PUT) + PUT P(X = 2) = P(E) = }, donde un elemento tipico, digamos TH, indica que el primer lanzamiento tuvo.co- segundo lenzamiento, Ahore bien, para los eventos dados en el ‘mo resultado una cruz seguida de una cara en cstas probabilidades son justo las frecuencias relaiv largo plazo. Por tanto, w= £0) = (4) +(3) (4) =1 ste resto sgifia que uma persona que ance dos monedas un y ot er ea promedin,obtendr un ara pr lazaniento EL mélodo desea antes para cael rnmeroesperado de cra ene hn ‘amiento de dosmonedassugise que a medio o valor espera de aio vara bie aleatora dra xe puede obtener al muliplar cada une de los Yalres vr de ve est ors ees pea SS) fly) ect ex pediocin mtg ool le sisi of Caras je ci de ables ses cri ae Sic oye Var eipr edi os sou close hie pars warboaprace gus oe plazan a las sumatorias. Sip Pea varataa uiddcoyalpou cstiisdon uo promabtiaualf()-Lameae valor esperade de X cs. w= EQ) = Daf siXesdiscretny nar | yond si Xescontinua.BE Capivios Esperance maromatica Ejempla 4.1 Un inspector de calidad muestrea un lote que comiene siete compo. nentes; el lote contiene cuatro componentes buenos y tres defectuosos. El inspector toma una muestea de tres componentes. Encuentre el valor esperado del ndmero de fapinel eaeer en ue sowvcen oe] ate cdnpongisbaduon en a musta La abi do robe baa ces ayy 3 Resa pay gw (3) Los simples cielo dan (0) = 1/38, (1) = 2/38, 2) = 18/3, 76) = 7, £) eay(2) coy(!®) cep) « 4 = £0 = 0(4)+0(2) + 0(%) +00(4)- De esta manera, sise selecciona al azar una muestra de tamaiio tres una y otra vex de un lote de cuatro componentes buenos y tres defectuosos, contendrfa, en prome- dio, 17 componentes buenos. = x $0 pagarin $5 a una persona si sélo salen earas tres monedss, y ella pagard $3 si salen uma 0 dos caras. (Cua es su ganancia esperada? sowucion El espacio muestral para les posibles resultados cuando se lanzan de manera simul ‘énea tres monedas, 6 de manera equivalente 4 se lanea tres veces una moneda, e+ 5 = (MAM, HET, HT, THE HT, THT. 7TH. TTT Se podria argumentar que cada una de estas posibilidades es igualmente probsble ¥y que ocurre con probabilidad de 1/8. Un método alternativo seria aplicar la regle de la muliplicacion de probabilidad para eventos independientes a cada elemento de $.Por ejemplo, pain = pnpanncn =(3)(3)(§) = 4 La variable aleatoria de interés es Y, el monto que el jugador puede ganaryy Jos va lores posibles de ¥ son $5 si ocurre el evento E, = |HHH, TTT) y —$3 si ocurre el evento P= (HUT HTH TH HP, THT TPH, evento, Como £, y F ocurren con probabilidades 1/4 y 3/4,respectivamente, ses ‘gue que #09 = 69)(j) «a({) ==‘Secsi0n 41 Media do una variable aleatoria 87 {ste juego la pervona perderd, en promedio, $1 por lanzamiento de nedas: Un juego se consid 1 tres moe ‘era “equitativo” si el jugudor, en promedio, queda empa cia esperada de cero define un juego equi tada. Por tanto, ina gan Las clemplos 4 y 4.2 se dsenan pata petmitir al lector obtener una mejor compronsién de lo que queremos decir por valor esperado de una a ra. En ambos cases kis variables aleatoritsson discretas. Sepuimon e A vaviable aleatoria continua donde un ingenicro se interesa en la vida modi de cicrio tipo ile dispositivo electednico, Esta es una ilustracion de problema de te po de falla que a menudo se presenta en la préctica: El valor esperado de la vida del dispositive ¢s un parimetzo importante para su evaluacion, Ejemplo 4.3 Sea X'la variable aleatoria que denota Positivo electronico, La funcidn de densidad de probat 20.000 Ps > 100 0, «cualquier otto caso, ble aleato. ‘un ejemplo flo Encuentre la vida esperada de este tipo de dispositive, SOLUCION Con el uso de la detinicion 4.1, tenemos 200, w= BX 4 20,000 20000 fmm we fm Por tanto, podemos esperar que este tipo de dispositivo dure, ex promedio, 200 horas. Consideremos ahora una nueva variable aleatoria eX). que depen decir, cada valor de g(X) estd eterminado al conocer los valores de X. or ejem- plo, @(4) podria ser X° 0 3¥ ~ 1, de modo quesiompre que X tome el vale 2,g(X) toma el valor g(2). En particalar, si V es una variable aleatoria disereta con distr buci6n de probabilidad /(x),x = —1,0, 1,2, y,g(X) =X? entonees Ple(X) = 0) = PLY = 0) =f, Pig) = 1) = P(X = -1) + POX = 1) = (-1) + fC), Plg(X) = 4] ~ POX = 2) =f) de modo que la distribuciéin de probabilidad de g(X) se puecle escribir come 4 +10) 72) a) 0 Agi = ao) | AO fi jn del valor esperado de una variable aleatoria, obtenemos (x)) = OF) + U1) + FO) + Af) WPA 1) + OFF) + APL) + AFA = gliseo,— ne bape Hoy = ElgO1 = DY ase) si Xes disereta, y Hee = Ele = J softs) de si¥ es continua, mplo 4.4 Suponga que el niimero de autos que pasa por un lay entre 4:00 p.m. y 5:00 p.m, en cualquier viernes soleado tiene la siguic cin de probabilidad: 6 1 8 9 1 1 1 1 1 2 4 4 6 6 Sea g(X) = 2X ~ | la cantidad de dinero en dolares, que ef administ dependiente, Encuentre las ganancias esperadas del dependiente en particular. SOLUCION Por el teorema 4.1, cl dependiente puede esperar recibir Elg(4)] = EQX ~ 1) => Re -1)f%) = os) + (5) ~ ai) +«i(}) + a(? = $1267. 0 Ejemplo 4.5 Sea X una variable aleatoria con funcién de densidad ¢ An -1 Somer (12) +(})+@(4) 5 Por tanto v= £00 -nomn QMO) =fDefinicion 4.5 Seccion 4.2 Varianza y-cevarianzs 99 Ejemplo 414 La fraccion de co piten en la maratén se describen me redores y la traccin ¥ de corredoras que com- ante la funcién de densidad conjunta By, O<¥S10 OY pyy le més discusién en ol ~1 Sb <0, (Véase el ejerdi ftulo 12, donde se trata le =o 1, Use i dofinicidn 43 de ln pi ions de Ia variable slestor 90, 93 para encon: AX del ejori i 7 de lap 2. Sea 5° una variable aleatoria con la siguiente dis tnibucion de probabilidad: fy 10302 Os Encuente 1a desviacion estander de X. 3. La variable aleatoria X. que represents el mime- ro de errores por 100 lineas de cédigo de programa- i6n, tiene le siguiente distribucidn de probabligad Rees Rs ue fay [oo 025 pa 03 om Aplique el teorema 42 y encuentte la varianza de 4, Suponga que ls probabilidades son 04,03, 02 y O11. cespectivamente, de que 0, 1,20 3 fallas de en Bia eléctrica afecten ciertasubsivisidn en cuslquic aio dado. Facuenire la media y la varianza de ln vac Fable aleatoria X que reprosenta el mimero de fellas de enerpia que afectan esta subdivision, 5. La utilidad de un distribuidor, en unidades de $2009, para un automdvil nuevo es una variable alea tora que viene la funci6n de densidad que se da en elejereiio 12 de la pigina 91. Encuentre la varianza dex. 6. La propoccién de personas que responden cierta fencuesta que se manda por correo es una variable aleatoris X que tiene Ia funcién de densidad que se da enel ejercicio 14 de la pégina 91, Encuenite la va vianza de X. 7. EL nimero total de horas, en unidades de 100 as, que una familia uiliza una aspiradora en un pe- iodo de un ano es una variable aleatoria que tiene ta funeion de densidad daa en el ejerocia 15 de pgina 91. Encucnire la vatianza de X 18. Con releenciaalejerecio 14 de le pigina 91,en cvenite oy, para tureion gk) = 3" 4 8. Encuentre la desvizcdn estindar de la variable aleatrin g(¥) = QX +1} del eerccio 17 en lap a9 10. Utlice tos resultados del ejercicio 21 de a pik na 92, y encuenire la varianza de g(X) =X, donde es una variable aleatoria gue tiene le funcion de ‘densidad que se da en el ejercicio 12 de a pigina 91. 11. EI tiempo, en minutos, para que un aeroplane oltenga vin libre pars atersizar en ciecto acropuerto ‘esuna variable slestoria Ia funcidn de densitad sey= (h* x0 en cualquier otro caso, Encuemtre la media y a varianza de la variable ale: totia ¥. 12, Eneuentre la covarianza de Ins variables alesto ras X'y ¥ del ejercicio 3 de la pigina 100. 19. Eneuentre la covarianza de las variables aleato- rias X’y ¥ del ejereicio 13 de la pagina 81 14, Eneuentre la covarianzasde Ins variables alesto- Fias X'y ¥ del ejercicio 8 de la pina 80, 15, Refigrase a las variables aleatorias cays funcion ‘de densidad eonjunia esta dada en el ejercici 4 de la ppégina 8), encuente la covarianza de X'y ¥. 16. Dada una variable leatorin X, com desviaciimes- ‘indar g, una variable aleatoria ¥ = a + be, mues- fre que si b<0, el eoeficiente de correleién Pay = LYSiD>D. ayy =‘Secci6n 43 Medive y variancas de combinaciones tnesles do veriabes lestoriss. 101 4.3 Medias y varianzas de combinaciones lineales de variables aleatorias Pesarrollaremos ahora algunas propiedades tiles que simplificarin los eflculos de tas medias y varianzas de variables aleatorias que aparecen en capitulos posteriores, Estas proptedades nos permitirin tratar con las esperanzas matemsiticas en relacin con otfos pardimetros que ya se conocen 0 que son faeiles de caleular, Todos los te. Sultados que presentamos aqui son vélidos para variables aleatories continua y dis- cretas, Las demestraciones se dan sélo para el caso continuo. Comenzamos con un teorema y dos corolarios que deben ser, de forma intuitiva, razonables para el lector. == Se Teorema 4.8 | Sia y bson constantes, entonces E(aX + b) = aB(X) +b. | PRUEBA Por definicién de un valor esperado, Biax eo) ~f tec roypod=af ssayas+ of frac La primera integral de la derecha es E(X) y la segunda integral es iguala 1, Por tan- to, tenemos E(aX + b) = ab (X) +b. vemos que E(b) = b. Corolario 2 | Al hacer 6 = 0, vemos que E(aX) = aE (X), Ejemplo 4.15 Mediante la aplicaciGn del teorema 4.5. la variable aleatoria disere- ta g(X) = 2X ~ 1, resuelva de nuevo el ejemplo 4.4, SOLUCION De acuerdo con el teorema 45, podemos escribir Corotario 1 | Athacer a EQX = 1) =2E(X)- 1, Ahora bien w= EQ) = xfs) = (i) + (2) + (6) * 6) + (6) + 6) =102 Copruto.s Experancn maomitica feorema 4.6 Por tanto, Fjemplo 4.16 Par nuevo el ejemplo 4.5, apliquese el teorema 4.5 a ta Variable aleatoria eon AN +3, SoLUCION En el giemplo 4.5 podemos u 4.5 para escribir re X43) = 46) 43 Ahora bien como antes, El valor esperado de a sum o diferencia de dos o mds funciones de una varia ble aleatoria X ¢s la suma o diferencia de los valores esperados de las funcio- nes, Es decir Pbs(A) © MCAD] = E1RCAD] © BALAI PRUEBA Por dciniciin.® F1g() = WO} = J Ugo) = MOnrey ax [sere [merge an ELROD] © EUACX)] { una variable aleator Fjemplo 4.17 ‘con a distribueién de probabilidad que sigue: ny | ‘ Encuentre el valor esperado de ¥ = (X ~ 1)',Secsién 4.3 Medias y varincas Mo «de combinaciones Uneales de variables aleatorise 4103, SOLUCION Al aplicar ol teorema 46 la tuncién ¥ = (X ~ 1), podemos eseribir BI — WF = BOP 2x +) = ar) — 260 + £4), Delcorolario 1 del teorema 45, E(1) = 1,y por eileulo directo £09=0(!)+00(!)6@ +0(!) <1 a= n(3) +a() +o + onl({)=2 De aqui BUX 1]=2- QL = Ejemplo 4.18 La demanda semanal de cierta bebida, en milesde litros, en una ca dena de tiencas es una variable aleatoria continua g(¥) =X" + X — 2, donde X tiene la funcidn de densidad {neh 1 ko para cualquier x > «+ ko 0 x= p— ko, tenemos que (x =p) = ka? en ambas integrales restantes. Se sigue que el wecpendes f werpeas yque140 Capiuios Esperance marematica yaya [p00 J Javed De agui Pl hr 6), SOLUCION (@) POA < X< B= PIS — (4)(3) < X-<8 + )B)) 1~ PX - 8] <6 =1-P(R-6 6) El teorema de Chebyshev tiene validez para cualquier distribueién de observa: clones y. por esta razén, los resultados por lo general son dbiles. El valor quc el 'eorema proporcionia es slo un limite inferior. Es doc, sabemon quc la probab dad de una variable aleatoria que cae dentro de dos desviaciones estindar de Ia ‘no puede ser menor que 3/4, pero nunca sabemos cuanto podria set en fe8- lidad. Sélo cuando se conoce la distribucion de probabitidad podemos determina Probabilidades exnetas, Por esta razon. lamamos il teorema resultado de distrib cin libre. Cuando se supongan distribuciones especificas en los capitulos sigue tes, los resultados seran menos conservadores. El uso del teorema de Chebyshev» 3 de ta paxina 100, encuer: tre le media la Varianza de Ia variable seatoria di = 3:0 ~ 2,donde 2 representa el nimero de = por 100 lineas de cédigo, 2. Con el uso de ls teoremas 45 49, encuentee ka media y la varianza de ta variable aleatoria Z 5. + 3.donde X tiene la distibucion de probabil dad cel eeteiio 4 en la pagina 100. 3. Suponza que una tienda de abarrotes compre ci: coenvases de leche descremada al precio de mayoren de $1.20 por emvase y la revende a $1.65 por envase Después de I fecha de caducidad, la leche que nn se vende se retra de los anaqueles vel tendero recibe un crédito del distibuidor igual a tres cuartos del precio de mavoreo, Si la istribueisn de probabildad de ta variable aleatoria ¥. ef nimero de envases que se venden de este lote, es Btn Set rye Ag 5 fin int eS W\is & & Bb B i eneueitre la uilidad esperada 4, Repitael ejercicio 11 de la pagina 100, con fa api: ‘acién de los teoremas 45 y 49. 5, Sea X una variable aleatoria con la siguiente dis. tribucién de probabilidad Encuentre £0) y (1) y desputs. con el wo dees fosvaiores,evalde £[(2X + 1) 6. Fi tiempo total, medido en unidades de 100 ho. fas, que un adolescente uiliza su estéreo en un perio ode un afo es una variable continua X que tiene la fuscicn de densidad Sfix)= 2 %, ice el teoremna 46 para evalua la media de la va ia Y= OX" + 39.X,donde es igual al _ ero de iowa hora que asia al fo. o0 0, en cualquier otro caso. Determine (a) Laduracion media [E(X)] de este tipo de conver- sacién telefonica. (b) Encuentre la varianza y la desviacién esténdar de X. (c) Encuentre E(X + 5), 5. Refigrase a las variables aleatorias cuya funcién de densidad conjunta esté dada en el ejercicio S de la pagina 80, encuentre la covarianza entre el peso de las cremas y el peso de los chiclosos en estas cajas de cho- colates. 6. Refiérase a las variables aleatorias cuya funcién de densidad conjunta esta dada en el ejercicio 4 de la pagina 80, (@) encuentre py y py: (b) encuentre E[(X + ¥)/2] 7. Suponga que se sabe que la vide X en horas de un compresor particular tiene la funcién de densidad 1 {= sye 0, X20 en cualquier otro caso. (a) Encuentre la yida media del compresor. (b) Encuentre E(X*). (c) Encuentre la varianza y la desviaci6n estandar de la variable aleatoria X. Seceién 4.4 Teorema de Chebyshev 113. 8. Refiérase a las variables aleatorias cuya funcion de densidad conjunta esté dada en el ejercicio 5 de la gina 80, encuentre el peso esperado de la suma de las eremas y los chiclosos si se compra una caja de es- tos chocolates, 9. Muestre que Cov(aX, bY) = ab Cov(X, Y). 0. Considere la funcién de densidad del ejercicio 7 anterior. Demuestre que el teorema de Chebyshev es vilido para k = 2y k= 3. 11. Considere la funci6n de densidad conjunta 8G) x>2 en cualquier otro caso. Ay) = 2p, Osys =0, en cualquier otro caso. Caleule el coeficiente de correlacin pyy 12. Considere las variables aleatorias X y ¥ del ejer- cicio 15 de la pagina 111. Calcule pyy 13. La ganancia de un distribuidor en unidades de $5000 en un automévil nuevo ¢s una variable aleato- ia X que tiene ta funcion de densidad 4 f20-%), 0 4 | El nlimero X de éxitos en 1 experimentos de Bernoulli se denomina variable aleatoria binomial. La distribucion de probabilidad dé esta variable aleatoria discre- ta se llama distribucién binomial, y sus valores se denotaran como (x: n.p), pues dependen del niimero de pruebas y de la probabilidad de éxito en una prueba da a. De esta forma, para la distribucion de probabilided de X, el nimero de defee= tuos08 es, 9 PCR = 2) = JQ) = 60:33) = Generalicemos ahora la ilustracién anterior para obtener una férmula para :n.p), Fs decir, deseamos encontrar una formula que dé la probabilidad de x (os én 7 prucbas para un experimento binomial. Primero, considere la probabi Jidad de-x Exitos yn — x frocasos en un orden especifico, Como las pruebas son in dependientes, podemos muliplicar todas las probabilidades que corresponden a los diferentes resultados. Cada éxito ocurre con probabilidad p y eada fracaso con pro- babilidad q = 1 ~ p. Por tanto, la probabilidad para el orden espeetfico es p'q" Debemos determinar ahora el ndmero total de puntos muestrales en el experi mento que tiene x éxitos yn ~ x fracasos. Este niimero es igual al niimero de particiones de 1 resultados en dos grupos con x en un grupo yn — x en el otro.148 Capitulo 5 Alguras distrbucionos de probabiided discret 4 debe ("). Com estes paticiones son mutuany te excluyentes, sumanios is Probabilidades de todas las diferentes particiones para obtener la fOrnula general o simplemente mutpicamos p’g" “por ") Un experimento de Bernoulli puede tener como resultado un éxito eon prot bilidad p y un fracaso eon probabilidad y = I — p. Entonces la distribueidn de probabilidad de la variable sleatoria binomial X, el ndimexo de éxitos en n pre- Notese que cuando n= 3 y p = 1/4, a distiibucidn de probabilidad de X, e arimero de defectuoses, se puede escribir como, boone oe ). ¥ después utilice e! teorema de Chebyshev para interpretar el intervie Como el ejemplo 5.5 fue un experiment binomial con n = 15 y p = 014, por el e0- rema 52, tenemos H= 1904) =6 yo? = (15)(0A)(06) = 3.6. Al tomar la ratz cuadrada de 3.6, encontramos que o = 1.897, Por tanto el interva: lo que se requiere es 6 * (2)(1.897), 0 de 2.206 a 9.794, EI teorema de Chebyshev firma que el ndimero de recuperaciones entre 15 prcientes sujetos «1a enfermedad mencionada tiene una probabilidad de al menos 3/4 de ener entre 2.206 y 9.794 0, ‘como los datos son discretos, entre 3 y 9 inclusive,Seicidn 8.3 Disribuciones binomial y multinomial 924 Como el lector se pucse dar cuenta ahora, én muchas aplicaciones hay mas tie dos resultados posiles. Para tomar un ejemplo del came de in, genética, el co- ‘de los conejillos de indias pueden ser rojos, negros o blaneos, A menudo la dicotomia “defectuaso” 0 “no defectuoso” on de ingenie- fies ciertamente una gran simplificaciGn. En realidad, con frecucnely hay mas de deca £0798 Que caracterizan anteulos o partes que siten de una lines de pa duccién, Experimentos multinomiales Elexperimento binomial se converte en un experimento multinomial si cada prue ba tiene mas de dos resultados posibles, For ello la clasificacion de un producto fa bricado como ligero, pesado 0 aceptable y el registro de los accidentes en iene Grucero de acuerdo con el dia de la semana constituyen experimentos multinomia jes Extracr una carta de una baraja con reemplazo también es un experimento mul tinomial si los cuatro palos son los resultados de interés. En general. si una prueba dada puede tener como consecuencia cualquiera de los k resultados posibles E;, £,,..., &, con probabilidades p,.,p.....p,.entonces ‘2 distribucién multinomial dara la probabilidad de que E, ocurra x, veces, fra x; veces, ...3¥ E, ocurra x, veces en n pruebas independientes, donde Denotaremos esta distribucién de probabilidad conjunta como IO 90. HEP) Paseo Pas Cameieyrie + resultados posibles. Sa see sl gro proeor cre ns aba po ‘mo las pruebas son independientes, cualquier orden especificado que produzca x, resultados para £,. x para E5.....x, para E, ocurriré con probabilidad Pippi. El nimero total de Grdenes que den resultados similares para las n Dru e igual al nimero de partciones de prucas en k grupos cons, en el primer grupo; x, en el segundo grupo; ..; y x, en el k-ésimo grupo. Esto se puc- de hacer en 1, pues el resultado de cada prucba debe ser uno todas las particiones son mutuamente excluyentes y ocurten con igual frobabad bene aso mln tale ia potas ‘Para un orden especifico por el niimero total de particiones,122 Dist ‘multinomial bilidades p,, ‘leatorias ae £@ La distribucién multinomial deriva su nombre del hesho que los t expen valores de Ejemplo $.7 Sise lanzasei ‘Si una praca dada puede conducira los k resullador E,. E, 1px, entonces la distribucién de probabilidad de les variables X,, que represeaten el nimero de ocurrencias para Benn pruebas independicntes es iP Ps ‘én multinomial de (p) + p. + Coptul 5 Alpunaseistibuciones do probatilidad discrete Bon proba pa =(.)piptore rminos dela ~ p,)' eoriesponden a todos los posibles PRED Dive Pats veces un par de dados, zeus es la probabilidad de ob. tener un total de siete u 11 dos veces. un par igual una ver y cualquier otra combi nnacién tres veces? SOLUCION Listamos los siguientes eventos posibles, Ey ocurre un total de Ez oeurre un par igual E2 no ocurte ni un par nium total de 7 u Las probabilidades correspondientes para una prueba dada son p, YP, 200 a.1a:2.2, A 136 1g Ejercicios ~2N1N3t 9 618 /9, ps = 1/6 LI/18. Estos valores permanecen constantes para todas las seis prucbas. Al usar fa distribucién multinomial con x, = 2 probabilidad que se requiere es = Lyx, =3,encontrames que le ~is)l5) la) (i) ot B. fs oni = 0.1127, SSS 1. Se velecciona un empleado de un equipo de 10 ara supervisar certo proyecto mediante la sekeceién de una tiqueta al azar de unm caja que contiene 10 tiquetas numeradas del 1 al 10, Encuemte la formu fa para la dstribucin de probabiidad de que re- Cust resenta el nimere en Ia etiqueta que se saca a probabilidad de que imence que 4? 2, Se dan dos altavoces idénticos a dove personas Para que escuchen diferencias, si hay alguns, Supon= 2 que estas personas tesponden slo axivinando, En- Centre ia probabilicad de que tres personas airmen escuchar una diferencia entre los des altavores 3. Fncuentre la media y a varianza de la variable aleatoia Nel gercico | ;‘Steeibn 5.3 Diswibuciones binomial y muhinomiat 5. De acuerdo con la Chemical Engineering Pro- gress(noviembre de 1990), spronimadamente 3% de todas las falls de operacién de tuberlas en planias quimieas son oeasionadas por errores del opetalor (@) {Cuil es la probabilidad de que de las siguientes 20 alas al menos 10 s» deban a error del opetalox? (b) :Cuil es la probatitidad'de que no mis de uatto de 20 fallax se debas a error del operador? (6) Suponga, para uns planta particular, que de la smucsira aleatoria de 20 de tales falas xactamemte in cosean errores do eporacion. ;Consilera que la cia <4e30% anterior se aplique 0 est planta? Comemte 6, De acuerdo con una investigacin de Ia Adminis: ‘ative Maragement Society, Ia mitad de las compa- ‘ies estadounidenses dan 2 sus empleados cuatro, semanas de vacaciones despues de 15 sftos de traba- Jaren la compania. Encuentre la probatilidad de que entre seis companias investigadas al azar, el namero {que ds asus empleados evatio serianas de vacaciones despues de 15 afios de sewvicio es (a) cualquiera entre dos y cinco; (>) menor que tres, 7. Un prominente médico afirma que 70% de las personascon cincer de pulmén son fumadores empe- ‘emis Si su aseveracidn es correcta (a) excusnire la probabilidad de que de 10 de tales Pacientes admitidos recientemente en un hospital ‘menos dela mitad sean fumadores empedernides (b) encuente a probabiidad de que de 20 de tales pa lentes que reciemtemente hayan ingresado aun hospi- fal, menos dela mitad sean fumadores empedernides, 8. De acuerdo con un estudio publicado porun gra ode socislogos de Ia Universidad de Massachusets aproximadamente 60% de los sonsumidores de Va- lium en el estado de Mastachusettstomaeon Valium or primera ver debi a problems psicolpieos F Cuenta probabilidad de que entre lo siguientes cho consumidores entrevistados de esto estado (8) exactamente tres comenzaron a tomar Valium or problemas pricoldgices: {(b) al menos cinco comenzaron a consumir Valium PO" problemas que no fueron psicol6aicos, 123 8. Alpobarceta case de acumtico para camiin cn tn terreno escabroso,seencuenta qu 25% de los ‘amiores no completaban la prueba si poncharas De los siguientes 15 camiones probidos.cncetre la probatidad de que (2) de tes aes tengan ponchadurass (0) mienos de caateotergan ponchos (©) mis de cinco tengan ponchadurs, 40, De acuerdo con un report pli ena revis 43 Parade. una encuesta a nivel ncional del Univer. dad de Michian « estudiantes unversitarios de sitio af tevela que cas el 70% dessprachan el ‘omsumo diario de moriguana.Sise sclecconan I2es- ludiantes al azar y se les pide sv opin, encuentre te prokatilidad de que et mimero de lo que desa- ‘ruchan fumar mariguana todos ls dit sea (a) cualquier vor de siete a ausves (0) alo miscinco (6) nomenos de echo. MW. La proboilidad de que un paciente w ecupste dle una deicada operciondecorain es 09. Castes Is probabildad de que exsctamente cncn de oe si fuientes siete pacientes intervenidossobrevvan? 12. Un ingeniero de control de trafic reporta gue 78% de fos sohiculos que posin por un pan deve riiecion son del interior deleted. {Cul els pro bubiidad de que menos de cuatro ds lon siguientes de otto ested reve vehictlos se 18, Unestudio examinolasacitudes nacionalesacer- cx de los amtidepresivos. El estudio revelo que apro- ximadamente 70% cree que os “antalepresivos en realidad no curan natta, soto encuben el problema real, De acverdo con este estudio, jel est proba bilidad de que al menos tres de tas siguientes persons selecctonadas a azar Sean de esta opinion? 14, Sesabe que el porcentaje de victorias para que et equipo de baloncesto Toros de Chicago pasira a las finales en la temporada 1996-97 fue 87.7. Redondee 8.7 a 99 afin de wiizar la tabla A.| (a) {Cuales la probabilidad de gue los Toros ganen los primeros cuatra de los sete de l serie fi (b) {Cul es la probabilidad de gue los Tores ganen tesla serie final? (6) (Qué suposicicn impor festa las partes a yb? 15, Se sabe que d% de los ratones inocula eo ‘un svero quedan proteridos de cesta enfermedad. se inoculan cinco ratones,encventre Ia probabilidad eave (4) ningun contraga ta enfermedad; le se realiza pata con:124 captube 9: sigunes eiseibsciones ée probabilited discrete (b) menos de des eon (6) mis de tes vontral 16. Suponga que los motores de un aeropleno ope ram de forma independiente y fallan con probubilidad ‘gual a 04, Suponga que un avion ten un suelo se uo 3 fone os ln mitad de sus movores, determine un avion de wuairo motores uno de dos tiene la probabfidad mds alta de an vuclo exit Si.Xrepresentae! numero de personas del clo 13 que creen que los antitepresivos nocuran sino ue seloencutres el problema rea, encuentre ta me diay fo se selecionan a tanco personas y- lespues utile et teorema de Chebyshev pars interpretarelinervalo p= 27 1B. (a) {En elejereeie 9 cuantos delos 13 eamones cxperarta que tuviera ponchaduras? (©) De acuerdo con le Chebyshev, hay tuna probabitdad d ide que el numero de camiones entre los siguientes 15 que tengan pon: ‘chadurascaiga en cual mtervalo? 18, Un estudiante que maneja hacia su eseu ‘euentra un semsfora, Este semaforo permanece ver de por 35 segundes, amar cinco segundos y roo 60 segundos, Suponga que el estudiante va ala escuela {ods la semana entre 800 y 8:30. Sea X, cl numero de veces que encuentra una luz verde, Xsel miimero de veces que encuentra una luz ambar y el numero de veces que encuentra una hz roja. Eneueate la dis tribucién conjunta de X;,.X,y X 2D, De acuerdo con el periddico USA Today (18 de ‘marzo de 1997) dle cunteo millones de trabajadores en Is fuerza de trabajo. 58% resulté positivo en una prucha de drogas. De los que resultaron positives, 22.5% fueron usuarios de eocaina y 54.4% de mat gana, (2) ;Cuslesla probabilidad de que de 10 trabajado es que resutaron positives, dos sean ustarios de eo ‘aina, cinco de marignana y tres de otras drogas? (b) {Cuil esta probabilidad de que de 10 trabajado res que resuitaron positives, todos sean wsiarios de smariguana? (©) {Cuil es la probabitdod de que de 10 trabaj Fes que resullaron positives, ninguno sea usuario de cocaina? 21. La superficie de un tablero circular para dardos tiene un pequeno cieulo central Hamado ojo de buey 120 regiones en forma de retanada de pasel nume- ‘adas del | al 20. Cada una de las regiones en forma de rebanada de pastel esta dividida en tres partes de ‘modo que una persona que larza un dardo quecae en lun numero espectico obtiene un pune igual a ya. Jor del numero, el dale del numero 0 el triple dee te, segum em cual de las tes partes ene el dando. Sung persona atin al ojo de buey con probabiidad Gat ‘un doble con probabitidad 0.10, un triple cor ida 0.05 y no te auina a tablero on probaly aes la probabilidad de que sete lanzy sin eentro, ning Usple, an doble don secs yuna fala wompleta? so con la worla geneica ciettacruza de Conejos de indus tend eras rojas, negras y Han ncuenire la probabiidad de rojas, dos negras y 23. Las probabilidades de que un delegado a cer ‘omnvencicn legue por ate, autobus, automovl tren son 0-4, 02,03 y OL, respeetivamente. {Cuil es probailidad de que entre nueve delegados a ests ‘convencion seleeconados a azar, tres leguen por ai fe. es por autobus, uno en automovl ydes en tren? 24, Un ingeniero de seguridad afirma que soo 40% ‘de todes tos trabajadoresutilzan eascos de seguridad jo almuerzan en el lagar de trabajo, Saponga {ue esta afirmacion es cierta, encuenire la prabbil- dad de que cuatro de seis trabajadores elegidos al ‘var utcen sus eascos mientras almuerzan en l ie ‘gar de trabajo, 25. Suponga que para un emborque muy grands de chips de eiteuitosintegradas, la prohsbiiad de fall ;para cualquier chip es 010, Suponga que se camplen las supesitiones en que x hasan las dstribuciones by nnomiales encuentre la probabildad de que alomis {tes chips fallen en una muestra aleatoria de 20. 26. Suponga que seis de 10 aceidentes automovilit ‘cos ss eben principslmente «na violacion delim te de velocidad, encuentre la probabilidad de que centre otho accidentes automovilistcos ses se deb principalmente a una vielacin del limite de velocidad (a) mediante eluso de a formula par la distribusion binomial: (b) con eluso de fa tabla binomial 22, Sila probatytidad de que una luz fuocescente ten ‘88 una vid util deal menos 890 horas es 09, eneaem> tre as probabilidades de que entre 20 de tales uces (@) exactamente 18 tengan una vida vtil del menos 0) horas; (b) al menos 15 tengan una via wt de al menos horas: () al menos dos no tengan una vida tilde al menos P 800 horas,Seicion 54 Oistibucion hipergeométrica — 125 28. Un fabricante sabe que en promedio 20% de ox tostadores electricos que fabrics requerirn s ciones dentro de un aito despugs des ver ddose seleccionan al azar 20 tostadores. cachet Umcr0s-« yy apropiados tales que (4) le protabitidad de que al menos x de elles requie Fa ran reparaciones sea menor que 9.3 Cuan: (6) Ia protubidaa de que al menos y de ellos aor fos quieran reparaciones sea mayor que O3, 5.4 Distribucion hipergeométrica {a manera mis simple de ver la diferencia entre la distribucién binomial de la xe Gon 53 ya distibucion hipergeomeétricaesté en la forma en que we realiza ol mack tuto. Los tipos de aplicaciones dela distribucién hipergeoméirica son muy sanilacy alos dela binomial. Nos interesamos en el ede le probabilidates pure el mine ro de observaciones que caen en una categoria particular, Pero en eleano de ib mal. se require la independencia entre kaspruchs. Como resultado sap {a binomial a. dizamos. tomar mussiras de un ote de arieulos (Dara lotes ticulos producids), el muestreo se debe efecuar con reemplazo de cada artcclo después de que se observe, Por otto ldo la distibucion hipergeoméirica norequie, reindependencia y se basa en el muestreo que se realiza sn teemplare Las aplicaciones de la distribucton hipergeomética se encuentran en mochas reas, con gran uso en muesireo de aceptacién, prucbas electronica yarantar de calidad. Obviamente, para muchos de estos campos el mucstrca se re sas del articalo que se prueba, Es decir el de_reemplaza Asi, ef muestreo sin reemplazo es necestrio, Utilizames un ejemplo simple eon bat on leseamos encontrar la probabilidad de observar tes cartas rojas en cinco ex: ciones de una baraja ordinaria de $2 carta, la dstribucion binomial de la see cin $.31no s¢ aplica a menos que cada caria se reemplace y que el paquete se beraie antes de que se extraiga la siguiente carta, Para resolver el problema de mucstrear Sin reemplazo, replanteamos el problema. Si se sacan cinco eartas al azar, nos ne Fesamos en la probabilidad de seleccionar tres eartas rojas de las 26 disponibles y a aexpen- lo se destruye y por ello no se pue- Fen la muestra °6 dos ners de as 2cartas eas de qe dpone abr Hay (°) frase Icecionar tres cartas rojas, y para cada una de estas lormas poxtemos elegit dos car tas n F cualesquiera cinco cartas de las 52 disponibles ex 19 total de formas de seleccioy cuales tres sea dada por rojas y dos negras est (3)(2) _ asysr2snasy2s20 (2) ’ (5821/5147!) 0.3251126 Capitulo 5 Aiquoas dstrbusiones de probabld diserora En general, nos interest la probabilidad de Seleccionar » éxitos de los Karte los comsiderados como éxito yn ~ vfracasos dle lox N ~ earsieulos que se coi "an fracasos cuandose selecciona tna muestra aleatonia de tamano n de Nanieale, Esto se eonoce como experimente hipergeameétrica: es decir. uno que posce ng siguientes dos propiedades: 1. Se selecciona sin reemplazo una muestra aleatoria de tamano a de W artiuios, 2, k de los 1 articulos se pueden elasticar como exitos y NV ~ k se clasifican como fracases. EI numero X de exitos de un experiment hipergeométrica se denomina varia ble aleatoria hipergeometrica, Ein consecuencia, la distribucidn de probabilidad de la variable hipergeomética se lama distribuci6n hipergeométriea, y sus valores sg denotan como ii(x: Nn, k), debido a que dependen del niimero de éxitos k en ef conjunto WV del que seleccionames n articulos. Ejemple 58 Se selecciona al azar un comité de einco personas entre tres quimicas 1 ¢inco fisicos. Encwentre ta distribucién de probabilidad para ef numero de quim. cos.en el comite soLucioN Sea la variable aleatoria X’el mimero de quimicos en el comité, Se satisfacen las des propiedades de un experimento hipergeométrico, Por ello P(X = 0) = W(O:8, POs Go ee En forma tabular ta distribucksn hipergsométrica de X es como sigue: P(X = 3) = (85,3) =Disritcién hipergeométrica ‘Section 54 Disinibueion hipergeomstica 127 uz

15) =~ PUK = 15) =1— 3 p(s 10) - 09513 0487. Como Ia distribucion binomial, la distribucion de Poisson se utiliza para con trol de calidad, seguro de calidad y muestrea de aceptacién. Ademas, ciertas distri- buciones continuas importantes que se usan en la teoria de confiabilidad y teoria de colas dependen del proceso de Poisson. Algunas de estas distribuciones se discuten y se desarrollan en el capitulo 6. = La media y la varianza de la distribucién de Poisson p(x: At) tienen el valor At esa Tae ais que a eg eclas Aioup =e Podmore Ba = 3S so a mt TG Ahora bien, sea y = x — 1 loque da FEN = 0 = puesto que SSE = S62 La varianza de la distribucion de Poisson se obtiene al encontrar pri apex n= Soe 9138 Captulo § Algunas dstrbusiones de probybilded discrom © Bon Al hacer y = x = 2, tenemos aac n= wn P= PX De plo 5.16, donde Ar = 4, también tenemos «= 4 y por ellos a Con el uso del teorema de Chebyshev, podemos esiablecer que nuestra variable aleatoria tiene una probabilidad de al menos 3/4 de caer en el intervalo w= 2¢ = 4+ (2)(2),0 de 0.4 8, Por tanto, eoncluimos que al menos tres cuartos, de las veces el mimero de particulas ‘que entran al contador esta valor entre Dy Sdlurante un milisepundo dado, Distribucién de Poisson como forma limitante de la binomial Dete ser evidente de los tres prineipios del proceso de Poisson que ta distribusién de Poisson se relaciona eon Ia distribucién binomial. Aunque la de Poisson por I jeneral encuentra aplicaciones en problemas de espacio y tiempo como se usta ‘con los ejemplos 5.16 y S17. se pede ver como una forma limitante de ka distiba- cién binomial. Fn el caso de ta binom Sines bastante grinds y p os pues an snl as impliacin LL independoncia cre ls prosbas de Bemoull cn Cl eso binomial cs consistent con la propiedad 2 del proceso de Poison. Sis eal pardmctr cercan a sro se relaciona con la propiedad 3. a realidad, dete ‘aremos ahora fa dstribucion de Poisson como forma timitante de la distribucdn binomia cuando n +, p 0, np petmanece eonstante, De ag, sin es grande ¥ p cercana a0), se puede usar la distibaciin de Poisson, con, = np, para apr ximar probabilidades binonvses. Sip es cercana a1, atin podemos utr la dit tribueiin de Posson para proximar probabilidades binomiales mediante ¢ itercambio de lo que definimos como éxito y fracaso, cambiamos con ello pat valor cereano a0 ‘condiciones comes 1 de espacio continuo o regién tem poral del proceso de Poise toria binomial con distribucién de_probabilidad don >, p+ 0.¥ = np permanece const Teorema 86 | Sea X una variable al Blein.p).€ Don. p) > por PRUEBA Lo distribusicn binomial se puede eseribire Fl = ire nin Dern x41) 1 blimp) ("e “t= pil — py‘Secon 56 Distibucién de Poison ypocese de Poisson 39 Al sostituic p = p/n, tenemos nln = 1) 4 Way pye bixin.p) et ey 8) ai ~~). 2) 0-4) Contorme n — 2 mientras x y w permanecen constantes. : wees ty (1-2) = wo ff) meta) ) ninguna vert 4, Encuenire la probabilidad de que una persona {que lanza ura moneda obienga (a) la tercera cara en cl séptimo Janzamiento140 capitulo Algunws distriouciones de probabitdet discret (8) ta primera cara 8. Tres persomastanzan uns monday eli pps les cues. Si tots las monedas tenn el mismo resultado, se larva ale nuevo, Encucrite la cba dd de que se ncesiten menos de cuatto Lanianventos, 6. Deeuetdo con un estudio pubdicado por un sr pode soeiologos de a Univetsiad de Massachusetts serea de dos teres de Tos 20 millones de personas ue on este pais constinen Vali tre ln probabil pressripeion de Valium 9 {3) la primera que preseribe Val para una jet (b) a fercors que prescribe Valinmy para une 2 Lape aprucbe el examen escrito para ama hiceneis de pie to privat es 07 Enctentte ln probubitatat de que ili de que un estudiante para pilot elestudiante apruche elexamen Ga) ene tercer intent: (b) antes del curt intent. 8, En promdio en ciert interseeion ocurren res feidemtes de tinsto por mes. {Cuil esl {6} ceurran at menos dos aceientes? 9. Una sccretariacomese das exrores por pigina,en promedio. :Cusl ¢s la probabildad de que en la si suiente pazima cometa (a) cuatro 6 mis exrores? (b) ningun exror 10. Cierta toa del este de Estados Unidos resul con promedio, afectad ccucnire la probabilidad d Grea roasltenfectada po (a) menos de cuatro huracanes; (b) cualquier cantidad entre seis 2 ocho huracanes, chal. 14. Suponga que la probatibidad de que una perso na dada crea un chisme acerca de las ira de cierta actriz famosa es 08. ;Cusl es la probabil dad de que {a) la sexta persona en eseuchar este chisme sea cuarta en creerlo? (b) la tercera persona en escuchar este chisme se primera en ereerlo’? 12. Fl nvimero promedio de ratas de can ‘en un campo de cinco acres de trigo e ex Encuentre la probabilidad de que se eneveniren me fon de siete ratas de campo, (a) en un acre dads [b) en dos de tos a Mes es ASHES Ee Insp 13, Fl chet de un restau Encuentre ha probabil _us de cinco (a) en un dia dado; I) en tes de tos [e) por primera ver en abril etd 5, probabitidal de que una person, sir inte in ¢S OD. Encuentre probabilidad de gute mueran mene de cinco de lo fuentes 2000 fceundos de est forma a que, en promedio, ana persona en 100) reo mumsrico al preparer su declarai uestos Sse seeesionain 10,000 formas al azat 1 se ekaminan. encuentre la probabilidad de que 6,7 w8dela jontengan form 16. Se sabe que la probubilidad de que un estan, te de una preparateria loal presente excoions (eu ade a espin dons) eS O00. De los siguientes 1875 estudiantes que se revisen en bisque de esen- lows, encuentie la probabil de que nos de cinco presenten ‘que representa cl mimero de penonis feccide respratoria en (h) De os un proba de personas que moritin entce las 200) meta ct ro con ol teorema de Chebyshe, bay ia de al menos 3/4 de que el nimend fg dentro do jousl interval 18. (0) Encuenire la media y la varianza dela varie ble aleatorin , que representa el mimeto de pers ras entre 1,080 que cometen un etror al prepara ‘declaracion de impuesios en el jerecio 15. (b) De aeuerdo con el teorema de Chebyshey, hay tuna probabilidad de al menos 8/9 de que et nme de personas que cometerdn errores al prepara st dedlaraciones de impuestos entre LOAN) est ent de jeu intervalo? 19. Un fabricate de automdvites se preoeyps pet J mecanismote reno de un metelops ticular, Li fala pede cause en nares oeasiones catistrofe wala velocitad. Suponga que hit «idm del mdimeto de autos por ae que experi {i fala una sariable sleatoria de Poiston cm‘Se*2i0n 5.6 Distbucin do Poisson v proceso de Peeson (a) :Cudl a probabibdad ds que, a too tos por ao sufran una catistrofe? (b) .Cuates la por ao experimen mis de un ate © uni catéstrofe? 20, Los cambios en los procedimientos de los aero ppuertosrequicren ana pl ilerable. Los tor impor tante que © debe tomar en cuenta, Suponga que los aviones pequiosIegan a cierto aeropuer to. de seus ‘do.eon un proceso de Poisson, con tn por hora, De esta elparametro de Passon pa. ‘alas egadas-en un period de rhorases A ~ er (a) mc uni defestucox en el teomanto oh que do des defectuonae se cncucriran en meta de 15,6] pocesa w= dette, Ete pronedimiensase wile fi fa proporsionar una setalen eno de que bs probabi- Fad de unidadosdefecuoes aumene (a) {Cuesta probabiidad de qu en un di aoe! Process de presuecién so detonga? Suponga 5% de tides defccrueeas) : {b) Supongs ue la probabidad de ura unided de fectuons atmenta a 607. {Cuil ela probabil de ‘cen algn dia dado el proceso de procin 90 56 tenga? 2 Se exnsidera par la produccion uniimiquinsa0- Aomatca de solar. Se consigerr para su come si 6 exits en 9% de sos solladurs. De otra mane {8.1056 womideraficent. Se leva acabo la ri a de um protetipo que realizar 10D scldaras La Aiquina we aceptar pra a prsccion sno fll Id de trex soldadura. (2) {Cuil es la probabilidad de que se rechace una Ihuera mquina? (by {Cust es Is probubiidad Ue que se acepie una xiquina ineficists con 35% de soldadaray exits? 3. Una apencia de renta de coches: toocal tiene disponibtes cinco Ford, sete Chevrolet cuatto Dede, tes Honda y euatio Toyota, Sil fagenciaselecciona al azar neve de estos aos pac transportar delegados del actopuerto al centio de ‘convenciones del centro de lo ciudad, eneuentre la probubilidad de que se uillcen dos Ford, tres Ch vrolet, on Dedge, un Hongda y dos Toyota, on wn promedio de 2.7 Hamada por minuto, En feuonir la probabil de gue (a) Meguen:no mas de evatro Hamad ‘minuto (fy) Heguen menos de dos Hamadas en cualquier mi: nuio: (€) Moguen mis de 10 llamadas-en un period de: cen cualquier142 5. Una empress de elettrénica afirma que la pro- Porcicn de anidades defectuesas decir proceso cs Un compmador tiene an procediniento estindar para inspeetionar 15 uniades que seleeiona al azar de un ote grande. Ea una ocision particular, con autor excucnira cinco artculos defect woses. (a) {Cua es laprobabindad de esta oeurrencia, dado que la atiemacion de 3% de Geteetuows es comes () ual seria su reaecon si fuera et eomprador soar falny puede er acess eemplara. Sete quc el apoio etatsactorn 5 on pre edo na comete mis d¢ 0:0 erores por her, Se tigen peiodo particulr dé cince bons come peta” dt depen. Si no rut my dun cir el dss seconde satactrin (@) Caleta probaiiad de goo un dipostvo sa thlactoro se comidere gue no lo es sobre le ise de Tnpracha? Sopong qe exten pocesodePaison (b) =, y =~ = Hemos reducido ahora ol nimero que se requiere de tablas de reas de curva normal a una, lade la cisteibucién normal estindar, La tabla A.3 indica el drea bax jo la curva normal esiandar que eorresponde a P(Z ~ 2) pata valores de z que Van dle ~3.49 a 3.49, Parailusrar el uso de esta tabla, enconttemos la proabilidad de que Z sea menor que 1.74, Primero, localizamos un valor de z igual a 1-7 en la co- \ent150 capitulo 6 algunas estibuciones cortinuas de probaiiand Juma iaquierda, despues nos movemos a lo largo del renglon a la columns baje 0.04, donde leemos 0.9591, Por tanto, F(Z < 1.74) = 0.9991. Para encontrar un ys, Jor z que corresponda a una probabilidad dada, el proceso se invierte, Por ejempla, cl valor : que deja un drea de 0.2148 bajo la curva a la vaquierda de z se ve que ey ~079, Ejemplo6.2 Dada una disteibue va que yace (a) a la dereel SOLUCION (a) El.érea en la figura 6.(a) ala derecha de z ~ 1.84 es igual a 1 menos el érea ea la tabla A3 a la izquierda de : = 1.84 a saber, 1 — 0.9671 ~ 0.0329, (b) El area en la figura 6.9(b) entre 2 = — 1.97 yz = 0.86 es igual al drea a ls ix. ‘quietda de z = 086 menos el érea a la izquierda de: = ~ 1.97. Dela tabla A3 cencontramos que el rea que se deses es OSI51 — 00244 = 0.7807. ‘normal estndar, encuentre el étea bajo la cup US y(b) entre: = —1.07y 2 = 0.86 ———— — ee ° Tee a7 @ ry Figura 6.9 Aroas pars el ejamplo 62. Ejemplo 6.3 Dada ung aistcibucion normal estindar, encuentre el valor de & ta que (a) P(Z > k) = 03015, ¥ (b) P(k < Z < —0.18) = 04197. ‘soLuciON, (a) En la figura 6.10(a) vemos que el valor k que deja un area de 0.3015 a la dere- cha debe dejar entonces un drea de 0.6985 a la izquierda. De la tabla A3 se se ‘gue que k a Figura 6.10 Areas psSeecion 6.3 Areas bao ta curva oral 5A () De la tabta'A.3 notamios que cl drea tota's In inquierda 6 —0.18 65 ‘gual a Gao Fa la fgura6.10(0) vemos que el érea entre ky ~0.18 es OAIST oa fe grease iequicrda de & debe ser 0.4286 ~ (4197 = 00089, Por tare de la tabla A.3, tenemos k = Elemplo 64 Dads una distibucién normalcon 4 = 0 @ = 10, encuente la pros babilidad de que X tome un valor entre 45 y 62. ae SoLUCION Los valores z que corresponden a.x, = 48 y x, ~ 62 son 45-50 a-%0 fs ae = 220 0 DS a ye th Por tanto PUSS X< 62) = P(-05 <2 <1) 05042 ® Figure 0.11 Area para el ojemplo 6. La P(~0.5 < Z < 1.2) se muestra por el drea de la regicn sombreada de la figura 6.11. Esta drea se puede encontrar al restar el érea a la izquierda de la ordenada = = ~05 de toda el érea a la izquierda de z = 1.2, Con el uso de la tabla A, te hemos PUS 362), necesitamos evalvar el érea bajo la curva normal a la derecha de x = 362. Esto se puede realizar al transformar o=80 ATT Rg aes” Figura 8.12 Area ara el eeompin 65.182 Capituio® Algunas distrouciones continues de probabilided AS y despues re 362 al valor < correspondiente, al obtener el dea a laizquierda de 7 de a tatu esta drea de 1. Encontramos que 362 — 50 De agui P(X > 362 (1075, 0 ) = PZ > 124) = 1 — PZ = 1.28) = 1 — 0.8925 De acuerdo com el eorema de Chebysher, la probabilidad de que una varabie slestoria tome an valor dentro de dos desviaciones estandat de la media es al me, no 3/4 Sila variable aleatovia tiene una distribucion normal, los valores : que es, Mresponden ax, = ye ~ 2eyx; = w+ 2orse caleulan fécilmente y son = = 20) — \ (ut 20)—u_ De aqui Pn ~20 43) = P(Z > 15) = 1 ~ P(Z < 1.5) = 1 ~ 0.9332 = 0.0668, Por tanto, 6.68% de los resistores tendriin una resistencia que excede 43 ohmios, & Ejemple 6.12 _Encventre el porcentaje de resistores que exceden 43 ohmics para él jemplo 6.11 sia resstencia se mide al ohm mas cereano, soLUcION Este problema difiere del ejemplo 6.11 pues ahora asignamos una medida de 43 ‘mis a todos los resistores eayas resistencias sean mayores que 42.5 y meneres «que 43.5. Realmente apcoximames una disribucion dscreta por medio de una i tribucién continua normal. El rea que se requiere esa reign sombreada a lade- fecha de 43.5 en la figura 6.19, Encontramos ahora que BS 40 175 a Figura 6.19 Aroa paral ojemplo 6.12,Sescién 84 Aoticaciores dela disribucién normal 157 De aqui POX 435) = PZ > 173 = 1 PZ < 175) = 1 ~ 0.9509 = ooao1, & = 02046, (©) P-098= 7 = by ~ 03s, 4. Dada una dis (8) ol res de la curve normal la derech dex = 17 (b) el rea delacurva normal la izuierda (6) slres de ls curva normalewire x = 3271 = 41 (8) el valor de « que tiene 80% del rea de la curva normal ah inquicida (6) los dos valores de x que contienen 75% central del éres de lo curva normal, 5. Dau la variable X normalmente distribuida con media 18 y desviacon estandar 25, encuentee (a) POS 13), (b) al valor de tal que Par < ky = 02236 (6) el valor de & tl que POX > £) = 01814, (@) POT < ¥ 520), 6. De acuerdo con elteorema de Chebyshev, la pros bbabilidad ce que cualquier variable leatoria tome un valor dento de tres desviaciones estindar de la me- dis es al menos 89. Si se sabe que la distibucisn de Probabilidad de una variable aleatoria X es nor con media wy Varianza o,geuil es el valor exactode P30 Xp + 30) 7. Un investigader centitico reporta que unos ra ‘ones vivirén un promedio de 40 meses cuando sus dicta se restringen dristicamente y después see |quecen con vitaminas y proteinas. Suponga «en ‘ida de tales ratones se distibuyen normalmente ‘con una desviacin estindar de 6.3 meses. enevenire la probabifitad de que un ritén dado viva bucié normal con je = 30 y (a) nds de 32 meses (b) tnenos de 28 meses, (6) entre 37 y 9 meser, 8, La barras de pan de centeno que cierta panne ria disinbuyea ls iendss locales tienen una longed promedio de 30 centimetros y una desviacin esti dar de dos centimetros, Suponga que las longue estan distnbuidas normslmente, gqué percentie te las bartas son (a) ands largan que 31.7 comimetiox? {(b) entre 21.3 y335 cemiimettos de longitud? c} mascortas que 255 centimetios? 9. Se equa una maquina despachadora de tela para gue sieva un promedio de 200 mililitros por uy So, Sila cantidad de hebida se distribuye rormuainen, te.con una dewwiaciinestindar igual a 1S milives, (a) qué feaceisn de los vasoscontendein mis de 234 mitra? ) ceuilec a protabilidad de que un vaso contenga fenire 191 y 209 miliitios? (c), zeuintos vasos probabtemeini se derramarén st se utizan vasos de 230 millittos pera lay siguisnts, 1000 chide? (A) gpor debajo de qué valor obtendemos 25% de las bebidas mas pequerias? 10. EI ciametro inerior del snilo de un piston sa lerminado se dstrituys normaimente con de 10 centimetres y una desvi (a) 2Oue proporcioa de anitos tendiin dimetres it: leniores que exeedan 10,075 centimeiros? (b) {ual es In probabitidad de que el anilo de un piston tenga un didmetro interior entre 997 y 1013 centimetios? (6) {lor debajo de que valor del diémetro inerce ‘era el 15% de Tos anillos de piston? 411. Vin abogado va todos los das de 9 cast en ont thuthios ast offeina en ef eomiro de la cial El em Po promedto para un viaje de ida e524 minuto so8 Ua desviackin estar de 38 minutos. Supongade 1a distibucisn de tos thsmpos ds viaje etd ds dda nommalmente, () {C6 es la probabidad de que un viaje tome a menos 17 hora? (hy) Sin oficing abre ts DOD) ney é sate dint de si exso a lay 845 0m, jqu6 porcentaje de ls weces eps tarde al trabajo?Secoidn 8.4 Apteaciones ae la dletrbucion normal (6) Sisale de su cass as 8:35 AM. y el eae se sieve ‘onl oficina de 850 A.M a 900s bila de que pierda el eale? (4) Fneventre la longitud de tiempo por arriba de te cual encontramos el 15% de lo vies mds lento, (e) Eneuentee la probabilidad de ue dex de tos si fguientes ifs viajes tomen al menos 1/2 hora, es I proba. 12. Enel ejemplar de noviembre de 1990 del Chemt- cal Engineering Progress wn estudio diseine sobre et porventaie de purcea del onfgeno de certo provee dor. Suponga que la media fue 9961 con una desta ‘0a estindar de 0.08, Suponga que a Ustribucicn del porventa de pureza fue uproximadamnte nommal (a) ,Que poreemaje de los valores de pureza espera fia que estuvieran entre 99.5 y 9.7? {b) {ue valor de pureza esperaria que excedicra cexactamente 5% de la poblacion’? 13. La vida promedio de cierto tipo de motor pequenio 6 10 alos con una desviacion estindar de dos as. El ‘abricantereemplaza gratis todos los motores que fallen denirode! tiempo de waramtia, Siesta dispuestoa reem- plazar solo 3% de los motores que fall, ze qué dura Cid debe ser la garantéa que oftezea Suponga qu duracion de un motor sigue una distribuci6n normal 14, Las alturas de 1000 estudiantes s¢ 4 sna dewvincion estandar de 6.9 centhmetros, {que las alturas se regisiran al medio eentimetro mis cano, jcuantos de estos estudiantes espesaria que tuvieran altura (a) menores que 160.0 centimetros? (b) emire 171.5 y 182.0.cemtimettes inclusive? (6) igual a 1750 cemtimetsos? (@) mayor que’o gual a 1880 centimetios? 4. Una compania paga a sus empleados un salario promesio de $1590 por bora con una desvicion es tindar de $1.50 Si los salarios se distibuyen aprosi madamente de forma normaly se pagan al centavo is proximo, {a) {qué porcensje de los trabajadoresrecibensala- tiosentre 1475 y $1622 inclusive por hora? {b) jel 5% mas ato de low saris por hora dt los ‘mpleados es mayor a qué eantidad”? 16. Los pesos de un numero grande de perros po le mimatura se distruyen aproximaiamente de for. ‘ma normal con una media de ocho hlogrames na deyiacion catindne de 09 klogramor. i as meico- Ass repisiran al decimo de kilogramo mis cecan0. fuente Ie fnecdn de cats poodle con peson (8) por arriba de 9.5 kilogrames; (>) bo mis kilograms; (©) enive 73 y 9.1 kilograms inclusive 17. La resistencia la traccin de cierto componente ide metal se cstribuye normalmente con una media de 100%kilopramospor eentimetro.cuadrade y MaciOn estindar de 100 kilogramos por ce ‘adrado, Las mediciones se regitean + los $0 kilogra ‘mos por ceniimetro cuadredo mis eercaros, (2) Ou proporcida de estos companentes exeede 10.150 Kilbgramos por centimetio etadrado de resis tenia as taccion’? (b) Silas especiicaciones requicren yuc tedes los wom ponentes tenga res tre 90 y 10.200 kilograms par ezntinets9 exadrado inclusive, ‘j4ué proporcitn de pleas experarta que se deseattara? 18, Siun coajunto de observaciones se distribuye de ‘manera normal, ,qué porcentaje de ests difiten dela media en (a) mis 6e 139 (6) menos de 5207) 18, Los CI de a aspirantes de cierta univers se istribuyen aproximadamente de forma normal con tuna media de 115 y una desvineion estandar de 12. Si Jo universidad requiere un CI de al mens 95, tos de estos estudiantes seri rechazades sobre esta ‘base sin importa sus otras ealficaciones? 20. Daclauni dstrbcién continua uniform, demacs twa gue asa on way rr) 21, Lacantidad daria de café. en liros, quesirve una rniuina que se localiza en el vestibulo de un aero- puerto. uns variable sleatoria X que tiene una dis- i) tribuciin continua uniforme con A = 7 y B= 10 Encuentre ls prohabilidad de que en un din dado la ‘amtidad de café que sirve esta mquina sea (4) 4 lo mas 83 hitros (b) mas do 7.4 lito pero menos de 95 ltrs: fe) al mens 85 22, Un autobiis Hla cada 10 minutos a una parada ‘Se supone que el tiempo de espera para un individue particular es una yanable aleatoria con dsiribucion ‘uniforme, (a) Cail es la probabilidad de que el individuo es ppere mis de siete minutos?160. Cipruiv 6 Algunas dstribuciones contmuas de probaniited 6.5 _Aproximacion normal a la binomial Teorema 6.2 Las probabilidades asociadas con experimentos binomiales se obtienen ficiiment, & partir de la formula (x: n, p) de la distribucidn binomval o de la tabla 8.1 cuag, dda n es pequeta, Ademés. las probabilidades binomiales estin facilmente dispony bles en muchos paquetes de software. Sin embargo. es instructivo aprender relacidn entre la distribucion binomial y la normal, En la seccign 8.6 ilustrarmos co: ‘mo la distribucisin de Poisson se puiede utilizar para aproximar probabilidades bing. 1s cuando’n os bastante grande y p es muy sersana a 0.04 1, Las disteibuciongy binomial y de Poisson son dissretas ambas. La primera aplieasion de una disigy. sion continua de probabilidad para aproximar probabilidades sobre un espacio imuesinal discreto se demuestra tel ejemplo 6.12, donde xe utiliza la curva noma, La distibucion normal menudo es una buena sproximacién a una distribucon dis ereta cuando Ia ultima adquiere una forma de campans simétrica, Desde un pant de vista Leorica, algunas distribuciones convergen a la normal conforme sus paris metrosse aproviman a ciertos mites, La distribucion normal es una distribusién de aproximacicn conveniente pues la funcidn de distribucién acamulada se tabula muy iil La cistribucion binomial se aproxima bien por la normal en problemas préeti- ‘cos cuando se trabaja con la funcign de distribucign acumalada, Establecemos aho- aun teorema que nos permit utilizar reas bajo la curva normal para aprosimar propiedades binomiales cusndo 1 es suficientemente grande, ible aleatoria binomial con media x = np y varianea a” = npg, entonces Ia forma limitante de fa distribucion de X—mp vipa ne n+ =, es la distribucién normal estindar (2: 0.1) Resulta que la dstribucién normal con 4 = np yo? = mp(1 — p) no sélop- porciona ung aproximacién may precisa a la dstibucién binomial cuando mes grat dey p no esta extremadamente cercana a 0 1, sino que también proporcion Unk aproximacion bastante buena aun cuando 1 es pequefia y p esté razonablemene cercana a 1/2 Para iustrar la aproximacion rormal a la distribucign binomial, primero dibs jiamos et histograma para b(x; 15, 0.4)y después superpenemos a curva normal pa ticular que tenga la misma media y varianza que Ia variable binomial X. De aqal dibujamos una curv normal con w= mp=(15)(04)=6 y= npg = (13) (04)(0.6) = 36, Et histograma de b (x; 15, 04) y a curva nofmal superpucsta eorrespondicnte g «sti determinada por completo por su media y su varianaa, se ilustan en la fut 622 = La probabiidad exacta de que la Variable aleatoria binomial tome un dado x es igual al rea cuya base se centra en x, Por ejemplo, la probabilidad ta de que X tome el valor 4 es igual al rea del reetanguto con base cent 1 = 4. Con el wsode la tabla A.1, encontramos que esta dea es‘Seccion 8.8 Aproximasion normal binomial 164 We 3 38 622. Aproximacion normal de h(x: 15.0) O12 34S CTE SMUD” Figura 6.23 Aproximacién norma! de b(4;15,0. y Sy hts 15,04 P(X = 4) = (4; 15.0.4) = 0.1268, que es aproximadamente igual al érea de la regidn sombreada bajo la curva normal entre las dos ordenadas 1, = 3.5 x) = 4.5 en la figura 6.23. Al convertir a valores 2, tenemos. 35-6 43-6 Se a a eee TOR Si X'es una variable aleatoria binomial y Z una variable normal estandar, entonces PUx= 4 (4, 15,0.) =P(-182 <2 <-0.39) P(Z < -079) ~ PZ < ~132) 0.2148 ~ 00934 = 01214, Pesto esté bastante de acuerdo con el valor exacto de 0.1268,162 Coprulo Alpunvs diteituciones continue de probabided alien La aproximacién normal es més ular suas binomials para Valony arandes de n. Con referencia a ta figura 623, nos pods imeresar en a proke lidud de que X tome un valor de 7 49 incinive. La probubiliad exacta ets fang por P= X= 9 = 3 o(«; 15,04) Bh 005.04) — ¥ wes 15,04) 0.962 ~ 06098 03568 que es igual a la sumi de lay dreas de tos reetangulos con bases centradas en x = 7.8, ¥ 9. Paca ka aproximacidn normal encontramos el dea de a region soe. 95 en la figura 623. Le n= 65 yx breads bajo la curva cnire las ordenad valores z correspondientes son Sor OM yn Snes Ahora bien, P= = 9)= 7026 < Z < 185) = P= 188) — mz = 026) = 09678 ~ 0.5006 = 03662, Una ver mas, la aproximacién de la curva normal proporciona un valor que es \amuy de acuerdo con el valor exacto de 0.3564, Bl grado de precisibn, que depen dle de que tan bien se ajustala curva al histograms, aumentard conformé n aument, sto es particularmente cierto cuando p no es muy cexcana 1/2 y el histogram ye ‘no es simétrico. Las figuras 6.24 y 6.25 muestcan los histogramas para b (£6, (2)¥ ‘b(0:15, 02), respectivamente. Es evidente que una curva normal se ajustari al hie na cuando n ~ 15 considerablemente mejor que cuando n = 6, 4 2 a6 ee Figura 6.24 Histograma para (x: 6,0.2),‘Stecién 6 Aproximecién norma! ala binomial 163 wn wa ie * Figura 6.28 Histograms ps En resumen, utiizames la aproximacion normal para evaluar probabilidadee binomiates siempre que p no sea cervana a) 0 aI. La aproximacion vs excelente fuando n es grande y muy buena para valores pequetos de n si pes raconablemen te cercana a 1/2. Alcalcular np y nq se proporciona una posible guis para determi euindo se puede utilizar la sproximacisn normal, Si np y ny son mayores que 0 iguales « 5, In aproxiniacidn sera buena, : Come indicamos antes, la calidad de la aproximacion es bastante buena para 2 grande. Sip es cereana a 1/2, un tamano de la muestra moderado o pequete se 16 suficiente para una aproximacicn razonable, Ofrecemos la tabla 6.1 en la pais 4a 164 como una indicacién de la calidad de la aproximaci6n. Se dan tanto la aproximacion normal como las. probabilidades binomiales acumuladas reales, Notese que en p= 005 y p= 010, la aproximacién os bastante grucsa pare n= 10, Sin embargo, aun para n ~ 10, nétese la mejorie para p ~ 050. Por otto lado, cuando p es fija en p ~ 0.05, nétese la mejoria de la apreximacion contor. me vamos den ~ 20a = 100, Ejemplo 6.18 La probabitidad de que un paciente se recupere de una rara eater: medad de la sangre es 0.4, St se sabe que 100 personas contraen esta enfermedad {euil es a probabilidad de que menos de 30 sobrevivan? SoLUCION, Representese con la variable binomial X el miimero de pacientes que sobreviven. ‘Comon = 160, debemos obiener resultados bastante preesos con el uso de la spro~ ximacion de la curva normal con f= np = (100)(0.4) ~ 40 = Vig = Vitt@)(04)(06) = 4899. Para obtener la probabilidad descada, tenemos que encontrar el dre a ta izquiceda de x = 29,5, El valor z que corresponde a 29.5 6s 20540 STeAIMnp rng164 Capito 6 Algunasdistrbuciones continuas de probabitited Tabia 6.1 Aproximacion normal y probabilidades binomiales ‘2cumuladas reales p= 0s n= 10 p=010, 10 + Binomial Normal — Binomial Normal Binomial 0 0595705000 O8487) ODT DMO. 1 991399 9926s O71 07019 ULOT.— OMe 2 0985 OMI 92H U9D ASAT —_O”ISTE 3 09990 1.0K) 0.9872 9WSD—OLITI. OATH 4 10000 TomM0 099889899 03770375, 5 10K 1,00) 0.6230.— 08285, 6 08281 08289 7 09iss o9a9 8 0889 O96 9 spo 9978 0 1.0000 09997 005 n= 100 Binomial Normal Binomial Normal Binomial Normal 0 085853015 0.760958 01005900197 107358 GousS 0279) 02578047! 00537 2 O94 9382 0.5405 0418301251 3 O84 9848 0.7604 02578 02851 4 09914 9998 8961 9082036004080 5 0997 1.00) 0.9622 O97 O.6160 05910. 6 1.000 1060008809953 0.7560 07519 7 8 05968 099918729 ORTHD 089 09999 0.9369 09463 05998 1000-8718. o9sn3 Lom 1.0000 0.9885 9941 et a Figura 18 Aroa para el eiomplo 6.16 ¥yl4 probabilidad de que menos de 30 de los 100 pacientes sobrevivan esté dada pot {a region sombreada en la figura 6.26. De aqui, P(X <30)=P(Z < ~2.14) L016, Ejemplo 6.16 Una prucha de opcién miiple tiene 200 preguntas cada unt’ cuairo respucstes posibies de lay que solo una es la correcta, ;Cusl es la proba ‘dad de que con puras eonjeturas se obtengan de 25 1 30 respuestas corrects 5) de los 200 problemas acerca de los que cl estudiante no tiene conocimient‘SOLUCION La probabilidad de w P= 1/4. Si X representa entonces, Alusarla H ‘Sesion 8.5 Aproximacion normal ale binomiat =16 y 165 cl mimero de : sien Fespuestas correctas debidas a conjeturas, ras x<30 = F ocean. aproximacién de la curva normal con np ~ (80)(4) = 20 ipaq = V(180)4)G) = 3.873, USyx = 30. Los valores = correspondientes son oe a7 Figura 6.27 Arca pova el eiempo 6.16, La probabilidad de adivinar correctamente de 25 a 30 preguntas esta dada por la re gion sombreada de ta figura 6.27. De la tabla A.3 encontramos que PQS 0. Al integrar por partes con u = x*~! y dv = e°* de, obtenemos (@- of ede Para cr > 1. que produce la fOrmuta recursiva Pla) = (« ~ 0a ~ 1), La aplicacién repetida de la formula recursiva da (a Ila ~ 2\(@ ~ 9P(a~ 3), 1nd 1 es un entero positivo, F(a) =(a~ yw ~ 2)8(@ = 2) y asfsucesivamente. Notese que cuando a PQ) = (1 = 1) = 2)... PO). in embargo. por la definicicn 6.2, ray= [evant y de agut Fay =n i : On ee propiedad impontante de fans gamma, qu dj Deacon (ease el jor 9 dela pina 177), osquc (1/3) = Ve incuiremos aor i : amma distribucion188 Captuio 6 Aigunss vistribuciones cortinsas de probatiidad Disteitucién [Ta variable aleaforia continua X tiene une distribucion gamma, con pardmetroy Gamma ay B.si su funcidn de densidad esté dada por i 0 soon fa °, cn cualquier otro caso, cuando a > 0yB> 0. En la figura 6 28se muestran grificas de varias distribuciones gamma para ier tos valores especifices de los parémetros ay f. La distribucion gamma especial ps. ra ls gue « = 1 se llama distribucién exponencial. F003 roy ont pet os + Figure 6.28 Distibucionss gamma Distribucién | La variable aleatoria continua X tiene una distribuci6n exponencial, con exponencial | “metro f.si su funcidn de densidad esta dada por xo en cualquier otro caso, El siguiente teorema y corolario dan ta media y la varianza de las distribuciores ‘gamma y exponencisl. ‘Teorema 6.3 | 14 media y la varianza de la distribucién gamma son y n= op = op,Seccitn 68 Distnbuciones gamma exponencial 169 PRUEBA Para encontrar la media Jadistibucion gamma, eseribimos pies Ho BO) ~ ts [eae Ahora bien, sea y = ¥/, que da ce Es eesr pea l eea ‘ Fay |, yee dy = Tay 8 Fara encontrar la varianzs dela dstitueign gamma, procedemos como ante Para en ; a, precedemos como antes para 2) - BT(a +2) B= 8 = (a + Nop Tay 7 + Dob yentonces o> ECC) ~ w= (a+ tap? - ag? Corolario 1 La media y la varianza de In distribuci6n exponencial son # x = BP. Relacién con el proceso de Poisson Proseguitemos con las aplicaciones de la distribuciGn exponencial y después regre- Saremos a Ie distribucion gamma, Las aplicaciones mas importantes de la distribu. ién exponencial son situaciones donde se aplica el proceso de Poisson (véase el capitulo 5). El lector debe recordar que el proceso de Poisson permite cl wo de la distribucién disereta llamada distribueién de Poisson, Recuérdese que 1a distribu de Poisson se utiliza para caleular la probabilidad de numeros especilicos de “eventos” durante un periodo o expacio particular, En muchas aplicaciones, cl tiem. 0. la cantidad de espacio esa variable aleatoria, Por ejemplo, un ingenievo indus. trial se puede interesar en modelar el tiempo T entre llegadas a una interseccin congestionada durante una hora pico en una ciudad grande. Una legada represen. ta el evento de Poisson. Larelaci6n entre la distribuci6n exponencial (a menudo denominada exponen. cial negativa) y el proceso de Poisson es bastante simple. En el capitulo S se desa rrollé la distribuci6n de Poisson como una distribucién de un solo pardmetro con parametro A, donde A se puede interpretar como el ntimero medio de eventos por unidad de “tiempo”. Considérese ahora la variable alearoria desctita por el tiempo que se requiere para que ocurra el primer evento. Con el uso de la disiribucion de Poisson, encontramos que la probabilidad de que no ocurra algtin evento, en el pe- riodo hasta el tempo festa dada por OD nis POAQ = Podemos ahora utilizar Io anterior y hacer que ¥’sea el tiempo para el primer even- to de Poisson. La probabilidad de que la duracin de iempo hasta el prime evento ‘exceda x es la misma que la probabilidad de que no ocurra algun evento de Poisson, en «. Esto dltimo, por supuesto,esté dado pore". Como resultado,170 Captuio 6 Aigunas dstibuciones coninuas de probabsidad rxeyee™ N est dada por Asi la funcién de disteibucién acumulada par PO 8)= 5 [edhe = 02 Represéntese con X el ntimero de componentes que funcionan después de och afios. Entonces con el uso de ta dstribucion binomial D (4; 0,02) = 1 07373 = 0.260%. , j PX = 2) = 3) bl ,02) ~Sesi6 87 Aplicaciones de as distriouciones exponenciel ygamma 171 {Gos elerccios 1.7, 8 el ejercicio de repaso 2 proporcionan ejemplos adiciona- tes de! uso de la distrbucion exponencial en problemas de tiempo de espera y de confiabilida. Te ee sana Ja importancia de la distribucién gamma esté en el hecho de que define una fa mia. de la que otras distribuciones son eaxos especiales, Pero la gamma inisma ties ne aplicaciones importantes en tiempo de espera y teorta de confatilidad. Mientras ue Ia distibucién exponencial describe el tiompo hasta la ocurencla de un ever to de Poisson (0 el tiempo entre eventos de Poisson) el tiempo (0 espacio) que transcurre asta que ocurre tai mvimero espectfico de eventos de Poisson es una Ve Table aleatoria cuye funcién de densidad esta descrita por lade la distribucson game ie, Este niimero especifico de eventos es el parameito a en la funcin de densidad gamma. Asise vuelve facil eomprendet que cuando a — 1, ocurre el caso especial {de la distibucion exponencial. La densidad gamma se puede desarroliar de su rela. clon con el proceso de Poisson de la misma manera en que lo hicimos con la dens. dad exponencial. Los detalles se deian al lector. Elsiguiente es un ejemplo numérico del uso de la dstribucion gamma en una apie ion de tiempo de espera, Ejemplo 6.18 Suponga que las llamadas telefOnicas que llegan a un conmutador Particular siguen un proceso de Poisson con un promedio de cinco Hlamadas que Ile- gan por minuto. {Cual es la probabilidad de que pase més de un minuto hasta que Hleguen dos liamadas al conmutador? soLucion EI proceso de Poisson se aplica al tiempo que pasa hasta la ocurrencia de dos eventos de Foisson que siguen una distribuci6n gamma con B = 1/5y a = 2. Sea la variable aleatoria X el tiempo en minutos que transcurre antes de quie legen dos thamadas, La probebilidad que se requiere esta dada por parsay~ fp 23 [ xe sae Mientras el origen de la distribucién gamma trata con el tiempo (o-espacio) has ta la ocurrencia de «eventos de Poisson, hay muchos ejemplos donde una distribu: cién gamma trabaja muy bien aunque no exista una estructura de Poisson clara. Esto es particularmente ciesto para problemas de tiempo de Sobrevivencia en ali: caciones de ingenteria y biomedicas. POX 1) 1 = eG +5) = 0.96. Ejemplo 619 _En un estudio biomtdon con ral se aun invest de wes Fee espe rac lfc act dandy ts eo event ales uno quese dessrgonfeeuncn en a attr co faassen ost deena Fes y p20, jCuat cl protavlin de Gus una ttm tobrevva mts de 0 semanas?172 Capnuto8 Algunas dstbuciones continues de probabiliad Scala variate aleatoria el tempo de sobrevivencia (tiempo para mati). La py bailidad que se reguiere es PINSS)= |e Toop rex ssn 1h fy SO FR), rey Laintegral anterior se puede resolver a través del uso de pileta. que resulia ser fa Funcidn de distribucién acummulad ma. Fsta funcidn se eseribe como fy tenemos pa Si hacemos y = X/B,.' P(X = 60) = ue se denota como F(6;5) cn la tabla de la funcidn gemma incompleta del apex dice A.24, Notese que esto permite un calculo rapido de las probabilidades para a istribucion gamma, En realidad, para este problema la probabilidad de que la re ano sobreviva mas de 601 dias esta dada por P(X = 0) = FI6;5) O715. = 6.8 Distribucién ji cuadrada TOONS Otro caso especial muy importante de la cistribucict mma se obtiene al hacet a v2 B = 2,donde ves un entero positivo, Este resultado se Hama distribu Jieuudrada. La disiribucion tiene un solo parsimetto, », lamado grados de Hivertad Disteibucién ji euadrada La variable aleatoria continua X tiene una distribuctén ji euadrada, con & gra dos de libertad, si su funcién de densidad esta dada por Oe x>0 en cualquier otro caso donde v es un entero positive. Ladistiib cion ji cuadrada juega un papel Vial en lainferencia estaditica Tie aplicacion considerable en la metodologia y en la teoria, Aunque no disc Limos aplicaciones con detalle en este capitulo, es importante saber que los capitulo’ 8,9, 16 contienen aplicaciones importantes. La distribucign ji euadrads es un com Ponente importante de la prucha de hipdtesis y de la estimacion estadistcas. ne uniCorolario 2 6.9 Distribuci6n logaritmica normal Distribucin logaritmica normal Corolario 3 Seeclon 69 Osstrbucién logartmica normal 173 Los temas que tra tadistica no paramétics lan con distribuciones de muesireo, anilisis de varianza y es- implican cl uso extenso de la distribucién ji cuadrada. 4a distibucn logaritmica normal se utiliza en una emplia variedad de aplicacio- is. La distribuciGn se apliea en casos donde una transformacién de logantmo ne. tural tiene como resultado una distribucion normal a — La variable leatoria continua X tiene una dstibueidn logartimica normal sla Variable aleatoria Y = In(X) tiene una distibucign normal con media py des- Vinci6n estindar o. La funcién de densidad de X que resulta es 1 fe) =| inex 0, x<0. ed eg La media y varianza de la distribucin logaritmica normal son EX) = "7, VariX) = 22" (eo — 1) La funcién de distribucidn acumulada es hastante simple debido a su relacién con fa distribucidn normal. Fl uso de la funcién de distribucion se ilustrs mediante el siguiente ejemplo. Ejemplo 6.20 Se sabe que historicamente ta concentracion de contaminantes pro- ucidos por plantas quimicas exhiben un comportamiento que parece una distribu- ci6n logaritmica normal. Esto es importante cuando se consideran problemas con respecto a la obediencia de las regulacioncs gubernamentales. Suponga que se ast= me que la concentracidn de cierto contaminante, en partes por milldn, tiene una cis- tribucién logaritmica normal con parimetros .=32 y w= 1. gCual es la probabilidad de que la concentracién exceda ocho partes por millén SOLUCION Sea la variable aleatoria X la concentracién de contaminantes P|X > 8] = 1 ~ P(X s 8} ‘Como In(X) tiene una distribucién normal con media y= 3.2 y desvinein estén. dara = 1,174 Capitulo § Algunas distribuciones contiouas de provatilidad fincas) — 3 Pix=s}— 0} Iv =<) ; (112) = 0.31, Aqui, uilizamos ta notaeiGn « para denotar la funcidn de distribuclén acumulad, dela distribucion normal esténdar. Como resultado, la probabilidad de que la con, centracion del contaminante exceda ocho partes por millon es 0.1314. 6.10 Distribucién de Weibull See Distribucion | La variable aleatoria continua X tiene una distibucion de Weibull, con pari de Weibull | metros ay Bsi su funein de densidad esté dada por apie 5g ro [i coals La tecnologia modema nos capacita para dsenar muchos sistemas complicados o- ya operacion, 0 quiz seguridad, depende de la confiabilidad de los diversos eon. ponentes que forman los sistemas, Por ejemplo, un fusibie se puede quemar, una columna de acero se puede torcer 0 un dispositive sensor de calor puede fallr Componentes idénticos sujetos a idénticas condiciones ambientales fallarén en mo. mentos diferentes ¢ impredecibles. Vimos el pape! que las distribuciones gamma y exponencial juegan en estos tipos de problemas, Orra distribucidn que se utilizs con amplitud en afies recientes para tratar con tales problemas es la distribucién de We bull, que introdujo el fisien succo Waloddi Weibull en 1930, donde «> Oy A>0. En la figura 6.29 se ilu ran las grficas de fa distribuei6n de Weibull para a = Ly diversos valores del parimetro B. Vemos que las curvas cambian de forma de mic era considerable para diferentes valores de los parimetios, en particular el part too at ae pa3 o 05 10 18‘Stecion 6.10 Distribucién de Weibull 175 metro Si hacemos p = sla disribucion de Weibull se reduce ata dstribuetin ex sents de Weibull sereduce ala distribuci ‘sre valores de #8 > 1, las curvas se vuelven un poco en forma de cam. lan las curvas normales, pero muestran asimetrta, cin de Weibull se establecen en el siguiente ncione Ia demostracién en el ajereicio 10 de la La media y varianza de la distrib teorema, Se pide al lector que proy pigina 177, ere Teorema 6.4 4a varianza de la distribucion de Weibull son ett) (oa) Como la distribucién gamma y a exponencial, la distribucion de Weibull tam- bign se aplica a problemas de confiabilidad y de prueba de vida como los de tiem Po de falla o duracién de la vida de un componente, medido de algiin tiempo e=pecifico hasta que falla. Representemos este tiempo de falla mediante la variable aleatoria continua 7, con tuncion de densidad de probabilidad fir), donde (0) s le distribucion de Weibull, Para aplicar la distribuci6n de Weibull a fa teoria de confiabilidad, definamos primero la confiabilidad de un componente o producto coma la probabilidad de gue Suncione apropiadamente por al menos un tiempo especifica bajo condiciones expe rimentales especificas, Por tanto, si R(t) se define como la confiabilidad del compo. niente dado en el tiempo 1, podemos eseribir ver (1 4 2) wmrlis so T>o= | fod RO = ~ Fo, donde F(t) es la distribuci6n acumulada de T-.La probabilidad condicional de que tun componente caiga en el intervalo de T= 1a T= t+ At, dado que sobrevive al tiempo tes Fut an - FO, RO AAI dividir esta proporcién entre Av y tomar el Kimite cuando 31 0, obtenemos ta tasa de falla, denotada por Z(1), De aqui Fut S)- FO 1 _ FW _ 10 __ Ko im, a RO RO RY 1 FO Zio, os axpree a tna de fall an térinot de cirbucin dl ampo de fala, see el hecho de que R() — 1 U0) yontonces 8) ~~"), pademon eer bir la ecuacidn diferencial ny 78D. Allo ROL 2" RG) a Y entonces resolver Zad+inc 0 R= ce I04, In RO =~178 Captulo.6 Algunas aiseibuciones corcinuas ce provabiicaa donde ¢ satistace la suposicion inicial de que R(O) = 1.6 F(O) = 1 ~ RO) = 0. ye. ros asf que un conocimiento de la funcidn de densidad /{0) ola tasa de fala 74 determina univocamente a Is otra. Ejemplo 6.21 Muesire que la funcién de tasa de falla esta dada por Zi) = apr’, 1 >0, siy s6lo si Ia distribucicn de! tiempo para la falla es la distribucidn de Weibull fi = apt leo, o> 0, sowucion Suponga que Z(@) = apt”! ¢ > 0. Entonces podemos escribir £0 = ZORO. donde R(0) = cel = cette De la condivion de que K(0) = 1, encontramos que ¢ = 1. De aqut RQ =e y He) apt lena, > 0, Ahora, sisuponemos que Jf) = aBt'e entonces Z(t) esté determinads al escribir z= £0, donde m= 1~ Rey =1~ fap te = 1 + [ae Entonces, 209 = ES ay, e>0 En el ejemplo 6.21 se ve que la tasa de falta disminuye con ef tiempo # B< ‘on el tiempo si > 1, yes constante si ~ 1,0, Es él ver, entonces: Ja forma més simple, a saber, la distsibueion expontencial, se aplica para una {alla constante (va el proceso de Poisson),Ejercicios Si und variable aleatoria iene Ta Uni bucién gamma con a = 2y A = 1,encuenire P(1.8 < x<24), 2. En cierta ‘ciudad, consumo diario de agua (en millones de litros) sigue aproximadamente una distri- bucion gamma con a = 2 y 6 = 3. Sila capacidad dlaria de dicha ciudad es nueve millones de htros de ‘agua, ;cual es la probabilldad de que en cuatguier dia dado el suminisito de agua sea inadecuade? 3. Utilice Ia funcién gamma con y = Vix para mostrar que I(1/2) = Vr, 4. Suponga que el tiempo, en horas. que toma repa. rar una bomba de calor es una variable aleatoria X° que tiene una distribucién gamma con parimet @=2y B= 1/2 :Cudles a probabiidad de que la Siguiente Imada de servicio requera (2) alomés una hora pararepara la bombs de calor? (6) al menos dos horas para reparar la bomba de calor? 5. (a)_Encuentre la media y la varianza de consu- smo diario de agua del ejercico 2 (b) De acuerdo con el teorems de Chebsshev, hay tuna probabildad de al menos 34 de que e de agua en cualquier dia dado csige dentro dea terval? 6. En cierta ciudad, ol consumo diario ée enarafa ¢lésrica, en millones de kilowatts hora, es una varie Hlaleatoria X que tiene una dsiribucion ganna con tmedia yw ~ 6y varianca v? ~ 12 (a) Encuentre ts valores de a 6 (b) Encuentre la probabilidad de que en cualquier dia dado et consumo de energia diario exeeds 12m lones de kilowatts hora, 7. La longtud de tiempo para que un individuo sea atendido en una cafeteria es una variable aleatona Aue tiene una distribuciin exponencial con una me- dia de cuatro minvtor. ,Cual es la probabilidad de {ue una periona sea siendida en menos de res mimi- tosen al menos cuatro de los siguientes seis dias? 8. La vida en anos de cierto interruptor eléetrivo tiene ana distribucion exponencial con una vida pro- medio de 6 = 2. de estos interruptores s ns diterentes sistemas, cules la probabil de que a 4o mas 30 fallen durante el primer anc? 9. Suponga que la vida de servicio, en aos, de la ‘de un aparato para sordos es una variable ‘Seccion 6.10 OWstrbucion de Weibull 177 sleatoria que tiene una disirituson de Weibull con «= Iyp=2. (@) {Cuanto tempo se puede esperar que dure tal bateria? (b) {Cual es la probabilidad de que tal bateriaestéen ‘operacion después de dos aos? 10. Derive ta media y varianza de ls distribucion de Weibull 11. Las vidas de ciertos sellos de automéril tienen le istribucion de Weibull con tasa de falla Z(0) 1/1. Encuenire la probabilidad de que tal sello aun ‘até en uso después de cuatio aA, 12. La variable aleatoria continue ¥ tiene la distribu «id beta con parsmetios a y psi su funcion de den sidad ests dada pr oH oe genet Fla 6) Ja) = Pah) 0. ‘en cualquier oto caso, donde > 'yB > 0.Sila proporcionde una marcade televisores que requiere servicio durante e! primer ato de operacion es una variable aleatoria que tiene tuna distribucisn beta con a = 3 y 8 = 2, zeudl es Ia probailidad de que al menes 0% de los nevos mo- dos de esta marca quese vendieron este atorequeri- +n servicio durante sa primer afi de operacin? 13. En una actividad de investigacisn biomédica se dotermino que el tiempo de sobrevivencia en sema- ‘ngs de un animal cuando se le somete acierta exposi- cin de radiacién gamma tiene una distribucién ‘gamma con a = Sy B = 10. (@) :Cual es el tiempo medio de sobrevivencia de un animal seleccionado al azar del tipo que se wiliz6 en elexperimento? (b) ;Cual es Ia desviaciin estindar del tiempo de so- brevivencia? (©) iCxil esta probabilidad de que un animal sobre viva mis de 30 semanas? 114, Sesabe que la duracion de cierto tipo de transis- {or sigue una distibucion gamma con media de 10 se- ‘manas y desviacion estindar de V’30 semanas. (a) ,Cuales la probabilidad de que el transistor dus re alo més 50 semanas? (b) {Cuil es la probabilidad de que el transistor no ssobreviva las primeras 10 semanas?178 15. El tempo de respuesta de unt computador 6s ‘una aplicacion importante de la cstubuciones gam ‘a y exponencial. Suponga que un estutio de certo sistema de computadoras revela que el tiempo de res puesta en segundos tiene una distribucion exponen ‘con una media de res sezundes. (4) {ual esta probabsidad de que el puesta exceda cinco segunniox? (©) {Cul esta probabiidad de que el tempo de res puesta exceda 10 segundos 46. Los datos de porcentaje a menudo siguen uns sstribueiin logaritmica nomal, Se estudia el uso pPromedio de potencia (dB por hora) para una com- pata particular yse sabe que tiene una distrbucign Togaritmica normal con parimetros 4 = 4 y @ {Cull es la probabilidad de que la compaaia utilice nas de 270 6B durante cualquier hora particular? Ejercicios de repaso Capitulo 8 Algunas dlstribuciones continuns de probabitdads 17, Para el gereicio 16 , medi (4B promede por hora)? ;Cusles la variane 18, El nimeto de automéviles que llegan a ciena g lersecciin por minuto tiene una dsteibuein de Peisson con una media de 10, Elinterés se ni rededor del tiempo que transcurre antes de que automéviles aparezcan en a interseecin, a) iCu robabilidad de que més de 15 aun ‘moviles aparezcan en la interseccin durante eu {quier minuto dado? {(b) ;Cuales la probabitidad de que se requieran mis de des minutos antes de que leguen 15 autos? 49, Considere la informacion del ejercicio 18. (a) Cuil es la probabilidad de que transcurra mis dde-un minuto entre Negadas? (b) zCuil es el mtimero medio de minutos gue trans. ads? 8 el us0 de potency 1, Deacuerdo con un estudio publicido por un ere- 1p de sociSlogos de Ia Universidad de Massichusets, apreximadameate 49% de les consumidores de Vo Tiumen elestado de Massachusetts son empleados de oficina. Cuil es la probabililad de que entre 482 y 510, incluso, de los siguientes. 100 consumidares de Valium seleccienalos al azar de este Estado sean en pleados de oficina? istibucion exponencial se aplics con fre ‘los tiempos de espera entie éxsios em un proceso de Poiwon, $i el numero de lamadas que se ‘eciben por hora en un sesviio de contestacicn tele- fnica ¢s una variable aleaoria de Poisson com paré metro 4 = 6, abemes que el tempo, en horas, entre Mamadas sucesivs tiene una uistiibucion exponent con parémetio = 1/6, ,Cudl es ta probabilidad de espeiar mis de 15 minutos entre eualesquiera dos I smadas sucesivas? 3. Cuando aes un entero pesitiv n, la distribucion gamma también se conoce como distrihucién de Es fang. Al hacer «= n en la distribucidn gamma de la pégina 168, ladistrbueidn de Erlang os eunlquier otro eas Se puede mostrar quest los tiempos entre events cesivos on independizntes yeaa ano tiene una ds tribucign exponencial eon pardmeiro b. entoncese tiempo total de espera transcurrdo hasta qu ot rran m eventos tiene la dstribucon de Ertan. Conve ferencia al ejereio 2, geul es la probabiide de gue las siguientes tres Imada se recban dentro delos suientes 30 minutos? 4. Un fabricante de cierto tipo de miquina grande desea comprar remaches de tno de dos fabricanie. Es importante que la resistoncia de rupture decid remache exceda 10,000 psi. Dos fabriantes (AB) ‘fteeen ese tipo de remache. Ambon benea em ches euya resistencia Is rapa esta distri de forma normal Las resistencias de ruptura medias +a los fabricantes A’) B son 14,00 psi 13,090 fb respestivamente Las ewiacionesestanda son 200 sty 1000 psi, respectivamente,¢Cul abyeant diucirs en promedio, ct mienor nimeno de reach delectuosos? {. De acuerdo con wn censo reciente, cas 69560 todos los hogares en Estados Untos se componende » dos personas Suponga que este porcenie Sido yen detest proba & entre 515 his deo sins 0 Selzecionados al azar en Estados Unidos cost unio dos personas?tipo de dispositive tiene una ta sa de falla anunciada de 001 por hora. La tasa de fe I es comstante y se aplica a distribucion exponencial (a) {Cust es el Hempo medio de falla? (b) {Cuil es la probabilidad de que pasen 200 horas antes de que se observe una 7, En una planta de proceso quimico es importante que el rendimiento de cierto tipo de producto-en lot ppermanezca por arriba de 80%, Si permancce por de bajo de 8% por un tiempo prolongad, la compania pierde dinero. Los lotes producidos oeisionalimente con defectos son de poco interés. Pero si varios totes por dia resultan defectuosos, la plinta se detiene y se hacen sjustes, Se sabe que el rendimiento se estribu. Ye normaimente con desviacion estindar de 4% (a) {Cual es Ia probabilidad de una “falsa starma (rendimiento por debajo det 80%) cuando el rendi- miento medio es de 85%? (b) @Cuales lo probabilidad de que un lote produc do tenga un rendimiento que exceda 80% cuando de hecho el rencimiento medio es de 79%? 8 Considere una tasa de falla de un componente eléetrico de una vez eada einco horas. Es importante considerar el tiempo que transcurre para gue fallen os components. (a) Suponga que se aplica ta distribucién gamma, cual es el tiempo medio que transcurre para la falla de dos componentes? (b) {Cual es la probabilidad de que wanseurran 12 horas antes de que fallen dos components? 9. Se establece que la elongacidn de una barra de cero bajo una carga particular se distribuye normal mente con una media de 0.05 pulgadas y » = 0.01 Pulgadas. Encuentre la probabilidad de que la elon- zacion este {a) por arsiba de 0.1 pule {(b) por abajo de 0.04 puleadas (c) entre 0025 y 0.065 pulgacas. 10. Se sabe que un satélite controlado tiene un ‘trror (distancia del objetivo) que se distribuye nor- malmente con media cero y desvinci6n estindar de ‘uatro pies. EI fabricante del satélite define un “6xi- como un disparo en el que el satelite Nega a 10 Seccion 6.10 Distritucién de Weibull 179 pies del objetivo, Caleule la probabilidad de que fa- He el satdlite 11. Un técnieo planea probar cierto tipo de resina desarrollada en cl laboratorio para determinarla nax turaleza del tiempo que transcurre antes de que la Uunidn se lleve a cabo. Se sabe que él tiempo medio para Ia uni6n es tres horas y Ia desviacion estdndar es D.S horas. Se considerard un producto indeseable si el tiempo de uni6n es menor que una hora © més de ‘cuatro horas. Comente sobre la utilidad de la resina. {Con qué frecuencia su desempefio se considera in- deseable? Suponga que el tiempo para la union se dis \ribuye normalmente 12. Considere la informacion del ejercicio de repaso 5, ,Cual es la probabilidad de que transcurran menos de 200 horas antes de que ocurran dos fallas? 13. Para el cjeveicio 12, ,cual es 1a media y fa varian- za del tiempo que transcurre antes de que ocurran dos fallas? 14. Se sabe que la ta promedio de uso de agua (mi- les de galones por hora) en cierta comunidad implica ta distribucion logarimica normalcon parmetros = Sy = 2, Esimportante para propésitos de pla- neacién obtener una apreciacién de los periodos de alta utilizacién. Cuil es a probabilidad de que, para cualquier hora dail, se usen 50,000 gatones ge agua? 18. Para el Gerccio 14, cuales la probabilidad me- dia del uso de agua por hora promedic en miles de pa Jones? 16. En cl ejeteiio 14, sesvidn 6.10, se supone que la uracion de un transistor tiene una distibucisn gam ‘macon media de 10 semanas y desviacion esténdar de V5) semanas. Suppose that the gamma distribution assumption isincorrect Suponga que la suposicin de distribucin gamma es incorrecta. Saponga que a gis: tribucion es normal, (2) {Cuil es la probabil re alo mas 50 semanas? (b) {Cuil es a probabilidad de que el transistor no sobreviva las primeras 10 semans? (©) Comente la diferencia entre sus resultados aqui y los que se encuentran en el ejercizio 14, secciin 6.10, \d de que el transistor du-7 Funciones de variables aleatorias 7.1_Introduccion Este capitulo conti tipos buciones que encuentran uso en muchas aplicaciones objeto de la tun amplio espectro de material. Los capitutos 5 y 6 tratan ema ecificos de distribuciones, tanto diseretas como continuas. Estas son dst: a, que is ). La distri- bucion de probabilidad conjunta de Y, ¥ Ys es enronces 9) = POY = 9 Y= = PUN, = te .99) Ka = man 0 = fw, DV182 Caprulo 7 Funciones dovariabies aeatorins Suponga que X, y X; son variables sleatorias diseretas con disteibueldin de pro. babilidad conjunta f(x, ,). Definamos con ¥, = a, (Ny. X)y Yo= ag(Xy Xy) tuna (ransformacién tno a uno entre los puntos (x4,) ¥ Oy 2) de mode que las ecuaciones We mb) ¥ = wlio ivocamente para x, y x; en términos de yy y ys, digamos Ly ¥9)-Entonces la distribucién de probabilidad con, se pueden resolver a xy = (4 DY = junta de ¥) Ys. 204.95) = S00) 0p 99.00.10) El teorema 7.2 es en extremo til para encontrar la distribucion de alguna ys Fiable aleatoria ¥, ~ u, (4.X,), donde , y X, son variables aleatorias discretas em 6n de probabilidad conjunta /(4,..,). Definimos simplemente uns segut- 1 digamos ¥, = u,(X;, XV mrantenemos una correspondencia uno ¢ uno entre los puntos (x. %,) ¥ (Vo) Obtenemos la distribucién de probabilidad cox. junta g(y).93). La disiribucion de Y; es precisamente la distribucién marginal de g(y.¥0), que se encn los valores y,. Al denotar la distribucign de ¥, por h(y;), pedemos escribir AO) = Tat 2) Ejemplo 7.2 Sean X; y 2X; dos vasiables aleatorias independientes que tienen d= tribuciones de Poisson con parimetros 4 y pry Fespectivamente, Encuentte la dist: bucton de la variable aleatoria ¥; =X, +X, sowucion Como X, y X;son independientes, podemos eseribi fees) = fof) = COME Pa A aa donde, = 0, 1,2, .. y%=0,1, 2, ...Definamos ahora una segunda variable ae: mos ¥> ~ .X>. Las funciones inversas estan dadas por x; = yy ~ Ye¥ = y>. Con el uso del teorema 7.2, encontramos que la distribucién de probabil dad conjunta de Y, y Y, es er mat hp (= ydtye! donde yj = 0, 1,2, ¥ Js = 0,1, 2, 0.94. Notese que como.r, > 0, la transform vion x; = yy ~ x, implica que x, y por tanto yy siempre deben ser menores que iguales a y,, En consecuencia, la distribucién marginal de probabilidad de Y, «5 80% 9) = 1) = 3 sn) =o n ns co eGae "WE sO gpI ES‘Teorema 73 ‘Seccidn 72 Transformaciones de variables 183 “Sr Bhat Al reconocer ests suma como la expansion binomial de (u, + w,)", obtenemos gy = a + He) at de fo cual concluimos que la suma de I tienen cistribuciones de Poisson, con Poisson con pardmetro p, 4 20.1.2, las dos variables aleatorias independientes que Pardmetros 4, y ua, tiene una distribucion de Shy Fara encontrar Ia distribucion de probabilidad de la Variable aleatoria ¥ = u(X) cuando X es una variable aleatoria continua y la transformacién es uno a uno, ne. cesitaremes el teorema 753, Suponga que X es una variable aleatoria continua con distribucién de probabi lidad f(x). Definames con ¥ = u(X) una correspondencia uno a uno entre los valores de X'y ¥ de modo que la ecuaciGn y = w(x) se pueda resolver univoca- ‘mente para x en terminos de y. digamos x = w (y) Entonces la distibacion de probabilidad de Yes 80) = LOY, donde J = w'(y) y se llama jacobiano de la transformacion, PRUEBA Suponga que y u(x) es una funcién ereciente como la de la figura 7.1. En. y= ue wi) wor Figura 7.1 Furcion reciente tonces. vemos que siempre que ¥ cae entre a y b, la variable aleatoria X debe caer entre w(a) y w(b). De aqui Pla <¥ <8) = Pola) en el que se traza el con- junto A de puntos en el plano 2x, eseribimos186 captulo 7 Funciones de variables aleatorias n=Vn Yh y después al hacer xy = 0.1, = 0,4, ~ Isy 2 ~ I las fronteras del conjunto A se transforman ay; = 0,¥5= 0.3, ~ ley y= Vy) 09% = Ys Las dos segiones sys. tran en la figura 73. Claramente, lt transformacion es uno a uno, al raza el coy, aet a ae eo ut Figura 7.3 Trazo del conunto A onet sonjunto 8 junto A = {(xy. x10 <4, < 1,0. << 1] en el eonjunto B ~ (093) 30. Bye? Y Como g(y) es una funcion de densidad, se sigue que Pf yen fue t= syce| yey aval z ra) , Vr la integral ese 4rea bajo una curva de probatitidad gamma con parimettos a= y A= 2 Por tanto, Vz ~ T (12) y a distribucién de probabilidad de Y est por 1__yrigsm, y>0, gyy=427rany? 0. cen cualquier otro caso, que ¢s una distribuci6n ji cuadrada con | grado de libertad. @‘Seevion 73 Momentos yfenciones goneradoras de momentos 189 7.3. Momentos y funciones generadoras de momentos en aplicaciones de las funciones generadaras de lela funciona gencradors de momentos es la deter. distribuciones. Sin embargo, fa contribucién més inlecer distribuciones de funciones de variables aleatorias, 3, Xforr = 0, denomina r-ésimo memento atte notamos como pj la definicion 7.1 da un valor esperado que se or del origen de li variable aleatoria X. que de El résimo momenta slededor det origen dela yriabiealeatora X eu ead por Tvs) ~ si Xesdiscreta m7 = E(X) = Jiereyas xcs conimia Como el primer y segundo momentos alrededor del origen estin dados por pu) — E(X)y wh toria como E(X*), podemos escribir la media y ta varianza de una variable alea: wow yy nae ‘Aunque los momentos de una variable aleatoria se pueden determinar directa mente de la definicidn 7.1, existe un procedimiento alternativo. Este procedimien: to requiere [a utilizacion de una funcion generadora de momentos, Detnicién72. [Tia faneoa gunevadord do momanton Ue li vanable aleaora co Gada por IB(e5 yee erat con i, (0, Dag Dens SXei decom Mp = EC = 4 J ereyae si Xs continua. Las funciones generadoras de momentos existirin s6jo sila suma o integral de la definicién 72 converge, Si existe una funcién zeneradora de momentos de una fable alestoria X. se pueile utilizar para generar todos los momentos de dicha va- Imétodo se describe en el teorema 7.6, rable, genteradora de momentos M, (9). jable aleatoria con func ‘Teorema7.6 | Sea X una ¥ | Entonces dM) sy =u a a lew190 Copiulo 7 Funcionas de variates ateatorias PRUEBA Suponga que podemos diferenciar dentro de la sumatoria y dela intogy Ghtenemos Srey si Xs disereta amgn_)* HV eerpayds —stxescominna “Athaeer = 0, ems que ambos enon se oer a BCX") = Ejemplo 76 Encuentre la funcién generadora de momentos de lx variable aeato, rin binomial X y después utiicela para verificar que # = "p ¥ @ = "pd so.ueion De ladefiniciin 72 tenemos ayo = Se" ("oar = =) (peyta"* Si reconocemos a esta ditima suma como Ia expansidn binomial de (pe! + 4)", 0 Mato (re! a)" Ahora bien aMyi0)_ dt nipel + gy" Ipel EMC) dr = mpleln~ Dive’ Ope! + (pel + gi [Ai hacer = 0, ohtenemos Hi py wh = npl(n~ Vp +1). Por tanto, we ai=np yo? = wy w= np(l ~ p) = Pd {que estd de acuerdo con los resultados que se obiuvieron en ef capitulo 5. # Ejemplo 7-7. Muestre que a funcién generadora de momentos de la variable Loria X que tiene una distribucién de probabilidad normal con media # ¥¥ @ esté dada por cep (Rete Mylo = emp (MASE)‘Seccion 7.3 Momentos funciones generadoras de momentos 191 sotweIon De la definieién 72 la funcion ue eneradora de momentos de la variable aleatoria nor to | evtaeml SAT HE yt tape + 12] a \« 2m + ta?)x + Le a + oP = 2a? — Pet yentonces My(o) = f z a exp( ako w+ eo = Yuta? 10) a weap EE) Fh ay (== Hg Seaw =[x~ (x + «)]/a-entonces dr = ad y My (0) = exp(“ ee) edo = exp (ME), pues la sltima integral representa el rea bajo una curva de densidad normal estén- dary por ellocs igual a1. = Fjemplo 78 Muestre que la funcidn generadora de momentos de la variable alea. toria X que tiene una distribucién ji cuadrada con x grados de libertad es v2 My(t) = (1-2) ‘soLucion , La distribucién ji cuadrada se obtuvo como un caso especial de la distribucién gam- ma al hacer a ~ v/2y B = 2. Alsustituir por f(x) en la definicidn 7.2, obtenemos L oe Ms(0 = |e Saree ml ete ‘Alescribiry = x(1 ~ 29/2y dt = [2/1 ~ 2)}dy, obtencmos192 coaprulo7 Funciones de variables aleatoras M0 = soapy, (i?) 1 Tera a7, bide a que la ultima integral es igual a P(0/2) ‘Aungue e! método de iranslormacion de Variables proporciona una forma efec. tiva de encontrar Ia distnbucion de una funcion de diversas variables, hay un pre cedimiento allernatwvo y que a menudo se prefiere cuando la funciGn en cuesticn una combinacin lineal de variables aleatoris independientes. Este procedimiznty utiliza las propiedades de las funciones generadoras de momentos que se presentan cen los siguientes cuatro teoremas. Para conservar el alcance matemitico de ese i bro. esiablecemos el teorema 7.7 sin demostraciin. = Yay = (1 — 20°*, ‘Teorema 77 | (‘eorema de unicidad) Sean X'y ¥ dos variables aleatorias con funciones yene- adoras de momentos My(i) yMy(i), respectivamente. Si My() = My(#) para todos los valores de, entonces X'y ¥ tienen la misma distribucién de probabi- lidad Teorema 7.8 | My.,(1) = ¢¥My(t) PRUEBA My. a = Ele!) = ene) Teorema7.9 | M..(i) = Malar), eM. PRUEBA M,\(0 = Ele 1 = Fle} = Mylan, Teorema 710 | Si X,..%;, ... .X, son variables aleatorias independientes con funciones genera- doras de momentos Ms, (i), My, (i). ...s My. (0, respectivamente, y ¥ = Xj + + X,, entonees My = MOM, 0M) PRUEBA Para el caso continuo, My(0 = Ele”) plein tes, = fo fete yf andy ad ‘Como las variables son independientes, tenemos.‘Seccién 7.3 Momentos y unciones generadoras de momentos 193. F035.) = HMA) Sul) y entonces MO= [ered] ented fer peaas, = My (OM My. La demostracién para el caso disereto se obtiene de mancre similar al reemplazar las integrales eon sumatorias Tos teoremas 7.7 al 7.10 son vitales para comprender kis funciones generado- ras de momentos. contiauacion se presenta un ejemplo como ilstracion, Hay mu. ‘shas situaciones en las que nevesitamos conocer la disiribucign de la suma de las variables aleatorias, Podemos utilizar os teoremas 7.7 y 7.10 el resultado del eer icio 19 que sigue de esta seecién para encontrar la distribucién de una suma de dos variables aleatorias independientes de Poisson con funciones generadoras de mo- ‘mento dadas por My a respectivamente. De acuerdo con el teorema 7.10, la funeidn generadora de mom to de la variable aleatoria ¥, =X, + 65 My (1) = My, (QM (0) = eh ‘que de inmediato identificamos como la funcion generadora de momentos de una variable aleatona que tiene una distribucion de Poisson con el pardimetto px; ~ fi Por ello, de acuerdo con el teorema 77, de nuevo concluimos que fa suma de dos variables aleatorias independientes que tienen distribuciones de Poisson, con pari. ‘metros 44 ¥ 4, tiene una distribucidn de Poisson con pardmetro p1, + se, Combinaciones lineales de variables aleatorias En estadistica aplicada 4 menudo se necesita conocer Ia dstribucién de probabil dad de una combinacin lineal de variables aleatoriss nommalesindependientes. Ob- tengamos la distribucion de la variable aleatoria Y = a, X; + 0, %, cuando X, esuna variable normal con media ay varianza oy Xs también es una variable normal pe ro independiente de X,, con media 1 y Varina of. Primero, por el teorema 71, ‘encontramos My) = Max OM: (0s después, con el uso del teorema 79, My(0) = My (a) My, (03. ‘Al sustituir a! por fen una {uncion generadora de momentos de la dstribucion nor- ‘mal que se deriva en el ejemplo 7.7 y despues ast por 1, tenemos Myld) = exp aynyt + alr ?/2 + agus + alert) io?/2) b = expla, + ayesdt + (ater? + ao2)12/2),194 Capitulo 7 Funciones de variabies aeatorias Teorema 7-11 Teorema 7.12 que reconocemos como Ia funcidn generadora de momentos de una distribucion que es normal con aij, ~ df Y Varianza aio? + 4303 ara generalizar al caso de # variables normales independientes, establecemo, el siguiente resultado. Si, Xs, son variables aleatoia independiente que tienen dstibucy. nes hormales con medias ps, fo, + ly ¥ VaNianzas Of, 03, ... 0 Tespectiva. ‘mente, entonces la variable aleatoria, ¥=aX, + aX; + ~ + 4%, tiene una distribucién normal con media bey = ay + ayes + a} + alos + Ahora queda claro que la distribucién de Poisson y la distribucién normal py seen una propiedad reproductiva en el sentido de que las sumas de variables ales. torias independientes que tienen cualquiera de estas distribuciones es una variate aleatoria que también tiene el mismo tipo de da también posee esta propiedad reproductiva. SUA, Assos Nsom variables sleatoriay mutuamente independientes que te nen, respectivamente, distribuciones ji cuadrada con 0 03, ..-+, grados de lr bertad, entonces la bok ay tiene una distribucidn ji cuadrada con v = vy + v, + + vy grados de ibertd PRUEBA Por el teorema 7.10, My = My (OMe My. (0. Del ejemplo7.8, Mz) =(1= 2°, §=1,2)...,0 Por tanto, My(o) = (1 = 29-21 — 24-20) “4 = (= mentor, ue reconocemos como la funci6n generadora de momentos de una disirbusO" ‘cuadrada con» = v, +0, +++ + + 0, grados de libertad,Seccidn 7.3 Momentos y unciones aeneradorss de mementos 195 Corolario | SIX, X, iables aleatoriay independientes que tienen distribu- ciones normale ‘gon media .y Varianza, ¢°, entonees la variable alea- toria see y thene una distribucion ji cuadrada con » = i gradtos de libertad y Este corolario ¢s una consecuencia inmediata del ejemplo7.5, que establece que: da una de tas 11 variables aleatorias independientes [(X, ~ 42)/eF.i = 1.2... 01 tiene una distribucion ji euadrada con 1 grado de liberiad. Este corolario es en ex {remo importante. Establece una relaci6n entre la muy importante distribucién j) ‘cuadrada y la distribucién normal. También debe proporcionar al lector una idea clara de lo que queremos decir con el pardmetro que denominamos grados de liber tad. A medida que avancemos en los capitulos siguientes, la nocién de grados de i bertad jugaré un papel de importancia creciente. Vemnos del corokatio que si Z,, Z, + 2, Son variables al hnormales estindar independientes, entonces ene una distribucién ji cuadrada y el parimetro tinico. v, los grados de libertad, es. el msimero de variables normales estindar. Ejercicios 1, Sea X una variable sleatoria con disiibusion de 4, Sean X; y X; variables aleatoraseseretas con probabitidad diserbucion de probabilidad conjunna 4 ox=12,3 HG, 4 = 12 = 1.23 42)~ 10. en cualquier otro caso. Heya d 18 Eneuentcl distribuetin de probatildad del aria 0, ea diagulerawictao, bie aleatoria Y = 2X ~ 1 Encucntre la distribucién de probabilidad de la varia. 2. Sea X una variable alestoria binomial con distr He aketora = bucion de probabilidad i {every ae en cualquier otro ease, 5, SiN tiene fo dstribueidn de probabilided 0412.3 L O de Y= 64"196 capitulo 7 Furcicnes do variates atontorias 7. La veloc men equllitrio eu Uuibusiga de proba wel, wo A= No, em enalguser donde {es una constante apropiada y p deperie de la temperatura absoluta y de ft masa de fy mokeenba ‘entre la distriucion do probabil deta ener 2 ade a miolécula W, donde W = mV. 8, La utildad de un distribuidor, en wnida $5000, sobre un avtomeil nuevo esta dada per ¥ X°, donde N es una variable a que tiene Ia funcin de densidad 2-9. Ost 0 cen cualquier oro caso, fin) cela funcign de densidad de probabil ria V (b) Com et uso de ta funcidn de densidad de ¥.€ ‘sventre la probabilidad de que la uid sea menor ‘que $500 sabre 0 f(a) = 400+ 4) 0, cen exalquier otro cao, re la funcion de densi lable aletoria ¥. (b) Con el uso de la funewon de densidad de Y, en ‘eventre la probabilidad de que el penodo hospital fio para un paciente que sigue este tratamiento exceda de ocho dias 10. Las variables aleatorias X'y V.que representan tos esos de eremas y chiclesos en eajas de un kilogram de choeolates que contienen una combinacidn de ere- ‘mas chiclosos yenvinadbos, tienen la foncién de densi- dad conjunta de probabil ry, 0S xS1,05y51, fs.9) = reysl 0, emeuslquier atro caso (@) Eneuentre ia funcién de densidad de probabil ‘dad dela variable aleatorie Z = X'+ Y. (b) Com ol io de ts funein de den teeta pride que 41. La cantidad de querosieno, en miles de Hiro, gy un ane a inicio de cual sleatoria Ve la que una canta de dre ese dit, Suponga que fn funcion de ens dda conjunta de estas kariables esi dada por oan Ra ee Mur | 1 a | 3 2 97 rs 3 a 4 2 $ % ‘ % x i 7 x Ber ae ° 3 3s Priire i 3 z (28.2 Grea do caja y ox 4 3 35 {onto poral osnesor te las 2 3 % “Si doles nando pita 3 3 3 4 9 35 oe os e BS MB RS wy! s 1a este conjunto asimético ie datos. Nétose que el bogue tqulerdo es considers Dlemente mis grande que el Bloque de la derecha. La medians ee 39, Flan ann ferir es 3, miontras que el superior es 35. Notese lambin qué ld shea, extrema en Ia derecha esté mas alejada dela caja que la obseivacien evens inquierda. No hay datos apartados en este conunte de dates Hay formas adicionales en las que lasers de caja y extensin y otra pe seotaciones graticas pueden ayudar al analista, Las muestas multiples ce pectcn compara de forma gratia. Laserficas de datos pueden sugertrelacionce re ne Tables. Las grifices pueden ayudar en la deteveion de anomalies ode sbsorace nes de datos apartados en las muestras Otto tipo de grifiea que en particular puede ser Wl para caracteriat la natu- talera de un conjunto de datos sa grifca de cuanaies. Como en el caso dele std fica de enja y extensiGn, se pusde hacer uso de las ideas basieas de la gratis de uantiles para comparar mucsras le dato, donde el objetivo del analista es encon. tar diferencias. lustraiones adicionales de est tipo de atiizacion se dard en los “apitulos siguientes donde se presenta la inferencia formal de la estadisticaasnci «da con fa comparacién de las muestas. En ese momento se demosirardn estudios 42 caso en los que se expone al lector la inferencia formal y las pric de dhagnéx- {eo para el mismo conjunto de daios. » Grafica de cuantiles EI proposito de las grifcas de cuanties es escribir. en forma de muestra, la fun- ion de aistribuciin acumulada que se presents en el capitulo 3. de los valores de los datos es menor que o igual 8 q\f), ‘Obviamente, un cuantil representa una estimacién de una caracteristica de una Poblici6n, o mais bien, 1a distribucién tedrica. La mediana de la muestra es q (0.5). Bl percent 75 (cuartil superior) os 9 (075) y el vari inferior es 90.25).21Z_—_Capnulo 8 Dstibuciones funcamertates de muesieo y descricionos de datos ‘Una grifica de cuantiles simplemente grafica los valores de los datos en ele Vertical contra ura evaluacion empirica de a fraccion de observaciones excedidas phe {os valores de los datos. Pata propésitos tebricos esta fraczicn se ealeula con donde ies ef orden de las obscryaciones euando se lasifican de inferior a superoy En otras palabras, sid jotamos las observaciones clasficadas como Many $ Hay Yea = Yor) Yo entonces rica de cuaniles describe una gréfica de y,, contra fn la figura 83 se presenta la erifiea de cuantiles para las “asas” de las latas de pintura analizada con anterioridad, 02 04 05 08 10 Fraccion. Figura 8.3 Gratica de cusntes pera los datos de ltas de pintura dela pagina 211 A diferencia de la prfien de caja y extensidn, la grética de cuantiles reatmené ‘muestra todas ls observaciones, Todos loscuantiles,incluida la medians y los cit tiles superior ¢ inferior, se pueden aproximor de forma visual. Por ejemplo, mente observamos una mediana de 35 y un cuartil superior de alrededor de 36 indicaciones de agrupaciones relativamente grandes alrededor de valores espee os se indican por pendientes cercanas a cero, mientras que fs datos disperses Ciertas éreas producen pendientes mis abruptas, La figura 8.3 muestra dispel de datos de los valores 28 a 30 pero una densidad relativamente alta de 36 a 38. Jos capitulos 9 y 10 proseguimos con las graficas de cuantiles mediante Ia ilustt de formas tiles de comparacién de distintas muestras.Se<2idn 83 Preseneciones ch datos ymitedos gréfcos 218 Deteccion de desviaciones de la normalidad Debe ser algo evidente ne Gino de twin dina ert ol lestOr que la deteccién desi un conjexito de datos vie auld dacs. Comoindkamenl nce dec a aan fa suosiion de que la outa osubeomn ee fa seccién,a menudohacemes la aeaoras normals indopondiite eng mente distribuidas. Una vez mis, I ; {con propos depreseniacén) una pruehede borate ie a ee tes Las pruebas de bondad de aiste ar prowontn on cheaphel ne Senn eee umanitle 0 reperteclentfen In nfornacin de diagno e aren ee menos id y hi no abuid, Enos captuensiguenes eaptune ye focamosde nuevo en oe msiodos de detcoin de desiauones ge ors ee Uw agregado dels inforensin sadist fama La sguenesiborre eae tna presemtacien «asa rae de dagndsto quese lam afte cuantiles-crantiles normates, - : amt de una Grafica de cuantiles~Cuantiles normales Definicion 8.12 {Ca gréfica de cuantiles-cuantiles normales toma ventaja de lo que se conooe acerea de los cuantiles de la distribucion normal. La metodolowia incluye una prafica de lon cuantiles empiricos recien presentados contra el cuantil correspondiente de la dist bucion normal. Ahora bien. la expresién para un cuantil de una variable alestoria N(u. a) es muy complicada. Sin embargo, una buena aproximacién es dada por (= er otal — 01 — fyp, La expresicn entre Haves (el multiplo de 7) es la aproximacidn para el esti co: rrespondiente para la variable aleatoria N(0, 1) es decir 40s (f) = 491 f ~ (1 = 4, 4 La grifica de euantiles-cuantles normales esta gréticn dey, (observacones ordenadas) contra q, ;(/,), donde j, toe neh Una relacion cervana a una lines recta sugiere que los datos provienen de una dis: tribucion normal, La interseccion en el eje vertical es una estimacion de la media de la poblacion y la pendiente es una estimacion de la desviacion estandar «. La igu- ra 8 en la pagina 214 muestra uns gréfica de cuantiles-cuantiles normales para los datos de las latas de pintura, Graficacion de la probabilidad normal 6n de la normalidad se hace clara a partir de la apariencia Noétese cdimo la desviacién de la normalidad se have clara a partir de la apy de fa grifica. La asimetria que exhiben los datos tiene como resultado cambios en rar on Hen de prin Oe a fob be manta en tis ares c+ a a rifle de eunate-cuniles normals ue se presen16 ag. Po eno, te da mucha aencian a ls Hamada gefien d probablided normal en aque eleCeptulo 8 Distibeciones rundementoles do muestren y descripciones de datos 30) _ er Sat CCuartit normal esténdae a, (. Figure 84 Grifca de cuenties cuamtles normales pers fos datos de las leas de pau, vertical contiene f graficada en un papel especialy ta escala utiliza los resultados ea luna linea recta cuando se gratican contra los valores de los datos ordenados. Ade ‘mis, una gratica altermativa hace uso de los valores esperados de las observacionss clasificadas para la distribucicn normal y grafica las observaciones clasificadas con. tra su valor esperado. con la suposicién de datos de M(je, er. Una vez ms, la lines recta es el criterio grafico que se utiliza. Continuamos para sugerir que tener como hase los métados analiticos gréficos que se desarrollan en esta seecidn ayuda enla ilustracién de los métodos formales de distincidn enire muestras distintas de dats, Ejemplo 8.12 Considere tos datos del ejercieio 23 en la pagina 328 en el capitulo 10. Fn un estudio, Retoncicin de murientes y respuesta de comunidades de macroit vertebrados « la presin de aguas resituales en un ecosistema de fo, que Se levOa &- boen el departamento de zoologia del Instituto Politecnico y Universidad Estatal & Virginia, se reunieron datos sobre mediciones de densidail (ntimero de organismes Por metro cuadrado) en dos diferentes estaciones colectoras, Enel capitulo 10se dat etalles con respecto a los métodos analiticos de comparacion de muestras para de- ‘etminar si ambasson de la misma distribucién (i, 7) Los datos son los siguiente Numero de organismos por metro cuadeado Estaciin 2 2.500 2810 46701330 6890 3.320) 11400263860 7.720 1330 oo 17.600 7030 2200 22800) 7280 42501130, 1501600‘Stecion 8.4 visrituconss mussrales 215 Construya una gré le cuantiles-cuantiles normales y exiraige conelusiones con, Fespectoia si es rizonable © no suponer que cesta poner que las des muestras Son de la misma disti- 20 | 20.000 15009 10000 00 | Estacion 1 Esticion 2 ee a 0 1 2 Cuan norma ettindar, dy (. Figura 85 Grafica de cuanties.cuantles narmales par los datos de densidad dl ejemplo 8.12. SOLUCION, La figura 8.5 muestra la grifica de cuantiles-cuantiles normales para las mediciones de densidad. La gréfiea muestra una apariencia que esté lejos de una sola linea ree. ta, De hecho, los dates de la estacién I reflejan pocos valores en la cola inferior de ladistribucién y varios en la cols superior. El “agrupamiento” de observaciones ha Ce parecer improbable que las dos muestras vengan de una distribueién comin Nuno). 0 “Aunque concentramos nuestro desarrollo ¢ ilustracién en la graficacisn de Ia pro- babilidad para distribuciones normales, podemos enfocamos en cualquier distribu- cién, Solamente necesitarfamos calcular cantidades de forma analitica para la distrbucion teorica en cuestion. Distribuciones muestrales ampo de Ia inferencia estadstica trata bisicamente con generalizaciones y pre- dicclones, Por ejemplo, podemos afrmar, con hase en las opiniones de varias per- Sonas entrevstatias en fa calle, que en una pr6xima elecion 60% de les votantes en To aindad de Detroit favorecen a cierto eandidato, En este caso tratamos con una nuestra aleatoria de opiniones de una poblacion finita muy grande, Como segunda,216 Capitulo 8 Disirituciones fundamentales de muestteo y descripciones de datos Definicion 8. ‘tustracion podemos afirmar que el costo promedio para construir una residenci eq Charleston, Carolina del Sur, esti entre $130000 y 135.000, con base en las esting, ciones de tres contratistas seleccionados al azar de 30 que construyen actualmeny en esta ciudad. La poblacién que serd muestreada aqui nu ode la compaaia ible aleatoria que depende slo de Ja muestra ia, debe tener una distribucién de probabilidad, La distribucién de probabilidad de una estadistica se Hama éistribucién muestra ] La distribucién de proba media La distribucién muestral de una estadistica depende del tama de la poble- i6n, el tamaio de las muestras y el método de eleceién de las muestras. En el re to de este capitulo estudiaremos varias de las mas importantes distribuciones mmucstrales de las estadisticas que se utilizan con mas frecuencia. Las aplicaciones de estas disiribusiones muestrales a problemas de inferencia estadistica se comside= Fan en la mayoria de los capitulos restantes, Se deben ver las distribuciones muestrales de y $* como el mecanismo apa tir del cual haremos finalmente inferencias de los parimetros yx y a2. La distibie cin muestral de X con tamaiio muestraln es la distribucion que resulta evando i experimento se lleva a eabo una y otra vee (siempre con tamaiio muestra n) YF sultan los diversos valores de X. ribueiGn muestra, entonces, deseribe variabilidad de los promedios muestrales alrededor de la media de la poblacin En el caso de la maquina de reirescos, el conocimiento de la distribucion muestl de 2 da al analista el conoeimiento de una discrepancia *tipica” entre un valor ‘observado y j4. Se aplica el mismo principio en el caso de la distribucign de S% distribucién muestral produce informacidn acerca de la variabilidad de les des" alrededor de «en experiments que se repiten, ilidad de X ve {lama distribucién muestral deta. ‘Seccion 5 Distrbuciones muestrales de medias 247 8.5 _Distribuciones muestrales de medias Teorema 82 La primera distribuci ‘istribucién muestral importante a considerar es la del fog que una muestra aletora den obweeatones ce ome mal con media yy v at ema Su farianza a7, Cada observacid =1,2 : mMuestrea, De aqui, por la propiedad reproduc Ube ene ere ye terototna dela airbus oma quesee x4 x= tiene distribucion normal con media By =e Si tomamos muestras de una peblaciin con distribucién desconocida, finita o infinita, la distribucién muestral de V atin seri aproximadamente normal con me dia wy varianza «/n siempre que el tamafo de la muestra sea grande, Este asom broso resultado es una consecuencia inmediata del siguiente teorema, que se llama teorema de! limite central, La demostracion se describe en el ejercicio I de la pa gina 224. Teorema del limite central Si X es la media mafio 7 tomada de una po! forma limite de la distribucidn de de una muestra aleatoria de ta jin con media fy yanianza finita 0° centonees la X-n ova Zz conforme n=, es la distribucién normal estindar (2:0. 1). La aproximacién normal para X por lo general serd buena sin = 30sin impor: tar a forma de Ia poblacién. Sim < 30, la aproximacién es buena s6lo sila pobla- ibn no es muy diferente de una distribuci6n normal y, como se establecié antes, si ‘sabe que la poblacién es normal, la distribucién muestral de X seguird una dis tnibucion normal exacta, no importa qué tan pequetio sea el tamaio de los mues tras. Ejemplo 8.13 Una empres rica focos que tlenen una duracion que se distribuye aproximadamente en forma normal, con media de $00 horas y desviacion ‘estdndar de 40 horas, Encuenire la probabilidad de que una muestra aleatoria de 16 focos tenga una vida promedio de menos de 775 horas.218 cCapitvio8 Distnbuciones fundamemales de munstoo y descrinciones We datos sen 1 actos moar a6? wa tease CAA Sea vieel opasuniiee cece aioe eee sombreada de la figura 86. Figura 86 Area para o ejemplo 8.13. En correspondencia con x = 775, encontramos que | _ 778 — 800 0 25, y por tanto P(Z< 23) = 0.0002. 0 Inferencias sobre la media de la poblacién ‘Una aplicacion muy importante del teorema det limite central es fa determinacion de valores razonables de la media de la poblacion j, Temas como la prueba de hips- {esis estimacidn, control de calidad y otros hacen uso del teorema del limite ceatal. El siguiente ejemplo ilustra el uso del teorema del limite central a este respecto,aun- ‘que la aplicacion formal de los temas anteriores se deja para capjtulos fuluros. Ejemplo 814 Un importante proceso de fabriescién produce partes. de comp nentes cilindricos pars la industria automotriz. Es importante que el proceso p= duzea partes que tengan una media de $ milimetros. El ingeniero involuerado hare la conjetura de que ls media dela poblacidn es de 5.0 milimetros, Se leva a cako it experimeato en el que 100 partes elaboradas por el proceso se seleecoman al zat se mide e} didmesro de eda una de els. Se sabe que la desviacion estandar dea Poblacion es = 0.1. Etexperimento indica un diametro promedio de la muestia x = 5.27 milimetros. {Esta informacion de la muestra parece apoyar o retuta t Conjetura del ingenierd? sowucion Este ejemplo reflejo la clase de problema que se plantea a menudo y que se resieh ‘ye cor! la raquineria de prucbe de hipdtesis juste iaoalee'sciks ata {eriores, No uilizaremos aqui el formalismo asoeiado eon la prueba de pero ilustraremos los principios y la Hogca que se utilizan Si os datos spoyan o rechazan la conjetura depende deta probastidad de‘Seccién 85 Oistibvciones muestales de medias 219 dafossmiaresa og sa obtironeneweexperinento(t prababiesqucrspusdn educa 51a) eee 5027 pueden oeu- ote palabras, au fan (7 con n= 1 ita media dela poblacion 978 30 soar Figure 8.7 Aves paral ejemplo 8.14 = 5.02 Siesta probabiidad susiere ques = 5007 ities no ees Sn pata haste tae ce spent certidumbre que los datos no spoyan i eonjetuma de que n= $0 La ad que elijamos calcular esta " RA \la por Pr{|(X ~ 5)] = 0027) En otras palabras, si 1a media jxes 5, zcual es la posi mas en 0.027 milimetros? P(X — 5)| = 9.9: idad de que X se desvie alo = PUK ~ 5) = 0.027] + PUCK — nw) = -0.027) seid 2 Gavi J>27 Aqui simplemente estandarizamos X de acuerdo con el teorema del limite central Si fa conjeura w= 5.0 es ciena, X ~ 59. ¢s N01), Ast o1/Vi00 - 50 2 XFS 29] = arte» 27) ~ 0.0038) ~ 9007 o.1/V 100 De esta manera se experimentaria por casuatidad una X que esta a 0.027 mitimetros de la media en sélo siete de 1000 experimentos. Como resultado, este experimento ‘5.027 ciertamente no proporciona evidencia que apoye la conjetura de que om Distribucion muestral de la diferencia entre dos promedios La ilustracion del ejemplo 8.14 trata con nociones de inferencia estadistica sobre ns sola media ju. El ingeniero estaba interesado en apoyar una conjtura con res: ecto aura sola media dela poblacién. Una aplicacion macho mis importante in Tlaye dos poblaciones. Un cintifico 0 ingenicro se interesa en un experimento220 Captuio8 istrituciones fundamentales de muestieo y descriociones de datos Teorema 83 comparativo el que se coteian dos méiodos de produccién, 1 y 2. La b; esta comparacion es 4, ~ 1a. 1a di ‘uponga que tenemos dos pobla e2eylasey rencia de las medias de las poblaciones, Sy ones, la primera con media ¥ Yanan ula con media jy varianza v3. Representemos con la estadstion ta media de una muestra aleatoria de lamas m,seleccionada de la primera poh sion,» com la estalitica X, 1a media de una muestra aleatoria selecsionada de Segunda poblacion, independiente de la muesita de la primera poblacion, ;Oue odemos decir acerea de la distribucion de muestreo dela diferensia X, ~ 4p 4 muesiras repetidas de tamaito n, y n:? De acuerdo con el tearema 82 tafe Fiables X) y As estan distribuidas aproximadamente de forma normel con med, 4 as ¥ Yatianzas a7/n, y a2/m, respectivamente. Esta aproximacion mej coniorme m, y'n, aumentan. Al clegir muestras indzpendientes de las dos pobig ciones las variables Xj y Xz serin independientes, y entonces con e! uso de! tea, Fema 7.11, con a; = Ly @ = ~1, podemos concluir que X, ~ X, est distribu aproximadamente de forma normal con media ee el) y varianza Sise extracn al azar muestra independientes de tama m; ym, de dos pobla- siones, diseretas © continuas, con medias ja, y pz, Varianzas of y of, respet ‘Yamente, entonces la dstribucin muesiral de las diferencias de las meds X) ~ 4, esta distribuida aproximadamente de forma normal con media ¥ varianza dadas por De aqui __esamovinadanente ns rie neal ota Sim ¥ m son mayores que o iguales tribueién de X, ~ 2X; es muy buena sin importar las formas de as dos poblaviones Sin embargo, aun cuando my ny sean menores que 30, a aproximacion normal razonablemente buena excepto cuando las poblaciones no son detnitivamene 1 males, Por supuesto, si ambas poblaciones son normales, entonces 1X, — 4 tet una distribuciGn normal sin importar cules son los tamafios den, y i. 30, la aproximacién normal para la die Elemplo 8.15 Se llevan a cibo dos experimentos independientes en los abe comparan dos tipos diferentes de pintura. Se pintan 18 espectmenes con el tipoSecvion 83 isrituciones muestaies de medias 221 AB. Se sabe que las desviaciones estandar de a poblacién son ambas 1.0. : Suyuna que el emp med decane gal ps fos dos tipos de pntra encuentre Pr(X ~ Xj, > 1.0), donde X, y son les tiempos promedia de secado para muesiras de tamanon, = rig = 18 ita SOLUCION De la distribucion de muestieo de X, ~ X,, sabemos que la distribucion es normal con medi Bx 0 5 as ae a ° 10 y= Hon Jura 88 Area para el eiemplo 815, La probabitidad que se desea esta dada por la region sombreada en la figura 88. En correspondencia con el valor X,, — X,, = 0. tenemos 1 = (iy = Hy) (1 = 0 _ 55, vip vis por lo que Pr(z > 3.0) = 1 Pr(z < 30) = 1 — 0.9987 = 0.4013. mi eee Ce ee ee aera Se oe aka earins une Ee ne gsc iota a Bae tai cig gu keine FeO roce yogis ames pete F-Fe=0) 53 ol ee neo3)=1=me2-<07 (ey — Xy)| > 025 hoa \> = | ~ 07734 = 0.2260,Cepnulo 8 Oswibuciones tunsamentaies ce muestreo y deseripciones de dates Como esta probabilidad no es excesivamente baja, coneluimos que una diferencia de 15 minutos en ta media muestral puede ocurtir por casualidad (es decir, sues gon frecuencia aunque j1y = py). Como resultado, este tipo de diferencia en tiempo promedio de secado ciertamente no es una sefial clara de que 1, * 4, ‘Como indicams al principio, en los capituls siguientes se proporcionar may formalismo con respecto a éte y a ottos tipos de inferencia estadistica (por ejemy, plo. la prueba de hipstesis). FI teorema del limite central y las distribuciones de ‘muestreo que se presentan en las siguientes tres seeciones también jugarin un pe pelvital. Ejemplo8.16 Los cinescopios para television del fabricante A tienen una duraciéy ‘media de 6.5 aftos v una desviacidn estindar de 0.9 altos, mientras que los del fab. cante B tienen una duracién media de 6.0 aos y una desviacién estindar de 05 aos, ;Cual es la probabilidad de que una muestra aleatoria de 36 cinescopios dl fabricante A tengan una duracion media que sea al menos de un ato mas que la racion media de una muestra de 49 cinescopios del fabricante B? soLucion, Se nos da la siguiente informacién: Poblacién 1 Pablacin 2 = 65 = 60 = 09 = 08 ny =36 maa Si utilizamos el teorema &. mente normal y tendré una Ia distribucién mucstral de X, — X, seré apronimads media yuna dewiacion estandar de jost , 6 rh Wag * a9 Wy -%=09-00=05 yay 1189, La probabilidad de que la media de 36 cinescopios del fabricante A sea al menos un aio mayor que la media de 49 cinescopios del fabricante B ests dada por el rea dé ta region sombreada de la figura 89. Con respectoal valor ¥, ~ x, = 10,enconttie mos que‘Seccidn 8.5 Cistibuciones mucstrles de medion y de aqui = 10) (2 > 265) = 1 223 PIZ< 265) 10.5960 = 00040. Ejercicios eo 1. Sise extmen todes las muestrasposibies de tame. fo 16 6e una poblacion normal cor media igual 1 5) y/desviacin estindar igual a5, ,cuil es la probabil tad de que una media muestral X caiga en e intervs To que va de wy ~ L90y a wy ~ 0.4? Suponga (que las medias muestrales se pueden mediron cua tier grado de precision. 2. Dada la poblacica uniforme di r= {} cocenire ia probabilidad de que una mucsia aleto fi de tama St, selscionads con reemplazo, dS uma ‘Reda mvestal mayor que 41 pero menor gic 44 Sw ongn que as medins se mien aldécimo mis cern, 3. Sefatrica certo tipo de hilo oa una resistencia a hn tneaon media de 7.3 klopramos yuna desiacion {Standar de 3 fulogramos, ;Como cambia la varanza ely media muestra cuando el amano de la muesea {@) aumenta de 64 1967 (©) disminuye de 784 49? 4: Sila desviacidn stindar dela media para la di tibucin muestra de mucsras aleatrias ce taaiho 36 de ina poblacin grande oinfirita es 2, qué tan apande debe sereltamaao dela muestra sila desviz- ‘Sn esténdar se reduce a 122 5. Una méiquina de refresos se ajsta para que ‘ailidad de hebia que sive promedie 240 mliitros Sn desinsinsndar de Sites Lamia verfca peridicamense tomandoina muesta de Whebides yee aca alsontenicopremedn. Sib ‘Beliadelas 40 bebidas ex un valor demo del iter Wier = 2e. se penia que lamaquina opera sits aan: eta ere jt, En secon de ls compania encuentra que la media magypebiis cs 2 = 24 mitivos y concave ate ‘aa no necesta un aint. sta fue umn deci i ante x=2A6 en cualquier oir0 caso, & as cstaturns de 1000 extudanies estén dstrbui> lament deforma neral cow una Me 1745 centimetror y una desviacidn estdndar de ‘Siaeentaen 20) estas leo de tamato 25d s pohly ls midis regi tan ldéciode centmetn mie cereano, determine (a) la media la desvacinextnar de ls detrbu cin musta de (b) elmimerode ls medasmuestales que ciemen- tre 172.5y 1758 centintrosincisive (©) elnimerode meds mustates gue bao e 1720 centinetros 1 porde- tribucién de probabilidad Pax | 0: a4 03 Od (a) Encuentre la media py la varianza o* de X. (b) Encuentre lamedia jy ylavarianza a3 dela me- die Xpara muesirasaleatoras de 36 empanadas de (c) Encuentre la probabilidad de que el mimero pro medio de cerezasen 36empanadassea menor que 5S. 8, Sicierta miquina fabrics resisioreseldtrizosique tienen una resistencia media de 40 ohmiosy una des- viocin sténdar de dos ohmios zeusl esa probabil dad de que una muestea aleatoria de 36 de estos roxstores tenga una resistencia combinada de més de LASS ohmios? {9 La vida media de una maquina para hacer past es de siete anos, con una desviaeiba estdedar do1un fano. Suponga que las vidas de estas méquinassiguen faproximadamente unadistribucibn normal, encuentie (2) fa probatilidad de que lo vida media de una Imvesira aearoria Je nucve de esias maquinse caigs nite 6 y 72 aos, : (b) el valor de Xara derecha del cual exer ol 188% (elas medias calculndas de muestiasaeatoris de ta- ‘maifo nueve. 40. Eltiempo que el cajerode un banco con servicio nel autombvilatende aun ciene es una variable fleatoria con media « = 32 minutes y una den tidn estindar a= L6 minutes, Si se observa una224 proba Iitidad de que su tiempo medio con cl eajero soa (@) 8 b mie 27 minaton (6) al menos 32 minutes pora menos de 3.4 minuto 1. Teor (2) Com el tno de los teoren de inte central 78, 7.9y 7.10, mues My, vanmeonlu( )P. donde ¥ es ty media de una muestra sleatoria de ta ‘mao n de una poblacién f(x) con media yey vara z.0'.yde aqui BME nis 6 tno) (0) Use etresuado del ejeresio 22 que esté en lap sina 197 para expandir M,(i/er Vn) como una serie infinta en potencias de |. Fodemos escribir entonces My(i/o Vn) = | + vdonde ¢ es una serie infinit, (6) Suponga quem essuticientemente grande, exp a In(1 +0) en una serie de Madlaurin y despucs rmuestre que Ing yall) =~ Jim In My . sinaisan®) yide agut 2 Mie-ayonin = 12. Se toma una mucstea alestoria de tamano 25 de tuna poblacién normal que tine uns mediade 80 y una desviacin estandar de 5, Una segunda muestra alew toria de tamaio 36,¢ toma de una poblacion normal diferente que tiene una media de 75,y una desviacion festindas de 3. Eneueatre la probabildad de qu la ‘media muestral caleulada de las 25 mediciones exce dda la media muestral calculada de las 36 mediciones Por al menos 3.4 peroten menos de 5.9. Suponga que Jas medias se miden al décitno mis cercano, 13, La dstribucién de alturas de cierta raza de perros terrier tiene una altura media de 72 ceniimettos y una {Capituo 8 Obstrouciones tundamentales ce muestrvo y descripciones de datos esvlacicn estanéar de 10 cemtimetto, mi la eitribuctn de alturas de cera raza de i Poodles media de 28 eentimetros com nee idm estan de 5 centimetos Supe nie sedis muestae9e pueden tei cna nde presi, sent probabil Ws media muesa pata uns est aor de tas de 64 terriers xed hs media muestal pa muestra aleatoria de, a ras de 00 poodles prey do much 44.2 centinetes or 14, Lacilifeacin media de estudints doping cn an examen de aptitud en cierta univewsidad sg, ‘omuna desriacin estndar de 90. ,Cul es pro, lida de quedes prupes de estudiantes seleecornda ar. que consisten en 12 y 50 edtudiantes, repens ‘meat. diieran en sts ealifcaciones medias por (a) mis de 20 puntes? (b) una cant Sy 10 puntos? Suponga que lis medios se iden con cualquier gv do de precision 18. Construya una grea de cuantles part esos. tos. Las duraciones en horas de cineueata limps incancescentes cle 40 watts 2110 voltioseniiadsi- termamente tomadas de prucbas en condiciones 919 119 78S 1126. $36 918 1156 920 se 1007 1092 1162 1170 $29 980905 972 168 Has 855 1195 1198 1340 1122. 938 970 1B 956 1102 1157 978 §32 1000 1157 1151 10 765 958 M2 1022 1333 M1 1217 1085 958 1311 1057702 923 16. Constroya una grfica de cuantiles-cuaties mo rales de estos datos. Diaettos de 36 cabecasde mache en 1/100 de palgads: 672 677 682 670 678 67 66 678 666 666 666 676 673 680 672 67% 676 OS 666 68 6.72 6.76 670 678 676 667 61 672 671 G81 6.79 678 666 676 676 67 8.6 _Distribucion muestral de S* En la seccién anterior rendimos acerca de Ia disiribucién de muestreo de teotema del limite central nos permitié hacer uso del hecho de que Xu on‘Seecon8.6 Disvibucion munstaldes? 225 nde # (0 1) conforme crese el tamaio dela muestra, Los eiemplos 8.15 y 816 ilustran la aplicacon det teorema de limite central que nos permite extract eonelt siones acerca de la media de la poblacin o la diferencia en don medias de pabla cin. Las disiribuctones muestates de estadsticas importantes x permiten comocer informacion sobre los parémeiros. Por lo general. los pardmettes son la contrapar te de ls estadistica en cuestidn, Si un ingeniero se interesa en la resistencia media de la poblacin de cierto tipo de resistor, la distrihucisn mucstral de X se explote una vez que se redina la informacin de ls muestra, Por oteo lado, ose esta lo varibifidad en el resistor. claramente la distrbusion mucstral de se ulead pa raconccet la coniraparte paramétrica, la varianza dela poblacion Si se extrae una muestra aleatorin de tamato n de una poblacicn normal eon media «3 varianza 0°, y se calcula la varianea muesiral oblenemes an valor de la estadisticn S* Procederemos a considerat la distribuciin ce la esadistica (n= D870", Mediante la suma y resta de ta media mbesiral X, es fel ver que Soyo - Sw - +8 - we S-nd eve SH-D Dw - 1 + MK aye Al dividir cada término de la jgualdad entre o® y sustituir (nr ~)5* por D-H 0b Ahora, de acuerdo con el carolasio del teorema 7.12 sabenios que sees 32 wo ‘tna variable aleatoria ji cuadrada con n grados de libertad. Bl segundo término dele detec dela igualad ese cadtado de wna variable normal stn da, fee ¥ cs ua variable alestora normal con media ey ~ 1 ynarianza = 0 /n. Be Lento, podemos concur de} ejemplo 8.1 que (X — una vaible alee teri jt euadada con | grado de bert. Co eso de ten aaa ue ‘én fuera del alcance de este libro, se puede mostrar también que las dos varial ficuadradas SX, — wy (X=) ee226 Caprio 8. Distribuciones fundamontales ce muvsiteo y deterinciones de datoa 84 (0 — 1)8/a° también esuna variable aleatoria ji cuidrada conv ~~ I gmt libertad, Establecemios este resultado en el siguiente teorema, a SiS” es la varianza de una muesira aleatoria de tamaio m que se tom: Poblacion normal que tiene la varianza @?, entonces ta estadist 0s _ gay 1 de ana, tiene una distribucibn ji candrads eon v ~ | grados de libertad. Los valores de la vari formula wda muestra mediantely ps8 probabilidad de que una muestia alestoria preduzca un valor x” mayor que a gin valor espetico es gual al ea bajo curva ata derecha de este saloe Seca tumbra representar con x? el valor ¢? por arriba del que encontramos un érea dea, Esto ira mediante la rgiinsombreada onl fours 810, ° ie Figura 8.10 Valores tabulados do la dstibucién ji cuadrada. La tabla A.5 da los valores de v2 para diversos valores de ay v, Las 6¥eas son los encabezados de las columnas los grads de libertad, v, se dan en la colt na izquierda, y las entradas de la tabla son los valores y2. De aqui, el valor xe 7 grados de libertad, que deja un érea de 0105 a a denscha, es x2ys = 14,067. B= ido a la falia de simetria, debemos usar tambien las tablas para encoatit des ~ 2.167 para v ~ 7, Exactamente 99% de una distribucion ji euacrada yace entre xfs ¥ Xo valor x’ que cae a la detecta de yy3.n0 es probable que ocurra a menos que Mi tro valor supuesto deo” sea demasiado pequeio, De manera similar, un wil que cae a la inquierda de yj, es improbable a menos que nuestro valor SUD de a” sea demasiado grande. En otras palabras, es posible tener un izquierdla de 2, 0 01a derecha de xjq,, cuando es correcta, pero si ‘ocurrir, x mas probable que el valor supuesto de 0” sea un error.‘Seceion 86 Oretrucion muestra doS* 227 Ejemplo 817 Un fabricate de rnin, en promedio, tres s baterias tiene baterias para auto garantiza que sus baterfas dur {Ce.afos con uni desviacion estandar de un ato. Si cinco de es convene de nae aciones de 19,24, 30,35 y 42 ats, gel fabricante adn est ga que que sus baterias th de un aio? Supon- ‘sOLUCION Encontramos primero ta wvianza de la must: _ (5)(48.26) ~ asy jay = O85, Entonces »_ SIS) - 226 I « las dos distri- buciones serdn la misma, Fx la figura 8.11 mostramos la relacion entre una dist tucidn normal estandas (0 ~ ») y las dstribuciones recon 2 y 5 grads de libertad ‘Se acostumbra representar con f, el valor # por arriba del cual encontramos un ‘area igual baz. De aqui; el valor con 10 grados de libertad que deja un drea de 0.025 ‘ala derecha es 1 = 2228. Como la distribucidn £¢s simétrica alrededor de una me-230. copnulo.8 Dishibuciones lundamentakes de muestreo v descrinciones de datos dia de cero, tenemos i,.,, = ~f,; esdecir, el valor 1 que dk derecha y por tanto un area de aa la izquierda. es igual al valor f negative que de ja un frea Ge a en la cola derecha de Ia distribucién (véase la figura & 12). Eso, foys = ~ buss fasy = fated Figura 8.12 Propiodad de simstia do ls itibucion Kjemplo 8.18 El valoré con v = 14 grados de libertad que deja un area de 00258 Ia izquierda, y por tanto un area de 0.975 a la derecha, es toons = —fons= ~ 2145. Set Shall Ejemplo 8.19 Encuentre P( soLucion ; Como fncs deja un drea de 0.05 a la derecha, y fps deja un drea de 0025 aa uierda, encontramos un érea total de 1 — 0.05 ~ 0025 = 0.925 entre ~ foun ¥ fogs: De aqui Pit 5 <7 SOD l valor de ca do de la nmestmn serfa més raronable. De aqui que ex probable que «litres coneluya que el pr produce unm " or producto del que piensa. « éPara qué se utiliza la distribucion T? La distribucidn # se usa de manera extenca en problemas que tienen que ver con. 9 ‘en problemas que implican muesteas comparativas (es desir, en casos donde se tr, ta de deierminar si las medias de doy muestras son sig ferencia acerca de la media de la poblacién (como se ilustra en el ejemplo 8, ficativamente diferentes, Eb lector debe notar que ef use de la disiribucton ¢ para la estadistica Xow s/vn requiere que XX ‘Gon del tamano de Ia muestra no se relacionan con el teorema del limite central, BL uso de la distribucion normal estandar en lugar de 7 para n = 30 solamente impli ‘ca que S ¢s un estimador suficientemente bueno de ven este caso. Er los captuby que siguen la distribuci6n r encuentra un uso extenso. , sea normal, El uso de la distribucién 1 y la considers 8.8 Distribucion F Motivamos la distribucidn sen parte sobre la base de la aplicacion a problemas et Jos que hay muesireo comparativo (es decir, comparacién entre dos medits muse trales). Algunos de nuestros ejemplos ea los eapitulos siguientes proporcionarnel formalismo. Un ingenicro quimico retine datos de dos catalizadores. Un bilogo Jecia datos sobre dos medios de crecimiento, Un quimicg reiine datos sobre dos me todos de material de recubrimiento para suprimir la cotrosi¢n, Aunque cs de ite 4ue la informacidn muestral arroje luz sobre dos medias de poblaciones, esftecuer te el caso en el que una comparacién, en algun sentido, de Ia variabilidad seaigutl ‘mente importante, sino es que més. La distribucién F encuentra enorme aplcagia cn la comparacién de varianzas muestrales. Las aplicaciones de la dstibusihl se encuentran en problemss que involueran dos o mis muestras. independientes, dividida cada una entre su mimero de grados de libertad. De: podemos escribir Ue Leet Vi, 4 donde U y V son variables aleatoriay independ euadradas con »; y 0; grados de libertad, respectivamente. Estableceren0s! distribuciin muestral de F.Svocién 88 DistribucionF — 233 Teorema 86 | Sean Uy V dos variables aleatonas independientes gue tienen distribuciones ji las conv, y 05 grados dk ‘ i le libertad, respectivamente. Entonces ia Sn de la variable aleatoria = U/y, Vo, Sta dada por Te + v)/2 oy? T/T y/2) (1+ wffay™ o flon) AM, el valor fcon 6 y 10 grados de libertad, que deja un area de 0.95 4 ls derecha, | Fins10,6) 4.06 Suponga que las muestras aleatorias de tamano 7, y nse seleccionan de des poblaciones normales con varianzas 6; y 03, respestivamente. Del torema8s.s. bemos que = 0.246, 1s(6, 10) = _ (= DS? Xu son variables aleatorias que tienen distribueiones ji cuadradas con vy = nj ~ Ly =n, ~ 1 grados de libertad, demas, como las muestras se seleccionan al azar, tratamos con variables aleatorias independientes, y entonces con el uso del teorema 8.6 con X? = Uy X2 = V, obtenemos el siguiente resultado, Teorema 8.8 Si Sy S2son las varianzas de mucstas aeatoriasindependientes de tamafion, yn, tomadas de poblaciones normales con vatianzas v? y 03. respecivamente, tiene una distribucion F'con v, = 2, ~ Ly iy ~ L prados de libertad Para qué se utiliza la distribucion F? (Caneeainde ei preguntay en: parte, al inlolo Ue ektnlseed cot a een se usa en situaciones de dos muestras para exiraer inferencias acerca de fs ¥* rianzas de poblacién. Esto implica la aplicacién del resultado del teorema 8.8. 98 embargo, la distribucién F se aplica a muchos otros tipos de problemas en 108 las varianzas muesirales estén involucradas. De hecho, la distribucién F sel distribucién de razén de varianzas. Como ilustracién, considere el ejemplo 815: Pomepamion doe platures; Ay: 8) con’ranpisdio'e7et) i rarities Canaan distribucién normal se aplica bien (se supone que se conocen wr ¥ #p)- Sine 0, suponga que hay tres tipos de pinturas a comparar, digamos A, By Dé ‘mos determinar si las medias de las poblaciones son equivalents. Su hecho, que importante informacion resumida del experimento es Ia sigviemSeccion 88 Distroucion F235 ‘amano muesteal 0 0 0 cae bicma s€ Centra alrededor de silos promedios muestrales (iq 3p Xe) estén {Uiscntemente alejados ono, Laimplicacién de “suficientementealsjadoes os ay importante Pareceriarazonable que’ la variabiidad enc os rome teg mace, tes es mayor que lo que se esperatia por casualida, los datos to apoyan lo conchae Sién de qué #2, = ity = 14¢. Que estos promedios muestrales pudieran ocurrit por cgsualidad depende de la veriabilided dentro de las nuesirs, como evantcan es e-¥ sc_ Ta nocidn de los componentes importantes de la variabilidad se ve mejor Por medio de algunas graficas simples, Considere la grfica de les datos originates de las mucstras A, By C, que se muestran en la figura 816. Estos datos podtfan ae erat con facilidad la informacién resumen anterior AAAAAA jp Aamo Ase + aasccasc cece Figure 8.16 Detos de ties muestras diterentes Parece evidente que los datos vienen de distribucionescon diferentes medias de poblacién, aunque hay alguna superposicion entre las muestias. Un andlisis que in- luya todos los datos intentarfa determinar si la variabilidad entre los premedion ‘muesirales y la variabilidad dentro de las muestras podria haber ocurrido conjunta mente si de hecho las poblaciones tienen tra media comin. Notese que la clave para este analisis se centra alrededor de las dos siguientes fuentes de variabilidad. 1. Variabilidad dentro de las muesteas (entre observaciones en distintas muesias). 2. Variabilidad entre muestras (entre promedios muestrales), Claramente, sila variabilidad en (1) es considerablemente mayor quella de (2) habré tuna considerable superposicién en los datos de la muestra y una seftal de que los da- tos podrfan provenir de una distribuci6n comin, Se encuentra un ejemplo en el con- junio de datos que contienen ires muestras,y que se puede ver ela figura 8.17. Por $tro lado, es muy improbable que los datos de una distribucioncon una media comin puedan tener variabilidad entre promedios muestrales que sea considerablemente ‘mayor que la variahilidad dentro de las muesiras _ABCBCC ACACCBCACABAB ABCAGABABEC ie lad podtian venir do ln misma pablecion, Figura 8.17 Datos que con f ssfuentes de variabilidad en (1) y(2) anteriores generan importantes razones, fe saranaas rosciotery Ia zones so utlzne justo €oa la Gl\BUSA El pk cedimiento general involucrado se llama andlisis de varianza, Es interesante que en236 Capmuio & Distriouciones tundamentales de muestreoy ceseripciones de cates remos de les aqui pero en loscapitulos 13,14 y 15 heremos un uso extenso dl sng lisis de varianza ¥, por supuesto, a distribucion F juega un papel importante Ejercicios eS istribuciga ji cuadrada enewentse 2. Para una distribucion jreundraca encuentre 0 guente (a) jas cuando 0 (b) jeccuando.n (6) tem cuando » = 12. 3, Pari una distrbucion ji cuadrads encuentre yi tal que (a) PO? > x (b) PO? > 42) = 0.025 cuando v = 19; (e) PGT652 < X* < y;) = 01.045 cuando v = 25. 4, Para una distribucin ji euadrada encuentre y3 10 5, Encusntre la probabilided de que wna muestra aleatoria Ge 25 observaciones, de una poblacién nor- ‘mal con varianza a” ~ 6, tenga vna varianza (a) mayor que 9.1 (b) entre 3.462 y 10.715, Suponga que ls varianzas mucstrales son mediciones 66. Las calificaciones de un examnen de colocacion «que se aplicda estudiantes de primer an de licencia- tra durante los ultimos cinco ao» estén sproxima- damente distibadas deforma normal con una media y= Tay una varianza o° = 8 ,Consideraris ainque oF = Bes un valor valid de la varianza si una mucs- {a aleatoria de 20 estudiantes que realizan este exa- ‘men de colocacion este ano obtienen un valo de a2 ‘Mestre que la varinza de S* para muestra torias de tamafo n de una poblacién normal disminu- ye conforme ns: hace grande. SUGERENCIA: primero encuenize Ia varianza de (n ~ 1)S°/¢ AL (a). Encuentre fan cuando v (b) Eneuentre ~ faye cuando (6) Eneuentre fy Cuando 9. (a) Enoventre P(T (b) Encuentre P¢7 [c) Encucntee *( 12, [d) Encuentre P(T > ~2.567) cuando » 10. (a) Encuentre P(~tyas S T= fu) (b) Eneaentre PC > — < 2.365) euando » = 1.318) cuando v = 24 1356-< <2.) cutedo p= v. fous) 11, Dada una muestra aleatoria de tama 24 de ne listribucion normal, encuentre ktal que (a) P(-2069 < T< k) = 0.68: (b) Pk = P< 2.807) = 0.095; (e) PUK < T= A) = 090. 12, Unsempresa manufacturera afirma que lasha ras que utiliza en sus juegos electr6nices duran ix promedio de 30horas. Para mantener este promed, Se pruehan 16 baterias cada mes Si el valor ueie caleula ene entre ~yis ¥fgs. Ia empresa queda tislecha con su afirmaci6n. , Qué conchisiones ene nprecs de una muestra que tiene una medinde 17.8 horas y uma desviacién estindar de s=§ hhoras? Suponga que la dstribucin de las duracons de las baterias es aproximadamente normal 43. Uns poblacion normal on varia desconot tiene una media de 20, Se ene posted dob: ner a mwestaalatora de tat 9 dee pot on con una media de 24 y una desvincin exit {Ges.17 S420, gue vencuson sxaa? 14, Unfabricartedecierta mare de tara ee bajo en grase afrma que su contenido prometio de gras saturada e505 gramos. En ura est 356 Tia de 8 arras de crea! de esta marca ct content de grasa saturada fue 0.6, 0:7, 07, 0.3, 08, 05 04¥. (020 Estria de acuerdo conf aftmaciea? 46. Para ina dstrbucidn Feneuertre: @) fomcom r= 7 05 = 15: (5) focom r= 1Sy 0s = 7: (6) foo com r= 24905 = 195 (0) foseon r= 199 0 = 2K (6) foscom r= 28905 = 12 16, Prucbas de resistencia a ja traccion bbls conductores soldados para un dispsiconductor daa los siguientes resultadosen thea fucr za requeridas para romper la unioe: 19S 127 132 169 106 I88 M1 143 170 125 Otro conjunto de ocho cables conductores se probs después del encapsulado para determinat sila resis tencia ala traccicn habia aumentado debido al eneap sulado de! dispositivo, con los siguientes resultados, ue 24 216 218 225 Ejercicios de repaso Seccion 8.8 DiswitucenF — 237 Haga comentarios sobre Ja evidencia disponible ‘con respecto a la igualdad de las dos varianzas de poblacion, 17. Considere las siguientes mediciones de la eapaci- dll de produccisa de calor del carbon producido por ‘dos minas (en millones de ealorias por tonelada) Mina 1: 8260 8130 8350. 307 S340 Mina 2: 7950. 7890 7900 8140 7920 7840, Se puede coneluir que las dos varianzas de poblacion oo 4. Considere los datos que se muestran en lejerci cio 3.a continuacion de la seccién 3.4. Construya una agrifica de caja y extensidn y comente la naturaleza de la muestra. Caicule la media muestral y la desvincisn cesténdar de la muestra 2. Si.X), %5....,.4, son variables aleatorias inde pendientes que tienen distribuciones exponenciales idénticas con parimetro g, muesire que la funcién de densidad de la variable aleatoria ¥ =X, + X + +X, es la de una distribucién gamma con paré metros a = ny p= 0. 3. Al probar el mondxido de carbono en cierta mar ‘cade cigarrillos. los datos, en miligramos por cigari Mo. se codificaron al restar 12 de cada observacién Utilice los resultados del cjercicio 14 6c a pigina 208 ara encontrar fa desviaciOn estindas del contenido de mondxido de carbono de una muestra aleatoria de TScigarillos de esta marca sas mediciones cox das son 38, ~0.9, 54, 45, 5.2. 36, 27, ~011, -03, “17.57,33,44,-05.y 19. 4. Si 5? y 5? representan las varianzas de muestras Aleatorias independientes de tamafio m, = By n= 12 tomadas de poblaciones normales con varianzas igua- les. encuentre P(S?/S? < 489) 5. Una muestra alestoria de cinco presidentes ‘de bancos indican salarios anuales de $163,000, ‘148,000, $152,000; $135,000 y $141,000, Encvemtre Ja varianza de este conjunto. 6. Sicl nimero de hurncanes que arotan cierta dre Uel este de Estados Linidos por afto es una variable aleatoria que tiene une distribuciin de Poisson con = b.encuentte la probubilidad de que esta dtea sea aeotada por (a) exactamente 15 huracanes en dos aos () alo mds 9 huracanes en dos anos. 7. Una compaiia de taxis prueba una muestr alea ‘oria de 10neumstices radiales con einturones de ave ro de cierta marca y registra as siguientes duraciones 48.000, 53,000, 45,000, 61,000, $9,000, $6,000, 63,000, 49.000, 53.000, y $4,000 kilémetros. Utlice los resul tados del ejercicio 14 en la pagina 208 para eacontrar ion estndas de este conjunto de datos al di ha dessi vidlir primero cada observacisn entre 1000 y después resiar 5. 8. Considere fos datos del ejersicio2 que sigue de la seccién 3.4. Construya una grafica de caja y extension, Haga comentarios. Calcule Ia media muesiral y Ia desvioeién estindar muestal 9. SiS} y 8? reprosentan las varianzas de muestras sleatorias independientes de tamano m = 28 y ny — jones normales con varianzas respectivamente, encuenire 10, Considere el ejercicio 9, Comente cualquier dato apartado. 11. Considers In revisidn del ejercicio 1. Comente cualquier dato apartado en el conjunto.Problemas de estimacion de una y dos muestras 9.1_Introduccion En les capitulos anteriores enfatizamos las propiedades del muestreo de la meda muesiral y de la varianza muestral, También enfatizamos las representaciones de Gatos en varias formas. El propésito de estas presentaciones es la construecion de lig bases que permitan a los estadisticos extraer conelusiones acetea de los parmettes ce la poblacién a partir de los datos experimentales, Por ejemplo, el teorema del limite central proporciona informacidn sobre la distribucidn de la media muestra *. La distribucién involucra la media de la poblacién y. Asi, cualesquiera corcli- siones que se extraigan con respecto a 4x a partir de un promedio muestral observ. do deben depender del conocimiento de su distribucién muestral. Comentarios similares se podrian aplicar a S* y 0°. Resulte claro que cualesquiera eonclislones gue obtengamos acerca de la varianza de una distribucion normal probablement® la distribucion mucstral de $2 En este capitulo comenzamos por sefalar de manera formal el propésito lit ferencia estadistica. Seguimos con la presentacién del problema de la estimncién de lot Parimetros de la poblacién, Restringiremos nuestros desarrollos formales de los ©: cedimientos especificos de estimacién a problemas que involucten una y dos muestas 9.2_Inferencia estadistica En el capitulo 1 presentames la filosofia general de la inferencia estadintica formal {La teorfa de In inferencia estadistica consiste en aquellos métodos por los que 8° F2 238Secclin 83 Mutodos clisicos de osimacién 239 Iizan inferencias 0 ger la cistincion entre el por medio del eual ia ‘obtiene de una muse ‘no, que utiliza e1 eralizcions acerea de una poblacion, La tendencia actual Imétodoelisio de extimacion den pardmetro des bless, s infrencian ve basan de manera esta en informacoe a ra aleatoria selcsionada de la pablacdn vel metals have cemocinicmi sujetivo presio sabre la distibucon de roberto) dt los pardmetrosdesconocidos junto con la informacion que pence 20 dela mayor parte de est capitulo utitzaremer lee me todos elisicos para estimar los pardmetos dela pahlaein descononene ae meu, ls proporcion y la arianza mediante el eielo de ested orn aleatorasy la aplicacion de la eoria de ls distribuciones mucstaee meaeak cual secubreenel capitulo & La estmacion beyesana sedans one nga {a inferenia estaistica se puede dvdr en don nee prinpaes atnaaiony Drucbas de hipétesis.Trataremon estas dos sius pr sepanaco, on este cepiale traarén lator yas aplicaciones de a esimaein: te puade pole e=pitulo 10, Para dstingur ctaramente entre las dos Areas, consider los slate sjempls, Un candidatoa un pueso pubico puede dewar estimar hn wrdecen pee porein de votantes que lo favoreceran mediante laobtenion de las onion de una muestra aleatria de 100 votanes La traccin de votanes ena sees ue favoreceran al candidato se podria utilizar como una estimacion dels verdadees Proporeén en la poblacia de votanes. El conovimient dela dntiocicn muse tral de una proporién nos permite establecerel grado de presn de nacre co maci. Este problera ca one ea de la estes, Considere ahora el caso nel que se esi interesado em encnttar sila marca A de cera para piso es ms resstente al desgaste qu la mateaB.Se pede pana hipstesis de que la mares es mejor que la mara By, despues de ln prueba prop da, aceptaro rechazar sia hipotesh. Enest ejemplonointeatamos esimar Un parks metro sino que ea realidad tatamos de Hegara una dessin correia acerea de una hipotesispreesiabecida. Una ver mésdependeios de la eoria del muesteoy de wo de dates gue nos proporconen alguna medicin dela precsdn de mista deck. 93 Métodos clasicos de estimacién Una estimacién puntual de alzin pardmetro de la poblacién @ es un solo valor @ de una esiadistica @. Por ejemplo, el valor r de Ia estadistica X, que se caleula a partir de la muestra de tamafio n, es una estimaciéin puniual del parametro pobla- ional #. De manera similar, = x/n es una estimacién puntual de la verdadera roporcin p para un experimento binomial ENO a cpera que un calimador reac la calimocin del pardacro poblaionl sinertor. Noesperamos que X estime 1 exactamente, sino que en realidad esperamos que no esté muy alejado. Para una muestra particular es pesible obtener un estimado mis cercano de mediante uso de la mediana de la muestra X como un estimador. Considere, por ejemplo, una muestra que consisia en los valores 2,5.y 11 de una po- blacién cuya media es 4 pero supuestamente se le desconoce. Estimariamos a como ; = 6,con el uso de la media muesiral como nuestra estinacién, 0.& = 5,con el uso de la mediana muesiral como nuesira estimacidn, En este caso el estimador X pro- dice una estimacién més cercana al verdadero pardémetro que la del estimador X.240 Capiuto's Probiemas de estmecion de una y des muestras or otro lado, si nuestra muest aleatoriacontiene los valones2. 6 ¥ 7, entnog nor 1p que abora ese mejor estimador, Al no canoe even slew, cebemos deciair de antemanosi se utiliza ¥'o X como nuestro eatineas Estimador insesgado {Cuiles son las propiedades deseables de u Buirén sobre nosotros para cleir un estimador en lugar de otto? Sea 6 unceint, dor cayo valor 0 es una estimacion puntual de alain parimeto poblacony fa termino y muir 1. << + tone) m1 a vee Vn tamafo de una poblacién euya varia niente intervalo deconfianza de Se conoce scala a melas paraohtene el siguente nena deconfanza de {1 air Ex portane cotati quo resus ol ora del inte enn Como resultado es importante anor Is vondiones po uen, Ha sn Seselecciona una muestra sleatoria de244 Captule 9 Problemas de estimacisn de ura y des muestas Intervalo de e Si¥ es la mesa de una muestra aleatorin de tamano nde una pobladiGa Sonay Fanaa e?, conovida, un ntervalo de confarza de (1 a) 100 pa con @ conocida | do por rea pare donde z,,, es el valor 2 que deja un area de a/2 4 la derecha, Para mustespequetasqueseselctonan de poblaciones no noes oy, demos esperar que nuesto grado de confanza sea praca Sinenberso nose tras de tamafiom > 30, sin mpotar a forma dslamayor parte dele pote Tateort de muesredsaratiza buenos reuladens Claramente ls valores de las variables aleateias 8, y By, daca eg Iasecion 93, sons limites de cottanta ABs y at ta Muestras diferentes dardin valores diferentes de ¥ y por tanto producirén difetenes intervalos de éstimacién del pardmetro jzcomo se muestra en la figura 93. Los pin. Figura 83 Estimaciones por imervalo de 4.para muestra dlorenes {os circulates al centro de cada intervalo indican la posicién de la estimactin Pu tual x para cada muestra aleatoria, Se ve que ln mayor parte de los intervaloseo tienen a 14, pero no todos los casos, Nétese que todos los intervalos son del _ancho, pues esto depende s6lo de la cleccidn de z,,. una vez que se determi {re mas grande elegimos el valor de z,,., hacemos mis anchos todos los intervals) podemos tener mis confianza en que ia muestra particular que se seleceione | rd un intervalo que contenga el parimetro desconncid jx FTeorema 9.1 ‘Seeclon 94 Un sola muestra: estinacion dela media 285, Ejemplo 9.2 Se encvcnira ‘agua a partir de una rmucstra ‘mos por miliitro. Encuer centraciéa media de zin poblacisn es 03, ‘due 1a concentracién promedio de zine que se saca del ‘de mediciones de zinc en 36 sitios diferentes es 26 gra {os intervalos de confianza de 95% y 99% para la com: €N el fio. Suponga que la desviacién estdndar de la SoLUcION La estimacién puntual de es ald #es.x = 2.6 El valor z, que deja un érea de 0.025 atade recha y por tanto un dea de 0.9756 a ° recha 3 Fe8 de 0.975 ala izquierda, es Zajc = 196 (Tabla A.3), De aqui que «1 intervato de conftanza de 99m ne : , 26~1186(88) << a6 (8) gue Se reduce 82.50 < 1 < 27, Pra enconta? un nivel de Gontnea de 99%, gncontramosel valor =u dejaun aren de 0.0054 a doesn de OOM a Bee la. Por tanto. con el uso de la tabla A.3 de nuevo, Zon = 2575, y el interv: le confianza de 90% es a 03 26 ~ (2:575)( Fe) 30 que pr- porcione una estimacisn de ¢. Después. con el uso de s como aproximacién para én el teorcma 9.2 podemos determinar aproximadamente cudntas observaciones se recesitan para proporcionar el grado de precision que se desea, Ejemplo 9.3 (Qué tan grande se requicre una muestra en el ejemplo 92 si quere- ‘mos tener 95% Ge confianza de que nuestra estimacion de x difiera por menos de os soLucioN La desw cidin estindar de la pobla | (1.98)(03) m1 0s dn 08 = 0.3, Entonces, por el teorema 92, 1383. Por tanto, podemos tener una confian mao 139 proporcionai que 0.05. 495% de que ana muestra aleatoria de we una estimacién x que difiere de por una cantidad menor Con frecuencia intentamos estimar la media de una poblaciin cuando sede conoce la varianza. ELector debe recordar que en el capitulo 8 aprendimas quest tenemos una muestra sleatoria a partir de una disribucidn normal, entonces la rable aleatoria Xp SINn tiene una distribucion ¢ de Student conn ~ 1 grados de libertad, Aqui S es! viacion estandar de la muestra En esta situacion en que se desconoce «: utilizar T para construir in intervalo de confianza de 1. El procedimiento: ‘mo qui cuando se conoce « excepto que «se reemplaza por Sy la distribu mal esténdar se reemplaza por la distribucion f Con referencia a Ia fig podemos asegurar queSeecion 94. Una sok Ta muasraestimacion de la media 287 Con calizada corrienteariba. Para 12 muestras mensualesreunis en a estacin comet te abajo el indice de diversidad de especies tuvo un valor medio ¥, = 3.11 ys 1316 Nuestra estimacion punta dey ~ yr es ty 384 149 = 235 Al usar or = 0.05, encomtramos em fa tabla AF que fy = 2120 pata 8 ~ Ib grades hertad, Por tanto, el intervalo de conlianza del 9: de i ay ~ py es 307? oi 307° | 080" 2.5 — 2.100 Seccian 28 Observaciones pareades 263 consrya un interval de confianza de 4a diferencia entre ls kilmetros prome- » de estos dos camiones eommpactos, Su: PPonga que ls disancias por ita para cada modelo de comics extin distibuidis de toma aproximad ‘mente nosinal con varienzas iguales fo por ti 9. Una compania de tani tata de decidir si com rar neumaticos de ln marca Ao de la B para si fo tila de taxis. Para estimar ts diferencia de kis dos marcas, se eva a cabo une 9 unexperimento utilzande 12 de ca marca, Los neumstico se utilizan hasta que Se pista. Los tesultades son 15,308 Kilmer, Marea Bx, = 38100 3 = 6100 kilémettos Caleule un intervalo de confianra de 95% para tay ~ ws Suponga que las poblaciones se distrbuven 4 forma aproximadamente rormal. Puede ao spo ner que ls varianzas son igusles, 10. Lossiguientes datos representa los tiempo de daracisn de ais pioductn dos cornea: Comp: t 108 0 07 ates) MO 87 8 20302 178 se alee ua intewvalo de coafianza de 90% para la di ferenciaentte los tiempos de duracion promedio de les peliculas que producen las dos eompaatas Supon- fn que las diferencias del tiempo de Guracion se dis tribayen de forma aprosimadamente- normal con varianzas dstinias 11. E! gobierno oxorsa fonds para les departamen: tosde agricultura de nueve universidades para probat las capacidades de rendimento de dos nuevas varie ddades de trigo. Cada variedad se planta en parcelas ‘ae rea igual encada universidady el rendimiesto,en {ulogramos por parcela, se regsta como sigue: Universidad Voss eo Sah Tee 7 Mas 1 97 TO 2 BB 8 50 B36 0 -Encucatre un intervalo de confianza de 859% para la Avercncia meds entre los rendimientos de las dos va- edndes,suponga que las diferencias de rendimiento [Pgsuibeyen de forma aproxinadanente normal,264 Capitulo 9 Problermas do astimacién do una y dea ruestias Explique por qué ve necesita ol pareamicnto en este 13, A continuaciin sels probicma, ent tsa 10d 1 pag ne Magacinc (nar de |e 12, Con referencia al eer 9, enevente un iner-_lstanfas slides totaes patos 10 atonanterie TesGPeeE SPM PS eam uan 009 7 unlde pore (0% Goeecaul ge fia a lay rucdas de confianas de 95% pe * is en Fi a el cambio promedo ag traseras de ocho tasisy se registran las siguientes dis. porsentaje de utilidad de los inversoninas, tancias,en kilémewos ‘Utila total para toy Taxi Maron A Marca Bh Imversionistas 1 34400, 36700 = 2 45500 46800) 335 3 6.700 37700 25g ‘ Sa a0 Merck 240% 5 ssa) 4780 Microsoft me & a0 Seach Johnson & Johnson 11g 7 38.100 so Inet 13125 8 w.100 31500 Phizer 3A Procter & Gamble Rug ‘Suponga que las diferencias de las dstaniassedistri- Berkshire Hathaway GH bbuyea de forma aproximadamente normal, S&P 50) 0% 9.9 Una sola muestra: estimacion de una proporcién Un estimador pantual de a proporcién p en un experimento binomial esté dado per In estedlstica P= X/n, donde X representa el ntimero de €xites en prucbes Porta to, la proporcidn de la muestra = x/n se utilizaré como el estimador puntual dl parametro p. Simo se espera que Ia proporcion p desconocida esté demasiado cerca de ce ‘0 de 1, podemos establecer un intervalo de confianza para p al considerar la dst bucién muestral de P. Aldesignar un fracaso en cada prueba binomial mediante d ‘valor 0 yun éxito con el valor 1. el nimero de Exitos. x, se puede interpretar om ta suma de n valores que conssten s6lo de ceros v unos, y jes so la media me tral de estos # valores, De aqui, por el teorema det limite central, para n suficemte mente grande, P esti cistribuida de forma aproximadamente normal con media m= 60) =e [4] y varianza Por tanto, podemos asegurar que Plt. <2<2y donde =e VeqinIntervalo de confianza Para p de una muestra Sercién 89 Una sole mussta: "9 estimscién do une proporcon 265 ¥ 24268 ¢l valor de la a)? Alsustituie py ara Z, escribimos ‘tdndar sobre Ia cual encontramos un area de 90 garde do oon eamdo is Guriaies s poodclamnedu o:srodracioess aa Para calcular uy ¢* medione ls (Grmtlas del leorema 96 suponemes ee se conoce, Camo éste porlo general noes el aso, reemplazaremos ¢?porla vei tr musta Gemve que no 3, Larmadacs fomeerJo ts nestineds il sedan eapde patbcloual i, fee puta etter on literal puesta Tha) 100M paren modiant leat de intr BY ty ae Sad + 2p que se centra en Ia media a post posterior, ori y contiene (1 ~ a) 100% de ta probabilitad Ejemplo 9.18 Una empresa eléctrica fabrica focos que tienen una duracién ques: td distribuida de forma aproximadamente normal con una desviaci6n estindat Se loOhoras, Experiencia anterior nos conduce a creer que jes un valor de una vara. ble aleatoria normal con una media y4, ~ 809 horas y una desviacién estindat = Whoras, Si una muestra aleatoria de 25 focos tiene una duracion promediode 780 horas, encuentre un intervalo bayesiano de 95% para p. ‘SOLUCION De acuerdo con el tcorema 9.6, la distribucion a posteriori de ta media tambiénes una distribucién normal con media _25)(780)(10)2 + (800)(100)° _ 25) 10)? + (100) 795 ¥ desviacién estindar (oy 00 - 2 =v. (25) (10)? + (100 El intervalo bayesiano de 95% para y esté dado entonces por 196 — 1.9680 < p< 796 + 1.9680 TBS

0. (a) Eseriba Is funcion de probatilidad, (b) Eseriba las ecuaciones que al resolverse dan los estimadores de probabilidad maxima de « y B. 3. Considere Ia distribucidn logaritmica normal con Ia funcién de densidad dada en la seeciin 6.8. Supon: gaque tenemos una muestra x, #2... x, de una dis tribucidn logaritmien normal (a) Esciba te funcion de probatilidad (b) Desarroll: tos estimadores de protabiidad mit made wy a 4. Considers las observasiones x5. t5. 04,68 distribueién gamma que se discus én la seein 6 (a) Eseriba la funcén de probabilidad, (b) Eseriba un conjunto de ecuaciones que unio suelvan den los estimadores de probabilidsd mi made ay 8, 5. Considers wn experimento hipotetico donde hombre eon un honge utiliza un mecament sida y se cura, Considere este, entonses, como ot muesira de uno de una distibacion de Bernull funcion de probabilidad Je) = pig, == 0.1, onde 7c a prota dum et ci = 1 ~ p. Abora, por supuesto, Ie infor Mvestral dae = 1 Eeriha un desarolio que nue {We f= 1.0 ee estimador de prohabid 95 dlelaprobabildad de curacin‘Seecién 814 Estimecion oe probabilided méxima Fjercicios de repaso 4. Comidere dos estimadores de en ta mucus tron que se extrae de una disribucign m fain neda py Varinza 2, Los estimadores ues Suse (5,8)? estimador de BT probabiltad masini Discus ropictades de I va tinder 2. Seafrmn que una nucra dicta reduc peso de sunapesenn cn 4.3 kilogramos en promedio en fe fio dedonsemonas Lon peso de site mujeres ac Sperm esa dicta se teghraron ames esp de tn priodo de don smn Mujer Te i tals $83 3617 O80 60 G26 567 a> eps 0 $49 S81 621 SS S99 sta Phelan dl fabricar maint ces iaineraa deconfman de 30% praia arcs ace pena Seponga ques denn dio pe S58 dnjen de forma prosimadnents nore 4. De svcd com Romoke Tone (I6de maroo de 1997), la empresa McDonalds vendid 42.1% del Ierado do hanurgusas. emacs letra Bhanurgctes venilas tne cone reside 2 te lasveaids por MeDonuhs Uae entre Wsecsisn 99 para Getcrma st eis arnacn tera aiemactn del Roun Tes 4; Un pnmasio arma qu un evo prosama de erie lta ac entura dou pronseh 4 ceninetos en prone coun prods dec 5s. Listallas de cinturas de seis hombres que atic fee eprops deers eto aN puis de penodo decing das asic abl Hombre 5 = ean zesenire 4 955 987 11S. 91010 85.6 ima de estos doy es 917 939 974 1128 101.3 840 287 Mediante‘c esleuio de un intervalo de confianza del 95% paral reduccion media dela talla dela cintara, ‘determine sila afimacion del ginnasio es vlida, Su ‘Ponga que ls dstnbueion de las diferen cinta antes y despues del programa es 5. Se evo a cabo un estudio en el Instinato Politée nico y Universidad Estaial de Viginia para determi ‘ars l fuego se puede wilizar como una berramients dd control viable para aumentar la cantided de fonts je dispenible para ls venados durante losmeses ert ‘es a finales de mvierno y prinipios de primavera, El ‘alcio e un elemento que requieter ls plantas los animales, La. cantidad que la planta toma y almaccna ‘std intimamente correlacionada con la cantidad pre sente en elsuelo.Se formula hipotesis de que el fu. 10 puede cambiar los niveles de eal presemtes en el suelo y aectar de esta forma i eantidad disponible Pra fos venados Se seleciono una supericie grande sletictra en et Fshbum Forest para un inendio cox trolado. Se tomaron muesras de suelo de 12 parcelas ‘de igual tea justo antes de is quema, se analizaton para veiificar el contenido de cake. Los niveles de ‘also después de ly quema se analizaron de las mis- sclis, Esos valores, en kilogrimos por parc la, se presentan en hi siguiente abla Nivel de cae (kpiparcela) Parcela — Aniesde Después dé higuema la quema 7 50 9 2 50 as 3 2 2 4 oe 8 3 e 8 6 ° 7 7 2 8 9 9 2 8 0 s > " % > 2 a 3 CConstruya un intevalo de confianza de 95% para Ia diterencie media en el nivel de catio presente en el ‘tieo antes y después del incerdiocontrolado, Supon- sy que la distribucion de las diferencias de los nveles Ge ealdo es aproximadamente normal6, El departamento de ingenieria civil del Instituto nico y Universidad Estatal de Virginia comps- ‘modifieada (M-S hr) para re: coliformes fecales en charcos de agua de ‘en un drea urbana con la téenica del numero iis probable (MPN). Se colecia un total de 12 mues- tras de chareos y se analizan con las dos ténieas. Los ‘canteos de coliformes por 100 mililitros se registra cen a siguiente tabla’ z Conteo con 5 hr 2010 ‘930 400 36 100 20% 29 109 194 m4 28 13 Construya un intervalo de confianza de 90% para la diferencia en los conteos medios de coliformes feca~ Jes entre las técnicas M-S hry MEN. Suponga que las diferencias de contens se dstribuyen de forma apro- ximadamente normal. 7. Unantropélogose interesa enla proporcién de in dividuos de dos tribus indias con doble remolino de ‘cabello en le parte occipital del crane. Suponga que se toman muestras independientes de cad una de las dos ibus, y que se encuentra que 24 de 100 individuos de a tibw A y 36 de 120 individuos de la tribu B po- seen esta caracteristica, Consiruya un intervalo de confianza de 95% para la diterencta py ~ p,ente is, proporciones de estas dos tribus con remolinos de ca- bello en la parte occipital de la cabeza 8, Sellevaa cabo un experimento para determinar si celacabado superficial tiene un efectosobre el limite de aguante del acero, Una teoris existente dice que el pu- lido aumenta el limite de aguante promedio (fexin inversa). El experimento se realiza sobre acero al ‘carbon al 0.4% eon el uso de especimenes sin puliry «con pulido suave. El acabado sobre los especimenescon Pulido suaye se obtiene al pur con lijas del mimeroO ¥¥ de100, Los datos son los siguientes: Capitulo 9 Problemas ae estimacion de una y dos muestras Limite de aguante (psi) para: Acero al carbén al 04° sin pale 85500 @,40 91.900 200 89.400 81,700 834000 79500 9900 79.400 73700 69.800 87300 79.90) 53.100 13.400 Desde un punto de vista préetic, el pu no debess tener ningin efecto sobre la desviacidn esténdar det mite de aguante, que partir de losresuliados de une rosos experimentos de lite de aguante sesabe ques de 4000 psi. Encuentre un intervalo de contanza ie ‘98% para la diferencia entre las medias poblacinaes para los dos metodos, suponga que las poblacionese Aistribuyen de forma aproximadameste normal 9. Un fabricante de planchas eldctricas produce tos articulos en dos plantas. Ambas plantas tiesenal ‘mismo proveedor de partes pequesss. Se puede tert ‘un ahorre al comprar termosiatos para le plentaB de un proveedor fecal. Se compra un solo le él prowetlor local y se desea probar si estos nvews "mosiatos son tan precisas como los anteriores. Ls termostatos se prueban en planchas a SSF, yas temperaturas reales se redondean al signiente(.1F ccon un termopar. Los datos son los siguientes: Proveedor nueva (°F) 3593 SW4 SHO S517 5663 S98 7 5.1 5588 S38 S43 $501 550 551.1 5654 5549 5500 S549 S 560.1 Proveedor anterior (F): SMT SSA S180 SHO SSL SSS SS S616 S483 5529 535.1 5850 S487 560.3 Encuentre un intervalo de confianza de 95% P8 tried y para oifon, donde ay as sw poblcionals de ls lecturas de ox trois proveeiior nuevo y del anterior, respectivamen=Seccidn 9.14 Estimacién de probabilidad maxima 40, Se afirma que la resistencia del alambre A es ma. yor que la resistencia del alambre B, Un experimen- to sobre Ics alambres muestra los siguientes resultados (en chmios): Alambre A Alambre B 0.140 0.135 0.138 0.140 0.143 0.136 0.142 0.142 O.144 0.138 0.137 0.140 Suponga varianzas iguales, qué conclusiones extrae? Justifique su respuesta, 11, Una forma alterna de estimacién se lleva a cabo a través del método de momentos. El método impli- 289 a igualar la media y varianza poblacionales a la co- rrespondiente media muestral x y varianza muestral s* y resolver para el pardmetro, el resultado son los estimadores del momento. En ¢l caso de un solo pa- rimetro, s6lo se utilizan las medias. Dé un argumen- to de que en el caso de la distribucién de Poisson el estimador de probabilidad maxima y los estimadores de momento son iguales: 12. Especifique los estimadores del momento para yo para la distribucién normal. 13. Especifique los estimadores del momento para 4. y & para la distribucion logaritmica normal. 14. Especifique los estimadores del momento para a y Bpara la distribucion gamma,10 Pruebas de hip6otesis de una y dos muestras 10.1 _Hipotesis estadisticas: conceptos generales ‘A memudo, el problema imacion de un parimetro pobl bien la formacidn de un procedimiento de decisi que se base en los datos gue pur dda producir una conelusién acerca de algin sistema eientifico. Por ejemplo, ut it vestigador médico puede decidir sobre la base de evidencia experimental site ccifé aumenta el riesgo de cancer en humanos; un ingeniero puede tener que decidt sobre la base de datos mu 1 hay una diferencia entte la precision de dos pos de medidores; o un socidlogo puede desear reunir les datos apropiados que € ppermitan decidir sie! tipo sanguineo de una persona y el color de los oj0sson Na: bles independientes. En cada uno de estos cases el cientifico o el ingeniero povtilt © conjetura algo acerca de un sistema, Ademés, cada uno debe inclu el uso de d= tos experimentales y la toma de decisiones basadas en éstos. D a formal. 8 ‘cada caso, la conjetura se puede poner en f dimientos que conducen a ta aceptacion o recharo de hipstesis estadisticas come tas comprenden un din con precision Jo que entendemos por hipdtess estadistica, Definicién 10.1 | Una hipétesis estadistiea es una aseveracion 0 conjetura eon respecto a una? mis poblaciones. La verdad 0 falsedad de una hhip6tesis estadistica nunca se sabe con abso certidumbre a menos que examinemos toda la poblacion, Esto, por supuest. 5 al que se enfrents el cientifico 0 el inal como se diseutio e cl capitulo 9, sino mis Principal de la infereneis estadistica, Primero, dfinamos‘Section 10.1. Hipetesis estaditicas: conceptos generates 291 Poco prdstico en la mayora de ls situaciones En su lugar, tomamos una muestra akatviade la poblacion de interés y ullizamos ln datos sntenidoe os cote ne La para proporcionar evidencia que apoye o no la hipstoshs La colder nt muestra que «8 inconsitente con la hipoenis que ce svablse wonduce a eckans de esa, mientras que a evdencls que a apoys contiee ae corto Dobe quedar cara a lector que el dcio de un procainento decison se debe hacer con ides en mente dela probebide de unacincuaon evar Pee Cjemplo, suponga cue a conjetura hipatess) que peatalnclingcniogecoee aan cin p de defectuosos cn eesto proceso e 0.10 Elexpetimente els ebecrencen dle una muestra aleatoria del producto en cuestion, Suponsa qucse prison la eulosy se encuentra que |2estn dtectuouos Es tana conclir ane sve ot dencia no recat condicion p ~ 0.10, por elo ped eonvcir a naccpieaoe de a hipotesis Sin embargo. tapoco rechars p= O12 0 quire nchcs ne Oe Como resliado elector se debe nestursrar a comprendcr que ls sepa de tuna hipstesis simplemente impli que los datos no dan sulleate eldenels pra rechararls. Por otro ldo, ctrechare implica que la evident mcr I refers Pesto de otts forma, el recharo sguies que hay una pequers probubldad de obtener la infrmnaciin muestra obserata cuando de Mechs la pte soe Alaera. Por ejemplo, en noesira hipotess de proporeicn de devectuows aha ne tra de 100 que revia 20 atcalosdefectosox ex certamente evidence recharo, {Por qué? Si en realidad, p = 010, io probatildad de obtener 200 ma deectuenoe es aproximadamente 1.035, Con el pequetio riesgo restate de una coclushon errinea, pareceia sogaro rechazat Ia hipdtesis de que p 010. En otras pa el rechaze de una hipoteris hone a casi “ove” ia pte Po ola, importante enlatizar que I aceptacin omnis bien a fla al fechaeo bo exes otras posibiidades, Como result, ena de os devs enblece una conclusion firme cuando se rechaza wm Mp vests El plantcamient formalde ta hipotess a meni est nflaido por la estruc- tura dela probabdad de una conclusion erénen Stel siento se interes n apo. yar con fuerza una opinion, desea ear ala opin en ta forma de rechazo de una hipotess. Stel imvestigador médico desea mostra fuerte evidensiaa for de lon fe amenta el spo de contrac cincer. In hpStsh a probar iespoc nis dus sche, nin de que beber debe ser de ke ied es to de beber café”. Como resultado, la opinisn se al De manera similar, para apoyar la afiemaci6n de que un tipo de medidores es mis preciso que otro, el ingenieto prucba i hipStesis de que no hay diferencia en la pre- cision de los des tipos de medider. Hipotesis nula y alternativa Latestructura de a pruct de hipteisw formian con ol ode trino hp ssa see etre cnr its edna, rar ne dent con Hy El rca de conde an acpasn de ne Nps erate, ss Ao son Una hip con epson parcial sm pre se establecer4 de modo que especitique w :292 Capitulo 10 Pruntas de hipotesis de una y dos muestres tras que ta hipotesis Hes ta hip6tesis nul va H, seria una de va permite la posibilidad de v p= 005 para una poblacién binor as siguientes! valores. De ag Ta hipotess alterna pr0S, p05, 0, pros. 10.2 Prueba de una hip6tesis estadistica ee ee eee Para ilustrar los conceptos que se utilizan al probar una hipétesis esadt tia acerea de una poblacién, considere el siguiente ejemplo, Se sabe que cierto tipo de vacua contra ef catarro sOlo es efectiv despues de un periodo de dos aos, Para deierminar si una vacuna nueva y algo mas cara es superior al proporcionar protes cidn contra ef mismo virus durante un period mas largo, suponga que se eigen 2) personas al azar y se inoculan. En un estudio real de este tipo los participants que reciben la nueva vacuna pueden ascender a varios miles. El nimero 20 se utiliza aqui solo para demostrar los pasos bisieos para llevar a cabo una pracha estas. ca, Simis de ocho de los que reciben la nueva vacuna pasin el periodo de dos aoa se considerard superior i la que se usa actualidad. EI requisite de que el numero exeeda de ocho es algo arbitrario pero pe rece razonable, pues representa una ganancia modesta sobre las cinco personas que se esperaria que recibieran proteccion si las 20 personas se iocularan con la vac nayaen uso, Probamos en esencia la hipotesis nula de que la vacuna nueva es iui mente efectiva después de un periodo de dos aiios como la que por lo general s: wa La hipOtess alternativa es que la nueva vacana es de hecho superior. EXoss equivalente 4 prabat la hipétesis de que ol parémetro binomial para la probabildad de un éxito sobre una prucha dada os p = 1/4 contra laaltemativa de que p > 1/4 Esto por Io general se eseribe como sigue: sin contraer el virus, la nueva va la 1 4 La estadistca de prueba sobre la que se basa nuestra decision es X, el nue de individuos en nuestro grupo de prueba que reciben proteccién de la nueva vace 1a por un periodo de al menos dos aos. Los valores posibles de X, de 0 a 20, = viden en dos grupos: los mimeros menores que o iguales a ocho y los mavores a ‘acho, Todas lox posibles valotes mayores que ocho constituyen la regién citea-Y todos los posibles valores menores que o iguales a ocho determinan la regién aceptacidn, El dltimo niimero que observamos al pasar de Ia regién de aceptact 4 la region critica se Hama yalor eri mero o¢he. Por tanto, sx > 8, rechazamos fy favor del hipstesis alters i, Six <8, aceptamos MH). Este eniterio de aceptacion se iustra en la figura 0 El procedimiento de decisidn cecién deserto podria conducir a cualuict# 4dos conclusiones erréneas, Por ejemplo, la nueva vacuna puede no ser mejor ave) ‘que se usa actualmente y, para este grupo particular de individuos selec‘Seecion 102 Pruvta de una hipotess estadisico 293 Acertasy cua Recnaar He permease peo OWS ee eg Be Figura 10.1 Criterio de decisidn para prabar p = 0.2 conta p> 0.2 forma aleator de oer 4 le ocho pasan el periodo de des aites sin contraer el virus. Co ‘meterfamos un error al rechazar H,,a favor de H, cuando, de hecho, 1, es ve ra, Talerror se llama error tipo 1 . fearon Defnicién 102 | Elrechazo de la hipétesis mula cuando es verdadera se lama error ipo | Una segunda clase de error se comete si ocho » menos de! tiedo de dos aio deform extos y consluitos que la nueva vacun) emo ‘ona realmente 16 & Enste tos 77, chando cx fs. Ee se a rt error tipo La aceptacién de Ia hipdtesis nula cuando es falss se Hama error tipo IL Al probar cualquier hipstesis estadistica, hay cuatro sit correcta o err6nea, Estas cuatro situaciones se re 10 ave Definicidn ones posibles que determinan si nuesira decisién sumen en lo tabla 10.1. Tabla 10.1. Situaciones posibles al probar una hipotesis estadistica verdadera faa ‘Aceptar My Decisiin correcta po Recharar H, Error upol inn Hanada nivel de signitican- lun error tipe Tocurriré La probatildd de comet err po cis sta coma era ae a Ene sh = Se se reafidad equa ala ge es en uso. De aus! Nes ‘permanecen libres del virus por al menos dos anos andop = 3) = 3 6(s120.) usar la nueva vacuna 4 el nimero de individos que 8 = Peerortipot) ~ P(X A 1 t 12) = 1 a9so1 = 01049. 1- So(u20.) /4, se prueba al nivel de significancia ula, p= th Decimos que In hipotes® 94, gifcancia se Ima tamaode la region ct- 28s eco he294 Capitulo 10. Pronbas ce hipdtesis de una y dos muestas capaces de caleular contramos 1 probabilidad de aceptar My cuando es Simplemente ey robabilidad de obtener ocho o menos en el ‘upo que sobrepasane perialode doyaton cuando 1/2, En ese caso 4 \ {B= Plesror tipo th = P( X= Seuando p = 2) = > b(x:20.3) tata os ura probabil mis ben at, oe inca un premio de pa cen el que es muy probable que rechacemos la nueva vacuna cuando, de hecko, « superior a la que esté en uso, Idealmente, preferirfamos utilizar un procedimieniy de prueba en el que los errores tipo Ly tipo I son pequeties. Es posible que el director del programa de prueba esté dispucsto a cometer sn cetor tipo I si la Yacuna mas cara no es sigficativamente superior. De hecho la uni cea ocasién en la que desea estar prevenido contra un error tipo II es cuando el lor real de p es al menos 0.7. Si p = 0.7, este procecimiento de prueba da = Plertortipo M) = P(X < Sevando p = 07) = S bx: 20,07) = GOK. Con una probabilidad tan pequemta de cometer un error tipo TI, es improbable en extremo que se rechace la nueva vacuma canio tiene na sfectividad de 70% de pues de un periodo de dos anos, Conforme la hipotesis alternativa se aproxims ala unidad, ¢} valor de 8 tiende a cero. Supongamos que el director del programa de prueba no est dispuestoa come ter un error tipo IT cuando la hipétesis alternativa p = 1/2.s verdadera aunques® encuentre que la probabilidad de tal error es 8 17. Una reduccién de Bsiem pre es posible al aumentar el tamaio de la regién critica, Por ejemplo, considere we ucede'a los valores de ay B cuando sambiamos nuestro valor extico a sete dem do que todos los valores mayores que ncn la regién critica y aquellos me ores que 0 iguales a siete caigan en la region de acepiacida. Ahora bien, a prota p= 1/4 contra la hipotesis alternativa p = 1/2, eneontramos que ® a a a ,b(e20.3) 1- Dlx: 1018 1) a1 osm a- So(uant) oss A adoptar un nuevo procedimiento de decision, reducimosta probabil ‘cometer un error tipo IIa cesta de aumentar la probabilidad de wometer an tipo I, Para un tamaiio muestral fijo, una disminucion en 1a probabilidad‘Seecisn 10.2 Pruabs oo uns hipstesisestedistico 295 error por lo general tendré como resultado vn Hetae at agot fortuna, la probabilidad de cometer ambos tipos de error se pucde ead al sumentar el tamafio de la muestsa, Considere el mismo problema medion, te lise de una muestra alentoria de 100 individuos. i mas de 3 dl grupo sobre. pasan el periodo de dos afos, rechazaremios la hipotesisnula p = 1/4 yaceptaremon ba bip6tesisalternativa p > 1/4 El valor erica ahora es 36, Todos los valores po, ‘bles por ariba de 36 consituyen la ¥ todes los valores posibles me. ‘ores que 0 iguales a 36 caen en la region de aceptacies Para determinar la probabilidad de cometer un etior tipo I, ui aproximacion de la curva normal con lidad del mento en la probat = np = (100)(3) Y= Napa = VO; ~ 438 Con referencia a la figura 10.2, necesitamos et area cha de x = 36.5. El valor = correspondiente es jo la curva normal a la dere on 833 ro 8 Figura 102 Probabiidad de un eror tipo De la tabla A3 encontramos que : 2 preston in 9. = #(°> seeuatoy = Jamz >240 1 = P(Z-< 2.65) = 1 ~ 0.9961 = 0.0039. erdadero valor de Hes p = 1/2, podemos determinar la ese conel uso de a aproximaciona lasurvanrmalcon Sue sles des probabilidad de un error tipo I con el uso de Ia a 100)@) = 50 yo = Yapg = V0) = 5. ie ‘en la regi6n le aceptacién cuando /7, es verdadera esti da- 4a por el rea de a resin sombreod a irae ie moe BO se 39)298 Caputo 10. Fruebss ce npotasis de ura y dos muesiras % H on 43s on8 = a Fiowra 10.3 Probablidad do un error tipo I Por tanto, B = P(eror tipo) = P(x" < 36 ewandop = 3)~P(Z<~27) = 00s Obviamente, los errores tipo Iy tipo Il ara vez ocurren si el experimento conse en 100 individuos. La istracin anterior subraya la estrategia del cientifico en la prucha de bps. tesis, Después de que se establecen las hipdtesis nula y alternativa, es importante considerar la sensibilidad del procedimiento de prueba. Por esto queremos desirgue debe haber una determinacién, para una « fija, de un valor razonable para la pro: Dabilidad de aceptar de manera errénea If, (e> decir, el valor de f) cuando le stu cion real representa alguna desviacion importante de Hy. Por lo general se puede determinar el valor del tamaiio de la muestra para el que hay un Dalance razonabl entre ay el valor de 8 que se calcula de esta manera. El problema de la vacura un ejemplo. Los conceptos que aquisedscuten parm una poblacidn disretase pueden ag car bien de igual forma a poblaciones continuas. Considere la hipStesis nula de cl peso promedio de estudiantes hombres en cierta universidad es 68 kilograma contra la hip6texisalternativa de que es diferente de 68. Es decir, deseamos p My: m= 68, hs we 68. La hipstesis alternativa nos permite le posibilidad de que u < 68 0 u > 68. ‘Una media muestral que cae cerca del valor hipotético de 68 se considerarit ‘mo evidencia en favor de H,. Por oiro lado, una media muestral considera te menor que 0 mayor que 68 seria una evidencis de inconsistencia de Hy ¥ POF favoreceria a H, La media muestral es la estadistice de prueba en este a0. region critica para la estadistica de prueba se puede clegir de mancra arbi ‘mo los dos intervalos x < 67 y x > 69. La regién de aceptacion serd eatone®s lervalo 67 = 1 = 69, Este crterio de decision se ilustra en la figura 104 cy Figura 10.4 Probabilidad do un error tipo I‘Srecién 10.2 Prueba de una hiodtesis esteditien 297 ‘Utilicemos ahora el criterio de de i6n de la figura 10.4 para calcular las pro- babilidades de cometer errores tipo Iy tipo Il cuando se prac la hipotese bola @ = P(X < 67 cuando px = 68) + P(X > 69 cuando yu = 68), a a 7 ye Oo Figura 105 Recién cca para probar w = 63 conta» + 68 Los valores z correspondientes.a ¥, = 67y ¥, = 69 cuando H, es verdadera son 1-8 __ 68 STB doe UME igre a= Pe <~ Lan + Pz > 197) 2 < a9 ops ar comer de tomato 36 vos consinian ech 22 ellen an rnin ai ee cn sr cre mma el ara ds la masses oomph region de oopacion Be eh alimarobeiameiian= 4 coiieaig = aek 045. Ahora bien, or 68 = 882m, Pee -2 yam ogg 72h 0.0204. Piz <-222) + P(Z> 222) =27@ < -222) redu sf misma para garantizar un buen pro- sin en eno ex sunt por misma par grantzar an buen cedinlento de prucba, Debemos evsluar P para varies hipotesis alternativas que298 Capitulo 10. Pruebas de hipstesis de une y dos muesiras consideremosse deben aceplarsison yerdaderas. Por tanto, ¢s importante ret Si osands woes calc gins ue De na Greig de cometer un error tipo It se debe caleulary examinar para lasaltemativas y= gt yx. ~ 70, Debido a lasimetria, soio es necesanio considerar la probabilidad de {ar la hipétesis mula w = 68 cuando la alternativa w = 70 es verdadera, Resin, tun error tipo IT cuando la media muestral x caiga entre 67 y 69 cuando H, sa ver anto, con referencia ala figura 10.6, encontramos que B dadera, Por p(67 = X =< 99 cuando 4 = 70). 1 \ A i \m ao 6 70 if igure 108 ror tipe Il para probar u = 68contra = 76 que corresponden a ¥; = 67 y % ~ 69 cuando H, es verdadera son _ 61-10 _ = 10_ = =667 a= 222 us 7, 2 et as Por tanto, B= P(-661 70, el valor de Berd indie So mas pequeno cuando n = 64, yen consecuencia habré poca oportunidad de ace tar H cuando sea falsa La probabilidad de cometer un error tipo II aumenta répidamente cuando! valor real de u se aproxima al valor hipotético, pero no es igual a ste. Por supues to, esta es por lo general la situacidn donde podemos cometer un error tipo Ih Pat ejemplo, si ls hipstesis alternativa j= 68.5 es verdadera, podemos cometet error tipo II al concluir que la respuesta verdadera es = 68. La probabiidad & cometer tal error ser alta cuando n = 64, Con referencia ala figura 10.7, tenem B= P(67 < X < 69 cuando n = 685), AD Ad o es Figura 10.7 Error tpoll pars probar y= 68 contra w= 685.Definicion 1044 Seccion 10.2 Frucbe de una hipstesis estadisicn 298 Los valores 2 correspondientes 8.4 = 67 y= 69 cuando y = 685 son 67-6 as"Saan , $9 885 iy as Por tanto, B= P(-333 Houde = Ih: O= 9, se denomina prueba de una sola cola, En la seccién 10.2 se hizo referencia tesis, Por lo general, la regién critica pi a la estadistien de prueta para una tips a ka hipotesis alternativa 6 > @, yace ens cols derecha de Ia distribucién de a estadistica de prueba, mientras qu ls repion critica para Ia hipotesis alt vyace por compleio en la cola izquierds En cierto sentido, el simbolo de desigualdad apunta en la diteccién donde seen ‘eucntra la region critica, En el experimento de la vacuna de la secci6n 10.2se ute ‘za una prueba de una sola cola para probar la hipotesis p = 1/4 contra la alternatin unilateral p > 1/4 para ta distribucion binomial, La region critica de une solacoly por lo general es obvia. Para una mejor comprension el lector debe visualizar¢ ‘comportamiento de la estadistica de prueba y notar la sevial obvia que product evidencia que apoye la hipdtesis alternativa, ‘Una prueba de eualquier hiptesis alternativa donde la alternativa es bitter A, He 046 =, se llama prueba de dos colas, pues la regién critica se divide en dos partes, ee rmenuido tienen probabilades jauales que se colocan en cada cola de la dst de Ia estadistica de pructa, Le hipstesis alternativa + 8, establece que #

6, Una prucba de dos vol av uilizé para probar la fypétesis aula n= ll Jogrames contra laalternativa bilateral we # 68 kilogramos para la poblasién coe i de pesos de estudiantes en a seccidn 10.2 La hipotesis nula, , siempre se establecerd con el uso del signo oe igual ppara que se especifique un solo valor. De esta manera se puede controlat lt bilidad de cometer un error tipo I. Sise establece una prueba de una cola 0d colas dependera de la conclusion que se extraiga si Hy se rechaza. La posciO® regidn critica se puede determinar slo después que se establece H,, Por sie probar una medicina nueva, se establece la hipdtesis de que no es mejor quel dicinas similares setualmente en el mereado y se prucka ésta contra la hi Acmnativa de que le medicina nueva es superior. Tal hipGtesisaltornativa tenia resultado de una prueba de una sola cola con fa region erfica en la cole embargo, si deseamos comparar una nueva técnica de ensenanza comel‘Seocion 10.3. Pruebas de una y éoscolas 301 to convencional de salon, 1a hipot macion sea inferior 0 superior de dos colas con la region crit atternativa debe pemitr quel aueva aprox: 8 prxediment conversion Poll le puch extremes de les clas nguierd ydercha dela tsbcion de muestra calicn Son deseablesciertosprineinins para determinarcuslhipstesis se establecer come Hex como H,, Primero, lea el problema con musho euidado deter tela afiemacion que desea prabar, Sila atmacign sugiers une scla directo 4 a, entonces H, se debe estable cercon el uso del simboto de desigualdadl | ~ © > ) que corresponda ala direccidn sugerida. Si, por ejemplo. al probar una nuevs miecicina deseamios mostrar una {ver te evidencia de que iis de 30% de las personas tendran ayuda, de inmediato eser bimos #7): p > 03 y entonces la hipétesis mula se eseribe como Hy: = 0.3 Si le atitmacion sugiere una direceién compuesta (igualdad y direcciéa) como al menos mayor o igual que, a lo més, no mayor que. etcétera, entonces toda esta direccibn compuesta ( = 0 =) se expresa como H,. peto con el uso dinicamente del signo ual, y Hse da en ba direecién opuesta, Finalmente, sino se sugiore ninguna direc «ign en la afirmaci6n, entonces H, se establoce con él signo de diferente ( * ) Ejemplo 10.1. Un fabricarte de cierta marca de cereal de arroz afirma que el con tenido promedio de grasa saturads no excede 1.5 gramos. Establezea las hipStesis ula y alternativa a utilizar para probar esta afirmacién y determinar dénde se lo cealiza la regisn critica, SOLUCION La afirmacidn del fabricante se debe rechavar silo si es mayor que 1.5 miligramos ysse debe aceptar si es menor 0 igual que 1.5 miligramos. Como la hipstesis nals Siempre expecifica un solo valor del parimetro, probamos iy w= Hye w> is. Aunque establecemos la hipdtesis nula con un signo igual, se entiende que ineluye ‘aalquier valor no especificado por la hipétesis altermativa, En consecuencia, la sceptacién de 1, no implica que es exactamente igual a 1.5 miligramos sino mas bien que no tenemos sufcionte evidencia que favorezca a H,, Como tenemes una prucba de una cola,clsimbolo mayor que indica que la region critica yace por com- Peto en fa cola derecha dela distribucién de nuestra estaditica de prucha X. bienes rafces afirma que 60% de todas las residencias as, Para probar ‘una muestra grande de residencias nuevas la pro- ras s¢ resistra y se utiliza como estadistica de cenesta prueba y de- Ejemplo 10.2 Un agente de privadas que se construyen act esta afirmacién, se inspeccior porcién de estas casas con tres recdma seul prueba, Establezca las hipotesis mula y alternative a ut Penn epson de arene SCIEN seus ferconsleralomensnavor omer ge p= 06.16 Shamarlamos Ia afirmacion del agente. De aqui debemos estableer Ia hipStests302 —Cepytute 10. Pruebes de hipdtests de un y des muestes Hy p=05, He: p08. La hiptesis alternativa implica uns prucba de dys colas con la seei6n crfia dvi, {da por igual en ambas las de ti disiibucion de P, nuestra estadistica de prusba 10.4 Uso de valores P para la toma de decisiones eee Al probar hipétesis en las que In estadit digereta la rein eteg se pucde elegir de mancra arbitraria y determinar su tamafo. Si u ¢s demasiagy ‘grande, se puede reducir al hacer un ajuste en el valor critico. Puede ser necesang aumentar el tamano de la muestra para compensar la disminucidn que cure de ‘manera automatica en la potencia de lo pruebs. Por generaciones enteras de anilisis esiadistico, se ha hecho costumbte elege una a de 0.05 0 001 y seleccionar la region critica en consecuencia. Entonces porsi puesto, el rechazo 0 no rechazo estricto de H, dependerd de esa rezidn critics, Pr ejemplo. sila prucha es de dos colas v « se fija al nivel de significancia de 0.05 yla estodistica de prueba imolic se observa un valor = de a de pruct a digames. la distribucicin nornral estindar, entoncss > 1.96, donde el valor 196 se encuentra como gid critica sugiere el pl Ia estadistica de prucha es sige ficativo.” Podemos traducir esto al lengusje del usuario. Por ejemplo, si a hipsteis estd dada por Hy: w= 10, Hs w #0, se puede decir: “La media difiere de manera significativa del valor 10: Esta preseleccidn de wn nivel de significancia a tiene sus raiees en la filosoia de que se debe controlar el riesgo maximo de cometer un extor tipo I Sin embars este enfoque no explica los valores de estadisticas de prueba que estan “eereano ala region erftica, Suponga que, por ejemplo, en la lustracion con Hy: = 10 His 1p # 10, se observa un valor z = 1.87; estrictamente hablando, con a = 0.05 eh lor no es significativo. Pero el riesgo de cometer un error tipo T si se rechara Hye este caso dificilmente se podria considerarsevero. De hecho, en un escenario de 8% colas se puede cuantiticar el riesgo como ; P= 2P(z > 187 cuando w= 10) (0.0307) = 0.0614, Como resultado, la probabilidad de obtener in valor < tan grande o mayor (en nitud) que 1.87 cuando de hecho 1 = 10 ¢s 00614, Aunque esta cvidencia cont ‘io €s tan fuerte como la que resultaria de un rechazo en un nivel a = 05,8 ‘maci6n importante para ef usuario, En realidad, el uso continuo de a = 05-0 solo es un resultado de lo que los estandares han establecigo por generic Ja estadistica aplicada tos usuarios han adopiado de forma extensa Ia el valor P. La aproximacion se disefa para dar al usuario una alternativa mings de una probabilidad) sla simple conclusion de “rechazo” o “no retDetinicion 105 Seceiin 104 Uso 60 valores P para a toma ce decisiones 308 célculo del valor P también da al usuar eae por completo dentro de informativo pa suario informacton importante cuando el valor i 4a region critica ordinaria. Por ejemplo, si z €s 273, €5 el usuario observar que P = (00032) = 00064 y de esta forma el valor z es significative el considerablement ‘ i ‘un nivel considerablemente menor que 468. Fs importante saber que bao la conden de yun valor de & © 273 ean evento en extremo raro. A saber, un Valor al menos tan grande en magnitud slo ‘eurtirla 64 veces en 10,000 experimentes = i Una manera muy simpic de explicar un valor Pde forma grfica es considerar dow muestras dstinas prematuramente. Suponga que se consideran dos materiales Para cubrir un tipo particular de metal a fin de evita la cortosiGn. Se cbtienen es ppecimenes y se cubte un grupo con el material 1 y un grupo con el material >. Los 1s muestrales son =, = 10 para orcentaje de érea superficial afectada. La hipdtesis esque los muestras provienen de distribuciones comunes con media ~ 10. Supongamos quc la varianza pobla cional es 10. Entonces prokamos que -ada muestra y la eorrosién se mide en Hy: hy = p= 10. Representemos en Ia figura 103 una gritiea de puntos de los datos los datos te colocan en la distribucién que establece la hiptesis mula. Pareee claro ahora que tos dates rechazan la hipdtesis ula, Pero gem xe puede resumir esto en un ate 10? El valor P xe puede ver simplemente cono la probabilidad de obtener este com junto de datos dado que las muesitas provienen dela estribucion que se representa Es claro que esta probabilidad es bastante pequens, digamos, ;00000001! De esta manera el pequeto valor P rechaza claramente Hy la conclusia es que las me- dias poblacionales son significativamente diferentes. Figura 1.8 Datos probobiemerte generados de poblacionts qué tiene dos medias deren, ‘La aprorimacin del vor P comp ayuda en a wma de an paquets ce compataora due proporcionan cede natural pos cs odo 1s Mogan sales Panto con vars dey estat de oo ee iutnte cua dino ermal dew aor F ‘el queeel valor observado innificancia) mis bajo vel (de si “Un yalor Pes ef nivel (ds oe “de la estadistica de prucha & sign! rn eate momento resuiir los procedimientos para la prue~ Jc cenvir com fundamento en el que se basen 10s casos es- Resuita apropiade ba de hipotesis. Esto pred304 Coptuto 10 Prucbas de hipstesis de una y dos mussias peciales de 1s se sises hy: €= 4), 1, Establecer a hipdtesis nu 2. Elegiruna hipotess altemotiva apropiada 7, a partir de una de las altematig, 0 = Oy > Ws Uy Elegir un nivel de sign Seleccionar la estadistica de prucha apropiada y establecer la region ertica. 6 {a decision se basa en un valor P, no es necesario establecer fa resin erticg Caleular el valor de la estadistica de prucba a partir de los datos dela mucstiy Decision: Rechazar H, sila estadistica de prucba tiene un valoren lavesida on tica (0 sil valor P caleulado es menor o igual que el nivel designificancia que se desea). en cualquier otro caso, no rechavaar I El lector se debe dar cuenta que las conclusiones que extrae el analista pueden resultar alectadas por los valores P calculados. En otras palabras, se puede no tenet en mente un nivel a preseleccionado y asi sacar conclusiones que se basen en lan. formacién que proporeiona el valor P. Como se indicé al principio, éste esel ents ones siguientes, Para este resumen, Supongames gue la hipgy Hi, que 0 = Ieancia de tamano a, ee ‘que que a menudo se adopta en situaciones de la vida real Ejercicios SS 1. Suponga que un alorg6loge desea probarla hips: tess de que al menos 30% del pablo es alérgico a algunos produetor de queso. Explique cémo el aler~ idlogo podria cometer Gun error tipo (b) un error tipo I 2. Uno sovicloga we interes en la ecicia de un cur= so de entrenamicno disenado para lograt que mis conductores uticen tos cntur seguridad en los automévites, (a) ,Ou6 hipstesis prucka si comete un error dete poll concluirde mancra erréncaque el curso de en trenaniento no es efective? (b) (Qué hipstesis prucka si comete un error det polll al conclir de forma erronca que el curso de en {renamiento es elective? 8, Se acusa @ una empresa de discriminacig en sus précticas de contratacion, (a) {Que hipotess se prueba si un jurado comet ror tipo Tal encontrar culpable a la empresa? (b) {Qué hipétess se prueba sun jurado comet 110 lipo Tal encontrar que la empresa es culpable? 4, Se-estima que la proporeiin de adulkos que viven, mana pequetss cudad que son graduados univers 1108 es p = 0.6 Para probar esta hipdtess se selecco. ‘a una muestra aleatoria de 15 adultos. Si el nimero, ‘de graduidos en nuestra muestra es cualquier nime. to de 6a 12, aceptareros le hipétesis aula spe p= 06 en caso cantar, conctiremos que p #06 (2) Evalde «cont sposteon de que p = 06 Ute la dntrbucienbinomat (b) Eval f pura tas aternaves p = 03 yp = (©) cEs se un buen procedimiento ce prude? 5. Repita¢lejerecio 4 cuando se selescionan 20 adultos y 1a region de aceptacion se elie om 10'S 4° 130 donde xes el numero de grads. sniverstaros en muestra esta, Use apa: mmacion normal 6. Un fabrizante de tlas considera qu I pO conde érdenes de materia prima que legate P=06 Si ane musta aleatoria de 10 dens Awestra que ies omencs legan ane, a pssst «ue p = 06 se deberiarechazar a favor de lear {ia p < 06. Uilce I distibucién binomial (@) Encuente la probabiidad de cemeterunerot Po I's la proporciin rerdadera & p = 06 (6) Enaventte a probabilidad de cemeterunert Poll para la alternativa p = 0.3,p = O4.yp = 0% 2, Repit el ejerico cuando se slecimn dens, ye define a rein erica coms x= 24 de. eel nimero de érdenes en nuestra must Megan tarde. Uti Ia aproximacién normal 8. Una tintorri firme que un uevore ‘manchas emir nis de70% de x anche‘Secclon 10.4. Uso de vat 104 Uso de vatores P nora toma de decistones 308 ue seaplea,Pare verfcar eta afr, orem ordinance ces {lon a ara Sirmenos de 1 de las m fan acepiaremos la hipotess nla ae foalguer oro caso, eoneluiremos que p © 4 fa) Eval «, suponga que p = 0° (6) Evie para laaltrnativa p ~ 09 9, Repita el exercicio § cuando se tatan 100 ma chasy i rexin erica se define como = #2 ae resel ntimero de manchas que se eiminan 10, Ena publicaciSn Relit from Ardhras deYhor sons Pushers, Lid, John E, Crottaftma que me 40% dela personas que suiren de atntiscecant iegen un also mensurable de wn ingredient que produce una especie particular de melon ese on ‘tena en la costa de Nueva Zelanda, Fara prodor «sia firmacion, el extracio de mejiln se adnininig aan grupo de sicte pacientes com atits sea Sieg ‘omis de les pacientes obticnen alivio, ateplaremos Inhipstess mula p = Dt. de ow modo, conchae mea gue p < 0.4 @) Evale «, suponga que p = 04 (b) Evatie @ para ls altemativa p = 03, 1. Reptaeleerccio 10cuando se administra el ex tratode mein a 70 pacientes lareicn rica se sefnecomo.x < 24, donde x es el mimero de pacien- ‘esconattrtis sea que obtienen alivio. ¥2. Se pregumia's una muestra aleatoria de 400 vo lanesen cierta ciudad si estén a favor de un impucs to alcional de 4% sobre la venta de gasolina para ‘opotcenar ingresos que se necestan con urgencian ar Ia reparacion de calles. Si més de 220 pero me: os de 26) favoreven el impucsto sobre vents, con thiremos que 60% de los votantes lo aposan (9) Encuentre ln probabiidad de cometer wn ero F015160% de los votantes extn favor del sume bbde impucstos (©) iCal esta probabitidad de cometer um etor Fo ll uitizar este procedimionto de pructa is Falla solo 48% delos yotants esd a favor del ism lest adisional ala gasolina? 2 Suponga que, en el ejercicio 12, concluimos que es vlan et favor de) impueso 3 {emia gasolina si més de 214 pero menos de 268 vo- tentes de nuestra muestra lo favorece. Muesie que ‘Tianuevarezion de acepracisn tiene comoresuliadd valor més pequefio para a a costa de aumentor JS, Un fabricante desarrolla un nuevo sedal pa due afirma tiene una resistencia media Ia tat de 05 kilopramos. Para peobar la hipétesis de {us a = 15 kilogtames conira la ltrtation de oe 4515 kilogramos.se prucha una mucstrs aleateras Ge 50 sediles. Liv repiin erica se define come ¥ < 148, Suponga que a a 15 es corrects (2) Enevente ia probabiidad de cometer un ervort OI cuando Hes verdadera (b) vale. para las alte = 149 kiogramen, as pate y 18. Una miquina de rofroseos en un eestauramte de ames asadas eajusa de modo que lacantdad de be, bid que sirvaestéchstribaila de forma apronmae mente normal con una media de 200 militos y una Aesviacin estandar de 15 miliitos Larmquie filica pertodicamente con una muestra de nuove bobs das y com el edlculo del contenica promedic. Sis cas en lintervalo 191 0. Considere primero y La estadistica de prusha apropiada se debe basar en la variable alestosia X End capitulo 8 se introdujo el teorema del limite central, el cual establece en esencia qu n importar la distribuciGn de <, ln variable aleatoria W tiene una éistribucién apo ximadamente normal con media # y varianza 7”/n para tamafios de muestra au nablemente grandes. De esta manera, 4, = jy oy = 9° /n. Podeios determi centonees una region critica basada en el promedio muestral caleuledo, x. Debe qi dar claro ya al lector que habré una regién critica de dos colas para la prueba Es conveniente estandarizar X e incluir de manera formal la variable aleatora normal estindar 7, donde on Sabemos que bajo Hy es desi, sz = yy entonces (R — jq)/a/Vi ene ws tribucion N(G, 1) y por tanto se puede utilizar la expresion ) para escribir una regidn de aceptacién apropiada, Fl lector debe tener en ae que, formalmenie, la regién critica se dena para controtar a, laprobablidsd Se meter un error ipo I, Debe ser obvio que se necesita una eral de evidencia det ols para apoyar H;, Asi, dado un valor calculado x, la prucba formal impliss = shacar Hy sila exaditica de prueba calculada A ccbipe e alNn 22g yes poms ato es Si ~2yj)<2 < 24, m0 96 rechaza FH El rechazo de My por supueste In aceptacion de la hipotesis alternativa 4 # 4. Con esta definicion de le 168Seccion 10 Una sota muestra: prun ‘ruobas con respecto una sola media (variance conocida) 307 tea debe quetar caro que on cae) candy eneadad- gen awecaeenla Aunque es més facil entender la Tegidn critica escrita en términos di sseribi- ‘mos la misma region critiea en téminos del promedio puede escribir como un procedimi gue nee nde decisidn idéntie: reohazar 1, iF > hot my La sefal que favorece a if, proviene de valores grandes de z. De esta forma el tech 20 de H, resulta cuando z > z,. Obviamente, s la altemativa es H,: je < jug. are: ‘in ertica esti por completo en Ia cola infenor y asiel rechazo resulta de z < ~z, Los signientes dos ejemplos ilustran pruebas de medias para el caso en el que Ejemplo 103 Una mucstra aleatoria de 10) mucrtes registradss en Estados Un 1a vida promedio do 71.8 alos. Supongs tna desviacién dos ef ano pasado muestra un. hoy en dia esténdar poblacional de8.9 anos, esto parece indicar que la vide medi tes mayor que 70 aos? Utilice un nivel de signifieancia de 005. S0LUCION = Tans. BM p> Wanos308 Copitelo 10 Pruebas de hipétesis do una y dos muestas 3 «= 005, 4 Region critica: z > 1.645, donde 2 = “ts 718-70 $. Cileulos: ¢ = 718 afos, = 89 anos y x 202 89/V 10 6 Decision: rechazar H,,y concluir que Ia vida media hoy dia es mayor gue 7 alos. En el ejemplo 10.3 el valor P que cortesponde a = = 2.02 esté dado por eng de la regin sombreada en la figura 10.10. Pe 0 202 0.10 Valor Ppara el ejemplo 10.3 Con el uso de la tabla A.3, tenemos P= PZ >2.02) = 00217, Como resultado, la evidencia @ favor de M1, es incluso mas fuerte que la suserida por lun nivel de significancia del 0.05. Ejemplo 10.4 Un fabricante de equipo deportive desarrolla un nuevo sedal sme tico que afirma tiene una resistencia media a la tensién de acho Kilogramos con unt desviacion estindar de 0.5 kilogramos. Pruche la hipstesis jz ~ S kilogramos cont: la alternativa jx # 8 kilogramos si se prucba una muestra aleatoria de 50 sedales se encuentra que tiene una resistencia media a la tension de 7.8 kilograms. Uiiee un nivel de significancia de 0.01. . soLUcION, 1. Hy: = 8 kilogramos, 2 Hy: 4 8kilogramos, 3 a =001 4. Region critica, 2 <~2575 yz > 2.575, donde 2 + Céleulos: x = 7.8kilogramos,n = 50, y de aqui z 6. Decisi6n: rechazar H, y concluir que la resistencia promedio a la tension ‘igual a ocho sino que, de hecho, es menor que ocho kilograms‘S00C16n 10.8 Retacién con tow ratimecicn det mterval de confianea 309 Pr Fn 2850 ams furs 1.11 Vator Para Como la prueba en el ejemplo 10.4 es de v P Comets rcbilil de dos colas, el valor de P que se desea P= P(\Z| > 283) = 2717 < ~2383) - 0.00, ‘que nos permite rechazar la hipstesis nula logramos en un nivel de sigif cancia menor que 0.01, es ey eae a cnn 10.6 Relacién con la estimacion del intervalo de confianza El lector ya se habré dado cuenta que el enfoque de la prucba de hips inferencia estadistica en este capitulo esté telacionado muy de cerca con el enfogue del intervalo de confianza del capitulo 9, La estimacion del intervalo de contianze incluye el calculo de limites para los que es “razonabke” que el parametro en cues tin se encuentre dentro de ellos. Para el caso de una sola media poblacion| u con & conocida, la estructura de la prueba de hipdtesis y de la estimacién del inter valo de confianza se basan en la variable aleatoria op ova Zz Resulta que Ia prucha de Hg: p= fo contra Tf: 4. yy a un nivel de signticancia ‘aes equivalence a catcudar im mtervato de conftancs de 10(1 — a) sobre yy re Ghazar H, si uo noesté dentro del imervato de confine. Sis est dentro de inter- valo de confanza, la hipétesis no se fecha. La eqlvalenela cx muy ini y bastante simple de ilustrar. Recuerde que con un valor observado el fracaso-are- ‘chazar J 2 un nivel de sigificancis «implica que que es equivalente a aed F confianza ala prueka de hipotesis se extiende La eqivalencia del interval de conti yes de vatanza,etostera, Como encias entre dos medias, varianza. ra310 Copinulo 10. Pruebas do hipotesis de una cos muestras lo de confianza y ta prueba de nipotesis como formas separadas de la Infereneia ve F sobre la media esté dado por los limites [2.50, 2,70]. Ast, con la misma inige + valor hipotético entre 2.50 y 2.70. A medida que regresemos a diferente dex: de hipditesis. a equivalencia con la estimacion del intervalo de confag ieando, 10.7 Una sola muestra: pruebas sobre una sola media (varianza desconocida) Jertamente sospechamos que las pruebas sobre una media pot Geen ‘como fa estimacion del intervalo de contianza, debe inclu el uso de nt, Estrietamente hablando. ta aplicacién de la ¢ de Stes de confianza y para la prucba de hipotesis se desarrolla bajo tes, Las variables aleatorias X,, %. ... X, representan am ‘de una distribucién normal con yy «7 desconocidas. Entonass variable aleatoria Va(X ~ j2)/S tiene una distribucton ¢ de Student com ~ Ter dos de libertad, La estructura de la prucba es idéntien a la del caso con « conoci con [a excepeiGn de que el valor en la estadistica de prueba se reemplaza port festimacion de § cateulada y la distibucién normal estindar se reemplaza con wot isiribucidn 1. Como resultado, para la hipotesis bilateral suiposiciones sig muestra aleatori Hy a ms Me we my el techaro de /, en un nivel de significancia a resulta cuando una estadistice cle ada ry siNn excede |. 0 €S Menor que ~T, El lector debe recordar de los capitulos® y Saque ldhtribocion es metic alrededor del valr cero. As, sta regsinet fa de dos eolasseaplica de forma similar ala det caso deo eoncia, Para lai jesis bilateral en un nivel de significancia a, se aplican las regiones criticas de dat colas. Para H,: ju > 4, ¢l rechazo resulta cuando > f,, ,..,~ Para Hy: # < Her jevibe cca td adh por <1 Ejemplo 10.5 El Instituto Elécirico Edison publica cifras del nimero anual 6! lowatt-hora que gastan varios aparatos eleetrodomésticos. Se afirma que tt radora gasta un promedio de 6 kilowat-hora al ato. Si una muestra sleatoria hhogares que se incluye en un estudio planeado indica que las aspiradoras promedio de 42 kilowatchora al aio con una desvieciOn estindar de 119 hora, esto suglere en un nivel de significancia de 0.05 que las aspiradoras promedio, menos de 46 kilowatt-hora anualmente? Suponga que la pobleci Jowatt-hora es normal.