I I I l

¡L
I

YESTADISTICA

tt

l
-

TEOR.IA y 760 problennos resueltos

r.
LLI

t I i i r

I 'L iL .- L.-! L\-., l-¡ r lLt\
L. _ I -L

t

rt, LL-t_ l'¡l L I
\ 1 I ¡

)

- L\

\-

-[\:-LL--

i
I

r.
ll i

,

,. !
L

i -i I
lI

L !

t --q-'l
I

) r l¡ .

r. r-t -t_C_
L Il.-\I r,L\Ll

Il-!' '-

---\- ¡

r l , i L-:

MURRAY R. SP¡EGEL

it I r- i_l 1 r- ¡_l
J¡. t l.r,.i \-L L L\*c-

Ll I
llriIi\..
\\r)ll

[t.---i-]

r-I

I , .' l.'l

SERIE DE COMPENDIOS SCHAUM

IEONIA Y PROBTEIUIAS

LIIIAII
TIGA
Por:

MURRAY R. SP!EGEL Ph.D. Antiguo hofesor y Director del Departamento de Matemóticu Rensselaer Poly teehnb Institute
Tladucido por:
JAIRO OSUNA SUAREZ

Bogottí, Colombit

Li

iu
DELHI

MEXICO PANAMA MADRID BOGOTA SAO PAULO NUEVA YORK
AUCKLAND DUSSELDORF JOHANNESBURG LONDRES MONTREAL NUEVA PARIS SINGAPUR SAN FRANCISCO ST. LOUIS TOK IO TORONTO

PROBABI LIDAD Y ESTADISTICA

por cualquier rnedio, sin autorización escr¡ta del ed¡tor.
DERECHOS RESERVADOS

Prohibida la reproducción total o parcial de esta obra,

Copyr¡ght O 19zG,Vespecto a la edición en español, por LIBROS McGRAW-HILL DE MEXtCO. S. A. de C. V. Atlacomulco 499-501, Naucalpan de Juárez, Edo. de México. Miembro de la Cámara Nacional de la Ind. Editorial. Reg. núm.465 0-07-090922-9
Traducido de la primera edición en inglés de

PROBABLITY AND STATISTICS copyr¡ght @ lszs, by McGRAW-HtLL, BooK, co., tNC., U.s.A. 234567A901 cc-76 7.t23456981 printed ¡n Mexico lmpreso en México
Esta obra se terrninó en enero de 1g77 en L¡tográfica Ingramex, S. A. Centeno 162, Col. Granjas Esrneralda, México 13. D. F.
Se

tiraron 15 800 eiemplares.

Prólogo
El importante y fascinante tema de la probabilidad comenzó en el siglo XVII con los esfuerzos de matemáticos como Fermat y Pascal en resolver
preguntas relacionadas con los juegos del aza¡. Hasta el siglo XX se desa¡rolla una teoría matemática riggrosa basada sobre axiomas, definiciones y teore' mas. Con el correr de los años, la teoría de probabilidad encuentra su cauce en muchas aplicaciones, no solamente en ingeniería, ciencias y matemáticas sino también en carnpos como la agricultura, la administración de empresag, la medicina y la sicología. En muchos casos las aplicaciones contribuyen al desarrollo ulterior de la teoría

El tema de la estadística se originó con anterioridad al de probabilidad, trata principalmente de la colección, organización y presentación de los datos en tablas y gráficos. Con el advenimiento de la probabilidad se puso de manifiesto que la estadística podría emplearse en la extracción de conclusio' nes válidas y en la toma de decisiones razonables sobre la base del análisis de datos, por ejemplo en la teoría de muestreo y predicción. El propósito del libro es presentar una introducción moderna a la probabilidad y la estadística suponiendo un conocimiento del cálculo. Por conveniencia el libro se divide en dos partes. La primera trata con probabilidad (y en sí puede utilizarse como introducción al tema) y la segUnda trata con es'
tadística.

El libro se diseñó para utilizarse como texto de un curso formal en pro' babilidad y estadística o como suplemento a los textcs típicos. También es de considerable valor como libro de referencia para investigadores o para aquellos interesados en el tema. El libro puede emplearse para un curso anual o mediante una selección juiciosa de los temas para un curso semestral.
Agradezco al Ejecutor Literario del Sir Ronald A. Fisher, F. R. S., al doctor Frank Yates, F. R. S., y a Longman Group Ltda., Londres, por el permiso para utilizar la tabla III de su libro Statistical Tables for Biological, Ag¡icultural and Medical Research (6a. edición,1974). Deseo aprovechar esta oportunidad para agradecer a David Beckwith por su sobresaliente edición y
a Nicola

Monti por su habilidad artística.
M. R. SPIEGEL

Septiembre 1975

Contenido
PRIMERA PARTE
Capítulo

PROBABILIDAD
Pág.

f

CONJUNTOS Y PROBABILIDAD

1

Ca1ítúo 2

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD.

38

capítulo

3

ESPERANZA MATEMATICA

76

Capftulo

4

DISTRIBUCION DE PROBABILIDAD CON NOMBRE

Y

nea inomial. Distribución hiperg.eométrica. Di¡tribución uniforme. Diehibución de Cauchy. Distribución gamma. Distribución beta. Distribución chi+uadrado. Dstribución ú de Süudent. Distribución F. Relaciones entre lae distribuciones chi-cuadrado, t y ^F, Distribución normal bidimeneional, Distribucionee diversas,

gunas propiedades de la distribución normalr Relación entre las distribuciones binomial n ón de poission. Rel las di¡tribucio-

. . 108 Distribución binomial o de Bernoulli. Algunás propiedades de la distribución binomial. La ley de los grarides números para las pruebas dó Bernóulli, Distribución normal. Al-

PROPIO

.

SEGUNDA PARTE ESTADISTICA
Oapítulo

5

TEORIADEMUESTREO..
Población

Pág.

y

Muestras aleatorias, Números aleatorios, Parámetros poblacionales, Estadísticos muestrales. Distribución muestral. Media muestral. Distribución muestral de medias. Distribución muestral de proporciones. Distribución muestral de diferencias y sumas. Varianza muestral. Distribución muestral de varianzas. Caso donde la varianza poblacional se desconoce. Dstribución muestral de relaciones de varianzas. Otros estadísticos. Distribuciones de frecuencia. Distribuciones de frecuencia relativa y ojivas. Cómputo de la media, varianza y momentos para datos agrupa.dos.

muestras. Inferencia estadística, Muestreo con

y sin remplazamiento,

.....155

Capítulo

6

TEORIA DE

ESTIMACION

Estirnas insesgadas y estimas eficientes. Estimas por puntos y estimas por intervalos. Seguridad. Estimas por intervalos de confianza, de parámetros poblacionales. Intervalos de confianza para medias. Intervalos de confianza para proporciones. Intervalos de confianza para diferencias y sumas. Inte¡valos de confianza para varian4as. Intervalos de confianza para relaciones de varianzas. &timas de máxima verosimilitud.

.

L94

Capítulo 7

ENSAYOSDEHIPOTESISYSIGNIFICACION.

.,...21-I

Decisiones estadísticas, Hipóüesis estadÍsticas. Hipótesis nula, Ensayos de hipótesis y significación. Errores de tipo I y tipo II. Nivel de significación. Ensayos referentes a la distribución normal, Ensayos de una y dos colas. Ensayos especiales de significación para grandes muestras. Ensayos especiales de significación pata pequeñas muestras. Relación entre la teoría de estimación y ensayo de hipótesis. Curvas características de operación, Potencia de un ensayo. Gráficos de control de calidad. Ajuste de las distribuciones teóricas a distribuciones de frecuericia muestrales, Ensayo chiruadrado para la bondad del ajuste. Tablas de contingeircia. Corrección de Yates para la continuidad. Coeficiente de contingencia.

Capítulo 8

CURVA DE AJUSTE, REGRESION Y

CORRELACION

.

..

258

Curva de ajuste. Regresión. Método de mínimos cuadrados. Recta de mfnimos cuadrados. Recta de mínimos cuadrados en términos de varianzas y covarianza muestrales. Parábola de mínimos cuadrados. Regresión múItiple. Error típico de la estima, Coeficiente de correlación lineal. Coeficiente de correlación generalizado. Correlación gradual' Interpreüación probabilística de Ia regresión. Interpretación probabilfstica de la conelación. Teoría muestral de la regresión. Teoría muestral de correlación. Correlación y dependencia.

Capítulo

9

ANALISISDEVARIANZA.

.....306

Propósito del análisis de varianza. Clasificación simple o experimentos de un factor, Variación total. Variación dentro de tratamientos. Variación entre tratamientos. Métodos cortos para obtener variaciones. Modelo matemático lineal para análisis de varianza. Valores esperados de las váriaciones. Distribuciones de las variaciones. Ensayo F para la hipótesis nula de medias iguales. Notación para experimentos de dos factores, Variaciones para experimentos de dos factores. Análisis de varianza para experimentos de dos factores. Experimentos de dos factores con repetición. Diseño experimental.

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

Parte I PROBABILIDAD .

.

e conjunto es un pilar fundamental de la probabilidad y la estadística y de la matemática en general. EJEMPLO 1. _ Si un elemento a pertenece a un conjunto C escribimos a€ C. o.6. I a. o.3. 4. llamados míembros o elernentos del conjunto. e. { 4 o.2. u}. pero no un subconjunto propio. Si lanzamos un par de dados comunes los "números" o "puntos" posibles que pueden resultar sobre la cara superior de cada dado son elementos del conjunto { 1. EJEMPLO 1. grupo y colección. En este caso AyB tienen A+ Si A no es igual a B. SiA C B pero A + B llamamos aA un subconjunto propio EJEMPLO 1.6\. Obsérvese que la sola redistribución de los elementos no cambia el conjunto. escribimos de B. Un conjunto puede definirse haciendo una lista de sus elementos o. debemos estar capacitados para determinar si un objeto específico pertenece o no al conjunto. 3. Se sigue que para todos los conjuntos exactamente los mismos elementos. es decir si B. Sinónimos de conjunto son c/cse.escritoAcB6B:Ayleído"AestácontenidoenB"o"BcontieneaA" respectivamente._l 'Cupítulo Coniuntos y probqbilidqd EL CONCEPTO DE CONJUNTO 7 El concepto d. e. 4. de {o. mientras no se especifique lo contrario. Si Ac B y B CAllamamosa A y B iguales y escribimos A : B.6}.2. 2. ¡ |¡ es un triángulo en un plano ) es el conjunto de los triángulos en un plano.b. o. C. EJEMPLO 1. puesto que los dos conjuntos son iguales. B. si esto no es posible. El conjunto de las vocales en el alfabeto puede definirse por el método de extensión como { a.5. b e C. léase"elconjuntodeloselementos¡talesque¡es una vocal" donde la línea vertical I se lee "tal que" o "dado que". e } es un subconjunto. el cual es un subconjunto (propio) del conjunto de todos los resultados posibles {L. A y B no tienen exactamente los mismos elementos. El primero se denomina el método de extensión y el segundo el método de comprensión. 6). i. u ) es un subconjunto propio de {o. describiendo alguna propiedad conservada por todos los miembros y por los no miembros. y un elemento por una leha minúsculao. Si o y b pertenecen aC escribimos a. Sic noperteneceaC escribimos a é C. uloporelmétododecomprensióncomo{rlreeunavocal}. EJEMPLO 1. i. . Al lanza¡ un dado los resultados posibles cuando el resultado es "par" son elementos del conjunto {2. 3. A tenemos A C A. SUBCONJUNTOS Si cada elemento de un conjunto A también pertenece a un conjunto B llamamos a A un subconjuntodeB. EJEMPLO 1. i. i.4. e. El conjunto { Obsérvese que el método de extensión no puede utilizarse aquí. denotamos un conjunto por una letra mayúscula A.5. u. como siempre lo supondremos. Un conjunto puede considerarse como una colección de objetos. u}. 5.1.4.Para que un conjunto seabiendefínido. En general. a.

l-3 Fig. 1-1) se representan por conjuntos de puntos dentro de los círculos.2.JNTO VACI( Para muchos propósitos restringimos nuestra d fico denominado el uniuerso del discurso.3.4. l -2 Fig. Un conjunto importante que no8 es famili que pueden reprecentarre por puntoe en una línea reol lor subconjuntos{¡ | o < x = ó} y{r I a1x(ü} deR (r ( b¡ ee denominan interualos centdo y abierto reepecüiv I o 1x < b) se denomin¡n intcrvalo¡ eemi-abiertos o semi-t . Intersección.9. OPERACIONES ENTRE CONJUNT\OS 1.T. Los elemenr Es útil considerar un conjunto que no tiene r uacío o el conjunto nulo y se denota por p. o tanto como aB. sirven para da¡nos una intuición geométrica respecto a las posibles relaciones entre conjuntos. Si AC B y B CC. entonces AC C. El conjunto de todos los elementos (o puntos) que pertenecen a A o a B. 6}1. EJEMPLO 1. Tales diagramas denominados diagramas de Venn. En tal caso los subconjuntos de zt (como A y B indicados y sombreados en la Fig. Unión. CONJUNTO UNIVERSAL Y CONJI. 1-4 2.a CONJUNTOS Y PROBABILTDAD lcAP. o simp espacio uniuersal y se denota por u. El conjunto de loe rcsultados que consisten de las caras 7 u 11 sobre un solo dado es el conjunto nulo. El conjunfio de todos los elementos que pertenecen simultáneamente a A y a llamala intersección dd Ay By se escribe A ñ B (región sombreadaen laFig. 5. EJEMPLO 1. el conjunto de todoe los resultados posibles es el universo {L. . El conjunto de todos los números reale¡ nulo o vacío ya que no hay nfimeros reales cuyos cua números complejoe el conjunto no es vacfo. 1 El teorema siguiente es verdadero para cualesq Teorema I-I. Si lanzamos un dado.7. 1-3).8. 1-2). es un EJEMPLO 1. se llamala unión deA yB y se escribe Au B (región sombreada en la Fig. DIAGRAMAS DE VENN Un r¡niverso u puede representarse geométricamente por el conjunto de puntos dentro de un rectángulo. Fig.

se escribe Fig. 3. El conjunto que consiste en todos los elementos de A qtlle no pertenecen a B llama la diferencia áe A y B.4u(anC) = (AuB)n(AuC) A-B = AñB' Si AcB. Diferencia. interrecciones por uniones. l-6 AIGUNOS TEOREMAS RELATIVOS A CONJI. l-5 Fig.AnQ=9 AU'al -. cyf.{ = A Primera ley De Morgan Segunda ley De Morgan Para cualquier conjunto generalizarse (véanse Problemas 1.11. 1-4).74)..AñB1C An(BuC) = (AnB)u(AnC') .69 AUQ-A. A y B son disjuntos. entonces A')B' 6 B'c. escrita por A . se B Si A : UB). símbolos de inclwión . L'L.An(BnC) = (¿nB) nC -.cy conmutativa de l¿s uniones = AUBUC Ley asociativa de las uniones Ley conmutativa de las intersecciones Ley asociativa de las intersecciones Primera ley distributiva Segunda ley distribuüva AñB = Bl\A .cAP. PRINCIPIO DE DUALIDAI) Cualquier resultado verdadero relativo a conjuntos también es verdadero si remplaz-a¡nosr¡niones -conjuntos por sus complementos y si invertimos los por inteÉecciones. u el 1/.esdecir. 4. En la Fig. el B y lo escri se llama saXl-B Fig. 1'6).1l CONJUNTOS Y PROBABILIDAD DosconjuntosáyBtalesqueAnB:p.guenotienenelementoscomunes'sella¡¡ran coniuntos disiuntos.B (región sombreada en la Fig.4u^B)uC I. AnU (AuB)' = A'ñB' (AnB)' = A'UB' A = (AnB)u(AnB') Los teoremas L-Lzo.'NTIOS AUB = BUA Au(BuC) : (. t-Lzb A YB y 1-13 pueden y 1.

Silanzamosunamonedadosveces.2.13.SS) caras.esdecirunodeloselementosdelconjuntóíqs)(ó{0. Sin embargo. simbolizadaporc(ó1). Frecuentemente es útil dibuja-r un espacio muestral gráficamente. simbolizado por S ( ó 0 ). Si un espacio muestrdl tiene un número finito de puntos.11. Los siguientes son aLgunos ejemplos.5. cara la primera y sello la segunda.SC.CS. Si un experimento consiste en medir "la vida" de las lámparas eléctricas producidas por una compañía. 1-7 donde. es lógico que el último no sería adecuado pan determinar. EJEMPLO 1. Si lanzamos una moneda eI resultado del experimento es un "sello". Obsérvesé que eJ córresponde al conjunto universal. Si tenemos una máquina que produce tornillos.1 0. Unespacio muestral que es finito o infinito contable frecuentemente se denomina espacio muestral discreto. etc. Si elemental o simple. por ejemplo. EJEMPLO 1. Si tiene tantos puntos como hay en algún intervalo en elejer. 2. hay experimentos en los cuales los resultados no son esencialmente los mismos a pesar de que las condiciones sean aproximadamente idénticas. g. se denomina espacio muestral infinito contable.6).CONJUNTOS Y PROBABILIDAD [cAP.12) puede dibujarse por puntos en la Fig. si un resultado es divisible por 3. sedenominaespacio muestral infinito no contable. por ejempio.15. Así cuando se produce un tornillo será un miembro del conjunto {defectuoso. Un suceso que consiste de un solo punto de cJ frecuentemente se llama un sueeso .elresultadopuedeindicarsepor{CC. un espacio o conjunto muestral de todos los resultados posibles se da por {1. l-? tos como números naturales 1. = ESPACIOS MUESTRALES Un conjunto oj que consiste en todos los resultados de un experimento aleatorio se llama un espacio muestral y cada uno de los resultados se denomina punto muestral. donde suponemos que ninguna lámpara eléctrica dura más de 4000 horas.1 ) representaselloen el primer Ianzamiento y cara en el segundo lanzamien[tr. 4. impar) Sin embargo.16. es decir SC.14. Tales experimentos se denominan experimentos aleatorios. 0 ú :: 4000.3. es decir es un conjunto de resultados el resultado'de un experimento es un elemento de A decimos que el suceso A ha ocunido. .en tanto que uno que es infinito no contable'se llama espacio muestral continuo o no discretoSUCESOS posibles. por ejemplo. o una "cara". EJEMPLO 1. el resultado del experimento es que algunos pueden estar defectuosos. Si lanzamos un dado. Un suceso es un subconjunto A del espacio muestral. EJEMPLO1. 3..tal como 0 f r: S 1.2.dsdecirdos EJEMPLO 1. 'EJEMPLO 5. si lanzamos un dado el resultado del experimento es uno de los números en el conjunto {L.12. 6 | en tanto que otro es lpar. . como en el Ejemplo 1. Si tiene tantos punl'ig. (0.. entonces el resultado del experimento es el tiempo f en horas que se encuentra en algún intervalo. 4.or . EJ EMPLO 1 . 1)).se denomina espacio muestral finito. no defectuoso}. Con frecuencia habrá qás de un espacio muestral que describe los resultados de un experimento pero hay comúnmente sólo uno que suministra la mayoría de la información. En tal caso es deseable utilizar números en cambio de letras siempre y cuando sea posible. 1. . si lanzamos una moneda dos veces y utilizamos 0 para represenmr sellos y l para representar caras el espacio muestral (véase Ejemplo 1. 1 EXPERIMENTOS ALEATORIOS Todos estamos familiarizados con Ia importancia de los experimentos en la ciencia y en la ingeniería.16. Un principio fundamental es que si efectuamos tales experimentos repetidamenle bajo condiciones aproximadamente idénticas obtenemos resultados que son esencialmente los mismos.

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

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

.5.) + P(Ar) + P(As\ ... entonces 1 6 .. El espacio muestral es e-I: {1..]) .4.+P(4") = 1 (e) 1-19: Si A y B son dos sucesos cualesquier4 entonces P(AuB) = P(A) + P(B) .. Az.6}. Teorcma 1-20: Para dos sucesos AvB P(A) Teorema = P(A1B)+P(A1B'\ (12) 7-21: Si un suceso A debe resultar en uno de los sucesos mutuamente excluyentes At.2. 1l CONJUNTOS Y PROBABILTDAD P(Ar) Teorema +P(A2)+. Ar.h h =: (15) un suceso compuesto por h sucesos simples tenemos P(A) (rd) Esto equivale al enfoque clásico de Ia probabilidad dado en la página 5.B\ Generalizando. Si asignamosprobabilidades iguales a lospuntos muestrales.entonces P(A) = P(AnAi + P(AñAz) *'....A... EJEMPLO 1.. entonces P(A:U AzU ¿") : P(.. En particular.P(üñAz\ - P(A|¡A. como el de la frecuencia relativa de la página 6. Podríamos lógicamente emplear otros procedimientos para asignar probabilidades.21.. Az..3.4.P(AsnA) (rr) + P(Lt\AzñAs) También pueden hacerse generalizaciones a n sucesos.79.2. esdecir si suponemos que el dado es honrado. Véase Problema 1.cAP. + P(A") = t Se concluye que podemos escoger arbitrariamente cualquier número no negativo para las probabilidades de estos sucesos simples siempre y cuando se satisfaga (14). Se lanza solo un dado.P(A. La asignación de probabilidades provee un modelo matemótico y su éxito debe probarse experimentalmente en forma muy similar a como las teorías en física u otras ciencias deben probarse experimentalmente.An (1+) P(Ai + P(Az) + . si A (10) t. + P(ánA") (rr) ASIGNACION DE PROBABILIDADES entonces por el Teorema 1-18 Si un espacio muestral el' consiste únicamente de los sucesos elementales Ar.. Hallar la probabilidad de que resulte 2 ó 5.. entonces P(A¿: '!y si A es k=1. á3 son tres sucesos cualesquiera. si suponemos probabilidades iguales para todos los sucesos simples.

P(BIA\:"+#=#=? Por tanto. Hallar la probabilidad de que en un sólo l¿nzamiento de un dado requlte un número menorque 4. . Puesto que se sabe que A ha ocurrido. + p(A")P(AlA") (20) . . Denotamos por P(BiA) la probabilidad de B dado que A ha ocurrido. el saber que el resultado del lanzarniento es un número iinpar aumenta la probabilidad de Ll2 a 213.) + p(A)P(Al Azl + . AnB Fig.22. . la probabilidad de que At y Az y A3 ocunan es igual a la probabilidad de que z4t ocrura tantas veces la probabilidad de que A2 ocurra dado que . El resultado se generaliza fácilmente a n sucesos. Por tanto P(2u5) = P(2)+P(51 = *. r-9 EJEMPLO 1. = P(A)P(A|A.CONJUNTOS Y PROBABILIDAD El ¡uceso que resulte 2 ó 5 ee [cAP.2 6 g observamos por el teorema P(Bl = P(r) + P(2) + P(3') = -+-+-= 6662 1l1l suponiendo probabilidades iguales para los puntoc muestrale¡. De aquí llegamos a la definición P(B:A) = o ry# (17) (f 8) QJ P(AIB) = P(A) P(B I A\ En palabras. (o) no se da ninguna otra información. entonces P(A'. 1 indica por 2 U 5. TambiénP(AñBr:216:1/3. Fácilmente se demuestra que la probabilidad condicional satisface los axiomas en la página 6.Ya queB es la unión de los sucesos 1-18 que 7. . TEOREMAS SOBRE PROBABILIDAD CONDICIONAL Teotema 1-22: Para tres sucesos cualesquieraAl. (b)SiAeselsuceso{númeroimpar}observamosqueP(á):316= Entonces 1/2. la ecuación (-18) nos dice que la probabilidad de que tanto A y B ocurran es igual a la probabilidad de que A ocurra tantas veces la probabilidad de que B ocurra dado que A ha ocurrido. (o) Si B denota el suceso {menor que 4). . A3 tenemos P(AtñAzt\ás) = P(A) P(A2l At) P(Asl Atn Az\ (1e) En palabras. es decir la probabilidad de que B ocrura dado que A ha ocu¡rido. Teorema 7-23: Si un suceso A debe resultar en uno de los sucesos mutua[iente Ar.) excluyentes á1.. (b) se da que el lanzamiento resultó en un número impar.á PROBABILIDAD CONDICIONAL = t 1 Sean A yB dos sucesos (Fig. se convierte en el nuevo espacio muestral remplazando el original e-I. A. 1-9) tales que P(A)> 0.41 ha ocurido tantas veces la probabilidad de que A3 ocura dado que At y Az han ocurido. ilamamos a P(B I A\laprobabilidad condicio¡wl de B dada A. A2.

DIAGRAMAS ARBOL En muchos casos el número de puntos muestrales en un espacio muestral no es muy grande y así Si una cosa puede realizarse en nr maneras diferentes y después de esto una segunda cosa puede .cAP.k=t. . que podría llamarse una forma sofisticad. Az. An que pueden causar la ocunencia de á. . si se cumple (2I) (21) Ar. ANALISIS COMBINATORIO la enumeración o cuenta directa de los puntos del muestreo necesa¡ios para obtener las probabili dades no es difícil.. . Ar.92. Esto es equivalente a entonces A y B son independientes. entonces todas las fr cosas pueden realizarse en el orden especüicado en nr rr2 .. As son independientes entonces deben ser independientes por parejas. . An son sucesos mutuamente excluyentes cuya unión es elespacio muestral ef. Por esta razón con frecuencia se hace referencia al teorema fle Bayes como el teorema sobre laprobabilidad de causs. 1l SUCESOS INDEPENDIENTES CONJUNTOS Y PROBABILIDAD Si P(B lA) = P(B).23. .a de contar. Entonces si A es cualquier suceso tenemos el siguiente teorema importante : Teorema 1-24 (re$ade Bayes): P(AklA\ = P(Ah) P(AlAx) (2t\ ) P(ár) P(AlAn) Esto nos permite hallar las probabilidades de los diferentes sucesos Ar. . es decir la probabilidad de que B ocuna no está afectada por la ocurrencia o no ocurrencia de á. V finalmente una k-ésima cosa puede realiza¡se Qr fl. PRINCIPIO FUNDAMENTAL DE CUENTA.. La generclización a más de tres sucesos se hace fácilmen- TEOREMA O REGLA DE BAYES Supóngase que . . Si un hombre tiene 2 cami¡as y 4 corbaüac enüoncee tiene y luego una corbata. se emplea frecuente' mente en conexión con el principio anterior.en n2 maneras diferentes. ??¡ rn?D€rds diferentes. como se deduce Algunas propiedades de la independencia están dadas en los Problemas 1. = P(A)P(Az)P(A) (qsl Ni (22) ni (23) son sufrcientes por sí solo..3 (221 'y también debemos tener P(ArñAzñAr) te. ¡ealiza¡se EJEMPLO 1. Si P(AnBl = P(A)P(B) de (I8).A1. Inversanente.2. 1-10). 2' 4 : 8 maneras de eacoger una cami¡a Un diagrama..¡ maneras diferentes. .91 y 1. . Sin embargo. es decir uno de los sucesos debe ocurrir. surgen problemas cuando la cuenta directa se convierte en una imposibiüdad práctica En tales casos se ernplea el anólisís combinntorio. P(A¡nAx) = P(á)P(A*) j+lc donde j. entonces decimos que á y B son sucesos independicnües. llamado diagrama órbol debido a su apariencia (Fig. Ar. .

elnúmero de permutaciones de n objetos lomados de r en r. Si las camisas se representan por S¡. .6. 52 y las corbatas por ?1.26.l. clr no se Aquí. son del hnr + nz + . ?a.7 manerias r * escoger ét segunaoiU¡e_ to-. Así el núm&o de permutaciones diferentes (28) Véase Problema 1.10 CONJUNTOS Y PROBABILIDAD [cAP. -se deduce por el principio fundarnlntal de cuenta que el número de ordenácionás. Para el caso particular cuando r: . l-10 (25) .to.P. l-10.l)(n .1 : nt (26) que se denomina n factorial.. EJEMPLO 1.. en muchos problemas estamos interesados solamenos sin inteiesar su orden. (25) se conüerte en = n(n-l)(n-z).P. . . consiste de LM.r + l\ donde se observa que el producto tiene r factores. que rt4t4l't COMBINACIONES 11! = 34 650 una te e cion En una perrnutación estamos interesados en el orden de-la distribución de los objetos. . lógi tos es Sup n conjunto que consiste de n objetos de los cuales nr son de un nguir entre sí). 41. . rr. . E.. o permutaciones diferentes como generalmente se les Uarnc está dado { 5 6 8 por Fig. n2 son de un segundo tipo.2). n.P. I 2 1 Fig. F. El número de permutaciones diferentes de las 11 leüras de la palabra u M/SS/SSIPP. Podemos escribir (25) en términos de factoriales como (27) !2!\ -y realmente esto como una definición de 0! Si r: n obsewamos que (26') se satisfacen sólo si tenemos que 0! : I y tomaremos EJEMPLO 1'25. + . y finalmente n 1 formas dó escoger-el r-ésimo objeto. .24. Tz.. . G es ¡P:t = fi. . . Tt. C. D. Dichas selecciones se llaman combinah misma combinación. Así abc es di o lo Sin embargo. Llamamos a ..s de escoger el primer objeto. las diferentes maneras de áscoger una camiea y luego una corbata se indican en el diagrama á¡bál de la PERMUTACIONES Supóngase que se dan n objetos diferentes y deseamos ordenar r de estos objetos en una línea puésto que hay n manera. .34. . = n(n. 43 y 2p EJEMPLO 1. . EI número de ordenaciones o permutaciones diferentes que consisten de 3 letras cada una y que pueden forma¡se de las ? letras A. = . y luego de hacer esto n de . (n . B.5 = 210 .

(a) A:kl* elementos. . y)t = r:{ * (Í)". que también puede escribirse como (2e\ ("\ \r/ Fácilmente se demuestra que n(n-L\".(t)**. es la base de los logaritmos naturales. EI n(¡mero de manera¡ en lae cuales cartas diferentes es nU.36) ln\ \"/:nt¿r=rl@=T.(t¡*" .describé dando sus (D) Puesto que t2 :25parar:5y x:-S.71828. Véase Problema 1.s! COEFICIENTES BINOMIALES 56 Los númerós de (29) se les llama frecuentemente los coeficientes binomiales puesto que provienen de laexpansión binomiat (r 1- u)^ : * . se.e¡decirA . r! (30) /n\ ( J=( /n '.en (33) signifrca que la relación del al lado derecho se aproximá a 1 a medida eü€ /l + o.r'2 :25". Por esta raz6n decimos que el I unaexpansión asíntótica del lado izquierdo.s propiedades interesantes. EJEMPLO 1.r.yEñn"e-n donde e : 2.1. Problenra. Indique cómo describir a.-5). En tales casos se utiliza la fórmula (38) nl . El símbolo .'6 = . .podemosesaibir A: {5.r/\) \r/ \n EJEMPLO 1._. @-l (:. escogerse o ¡elecciona¡¡e de un (91') 3 ca¡t¿s pueden total de 8 sc¡ = lt) = 8'J.(n-r-rr\ r! ó nP. U (n Tenemos (véase Problema 1.\s/ . (l)* = APROXIMACION DE STIRLING A r¿ ! xa+ 4x3y!oxzyz *4xy3 +ya Cuando n es muy grande la evaluación de aproximada n! no es práctica. 1l CONruNTOS Y PROBABILIDAD 11 El número total de combinaciones de r objetos seleccionados de n (también llamadas las combinaciones de n cosas tornadas de r enr) se denota pot aC. ..s resrreltoa CONJTINTOS 1. Sea A el conjunto de todos los números reales cuyos cuadrados son iguales a 25. :25)que se lee"el conjunto de todosloselementosde¡ talesque.4 por (c) el método de comprensión y (b) el método de extensión. .cAP. .)" (n) Tienen mucha. + . Para un estudio más detallado de la fórmula de Stirüng véase el A¡Éndice A.48.28. (|)*-lt * (i)*"-.27.:nC.

(e) A . Puesto que no hay un númeror tal que x2 :416x:2._\E} .-r/2.L2 CONJUNTOS Y PROBABILIDAD lcAP.6.2.".0|.'NT\OS 1.4.2. Cualquier objeto particular se supone ee igual a sf mismo.5. = {0.r} {*. seaA={rl*esunenteroimpar).-4} = Entonces (BnC\' = {0. El error radica en escribi¡ {@} por @.B: eonjunto de elementos en A que no están en B : [0.5. pertenecen á. r>g} y B: {fr | r<l}. puesto que {9} es un conjunto no voclo que conriste del conjunto vacío. el conjunto vacfo.4 u n = {-fr.u C.r. (s) (AnC) e (Bne.6}.0.. Si A = {r l r2=4.-fr}.-. 2 es wn número re¿l mientras que {2} esw conjunto que consiste del número real 2. no hay objeto que no sea igual a sí mismo.pueotoqueloe elementos 3 y 5 son enterosimpares.5.3.+. C' : conjunto de los elementos en 'll que no están en C : {0.. n].-¿}.--4} n {+.r.enconhar(a) AnB. 1 L.0}n {5. tenemosque¡ € C. ". se sigue queA: @. -4} = {+.6. -4} y los subconjuntos de u están dados por A : {-\n. (a) AnB = {-12. Puestoque el conjuntovacloesunsubconjuntodecualquierconjunto. (o) (b) (o {rln+ü} -. (c) (AUB)nC. 5. si el universo 'u = {}.+.. DIAGRAMAS DE VENN Y TEOREMAS SOBRE CONJT.o} u {5.5)=0 sólosi x:B6x:6. Por el Teorema 1-8.lQ}. entonces AcC."áÁ y porüantoBC 1.0.t. B: {x I x2 -8r+.5. r.sededucequeACB6B)Aylrrpropocición Obaérvese que esto se lee es verdadera- 1. Entonces B. Otro método. üenemoe A-B = AñB'= (f) BñC = {6. es deeir B ee un subconjunto de A. página 3.-{r). Yaque x2 -8x * 15:0 ó (r -3)(¡. 1. Asf. ._\E}.8 = {6. aA.o} u {0. AsícadaelementodeB perten. ¿Es cierto que {2} : 2? No. ee deci¡ ¡ € A.o. tenemos x€ B.-4}n{+.-4} = t-\ñ} (D) . Entonces {x I x * x} : e..5. (/) (Bn C). -rt. Aeícadaelemenüodeá esunelemento de C y por tanto A C C. OPERACIONES ENTRE CONJUNTOS. ) La proposición es falsa. Determinar cuáles de las proposiciones siguientes son verdaderas y cor¡egir las que son falsas.o.üenemosB:{g. Demostra¡ que si Ac B y B cC.Demostrarque BcA. Puesto quetambiénBCC.-4} (c) (AuB) n C = {-{2. (e) A-8.6.4} utilizando el re¡ultado de (b). (d) B' : conjunto de los elementos en t/ quenoestánen g = {0. r.o.r).{0. Entonces ya que AC B.5.+. 0.-qyC = {+.-4}n{0.r} = {0. (b) "A es el conjunto de ¡ tal que 12 : 4 y ¡ ) 9'.-{2.r.-rt.-4}.15:0). Sea r cualquier elemenüo de á.-2ly * )9. (d) B'u C'. +. Un conjunto oomo {2} que consiste únic¿mente de un elemenüo algunas veces ae llzna conjunto singulo o unitaio y debe distinguirse del elemento que contiene. entonces B) A. es decir cada elemento de A eetá en 8.-tf2. {*.+.0. (b) AUB.-fr.-4} = {-18.

Sin embargo. l-ll Fig.69). Demostra¡ que para cualquier conjunto A y B tenemos A Método 1.al : (ArtB) u (A^B') : (AñB') u (A¡.cAP. l reA¡B 6 neAnB'} M6todo 2. 1.-¿} [Vóase pa¡te (f)]. (o) Tenemoe págrna 3: (A u Bl : A' n B'. A'se indica por líneas diagonales paralelas construidas de izquierda a derecha en tanto que It se indica por líneas diagonales paralelas consüruidae de derecha a izquierda.8. 13 el de la parte (d) ilustra la segunda ley De Morgan. Teorema 1-6. 1l CONJUNTOS Y PROBABILIDAD Obsérvese que este re¡ultado conjuntamente con Tborema 1-12b. página3:Tenemoo An(Bu C) = (AnB)U(AnC).reB 6 r€A.0} n {*.-ll .2. l-12 Obsérveee que un diagrama de Venn no suministra una prueba como la dada en la parte (o). {r {" (AnB) u (A nC) 1. (AuB)' = {r I r4Ar-tB} = {" I rCA. (sl AnC = {-\/-2.-4} Entonces t.-¿l = {+. Fig. B n C = {}.reBuC} I re A.neB\ = {r I neA'. Teorema !-L?tt.r€B') (b) = A' ^B' El resultado puede extenderse a cualquier número finito de conjuntos (véase Problema 1. Sea C:8' en el Problem¿ 1.7.8. En Ia Fig. (A¡C\ u(BnC) : @u {*. . 1-11 la región sombreada representa (A U B)'. Región sombreada = (AUB)' Región doblemente ¡ÜEÉru¡r qvvrs¡¡¡E¡¡w rayada ]_"7. y se observa que esta región es igual a la región sombreada de la Fig. (b) Ilus- har el resultado de la parüe (c) empleando un diagtama de Venn.@.9. sirve para euminishar relaciones posibles entre conjuntos que luego pueden probaree por métodos similaree al dado en (o ).xeB 6 reC} I s€A. Luego At ñ f|' se representa por la región doblemente rayada en donde se encuentran ambos conjuntos de líneas. página 3. = (AnB) u (AñB'). (AnB) u(AnB') A : {r I reA) = {. elconjuntovacío. 1-11. (c) Demostrar la primera ley De Morgan.nn. Ao(BuCl = = = = = l r€A.reC) @ | reA"'B 6 xeAnC\ {.8') A = (AnB)u(AnB') El resultado puede generalizane (véase Problema 1. Entonces A n (BuB') A r. Demostra¡ laprimeraley distributiva. En el diagrama de Venn de la Fig. 1-12.74).

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

también ee rigre queP(.Puesto que P(eJ) sfnp = Q se sigue del Axioma P({)) 3 que s = P(d)+P(Q) 6 = 1.A¡ ) en donde .B) son mutuamente excluyentee. P(Az. axioma 3. Entonceepuesto gue. tenemos usando el Axioma 3 y el Teorema 1-14: P (A u B) | i'.P(Ar) Puesto que P(. página 6.(A ñ .42 ) = P(Al ). Aunque hemos utilizado el diagrama de Venn el i rlu^') ". página 6.14. Así por el Teorema 1-14 [partc (o)] y el Axiom¿ 2 P(A) < 1 primero P(A)=P(¿)=1 (c) Tenemos eJ : eJuQ.41 y Az .15.Ar. l-15 (An CALCULO DE PROBABILIDADES 1. Fig. Una carta se extrae aleatoriamente de una barqia de 52 cartas.At son mutuamente excluyentee. Encontrar la probabiüdad de . asr que Entonces por el P(42\ = P(ár) * P(A2. 1l TEOREMAS SOBRE PROBABILIDAI) 1. 1-15 (1) AUB: AUIB -(. Demostrar (a) el Teorema 1-17 y (b) el Teorema 1-19.cAP.^^'rl i' r"u r--' resultado (l ) puede establecerse directarne¡rte (véase Problema 1.At) = P(Azl . Demostra¡ el (c) Teorema 1-14. (c) Teorema 1-16.42 . Para demostrar que observamos que A C et. (b) Con anterioridad sabemos que P(A) > 0 por el Arioma 1. (b) Teorema 1-15. página 6. (o) Tenemos AV A' :s[.4n8)l Entonces puesto que los conjuntos A y B .Ar ) - 0 por el Axioma 1. ñ A' : Qtenemog 1 es decir PIAJA') = P(ó) 6 P(A)*P(A') = P(A') = l-P(A) (b) Tenemos el diagrama de Venn de la Fig.13. (o) Tenemoe Az : At U (Az .77).

en tanto que S U C significa tres o corazón. diarnante.sz = Lg Tbmbién había sidq posible conseguir este resultado del espacio mueshal del Problema 1. (b) blanca.16 : 36 puntos muestrales en él y cada punto muestral tiene una asignación de probabilidad Il52..lsnc) = #. 4 bolas blancas y 5 bolas azules. (c) azul.# = i P(s ñT 66ñD¡=P($ n También s€ había podido llegar a e¡te re¡ultado observando que hay cuatro palos y cada uno tiene una probabilidad igual de ser extrafdo. 1-16. . en particular "as" tiene una probabilidad de 1/13.* (d) P(c):P(ln c 62ñc6.16 CONJUNTOS Y PROBABILIDAD [cAP. Pero por el Teorem a 1-t2 (a). (d) un corazón.13 . (f) un diez o una pica" (g) ni un cuatro ni un trÉbol.. P.. a cada punto mue¡hal.. ? para indicar coraz6n. t (b) P(11 ñC¡= :- (c) I * -I^ 26 ) +P(6 ñD¡: 62 52 = I " . P¡ @ Puesto que 10 y P no son mutuamente excluyentes tenemos del Teorema 1-19 UP):P(10) +P(P)-P(10 ñ : 1/13 + rl4 - 7152 : 4lI3 @) La probabilidad de no cuatro no trébol página 9.. Determinar la probabilidad de que sea (c) roja.la probabilidad requerida es 36/52 = 9/13..10(o) en donde cad¿ punto mueehal. D. página 6. (c) un tres de tréboles o un seis de diamantes.* h* . 13 pot aa.52.4' ñ T' = (4 U ?)'.[P(4) +P(")-P (4 n T)] _. Asf g n C significa tree de corazoneo. rcy.L ñD ó 1 n ") =P((1 n c) +P(1 nP) +P (1 nD) +P(1 n r) 11111 = 52..2. 1 que sea (g) un as. Puesto que este complemento tiene 52 .16. . Así. P(4'^T')= 4(4 U ")'l: L- P(4 U ?¡ : 1. respectivamente. doo. pica.10(tr). (e) cualquier palo excepto corazones. (d) no roja.y 1. También se hubiera llegado a este resultado por un razonamiento sencillo de que hay 13 números y así cada uno tiene una probabilidad de ger extraído igual a 1/13.P(C) = ! P(L0 Ln = ?uti[zando laparte (d)y elTeorema 1-1?. 1. # -. Por simplicidad utiücelnos C.1l _ 9 . Por tanto puede denotarse por P(4' ñ ?'). asignando probabilidades iguales de tl52 : L162. Empleemoe el espacio muegtral del Problema 1. por ejemplo. trébol.. Una bola se extrae aleatoriamente de una caja que contiene 6 bolas rojas. P(6 n (o) ") P(1): PG^e ó 1nP ó. eeto es 1/4. (e) P(C') - 1 . .r-Lñ-Z-521 También podíamos obtener este reeultado observando que el diagrama de Venn favorable a este suceso es el oomplemento del suceeo moetrado como la parte sombrcada en la Fig.n. (e) roja o blanca. l-r 1. (b) una jota de corazones.

19 1 .'"::.2. Luego estamos buscando P(Ar ñ A2). Un dado honesto se Ianza dos veces. B y A los sucesos de extraer una bola roja. --6+4+5=1b=s 662 Nuestro espacio muestral corisiste de 6 * 4I 6:15 puntos muestrales. . Método 1.l+)l+) = I \6/\6/ 3 Hemos empleado aquí el hecho de que el resultado del segundo lanzamiento esindependiente del primero así que p(ArlAr): pier).También i"-or usado P(. 4: 12 maneras en que tanto A1 como .R ) : 6/15 : 215.P(At)P(A.1?.3ó 4 son 4resultadosdelasGprobabilida' des igualmente factibles).t""i: . Método 2. P(roja o blanca) : P(R u r) : -"""'. que P(nuB):P(R) +P(B):?*# = ? PROBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES 1. Puesto que los sucesos R y B son mutuamente excluyentes se deduce de (4). (b) P(B) = 6i+5 = ft porparte(o) (c) P(A) = 6+j+b = # = i =? (d) P(noroja) = P(R") = 1-P(E) = l-? (e) Método 1.3 6 4 en el segundo lanzamiento.6:36 maneras. página 6. 2. 6 6 6 en el primer lanzamiento V 1.::"fl'"". 1l CONJUNTOS Y PROBABILIDAD Método 1.H 10 2 6+4 6+4+5 . ' SeanAl elsuceso "4rS ó 6 enelprimerlanzamiento" y Az elsuceso "7r2. de las 6 maneras en que cae en el segundo lanzamiento. Cada una de las 6 maneras en las cuales un dado cae en el primer lanzamiento puede asociarse con cada una 6. Entonces si asignamos probabili' dades iguales Ll15 a cada punto muestral observamos que P(. 5 ó 6 son 3 resultados de las 6 probabilidadés igualmente factibles) y P(Az): ltO (ya que 7. Hallar la probabilidad de obtener 4. Denótese por R.364en elsegundo lanzamiento". norparte(c). blanca y azul. respectivamenüe. Método 2. .. P(AroAr) = P(At)P(A2lAr\ -.4 1) :316 (ya que 4.cAP.á = | Método 3. .5 o blanca También puede resolverse l¡tilizando el espacio muestral como en la parte (c).15 . r(RUB)=P(A'): 1-P(A): I .42 ocurren.J. Entonees L1 (o) P(n)= Mótodo 2.) '!' . debido a que hay 6 puntos muestrales que corresponden a "bola rojatt. . Entonces P(ArnAzl . un total de factibles. todas igualmente Cada una de las tres maneras en que A1 ocurre puede asociarse con cada una de las 3 m¿rneraa en que A2 ocurre para dar 3.

todas igualmente factibles. . Así que ambas cartas pueden extraerse en (52)(52) maneras. También. 6) El espacio muestral para cada lanzamiento de los (r.6) a (3. Encontrar la probabilidad de no obtener un total de 7 u 11 en ningunó de los dos lanzamientos de un par de dados honrados. Hallar la probabilidad de que ases si la ca¡ta (c) se remplaza. Puesto que se incluyen 8 puntos tenemos que P(A ): 8/36 : 219. /. = las 51 cartas restantes. A.P(Al -- L 27 -::99 1o.' ( #)l#) == # r\ P(A1l:4152. Entonces P(A.tp(A2 A¡\ = (52")(*) = . puesto que también hay 4 ases en las ó2 ca¡tas para la segunda extracción. r) (2.1) a Se deduce que la probabiüdad de no dada por ? u 11 está 345 Primer dado P1A'¡ '= | . si la carta se remplaza para la segunda extracción.2. Se extraen dos cartas. a (2.2 a (6. .18.2) signitica que el resultado del primer dado es b y el del segundo 2.2gara indica¡ y 2o. 6) a 1. \.2l a a (6.)(á) = P(ArP\A2l (2.6) I (¿.nA") =+:(.3) (8. Por ejemplo (5."t (ol La primera carta puede extraerse en una de las 52 maner:u¡ posibles y ya que hay rempl.19.) = (b) Como en la parte (o). l) (3. Así ambas cartas pueden extraerse en (52 ) ( 51 ) maneras. 1-17. (2. Entonces P(ArnA.3) Si A es el suceso "7 u 11" entonces A se indica por Ia porción sombreada en la Fig.18 coNJUNTos y pRoBABILTDAD lcAP.2) a a aa (5. 1 Esto indica directamente que A 1 y A2 son independientes puesto que . extracción".azamiento la segunda ca¡ta también puede extraerse en una de las 52 maneras posibles.6) (2. P(A¡): 4152.42 suoeso "as en la segunda P(Arñ A2): P(A1) P(A2l A t).l Método 2. {) (5. entonces P(A2 | A r) : 4152. Entonces estamos (o) Puesto que para la primera extracción hay 4 ases en las 52 cartas. aa {) (6. oaa (3. Puesto que los dados son honestos y hay 36 puntos muestrales asignamos la probabilidad 1/36 para cada uno. (b) no ambar¡ sean se remplaza. lanzamientos de los dadosobservamosquelaprobabilidad de no 7 u 11 en el primero o segundo lanzamientos está dada por empleando el hecho de que los lanzamientos son independientes. l'ig. En este caso hay 4 maneras de sacar un as en la primera extracción y 4 maneras de saca¡ un as en la segunda exhacción de tal forma que el número de maneras de sacar :rses en la primera y segunda extracción es ( ) (a)i Así la probabilidad requerida es (4)(4) = (52\(52\ 1 169 (b) La primera carta puede extraerse en una de las 52 maneras posibles y ya que no hay remplazamiento la segunda carta puede extraerse en una de las 51 maneras posibles. Sea A1 buscando suceso ttas en la primera extracciónt' y . l-17 Utiüzando subíndices t."A) = P(A) P(A.3) (3. I a a aa (r. l) (1. dados se muestra en la Fig. 6) ({. 1. Método 1.3) (4. r'(A. todas igualmente factibles. p(A. de una baraja de 52 cartas. así que P(A2l Ar Sin embargo si ocurre un as en la primera extracción quedarán 3 en ) : 3/51. 1-17.

1l CONJUNTOS Y PROBABILIDAD 19 En este caso hay 4 maneras de saca¡ un as en la primera extracción y 3 maneras de sacar un as en lia segunda extracción de t¿l forma que el número de maneras de sacar ares en la primera y segunda extracción es (4) (3). : 6. (b) no se remplazan. lanzamiento) = | .21.J requerimos A2: : suceso "4 en el prirner lanzamiento o 4 en el segundo lanzamiento o ambos" suceso t'al menos un 4" A2). P(ArU Método 1. lanzamiento y no 4 en el 2o. Los sucesos A t I Az no son mutuamente excluyentes. P(al menos un 4) Entonces P(al menos un 4) P (ningún 4) = 1 : 1 . blanca y azul si las bolas (a) se remplazan.P(ningún 4) : 1 -P(no 4 en 1er.Rr ) p(82 lnr )p(A3 In.A2 ocurra pero : no At : 5 5 número de maneras en las que tanto A 1 como . Se extraen tres bolas sucesivamente de la caja del Problema 1.suceso "roja en la primera extracción".20. llallar la probabilidad de que se extraigan en el orden roja. Hallar la-probabilidad de obtener al menos un 4 en dos lanzamientos de un dado honrado.42 ocurran : 1 .P(A'rnA'"\ = | . Nfrmero total de maneras igualmente factibles en las que ambos dados pueden caer También. Así Art. por (1Ol V QI ) = 6'u-\ui\u/ * = * Método 2. : guCe¡o (o) Si cada bola se remplaza. I}2 : süc€so "blanca en la segunda extracción". Así la probabilidad pedida es (4X3) (52)(51) I 2 1. entonces los suceeos son dependientes y p(nr n 82 n At)=p(Rr ) p@2lR¡ )p(Ar I Er n 82) :1\6 | u+ 5/\5 +4+5/\/ u 5/ el \/ n \5+ 3+ \=. P(A'tuA) = P(A) + P(A) . número de maneras en las que A 1 ocurra pero no Az nf¡mero de maneras en las que . entonces los sucesos son independientes y p(. 4 Az 1.16. pero Bon independientes. Si Rl . Requerimos P(Rl ñ 82 n A!\.P(A')P(A'2| = '! -(8X*) = *" Método 3. nar¡ :P(Rr )P(82)P(A1) e \/ n u =(\6+4+5/\6+ 4+5/\/\6+4+5/\=_9_ 225 (b) Si no se remplazan las bolas.Rr n 82 ñ At):p(.P(At) P(Az\ 1 r /t\/t\ rr Por üanto. A3 "azul en la tercera extracción". Sea A I: suceso "4 en el primer lanzamiento" y : suceso "4 en el segundo lanzamiento".cAP.6 : 36.P(ALñ42) = P(A) + P(A!) .

23 con A: R..24. Extensiones para valores mayores de n se obtienen fácilmente. At : I. página t. página 8..23) Ay A2.. Así la probabilidad de sacar una bola roja P(Rt - P(nP@ Il+P\II\P(RIII¡ = /t\/ I \ /r\/ z (.2/ 5 z TEOREMA DE BAYES L25.20 CONJUNTOS Y PROBABILIDAD Luego el número de manera¡ en l¡as cuales por lo menos uno de los sucesos 11. otro contiene 3 bolas blancas y 5 bolas negras.O*' P(A\'Aki \ P1A¡ A¡ = P(A) P(A I Ak) P\Ak^A) = --PÁt ) P(A¡l P(A' Akl 1. plear los resultados del Problema 1. An tenemos por el Teorema P(A) = P(AI)P(A Ar) + ' " + P(A..lB't)=P(B')P(Bi¡ = 1-P(Br ñB)-P(Bin B'r): (b) (c) (-1=)1=+) + 2/\3 + 5/ \4 = : 24 La probabilidad pedida es t -i-* = # 1. Si el suceso . Demostrar el Teorema 1-23. (b) ambas sean negras. (c) una sea blanca y una negra. Az: II. Un talego contiene 4 bolas blancas y 2 bolas negras.píryina9). Demostrar el teorema de Bayes (Teorema L-24. Se lanza una moneda honrada. .) . (d) P(BtnBil:P(Br )P(B2lBt):P(Br )P(B) = lt!")/-=) + 5/ = I 4 \4 + 2/ \3 P(B'tñnb:pelp@. Por tanto P(. Axioma 3 empleando (I8). 1 : Ar ó A2 ocurraes- 5 +5+ 1 L.. I|2 : süc€so "bola blanca del segundo talego". Puesto queA resulta en uno de lossucesos mutuamenüe excluyentes 1-22 (Problema 1.22. SeaB¡ : suceso "bola blanca del primer talego".I. Si se extrae una bola de cada talego.\P(A:A. Si R indica el suceso "sacar una bola roja" mientras que 1 y 1I indican los sucesos escoger caja f y caja caja I /d respectivamente. Puesto que una bola roja puede resultar al escoger cualquiera de las cajas podemos em. Asípor P(A) = P(AIA)+P(A^AI') = P(A) P(A i A) + P(42\ P(A I A2) 8. Supóngase en el Problema 7.4 debe resultar en uno de los dos sucesos mutuamente excluyentes At.26. Az entonces A = (AnAr)u(A¡42) PeroA ñAt y Añ Az son mutuamente excluyentes puesto que A1 y A2 lo son. La contiene 3 bolas rojas y 2 azules en tanto que la caja II contiene 2 bolas rojas y 8 azules. fcAP.)("+-ri-r:ri ---r:\ \2/\2+8/ \-/\-. Si se obtiene cara se saca una bola de la caja. j Dor tanto ".24 que quien lanzala moneda no revela si resulta c¿¡ra o sello (de tal forma que la caja de 14 cual se sacó la bola no se revela). hallar la probabilidad de que (¿) ambas sean blancas. Demostramos el teorema para el c¡¡so n : 2.23. pero revela que se sacó una bola . Hallar Ia probabilidad de sacar una bola roja. si se obtiene sello se saca una bola de la caja /I.41 U Az): 11/36.

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

. ¿De cuántas maneras pueden 10 personas sentarse en una banca si sólo bay 4 puestos disponibles? El primer puesto puede ocuparse con cualquiera de las 10 personas y. = e 15 (d) ¡P¡ = 3.28. 2. (c) si el último número ha de ser cero y los números no pueden repetirse? (o) La primera cifra puede ser cualquiera entre 9 (puesto que el 0 no tiene valor).7: 4536son los númerosque pueden formarse.. Entonces 9' sPs : I .4.32. . 3. I . L = b! =. = 5.1 =nl Esto se conoce como el número de permutaciones de n objetos diferentes tomados de n en n y se denota por p n' n. nPr. Se quieren sentar 5 hombres puede asociarse con cada ordenación de las mujeres. ¿Cuántosnúmerosdecuatrocifraspuedenformarseconlosl0dÍgitos0. g. 1 Debemos ordena¡ 5 bolas en 5 posiciones así -. Entonces I ' 10 ' 10 ' l0 : 9000 son los números que pueden formarse.T = - 5040 El número de ordenaciones de n objetos diferentes tomados de r en r ea n = n(n 1) . Halla¡elvalorde (a) .7.2.3 = 860 (c) . 7 : 4586 sonlos númerosque puedenforma¡se.9si(c)los números pueden repetirse. (d) rPr.5. á maneras de llenar la cuarta posición. 8. Luego hay 3 maneras de llena¡ la tercera posición. Cuando esto se haya hechó hay 4 maneras de llenar la segunda posición.Pr. 1.3. (c) tsPt. y finalmente sólo 1 manera de llena¡ la última poeición. Así pues. Por tanto: El número de ordenacionesde 10 En general. cuando esto está hecho.30. persona!¡ tomadasde 4en 4es = tC. ¿De cuántas formas pueden sentarse? Los hombrcs pueden sentarse de 5P5 formas y las mujeres de 4Pa formas.8. (b) uPo. 120 Elnhmerodeordenacionesdenobjetosdiferentesenunafilaes=n(n-l)(n-2\.. Cada ordenación de los hombres Elnúmerodeordenacionespedidoes = "Pr.336 (b) Pq = 6. puestos). 4. es decir hay cinco maneras de llenar la primera posición. (¿) aP¡ = 8. (o) La primera puede ser cualquiera entre g (el 0 no). 9 . y 4 mujeres en una fila de modo que las mujeres ocupen los sitios pares.31. La primera posición puede ocuparse por cualquiera de las cinco bolas..r * l) Esto se conoce como el número de permutaciones de n objetos diferentes tomados de r en r y se denota por P. Otro métod<¡.. La segunda..a tercera puede ser cualquiera entre 8 (no pueden ser ninguna de las que ocupan los dos prifneros La cuarta puede ser cualquiera entre 7 (no pueden ser ninguna de las que ocupan los tres primeros Entonces 9 .oPo = 514! = (lZO)\24) 2gg0 1. El primer número puede ser cualquiera entre 9 y los tres restantes pueden elegirse de gPa formas. puestos). .6 .22 CONJUNTOS Y PROBABILIDAD [cA?. La segunda puede ser cualquiera entre 9 (no puede ser la que ocupó el primer puesto).1 = 6 1. = r¡ ! como en el Problem a 1.. S para ocupar el tercero y 7 para ocuparel cuarto.8.. (b) si los números no pueden rcpetirse. l.rP.29.1. Obsérvese que cuando | = tr. hay 9 formas para ocupar el segundo puesto. 1. tercera y cuarüa pueden ser cualquiera de las 10. . (n .2. por tlnto: El número de ordenacionesde lag 5 bolasen una filaes En general.

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

4O.39.1 = o'' --ll (b) oCs = 6 ! = 6.2 = 6. 1 El problema es equivalente a encontrar el número de grupos de 4 objetos que se pueden formar con 10 objetos dados (o de 6 objetos con 10 objetos dados). n. 2 matemáticos de un total de 5 pueden elegirse de sCz formas.. (c\ eC+ 7. Entonces tC+:I. como si se escoge o como si se rechaza. escarola. es:25 - 1 : 31 Puedeseleccionarseldelassverduras.6. Número total de selecciones posibles = tCz'tCs = 3'35 = 105 L. De un total de 5 matemáticos y 7 físicos. 3 físicos de un total de 7 pueden elegirse de zCs formas. oCz = 10 .rl nP' 1.5. 1.. 15 = 150 (c) 2 matemáticoe de un total de 3 pueden elegirse de sCz formas.8.2delasSverduras.CL-l tC2+5Ca+ sC4+ scs : 5 *10+ 10* 6* 1 : 31 .objetos dados. Puesto que cada una de l¡¡ 2 formas de considerar una verdura está asociada con 2 formae de considerar cada una de las otras verduras.. ae llamanúmerodecorñbinacionesdelosnobjetostomadosderenrysedenotapor. _ e! _ \s/-sws-BJ]T- e.Entonceselnúmerorequerido de ensaladas es -.b = 126 1. 2 físicos restantes de un total de 6 puedtn elegirse de eCz formas. Nfimero total de selecciones posibles = sCz' zCs = l0'35 = 350 (b). 4. (b) un físico determinado debe pertenecer al comité.4 = l4..rl(n-rll n(n-11"'(n-r+1) r! . lo que es evidentemente 1. = #h = I si se define Nótese que formalmente aCa 0! = l. endibia. Por tanto El número de ensaladas Otro método. Pero las 2s forma¡ incluyen el ca¡o de no seleccionar ninguna verdura. el número de formas de considerar lias cinco verduras es 25 formas.6. se forma un corúité de 2 matemáticos y 3 físicos. ¿De cuántas formas puede formarse. si (c) puede pertenecer a él cualquier matemático y físico. (c) dos matemáticos determinados no pueden estar en el comité? (a) 2 matemáticos de un total de 5 pueden elegirse de sCz formas. beno y achicoria? Cada verdura puede tratarse de 2 formas. no teniendo en cuenta el orden de los objetos dentro del grupo. Hallar el valor de (a) zCq (b) aCs. 6 uCt=oC1 =6' 5ú ff (c) +Ca es el número de grupos de 4 objetos que se pueden formar con 4 objetoa.38.ur .37.4!B! = 7.6. ¿De cuántas formas puede elegirse una comisión de 5 personas de entre 9 personas? /g) = ^c.C.. b! ?. Número toüal de selecciones posibles = sCz.5 71 ^ (ol .SdelasSverduras.Olf/Vvienedadopor ^ n"r nl /"\ \r / .24 CONJUNTOS Y PROBABILIDAD lcAP.5. 3 físicos de un total de 7 dan 7C3 formas. 5. ¿Cuánt¿s ensaladas pueden preparañ¡e con lechuga. En general el número de grupos distintos de r objetos que 8e pueden formar con.

\ r / \r-1l' (n-r*r)(n-1)! r! (n .r)'! r! (n .. ¡raracualquier enteropositivo n..Cs+ -.41. 'xl (**!\" = r-:o (1?).y por tanto eetá dado por /12\ _ \n/= 12.1l CONJUNTOS Y PROBABILIDAD 26 nCn Engeneral. que consten 4 consonantes y 3 vocales? No es necesario que las patabras tengan significado.B.43. ! = 2r-1.r e =4e6 . Entonces: El nhmero de palabrae y las ? letra¡resultantee (4 q 7C1 ' óCa ' ?! : 35 . r0.42.11. .r)l (n-r)(n-L)l * r(¿-1)! r! (n . 1b:10 * 6.= xau /rz)'. Demostrar q"" Tenemos que 11) \r/ = l" .!2 = 0.1¡¡ 1" . Aeí10:4I6. Halla¡ el término constan6 en h exDansión de 1r. .r)l (¿-l)! (¿-1)! . De acuerdo al teorema del binomio *'\. ee 1.*. 3 vocales) pueden ordena¡¡e entre sf de zPz : ?! forma¡.t) + f" . 10 ' 6040 : 1 ?64 000 COEFICIENTES BINOMIALES 1. $ \k /' 3 \& /'. obtenemoa Ia distribución conocida como el trióngulo de Poscal: n=l n=2 n=3 n:4 n=5 n=6 et¿.. 2. 4.eüc. La¡ 4 coneonantes pueáen elegirse (!e lC+ formas.1r . 1 L 1 | I 1 6 4 3 6 2 1 1 3 4 1 1 5 10 10 5 15 20 15 6 1 1 Un resultado en cualquier renglón puede obtenerse sumando los dc coeficiente¡ del renglón anterior que encuenüreninmediatamentealaizquierdayaladerecha.. Con 7 consonanps y 5-vogaJes diferentes.+!\".z."¡ /¿-r\ /"-r\ \ " )-\"-t) El resultado tiene la siguiente aplicación interesante. de 1. n0r+ ncz+.' \"/ ü/ \ El término conetante corresponde a aquel para el cual 3& .cAP. .11)"-.tFV=fr . 1. ee decir k = 4.*-. ¿cuántas palabras pueden formarse. Si escribimos lo¡ coeficientes de la expaneión binomial de (c * U)" púa n :0. lss 3 vocsles de s0g formac consonantes.1).

A¡f . Una cqia contiene 8 bolas rojas. t'bol. P(8rnP2nBJ = P(Fr) P(^R2 | A1) P(¿s l. reinq rey en cualqui. Bz. roja en L¡ te¡cer¡ ettracciónt'.B Probabiüdadp€did¡: (D) Empleando el re¡undo método i¡dicado en la parte (o). Eotoo"". P(Rr g l/lg\ = fr' 6\96/ urando (e) ^ Bz ñá¡) : 4R¡) P(B? | 8r ) P(Ar I Rr n82) = f /s\/s\/e\ \*i\*/\r8/ = s e5 .44.er orden. Si se extraen 3 bolas aleatoriamente sin renplazamiento. Rc lol auceecr "bola roja en la primera erhaccióntt. 10.[l2 ñ R3 reprerenta el guceso "la¡ 3 "bola bola¡ exhafda¡ con rojEr". 1 PROBABILIDAD T. (f) las bolas sean extraídas en el orden rojo. determinar la probabüdad de que (c) las 3 bolas sean rojas.Rt n . Se extraen 6 cartas de r¡na barqia de 62 cartas. (e) 3 de un palo y 2 de otro. (b) las 3 bolas sean blancas. rerpectivarnente.* "O de cada color) = Ot¡o método. (e) se extraiga una de cada color. (o) Método 1. 14 Za. Halla¡ la probabilidad de extraet (a) 4 ases.45.26 CONruNTOS Y PROBABILTDAD [cAP. (f) al menos 1 as./e\/ z\/o\ \20l\i0l\18/ Método 2. . (d) un 9. (cl P(2 bolar rojar y 1 blanca) = (gupoc de 2 entre 8 bol¡¡ rojar)(grupoo de 1 entre 3 bola¡ blancas) afir.= 1140 = zous j_ 296 P(3 bolú blurcas) ' Tambión puede utilizarre el priraer m6todo indic¡do en la parta (o). ezut) .B1nR2) . (c) 2 sean rojas y 1 blanca. blanco. =t-# =# = !9lff9 = *g (f) P(ertraer l¡¡ bola¡ en o¡den rojo.ocro de ¡rupoe de 3 bola¡ entre 20 =-=-zocs (d) P(ningu¡ablanca) = (¡CzX¡Cr) 7 96 #= ff. (c) 3 dieces y 2 jotas.. blanco.TTEIZA}TDO ANALISIS COMBINATORIO 1. azul. De e¡ta mar¡era tenemo¡ Sean i¡. (li) 4 ases y un rey. (d) al menos 1 eea blanca. jota. @) pedc) = (b') W# = # = u¡fuo P(4eroylrey) = ry . 3 blancas y 9 azules. P(almenol blance) (¿) P(tdecadacolor.a roja en la aegunda extracción". =g=i| zocs t9.

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

2a.) suponiendo que los resultados de cada partida son independientes de los resultados de la¡ ohas. (b) dos partidas terminen en tablas. luego gana A. un nfimero que tiene 6b dígitos.10.46) 5 /s\ " \í)o'n'-' = t(. 1á¡ n gane al menos una partida. Atendiendo a la experiencia que han tenido (probabilidad empírica) suponemos que P(Aganeunapartida) = #=+ P(Bganeunapartida) = #=+ =I (o) P(Aganelashespartidas) - P(AtnAroA3') = p(At)p(A2)p(As) = (. Quien obtenga primero un total de 7 q^? el juego.':.28 11 CONJUNTOS Y PROBABILIDAD lcAP.) .Asílaprobabilidad.. Bz. Acuerdan jugar un torneo consistente en 3 partidas. 2a. partida respectivamente. luego B. 1-17.P(B') P(B. es 1/6 como se determinó en el Problema 1. A pierde en el ler. Hallar la piobabiüdad de que (o) A gane las tres partidas. supuestamente honradoe. I|3 los sucesos "B gana" la 1a.'J?fi '.6990) - 50(0. luego A. Denótese por A B t.. Az.^. Si suponemos que A es el primero en lanza¡ entonces A ganará en cualquiera de los casos siguientes mutuamente excluyentes con las probabilidades asociadas indicadas: (1) (2) A gana en el ler. (Esta suposición no sería justificable si un jugador fuera influenciad.4343) = 64. luego pierde B.18 y Fig.z.4836 N= 3. t..Xt(. y 3a. luego A o B gane. 1 = ¿los100 | ¡lor3142 + 11 = i(zl * de donde 50 1og50 - 50 log2?18 . lallar la probabilidad de que (o) quien lanza primero los dados gane. Probabiüdad : 1 /6. .P(B'roBj¡B'r) L . Probabiüdad = {¿)(f )($).50 A y B juegan lanzando alternativamente un par de dados.:'.:.4972) + 50(1.) P@.P(B no gane ninguna partida) t . partida respectivamenüe. (c) A y B ganen altemativamenie."u j /t\/r\/t\ * /r\/r \/r\ = \r/\5/\r/ \¡i \zi \¡i 5 . (ó) quien lanza segundo los dados gane..o sicológicamenfe por loe resultados anteriores! (b) En cualquier partida la probabiüdad de no tablas (esto ee A o B gana)esg: ]-t2+]-lg:516yla probabiüdaddet¿blasesp:1--q:1/6.'. lanzamiento. luego B) == ".:. B gana 4 y 2 tnrmrnan en tablas.49..de2tablasenBpartidases(réase Problema 1. y 3a. A 3 los sucesos " A gana" la 1. lanzamiento.04 x 100r. (o ) La probabilidad de obtener 7 en un sólo lanzamiento de una pareja de dados. \a) = n /r\2/<\ (c) P(A y B ganen alternaüvamente) : P(A gane. -/¿\/a\1¿\ = le ^ \3/\3/\3/ 27 1..íll 36 (d) P(B gane al menos una partida) : 1 . PROBLEMAS DIVERSOS 1. A y B juegan 12 partidas de ajedrez de las cuales A gana 6.i :.

Las probabilidades de que un esposo y una esposa estén vivos dentro de 20 años están dadas por 0. Suponemos que . respectivamente.51. Nótese que la probabiüdad de un empate que 11 ' 6-5 11 1 Esto no serfa verdadero si el juego fuera limitado. : 6L" /s\' * /r\* I _ \al \ui donde hemos utilizado el resultado 6 del Apéndice A con x r/6 6 : (5rc)2 - (b) Análogamente la probabilidad de que B gane el juego es 1q)/l) .02 . Puesto que se sabe que la segunda bola es blanca solamente hay 3 formas de las restantes 8 para que la primera sea blanca. 1. Prqbabilidad = (áX8X8X8X+). estén vivos en 20 años.2)(0. pierde B. gane es /t\ /s\/s\/r\ . 1. Véanse Problemas 1.*/q\'*/q)'* \o/\e/t_' \o/'. de tal manera que la probabilidad es 3/8. pierde A.F/ y la esposa. Una rnáquina produce un total deL2 000 tomillos diarios de los cuales en promedio elSVo son defectuosos. 1l CONJUNTOS Y PROBABILIDAD 29 (3) A pierde en el ler./s\/¡\/o\/s\/r\ * \6/-\6i \6/\u/ \6i \6/\Bi \u/\6i 1l-.1) = 0.9. Así la probabilidad de que g. Bl. Entonces y lI/ son sucesos independientes. lanzamiento. I|2 son los suceoos "blanca en la primera extracción". lo cual puede ser o no razonable. Se extraen dos bolas sucesivamente de la caja sin remplazamiento y se observa.tJ es cero ya Así iríamos 6 a 5 a que el primero que liance gana. estamos buscando P(Br lB2).9 respectivamente. gana A.52. Así Probabiüdad pedida = -H*-P 1.(5/6)2 11 . respectivamente.cAP.151 y 1. ¿Cuál es la probabilidad de que la primera también sea blanca? Método 1. Hallar la probabilidad de que en 20 años (a) ambos vivan. P(W) : 0. pierde B.9) = 032 (ó) P(ningunoviva) = P(H'nW') = P(H'\P(W') = (0.8)(0. el 3'/o 6 360 son defectuosos y 11 640 no lo son.8 y 0.8./l)/q)lq\It\ \6/\6.' \6/\6/\6/\6/ * = /q\/r\T. P(H): (o) P(ambosüvan) = P(H1W) = P(H)P(W) : (0.152.53. "blanca en la segunda extracción". Una caja contiene 5 bolas rojas y 4 blancas. Hallar la probabilidad de que de 600 tornillos seleccionados aleatoriamente 12 sean defectuosos. l|/ los sucesos que el esposo 0. (c) al menos uno viva. que la segunda es blanca. Sean ÁI. Este resultado se obtiene así Si P(BJB)='+#=elwq=* Método 2. De 12 000 tornillos. (b) ninguno viva.\6/ =5136=5 1 .

Por tanto la probabilidad pedida es p(ApAzu-../\ . 1 (c) P(al menoc und üYa): 1 -P(ninguno viva): 1 .u) las es la ¡uma de las probabilidades de A¡ desde t hasta n.30 CONJUNTOS Y PROBABILIDAD [cAP...lAtnAr) y así aucesivamente..ri..A. ..98 1.* r-e-l I : 0.. lo¡ sucelo¡ primera.etc. Una secretaria ineficiente coloca ncartasdiferentes en n sobres con destinos diferentes aleatopiada..nA2n. . 'á P(4 ñ A¡ ñ que tienen ) = "r"términos el valor dado por (4).4¡ U AzU'.) Ap) hay ( (+)l=+) \lr/\tt .#.79) tenemo¡ (1) donde E P(A¡) + )P(AinAinAk) P(áruAru.\ /"\/t\/ I = (l)(t)-l:)/l)l \. A partir de la generalización de los resultados (10\ y (1 l)... riamente.6321. página 7.r) .02 = 0. Entonce¡ el ¡uceso al menos una carta en el sobre conecto es. finalmenrte .i/ ..0.vAn¡ 1\ t. El resultado ee a¡ombroso ya que la probabilidad permanececasi constante para n ) 10.xt"1B"""ntJfi::::i*il'ff..1/ nl (5) Entonces en la suma > Análogamente en E p(A./\.C2 términos que tienen el valor dado por (3).42.(+ll-+ll=+) \.54. ='-('-+r.i \. . aefqueparar:-l e-..\t/\.1) ..U An y deeeamos hallar P(A¡ U A2V. Hallar la probabilidad de que al menos una de las cartas llegue a la destinación aproDenótensepor A¡. (véase Problema 1.. la probabilidad de que al menos una ca¡ta llegue a su destino apropiado es casi la misma si n es 10 ó 10 000.nA) = ''-n' P(A¡ñ A¡ ) hay (..Tenemosporejemplolosiguiente: (z) P(A)=+ yanálogamente PlAr¡=L ya que de lo¡ n sobres rolamente 1 tendrá la dirección apropiada.f'.sobre "nto"o' *to '' de los rectantes n- 1 sobres estará (4) p(AtnAzr1A¡) = p(Á. E P(A¡ ñ Ar) es la suma de probabilidadesdeA¡ñA¡conjyhdeedelhastanyh)j. Por üanto.=t \/ .".-. Esto quiere decir Se deduce que ai n es grande la probabilidad pedida es aprorimadamente 1 -e que hay urra buena probabilidad de que al menos una carta llegue al destino apropiado. Tbmbién (E) p(A.). -r/\n-2/ (+) = + \.) p\AztAttp(A.. .\ri )\" " ' " + (-r)^-'l'\l+) = r-fr+i-"'+1-t¡"-'I cz \z/!t!/ Del cálculo sabemoe que (véare Apéndice A) = lf ¡*#.) "1 ó 1.1/ =. U A. cegunda.ñA2t : p(At\p(A2lAt\ = (*)("=) aProPi"ao ü.i1-:."uAn) = )r(¿*) -)e6'tnl'r) "' * (-t¡"-t P(At^A2¡ " n. n-ésima carta ¡e encuentra en el gobre correcto.

-k). 3.^" --!. debe ocurrir en uno de los otros 364 dlas. 1. Denotando la probabiüdad dada por p y tomando logaritmos naturales hallamos (r) @\ (3) lnp tnp =t"(r-#) -r'"(.23)(n'l 22) = g asf que n : 23. 1l CONJUNTOS Y PROBABILIDAD 31 1. tnp = .2 -r¿-506 = 0 = 0..-*(n-1)2 - n(n .n(r-l) i30 para n pequeño comparado con 365. la probabilidad de que la n-ésima persona tenga un cumpl'e¡ñoe diferent¿ de las otras n * 1)/365. Halla¡ Ia probabilidad de que n personas (n < 365) seleccionadas aleatoriamente tengan n días de cumpleaños diferentes."' . (b) método de comprensión. Suponemos que solamente hay 365 días en el año y que todos loe días de cumpleaños son igualmente probables.56. .55.693 6 ln 2 = 6 (n . fótmula 7) que -r) -= --c - T- 3 así que (I ) puede escribirse como = ft+z+ : 2. suposiciones que no se cumplen genetalmente en la realidad. Por tanto nuestra conclusión es que si n es mayor gue 23 podemos decir con mayor seguridad que al menos dos personas cumplen años el mismo dfa.165/\'. SeaA = {r r2-3r*2=0}. "'+rn(t-#) ln(1 Pero sabemos de cálculo (Apéndice A. . asf que una buena aproximación en este Pa¡a (7) p : L12. Por tanto tenemos es (365 - P(n cumpleaños diferentes) = #* # ffi = \'- ' 365 :-l! + 1 1\/'.' (Apéndice A' fórmulas 1 y 2) (Ir\ I+2+ "'*(n-1) = @. 12+22 i-.DeterminarsiACB o no.z\.0. D = {t I 12<16).cAP. Sea A eI conjunto de los números natwales entre 5 y 15 que son pares..1\:{. Finalmente.693. Por tanto tenemos n.55 para que la probabiüdad cumpleaños distintos sea menor que U2.s supletnentarios CONJUNTOS 1.l. Así la probabilidad de que la segunda persona tenga un cumpleaños diferente de la primera es 364/365.-4\ . La primera de las n personar¡ tiene lógicamente algún cumpleaños con probabilidad 365/365 : 1. si Ia segünda persona tiene un cumpleaños diferente.67.." .r)(Zn -r) 6 obtenemos para (3) (5) *::":: 16) rnp = -!!+ñ! .58. por ejemplo n ( 30.. Determinar cuántas personas se necesitan en el Problema 1. Describir A de acuerdo al (o) método de extensión. Análoga' mente la probabilidad de que l¿ üerce¡a persona üenga un cumpleaños diferente de las dos primetas es 863/365. Enipleando los hechos de que para n . Entonces.ln p r¿(rr : - -- 1) ?30 ..865 ) de 1.(.. el segundo término y los términos superiores a la ae 1S¡ son dlespreciables comparados con el primer término.).865)"'\'. Problema.

Tborema 1-120. Generdiza¡ las primen y eegunda leyec De Morgan a cualquier número de conjuntos. 1.(AuC). I-a paradoja descrita se conoce Rusell. entonce¿A = B.nC. Emplear un diagrama de Venn para dibujar ceda uno de loo conjuntoo eiguientec: (¿) A n (Bucl (ü) .66.32 CONJUNTOS Y PROBABILIDAD Demoeürar que para cualquier conjunto [cAP.). De¡cribir un espacio muestral para cada uno una moneda.7 o negar: Si A u (Ar\B) eilusha¡loporundiagramadeVenn. y (D) ilustra¡la utilizando un diagrama de Venn.64. (o) Demostrar que (b) Demoetrar que ri p-f Ge[. (c) Añ(BuC). página 3. (c) A'nB'. de loe siguientes experimentos aleatorios: (o) 3 lanzamientos de 1. oPEBACIONES E¡ITBE CON. (c) A)8. ei ¿[e como I Sea ci éeeI' o cl¿se de todos loe conjunüoc que no 8on elementos de eUos mi¡mo¡.2}. (s) (AnC)' u B. (d) AnB'. 1. 1. signifrcadodecadaunadelasoperacionessiguienüee: (f) B A.61. (c) A'uB.2. página (o) Eemortrar la segunda ley De Morgan.Encontrar (a) Av(BuCl.31. (e) A. A tenemo¡ A C A.0(¡=4) Encontra¡ (a) AvB. 1.?f . (ó) Sir yy son do¡ númeroereales sr¡alesquierq entonces x1y. 1. (d\ (AnBlu(AnC).76. formule en palabras el (a't A'. en un grupo de 600 hombre¡.uC'). C = {4.5}.69' 1. - .?). 1.66. DIAGBAMAS DE VENN y TEOREMAS SOBBE CONJUNTOS 1. entoncq cJeeJ. (e\ B-A. Si A e¡ el suceso "cara" en el l¡nzamiento de la moneda y I es el euc€¡o "3 ó 6" en el lanzamiento del dado.ñ(B.4.69. 15¡(6. (fllanzat una moneda y un dado.9.62.68. (Véase Problema 1. Demo¡trarque (á -A)UA =á ¡ólo srBC A e ilugtrarlo utilizando un diagramade Venn. A)8. (o) Si A y B eon dos conjunüos cuáleequiena. B. B={2. (c) Teorema 1-4.68. 1. ESPACIOS MUESTBALES Y SUCESOS L. x>y O i Demostra¡ que cualquier aubconjunto del conjunto vacfo debe ser el conjunto vacfo.5\ yrupóngarequeloerubconjuntoede'll son A:{1. (b) (AuB)uC.6?.ruNTOS. 1..6 A: falredad de las propoeiciones siguientce.60. (Ó) el nhmero de fum¡dore. 1. Ilustrar el principio de dudidad haciendo referencie a losteoremas de la pfuina 3. Demostra¡el (a) Teorema l-2.B'? Ju¡tificar l¡ ¡olución. (fl (A-B) u (B-A). =y.(B. (e) A-8. (ü) Teorema l-8. Sea'tl el conjunto de todos loi enteros no negativos y conaidérenee loe nrbconjuntoc A = {xl¡e¡unente¡ope¡. 1. . Un erperimento consiste en el lanzamiento de una moneda y un dado. EXPEBTMENTOS ALEATOBIOS. 1 1. (ñ) A .4 u (BnC\ (c) A' n (BuC)' (rt) A . Generaliza¡ el recultado del Problema 1. (bl AnB.o de llamadas recibida¡ en une ce¡ttrat telefónica. Demo¡harque . L.73. (d') A-8. B. (e) el número de partícular nucleare¡ que enhan a un contador Geiger.A r.76. (ü) B'.} ! B = {rlreounnfimeroprimo.p6gina 3.72. Seaununiver¡o 'Ll:{L. ¿EE (A - B)' : A' . 0 @uB) . Afirmar -B = @.3. E¡tudiar la verdad o entonces A CB. (c) lanzar un¡ moneda hasta que aparezc¿ un sello.(BnC) (e) A' - (BuC)' 1.?0.t B = IA-(AnB)] u ÍB-UnB)l 1. (d) el númer.1.5. página B.

Sea A1 el suceso "reyen la primera extracción". (b) ni roja ni azul.7t.42 el suceso "rey en la segunda extracción".8t. (c) AyBUC.85. ll CONJUNTOS Y PROBABILIDAD 33 TEOREMAS SOBRE PROBABTLIDAD 1. (¡) solamente una sea roja. 12 defectuosos. @) p(A'rr. blanca 1. Demostrar que si P(A ) >P(B ) entonces P(A I B) Si > P(.90. Demostrar el resultado (1 1). (e) pl(A1nAr) u (A"nAr)]. 1.tA'r). satisface los axiomas de probabilidad en la página 6 y por tanto todos los teoremas sobre probabilidad.87. 30 blancas. B. L. o un estimador de ella. as. üe (sin Una caja contidne 2 bolas rojas y 3 azules. (c) una sea roja y la otra azul. Csonsucesosindependientes.1. .83.4 ).t4.54. 1. y (I I ). Explicar el significado de cada una de las siguientes: (a\ P(AroA!r).92.(A ñ B) son mutuamente excluyentes. pfuina ?.80. (d) sean rojas o blancas o de ambos colores (roja y blanca). 1. (b)AyBñC. (e) la segunda no sea azul. pfuina Demostrar que P(A'uB') = 1 .t1. Hallar la probabilidad de que sea (c) naranja o roja.83. (¿) p(A1^A'2ñA\). 1. Resolver el Problema 1. (g) al menos una sea azul..14(b) demostrando (sin emplear el diagrama de Venn) que AUB = AOIB-(AOB)I donde A y B . (b) la primera sea roja ylasegunda sea blanca. (c) Encontrar un tornillo defectuoso si después de examina¡ 600 tornillos se han encontrado (d) Un 7 u 11 reeulte en un solo lanzamiento de un par de dados honrados. (c) no azul. (b) ambas sean rojas. Determinar la probabilidad p. Se extraen dos bolas sucesivamente de la caja del Problema 1.?9. y A3 el suceso "rey en la tercera extracción".página 8. Si aI menos un hijo en una famiüa con dos hijos es un niño ¿cuál es la probabilidad de que ambos hijos sean niños? Demostrar que la probabilidad condicional definida por (17). Se exürae una bola aleatoriamente de un caja que contiene 10 bolas rojas. (¿) roja. cartzs 1.77. (c)A y B-C. (b) La suma 8 agatezca en un solo lanzamiento de un par de dados honrados. 1. y así demostrar eI resultado (l ) del Problema 7. para cada uno de Ios sucesos siguientes: (c) La aparición de un rey. 1. SiA. o azul. Completar la demostración en el Problema 1. Un experimento consiste en la sucesiva extracción de tres cartas de una baraja. (i) la primera sea blanca pero la segunda no. jota de tréboles o reina de diamantes al extraer una sola carta de una baraja común de 52 ca¡tas.84 si no hay remplazamiento después de cada extracción.demostrarque pendientes. 7. (h) máximo una sea roja.P(A¡B). (b ) A' es independiente de A es independiente de B demostrar que (o ) A es independiente de B .86. Halla¡ la probabilidad de que (a) ambas sean blancas. 1. 1. PBOBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES f . . Hallar la probabilidad de extraer 3 ases aleatoriamente de una ba¡aja de 62 remplazan. (D ) si las cartas (o) se no se remplazan. 1. (b\ p(AluA2\.82.8 I .91. CALCULO DE PROBABILTDADES 1. 20 azules y l5 naranjas. (c) ninguna sea naranja. (d) blanca. son inde- . (e) Al menos aparezca una cara en tres lanzamientos de una moneda honrada. p6gina Generalizar los resultados (I0 ) 30. remplazando la bola extraída después de cada extracción.cAP. Hallar la probabilidad de que si dos bolas se extraen aleatoriamenremplazamiento) (o) ambas sean azules.89. B'.

(¿) roC¡. En cada compartimiento del Begundo joyero hay un reloj de plata. A ¡: auceao At. .43 no son independientec. Se lanza una moneda tres veces. ¿Cuántos números diferentes de 3 cifra¡ pueden formar¡e con 3 cuaEog. Hallar la probabiüdad de haber escogido la urna I. ¿De cuántas forma¡ pueden ordena¡se 7 libros en un eEtanüe ei (a) er posible cualquier ordenación. .94. suceso "número impar en el primer dado". 1. abrimos uno de los compartimientoa y hallamos un reloj de plaüa. Se selecciona una urna aleatoriamente la urna II. A3 lon independientes pero que 1. La urna I tiene 2 bola¡ blanca¡ y 3 negras. 1. (b) las primeras dos cifras de cada número son pa¡es? lor números deben ser 1. Uüilizar un diagrama á¡bol pa¡a determinar el nf¡mero de maneras en las que se puede exhaer (o) un diamante y un trébol y un corazón en secuencia (b) dos corazones y luego un trébol o una pica. en tanto que en el oho hay un reloj de piata Si seleccionamos un joyero aleatoriamente. Demostrar que A¡ .¿Guál es la probabilidad de haberla exbaído de la primera caja? Ttes joyeros idénticos tienen dos compartimiento¡. ANALTSIS COMBINATORIO. ¿De cuántas formas pueden 3 hombres y I mujerec sentarse alrededor de una meea ei (o) no se impone ninguna resüricción. Una caja contiene 3 bolas azules y 2 rojas mienüras que otra caja contiene 2 bola¡ azulee y 5 rojas. (¿) roP¡. L. . ¿De cuántas maneraa pueden coloca¡se l. 3 blancas y 4 negras. Resolver el problema anterior si la8 cifreÁ de los números pueden estar repetidas. (D) 3 libros determinados deben estar juntos.1O?. (c) 2 libros deüerminados deben ocupar lo¡ exüremos? (o ) 1. . Hallar la probabilidad de que sea blanca.96. Se TEOREMA O REGLA DE BAYES 1. caja / contiene 3 bolasrojasy Sblancas.10t. ¿Cuánto¡ números de cinco cifras pueden formarse con los dÍgitos L. (b) doe mujerer determinadas no deben centar¡e juntar.+tPt = nPtl.99. á3 : "total impa¡ en ambos dados". CUENTA Y DTAGNAMAI¡ ARBOL 1. Luego ee extrae una bola de la segunda caja. y lrr urna ffl. Utiliza¡ un diagrama árbol para determin¡r la¡ diferentes poribilidades que pueden suceder. .1O3.cajas reeulta azul. ¿De cuántas formas pueden 5 personas sentarse en un sofá si tiene sol¿mente tres asientos? 1. Az. (ó) zPs.ent¿nüoquelacajalfcontiene4bola¡rojasy2blancas.106. AziA2.96. 4 blancae y I nggra.101.34 CONJUNTOS Y PROBABILIDAD Sea lcAP. 1. . Hallarelvalor de(a) oP2.9?. ¿cuál es la pobabilidad de que el otro compartimiento tenga un reloj de oro? 1. La escoge una bola aleatoriamente de la primera caja y se coloca en la s€gunda c¿ja sin ob¡ervar su color. (c) cada mujer debe eetarentre dos hombres? COMBINACIONES 1. 1.lO2. 1 1.98. Hallar el valor de (a) rC3. 2. Se extraen tres cartas aleaüoriamente (sin remplazarniento) de una baraja de 62 ca¡tas. ¿Para qué valor de n es . Una bola extrafda aleatoriamenüe de una de las. (b) ¡C¡. 3. Atl At.1OO. En cada compartimiento del primer joyero hay un reloj de oro.93. 9 ¡i impares. En el tercer joyero eñ un compartimiento hay un reloj de oro.109.4 doeee y 2 tres€s? 1. A2 = BuG€so "núme¡o impar en el segundo dado".104.106. I monedae diferentes en 2 posiciones diferentes? PERMUTACIONES 1. y una bola ertraída aleatoriamente e¡ blanca.

.C. Halla¡ el número de (o) combinacionee y (D) permuüaciones de cuatro letras cada una quepuedenformarse con las letras de la palabra Tennessee.116.-tj(. par.f 23.t24.125..8 mujeres. 1. impar o par' impar' par. \ r/ 1. \4 / 1. (b) /11 \ (r-a)4. . +/"\ \2 / /"\ . Si se van a jugar tres juegos ¿cuáles son la¡ apuestac (a) en favor de A de ganar al menoa doc de los tre¡ juegos. 3 corazones y 1 pica. (d) (rz*21t. 1. (c) un economista determinado no debe estar en el comité? 1. 1.4 mujeres. Con 5 estadistas y 6 economistas quiere formarse un comité de 3 estadistas y 2 economistas. (b) j=t (-1).110.111. ¿f).114.2n-1.122. Calcular..120. (c) eC¡. 3 y 2 personas? y 3 personas.121. (b) un palo completo. Hallar la probabilidaddeque (o)laprimera carta no Bea un diez de tréboles o un aa.cAP. (ó) ( )./"\ . unavez'(c)dosveces'en 1.113. (h) las cartar son frguras o picas o ambas. reina' rey). j=1 = n.(b)almenoe dos lanzamientos de un par de dados honradoe. (b) deben seleccionarse un hombre y una mujer 1.( ") . Demostrar que (c) (b) \r¿l \o/ \r / + 1") * '. (b) dos estadistas determinados deben estar en el comité. Halla¡ la probabilidad de que uno de loe jugadores obtenga (o) ? diamantea.118. ¿Cuántos comités diferentes pueden formarse si (o) no se impone ninguna restricción. (e) no más que una carta sea figura (jota. (c) (t-r t)s.+ r-''i" 2/ \l )=o \o/ \r/ /"\ * /"\ I 1. PROBABILIDAD UTILIZANDO ANALISIS COMBINATORIO 1.115.. ¿De cuántas maneras pueden seleccionarse 6 preguntae de un total de 10? 1--112" ¿Ctántos comités diferentes de 3 hombres y 4 mujeres pueden formarse con 8 hombres y 6 muieres? 1. s€ impone ninguna restricción. COEFICIENTES BINOMTALES 1. 1.e cuántas formas puede un grupo de 10 personas dividirse en (o) dos grupos de 7 grupos de 5. Expandir (o) (o+y)6."". La¡ apuestas en favor de A de ganar un juego de ajedrez contraB son 3:2. lJna caja contiene 9 tiquetes numerados del 1 al 9.126. Hallar el coeficiente de ¡ en lt * ¿)t. 1l 1.117. ¿De cuántas formas pueden seleccionarse 4 niños y 5 niñas si (o) no determinados? 2 hombres.) = 0. (b) la primera ca¡ta sea un aÁ pero la eegunda no. Hallarlaprobabilidaddeobtenerunasumade?puntos(o)unavez. (b) en contra de A de perder los prir4eros dos juegos? 1. t"l kCz\QC¿)/DC. 2 héboles. Si s€ extraen 3 tiquetes de la caja uno a uno' hallar la probabilidad de que alternativamente s€an impar. (d) las cartas no sean del mismo palo.rnda carta no sea una figura dadoque la primera eí lo es. (g) la seg.. Demostrar que (o) É . (c) al menos una carta sea un diamante.119. En un juego de naipee ee reparte a cada uno de loe 4 jugadores 13 cartas de una baraja de 52 cartae. ¿Para qué CONruNTOS Y PROBABILIDAD valor de n s€ cumple que 35 3' n+rC¡ : 7' nCzl. (b) tres 1. (f) la seErnda carta no sea una figura. 3 niños y 3 niñas con 6 hombres.. Se extraen dos cartas sucesivamente de una baraja de 52 eartas.

¿Cuál es el menor número de lanzamientos necesarios en el hoblema 1. rey y as del mismo palo. Supóngaae que al lanzar una moneda 500 veces hay una secuenci¡ de2(lsnzanientosqueresulüan"carast'. hallar la probabilidad de que necesiüe 6 disparos. 1. . An P(ArvA"u. Halla¡ la probabilídad de que (o) sean diferen1. 1. (b) tn full que consiste en 3 cartas de un valor y 2 de otro (por ejemplo 3 diecer y 2 jotas.140. Se extraen 3 ca¡üas de una baraja de 52. 1. 1. 1.51.127. - L. (d) 4 ases. Demostrarque 1. Un par de dados se lanzan repetidamente.144. Demosürarque siACB' entonces AnB:Q. Enunjuegodepókerhallarlaprobabiüdaddeobtener(o)unaescaleraflor.131. A-(A nf¡: AñB'. Halla¡ la probabilidad de que 3 sean rojas y 2 azules.reina. ¡rara valores de n grandes. 1 1.145. Una urna contiene 6 bolas rojas y 8 azules.) + P(A)+ .). p2 y 4p Halla¡ el valor de p. 1.135. Hallar la probabilidad de que un jugador tenga de 13 cartas g de un mismo palo.l47.3. ¿Cuántas palabras pueden formaree con 5 letras si (o) lae letras son diferentes. (b) máximo dqs sean igualee.138.I's probabilidad de que un tirador dé en el blanco eede 213.141.12E. Demostrar que para cualesquiera sucesos Ar. (b)al menos dos sean ages. Un espacio muestral consiste de 3 puntos muestrales con probabilidadeg a¡ociadas dadas gor 2p. Cuatro enteros se eligen aleatoriamente entre 0 y 9 inclusive. Hallar la probabilidad de que ocurta 11 por primera vez en el sexto lanzamiento. Si diepara al blanco hastaqueledal¡primera vez.143.36 CONruNTOS Y PROBABILIDAD lcAP.130. .96? 1. Se extraen cinco bolas aleatoriamente sin remplazamiento.. etc.142. PROBLEMAS DIVERSOS 1. Esüudiar lo eiguiente: no h¿y tal cosa de que una moneda sea honesta pu6to que en cualquier número de lanzamientos es extremadamenüe difícil que el número de caras y Ee¡lor eea igual.13?. 1.140 para que la probabiüdad de obtener 11 por primera vez sea mayor que (a) 0.133.136. +P(Á") 1. (o) Hallar la probabilidad de obtener la suma 7 en al menos uno de tres lanzamientos de un par de dador honrados. . Halla¡ la probabilidad de que (o) las cartas eean de un palo. (b) 0. Al lanzar un par de dados la suma puede ser 2.'. 12. ¿De cuántas formas pueden selecciona¡se 30 individuos de un total de 100? 1. .134. Demostrar que aproximadamente 2nCn - 22"1\/ñ.jota. .. .. 1.132. APROXIMACION DE STIRLING A n! 1.139. .146. Hallar porcentaje de enor en la fórmula de Stirling para n : 10. 1. (b) ¿Cuántos lanzamientos se necesitan para quela probabilidad en (o) eea mayor que 0. (c) todas las letras son diferentes pero dos letras determinadae no puden estar juntas? tes. ¿Puede considera¡ee la moneda cómo honrada? Expücar.uAn) < P(4. Obüener una aproximación al resultado del Problema 1.129.95? 1. ¿Podríamos asignar probabilidadee de 1/11 a cada uno de esos puntos? Explicar. Az.queconsistedediez. l. .5. (D) 2 letras son idénticas. (c) ca¡tas diferentes. 1. 1.

Este tipo de problema se presenta en física en conexión con l¡a es tad ísüca Fermi-Diroc. . 1. Demostrar que /"\ = ! 1t'¡¡" . 1. (ü) tres jugadores.rtimientos separados. (d) ningfrn 5? ¿Puede resolverse el problema sin saber el número de cincos que tienen los otros jugadores? Expücar.1ó3.' Denoüando la probabilidad deseada comopñ (a). Resolver el Problema 1. 1. (c) los cuatro jugadores tengan un palo completo.151.149.6. Este üipo de problema se presenta en física en conexión eonlaestadística Bose-Einstein.54 obtenga exacüamente I ¿-c / r\k sobres correctos ". (a) Un estante contiene 6 compartimientos separados.(i)' una interpretación combinatoria. Un jugador de póker tiene las cartas 2.156.151. 1. Desea descartar el 8 y remplazarla por otra carüa que espera sea un 5 (err ese caso obtendrá una "escalera"). 1. Hallar la probabilidad de que en un juego de bridge (o) dos jugadores. .152.)va". una interpretáción combinatoria.154. que (Sugerencia: Consi¿s¡ar 1. demostrar que p"(a) = 1 fipn-o (0) y luego emplear el resultado del Problema 1.ISrí"r"ncia.148. 1.150. 3. (c) trer cincoe.\¡/(. ¿Cuál es la probabilidad de que obtenga el 5 suponiendo que los oüro¡ tres jugadores en conjunto tienen (a) un cinco.50 si el juego se ümita a B lanzamientos.t't .8. CONJUNTOS Y PROBABILIDAD 37 (c) Un estanque contiene 6 compa.¿De cuántas maneras pueden colocarse 4 bolas idénticas en los compartimientos? (b) Resolver el problema si hay n compartimientos y r bolas. 1l 1. u¿ fi.155. 4. Generaliza¡ el resultado del Problema 1._ \r/ (1 + r¡t (1 + o¡"-t y hallar el coeficiente de ¡j en el producto).541. Demostrar l") . (b) dos cincos. .:). Demostrar que la probabiüdad para que la secretaria del Problema 1. "dar ¿ letras en los 1.cAP.11)'-* 1i)'-l \"/ \o/ \t/ . ¿De cuántas formas pueden colocarse 12 bolas idénticas en los compartimientos de tal manera que ningún compartimiento quede vacío? (b) Resolver el problema si hay n compartimientos y r bolas para r ) n.

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

o simplemente la función de dístribución.)f(u) (0 donde la suma a la derecha se toma para todos los valores de z para los cuales u = x. Recíprocamente la función de probabilidad puede obtenerse de la función de dist¡ibución. Tabla 2-2 =I r f(r) 0 I r/2 ..5 y 1. es decir . Una gráfica de f(¡) se llama grdfica de (b ) EJEMPLO 2.2. 2-1 la suma de las ordenadas es 1 mientras que en el histograma la suma de l¡¡ áreas rectangulares es 1. lxla . En la FA. Fig.cAP. o por un histogromo. P(X:1) = P(CSuSC) = p(cs)+ p(sc) = i*i P(X=21 = P(CC) Así. Si X únicamente toma un número finito de valores lct. 2-2. por ejemplo X: 1 significa que esüá enüre 0.1 y construir la gráfica de probabilidad..2-2 Histograma FUNCIONES DE DISTRIBUCION PARA VARIABLES ALEATORIAS DISCRETAS varidble aleatoria X se define por La función de distribución acumuhda.. En el ca¡o del hislogama podemos considerar la va¡iable aleatoria X como continua.2-f Eepectro Fíg. (a) Halla¡ la función de probabilidad correepondiente a La variable aleatoria X del Ejemplo 2. (o ) Suponiendo que la moneda es honrada tenemos P(CC) Luego I 4 P(CS) 1 4 P( SC) 1 4 P(SS) 1 4 P(X-0)=P(ss)=..1 x ( -.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 39 donde la suma en 2 se toma sobre los valores posibles de probabilidad.6.) +.de la función de probabilidad notando que r es cualquier número rl = F(u) real. pata vrta donde obtenerse. r/4 =I r/4 la función de probabilidad está dada en la Tabla 2-2. 2-1. como se indica en la Fig. (b) IÁ gráfica de probabilidad puede reprecentarse comoleindica en la Fig. r. Íz rn entonces la función de distribución está dada por 0 f (r') f(rt\ + f(rü F(r\ = -@<fr1It rt3fr1trz rz3fi1rt : (5) /(r.+/(r") x. P(X < (8) La función de distribución puede F(rl = P(x=r) -.

Sin embargo hay una probabilidad mayor que cero de que X esté entre 145 y 150 centímetros. que son verdaderos en general. Debido a esto se dice que es vnafunción monotónicamente creciente.40 EJEMPLO VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD lcAP. . Entonces definimos la probabilidad de que X se encuentre entre ¿ y b como P(a<X<b) : Í"' f (n) d. 1.@ e -. Para llegar a una distribución de probabilidad para una variable aleatoria continua notamos que la probabilidad de que X se encuentre entre dos ualores diferentes tiene significado. nos conducen f(r) tal que o a poshrlar la existencia de una función 1.)I__ f(r\dx=r donde la segunda es una proposición matemática del hecho que una variable aleatoria de valor real debe ciertamente encontra¡se entre . 2. EJEMPLO 2. tomando valores desde 0 hasta 1. f(r\ > 2. Por tanto no podemos definir una función de probabilidad en la misma forma que para una va¡iable aleatoria discreta (págrna 38). 2-3. 3. Este hecho permite obtener la función de probabilidad a paftir de la función de distribución. Debido a la apariencia de la gráfica de la Fig. deben notan¡e. 2 son LlA. 2-1. la probabilidad de que su estatura X sea precisamente 147 centímetros sería cero. DISTRIBUCION DE PROBABILIDAD Si X es una variable aleatoria continu4 la probabilidad de que X tome un valor determinado generalmente es cero. 2-3 frecuentemente se le llama función escalera o función paso. la función de distribución para la va¡iable aleatoria X del Ejemplo 2. (b) Obtener (a) f'a función de distribución es lo F(r) = ll ln la ln [1 I -o(¡(0 0<r--l l<r12 2<r1de (D) Larepresentación gráfica tra en la Fig.2. Esto se expresa matemáticamente estableciendo que la función de distribución es continua por la derecha en 0.3. Si se selecciona aleatoriamente un individuo de un grupo numeroso de hornbres adultos. 2. 714 corresponden exactanrente a las ordenadas en la Fig. (o) Halar representación gráfica. pagjna 38. 1.n (6) . Las magnitudes de los saltos en 0" 1. A medida que procedemos de izquieida a derecha (es decir subiendo la escalera) la función de distribución permanece igual o aumenta. 712. F(r) se mues- Los aspectos siguientes acerca de la función de distribución anterior. por ejemplo. así el valor en 1 es 314 y no Ll4. Estas ideas y la analogía de las Propiedades 1 y 2.4.2 su 2. El valor de la función én un entero se obtiene del paso superior.

5. (b) Emplear P(l < r = 2\.f. ou + f"'f@)au = fo'!u.l-*Ít'lol' = )ow2dr .ru. .au f""oou = 1 Por tanto la función de distribución pedida es r(o [o F(r) . la probabilidad de que X sea igual a cualquier valor determinado es cero. (a) Ya que f(r) satisface la propiedad 1 si c ? 0.tu.r) = P(X=r) f(r).'" de otra forma " función de densidad y (b) calcular P(l < X < 2).UU ¡( 0 entonces F(. (o) HaIIar la constante c para que Ia función f(r¡ = {"^* L0 sea una o. (a) Hallar resultado de (o) para hallar el signo en (7\ puede remplazarse por la función de distribución para la variable aleatoria del Ejemplo 2.CAP. Entonces de .1é/27 0<'<3 fr Obsérvese que s>s F(r) aumenta monotónicamente desde 0 hasta 1 como lo requiere una función dedistribución.a1X<r) s = J_-" ¡p¡au f' ( si se desea. debe satisfacer la propiedad 2 para ser una función densidad. EJEMPLO 2. = *-h=:h 7 En el caso de que f(r) sea continua. También debe observarse que F(r) en este caso es continua.t) = 0. Una función f(r) que satisface los requisitos anteriores se llama función de probabilidad o distribución de probabilidad para una variable aleatoria continua. el (o) Tenemos F(r) = Si P(X = r\ = o" Í__. en el Ejemplo 2. V) En los puntos de continuidad de EJEMPLO 2.5.n* =.-g ec y puesto que esto debe ser igual a 1 tenemos c: tl9. Si 0 f: x 13 entonces F(rl Si¡>Sentonces = ou fo' . página 39.. lo que supondremos al menos se establezca otfa cosa.'U". En tal caso podemos remplazar cualquiera o ambos de los signos ( en (6) por Así. pero con mayor frecuencia se denomina función de densidad de probabilidad o simplementn función de densídad.5. definimos la función de distribución F(x\ para una uariable leatoria continua por F(. (b) P(1< p(r<x<z) -. = # + F(r) = fo" . X<2) = P(l<X<2) = P(\<X=Z) = P(l1X<2) = fr a- FUNCIONES DE DISTRIBUCION PARA VARIABLES ALEATORIAS CONTINUAS Por analogía con (4). = 13 t'n ¡3 .6. = Í. #f. 2] VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 4L Podemos demostrar que esta definición satisface los axiomas de probabilidad dados en la página 6.'!. n. Cualquier función que satisface las propiedades t y 2 antnriores automáticamente es una función de densidad y las probabilidades pedidas pueden obtenerse a partir de (6').?1. : P(.

2-4. la cunra no puede caer por debajo del eje r.6.ü# (121 at. az y F se suponen derivables con respecto a.' T*0" + F(az(a). INTERPRETACIONES GRAFICAS es la función de densidad para una variable aleatoria X entonces podemos reptesentar y gráficamente por una curva como en la Fig. se representa por el área sombreada de laFig.x)itu donde = f""jl. Geométricamente la probabilidad de que X esté enhe a y b. (10) es la /(¡) es continu4 es decir la derivada de función de distribución REGLA DE LEIBNIZ Pa¡a obtener (101hemos empleado el hecho familiar del cálculo de que $ !"' tlu) ou = Este es un caso especial de f (s) (11) h regla de Leibniz para diferencbción de una integral: *Í"".2-4. Puesto que f(r) Z 0. 2s137 n La probabilidad de que X se encuentr€ entre r yxt Ax está dada por (8) p(r= xtn+ta) así que si = . 2-l .F@t(n).a# .2 (ó) Tenemoa P(r<x<2) P(X=21 - P(X=1) f(2) - F(1) n-n como en el Ejemplo 2.42 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD [cAP..rr ¡g¡au f'** : f(n\tn A* es pequeño tenemos aproximadamente P(r<X<a*tr) (e) También observamos de (7) que al diferenciar ambos lados ry=r@) para todos los puntos donde función de densidad. es deci¡ P(a 1 X < b).'.'r(u.i.'. El área total limitada por la cuwa y el eje ¡ debe ser 1 debido a la propiedad 2 en la págna 40. : f(x) Si f(r) Fig.r.

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

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

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

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

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

la función de densidad condicional de Y dada X ¡1xlu) y f(alr)porfr(rla) I fr@lr)respectiva¡rente. es pre porcional a K¡. El tipo de suposición empleado define la función de dishibución de probabilidad. Lógicamente pueden plantearse ohas suposiciones. (B: Y: J). Por ejemplo.2 DISTRIBUCIONES CONDICIONALES Con anterioridad sabemos que si P(A) > 0 P(BIA\ = (4t¡ Si & y son variables aleatorias discretas y tenemos los sucesos (A: X (41) se convierte en = r). Por tanto definimos P(pegar en la región de área K1 ) Kr K Qr¡ donde se supone que la probabilidad de pegar al objetivo es 1. Y. yl = P(X : Í. supóngase que tenemos un objetivo en la forma de una región plana de área K y una porción de ella con á¡ea K1 . /.48 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD IC. Por fe1ü = dadoquerlX(r*dres Ll++ r(r¡ I &s¡ donde f(x.AP. APLICACIONES A LA PROBABILIDAD GEOMETRICA Varios problemas en probabilidad surgen de las consideraciones geométricas o tienen interpretaciones geométricas. fácilmente al caso en que X. Fis. Y : y) es la fi:nción de probabilidad conjunta probabilidad discreta para X. Utilizando (45) podemos por ejemplo hallar que la probabilidad de que Y esté entre c y d p(c<y <iI | *<X< x *dr) : f"'" f{rlr)da (40¡ También se dispone de la generalización de estos resultados. Análogamente la función de r(rlut = Algunasvecesdenota¡emosa @+¡ Estas ideas se amplían ejemplo.2-7 . etc. (r) es la función de densidad marginal de X. Y son variables aleatorias continuas. puede ser menos probable pegar a áreas externas. Por ejemplo. y) es la función de densidad conjunta de X. entonces (42) P(Y=ulX=r) : f\*'') f donde f(x. Entonces es razonable suponer que la probabilidad de pegar a la región de área K.Definimos '(r) y fr(r) es la función de f@tr) = y la llamamc y8 ## es ('t g) función de probabilidad condícional de Y dada probabilidad condicional de X dada Y es X.

Jo 4/36 2/36 (ó) Podemos emplear un espectro o un histograma como los dados en la Fig. Supóngase que se lanza un par de dados honrados y que la variable aleatoria X denote la suma de-los puntós. así que cada punto muestral tiene probabilidad 1/36. Tabla 2-4 'x 1'17'página18. 2-8 la suma de las ordenodas es 1 en tanto que en la Fig. Utilizando el hecho de que los 36 puntos muestrales son igualmente probables. 2-9 la suma de todas las óreos rectangulares es 1. 2-8 o en la Fig.cAP. garaX:5 corresponden los cuaho puntos muestrales (1.4).1.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 49 Problerna.2). Así para (3. de acuerdo con si deseamos considerar a X como va¡iable discreta o continua.Po¡ ejemplo. (a) Obtener la distribución de probabilidad paraX. obtenemos la Tabla 2-4. variable aleatoria X es la suma de las coordenadas para cada punto.La 2 3 4 5 6 7 8 q l0 3i 36 11 t2 1/36 /(r) 1/36 2t36 3/36 4/36 5/36 6/36 o/. Nótese que en la Fig. . 2'9.3). (c) LospuntosmuestralesparaloslianzamientosdeunpardedadosestándadosenlaFig.s restreltos VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCRETAS 2. (4. (b) Consbuir una gráfica para esta distribución de probabilidad.2) tenemos X : 5. (3.1) así que la probabilidad asociada es 4/36. (2.

". Se encontró quelrr probabilidad de obtener eractamente r veoea A en los n intentos es icrp'q. 0123 Número de ¡¡iñoc X = ¡ Fis. 2-10 (o) Tenemos que F'(r) = P(X = tl u=x 2 Ífu¡..on probabilidadesp y g: 1-prespectivamente. Fig.2 2. dependiendo sobre si deseamos considerar a puede representarse como en la Fig. (b) Représentar gráficamente la distriUución en (o). 2-ll (b) Véase Fig. (Obeérvese que X se define sobre el eepacio muestral de tres inüentos). Por tanto.(. F(r) 1 33/36 30/36 27 i36 I 24/'.1 hallamos F(rl = 0 -e 1r<.46 trató el caeo de n intentos mutua¡t¡ente independientes.)"(t'-' = . Obsérvese que el cero del eje r se ha desplazado.t-. ip=q:L12. (a) Hallar la función de distribución F(r) para la variable aleatoria X del Problema 2. suponiendo iguales probabilidades para niños y niñas. (c) Hallar la disgibución de probabilidad de niños y niñas en familias con 3 hijos.)' Tabla 2-6 fr 0 donde la variable ale¿toria X representa el número de niños en la familia.) 3 se indica en la Tabla 2-5. c. La función de probabilidad para X. A y A'. siA e¡eleuceeo"niñott.". tenemos P(eractamente r niños) = P(X = r) = . f(r) = . donde cada intento tenfa dos resultados posibles.3. (a ) EI Problema 1.(.2-L2.2 1/36 2fr13 3/36 3fr<4 6/36 4f s<5 sslso rr<"<rz I 12 0123 Número de ¡lños X = ¡ lrlq Fig. I 3/8 . Enüonces de los resultados del Problema 2.2.(i) \-'l /r \3 f(r) r/8 3/8 L/8 (b) La Eráfrca va¡iable X como discreta o continua.JNCIONES DE DISTRIBUCION DISCRETA r/t 2. Este re¡ultado se aplica a este problema bajo la suposición de que los nacimientos eucecivos (loe "intentoe") eon independientes en cuanto se refiere al sexo del hijo.¿6 2r/36 18/3rt 15/36 12/36 9i 36 6/36 3136 ..50 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP. 2-10 o en la la FI.c. 2-11.L y (b\ repr€sentar gráficamente esta función de distribución. D:3.

6. X del Problema 2. Un (¿) (a) Debemostener aXtienelafuncióndedensidad o".(-. (c) Hallar la función de distribución F(*) para la va¡iable aleatoria representar gráfrcamente esta función de dishibución. _. acf que c=Ur. la constante c.'= J-./J f = " =.r12*L =zC' oJ6. donde -o(ú.. f . t:_flu)ttr = 1.2-13 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2.itan-rc .-. Hallar la función de distribución conespondient¿ a la función de densidad del Problema 2. (b) Hallar la probabilidad de que f(r)=c/(n2+l)... 2-13.<6.cAP. F(¡) I 7t8 6/r 6tE 4/E 3/8 2t8 I UE t Fig.6.6.4. z2 = 1 (ü) si* = x2 =t." r¿*l = ?['*-'(1) .t¿n-r (+)] I = z(z-z\ = 6 6/ "\4 2.2 obtenemo¡ F(rl (ó) L8 gráfica = de la función de distribución de (o) se muestra en la Fig. )? estÉ entre 1/3 y 1..e¡décir t-.rr_rrl. t*tantolaprobabilidadpedidaes t(-'lstt oJ-t dn *lft dr IL'rJ¡5.ran-l(--)J = l[r*-' " "if = i. rL t__J = 11h./ -\-'l (* :u.2V @) (o) Uüilizando la Tabla 2-5 del Problema 2.2l VARIABLES ALEATORIAS Y DISIBIBUCIONES DE PROBABILIDAD 51 2.\r-.r .12 + | = "t"r-rrl r-o = "L. 1 C" F(r) = )_-t{")a" = i)__ n du _ = !l-t.entonces ó -l < x = -f. I -u.

(c) Hallar P(X>l. 0 = U < 3.¡l = f2"-u l0 r)0 r10 le-1 (ó) P(X>z) Otro método.7.) 2c 4c 6c 3c DC l4c 22c 42c 7c L5c Tota les+ 9c l2c . (o) . (a) tos puntos muestrales (r.y f(r.. (b) Hallar P(X =2. La función de probabilidad conjunta de dos variables aleatorias discretas X. y pueden tomar todos los valores enteros tales que 0 < n 3 2. Tabla 2-6 Y X 0 0 0 I c 2 3 Totales ü I 2c 4c 6c 3c 5c 6c I .A) = c(2r *y).42c. fir-\ = dt l-F1. )-11. Por tanto. se indican en la Tabla 2-6. P(X>z) = f -(1 -e-r) = (c) e-4 p(-B<x<4) = ln¡rulou = f_roa"+ ton2r-r. y) para los cuales las probabilidades son diferentes a crero se indican en la Fig. Por defrnición P(X =-21 = )" ze-z"du = -u-r"1. P(-3<X<4) = P(X=4) -P(X<-3) = r'(4) .du = -e-2"1 = L-e-8 lo l{ Otro método.2 2. (b) la probabilidad de que X > 2. = = F(2) = | .8. tenemos que c : L142.Y s2\. La función de distribución para una variable aleatoria X es (L-e-2" o>0 F(r\ : J^ x1O [u Halla¡ (c) la tunción de densidad.U\ : 0 de otra forma. Y estÁ dada por f(r. las probabilidades asociadas con esos puntog dadas por c(2x * y). donde r. y (c) la probabilidad de que-3<X<4.F(-g) = (1 -e-e)-(0) = l-e-B DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2. debe ser igual a 1. Y = l). (o) Hallar el valor de la constante c. Puesto que el gran total.62 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP.e-4.

2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD De la Tabla 2-6 determinamos que 53 (b) P(X=2. P(X=2.r du = I . l22c=17/2r n=2 fz(u) y puede obtenerse de los de probabilidad marginal pata Y está dada por P(Y = a) = totales del margen en la última fila de la Tabla 2-6.9. y.Y=L) + P(X=21 P(Y=L) E resultado también se deduce del hecho de que la función de probabilidad conjunüa.cAP.Y=\ = asr que h P(x=4 = # P(Y=l) = I (2x rr y)142. Y es f (n. (o) Hallar el valor de la constante c.u) = lcnU 0(r<4. 1<g<5 de otra forma 1o (c) Hallar P(X>3. 2<Y <3). Hallar las funciones de probabilidad marginal (c) de XV (b)de Yparalasvariablesaleatorias del Problema 2. Si las variables aleatorias. Y son independientes debemos tener. es decir | | f@. para todo r. Demostrar que las variables aleatorias X. como se determina de los Problemas 2.11. (o) La función de probabilidad marginal para X está dada por P(X = r) = ft@) y puede obtener¡e de los totales del margen en la columna derecha de la Tabla 2-6. P(X = t. Y <2). (b) Hallar P(1< X <2. De estos vemos que 6c=L/7 | P(X=r) = ft@) = jUc=1/3 verificación:l+1*11 '7 3'21 (b) La función =r r=0 u=t.8 son dependientes.Y : A) = P(X = r\ P(Y = Y¡ Pero.u) d. no P(X--2.Y<2\ = t2l (2c g32 * Bc 1'4c) -f (4c*5c!-6c) :-: 'L 42 4 n otcomo se indica por las entradas sombreadas en la tabla.9. (o) Debemos tener la probabilidad total igual a 1. La función de densidad conjunta de dos variables aleatorias continuas X. 2. 2. De estos vemos que P(Y=Y¡ = verificación:1*3 +!+1 ''7 74'7 t4 fz( =t 2.{.. Y del Problema 2.Y=l)=5"=a 42 (c) De la Tabla 2-6 determinamos que P(X>t.10.8.8 (b) y 2. puede expresarse como una fi¡nción de ¡ veces una función de y.

2<Y ' (c) <3) = Í. 7 ñ J"="To' = ln 2.'=r$l'"-.r.1Í":=. para 5 < 0. xaau )clx = "!.2 Empleando la defrnición de /(.'=.(a) = 0.12. y). Oo = #Í:=.54 vARIABLEs ALEAToRIAs y DrsrRIBUcIoNEs DErRoBABTLTDAD -l IcAp. no ao)au =# [o ¡(o n>-4 12/16 O=r14 [t (ó) La función de disüribución marginal para y ai 1 PueetoqueF¡(r)escontinuaenr=Oy¡:4. =y( 5 ec Fzful = P(Y <-vl = Í¿t=_@ f1 ¿ú=l f" f@.=oL.'uau)a' = *f.* s /rz11z .frarau = * Í'^='lÍ"'="u aafa' = + f"="#l'"='* L f4 Br.:o J"=rcnvilxils ft rrs = " J. (o) L¿ función de di¡t¡ibución marginal para X ¡i 0 < ¡ ( 4 ec Ft@) = p(X=r) = f' ¿u=-4 ¿O=-@ f" fet.- ñ E P(x>s.Tn' = idt\t/|. Hallar las funciones de distribución marginal (c) de X V(bl de I' del Problema 2.'=.11."=.o' = "Í. fi uo = # 1. fv J-"=oJ"'='ffiauao = + .¡¡'J.r"=.Y=z) = í:="í"'=. = e6c Entonces 96c = 1 y c : 1/96.olduclo dudo = P¡re o > ft (s J.r=o(ry-.o)ctud.podrfamocremplazarenlaerpreaiónanüerior(por<.F . = = 1 C' 5r. Por t¡nto Fr(rl = 1.Yl'"=. 4. (ó) Utiliz¿ndo el valor de c hdl¡do en (a) tenemoe P(l <x <2. 1""=140.=. [ Í=. la integral tiene el valor f4 ¡5 J.)* = "Í:=rr2adr = "tu*)l'_. Ft(¡) = 1. .=o J"=.

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

L es una función decreciente de ¡.a todo u1 y u2 solamente si los integ'andos son idénticos.z 46.66. "rl "" /{.v)dud._-. Para el caso donde rlr'(u) -< 0..páqina 46. Dr P(r1<X1rz..' ut 12 : ¿ ttt V@) en la integral al lado derecho.u . y crecen.a) a@'a) donde es d\u. Demostrar el Teorema 2-3.u11V1o..¡. El teorema también se puede demostrar si rl'(u) 0 ó r/'(u) ( 0. u) ellacobiano.. Véase Problema 2.(' 'u2 l3-' '. Ju.. Jtl r s(u. Primero suponemos que a medida que r. Análogamente podemos demostrar ('36) para el caso donde . Úz(u.1)llJ duda ("' ("'n.t'@) Este es un caso especial de (34). pá$na 46.15. como puede deducirse de la figura.a)..f . esto es.r\uti. | trrr J| s(u.u. donde ry''(u¡ ) 0 (es decir la penCiente es positiva). u) en la integral de la derecha tenemos por un teorema de cálculo flrrtu.16. 2-17 f . 92fu. Igual que en el Problema 2. u aumenta a medida que r aumenta (Fig. La función de probabilidad para U está dada por s(u) = P(Lt ") = Plo(x) . esto es. Demostxar el Teorema 2-4. Por tanto = fI¡rfu.rl duda = f"' (''' Ju. ) O.o'tlJ J< que es (3ti).1 .At<Y<Az) = | fre | l(r. Primero considere el caso donde u : ó@) 6 x : tenemos función creciente. pá$na 46. y : Ju. págir. u). Demostrar el Teorema 2-t. pá4ina 46.16 ó P(ut<Uiu.4v. 2 lu=rd' CAMBIO DE VARIABLES [r(3-r)z r 'rldr 48 2. página 46.=o g6.y) fe2 dr dy Remplazando avanzado que r : Út@. 2. (r) (t tlt(u) es una P(ut LI 1tt"): P(rtlX1rr\ f¡7 (2) Remplazando x escribirse como /'ü: | t\u) titr 'ul |. (2) puede Fig.2fu. es decir g(u) _.fl.u).\: ?u. = 2. 2-1'7). . podemos demostrar que u y u también crecen. para el caso donde J 0. Entonces.2 1 L (" = J. también podemos demostrar que (31) se cumple (véase Problema 2..Ll Plx = gfu)) = f lv@)l En una manera análoga puede demostrarse el Teorema 2-2.56 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP.= fu ).67). ' olü au = ¡'tl f ¡¡gqullv'tu:du Esto es válido pr.17.

2.3. de otra forma .3 y* = 6 rcn u = 6 y u -2re¡I¡ectivamente. o el hoblema 2....2-lt 5 r¿ = 9 tenemos G(u) = P(Il =ul = P(Xz=u) = Pl'-\n=X=rF'l nñ = J| -V-¡ Í@rar Perosi9(u(36tenemos G(u) rfr.. página 46.tt¡¡f".3 ( 6 corresponden a los valores para los cualeo 0 S 36 como se muestra en la Fig. UyXqtídadapor y8€hatomadol¡raízrealpositiva.Enüonce¡1. La función de ptobabiüdad de una variable aleatoria X (2-' ü=1. Tenemos tL = tr2 ó r = *\ñ.'ll = 1 2.. f(r) = to de otra forma Halla¡ la probabilidad para la va¡iable aleatoria a = X4 + Puesto que l.!7. U: * . de probabilidad pedida para U ea ( z-ni i s("! = 1o utilizando el Teorema 2-1. 2-18. La función de probabilidad de una variable aleatoriaX está dada por f(a) = iL0 (12/81 -3<c<6 de otra forma Halla¡ la densidad de probabilidad pllra la va¡iable aleatoria U : t$2- X).¡función u = 2.3 ( ¡ < 3 corresponde a 0 s z s 9 er tanto que 3 (¡( 6 corresponde a 9 ( u ( 36. La función de es disüribución para U G(ul = P('tlu') Entonces si 0 Fis.I9. página 46.16. recfprocamentg.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD es 67 2.19.A¡íparacadavalorderhayunoydamenteu¡valordeuy función de densidad para U ee s(ut Verificación: = ilt'.e por el Teorema 2-3. = P(.. o por el Probler¡¿ 2. Los valores de r para los cuales.cAP.E2. Así para cada valor de ¡ conesponde uno y colamente un valor ds u pero para cada valor de u # 0 corresponden do¡ r( u( valores de ¡.Loe valore¡ de u que correrponden a¡= . Como se obeerva en esta ffuura el intervalo .2. | .18..2 = _.2O.82.16 que la Tbnemosu:tl3(L2-f.sutz¡21 ].)óx:L2-3u. HaJlar la densidad de probabüdad de la variable aleatoria U = )? donde X es l¡ va¡iable aleatoria del Problema2.U<u) = P(-B<X<\fr) = J-s f@lA..17. En este caso no podemos emplear el Teorema 2-4 directamente ¡rero podemor proceder de la manera eiguienüe.3 ¡e deduc. du ¡5 <tz:_su. .. u= r+11 6 r =n/F1.+ l larelación entre loe valoreedeuyrdela¡variablesale¿torias donde u:2."1:-. Puesto que ú'(u) : dx/du : .

le * fil2136 z4B l.=. Y tienen función de densidad conjunta r(x. El Jacobiano está dado por Fr 0r J_lr"0o oa lüu la" att lo =l I 1 11 -.IBUCIONES DE PROBABILIDAD Pueeüo que la [cAP.2 l*ibníz (12).1. lo1u114 de otra forma .2 < u .a) (véase Problema 2. función de densidad de U = X + ZY. Por üa¡¡to la región 0 I r 1 4. Entonces la ¡olución ¡imultiinea re¡ulta r : u. = 2.r'nu ffr:i:0" 'Sea u = t I 2y. 0 < a < 4 g(u'al = de oEa forma {o La función de den¡idad marginal de U está dada por 21u<6 ctfu) = f"^=oWo' J. = {. Si las variables aleatorias X. 2-r9 Entonce¡ por el Teorem a 2-4 la función de densidad conjunta de U y V (u(u-t:l/384 21u-o( 10. uear¡do la regla de c@l Utiüzando la definición dada de = f(r) eeto se convierte en 0<z<9 9.21. 2-19.-ro 0 6<¿<10 f4 afu. 1 tZ _1.58 VARTABLES ALEAT1ORIAS Y DISTR. 2 ea - Fig. u : r. 1 < y ( 5 correeponde a la regiiin 0( u ( 4.11) hallar la Método 1.u 110 que ¡e muesEa eombreada en la Fig. función de den¡idad g(u) ee l¡ derivada de G(u) tonemos.ol =#¿" .<¿<36 de otra forma 21rsrz Verificación: zlb. etcogiendo arbitrariamente l¡r eegunda relación. ! : ll2(u .u).

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

página 46. y: u.xl = {u--''"o-rtsl288 IO CONVOLUCIONES < ilu' tt 1 u2 < l26tt de otra forma 2.y¡ay]dr -J La función de den¡idad de U e¡ la derivada de G(u) con re¡pee por ef -a (' l@. que la función de densidad marginal de U c@l = f' f@. Sea LI = Íl-rO. Método 2. 2-22. La función de di¡tribución de U = X + Y es iguql a la integral doble de f(x.23../t=-a f f"-' f' Lnr1¡=-a c@l = ¡1r. f variables aleatorias qup tienen una función de densidad conjunta f(x. y) tomada ¡obrc la región definida pbr * f y s u. .:v.u-o) págin¡ 46.u-a)ilo conecponden : X + Y. V : X. la función de deneidad conjunta ile (J y V ea g(ü.o) .u-.üdrdu .r f.to-t.2 l-lor. c¡üo ec G(ul = (( Í@. vemor que G(u) üo a u e¡tá dada = .f(t¡. A e¡ta¡ ecuaciones u: x i !.IBUCIONES DE PROBABILIDAI) [cAP.ld.60 VAR¡ABLES ALEATORTAS Y DISIR. y). Demosbar que la función de densidad de U'= X * Y es s@l Método 1. 192 d'l l#'úl = l: -l ee -l Arí por el Teo¡ema 2-4.2-22 utilizando la regla de Leibniz (I2) primelo en la integralder y luego en la integral de y.-t rsu-ual J ."u-n.i"au Pue¡to que la región eetá por debajo de l¿ lfnea ¡ * y = u.u-r)ih F's. donde arbitraria¡nente hemo¡ ag€gado la *gunda ecuación.o) = {*O=f3-Io ($u-2t3a-2rt') o2161u' tt de otra forma tt-z 1u2 < l26tt c@. -tuznr-trs I -lu-zrso-zrs A¡f la función de densidad conjunta de U y V es. por el Teorema 24. o= Í6 x. como ¡e indic¡ por la parte ¡ombreada en lrr Fig. Sean X.u. El Jacobiano de l¡ tran¡fo¡mación ertá dadopor rSe deduce de (261.u-r.. cer.l: l= | f.

f2(u-t:ld.w) = (" DISTRIBUCIONES CONDICIONALES fz@\lt@-u)dut = fz'ft "/u=-n 2.d. de densidad de U: X * Y e¡ y): f t@) fz(yl. (o) Empleando los ¡esultado¡ en los Problema¡ 2.olver el hoblema nes de densidad f t@).8 y 2.f¿ .25.-*) = 1 2.8. Demostra¡ gue fi t.23 la función s(ul = t'. HaJlar (al f(y l2). R'ex.9 t¿nemo¡ ftutrt = arf que con ¡ : 2 ffi:*+#t f(ylz\=g#f=+ P(Y=rlX=2\=/(1l3r=*z (ó) .o{üau = tfo'k-r"-"-rv\d.{olf2(u-olito = f t* fz que es la conuolucidn de h y fz.f .l) = 6(e-zt .a J_ú En el integrando f1 se anula cuando u ( 0 y f2 8e anula cuando u ( u.rru-u)f2@t)(-d. (y) respectivamente..fw=n . obtenemos (-' Ítrfz = .24.- u de tal maneraque u = u-u.e-tr¡ f -'.u = (. Si X.27.26.cAP. Y son variables aleatorias independientes que tienen funciones de densidad ft@l =112"-t' . halla¡ la función de densidad de su sumao U = X Por el Problema 2. En este caso la función de den¡id¡d eonjunüa et f(x. (b) P(Y : 1lX : 2'¡ pan la distribución del Problema 2.f 2* f1 (Propiedad 1.ar@u .to ¡iu>0yg(u):O¡iu(0.u:-dw.23 si X. 2. Ve¡ific¡ción: ao ifui = 6o.241a función de den¡idad pedida es la convolución de f t y fz y eetá dada por c@) = ft*fz = f' fr(o.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD 61 2. pígna 47\" Tenemos Ít* fz = | /r(") fz@-o) Jo=-a Haciendo fa da u)= a. Por tanto Cful = | JO f! (2e-2ül(ge-sru-u))do (" = 6"-su. así que por el Problema 2.<0 L0 ü>o * fg"-to a=o " frfu\ '-\e' =1l0 a<0 Y. 2. Y son variables aleatorias independientes que tienenfunciof.

(c) Para obtener la den¡idad marginal de X fijamos r e integramde c"on reepecto a y de¡de 0 hasta r como se indica por la franja verticalen laFíg. 2-23.2E.. Fig.29. para 0 ( r ( 1. Análogamente. = t¡*} ftulr\ h¡a oü¡o¡ ralore¡ de = definid¿. !2@) Para = Í' Brydr = 4aÍ-u2'l lo¡ otros valores de y. La función de den¡idad condiciond no está defrnida cuando L8 función de densidad condicional de Y es. La región sobre la cual f(r.rlrol+)0.62 VARIABLES ALEATORTAS Y DISTBIBUCIONES DE PROBABILIDAD lcAP. = Í.a) = {t^" de otra forma 1=1=. (o) Para 0kc(1. Si X.rYP* está. la deneidad marginal de Y se obtiene fijando a y e L. 2-23 (c) La función de den¡idad condicional de X ec.2 2. pa¡a 0 ( y ( 1. : J'(i**r)0. f2Q): O.'. hl. rt*) hallar (a) f(alr). El resultado es (' Ítu. como 8e integrando con reapecto a ¡ desde r = y hasta Í: indica por la franja horizontal en la Fig.i¿¡t\ = {o (2r/(L-azl a=r=l otra¡ O. ft@la) (d) = ffi .¡. ¡.4¡s pare 0 ( ¡ ( 1. Pa¡a los ohos valoree de r. (d) la densidad de Y. (b) la densidad marginal de Y.2-23. Y tienen la función de densidad conjunta r(r.* :". Y por f(r. (b) P(v > + I + < X <*+d'r). (c) la densidad condicio nal de X. dada I 16 2.a) = {i.): fz@lr\ = !(u'a'-l = {'u'* h@\ lo La funeión de densidad condicional no está definida cuando JFr o=u=r otray (¡): 0- . /(¡ | y) no ertó (ó) P(Y>l¿l+<x<l*drl = tr*. El re¡ultado es para 0 (y(r. La función de densidad conjunta de las va¡iables aleatorias X. ft (¡) = (b) 0. y) er diferente a cero sombreada en la Fig.) = Jt=o Sxydy . 2-23.ffr:j:r.t'o<a<r [0 se muestra Hallar (a) la densidad marginal de X.

32. Jo L /r)'lo' = \a/ --) r de lo cual c = 312a. tal conclusión serfa verdadera- APLICACIONES A LA PROBABILIDAD GEOMETRICA 2. la función de densidad estd dada por . + f t@) Í2fu).U) Debe anota¡se que no puede deducirse a partir de f(x. Determinar si las variables aleatorias del Problema2. Entonces la probabilidad de pegar en el blanco es Jo I rb t(.r'lúttr = Í"' fo" &or : . = lo'Ar"d. 2-24)..)']0" Aquí. Íis. R es la dista¡rcia del impacto desde el centro del objetivo.30.2-21 Puesto que siempre se hace impacto en el objetivo. fot rrror¿a = fo 4A$-u2lda = | 7 f"'r.r) = . Si ecta ee remplazarí pu alguna reshicción en y no dependiente de r (como en el Problema 2. = . Y están dadas respectivamente por (r) f . htotdda -- Ío' 2. y) puede expresarsecomo una función de r por una función de y. y a¡í { Y son dependientes.ls rbF /"\2-1. y) : 8ry. tenemos ("fr.G't = lI 0<¡<1 | 0 de oEa forma f zfu) : tf f 1 ofY=1 o de otra forma Entonces ya que X.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 63 Verificación: fo' . ¡ < 1.t L \a/ 2.31. La función de deneidad ertá dada por f(r) r_ /r)rl = "Lt . la¡ funcionee de densidad de X. Dos puntos se escogen aleatoriamente en el intervalo 0 < de que la suma de sus cuadrados sea menor que 1. Eeto ¡e debe a la restricción 0 < y < ¡.30.A\ = 8rA. c es r¡na constante y o es el radio del objetivo (véase Fig. EnlaregiónsombreadadelaFig. fz(A) : AaQ-A2').[t .¡ _.21). f(t. : T zalo lr-(i) Jl. Hallar la probabilidad de pegar en el blanco. Ít@l = 4r?. Suponer que siempre se hace impacto en el objetivo. Y son independientes.rrrro.)¿. = t. que flr. Puesto que se supone que intenalc igualec tienen probabüdadee iguales. que se supone üene radio b.2-23. Una persona jugando a los dardos encuentra que la probabilidad de que el da¡do caiga entre r y r t d¡ es P(r= Rtr+d. Determinar la probabilidad Denótense por X Y la¡ va¡iables a¡ociadas con lo¡ puntos dados.(.cAP. b(Boz-br¡ =.29 son independientes. Portanto f(r.(.

f. l.l.í.2 (2t (t) donde r(x.| 126 ts) d. "(u.tsl duit't: Í. (4t) la función de dishibución conjunta. (d)P(3 < X< 4.u do Fz@l = P(Y =.ud'o I"=" !'"=o\ffauao Í""=. (D) La función de di¡tribución marginal para X er fr(a) = P(x = al = Í.ffoua.'=-.Í""= _ .'=.. Supóngase.t"É s "r* O"O" rI Se deduce que la probabilidad peüda *. Entoncee puerto que (3) repreecnte el á¡e¡ de R observamos que b probabilidad pedida es n14. r.2-25 PBOBLEMAS DÍVERSOS 2. (RP(X + Y > 4).ü Hallar (o) la constante c" (b) las funciones de distribución marginal para X y Y.yt = tr". Y son independientes. ?f Fis.64 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAI) [cAP. 2-26). *+)0.33. (c) las tunciones de densidad marginal para XV f. f tienen la función de densidad conjunta f(a. * +)ltro" Pare que e¡to ¡e¡ igual a 1.'= _..que las variables aleatorias X. f"'=o o(2-r I sl itr dv = !."_r"(to.l(u. f"'= --rru. (o) t a probabilidad total está dada por f. a" au P(xz + Y2 = t er la región def¡nida gnt r2*y2 5 l. f.:=. = o u2 a<o I l6v 105 6=y(b t"'=ozffauao I y26 . (h) si X. U = 0. = )) fr.'=-. Í'='Í"'=oLt!du¿.Í"'=--odud'' = = Í"'=.t La función de di¡tribución marginal para Y es .t tztut = {.'y¡ = [.(elP(X > 3).Y> Z).'=. o sea un cuadrante de una circunferencia de radio 1 (Fig.'=--Í"": -ot. x >: O. = 2l0c : Ll2lO. debemor 0ener c Í.

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

y). obtenemos oha erpreción.66 VARIABLES ALEATORIAS Y DISTB.2 Cuando (¡. P(X = di¡tribución deben ¡er igualee.2rs = - 2U8 a = h(r) = ¡fi e8 u¡¡a rolución.3') = g F(z.84.36.yl = F(r.y 1 l.yeatarolucióntienelaepropiedadeodeseadas. Lor result¡dos completoe se muestran en la Frg. !: u/u. B.1) ó &: a2 6 PortntoY:*tE. lo que er equivalente F(r.yt = d+# F(r.2-28.ntonc€.a\ - o Fig. Si X tiene la función de densidad f(s) = Halla¡ la función Y { l6rÍ-r\ L0 o(o(1 de oha fotma : h(X) que tenga la función de densidad s@) = {:zf(r-a\ 0 |.IBUCIONES DE PROBABILIDAD [cAP.al + Fr(r) F2fu). V: X.vl -| F(r.al + ft@lfzfu) o. i) ¡e encuentra dentro del rectángulo. r): P(ts< yI e¡ decir la¡ funcione¡ de Jo f " au$ - u) ttu = (u Prt(t Jo BAI t)2) d. Hallar la función de densidad de U : Método f Sea .r. 2. 2-2t (h) Las va¡iable¡ aleatorias aon dependientee ya que f(r. 2. Xf si la función de densidad conjunta de X. etc. u: x 6r:u.Entonce.8 elJacobiano eetáda- . F(r. o<Y<1 de otra forma Suponemoequelafunciónde¡conoeidahestalqueloeinüervalocXSr.¡) = I F(r'Y\ = I F(r.Y=y:l¡(*)üienenuna correrpondencia uno a uno en una forma continu¡. Por incpeccióa. para 0 ( r. do por U: XY. Br2 .Y es f(.y) = I 2z2y*xy2-8!-ZV2 420 F(x. Por tanto. ala¡cuales correcponde u:Í1.

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

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

La función de probabilidad de una variable aleatoria X ee muestra en la Tabla 2-7.42. 2. (c) P(X >21. Una urna tiene 5 bolas blancas y 3 neg¡a¡.47. Una moneda ¡e lanza tres vece& Si X es l¡ variable aleatoria que indica el número de caras que rerultan.38.on remplazamiento.41.39. (o) Conetrui¡ una tabla que indique l¿ función de dietribución de X y (b) representar gr6ficarnente e¡ta función de distribución.89. 2. de digtribución para la variable aleatoria del Problema 2.41.4L.E¡ suplernenta.46. Obtener la función de distribución y su gráfica para el (c) Problema 2. Hallar la función 2.19. (D) P(l < X g). la con¡tante c.40.cAP.IBUCIONES DE PROBABILIDAI) 69 Problenra.44.39 si s€ extraen las bolas c. probabilidad. (D) Problema 2. Obtener l¡ función de dishibución y su gráfica para el (o) Problema 2. (dl P(X < 3). (c) Problema 2. 2.47. Sea Z lz va¡iable aleatoria que repres€nta el númcro de ca¡a¡ menos el n(rmero de seüo6 en dos lanzamientos de una moneda honrada. = Determina¡ (o) la función de VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2. Hallar la di¡hibución de probabilidad de Z. La Tabla 2-8 muestra la función de distribución de la variable aleatoria X. s). (¿) P(X > r. (ó) P(1 < X < 2).rlo s VARIABLES ALEATOBIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCBETAS 2. (r) P(.38. Rnpre*ntar gráfrcamenüe las funciones de densidad y digtribución.4O. 2. Comparar los re¡ultados con los Ejemplos 2. Sea X la yariable ale¿üoria que representa el número de ases extrafdos aleatoriamente en 4 ca¡tas de una baraja de 62 cart¡¡. 2. lbbla 2-? 2 3 Tabla 2-8 r f(n) I L/2 r F(r) I r/8 2 3 4 r/3 r/6 3/8 314 I 2. Una variable aleatoria X tiene función de deneidad f(n) = | "r' 1 "r L0 L< aé2 21r13 de otra forma . (a) construi¡ una tabla que muestre la distribuci6n de probabilidad de X V (b) representar gráfrcamente la di¡tribución. (a) Construir una üabla que muestre la distribución de probabilidad de X V (ü) FUNCIONES DE DISTBIBUCION DISCBETA 2. (b) Problema 2.18.42.2l VARIABLES ALEATORTAS Y DTSTR. 2.1 y 2.48. describiendo la relación entre ella¡.46. 2. repreeenüar gráficamente la di¡tribución. Una variable aleatoria X tiene función de den¡idad l(x) Ilallar (o ) = 1o = (ce-g" c)0 rso (d) P(X < 1).2. (o) hallar la di¡tribución de probabilidad para X V (b) repreeentar gráficamente la distribución. Resolver el Problema 2. Si se extraen doe bolas aleatoriamente sin remplazamienüo y X denoüa el número de bola¡ blancas.

(fl P(X = r). (c) P(X>l). X. (e\ P\Y < 2). (c) P(I<X< 2. (d) la función de dietribución. SiP(X:3):0hallar(o)laconstantec.67. (b) P(1-12< X <312). f(r) = 1o 0=rÉ2 deotraforma Hallar (a) el valor de la constante c. X dada Y.3.Y = 3). (b)lafuncióndedensidad.ó8.56 para el caso donde las variables son continuas. 2.63. (D) de Y dada X para la distribución del .ót. y su función de probabilidad conjunta puede expresarse por el producto de rfna función en ¡ y una función en v. ¿Puede ser la función (c(I-12) F(r\ = 1o una función de dishibución? Explicar. pendientes. 2 2). La función de probabiüdad conjunta de dos va¡iablee aleatorias discretae )d Y eet6 dada por f(x. (e)siX Ysoninde 2. 2. (b) de Y para la función de dencidad del Problema 2. (d) P(l<X<2).2.56. Sea X una variable aleatoria que tiene una función de densidad (r. 0= ¡=1 deotraforma 2. (b) P\X'> PROBABILIDAD [CAP.64. (d\ P(X > 21.70 VARTABLES ALEATORIAS Y DISTRIBUCIONES DE Hallar (a) la constante c. y): cxy parar: L. (g) P(Y = 3). cerode otra forma.Y>+). E)emo¡trar el resultado del Problema 2. (b) P(X=2.56. Y son independientes solo si poro todos los uolo¡es de x. (cl P(llz < X < 3/2). DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2. Sean 2.(c)P(|<X<*). Y = 2).52.!: L.60.54.3. Halla¡ la función de probabilidad condicional (o) de Problema 2.57. La función de distribución de una va¡iable aleatoria X está dada por 2. Hallar las funcionee de probabiüdad marginal de (c) X V (b) (c ) y para las va¡iables aleatorias del Problema 2. 2.(d)P(Y<{). (c) P(X > 1).49. Halla¡ la función de distribución para la variable aleatoria X del Problema 2. DISTR¡BUCIONES CONDTCIONALES Y FUNCIONES DE DENSIDAD 2.54. Demostrar que las variablec aleatoúas di¡ctetas X. Y variables aleatorias continuae que tienen función de densidad conjunta (c(r2*a2) 0Ér< 1.(b)P(X<+. 2. Halla¡ las funciones de distribución 2. 0< gr< 1 f(r'u) = 1o deotraforma Determina¡(o)laconstantec.69.ñ. marginal (a) de X. De'rerminar ¡i X Y son independientes. Hallar (o)laconstante c.2.

SiXüienefuncióndedenaidad f(r):(2v)-r/2"-érz.@) < 0. (e-(r+u) x>0. (b ) Iluatrar el re¡ultado en la parte (a) erco$endo f(rl = i: l0 y verificar la solución.(ulZ 0.66. Si X tiene función de densidad f(r) Hallar la función de den¡idad de l"-. u >0 n1O 2. Demo¡tra¡ el Teorema 2-2. 2.6!. de otra forma [^ la función de ilen¡idad conjunüa de X. (b) Y dada X.6t. -a <a < .rl:j"<s<L Hallar la funcióa de den¡id¡d ondicional de (a) X dada Y..66. (c) r¿.cAP. si f(r.71. para la digtribución del Problema 2. 2. 2.p6gna 46.(¿) S 0. (D) Y CAITIBIO DE VARIABLES 2.paraloscaso¡ (al g. Sea dada X. 2. DemostrarelTeorema 2-3.at = 1. (ü) *. < 5 < @. (*e-2. hall¡rladensidadde Y = tan-rX. 2. 2. n)0 = to r=o Y: X2. 2. Siladen¡idaddeXes f(r)=U"(r2 *1).2.63. Hallar la función de densidad condicional de (c) Xdada Y.2L e¿ igual a 1. Sea la den¡idad de X Í@l = Halla¡ l¡ densidad de (¿) 3X (l/2 to -l<r(l deotraforma . (bl Xs + 1.ú = { 0 J^ ^¿_.2I y verificar su reapuesta.67.69. l. Veúfic¿r que la integral de gr(?r) en el método 1 del Problema 2. Completar la labor necesa¡ia para hallar gt(u) en el método 2 del Problema2.57 .72.página46. (ü) Y dada X.2l VARIABLES ALEATORIAS Y DTSTRIBUCIONES DE PROBABTLIDAD 77 2. -. Hall¡¡ la densidad condicional de (c) X dada Y. .*.7O.64. 2.62. (o ) Si la función de den¡idad de X es f(r ) hallar la función de densidad de X3 . 2.. hal|arlafuncióndedén¡idad deY=*. y>0 f@. Y.

2. -e 16 1o. < U < @.79. para hallar la función de den¡idad de U = X + Z. Hallar la función de dengidad de Z = XY.77.8E. 2. Sean X. hallar la fi¡nción de den¡idad conjunta de U y V. ofrf 1. Y variables aleatorias que tienen función de den¡idad conjunüa Í@.t1. thll¡r proübiUd"d la de que lo¡ trec reg¡mentor de lfnea formado¡ de e¡t¿ m¡nora puedan ¡er los lados de un triángulo. CONVOLUCIONES 2.75. V = X I Y.a) = (2r\-rs-(r2+Yt). 2. Sean X.7t. Y variables aleatoria¡ independientes didribuid8r idénticamente con función de den¡idad (l f(t) = Hallar la función de dengidad de X 0<¿<1 deotraforma 1o * Y y verificar su ¡olución' 2. 2.emosha¡que (a) lt*(fz*fs)=ft*fz*ft*fs' (b)/rt'(lz+fs) =(/rof)*fs' = Z y lttryo utiliz¿ndo convolucione¡ 2. .76. yz0 deotraforma {o = X/Y.8O. y tienen función de den¡idad onjunta f(r'u) = y tJ (e-(t+vt r>0.74.2 2. Sean función de densidad de X. APLICACIONES A LA PROBABILTDAD GEOMETRICA 2. Si. osv51 to deotraform¡ la función de densidad conjunta de Y.21 primero efectuando la Ea¡rdormacií¡ 2Y 2. y:8 ¡enO demoeEarqne la -@ I e¡ ob\=i ¡r"-tz/2 r=0 r'(0 l0 2.t2. l¡ función de den¡idad conjunta h¡lloda en el hoblema 2. Si X. Sea l(n'u) = ){ (1. Y variablec aleatoria¡ independientes distsibuidae idéntica¡nente con funci6n de den¡idad f (t\ = Ir-t 1o ¿>0 de otra forma tl¡llar la función de den¡i<tad de X Y y verüicar ¡u solución. Re¡olver el Problema 2. Doc puntor ¡e seleccion¡n aleatoriamente ¡obre un segmento de lfnea cuya longitud a o ) 0. f.76.r""""va¡iablesaleatoria¡taleequeX:R co¡O.halla¡ la función de den¡id¡d de (a) U : XYz. Emplear el Problema 2.72 VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD Verifica¡ por medio de integración directa [cAP.R y @¡ott tt. Si la¡ va¡iables aleatorias independienteo X1 y X2 están di¡tribuidas idénticamente con función de den¡id¡d | (t) f te-t t>:0 L0 ú<0 hallar la función de den¡idad de X1 * X2.).22 pare. (bl V = XzY.22.

(d) y (e)? Jurtifrc¡¡ . (a) Demostrar que para una constante c apropiada. . r :1.86. deotraforma Hallar la función de densidad de la va¡iable aleatoria Y: X2 y verificar ¡u ¡olución.0 {o deotraforma X. (b) Hallar la función de distribución. 2.2l VARIABLES ALEATORIA.cAP.. Demostrar que la probabilidad dc gue el área de un triángulo de altu¡a AP y base CO sea mayor que 12 unidade¡ cu¿dradas ee igual a (1 ..GlP(x+r>1). 2. Y tienen funcione¡ de den¡idad reapectivar f(n) "ao = {:'u-'" rÉo Lo (cl c@) = {o (c2Ye-st Y>o u=o (e) Hallar(o)ct!cz. Dos segmentoe de línea. ¿Cuál es la probabiüdad de que tome el meüro? Se sabe 2. es la función de densidad para una variable aleatoria 2. f(r) = ( cre-22 r >..ln 2)lZ.91. (c) Repreeentar gráficamente la función de probabilidad y la función de distribución. Un¡ pcr-na decide 6 minuto¡. ' PROBLEMAS DIVERSOS 2. F(rl = 1"0_"_.DoopuntosPyQ se escogen aleatoriamente sobre AB y CD reepectivamente.E4. En el Problema 2.9O. t)o es la (0 rS0 (b ) Determinar P(1 función de distribución para una variable aleatoria X. .S Y DISTBIBUCIONES DE PROBABILIDAI) 73 2. Una va¡iable aleatoria X tiene función de densidad l$tr-¡z) o<¡51 f(xl = t.1.9L ¿cuil ea la relación en'tre la¡ rcluciones (c). 8i no lo toma. ir a egta estación entre e¡tos tiempoe aleaüoriamente y eoperar por el buc mÁ¡imo que un bus llega a una estación deüerminada entre la¡ 8:00 P. (e) HallarP(2 s X< 3). (o) Deüerminar a (b) Hallar la función de di¡tribución.t9.(d)HallarP(X> 1). < X < 2). (e) H¡tlarP(X > 3). e¡ la función deprobabilidadparaunav¡¡iablcdeaüoriaX (o) Determinar c. M. P(r=1).92.¡¡ue.E8. X. (c) Representar gráficamente la función de den¡idad y la función dedistribución. Supóngaee que 2. (d) P(l <x<21. La función de probabilidad de una variable aleatoria X está dada por f(r) dondep es una constante.u r€.Y=ll.t¡. tomará el metro.t7. Halla¡ (o)P(0 < X< 3). M.t6. Supóngase que f(r) : cl3t. 2. Dos variables aleatorias independientee. AB yCD tienen longitude¡ de 8 y 6unidadesrelpect¡vamente.. 2. (d) Hallar P(2 = X ( 5). (b)P(X> 1). y la¡ 3:80 P. P(l<x<2. 2. encontrar c.

102. nal de X y f.Y<312). Y son independientes.101. Estudia¡ ¡i considerra que eltar oupoeiciones Bon realistas y cómo podrÍa mejorarlas si no lo son. Supóngase que la función de probabilidad conjunta de las va¡iables aleatoria¡ X.74 VARIABLES ALEATORIA"S Y DISTRIBUCIONES DE PROBABILIDAD sean lcAP. Generalizar (o) et hoblemz 2. 0 os¡=2'o<Y=' de otra forma 2 (o) Determinar ei X. dada en la Tabla 2-9.79 a tres o má¡ va¡iables. (o) Halla¡ las funciones de probabilidad margi- Tabla 2-9 Y X 0 0 I 7lS 1/18 1/6 2 r/18 r/6 Ll9 1/18 2.. Demo¡trar que la función de den¡idad de X s(u) I @# u=0.78 y (b) el Problema 2.ur = {"-'o |.2 2. (b) X Si -X.98.y>1). (c) Iüllar p(x<rlz.).(d)lafunción Hallar(o)laconstantec. Hall¡r ta función de densidad de Z . (b) Hallar p(X>tlz).96.93.s7. + y.y> 1/B). Y está. -. x..X2 + Y2.2.. (d) Harlar P(Ll2 2. o<Y <2 | c(2r+Y) o(¿(r' o de otra forma I (marginat)deX. (d) Hallar 2. 2. 2. ¿Cuál es la probabilidad de que una parte tenga una longitud mayor que el doble de la oüra? Indica¡ cla¡amente qué suposiciones se hicieron.96. ¿por qué? +l En el Problema 2. u=0.L. Y son independientes. En el Problema 2.. /(z) = 2.103.93 ee cumple que P(X > +. f tienen función de den¡idad conjunta f (r' u) = t o llla 0(¡(U. Y variables aleatoria¡ independientes cada una con función de densidad .0<U<t de otra forma P(X + (a) Determinar ai Y> rl2r. y < g) = p(X > p(y < +.L se rompe en dos parües. Sean -(_ Y vari¡ble¡ aleatori¿¡ independiente¡ di¡tribuidae idénticamente y con función de densidad (2v)-r/2¿-úr2.a) = de deruidad (marginal) de Y.101. 2. . Y está dada por I r/9 r/6 r(r. La función de probabiüdad conjunta para las va¡iable¡ X. 2. 2. Sean X. (b) ttallarP(l S X< 3.. t2<X< l)..(u) = ¡1e:r donde l.( tt ( -.94. ¿Cull er el análogo del teorema de la convolución para variables aleatorias di¡creta¡? Ilustrarlo usando el hoblema 2. (c) Dererminar si X y Yron independienter.1.(b)P(X>Ll2.91 halla¡ la funciónde den¡id¿d de (o) X2.99. X Y va¡iable¡ aleatoria¡ que tienen función de den¡idad conjunta f(r. * Y es ) 0. Un¡ estaca de longitud .1ü1. (c) HallarP(Y = r). y > 1). (D) Hallarp(1 <x<1.(c)lafuncióndedensidad 2.2.

la! b€s no son independientes.a. 2-32. En el Problema 2..2l VARIABLES ALEATORIAS Y DIÉ¡IT. c Fis.109.'"L'.106. Si es l¿ f (r'a' z) = ( 1 rv2zs 01r11.1O7.1O4 para que la probabilidad de intersección ¡ea mádma? Erpücar ru rcluci6n. Y. 0< y1l.ri"r" dos de esta¡ va¡iables aleatoria¡ eon independientee.¿. Supóngase que Ia di¡tribución de l¡¡ partfcul¡¡ ectá dada por l(r) = 1o donde esüá I lla 01r 1a deotr¡forma de lar partfcular a lo largo del objetivo r es la dist¿nci¡ desde el eie OB.IBUCIONES DE PROBABILIDAI) 76 2. Z tienen función de den¡id¡d conjunüa r(r. Un haz cilínüico de partícula. 0121L o de oha form¡ 1.2-32 2. er igral a o(4t o\ltf . Z> $). (¿) 2.10t. función de den¡ided conjuata de tres variable¡ aleatoriea X. dada por Ilemochü que la dirtribución s(o) = lcosa 0<c<n/2 deohaforme {o donde 0 es el ángulo que la línea OP (de. Un piso ertá con¡huido de cuadrado¡ de l¡do L Una aguia de lon¡itud o1l a lanza al piro.1O5. 2.s de radio q e dirige haci¡ un obietivo hemi¡férico ABC co¡ centro en O como ¡e indica en la Fig. P(Z<X+Y). . r *"loq. 2. es decir ¡ur factores funci6n de densidad marginal.J'v 1r' o1z. - 2. Z.z) Demo¡ka¡ que au¡que = ito-""trtcosracos¡rz :. Demorbar que la probabilidad de que l¡ atuja intersecte al meno¡ un liado. Pa¡a una aguja de longitud dada ¿cull debe ¡er el t¡do del cuadrado en el Problena 2. Supóngase que la¡ variable¡ aleatoria¡ X Y.107 halla¡ la probabiüdad de gue una ¡rarüfcula pegue 8l objetivo entre A = O y0 : Í14. Ilallar (o) P(X > Y< +r.cAP.ede O a cualquier punto P del objetivo) forma con el eje.1O4.

)(:) . xn .Í6respectivamenteconprobabilidadea f(r1 ).. Para una variable aleatoria discreta X que puede tener los valores xr.)(á) *r-'or(l) = 76 b .2¡. de cuando las probabilidades son iguales.f(u)dr Xy se denota (t) A la esperanza de X frecuentemente se le llama la media de p cuando se sobreentiende la va¡iable aleatoria determinada.Capítulo 3 Esperonzo motemóticq DEFINICION DE LA ESPERANZA MATEMATICA . Las posibles cantidade¡dedineroganadocuandoeldadoresultaL.. si P(X (I) = x¡\: f(x). o simplemente se La media o esperanza de X da un valor típico o promedio de los valores de X y por esta razón le llama medída de centralización. x2. por lrx... + r^f(x^) : Lr. ganado. pierde $30 gi obtiene 6... .) = Zrf(r) r. . ...(. Para el caso especial tt*Iz+ "'+I" 11 (z) donde la última suma se toma sobre todos los valores up-=or"Oo. en tanüo que ni pierde ni gana si obüiene otro resultado. f(xc). . g40 si obtiene 4.f(r.. . .. .. . Otras medidas se consideran en la página 84. En ede juego el jugador ga¡ra g20 si obtiene 2.6sonxr. .. Así el valor eeperado o eaperanze el E(n =.+ rnp(X=r^\ = ix¡p(X=ri¡ o igualmente. r^ la esperanza de X se define como E(X) = xrP(X=rr)+. Hallarl¡a suma esperada de dinero Sea X la variable aleato¡ia que representa la canüidad de dinero ganada en cualquier lanzamiento. EJEMPLO 3. tenemos de (2) E(X\ = (e) que se llama la media aritmética o simplemente la rnedia de se . = f:.2. wlor esperado o brevemente esperanza de una variable aleatoria.1. La función de probabilidad para X se indica en la Tbbla 3-1. Supónga¡e un juego con un dado. .. Pa¡a una variable aleatoria continua X que tiene una función de densidad f(x) la esperanza de X define como E(x) donde debe notarse la analogía con (2).Un concepto muy importante en probabilidad y estadística es el de la esperanza matemóüca.(á) +(r0)(:) . ütf(el\ E(n = + '.. .r(t) .(..'. f(xz)..

¡0.y) r)r d. Si P(Y=v¡: X es una variable aleatoria discreta con función de probabilidad /(¡).Y)l EJEMPLO " = ¿-.cAP. Así por " -Ur.ables X.3.= *|. .. 0<r12 de otra forma E(xt = Í:_. Se deduce que el jugador puede esperar una ganancia de $5.f"_rt" -2x'¡f@)dx .(i. = Ío'tro. entonces E[s(x)] : g(n)f(r) + s(rz)Í(r"\ +'.2..oO¡f@)dr Generalizaciones a funciones de dos ejemplo si entonces la esperanza de g(X. entonces E(cX) Teorema Si (s) X.l(ir) a' = * : cE(X) ALGUNOS TEOREMAS SOBRE ESPERANZA Teorema 3-I: 3-2: 3-3: Si c es cualquier constante. E'ex2_ zx) .a) f(r. entonces - E(X+ y) = E(x) + E(y) entonces (e) Teorema Si X. Por tanto en un juego honrado es de eeperarse pagar $5 EJEMPLO 3. Els(X.) /(". Si s(r) /(¡) X es una variable aleatoria. Y son variables aleatorias. Y) se obtiene por aleatorias se hacen fácilmente.3l ESPERANZA MATEMATICA Tbbla 3-l Íl i@ j) 0 77 +20 0 +40 L/6 0 -30 L/6 r/6 r/6 t/6 r/6 por jugar..con función de densidad f(r). E6n : E(X) E(Y) (10) Generalizaciones de estos teoremas se hacen fácilmente.fo" .r(r)dr = Í. y\.Entonces Y FTJNCIONES DE VARIABLES ALEATORIAS Sea X una variable : g(X\ también (¡ | s(¡)==y) es una variable aleatoria y se deduce :* 1. entonces (6) Elsul = f.) = ) i 2. Y son variables aleatorias independientes.'.rrr-z.Jf*f g@. + g(x")f(n"\ (5) = É' s(r. Si X es la va¡iable aleatoria del Ejemplo 3. .y \7) 3. La función de densidad de una variable aleatoria X está dada por f@l = El varor esperado de X es f*u 1.=+ aleatoria. Y son dos variables aleatorias continuas con función de densidad conjunta f(r.2..

EÍ(X -p)'l = E(Pl - p2 = E(X') .2 l. 3-r EJEMPLO ' 3.. entonces la varianza de X tiene unidades cm2 en tanto que la desviación típica tiene las mismas unidades que X. anotamos que la esperanza de una va¡iable aleatoria X frecuenüemente se le llama la. la varianza es grande. varianza (o la desviación típica) es una medida de la díspersión o wriaeión de los valotes de la variable aleatoúa alrededor de ¡r.p)rf(xtl = X (rEn el caso especial de (13) (I3) dondelas probabilidades son toda¡ iguales.. ¡. La situación se representa gráfrcamente en la Fig. plrf(a) ee\ Donde no exista lugar a confusión. Hallar la varianza y la desviación tfpica de l¡ va¡iable aleatoria del Ejemplo 3. Fis.+ (a"-plzlln que eslavarianzade turconjunto dez númerosf¡ ¡ . para el caso de dos distribuciones continuas con la misma .A DESVIACION TIPICA Anteriormente e_n la página ?6. entonces la varianza "? = EÍi/.t)rl = Í__ O - ¡.p)r) = 2 @. ("-i) l. . la desviación típica se denota por o en cnmbio de o*.. &1.78 ESPERANZA MATEMATICA lcAP. tenemos ¿ = l(u-p)r+(rr-p). = J-.("-á) rota" = J.media y se le denota por t. A la raíz cuadrada posiüva se le llama ladesviación típica y por úx = t/@ X = . es decir cm. +..¡ media 6 p = E(X) = 4/3. en tanto que si los valores tienden a distribuirse lejos de la media.'¡* = .2.- y la desviación tfpica "=\F=+ Obsérvese que si X tiene ciertas dimensiones o unüadeq por ejemplo entímetros (cm). x^Si (1t) es X es una va¡iable ale¿toria continua con función de densidad f(r)..tr71x-¡l f(*). Otra ca¡rtidad de gran importancia en probabilidad y estádística se llasra lautianza y se define por Var(X) está dada = EÍ(X-*)'j (II) La varianza es un núme¡o no negativo.. V la varianza por o2. ALGI. De acuerdo con el Ejemplo 3..¡. Es por esta rcz6n que con frecuencia se utiliza la desviación típica.4.)2 f(n) ita (151 I-a.l0(Xll (161 . Si los valores tienden a concentra¡se alrededor de la medi4 la varianza es pegueña.3 TI|' VARIANZAY I. Si es una va¡iable aleatoria discreta con función de probabilidad entonces la varianza es a'l = E[(X.NOS TEUREMAS SOBRE VARIANZA Teorema 3-4: é: donde p = E(X\. Entoncec l¡ varianza re encuenha por 02 = r/ t\21 tl("-n/l es / ¡\2 (z/ 2 ¿\r/f \ .

esdecirelsegundomomento central o segundo momento alrededor de la media es la varianza.... la varianza de la suma de variables independientes es igual a la suma de sus va¡ianzas.r. Y son variables aleatorias independientes. se define como p. es decir -"Ol cero y vayianzal.cAP. o2* + (18) (19\ Generalizaciones del Teorema 3-7 a más de dos variables independientes se hacen fácilmente.)-l-¡t"i* "' * (-r)'¡. La relación entre estos momentos se expresa por @5) t". = 7)l momento'r de . . o se toma como unidad al medir X .j=l ti.¿o:1..2. = i(r.f@) = )(rf@ p)'l\r) (variablesdiscretas) (variables \23) (24\ t'.a)" 1es mínima cuando a : p : E(X).' @61 .. Entonces podemos @ol x* . esto es. Sededuceguel..lJr:0y¡re : 02.6¡. también conocido como el momento central r.*y o?-v : = ol o2* * o2. Los valo¡es de una va¡iable normalizada se denominan algunas veces referencias tipificafus y X tipificadcs (es decir. Las variables normalizadas son útiles para comp¿üar diferentes distribuciones.2.. l.x---yUna propiedad importante de X* es que ti"rr" nombre de normalizcdc. En palabras.l (r) du -.l. VARIABLES ALEATORIAS NORMALIZADAS Sea X una variable aleatoria con media ¡r definir una uariable aleatoria normalizadd como y desviación típica o (o ) 0). + "' + (-\'(.yenestecasohayfórmulasanálogasa(23)y(24)enlascualesp:0. Teorema Var(cX) -- (17\ 3-7: Si X.p)'l @2) donde r:1.Y) = Var (X + (Y) ó Var (X) + Var (Y) 6 Var (X) + Var o2. . Tenemos p.p).fi' f continuas) X alrededor del origen se define como pi'= E(X') dc:cler:0. MOMENTOS El momento r de üna uariable aleatoria X alrededor de la media p. : E[(X . se dice está expresada en unidades sín dimensiones. y) = Var (X .3l Teorema 3-5: Si c es una constante ESPERANZA MATEMATICA 79 c2Yar(X) Teorema 3-6: La canüdad E Í6 .'. = pi- (l)r. así teniendo en cuenta el (91) E(X*) =6 Var(X*) : 1 o Oüra propiedad importante de Xx es que es una cantídad adimensional no tiene unidades aunque X las tenga.

De la expansión podemos demostrar que [Problema 3.. En palabras.t"2 lrt = t"L-Bp'rtr * l"t : t't.#l+ "' * r:#+''' ¡"i (r 1) Puesto que los coeficientes en esta expansión nos permiten hallar los momentos. La denotamos por . Entonces X.16(D)l = fi*"Oll.r. AIfUNOS TEOREMAS Teorema SOBRE LA FUNCION GENER ATR. (t) respectivamente.'NCION GENERATRIZ DE MOMENTOS (27) - 'i|¡'a I-a. entonces la función generatriz de momentos de (X + a)/b es + Mr*ro. Donde no exista lugar a confusión escribimos M(ü) por M"(tl.r(t\ Teorema = """'**(l) (33\ 3-9: Si X. Yson variables aleatorias con funciones generatrices de momentos M * (t) y M . erf(r\ dr (r) (variables continuas) Podemos demogtra¡ que la expansión en serie de Taylor es [Problema 3.IZ DE MOMENTOS 3'8: Si Mx (ú) es la función generahiz de momentos de la variable aleatoria X y a y b (b 0) son constantes. f M " son variables aleatorias con funciones generahices de rnomentos M y "(t) (t) respectivamente. Teorcma 3-I0 (Teorerna de la unicidad): Supóngase queX.-" (32) es decir. (r) .función generatríz de momentos se define como Mx$) ee decir = E(e'*) er"f (28) (variables discretas) (2el (30) M*(t) = M"(t) ¡ . la función generatnz de la suma de va¡iables aleatorias independientes es igual al producto de sus funciones generatrices de momentos. = l"L. Y tienen la misma distribución de probabilidad solo si M.80 ESPERANZA MATEMATICA lcAP. IUI y (t\ idénticamente.3 Como casos especiales tenemos. utilizando pl = p ygb:1. 2p" 6¡Ir¡12 tt.15 (c)] M*(t') : I + tLt * r. la justificación del nombre función generatriz de momentos es lógica.=t eo'f(r¡) = 2 ) _. FUNCIONES CARACTERISTICAS Si remplazamos ú : i<.4pip I FI. donde i es la unidad imaginaria en la función generatriz de momentos obtenemos una función importante llamada lafunción característíca. ¡ri es la r-ésima derivada de M * (ú) evaluada en ü : 0.. entonces M**"(t) = Mx(t)MtQ) (3 /r) Generalizaciones del Teorema 3-9 a más de dos variables aleatorias independientes se hacen fácilmente.

Y son . Y tienen la misma distribución de probabilidad sólo si 4* (o ) : ó" (<.) d. Y son variables aleatorias con funciones ca¡acterísticas d*(<¿). Así. Los teoremas para las funciones ca:acterísticas correspondientes a los Teoremas 3-8.Los resultados correspondientes a (3I ) y (32) son (variables continuas) ó*(.39.) = ó*(.f (r) (variables discretas) (86) (37) ó*(. De una manera semejante podemos demostrar en el caso discreto que la función de probabilidad f(r) puede obtenerse de (36) empleando la serie de Fou¡ier.b (b + 0) son (+o¡ ó. entonces ó**r(.20(') Teorema 3-12: Si ó" "t""ér(.)óv(. fr+-Al.**".) = )er*t f(r¡l : ) fa a et'.+ "' *t'ri#. VARIANZA PARA DISTRIBUCIONES CONJUNTAS.) (t'1) En general.r ) y (<^¡ ) respectivamente.. Entonces X.) = L*i¡t". que es el análogo de la integral de Fourier para el caso discreto. por ejemplo.3l ESPERANZA MATEMATICA 81 ó*(') =Mx(i')=E(e"*) Se deduce que (35) ó*(. Una razón importante de introducir la función característica es que (37)representalatran* formada de Fourier de la función de-densidad /(r).r Cuando no exista lugar a confusión escribimos ) por 4*(.'f. De la teoría de transformadas de Fourier podemos determinar fácilmente Ia función de densidad a partir de la función característica. Y son variables aleatorias independientes con funciones ca¡acterísticas {* (c.#.. las medias o esperanzas de X.r. Y son dos variables deatorias continuas con función de densidad conjunta /(r. Teorcma J-I3 (Teorema de la unicidad): Supóngase que X.-.(.. Teorema y 3-10 3-II: Si É*(ar) es la función ca¡acterística de la variable aleatoria constantes. si X.). En efecto. 3-9 son los siguientes.|_.et""f(r)dn .cAP. y). ó"(<¿) respectivamente. (t g) que con frecuencia se denominalafórmuh de inuersión o la transformada inuers de Fourier.) = .. @(<. Oh:a raz6n para utilizar la función ca¡acterística es que siempre existe mientras que la función generatnz de momentos puede no existir. Véase Problema 3. COVARIANZA Los resultados anteriores para una va¡iable pueden ampliarse para dos o más va¡iables.r ) idénticamente. la función característica de la suma de va¡iables aleatorias es igual al producto de sus funciones ca¡acterísticas.+ "' t"i (38) (3e) donde = FL¡'¿. f(r) = * Í*.) X. "-'. entonces la función característica de (X + a)lb es X y a..

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

Y tienen función de densidad conjunta f(x.) s 4 rr | / (58) (5e) o. yl.5.:}(. P|X-pl | 3. Entonces si e es cualquier número positivo.Presuntamenb. p€rsona eeperado? 3. 12 y 3-3 también son válidos para la esperanza condicional.3l ESPERANZA MATEMATICA 83 ESPERANZA. de Teorema 3-18 (Desigualdad de Chebyshev): Supóngrise que X es una variable aleatoria (discreta o continua) son media ¡t y vañanza o2 finitas.r"siX:l. y el tiempo de viaje.. f@lr) du \57) Los teoremas comunes para varianza y momentos se amplían a la varianza y momentos condiciona- DESIGUALDAD DE CHEBYSHEV variables aleatorias discretas con media Chebysheu. para una moneda honrada. f@ln) da alrededor de cualquier valor c como = E(Y lX: *).glX -. = r)f 1(r)dr 2.cAP.o - *r). entonces de acuerdo con lo visto en el Capítulo 2 la función de densidad condicional de f dada X es f(y I x) = f(x.con. { Y: Yauro si X:0.tf. f : Y6.rr - *r\2 | X = r) = Í_- . así quepor la Propiedad 1 anterior y E(YIX -0) = E(f¡wolX=0) = E(Y*rol = c E(YIX= 1): Z'(ysorlX=l) = E(y5*) = b Entoncea la Propiedad 2 da (con la intcgral remplazada por una zuma). Un teorema importante en probabilidad y estadística que revela una propiedad general de las y varianza finitas se conoce con el nombre de desigualdad.YautoV YbussonindependientesdeX. Kti a2 P|X - pl> ko) k2 . X. asf que lanza una mor¡eda. Tambiénpodemosdefinir elmomento condicionalrde YdadaX a\. EJEMPLO E(Y) : . E(Y lX = r) = E(Y) si X' }z son independientes. El tiempo promedio de viaje a una ciudad lejana es c horas en automóvil o b horas en buó. y)lf t@\ donde f1(r) es la función de densidad marginal de X. I nlv les. VARIANZA Y MOMENTOS CONDICIONALES Si X. Definimos la espensnzrt condicio¡wl o media condicio¡wl de Y dada X por E(ylX:r) = .LosTeoremas 3-L. Una no puede decidir si conducir o tomar el bua. 1.* Con frecuencia eb conveniente calcular las esperanzas empleando la Propiedad 2 y ¡ro directamente. - al. E(Y) = E(YlX=0)P(X=0)* E(YlX=l)P(X=l) = + X como (56) De una manera semejante podemos definir la uarianza condicíonal de Y dada E[(V donde ¡.tf*rf@lx)da _^ Obsewamos las propiedades siguientes: @5\ donde "X: N" debe entenderse como x 1X S r * d¡enelcasocontinuo. x = a) = Í__. ¿Cuál ee su tiempo de viaje donde Aquf eetamo¡ considerando la distribución conjunta del resultado del lanzamienb.

es que p con probabilidad uno.\. : Xt* Xz+ .. PERCENTILAS Con frecuencia es conveniente subdividi¡ el área bajo una curva de densidad empleando ordenadas de manera que el átea a la izquierda de la ordenada sea algún porcentaje del área unidad to tal.2. tiende a cero : g. . f(r) es máúma. Teorema es una consecuencia interesante de 3. la probabilidad de que X diflera de su media en más de 2 desüaciones típica8 €8 menor que o iEral a 0. Esto es bastante extraordina¡io si se tiene en cuent¿ que aún no se ba eepecificado la distribución de probabiüdad de X LEY DE LOS GRANDES NUMEROS El teorema siguiente. este teorema establece que la probabilidad de que la media aritmética S. Sean X. llamado la ley de los grandes números. y. . Xn. Con li31 frecuencia este resultado se denomtna ley de los grandes números en forma fuerte.3-2 .. Así por ejemplo el área a la izquierda de la ordenada eD f.. . .. 1.75. Estas son lamoda y lamediana. el ánea a la izquierda de r. variables aleatorias mutuamente independientes (discretas o continuas). =o "( *-" =. 3-2 es c. cada una con media g y varianza o2 finitas.) Sn/n (60') Puesto que Sn/n es la media a¡itmética de X1 . se implica la ley débil. tres o más valores que tienen relativamente grandes probabilidades de octrrrencia. En tales casos decimos que la distribución es bímodal.19 (LeV de los gnndes números): Entoncessi S. la desigualdad de Chebyshev.q en la Fig. . Mediana La mediana es el valor de r para el cual P(X = x): P(X./n difiera de su valor esperado ¡¡ por más de e.. el resultado del Teorema 3-19 se llama ley de los gundes números en forma débil. . En el caso de una üstribución discreta puede no existir una mediana única (véase Problema 3.En el caso de una distribución continua la mediana corresponde a la ordenada que separa una curva de densidad en dos partes que tienen áreas iguales de Ll2 cada una. también se emplean otras dos medidas de centralizaciiln.25 6 P(lx-pl<2"\ > 0. Un resultado más fuerte.. tiene la mayor probabilidad de ocurrir. en contraste. Moda. . Aunque la ntedia es la más empleada. o en otras palabras.3 3.84 EJEMPLO ESPERANZA MATEMATICA lcAP. la probabilidad de que X se encuentre dentro de 2 dewiaciones típicas de su media es rnayor que o igual a 0. que esperamos sea verdadero. Sin embargo podemos demostrar que OTRAS MEDIDAS DE CENTRALIZACION : li*S"/t Como hemos visto anteriormente la media o esperanza de una variable aleatoria X provee una medida de centralización para los valores de una distribución. En tal valor r.25. realmente es falso. Cuando se hace referencia a la "ley de los grandes números" sin ninguna especifrcación. La moda es el valor que con mayor frecuencia ocurtre.10 6lO% y se Fig.34). r): 1l2. Por ejemplo.ro sería 0. equivalente. Algunas veces tenemos dos.75 Literalmente. Si h : 2 en la desigualdad de Chebyshev (59 ) vemoo que P(X-pl>2s) í= 0. 2.. lim + X" (n=L. Los valores que corresponden a tales áreas se llaman uolorcs percentila o simplemente percentíhs.pero cuando n '+ @.6. trimodal o multimodcl respectivamente. Xz.

Sesgo. 1. 3-5. Fig. 3-4. es decir D. Para una o. mientras que si la cola más larga se extiende a la izquierda. 3-3 F'ig.(X) X se define como la (6f ) ) lr..cAP.r5 y x. hay diferentes medidas de dispersión o variación respecto de estas medidas centrales además de la varianza o desviación típica. Lógicamente. se dice que eslásesgada a la izquierda. esta medida no tiene sentido si alguno de los valores extremos es infinito. Recorrido semi-intercuartílico. Con frecuencia una distribución no es simétrica con respecto a un máximo sino que üene una "cola" más Iarga que la otra.11 : (62) SESGO Y CURTOSIS 1. En algunos cafios una distribución puede tener sus valores concentrados cerca de la media así que la dishibución tiene un pico grande como se indica por la curva sólida de la Fig.plf(r) (variablesdiscretas) = DllX-¡. 3. como en la Fig. Las medidas que describen esta simetría se denominan los coeficientes de sesgo o sencillamente sesgo. La medida es positiva sesgada a la derecha o a la izquierda respectivamente.x.r.M. El recorrido es la diferencia entre los valores más grande y más pequeño de una distribución.r representan los valores de la vigésima quinta y la septuagásima quinta percentila la diferencitrc.É.(X) D.l dr (variablescontinuas) : EllX -¡. Algunas de las más comunes son las siguientes. esperanza Desviación media La desuiación media (D. se dice que la distribución está sesgada a la derechc.ll : f_. Si la cola más larga se extiende a la derecha. Si r. M. Una de las medidas es 'il "ü"é D[(x . La mediana sería la quincuagésima percentila (o quinta decila'¡. OTRAS MEDIDAS DE DISPERSION Así como hay varias medidas de centralización además de la media. 3-3. Una medida empleada frecuentemente está dada por "4 :-_-----i--: E[(x. 3-5 2.25 se Ilama el recorridó intercuartiticoy Il2 (x. 2.p)n] o* p+ o4 (64) .O . 3-{ Fis.ts . Recorrido. como en la Fig. M.1.) de una va¡iable aleatoria de lX.tlf(r.ts . o negativa si la distribución está distribución simétrica o¡ : 0. Cu¡tosis. En otros casos la distribución puede ser relativamente plana como en la cun¡a a trazos de la Fig. Medidas del grado de apuntamiento de una distribución se llaman coeficientes de curtosis o simplemente curüosis.zs) es el reconído semi-intercuartílico. 3-5.p)3] ps (63) que es una cantidad adimensional.3l ESPERANZA MATEMATICA 85 llamaría la décima percentila (o la primua decilal.

/ 'l*)* 7 E(X+Y) = E(X\*E(Y) = 3.1. 20 premios de $750 y 5 premios de $3000 Suponer que se colocan a la venta 10 000 boletos. - E(Y) ^/t\ = tll) * \o/ "' . que tiene un coeficiente de curtosis igual a 3. pero los definidos anteriormente se emplean con mucha frecuencia. Hallar la esperanza de una variable dada por aleatoria discreta X cuya función de probabilidad está Itrl Tenemos : (i)' (t=r. En una lotería hay 200 premios de $150.00 ó 6 pesos. = 1 PorüantoS:2. .9?75) : 6. La esperanz¿ de X en pesos es r (pesos) 150 0.'(+).0005 0 P(X : r\ 0. js = !+ | + á + # +.002) + 3000 (0..'(#).(i)..ero que se ganará un boleto.(i)" = +.2.) E(xt = Para halla¡ esta suma.os diferentes valores de X conjuntamente con sue probabilidades se muestran en la Tabla 3-2.3. Sin embargo una lotería gana dinero.002.'(*) . Hallar la esperanza de la suma de puntos al lanza¡ un par de dados honrados.02 750 0. Entoncee Restando. Problerna.o\El = t7 \o..s.'(*).977t D(x): (150) (0.(*) .41.. Y los puntos que aparecen sobre los dos dados. Comúnmente se compara con la curya nonnal (véase Capítulo 4). s = .... hágase á. ¿Cuál es el precio justo que se debe pagar por un boleto? Sea X la variable aleatoria qrre denota la canüidad de Tabla 3-2 d:.z.02) + 750 (0.86 ESPERANZA MATEMATICA lcAP.3 que es una cantidad adimensional. el precio del boleto sería más alto.. Véase también Problema 3. Tenemog E(x) Entonces. [...002 3000 0.s resueltos ESPERANZA DE VARIABLES ALEATORIAS 3. |s = i . El precio justo a pagar por un boleto es 6 peeoo.(+). Sean X. Es posible definir coeficientes de sesgo y curtosis utilizando otras medidas de centralización y dispersión.0005) + (0) (0. 3. por el Teorema 3-2. Por ejemplo la probabilidad de obtener uno de los 20 boletos que dan un premio de $ 750 es 20/10 000:0.

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

tenemoe f(x. Si la¡ va¡iablec X. Demoshar el Teorema 3-3. puetüo que X.(+)-Fr. (o) Como en el Problema 3. y.(. Sea ¡t(¡. ea decir.10.9. Además.y f t@) fz(a) )1..2. püa todo ¡. o. Hallar (¿) la varianz y (b\ la desviación típica para la variable aleatoria del Problema 3. y) puede expresarae como una función de r multiplicada por una función I. Demostra¡ el Teorema L4. VARIAT'IZA Y DESVIACION TIPICA 3. por el Teorema 3-4. = Wa"(X+Y) = 1/g v6 3. Y ron independientee.:r:¡:* . Tenerno¡ E'(x ^"' * u' -'u.7. independienteo. p6g¡na 78. Y ¡on independientes. Por el Teorema 3-4. página 77.)'= * Var y.4 l¿ media de X ee ¡t= E(Xl -.8.1/2. / .3 3. var(X) (D) 3. con las eumas apropiadae remplazadas por integracioneg."*' ""'*"' =i'|í'.\2 ^a = f-('-L)''"-"0' = i = El(x-r)21 E(xz¡-ll(x))2 = t. (o) Del Problema 3. Pa¡a va¡i¡blee dependientec generalmente no ee cumple.p\zt = '[(* -])'] = l:_ (" _'L)' t*.)'= i o = tFf-var(x) = \E = t r" : Ot¡o ¡nétodo.u) = ) ) .r.(l) var(X) Var (X * ' .4.'/'Q)2afztu) ." (')no(')l E(X) E(Y) Si cualquier va¡iable e¡ continua la demoetración ee desarrolla de igual manera. y): f tG) /2 (y). de ¡i X. = Var(Y) = +-(. por el Teorema 3. Por tanto Y. tenemos E(X): E(Y)= 7 12. Entonce¡ l¡ varianza e¡ Var (X) = Etá .*(á) # :%1 Entonces.7 Y) = Var (X) (Y) = F (b) ox+). con¡iderada di¡creta. Obsérvese que la validez de eate teorema gira alrededor de si f(. Y rcn E(XY) = 22 Í!J! --t ra f@.88 ESPERANZA MATEMATICA [cA". E(x2) = E(vz¡ ='. Halla¡ (a) la varianza y (b) la desviación típica de la suma obtenida al lanzar un par de dados honrados. y) la función de probabilidad coniunta de X.

11.u\(Y .págna79. La demo¡tración de (I9).14. y el hecho de que E[(X tt)z1= 3.. .pv)}21 EllX . Var (X + Y) = E[{(X + Y) - (px + pv))2] = = = = utilizando el hecho de que .)t(")u'-l + (-t)rpr \.P)21 + (P .cAP. * . mínimo de El(X-o)'l ocutre cuan- 3.tt): E(X). Y . Demostrar el Teorema 3-6..r?2.. Er(x-'''. página 79.px)2 * 2(X . se ri' y emplear cl Teorema 3-6. Si X* : (X . página ?9.12. = t(4=\ / =.ltx.. Demostrar el Teorema 3-7.pl|.EÍ6 . + (-r\'-'( n ..ar Y gnr -Y .t'+ "' + {-r\r\l)r.i.2] + zEl(X . + r-r¡t('.lt:0..13.pi E(Y - py) - o ya que X.px) + (Y . Y y por tanto X gue al remplaz._i. f)e esto vemos que el valor do (t¡ .!^r_':i. MOMENTOS Y FI.t .tt)lo es una variable aleatoria normalizadq demostrar que (u) E(X*¡ = 0' (b) Var (X*¡: 1.E(x...)¡.a)2 pueeüo que E(X .TNCIONES GENERATRICES DE MOMENTOS 3.. \t / \r/ + ." -.py) + (Y . Demeshar el resultado (26).r. p{ina 79.:.' .o)n = O.t:.. .'tut '\'/ + "' + (-L)'-'( t .pv)l * El(Y EI{(X Var (X) + Var (Y) px)(Y pvl2) El(X - - pv)l = E(X .\x.u.ttv eon independiente¡. .)"n'-' + (-t)'p'l J \r-r/.3] ESPERANZAMATEMAIICA 89 3.(i\*.. Pr = El(x-pl'l = nfL x. (a) puesüo que E(X) = E(x*t ¡r. !¡rw-u¡ = L¡nwl-r) = a' o \ (x*) 0 (b) var = u" (?) = \o¡1x - u¡"1 oz =I utilizando el Teorema 3-5.-'u \I/ + .px)(Y .ft\tr*"-. e¡ decir cuando a : ll. = .(i )/./ /\ /"\ = .n)21 E[(X .-iut + "' + (-l)'-t¡ur * (-l)-rnt donde al combin¡r loe do¡ úlüimo¡ término¡ re¡ulta (-l)r-1(?'- 1)p'.. * t-t'(T)t1"'-.í':.r. .-. pág¡na 79.

(ü) dcú=oer Sc dcduce inmedi¡tamenüe del hecho conocido del cálculo de que si la ¡€nie de Taylor de f(ú) alrededor f(t) : enroncc ..t (D)Tenemor hsonce¡ et = e_t t+r+#..17. Demoshar (o) el resultado (Br ).(á) = |G. = . (o) utlliz¡ndo lrr erpaneión en serie de potencia de eu (8... Apéndice A) tenemoe Mxe) = E(etx¡ = n(t+tX-t2x2. Demostra¡ el Teorema B-9.*rá#*u.-"'ro.16.-'. página g0. Eltt (o) la función genératriz de momentos y (b) lós primeros-cuatro momentos alrededor del origen.I con probabiüdad 1/2 cada uno. -T! \ 12 rg t + tU(x) + ae(xr) +¡a1xa¡ a .+"-. (b) el resultado (g2)._" 3.*"-..1 = . (r) (zl (I)V e\ = 1_¿+ r+_#*fr_ .r|r*frr.(.Lf".'.16.*#*. g s. 8-18..2'.. p'+=L.. Y ron independiehtee. página g0. !utt" quc X. = L*pt*uLr4. = 2 fo'e<t-z>'d..* pL=1.ú3x3.) cn(ú - o)" cn = i.r ze<t-Dt : -T=Tlol@ = z li't<2 z-t. M(t) = Eletx¡ = f" J eEf(t)dr fo" ""1. Todo¡ los momentos impares 6on cero y los pares Eon uno. una variable aleatoria x tiene función de densidad dada por f(r\ = {z'-" [0 (ol r>0 r(0 momentos alrededor {4t* (o) la función generatriz de momentos y (b) los primeros cuafuo del origen. La variable aleatoria X pugd. (o) Eqetx¡ = ..) * . ffirol. cualguier función de X y cualquier función de y son independientes...90 EspERANzA MATEMATToA [cAp. For t¡¡to Mx*vQ) = Elet(x+Yr) = E(etxetv¡ : E(etx) E(¿tv¡ = MxG) My(t) 8.... ¡á=0.rfr.e t-oma¡ los valores 1 y . 'r"') \ .*#. = L+tlt*uL#*ri#*. Pcto Al comperu Mx(\ tenemog t!:0.

. Jo "ot.i¡en. Hallar los primeros cuaho'momentos (c) alrededor del origen. para unava¡iable aleatoriaX con función de densidad r(r) (c) = i. '.'''-r2)/8r :"=i." = B t. /t = \.r. 3] (b) S¡ lúl ESPERANZA MATEMATICA 91 ( 2 üenemo¡ z_t z L_tlZ 1 I = '.1!) * r/9)' 85 "./+b(..r..17. = l(3.*.(l) -.216 pi = E(Xr) = . 2 4 8 p'n 16 Pero M(t) = * tt + uí#* rtfr+ tt^fi+ "' = P¡.". = 2 ^f FI.cAP. : c¿.".21.. (b) alrededor dc la media.'NCIONES CARACTERISTICAS 3. p6gin 80. 3."./ \ -/ = cosa coso empleando las fórmulas de Euler ¿io con 0 * isena s-io = cos.8?b B6eg 8?50 ztcy q\.*L*!-L*!*.19.) = \ -.'. = 27-s\s5. tti = *. = E(X) =#Í""*z¡s-¡z)itr =f pL tt = Elxz¡ = # 1"" *rn - s2) d./!\. "\5/ tt4 y.Lp. pi (b 12) dr = -51 ) Utiüzando el resultado (27\. tenemos ttl t2 = r-(*)'= # = 02 Fr . Hallar la función ca¡acterística de la va¡iable aleatofia X con función de densidad dada por I r/2a lrl < a f(t) : io deotraiorma .\.r)\B/ -t\Ei _ ^. Halla¡ la función característica de la variable aleatoria X del Problema 3... La función característica está dada por Eteiux. al comparar términos.-+e i.20.216 -r. = .. = .17(o) al remplazar t : i<¿ 3.(+) * ./!\'_ . Por tanto. El resultado también puede obtenerse del Problema 3. t = )2.'.\51 .

f(r)dr tlÍ-"eíore-o<-x.LJ_-e(a+t@)ro" q.6-'l "iar¿-. Y es oxy = Y) = El(X . o" = asf que I . 3. página 82.24. . Hallar la función característica de la variable aleatoria X con función de densidaa f@) = ee-atEt. Si X.t an + !o' "-"r. = "{lo 4f-o u-n<-.o<t> ¿sf .22. -oo < Í 1 @. a.23 = Cov(X. Demostüar el Teorema B-14.23. úu empleando las fórmulas de Euler (véase problema 3.e-ho 2ia..o = 8en Cú. y eon independientes entonces E(Xy) : E(Xl E( y) ._(a_io) ü a L 2(o* io) 2(a. Por definición la covarianza de X..p*y .3 D(etx¡ = f-.E(X)E(ts) = 0 . por tanto por oxy el problema 8.donde c ) 0 y c es una constante apropiada.92 ESPERANZA MATEMATICA La función ca¡acterfstica está dada por lcAP.ryttx * pxpv = ElXy)..lxtty = E(XY) _ E(X) E(Y) Cov (X.¡xXY .c-atxt d."r.pv)] = E[Xy . página 82.io') = _a2 a2 * o2 COVARIANZA Y COEFICIENIE DE CORREIACION 3.. + fo* n. Demostra¡ el Teorema B-15.pxE(Y) .20) ceñ d = ao.r'. e<o+iarz * Jo ¿-<a-. 3.pyE(X) * E(pxpvl = E(XYI . la función ca¡acterística está dada por E(eiax¡ = .rrrrru. Puesto que f(r) es una función de densidad tenemog Í).f?o/. = 2a io l-o = | al@t la ela@ . l:. arf 2c O + . Yl = E(XYI -.pvX. Por tanto.útit¡) l€ lo lo .l*-ei.Fxpy . = *t_""^"0."-*l* = -Alo = I - Entonces c: ol2. e-(a-i@)¡ 2 a*io l-" ' .* npv] = E(XY) .r = "lÍ:.

O. + (0)(1Xc) + (0X2X2c) + (0)(3)(3c) + (1X0)(2c) + (1X1)(3c) + (1)(2Xac) + (1XBX6c) + (2)(0)(ac) + (2X1)(6c) + (2X2X6c) + (2XB)(?c) 427 ld.8.'.J"-o{o)1"Iuld'rita = I70 6s = tf67580 ...n"...o. ..-. dy = %T t 16 ri = ñ)"=. Resolver el Problema 3.= = t/zwan ' 15514.cAP. 2.(1)(9¿)+ (2)(L2cl+(3X15c) = = = 22nufia.25 si las va¡iables aleatorias X. EsPERANZAMATEMATIcA y).ul = )y. Ju=o {rú{rr r sl dr dv = .r. (s) Var(Y).. Utilizando c : LI 2LO tenemo¡: (¿) (c) E(xt = E(Y\ E(xY) h + s) dr t.. (c) E(XY).. =# =+ = 22u2f(u. página 50. si las va¡iables X.26.3.at) = rr.26.2103 apror. * (1)z(1ac) E(Y2') lllr"t *l =t .tuo = re2c: #= + = (fr (s\ (r) (ñ oxy o2* = var(x) = E(x2r-l*(x\)z = +-('*) ffi 4= = var(Y)= E(Y2')-lE(Ytl2= cov(X. E(Y). Y se definen como en el Problema 2.y) = ?rh f(. Y se definen como en el Problema E(x) (a) E(X'¡.[) ¡@.lrrr"o*. txv o = oxnv -.a\l = . [] tA.or./zso r/55 -20: = 3.."=.ol.alf '* = *.. = E= + (c) D(xY.ur". (¿) (b) = ))o/("..ú = . (e\ E(Y').) (e) E(xz¡:22r2f(r.y) = E(xy)-E(x\E(yt ?-(it)'=:* = +-/+)l+) = --+ r47 7 \21l\7/ -0.*. f"t=u our. página 52. (d) E(X').o1.al = )"rl-)ftr. sl Hdla¡ Cov (X.o.:-* J..=. (0 p. lr.r".at) = 4. (/) Var(x).lyL47. (b) t 93 (¿) 3...a\ .(1)(1ac) +(2)(22c\ = 58o = E = n 78c E(Yt = 22af. .

La demosbación para variables discretas es semejante si ee remplazan las integralee por sumas.x=2) = -. f u'. Presentaremoe la demostración para variables aleatorias ecntirruas.(iu) = ii 3.\r-.g.(#)' = *tq*$ o2.2g.y) = E(xy)-E(x\E(y) = ?-(?f)(*t) oxy = -# -0.var(X) = E(xz¡-ll(xtl2 = #.29. .27. * a) dr tru = # otr .28.^:. [. Demostrar la desigualdad de Chebyshev. . Si f(r) es la función de densidad de X entonces . Esto oru o"oo oo. Como en el hoblema 2.# E(xz¡ =h Í.27.rrr. Hallar lavariar¡. .(#)..)\t)* J_- donde hemos utilizado el hecho de que ltz: E(Y lX: r) :2.(#)."=. (o) (ó) E(ylX=r) = Í-_afrtuldau = ír'r(rr")* = + E(xly=y¡ = f_-". Hallarlaesperanzacondicionalde(c)YdadaXv(b)XdadaYenelProblema2. DESIGUALDAD DE CHEBYSHEV 3. Hallar la esperanza condicional de Y dada X : 2 en el problema 2. la función de probabilidad eondicional de Y dada X : 2 es ftutz) = Entonces la esperanza condicional de Y dada + 2. 3 (d) (el u') b) (h') (t oxy =# E(Yz¡ = h f. p= oxoy -200l3969 /50s615e6-0 {r6únsn -200 t/zsnr/te zzs = ESPERA}IZA. X: 2 es E(Y =2) "x = ? r(+) X: donde la suma se toma sobre todo y que corresponde a E(y. .94 ESPERANZA MATEMATICA fu'=o [cAP. VARIANZA Y MOMENTOS CONDICIONALES 3.30.zlB del Problema 8.(ui) .a varianza pedida (segundo momento alrededor de la media) es 12 z"\'/zu\' =18 E[(v-pr)zlX=r] = f'w-td2fz@lr)da = ('/ Pz"'=J. pág¡na62..za condicional de Y dada 2(L-ys¡ 2(l+y*y2) --¡O+7I- x para eI problema 2.2g. = var (y) = E(vz¡ _ l'(y))2 = t# _ (#)' = t.=o. pág¡na 62. * v) dx da = cov(x.28(o).(rlytdr = í"'"(#*S* El=a\ 3.rrrr.03129 aprox.pág1na62. página 61.

En la práctica la desigualdad de Chebyshev se emplea para dar estimativos cuando es inconvenientc o imposible obtener valores exactos.*Var(X. Entónce¡ P1x ¡.3l ESPERANZA MATEMATICA 95 02 = EI(x - p)21 (' = J-* @ - p)2 l(r) dr Puesto que el integrando es no negativo. Demostrar la ley de los grandes números establecida en el Teorema 3-19.31.(-:.¡. (c) hallar P(lX .) así que t'" (+) = 4 var (s") = * X: Sr/n üenemos _/ls" | \ donde hemos empleado el Teorema 3-5 y una extensión del Teorema 3-?.'*"') ... Tenemos E(Xrl = E(X2l = . ¡¡ (o) = 1/2.ul=') 02 esto se conviertq.*X.|) ol ¿l \l \ o = J¡ | f :l/2 Ze-udr = 1 - e-3 Portanto (b) Del Problema 3.18. ¿lr-al=e Pero Ia frltima integral es igual a P(lX - pl ? .18.(l*-*l \t o2 =t)/ = 1-(1-e'r) = p2 e-s = 0.'. como se pide.|ww..rl > 1) y compararlo con el resultado en (a).32.) = ¡toz tt Var(S") = Var(Xr*'.cAP. = E(X) = p Var(Xr) = Var(X2\ = "' = Var(Xn\ = o2 Entonces t(*) = "(*'*'. página 84. ". el valor de la integral solamente puede disminuir cuando el int¿rvalo de integración se reduce.). Por tanto 02 t¡z-ttlZe rlr-yl=.t <1) = "(l*-*l .* . Por tanto P(lX-rl > 6) 3.04e?e = plr- = 7/4.t+. Para la variable aleatoria del Problema 3.18. LEY DE LOS GRANDES NUMEROS 3. La desigualdad de Chebyshev P|X-pl > f) resulta P(lX¡r] = 1) < oz = 0. | \ _ ul=_ .t)/ = . /ts r|. (b) Utilizar la desigualdad de Chebyshev para obtener un límite superior de P(lX .) = o .¡rl > 1).. .25 Comparando con (o) observamos que el límite dado por la desigualdad de Chebyshev e¡ ba¡ta¡te crudo. DeI Problema 3.. '|. Así por la desigualdad de Chebyshev con Tomando el límite cuando n ) -.+E(x")l = L(nt) = = Var(Xr)*.x.

Halla¡ (a) la moda y (b) la mediana. . .[. (b) Hatlar la mediana. (c) Comparar la moda" la mediana y la media. 3-6.36='ñ¿r ze) az de donde o = sli{z- q Por tanto la mediana pedida. P(x<a) Igualando eeta = *. para el cual la . r.9 - -'l 86 - 8l l2r2 = u Entonces .¿rL 81 -_l = 'r2) df ar. una va¡iable aleatoria discreta tiene una función de probabilidad f(r) : !12' donde 2. que ea La moda pedida. l(r't 3. . = fr: aegunda derivada. (b) La medianaee 1. es Í: L. La función de densidad de una variaut¡ aleatoria continua x es osc<3 f(r) : 1:'@-r2)/8r de otra forma l0 (a) Hallar la moda. El máximo relativo de la derivada es cero.62 apror.60 = 1. y (c) compararlas con la media.. aquel valor deo parael cudlp(X é a): ll2.96 ESPERANZA MATEMATICA lcAP. (a)/ La moda es el valor de 4 asociado con la probabilidad más grande. eetá dada por = n-Zr/. la mediana y la media se muestran en la Fig. En este caso probabilidad esLl2. que debe enconharse entre 0 y B.3 OTRAS MEDIDAS DE CENTRALIZACION 3. e8to e3 f(r ) ocurre dondc . Ob¡érvese que este valor da el máximo ya que la -24x 187 . r: 1.?3 aprox. ea negativa para x = 1fá. La moda. . Ahorapara0(a ( 3.84. (o ) La moda se obtiene hallando donde la densidad f (x) ea máima.33. (c) ' E(x) = + ('¡z(g-xz\da = !(t*-+)l'= 8l\ 5/lo 8lJo que prácticamente ee igual a la mediana."on-r2tdr = #(Y-t) 2aa_36a2 all2 hallamoe que *91 = 0 de donde _ia2 = 36a\436P-4(2X81-) .

L21 aprox..25. (" .a septuagésima quinta percentila es el valor de ¿ tal que (18o2 - a4 ¡¡8t: o @a.-1998 0. tomamoseluolor móximo de ¡: 3.o . :. Del Problema 3.19. es decü 312. Hallar el coeficiente y (b) curtosis para la distribución del Problema 3.121 reepectivamente.33 la media Desviación media ee lt : 1.t):ll2.35. (c) Del hoblema 3. tomamos el uolor mínimo de ¡ : 0. (b) La vigésima quinta percentila es el valor de a tal que (L8o2 P\X<a)=#(Y-fl = "# aa -a4¡¡8t \l8L : O.098 y 2.0 : 3. Del hoblema 3. a (c) f.? 5.l : 2.1253 3693 8750 (a) Coeficiente de sego -: o.r :: . (b) el recorrido semi-intercuartílico y (c) la desviación media para la distribución del Problema 3. = - p|) = l_". (c) Como se encontró en el Problema 3. Por tanto el orden de las tres medidac es contrario al del hoblema 3.37.'"¡)a' = SESGO 0.Portantacualquie¡númeroentrel y 2 podrfa representar la mediana. Empleando el método del Problema 3. I. En forma análoga puesto que todos los valores ¡ ( 0 tienen probabilidad cero.33.cAP. Por tanto Recorrido semi-intercuartflico = ?121 . .33. Determina¡ (a) el recorrido. Entonces el recorrido es 3 . Determinar los valores de la (c) décima.*l[#. (b) vigésima quint4 (c) septuagésima quinta percentilas para la distribución del Problema 3.33(b) tenemos (o) LadécimapercentilaeselvalordeoparaelcualP(X5o):0. Entonces E(lX = D.P(X=r):l12yP(X.esdecirlasoluciónde(18a2 : 0.3l ESPERANZA MATEMATICA 97 (b) Si¡escualquiervalorentrely2. : 1.n "¡fa' = Í^" (. Y CURTOSIS de (a) sesgo 3. (b) Por el Problema 3.)[#'n .33.098 aprox.68 aprox.")[#..l0.33 hallamos que s : 0.10.36.")] d' + Í. OTRAS MEDIDAS DE DISPERSION 3.". o sea ¿ 0. Por coneecuencia escogemos el punto medio del intervalo. : 2. (o) Puesto que todos lós valores ¡ ) 3 tienen probabilidad cero.b1 aprox. PERCENTILAS 3.655 apror.60 : 8/ó.35 los valores de la vigésima quinta y septuagésima quinta percentilae son 1.r - pl f (n) dr = l"' l' . M.19 tenemos 02 ll 25 It3 oo - 32 8?5 -0..3.

como se indica en la Fig.98 ESPERANZA MATEMATICA lcAP.Iu-| é(o) E1er. . = 2¡p f -o --n .. . respecto I @ desde 0 hasta 22. yp¡ los coe¡icietttes tte iour¡"r.. Del Problema 3.. pk 1 12= T. . puesto que f_"n.> ]¡xeik. f tl' . Si M(tl es la función generatriz de momentos para una variable aleatoria X demostra¡ que la media €S g : M'(O. o1_o o.39 para obt€ner 14 distribución de probabilidad de una variable aleatoria X cuya función característica es O(<¿ ) : cos .40. (b) Mulüiplicar ambos lados de la expresión (r) .{o) r/o Con frecuencia llamamos Q$.t_ | eú .1. .tlZ Se deduce que hay un sesgo moderado a la izquierda. 3..39 I pt. n2. Sea p. (a) Hallar la función característica 0(n) de Xy (b) obtenerpk en términos de es Íp: h con probabilidadespr donde k: + (a\ Lafunción ca¡acterística -. Qk¡).. - I zt...n.i)o ¡f..(". . ti = M'(ol Entonces de (27) tL = M"(o) p = Iú'(0) 3. ." . PROBLEMAS DIVERSOS 3. remplazaudo j por h. la serie de Fourier se rernplaza por la integral de Fourier (véase página 81).¡ rru.(ar tra -= k =S o*Ja " ¿i{r'.j .¿.. 4¡ J._ ....página 80..l l''..Para una variable ¿leatoria continua.r i r)d (¿@ I ¿ir r 1. f-ri".u-¡ . que tiene una curtosis de 3. Utilizar el Problema 3.r-.. y la varianzaes 02 : M"(O)-ÍM'1O¡12. es algo menos apunüeada que la 3€.39. .3 (b) Coeficientedecurtosis = et :.. ú"r**:r. = o" = M"(0) - lM'10¡12 1...rf t1o k+j k---j Por tanto rt ¡ P¡ ../" .. = I#+i:"-o 2¡ tt'' sr(.38.x¡ ¿ior¡ = - i -) r^. " t*''L i:.. tenemos remplazando r : L y r : 2. ¿ k icr_. X una variable aleatoria que toma los valores t n.. De (32)..' '^'y'. .1.l ¡rt" . "" Entonces j f'= " -iia 4. coS c do -e ':. . También la distribución distribución normal. ... = .1..Z.. J.

cientc de sesgo es cero.= -z-rll) .3l ESPERANZA MATEMATICA 99 Si&:lhallamosr'=$.. = h Í. 2 2'\2/ = .p.)21 = E(X2) = pí = ps = qllX -p){] = E(X4) = p'n -o2 'lt4-." *. 3-7. (.1"/1) = r \/.k:-1hall¡mogp-r=*.8. Iülla¡ el coeficiente de (c) sesgo y (b) curtosis con densidad de la distribución defrnida por la curua normal. Por tanto el coefi- La di¡tribución tiene I¿ apariencia de la Fig.. \ Fig. "_.'\2/ Entonces = EI(X.2"-22/2¿¡ ¿u = + 'to f'sz¿-x'/z¿.2. # to' '"t2"-'d'o B L 4. Análogamente obtenemos ti = E(xr¡ = h fl= o. -f rz ¿.20. {2¡ or. 2'\2/ dadas en donde hemos efectuado la transformaciín xz 12 : u y utilizando las propiedader de la función gama (2\V 6\ del Apéndice A. con probabiüdad Ll2 con probabilidad Ll2 -r 3./. .si. Por simetrÍa.\2/ {../g\ = {. 3-? (b) Tenemos p.1"/l) = -{.41. (r |. 3 Por tanto el coeficiente de curto¡i¡ e¡ -i-ó .x2/2 ¿.Pa¡alo¡oEdvalore¡dektenemo¡p*=0. Por ta¡¡to la va¡iable aleatoria ectá dada por X=) Comó una verificación vúas€ hoblema 3. (o) f(t)= l¿-"'" l/Zn- -co<n<e l!\ : llt = O y lt\:0.cAP. = E(xz¡ = -+ ¿l" l/2r -. = Z Jo {i .

42.{) * -..Y = ] 3 prob.3 3.zl \ 'xv\2 "i" "x/ --t-"i = ""*"1-o'*"=-0 ó *=1 '7ní queesequivalenteap2 < "'*"?.( ". Demosbar que -1 < s1 (véase página 82). . Para cualquier constante real c tenemo¡ . (c) E(XY).45.48.46. Hallar (a) E(XI. 9. * c2El(Xr ¡x)21 .s suplernent&rio s ESPERANZA DE VARHBLES ALEATORIAS 3. (b) E(zX + 6).r\' Para que Ia última cantidad sea mayor o igual que ce¡o para cada valor de c debemo¡ tener 1 ó -1 < p < l. -2"":'\ -" -* \"r* ) -/ = oí+oil"-.otr ___q__ . (bl E(}X-21. Sean X. + n?. Sea prob. (cl E(X21. Una variable aleatoria X tiene la función de den¡idad (e-' r>0 /(r) = {l0 ^ ¡(0 Hallar E(e2x/31. La función de densidad de una variable aleatoria X es /(r) = (e-r r>0 de oüra forrns 10 Hallar (o) Eo(l. (c\ E(Xt).Y El(Y _¡v)21 c(X - Px))21 = 0 / ol. 3.-". 1/3 por .100 ESPERANZA MATEMATICA p [cAP. Una variable aleatoria X se define | -2 prob. 3. g. (b) E(Xz *)a2). ll2 .!\'Entonees el lado izquierdo puede escribirse El¡.47.zcEl(X.44."Í\"-. Y variables aleatorias indeperrdientes cada una con función de densidad fZ"-¿" f(tt) = II 0 Hallar (o) u>0 de ot¡a forme E(x+Y). (c) E'l(X-1)21. = o?. ¿Cuál es el número esperado de puntos que resultan en 3 lanzamienüos sucesivos de un dado honrado? ¿Parece razonable su solución? Explicar. (b) E(Xr).¡. I 1 3. / . I Problerna.49. 1/6 X una variable aleatoria definida por la función de den¡idad ( 3n2 O< r=_L /(r) = 1 0 de otra forma Hallar (a) E(X).x)(Y- pv)l = + c2al - 2co*.

.52? Explicar. Y variable¡ aleatorias independientes tales que ^ vt || prob. (d) E(X2t'). . X2. (ft E(xY).7/2 prob. (b) E(. (f. ¿Se cumple que (o) E(X + Y) = E(X\ + Sean X. (d)E(XY). (b) E(Xy) -. * Xil.57.XY\ 2 = E(X) E(Y\. 1/B prob. Sea X una va¡iable aleatoria con función de den¡idad (1/4 -2f x=2 l(rl = jo deotraforma Hallar (o) Var (X).50. (b) "x. (x) = io x>-0 de otra forma Hallar (o) Var (X). (c) E(X-rY). 1/3 \o prob. Si /(t. E(Y\. 3. .cAP. (b) "x. Sean X. ¿Se cumple que (c) E(X + Y) = EIX) + E(yl. 0f s<I. (b) E(2X2-Y2). (d) E(XY). (ó) E6?+ X'r+ . 3.50? Explicar.E(X) E(Y). 1/6 Xzl . 3. Sea X una variable aleatoria con función de densidad f (e-.48? Explicar.2/3 v) | 2 i -a prob.69.49.54.55.53. .(zr+y) 0<r='I. tc)E(X+Y\. (cl E(XY). = I Z [ -_r Hallar (o) E(Xt+ prob. 3. s) = ] : de otra forma |0 Y). Y va¡iables aleatorias con función de densidad conjunta Hallar (o)^E'(X). 3. 3. Sean X. que (o) D(X + Y) = E(X) + E(Y). en eI Problema 3.'. VARIAT{ZA Y DESVIACION TIPICA 3.0lyf 3.. en el Problema 3. 3. 1/4 Hallar (o) E(3X+2Y).0=tt<2 lr(t*u) l\x'a) = f deoüraforma 1o (b) E(Y).58. Hallar (o) la varianza y (b) la desviación típica del número de puntos que resultan en un EoIo lanzamiento de un d¡do honrado.62. 3/4 prob. (b) E(Y). en el Problema 3. (b\ E(XY) : E(X) E'(Y). + Xn).3l ESPERANZA MATEMATICA ¿Se cumple 101 3. Sean X1 . Xn n variables aleaüoria8 que están distribuidas idénticamente tal que | 1 Xt. 3. .51. Y va¡iables aleatorias con deneidad conjunta f(r'al = iat' Io o-<:us1' o<tl<1 de otra forma Hallar (o) E(X). .66.

Hallar (o ) Var (X ).72. (b) Var (X).43. - 1)2] = L0. momentos al¡ededor de la media están dados por = p1 - ItI"'(.66.73. 3. (a) Hallar la función generatriz de momentos de una variable aleatoria con función de densidad f(t) = fe IO y (b ) r r>o de otra forma determinar los primeros cuaho momentos alrededor del origen. E(X2 ) : 8. 3.65.63. (o ) Hallar la función generatriz de momentos de una va¡iable aleatoria X con función de densidad (r/2 l(r\ = {-0 l(b ) Emplear la 0Érl2 de otra forma función generatriz de (o ) para hallar loe primeros cuatro momentos alrededor del origen.64.. 3. (b) de la media. (á ) Problema 3. Hallar el hésimo momento alrededor (a) del origer^.71. Hallar (o) la función generatriz de momentos de la variable aléatoria x = y (b ) los ( U2 1 prob. Hallar los primeros cuatro momentos alrededor de la media en el Problema 3.43.(0)]2 - 3[M'(0)]4 FUNCIONES CARACTERISTICAS 3. 3. y 4o. MOMENTOS Y FUNCIONES GENERATRICES DE MOMENTOS 3. Ei6 - . E(X): 2. Si X tiene función de densidad ¡t") : -i (l/(b-a\ O a'=r=b de otra forma. Halla¡ Ia función ca¡acterística de la variable aleatoria (a X = 7 ó I prob. 3.68. 1/2 prob. g Problema 3.61. 3.69. Demostra¡ el Teorema 3-11. 3. (b) Problema 3.01 - 3M"(0) ¡l'(0) + 2lM'(0\13 Ifrivr(Q) 4M. 3. 2\21 Si una va¡iable aleatoria X es tal que E[(X Demostrar el Teorema 3-1.'(0) ¡f.6 hallar (a) E(X). En el Problema 3.r02 3.70. demostrar que el 3o.60. Si M(ú) es la función generatriz F:t de momentos de la variable aleatoria X.44.67. (b ) ox.7 lxl I a deotraforma 4. (a ) 3. Hallar la función carar:terística de la variable alcatoria X con función de densidad f¡): (x/2 io 05rtZ deotraforma . página 77. 3. ESPERANZA MATEMATICA Hallar la va¡ianza y la desviación típica para la variable aleatoria X del Una va¡iable aleatoria X tiene (a ) [cAP. p Prob' g=L-P Hallar la función característica de la variable aleatoria X que tiene función de densidad í'llZa f(r) = 1o 3. 1/2 -tn primeros cuatro momentos alrededor del origen.62. 3. (c) o¡.44. página 81..67 halla¡ los primeros cuatro momentos alrededor de la media.(0) + 6M"(o)lM.

cAP. 3l

ESPERANZA MATEMATICA

103

3.?5. Sean x.- = "l ] [ _l

::":,tfl *r,"0,". pr<tb. t/2

aleatoriasindependienres(E=

t,2,...,n).

Demosrrarquelafun-

ción característica de la va¡iable aleatoria

x\+x2+...+x,
\n
es [cos (,,;/1ñ)]".

3.76. I)emostrar que

cuando n -+ @ la función característica del Problema B.7b tiende Tomarel logaritmo de la función característica y emplear la iegla de L'Hospital).

^ "-o2/2.

(Sugerencio:

COVARTANZA Y COEFICIENTE DE CORRELACION

3.71.

Sean

X, Y variables aleatorias con función de densidad conjunta
f

(r'a) =
(c)

(x rA 1o
(rt)

0.*1

r=1,0<U<L

de otra forma

Hhllar (o) Var (X), (ó) Var

(y),

o¡,

oy, (c¡ oy.., (t') p.

3.?8. 3.?9. 3.80.

Resolver el Problema 3.2? si la función de densidad conjunta es ¡(2,

y) = .fr'^ "'u' i0

r > 0' y > 0
de otra forma'.

Hallar (o) Var (-Y),

1ür)

Vat Y, (c) o¡,

ftt) oy-, (e)

"xv,

(/) pt

para las variables aleatorias del Problema 2.5?.

Resolver el Problema 3.79 para las va¡iables aleatorias del prc,blema 2.99.

3'81. 3'82.

¿'(l') - 3, E(XY).= 10, E(X2) - 9, Er(l':) -

Hallar (o) la covarianza y (b) el coeficiente de correlación de la¡ dos variables aleatorias X, Y si E(X) 2, =
16. es

El coeficiente de correlación de las dos va¡iables aleatorias X, Y Hallar la covarianza.

-

1/4 en tanto que sus varianzas son B y 5.

ESPERANZA, VARIANZA Y MOMENTOS CONDICIONALES

3,83.

Si

X, 1l tienen función de densidad

f(r,u)
Halla¡ la esperanza condicional de (a)

=1
y

fr*u
o

0<¿=I,0ay<1
de otra forma

dada

3.g4.

Resolver el problema 3.g3 si

/(¡, y) (b ) X dada

.f,2e-

X (b)X dada y. t' t tvt r > o', y -

0

Io

de otra forma

3.E5. Si x' y tienen la función de probabilidad conjunta dada en la Tabla 2-g, página 24. Halla¡ la esperanza
condicional de
(a

) Y dada

{

y,

3,86'
3.87. 3.88. 3.89. 3.90. 3.91.

Si X' y son variables aleatorias independientes continuas demostrar que las densidades condicionales de X dada Y y de Y dada X son las mismas respectivamente que las densidades marginales de X y y.
Establecer y demostrar un resultado para variables aleatorias discretas análogo al del problema 3.g6.

Ilustrar por medio de un ejemplo el resultado del (o) Pro'¡rlema 3.86. (b) problema B.g?. Hallar la va¡ianza condicional de
(o

) Y dada X, (b ) X dada Y para la distribución del problema S.gB,

Resolver el Problema 3.89 para la distribución del problema 8.g4. Resolver el Pr<¡blema 3.89 para ra distribuciorr del problema2.gg.

104
DESIGUALDAD DE CHEBYSHEV

ESPERANZA MATEMATICA

[cAP.3

g.g¿. Una variable 3.93.

aleatoria X tiene media 3 y varianza 2, lJtilizzr la desigualdad de Chebyshev para obtener un superior para (a) P(lX - 3l > 21, (b) P(lX - 3l > 1). lfmite
Demostrar la desi;ualdad de Chebyshev para una variable digcreta X. (Sugerencio; Véase Problema 3.30).

g.94. UnavariablealeatoriaXtienelafuncióndedeneidad f(r)=[c-ltl,-@ <r < -. (o)HallarP(lX-pl>21. Emplear la derigualdad de Chebyshev para obtener un límite Áuperlor de P(lX - ¡,tl > 2 ) y compararlo con el
resultado en (o).
Sean X1

1

3.95.

,

X2, . . . , Xn n va¡iables aleatoria¡ independientes cada una con función de densidad

f(r\ = [l/2 |. 0
Si S*

-1 <c<1
de otra forma

- Xr+ X2 + "' + X. demostrar que

P{ ljl -\l
LEY DE LOS GRANDES NUMEROS

_/ls"l \ _ i.l
"l /

|
3ne2

3.96.

Demostrar que la ley de los grandes números (en forma débil) puede establecerse como

e interpretarla.

l* "( l;-'l'')
^t( v

/ls-

I

\

=

1

3.9?. SeanX¡ (h:1, ...,n)

n variables aleatoria¡independientes tales que

| \o

(

orob. n prob. q

=L-P
¿qué interpretación

(o) Si X¡

representa

Puede darse

el número de caras en el k-ésimo lanzamiento de una moneda, 8 S' = Xt * "' +X'?
caao s€ reduce a

)

I)enostrar que la ley de los grandes nfrmeros parg este

e

interpretar egte resultado.

"trx

"(

/1s.,o1= |

l;-

'

1=

\

o

g.g8.

Sean

X¡, h = I, 2,. . . , variable¡ aleatorias independientes

cada una con función de densidad

f(r\ = -.+--^ TlL + r')
g.gg. (o)

-@<s<@

Demostrar que la ley de los grandes números no es válida en este caso'

Problema 3.98 se rempliaza por ¿Sería válida la ley de los grandee números si la función de den¡idad del

f(r):cl(l*rt)?

(b)

¿Es necesa¡io que existan todos lo¡ momentog nfimeros sea válida? Justificar su reqpuesta.

de una distribución para que lrr ley de loa gnndes

OTRAS MEDIDAS DE CENTRALIZACION

3.100. Hallar (o) la mod¿ y (b) la mediana de una va¡iable aleatoria X con función de dengidad

f(r) =
y (c) compara¡las con la media.

le-t {o

r¿0
deotraforma

cAP.3l 3.101. Resolver

ESPERANZA MATEMATICA
el Problema 3.100 si la función de densidad es

105

(at¡-¡z¡ l(r) = 1o ( 2

0<r<1
deotraforma

3.102. Hallar (a) la mediana y (b) la moda para la variable aleatoria definida por

y compararlas con la media.

x = i -t

prob. 1/3 prob. 2/B

3.103. Hallar
media.

(o

) la mediana y

(b

) la moda del conjunto de núrneros l, 3, 2, 1, 6, 6, 3, 3 y compara¡la¡ con

la

PERCENTILAS

3,104. Hallar los valores de la (o ) vigésima quinta y
función de densidad
f

(b ) septuagésima

quinta percentilas para la variable aleatoria con

(2(l-r\ (rl = iu

0.1

x!-L

de otra forma

3,10-5. Hallar los valores de la

(o ) décima, (b ) vigésima quinta, (c ) septuagésima quinta, (d ) nonagéaima percentila pa¡a una variable aleatoria con función de densidad

f

lc(r-rs\ (n) = i o
de densidad dada por

-1

.1

r{1

de otra forma

donde c es una coriatante apropiada.

3.106. Una variable aleatoria X tiene fr¡nción

f(u):
I)emostra¡ que la percentila 100p tiene el valor

(e-, 1n -ln
(1

rl:0
deotraforma
donde 0 = p

-p)

< l.

3,f0?. UnavariablealeatoriaXtienefunci6ndederuidad f(r)=ll"(I*r'2), de La percentila es tan (p - | lz)n donde 0 ( p ( 1.
OTRAS MEDÍDAS DE DISPERSION

-@

<n ( o.flemostrarqueelvalor

3.108. Hallar (o)

el recorrido, (D) el recorrido semi-intercua¡tílico y (c) la decviación media para

!r va¡iable aleatoria

del Problema 3.104.

3.109. Resolver el Problema 3.108 para la va¡iable aleatoria del Problema 3.105. 3.110. Expücar por qué el recorrido no es una medida de dispersión útil en el (o) Problema 3.106, (b)Problema
3.1 07.

11. g.ll2.
3.1

Demostrar que el recorrido semi-íntercuartílico para la va¡iable aleatoria del Problema 3.106 es

Ll2ln

3.

Demostrar que eI recorrido semi-intercuartílico para la variable aleaüoria del Problema 3.107 es 1.

S.1f

3.

Hallar'la desviación media de a va¡iable aleatoria X en el (o) koblema 3.106, (b) Problema 3.107.
de su media por más que el recorrido semi-in'

3.114. Obtener Ia probabilidad de que la va¡iable aleatoria X difiera
SESGO Y CURTOSIS

tercuartílico en el caso del (o) Problema 3.104, (b) Problema 3.106,

3.115.

Sea

/(z) = I| ^ 0

(c(1

-¡t¡

-1 <r:'1

donde de otra ^-.,_-, '. forma ,.

c es una constante apropiada, la función de densidad

de

la variable aleatoria

X. Halla¡

el coeficiente de (o) sesgo, (D) curtosie.

106

ESPERANZA MATE\'ATICA
para la distribución del Problema 8.106.

[cAP.

B

3.116. Halla¡ el coeficienüe de (o) eergo y (b) curtosio

3.117.
3,118.

¿Puede definir¡e un coeficiente de cu¡tosic para la distribución del Problema 3.10?? Jusüifica¡ su rerpuecta. Si

f(r)=1t
curto¡ii.

l"(1
Io

r/

l"l\ -;l

rl=a lr )a

donde c c. un¡ con¡tante apropiada. e¡ la función de den¡idad de X, hallar el coeficiente de (a) ceego, (b)

3-1i9.

Flalla¡ el coeficiente de (o) sesgo, (b) curtosis, para la distribución con función de deruidad

fk\={
PBOBLEMAS DTVERSOS

ftr¿-I¡ l0

r>0 ¡(0

8.120. Se¡ X una variable aleatoria que puede toma¡ los valore¡ 2, L, g con probaSilidadea 1/3, Ll6 y Ll2 respectivamente. Halla¡ (a) la media, (b) la varianza, (c) la función generaEiz de momentoe, (d)lafunción
cancüerf¡tica,
(e )

el tercer momento alrededor de la media.

8.121. Re¡oh¡er

el hoblema 3.120 si

X tiene función de den¡idad

f(r\ = {c(t-r\ [0
donde c es una cotutante apropiada.

o(r(1
de otra forma

8.122.
8.129"

Se

l¡n2¿¡ t¡es dados honrado¡ ¡uc.ecivamente. Hallar

(o )

la media y (b ) la va¡ianza de la euma.

Sca

X una variable ¡le¡tcia con función
f

de densidad

(r\ =

cr 1o
f

0=r<2
de otra forma

donde c es "'l constante apropiada. Hallar (o) la media, (b) la varianza, (c'¡ la función generatriz de momentoq (d) la función c¡racterfstica, (e) el coeficienüe de rergo, (l¡) el coeficiente de curto¡i¡.

8.124. Refuiéndo¡e al Problema 1.166, página 37, determina¡ el nl¡mq¡o de c¿rta¡
apropiado.
Si

eeperado que llegarán al dest¡no

8.12ó.

X, ftienen función de den¡idad conjunta |

f(x,u) = "ra 1o Haltar (a) E(X2 + Y2), (b) E({XzTF¡.

0(r(1,0<37(1
de

otn forma

3.120. Reeolver el Problema 3.126 8i X, Y ron variable¡ aleatoria¡ independiente¡ di¡ribuida¡ idénticamente con funcione¡ de densidad f(u\ = (2¡)-t/2e-!2/2, -@ < r¿ < €. 8.127.
Sea

X una va¡iable aleatoria con función de den¡idad

f(r)
y rea

= {j

;;j;;"

Y:

X2. Halla¡ (a)

E(XI,

(b)

E(f), k) E(Xy't.

cAP.3l

ESPERANZA MATEMATICA
paxe

ro7

3.128. Utiliza¡ el resultado del Problema 3.L27
sean independientes.

demo¡trar que podemos tener E(XY)

:

E(X\ E( Y) rin que X, Y

3.129. Demo¡trar que si { Y son variables aleatorias independientes, entonces Elf(X)g(Y)l = E'lf(X)l'Olc(üll donde f(X) y S|Y) son funciones de estas va¡iables. ¿Hay alguna reeüricción sobre est¿r funcioneo? Elplicar. 3.130. Si )( y son variables aleatorias con función de X, Y se define como
de densidad conjunta f(x,
?@ ?<

y) la función generatriz de momentot

M(t,u.\ = Elecx+r1 =

|

|

,tz+ut

f(n,ü dr d.u

(o) Hallar la función generatriz de momentos para la di¡tribución del Problema 3.125. (b) ¿Er la función generatriz de momentos de X, Y en este caso igual al producto de las funciones generatrices de mbmento¡ de X y Y por separado? Expücar su respuesta y decidir si este es el caso para todas las funciones de densidad conjunta.
3.131

.

f)emostra¡ cómo puede emplearse la f unción generatriz de momentoe del Problema 3.130 para hallar E(Xn Yn ) donde m y n son enteros positivos.

3.132: De acuerdo c.on el hoblema 3.130, ¿cómo defrnirÍa la función ca¡acterfrtica de X y Y? trustrar por medio
de un ejemplo.

3.133. Un juego conriste

en lanza¡ una moneda hasta que ap tezca una cara. Si e¡to lucede en el h-é.imo l¡nzamien' lia moneda ec honrada y dircutir el significado de su reepuesta (Eete juego se conoce como laporadojo de Son Petersburgol.

to un jugador recibe 2h dólare¡. Halla¡ l¿ esperanza ruponiendo que
Reeolver el Problem¿ 3.133 si la moneda ectá cargada. eon variables aleatoria¡ entonces
/t \ ¿

3.134.

3.135. Demostrar que ei X1 , . . . , Xn

var( )x* ) = k=r )va"(X¡.)* l*k cov(x¡xt) ), \t=r /
3.136.
3.f
Sea M(ú)

entonces (a) K'(0)

la función generakiz de momento¡ de la variable ¡leatoria X. Demoeha¡ que si K(ú) = ln.ltl(f)

= p = E(X),

(Ó) /<"(0)

=

o2

= Var (X).

37.

Refiriéndo¡e at íobtema 3.136, erpreear (o) el tercero y (b) el cua¡to momentos en t&tninoc de K y ¡r¡¡
derivada¡ evaluadas en

t:

0.

3.138. Obtener

resulüados correepondientes a los Problemas 3.136 y 3.137 para la función ca¡acterf¡tica. de den¡id¡d

3.139. Sean Xt, Xz, . . , , Xnvariablee aleatorias independientes distribuidas idénticamente con función I l/2a l(t) = io
donde o

lrl I

a

deotraforma

)

0. Hallar la función ca¡acterfetica de

xl + x2+ ... + xn \/"
Comparar 3.140. (a) Demostrar que cuando ,r + € l¿ función ca¡acterí¡tica del Problema 3.139 tiende ¿ con los hoblema¡ 3.75 y 3.76. (b) ¿Qué conclusionee puede extraer acerca de los lfmites "-a2/2. de la¡ di¡tribuciones en los dos casos?

Capítulo 1
Distribuciones de probobilidod
con nombre propio
DISTBIBUCION BINOMIAL O DE BERNOULLI

un experimento como lanzar una moneda o un dado repetidamente, uma repetidamente, etc. Cada lanzamiento o a hay una probabilidad asociada con un suceso a o la selección de una bola roja. En algunos cas a pmeba a la siguiente (como en el lanzamiento de la rñoneda o del dado). A estas pruebas se 9" }n" leg lln'na independienfes y se conocen como las pruebas d,e Bernoulli en memoriá de Jamej Bernoulli quien las investigó a finales del siglo XVII.

Supóngase gue tenemos

probabi prueba
Sea

i:'aJ"Ti:i"3:"::T:xll"!'llff$:J,:
ada

pruebas

de que el suceso ocurra.r veces en n por la función de probabilidad

r)rqt.r donde la va¡iable aleatoriaX denota el número de éxitos en n pruebas y r : 0, l, . . . , fl.
EJEFLO 4.1. La probabilidad
de obtener exactamente 2 ca¡as en 6 lanzamientos de una moneda honrada es

f(r) :- p(X:n) = (])r,n"-, = ¡f_;¡

(r)

PIX=2) =

/e\/rf/r\6'? \,,,
\2/t\Z/
)

_

/r\=/1 'zÁ\!/ \, ¡o-z )

6:

lb
61

puesto que para

La función de probabilidad discreta (f ) con frecuencia se denomina distribución bínomial r = 0, 7,2, .. . , n correspondb a los términos sucesivos enlaexpansión binomial

\q+p)'

= o"

* ('i) q, 'p + (i)0" ,u, *

+ pn

: á ('1'1r-,,,-,

(2\

También se llama distribución de Bernoulli. Una variable aleatoria con la distribución (f ) se dice que e¡tá distribuida binomiabnente o es de la distribución de Bernoulli.

AIÁI.JNA.S PROPIEDADES DE 4-L.

LA DISTRIBUCION BINOMIAL

Algunas de las propiedades importantes de la distribución binomial se presentan en la Tabla

EJEMPLO 4.2. En 100 lanzamientos de una moneda hon¡ada el número esperado o media de cáras es ¡r = (100)($) =
60 en tanüo que
La

desviación tÍpica es o

: y'jfbo¡rr¡}¡ :

g.

cAP.4l

DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO
Tabla 4-l Media Varianza Desviaciírn típica

109

!

'np

o2 .. tt'l¡q

o =

ytirytq

Coeficiente de

sesgo

_ q"
|LIft¡

p

v npq

Coeficiente de curt<¡sis Función generatriz de momenCos

l-6pq
y npq

=

ft¡

l- yter)n

Función característica

4,6) = (qIpe,.)"

LA LEY DE LOS GRANDT]S NUMEROS PARA LAS PRUEBAS DE BERNOULLI
pruebas de Bernoulli y se presenta en el teorema siguiente.

La ley de los glandes nümeros, página 84, tiene una interpretación inüeresante en el caso de las

Teorema

4-1

(Ley de alealoria proporci
ro positivo,

núrheros para las pruebas de úmero de éxitos en n pruebas Entonces si p es la probabilidad

li,

:

Sea

así € es c

l'*"(l

{i_ rl ,.)

:

o

(3)

En otras palabras: a la larga se hace extrer¡ailamente factible que la proporción de éxitos, X/n, sea tan próxima como se clesee a Ia probabiliCad de óxitc¡ en una sola prueba, p. Esta ley en un sentido justifica el em¡r!+n de la definición de probabilidad en Ia página 6" Un resultado rnás fuerte lo suministra la iey de los glandes nülner<;; en forma fuerte (págrna 84) que establece que con protrabilidad uno lirn .\/r¿ --: ,l/, es decir X/n realmente conuerge o p excepto en un caso despreciable de casos.

DISTRIBUCION NORMAL

Uno de los más importantes ejemplos de una distribución de probabilidad continua es la distri' bución normal, algunas veces denominada la distribución gaussian¿. La función de densidad para la distribución está dada por

f(x) :

-L-¿--r'-r'r2':'2 o¡/2-

-co <'t <

oo

(¿)

donde p y o son la media y la desviación típica respectivamente. La función de distribución conespondiente está dada por

I-(r) = P(X<r) : -!-; f' o\/Zr -'t

¿-'"-u''/b'd1)

(5)

A parür de esta tabla se pueden encontrar las á¡eas entre dos ordenadas cualesquiera utilizando la simetría de la curva al¡ededor de z : 0.99?3 (10) ¡$$.110 va¡ianza DIsrRIBucIoNEs DE IRoBABTLTDAD coN NoMBBE pRoplo [cAp. La función F(z) eú(z) = z-frÍr' e-u'd. Esto quiere decir P(-1<Z=L) = 0.96.". Tenemos z de la variable tipificada el wlor tipificado.z.. 4 En este caso decirnos que la variable aleatoria X está normalmente distribuida con media g y l. algunas veces conocida como la curva normal tipificda. du = + # fo' ..73% del área total.. que es uno.68.2 y 3 desviacionestÍpicasde lamedia(esdecir entue z: -1y * L.9545.-2y I2. resultando de f(z) : le-"'" V2" . 99.z: + . du (s) se Algunas veces llamamos al valor encuentra relacionada con la función enor.6827.73% Fig. 4-l z En el Apéndice C se presenta una tabla que da las áreas bajo esta cun¡a limitada por la ordenada O y cualquier valor positivo de z.451/" y 99. La función de distribución correspondiente está dáda por F(z) = P(Z < z) = I t/2" Í'-"-. Si hacemos que Z sea la variable normalizada correspondiente a X. P(-3< Z<3) = 0. En este caso la función panZ puede obtenerseapartir de (4) alremplazar! = 0V o: 1.u y F(z) : á['.-. *t(ft)] (e) En la Fig. es decir si hacemos (6) z=r= entonces den¡idad la media o el valor esperado de Z es 0 y la variartza es 1. ert (z).27%. (r) Este resultado se conoce frecuentemente como la iunción o la distribución de densidad normal tipif!eada.8 yque3) las cuales rcn iguales aJ. En esta representación gráfica hemos indicado las áreas dentro de L. : .. 4-1 se muestra una representación gráfica de la función de densidad (7). P(-Z=Z<2) = 0.46%.Nl/s-> 96.

1.. Poisson.t7).D. que da los valores de e-r para diferentes valores de ). . y en el límite es total.. tal que la función (1g) de probabilidad de f(r) = P(X--x): {] r=0. se llama la distribucíón dePodsson (en memoria de S.rup)ll/nfiqes t¡m P(a= (12) normol asintóticamente. DISTRIBUCION DE POISSON Sea X una variable aleatoria discreta que puede toma¡ X esté dada por los valores 0.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 111 ALGUNAS PROPIEDADES DE LA DISTRIBUCION NORMAL Algunas de las propiedades importantes de la distribución normal general se presentan en la tabla siguiente. .. . .cAP. (Véase Problema 4. El hecho de que la distribución binomial tiende a la distribución normal puede describirse aI escribir Literalmente. ALGUNAS PROPIEDADES DE LA DISTRIBUCION DE FOISSON Algunas de las propiedades importantes de la distribución de Poisson qe presgnf¿rr en la tabla siguiente. o utilizando logaritmos. Esta airi¡Uu"iór. la distribución binomial puede aproximarse estrechamente a la distribución normal con vaúable tipificada dada por z = 4_ll vnpq (rr) Aquí X es la variable aleatoria que da el número de éxitos en n pruebas de Bernoulli y p es la probabilidad de éxitos. La aproximación es tanto mejor conforme aumenta n. donde tr es una constante positiva dada. Tabla 4-2 Media Varianza Desviación típica 02 o Coeficiente de sesgo Coeficiente de curtosis 0l=0 01 D Función generatriz de momentos Función característica II(t) : ettt+(Ú2t2/2) é(r) = "itto-'{'r2a2/2) RELACION ENTRE LAS DISTRIBUCIONES BINOMIAL Y NORMAL Si n es muy grande y ni p ni q están muy próximas a cero.¿r) : L J" f"-u2tz ¿r. decimos x -'p . En la práctica la aproximación es muy buena si ambos np y nq son superiores a 5. Los valores de f(r) en (13) pueden obtenerse empleando el Apéndice H. 2. n+€ \ vnpq / 1/2n que la variable aleatoria tipificada (X ..2. L. quien la descubrió a comienzos del Siglo XIX) y una variable aleatoria con esta distribución se dice que está distribuida de acuerdo con la distribucién de Poisson.

Podemos demostrar que si X es la va¡iable aleatoria de Poisson de (I3) y (X .4 a2=tr Desviacióntípica Coeficiente de sesgo I "=rA n¡ -.J. '.1.qN1-yp=OenlaTabla4-1 obtenemoslosresultadosdelaTabla4-3..7/t/i ".. . ya que al remplazartr:np. En tales casos l¿ distribución de Poisson (I3) con tr : np. .. .2. . T'¿orema . TEOREMA DE¿ LIMITE CENTRAL l . .ó (X. Entonces si S. (1 4) estoes..TL2 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Tabla 4-3 Media Varianza lcAP. .. va¡iables aleatorias independientes que están distribuidas idénticamente (es decir todas üenen la misma función de probabilidad en el caso discreto o función de densidad en el caso continuo) y tienen media p y vatianza u2 finitas. entonces En la distribuci sucesoestácercad la práctica conside grande :1- es raro l'* "(" x-r 1A :j ¡r ) : . Xrl-Xr -1.f es La semejanza ent¡e (1 2) y (14) naturalmente nos conduce a preguntarnos si existen ohas distribuciones ademas de la binomial y la de Poisson que tengan la distribución normal como c¿lso límite.t. Efectivamente esto sucede. Xr. se deduce que hay también una relación enhe las distribuciones de Poisson y normal. (r¿ . 4-2 (Teorema del límite central): Sean X. = n-ú \m P( \ a s" = -l'¿ o/?? = o) / = .).l-= ('". (15) . Esto se ve comparando las Tablas 4-7 y 4-3.r)/V[ es la variable a]eatoria tipificada correspondiente.. El extraordinario teorema siguiente revela que realmente una gran clase de distribuciones tienen esta propiedad.ladishibución de Poisson tiende aladistribución normal a medida que n or mal asi n tót i came n te.r)/V.t* Í"'" '2t't ¿...'. V2=.. +X. .u d. Coeficiente de curtosis | = 3 + 11/x) Función generatriz de momentosl Il(t\ "rrrr--l) I Función caracteristica I O(") = -- ¿tr(c'(¿-r' RELACION ENTRE LAS DISTRIBUCIONES BINOI\ÍIAL Y DE POISSON mientras que np es menor que 5. RELACION ENTRE LAS DISTRIBUCIONES DE POISSON Y NORMAL Puesto que existe una relación entre las distribuciones binomial y normal y entre las distribuciones binomial y de Poisson.

.P: ¡'/\b + r\..il \?¿i (b\( r \ (1e) Esta es la distribuci. entonces p(x _ rl = V¿lu\r* .ón hipergeométrica.llt. esto es ..--r.3.2. n" entonces P(Xt.AppuedenocurrirconprobabilidadesPt.. escoge una bola aleatoriamente.. . se mento..*Pz Xe sonlasvariablesaleatoriasrespectivamentequedanelnúmero devecesqueA¡. entonces empleando la distribución binomial (/ ) vemos que la probabilidad de r éxitos es (r 8) ya que p: bl\lt'tr).An ocurreenuntotaldenpruebas...Xo=2\ = z..+ p.cAP.. Xr. En tal caso si X es la Este tipo de experimento se conoce como muestreo variable aleatoria para el número de bolas blancas escogidas (éxitos) en n pruebas. Si un dado honrado se lanza 12 veces. se llama la dístribución * pz * "' 1.en ét cü¡ se to...Pz..'rXk.Xr.pedondePt. S..3.hPz. que es una generalización de la distribución binomial. es Xr. . + ph)" ...Ak'ocurraennpruebassonnpr..uv.5 y6exactamentedos veces cada p. Ar.x:-2.... la variable aleatoria (5"-np)/"1/ñ. laprobabilidaddeobtener uno es ESta distribución.l.-6P\'P')'' "P'. . * n.. .A2.hur(.-. q --. E(Xr) : rlp2.xix*x¿xlxá)' #.demodoque X1 -lXz* "'*Xt = +.:1" SiXl . se cumple cuando son variables aleatorias independientes con la misma media y la rnisma varianza pero no necesariamente distribuidas idénticamente. que es Ia variable tipificada a normal asintóticamente. es Si modificamos el experimento anterior de modo que el rnuestreo sea sin remplazamiento... decir las bolas no se regresan a la caja después de seleccionarse..4..1. El teorema también DISTRtrBUCION MULTINOI\{IAL SilossucesosAl. respectivamente. es verdadero bajo condiciones más generales.. rr] ..4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 113 es decir. = 000344 ElnúmeroesperadodevecesqueAt. Xr.x. por ejemplo. + flh : f.=Z.... Xz:Tt2¡ donde .. conjunta para las variables aleatorias multinomial puesto que (16) es el término general en laexpansiónmultinomiald" (pt EJEMFLO 4. La media y Ia varianza paxa esta dist¡ibución son .Az.ftPn E(X1\ -' np1.* (16) n.. + . E(Xk) = nqk (17) DISTRIBUCION HIPERGEOMETRICA s n pruebas de un experiSuponga que una caja contiene b bolas blancas y se regresa la bola a la caja. Xr=nx) : nr. es la función de probabilidad Xr.

párySna 109.a)/(b-a) a< n <b rzb |1 f o r<a (27) La media y la varianza son respectivamente u = |@+b) DISTRIBUCION DE CAUCHY Una variable ". entonces . (281 X tiene la dbtribución de Cauchy.n'-" o2 = 'ILPQ p=nP esperábamos. r=Nq (21) (I9) V e0\ se conviertan respectivamente en P(X = x'¡ = (22) p--nP Obsérvese que cnando (23) escribirse como N -+ .(ó N es grande comparada con n).p respectivamente. si la función de densidad de X es (2el .114 DISTRIBUCIONES DE PBOBABILIDAD CON NOMBRE PROPIO [cAP.4 (20) 'tL -: D+r nb Si consideramos que el número total de bolas blancas y rojas es N. en tanto que las proporciones de bolas blancas y rojas 6onp y q = L. Los resultados son los que N gmnde el muestreo sin remplazamiento realmente es idéntico al nuestreo con remplazamiento. ya que para (25) de acuerdo con las primeras dos entradas de la Tabla 4-L.=#=*. = i@-a). DISTRIBUCION I'NIFORME Una variable aleatoria X está distribuida uniformemente en a 3 fi 3 b si su función de densidad es f (t\ = Il/(b-a) {o a<r<A de otra forma (26) y la disbibución se llama duúnbución uniforme. (221 se reduce a (I8). La función de distribución está dada por F(rl = P(X = x) = j (t. que puede (24) p(x=t:) y (23) se reduce a = (I)o.s=#=# de modo que 6 b=Np.

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

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

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

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

1"1 ¿=j ( f(s) = rL o6*t-r {o 02 "-axt r<o * = o-'. Si C denota "cara" y S denota 'rlellot' y derignamos CSC. (c) al menos 1 cara. ccs.zar una moneda honrada tres veces resulten (c) 3 caras. Estoe lon ccc. hay untotalde (2X2)(2)= g re¡ultados poeibles. Distribución Maxweü. en el erpacio mue¡tral.(r i) .b[. es decir puntoc muesEalee. (d) no más de un sello."(t.1.2óScarar) : P(l ca¡a) * P(2 carar) * P(3 carae) : P(CSS U sCs U SSC) + P(CCS U CSC U SCC) + p(cc?) :P(CSS) +P(scs) + P(ssC) + P(CCS) +P(csc) + P(Scc) i P(CCC\ = | ¡s . Hallar la probabilidad de que al lall. P(2 sellor y 1 cara) = P(CSS U SSC U SCS) =p(css)+p(ssc)+p(scs): (c) P(al menoc una cara) ¿+*** = 3 :P(L.'r(r / + |) - a-2.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 119 3. csg css. Puesto que en ceda lenzamiento pueden ocu¡rir 2 posibilidedec (cara o rello). para rignificar cara en el primcr lanzamiento. DishibuciónWeibull. Distribución exponencial fkl = { lae-"' c)0 n=0 L0 M(t)= q.cAP. 4. f(r) lt= )o-l Problerna. Por tanto (o) P(3 cetar) = P{CCC¡ = } (b.llo en el regundo y cara en el tercero.-t fi > O t'=. (b) 2 sellos y una cara. por ejemplo.+)] r >0 Í <0 5. ssq scq scq sss Para una moneda honrada a e¡to¡ re¡ultado¡ re ler asignan probabilidadee iguales de 1/8.a resueltos DISTRIBUCION BINOMIAL 4. c. Método 1.

ó 3 caras) : * P(2 caras) * P(3 caras) = /'\/l\'/t\'. NOMBREPROPIO [CAP. Usaremos ambos de los enfoques intercambiablemente. (c) puede escribirse P(al menos una /s\/r\'/r\o /s\/rY/r\ = \s/\rl \ü -\.I2O DISTRIBUCIoNES DE PRoBABILIDAD CON De otra forma.)'(i)'= á (b) p(zserrosunacsra) :: (. /l\/tYll\'= . (b) máximo una vez. cara) = I'(X ¡-- 1) = P(X = 1) + P(X =2\ * P(X: 3) . (o) p(scaras) = (l)(.r)\t)\r) . -1t\irY/'\'= \0/\2i \2/ (d) P(no más de un - P(ninguna cara) 1 8 sello): P(0 sellos o 1 sello) : P(0 sellos) * P(1 sello) 1 Debe menciona¡se que también puede usarse la notación de las va¡iables aleatorias. qr" X.X. Tenemos (c ) dos X él número de veces que un 3 aparece en lo¡ cinco lanzamientos de un dado Probabiüdad de 3 en un solo lanzamiento = o=I q = t-U : * Probabilidaddeno3enunsololanzamiento =' (o) P(Bocu¡ra2veces) = P(x-2) /l\llYll)' = i"' 3888 \2/\6/ \6/ .)'(. Sea la va¡iable aleatoria honrado.á . 4. Halla¡ la probabilidad de que en cinco lanzamientos de un dado honrad o aparezca 3 veces..2.)'= P(1 cara) 3 (c) P(aI menos 1 cara): P(1. (c) al menos dos veces. i 8 P(al menoe 1 cara) : 1 : .\t/\t/ \z/ \z )\zl \zi \3 l\2) \2 / De otra forma. 4 P(almenosunacara): |-P(ningunacara):1-P(SSS): t -á = 3 (d) P(no más de un sello) P(0 sellos o 1 sello) = P(0 sellos) * P(l sello) : P(CCC) +P(CCS u CSC U SCC) : : P(CCC) + P(CCS) + P(CSC) +?(SCC) 4l 82 Método 2 (empleando fórmula).' /'\lrY/l\'. Aeí por ejemplo si seleccionamo.2.sea la va¡iabié aleatoria que denote el número de caras en los 3 lanzamientos.

-l 16 = E 16 = 1 -P(ningún niño) -P(ninguna niña) =1-1-1-1 -16168 También podemos resolver este problema si X e! una variable aleatori¡ que denota el número de niño¡ erl fa¡niüa¡ con 4 hijos.= 8-888 (c) P(3 ocurra al menoa 2 veces) = = P(X>2) P(X =2) * P(X=3) * P(X=4) * P(X=5) = ll)/1\'19)'** II)/l\'/q)'* /u)1lY11\'. -' /t\/ 1l\'/+)' = t.i \t/ \t/ = 2 8 p(4 niños) = (l\ /1)'11)'= f x-/\z) \z/ . HaIaf la probabilidad (o) p(lniño) p(3niños) Entonc.4.zL (b) P(3 ocurra máximo vez) = P(X 1) = P(X = 0) * P(X = 1) = = 1l\/rY1¡\'*' ¡s) /r\'/rY .\s/\z) \z/ .ooo (lf) = 2000 18?5 Número esperado de familia¡ con 2 niño¡ 20OO ' P(2 niños) ó 2 niñas) = (3) = \ó. \r \zi\z/ .cAp.16 P(2 niños) : P(l niño) * P(2 niños) 16 16 * P(3 niíror) * P(4 nlñoa) 1 3 1 1 4 8'./s\/t\'/qY \2/\6i \6/ \'i \ei \o/ * \o/\e/ \6/ * \s/\a/ \a/ 626 r25 25 1 763 .4 16 Otro método.L' = /1\/1\'/l)'= l.i tUO (c) P(l : P(l niña) * P(2 niña¡) niñoe) :P(l niño)*P(2 : I +3 : * . (c) 1 ó 2 niñas. (b) 2 niños.es sea niño y al menos 1 Ll2.3.3 vemoe que (o) (b) N(rmero esperado de familia¡ con al menos 1 niño = .3888 4... (b) al menos 1 sea niña.. por ejemplo. P(almenorlniño):1-P(nir¡gfrnniño) = l(b) P(al menos 1 niño y al menos una niña) ll)t \2/ = . (o ) ee coüvierte en P(X>l) : P(X:l)*P(X=2)*P(X=3)*P(X=4) = 18 4. P(al menos 1 niño) /t)l+)'ll\' = \. Suponer que la probabilidad del nacimiento de un varón es t-. (d) ninguna niña? Refiriéndonos al Problema 4. De 2000 familias r-:on 4 niños. ¿cuántas calcula deben tener (c) al menos 1 niño. Entonces. de que en una familia de 4 hijos (c) al menos 1 sea niño. 3725 3125 = n76r n76.\o/\6i \6/ \r/\oi \o/ 3125 . 4l DTSTRIBUCIONES DE PROBABTLIDAD CON NOMBRE una PROPIO '.3888 ' 3888 ' 7776 ' 7776 .

L22 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. Médodo 1.r. (b) 0.0. Entonces es g : I . de un tornillo no defectuoso va¡iable aleatoria X el nl¡mero de tornillos defectuosos.rt't0.2.pet¡" Xi ' |0 {[1 si fracaso en la prr. determinar la probabiüdad de que de 4 tornillos escogidos aleatoriamente (a) 1. P(al menos un ? en tres lanzamientos) = | ...4 Número esperado de familias con 1 ó 2 niñas = tZOOOill) ' '\ 6 / \/ = 125 1250 (d) Nfrmero esperado de famiüas sin niñas = (2000)( i ) = 4.Entonces P(ningrrn z en B lanzamienros) En un lanzamiento de un par de dados honrados la probabilidad de un 7 es p:1/6 (véase Problema 2./ ) _)p.46e6 ffi ? .q" .nba j-ésima si éxito en la prueba j-ésima U=1'2.6. Para una secuencia de n pruebas de Bernoulli definimos n /n\ '?n ('/tr"')'0"-' (a -l. \r/ Entonces la función generatriz de momentos está dada por M(t) = E(etx¡ = )etxf(r'¡ n /n\ = ¡=0 . Si el 20 % de los tornillos producidos por una máquina son defectuosos. HaIIar Ia probabilidad de obtener un total de 7 al menos una vez en tres lanzamientos dé un par de dados honrados.46e.8)r = ¡..0.6.:: =:"0.' (0. La probabilidad de un tornillo defectuoso e8 p :0.. (ü) p(X = 0) = (c) P(x <e) = (fi)to.detalmodoquelaprobabilidaddenoTenunsololanzamientoesq:1-p:516.8.n" .'(\*. página49). sean defectuosos.1. f (r) P(x = r) = (!\o. (c) menos de 2. Sea la (o) P(X: t) = (rn ).p:0.n) . = = Método 2..8)a = s.. = 1:)l+Y/q\' \"/ \"/ \6/ - r25 216 y 4. 4... Si X está'distribuida binomialmente.7.l# = fr X que está distribuida Hallar la funCión generatiz de momentos de una variable aleatoria binomialmente.

'EBAS DE BERNOULLI 4.n) (Q Entoncee por el Teorema 3-9. págirra 84. Demostrar el Teorema 4-7. :-.. tenemos.) Í+ó \l ?¿ -l = / = 0 El resultado también se deduce directaménte en el Teorema 3-19.esdeciresperamolque40tornillosesténdefectuo¡os.lro.e*pet M(t) = M tQ) LI2Q\' ' ' (i=1. v (3 ) se convierte en P(lz -.t/V6d. o =. de Los resultados anteriores también pueden obtenerse (pero con má¡ difrculüad) derivando la función genaetriz momentc (véaee Problema 3. como se requiere.i . (b) l'Iananza o2 : npq: (400) (0.1..2..10. y1 E(X) = 0q*Ip = var (x. n.38) o direetamente de la función de probabilidád (véace Problcma 4.. Si la probabilidad de un tornillo defectuoso es 0.npl > k1/i-npq) < i ó (3) Si hacemos c = k \l T. Procediendo como en el Método 2 del Problema 4.IMEROS PARA LAS PRI.. 2. 4.7 tenemos para/: L." *Var(X) = npq donde hemos utilizado el Teorema 3-7 para o2 . . .)(0.1 ):40. con S. Por la desigualdad de Chebyshev..q Entonces o2 p:E(X)=E(X'\+E(X2)+"'+E(X")-np = Var(X) = Var(Xr) *Var(Xz) +.1 = .9. página 80.la ley de los grandes números (en forma débil) pa¡a las pruebas de Bernoulli. Demostra¡ que la media y la varianza de una variable aleatoria distribuida binomialnente son p: np Y o2 : npg respectivamente. = X. LEY DE LOS GRANDES NT.9) : 36. halla¡ (a) la media y (ó) la desviación tipiticada para el número de tornillos defectuosos de un total de 400 tornillos.) + (r - p)2p = i)".cAP. página 83.)l*.. li* Pll{-.t y varianza 02 Íini- (r) en tol P(X-11 -ko\ flp.i)'== . o - {-npq.1. tt = flp.8.y (I)rc convierte En particular si X tiene distribución binomial o de Bernoulli. (o) Medialt:np:(400)(0.L52\. .'* Xn. M"(t) - 'f pst¡n 4.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L23 de momento¡ Entonces las X¡ son independientes y tenemos X: Xr * Xz *.) / \ 14 'l y tornando el límite cuando n -+ @ = 2+ ¡4r. entonces ¡. si X es cualquier va¡iable aleatoria con media tas. entonces F = P(lX. Pa¡a la función geraeratr:iz Mj(t) = stoqlettp . Por tanto la desviación tipifrcada o = y'56 = 6.

(c) entre z : -0. es el área pedida y representa la probabiüdad de que Z estÉ ent¡e O y 7.+e "-u2t2f.81 = Z = L.27.4864 : 0.i77Z + 0. Dar una interpretación de la ley de los grandes números (en forma débil) por la aparición de un 3 en lanzamientos sucesivos de un dado honrado.rz¿u (c) ñ J" Area pedida .94) O y z = 0.2.12. Halla¡ el área bqio la curva normal tipiñcada (a\ enfte z: Q y z: 1..as 0.a'ley de los grandes números establece en este caso que la probabilidad de la proporción de los 3 en n lanzamientosdiferiendodel/6pormásquecualquiervalor€)0tiendeaceroamedidaquen-+€.(área enhe z :-0. 0.3849. represenüa la probabilidad de que Z eaté entre -0.gg4g z=O .68 sz=o) = -! l'o {2¡ J = | r' -o.6636 e-ú'/! clu = 0.28. 0.!772 + 0.46 " 1 e-u. proceda a la derecha hasta la columna 8. = "-u!/t 0.t _o.68 (por simetría).2I) : O. [.46 y 2.46) * (área enbe z:0 y z : 2. ee el área pedida y representa la probabilid¡d de que Z eté entre -0.2. baje por la columna ma¡cada con z hasta alcanzar el valor /.211 = + (''" {2r . DISTRIBUCION NORMAL 4.68 y z : 0. P(-0.941.68 y 0.94.25f ? El área.ildlt + _= |^2 ¿¡ = O.2L) : (área entre z : O y z : 0.0. Entoncee.Luego proceda a la derecha h¡sta la columna marcada 0.¿ ¿-uzr!¿u = -! Jfo \E = ___1__ -o.6636.81y z = L.L24 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.2517. (d) entre z: 0.4 4. Por tanto .11.46 f ZÉ2.46 y z : O) * (área ent¡e z : O y z : 2.4738 - : 1. El resultado.68 "- u.6. Por tanto P(-0. (e) a la derecha de z: - L.(b) entre z:-O.1828 O yz ) lo mi¡mo que P(0. . \. El recultado.C.u + t/2" 'lo + ('"' "-u2tz 1¿4 2l 10. Por tanto P\0=z=r.L (o) Utiüzando la tabla en el Apéndice. baje por la columna z basta alcanzar el valor 0.81 0.4964 | t/Zt Js \/2r Jo "-uz/z 1 (d) Area pedida : (área entre z : : E¡to es - (área entrez : 0.46 y z: 2. 4-3 (b) Area pedida : área entte z : O y z: *0.2) = | {u ¡rz Jo ¿r.=12 Fig.21.2910 = 0. Por üanto'.

Area entre 0 y z es 0. Area entre z v -t'5: 9ü.O2l7 : Entonces el á¡ea entre z).5 y 0' (c) Si z fuera positiva el área sería mayor que el área entre que es 0. z : -t.4549 y z: l'ig.28).4332- : 0.5. 4.1 y bajo la columna 6.4-ll -1.5 kg en unidades tipificadas 68.30 47. El peso medio de 500 estudiantes varones de una universidad es de 68.5 )/10 .(área entre 0 y z) (área entre 0 y z) 0. o. (b) Puesto que el área es e-tt/2 du = 0'3770 mayor que 0. o.5 kg y la desviación tipiiicada es de 10 kg. Si "área" se refiere al área bajo la curva nonnal tipifrcada.3997 + 0.5 y z : 0.5 kg en unidades tipificadas : (71.5.5: 0.35.5: 0.4332.0217.16 es otro valor de z. Entoncec la z pedida es 1. -1. (a) En la tabla en el Apéndice C.O2l7 + 0.5.L6. por tanto z debe ser negativa. suponiendo que se regis' han al valor de kg más próximo.5 y 71. Caso 1: z es negativa pero a la derecha de -1.5:0. El problema es equivalente a resolver para z la ecuación rfz G ).4332- Entonces el área entre 0 y z es cual e: -1.0277 (árca entre -1.4115 de lo 2: z es negativa pero a Ia izquierda de -1. (b) más. de lo cual z:1.16. Area entre -1.:1Tí"11u (área entre 0 y O. 4.13.3621. Por simetría. hdlar el número de estudiantes que pesan (a) entre 48 y 71 kg. Por tanta z: + 1."O. el valor 0'3?70 se encuentra a la derecha de la fila ma¡cada 1. Caso 0.28'y z = O) T 1área a la derecha de z : 0) = 0.4332 :0.14.5 y z sea 0. (c) el área enhe - 1.3??0.O2L7 : 0.8621.7O ?1.cAP.8997 Esto es lo mismo que P(Z > -1. Suponiendo que los pesos están dishibuidos normdmente.5)/10 68.5: -2. z : -1.09.694 utilizando interpolación lineal.8621 . con menos precisión.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROP¡O Area pedida L26 (e) - (área entre z: -t.5 kg. 0 y z esO. : (47 .de 91 kg.5 y 0 ) . hallar el valor o los valores de z tales que (a) el área entre 0 y-z sea 0. (b) el área a la izquierda de e sea 0.4332. z debe ser positiva.69. (o) Los pesos registrados entre 48 y 7l kg pueden realmente tener cualquier valor entre 47.0.

30 = 600(0. Determinar el porcentaje de lavado¡as defectuosas producidas por la máquina.0107 es 2.30 Entonces el número de estudiantes que pesa más de 91 kg Fig.6000 Entonces el nfimero de estudiantes que pesa entre 48 y 7f 500(0. El propósito prira el cual se han diseñado las lavadoras permite una tolerancia máxima en el diámetro de I.(área bajo la curva normal entre z : L. 4. podemos resumir los resultados anteriores en términos de la probabilidad al escribir P(47. d1) = "ut'<o2t2/2t (J-ú "-tr-ort" l/2" . 1.I.2) yz Proporción de lavadoras no defectuosas . La media del diámetro interior de una muesha de 200 lavadoras producidas por una máquina es 1.300) 0.2 L.275 cm y la desviación típica es 0.6)/10 : 2.10 y z Ol * (área eítte z = O y z : 0.2 .7698 ó O yz : 77% -1.9tOt 4.30) 0.10 y z:0.266 a 1. 4-r3 Si W denota el peso de un estudiante escogido aleatoriamente.5<W<71.600) kg.4821 + 0.(dos veces el área enhe z : = 2(0.26 s 1.0125 cm. 1-14 Obsérvese que si consideranros el intervalo L.2) .29 cm como representando realmente los diámeüros de¡de L.2 -77% = 23%.SO) (área a la derecha de z : 0 ) .4893 = 0.0126: L. r. .2 Por tanto el porcentaje de lavadoras defectuosaÁ es 10002 Fig.(área entre z : O y z : 2.29 cm.5 .26 a 1.26 (1. suponiendo que los diámetros están dishibuidos normalmente.11.L26 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.26 en unidades tipificadas 1. etrt+oot-tu2/2.1179 = kS ee 0. (D) toe e¡tudiantes que pesan más de 91 kg deben pesar al menos 91.O]-25: -1. (área a la derecha a.010?): $.30) : (área entte z: -2.5 Proporción pedida de estudiantes 91'5 kg en unidadee tipificadas: (91. M(tl = E(etx¡ = L= Remplazando (x ot/2r J -- (' ette-(t-tD2/2c2 dtr g. de otra forma las lavadoras se consideran defectuosas. el resultado anterior se modifica ligeramente.275')lO.l.91¡ = 6. Sin embargo para doe cifrar significativag los resultados son iguales. .275)l O. Hallar la función generatrrz Tenemos de momentos para la distribución normal general.2 : -7.5)=0.3849) = 0.4 Proporción pedida de estudiantes : : = (área entre z = -2.5 - 0.1. : Z.tt)lo: uenlaintegralde M(tl = -= | \/2r J-14q modo quer:¡¡+ dx: o d4 tenemor dt.68.600 P(W -.295 cm.29 . = 300.16.29 en unidades tipificadas : : (1.

(o ) Sea X la variable aleatoria que da el número de carag en 10 lanzamientos. Tqqbié"r!g_.7784 Probabilidad 2341678 Nfrmero de caras Fig. (b) la aproximación normal a la distribución binomial.#*¿%*# 03 = # = 0.) ffi. La probabilidad pedida es la suma de las áreas de los rectángulos sombreados en la Fig. Hallar la probabilidad de obtener entre 3 y 6 caras inclusive m 10 lanzamientos de una moneda honrada utilizando (c) la distribución binomial.95 Probabilidad pedida : : z: -1.-o) l+Y 5 ll)' : .5 .4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L27 Entonces sustituyendo u - ot: u hallamoc que ettt+(c2t2/2)( M(t) : + f\t/2" J-* "--.4429 + 0.X.6..5)/1.58 6. Cor¡siderando los datos como conünuoe.* "á Ar P(X=A) /ro\/fY/r\'_ = \4 /\z/ \z/ P(X=6) = 106 stz /to\/r\o/r\n _ = (.58 y z : 0.7734 que se compara muy bien con el valor verdadero superiores de n.5 en unidades tipificadas : (6. Entonces dadas por/r= np=10(4\= 5yo = {nw = y'(10)(+)(+) 2.es la probabilidad pedida es P(B=x<6) = #. Entonces p(x=B\ = P(x ('f)(.¿*\ / = ewt+(ozt2/2) APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 4.58: 0. en la Fig.58.)\. se'deduce que 3 a 6 caras pueden considerarse como 2.E \ /\2/ \2/ =5) = l.cAP.5)/1.7718 (área entre d. mostrada a trazos. 4-r5 23{587E Nfrmero de caras Fig. 1-16 (ó) La distribución de probabilidad para el número de caras en 10 lanzamientos de la moneda se presentan gtáficamente en las Figuras 4-15 y 4-16.95) : O.95) (área entre z :-1.5 a 6.ó8 : -1. 4-16 y puede aproximarse por el área bajo la correspondiente curva ncrmal..)'_ .e O. La precisión es aün mejor para valores . obtenido en la parte (o). )\.5 caras.3289 : 0. 4-16 trata los datos como gi fueran continuog.17.68 y z = O) * (área entre z : 0 y z : 0.5 en unidades tipificadas : (2. ro¡ Entonc.p94!l y la varianza para la distribución binomial están = 1.

18.5 a 18.19. ¡ rzo\1¡\''l5_\'o' r8 \.94 260.0.5 y 280.- -1.0.. o si consideramos : (219.OB tipificadas : -0. o si conslderamos los datos como continuos. t.94 ib) Necelitamoe la probabilidad de que el n(¡mero de caras la encuentre entre22O y datos como continuos.5 en unidadee tipificadas :-5.35) : (á¡ea entre z : O y z : -5.5 y 260.6 .OB pero debido a que el habajo involucrado en la computación es excesivo.)(+) = I 1.35) : 0.e z: O y z:2.(lX*) : -5.18: ..250y11. : 4.5 en unidades tipificadas hobabiüdad pedida .5 - 250 )/11.5 cuatros.."p: .5 se 0. . entre 239.5 en unidades tipificadas : 2. empleamos la aproximaclón normal. o \ i \6/ \6/ -{. l8 cuatros pueden tratarse como tt = ttp = Entonces 120( )l = ZO \o/ /t\ y q = 1/-n7tq .(área entre z : O Y z :-1.. pbr (o) Deseamos la probabilidad del número de 4 entre 0 y 18.4115 : 0.73\ por más de 30.. Una moneda honrada se lanza 500 veces. 239.94) : (dos veces el área enhe z: O y z :0.08 .94 y z: 0.02) . es decir etabacargoda 280.18 (o) Necesitamo¡ la probabilidad de que el número de caras se encuentre enbe 240 y 260.6528 = (239.5 .1443: 0. entre 219.'.b.O2 14. Esta se encuentra exactamente ¡rzo\/f\"i 5\'o' .7 3 280..0..5 en unidades : (área bajo la curva normal entre z: -5. AsÍ si resulta que el númerc real de caraa ee Se deduce que podemos estar muy confiadog de que el número de caras no diferirá del esperado (250) es honrada.0885 Se deduce que si fuéramos a tomar muestras repetidas de 120 lanzamientos de un dado. 219. .L28 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP.7 3 Probabilidad pedida : (dos veces el á¡ea bajo : 2(0'4968): 0'9936 la eurva normal enb.02) : : -(área enhe z O Y z : 0. un 4 debe apariecer 14 vece¡ o menos en aproximadamente la décima parte de estas muestras.02 18..311 : (área ent¡e z: O y z: -5.6/ r7 \ /\6/ \6/ \ /\6/ Con¡idenndo los datos como continuos que 0 a También . (b) por más de 30.mr.5. Hallar la probabilidad de que el número de caras no difiera de 250 por (a) más de 10.02y z: Probabilidad pedida -O.31-i Probabilidad pedida : (área bajo la curva normal enhe z : -5.02 y 2 : -1.5 -.(i) = 250 s '= \/ill = . podríamos considerar que la moneda no 4.6 - 2O)l4..5 en unidades tipificadas 28O.3? (D) Procedemos como en ha parte (o). remplazando 18 por 14..4 4.3264): 0..5 en unidades tipificadas : : (área bajo la curva normal entre z: -0.3557 -0.20)14. Un dado se lanza1-2O veces.18 : -2. (rzo\/r\/!\'.5 en unidades tipificadas : 1-0. Entonces -0. .(. = .5 en unidades tipificadas: (14. Hallar la probabilidad de que resulte 4 (c) 18 veces o menos y (b) 14 veces o menos.94):2(0.' La probabilidad de que resulte un 4 es p: l16 y de que no reeulte esg : 5/6.37) -0. suponiendo que el dado es honrado.

1. n/\ n/ \ en tanto que ('-+) +. página 80.. 1'-t)/'-?). que ee la distribución de Poisson.+:: ¡=(l ' ' e-). .. 4.cAP. . tenemos >{] !a1*="¡ = t=O -.20. ) 0. La funóión generatriz de momentos para la distribución binomial (3) es (q*pet)" = (1-p+pet)" = [1+p(et-l\]n Si \: np de modo que p : )t/n. = "-^.er = 1 y se completa la verificación. Otro método. . entonces (f) P(X=r\ = l'"lqrq¡-r \r/ : np.I \n/ / r \ ¡-¡ ) n1@. Hilgase ¡.21.-r)" r?. esto se convierte en (+) [' * rc=t¡" o e¡to tiende a ¿tr(et--l) A medida que n -+ (5) que es la función generahiz de momenüos de la distribución de Poisson. Verificar que la función límite (2) del Problema 4. dado que ). El reeultado pedido entoncec ¡e deduce utilizando el Teorema 3-10.i)-' + m/ \ \ cálculo = €-tr empleando el resultado conocido del . : rtp de modo que p : I/n. (¿-r)(1) /. obseryamos queP(X: ¡) ) r=0 O para r = 0.'ir .20 realmente es uná función de probabili' dad. Primero.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L29 DISTRIBUCION DE POISSON 4./ \ --> = (r-\)'1t .rl ('* i) = Se deduce que cuando n (2') / \¡ eu - pero I permanece frjo (es decir p -+ 9¡ P(X=r) + ¡:q. Entonces donde E(X) /-\ (I ) se convi'erte en rl Entonces cuando ¡. Si X está dishibuida binomialmente. Establecer la validez de la aproximación de Poisson a la distribución binomial. Segundo. ' .

130 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.re = (10)(0.2te-z --z! .t ¡n = le(qe + pet. )r. t ¡t qn. Halla¡ la probabilidad de que en una muestra de 10 henamientas seleccionadas aleatoriamente. X tiene una distribución de Bernoulli.r -Lót 1! ) = l-6e-z = 0.e¡' = \z/ 0. podemoa suponer que X tiene una distribución de Poisson. (o) La probabilidad de una herramienta defectuosa es p :0..1e37 ó o.. Zze-21 -.323 Una evaluación exacta de las probabilidades empleando la distribución binomial requeiiría mucho más trabajo. es 0. La variable tipificada para X es X* = (X .1 y \ = np 5 5.tr r/iñ 1o + per/ lliii tvr ll-nw 1n ¡pt e ' tnp. exactamente 2 estén defectuosas. Denótese por X el número de herramientas defectuosas de las 10 escogidas.180 (b) P(X>2) = 1-[P(X=0) *P(X:1) +P(X=2)] _ I fzo¿-z. sultan defectuosas. Yerificar el teorema del límite central para una variable aleatoria X que está distribuida binomialmente y así establecer la validez de la aproximación nonnal a la distribución binomial. 4.24. lioo ¡ln p¿tar liii¡ {ili ¡n . tfi-oa = > ¡=0 |\_.' . es decir P(X:x\ -. pero ya que las reacciones se suponen sucesos raros.001) :2 _ 0.22.np)/l/nW y la función generatriz de momentos Eletx'¡ E(et<x-nú/t'/-nil¡ tnnr rliii g 1"txrl noÁ ¡ "" = e-tnpt.1# ^:?¡p:(2000)(0. TEOREMA DEL LIMITE CENTRAL 4. Entonces de acuerdo con la distribución binomial p(x:zl (b) Tenemos )\: np (tJ )10. empleando (o) la distribución binomial.(d) I¡¿-)\ donde p(x-Bt . (b) más de 2 individuos tengan reacción./íil 2 o et't-(. _/1t\ para X* es ".r¡r1s. (b) la aproximación de Poisson a la distribución binomial./)(p".001.4 4.23.- 6 P(X=2) = %: = 0. e t. vC. determinar la probabilidad de que de un total de 2000 individuos (c) exactamente 3.1) - 1. Entonces de acue¡do con la distribución de Poisson I¡¿- P(x--x) .18 En general la aproximación es buena si p É 0.0"-' . Diez por ciento de las herramientas producidas en un proceso de fabricación determinado re. Si la probabilidad de que un individuo sufra una reacción por una inyección de un determinado suero.1.183e ó 0.. Denótese por X el número de individuos que sufren una reacción.

e(x2-tt)/"G.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Entonces empleando la expansión 131 eL hallamoa = L*u* t+gl u2 uj +"' qe-to/.Elet<x"-Dta{. en los dos últimoe pasoa. = r++@++Gz)-.+.. pig¡naLL2\. 4. Zo'n o\/n que .r¡1*'-p)21 * .-] + 2o2n + ovn J = de modo E'(1) + l. o\t z"Pq-r / '/"Ñoo(n-!-g\ * . página 80. .) = nu y..Xz. = ...n6r-É) n orJ + ft. Entonces. = q+p+-'iroo : L+h+... . /... Elet<xr-u)ro{i1 . página 80..) \ n Pero el límite de esta expresión a medida que n -+ @etet2/2..25.r[r + L t(xt _ p) tz(x-t. Demostra¡ el teorema del límite central (Teorema 4-2.(t ) h+ m. Var(S") = Var(X1)*Var(Xzl+" '*Va¡(X) Se deduce que la = noz variable aleatoria tipificada correspondiente a S...Elet<xt-. por una expansión en serie de Taylor. hemos utilizado respectivamente los hechos de que las X¡ son independientes y que están di¡tribuida¡ idénticamente.. tzqz . debido a que las X¡ eon independienter. tq .?/ Pero a medida que n + e el lado a la derecha üiende a et2/2.. se sigue el reeultado pedido..tenemosSn:Xr o2.Elet<xz-ú/"6).E(er...'. p)2 .. . "' \ -. t2 Portanto E(etx'l: (r*!+"')" \2.1 donde. Paran:L. Por tanto.XntienenmediallyvarianTa ¿(s") = E(X)+E(X) + "'+ E(X. Así el resultado pedido se sigue por el Teorema 3-10. et<x^-tJ/ol.cAP..queeslafunción genetafrizde momentosdela función normal tipificada.EntoncesXt. = {Eletrxr-utr"ñ1¡" .2.f = Efet(xr-ülo6)..qte es la funci6n generatriz de momentos para la distribución normal tipifrcada.si¡ = / Iz (t*.. por el Teorema 3-10..Sl es s" -JP oVn E(etsi¡ - Efet<s^-nutror/i 1 .. = r+fi+.tar I peta/tlnnf. es sÍ La función generaEiz de momento¡ para ..)/ot/. Por tanto +X2+"'*Xr.

'. P(roja en cualquier extracción) = # P(blanca en cualquier extracción) = h P(azul en cualquier extracción) p(B rojas.+)' = ffi es es Método 2.t \A/ Pero la misma selección puede realizarse en otros órdenes diferentes. ll )(l ) \"/ \-i Entonces el número total de formas diferentes de seleccionar 5 bolas de 10 bolas (6 + 4) en la caja Por tanto la probabiüdad pedida está dada por * /rr. Se realiza un experimento en el cual se selecciona una bola aleatoriamente y se observa su color. En forma análoga la probabilidad de escoger 2 bolas blancas e (4ll2l2 y la de escoger 1 bola azul (3/12)t . 12.\ [ .ri \z ) /ro\ \5. El número de formas diferentes de selecciona¡ 3 bolas blancas de 6 blancas * \r/. rc 2l . pb = 4/72. Método 1 (por fórmula).4 DISTRIBUCION MULTINOMIAL 4. 2 brancas. Halla¡ la probabilidad de que de 6 bolas seleccionadas de esta forma 3 sean rojas. . /o\ /r'i \. Una bola se selecciona aleatoriamente de la caj4 se observa su color y luego se remplaza.i Entonces r azur) = . DISTRIBUCION HIPERGEOMETRICA 4.27. La probabilidad de escoger cualquier bola roja es 5172. ) Por tanto el número de mueshas y 2 rojas ".El número de formas diferentes de seleccionar las 2 bolas restantee de las diferenües que contienen 3 bolas blancas /a\ 4 rojas * (. i-paIpo)G donde p.132 DISTRIBUCIONES DE PROBABILIDAD CON NQMBRE PROPIO lcAP. Una cqia contiene 5 bolas rojas.h(¡r)'(#)'(. pero no se remplaza la bola. 4 blancas y 3 azules.26. 2 blancas y 1 azul en ese orden es /s\'/¿\'/rY \tll \. Por tanto Ia probabilidad de escoger 3 bolas rojas. Po=' 3/12' Porexpansión se obtiene elresultado anterior. Entonces la probabilidad de escoger 3 bolas rojas /5tl2\3 . lJna caja contiene 6 bolas blancas y 4 rojas. y el número de estas formas diferentes 6l 3!2!1! como se expuso en el Capftulo 1. 6t In\"lt\-/:lY z!r!\itl/ \itl \rrl $/ La probabilidad pedida es el término 44p" en la expansión multinomial de (p. Entonces la probabilidad pedida es lr Método 3. Hallar la probabilidad de que después de 5 pruebas del experimento se hayan escogido 3 bolas blancas. 2 blancas y 1 azul. Método 1.rt.t i .

#ruo. E(erx¡ = g (" -J".. i J-6 x'' + a: ""'l' .. = ffi= Yt+Y = Entonces la va¡ianza está dada por s2 = E[(X-u¡21 = E(Xzl-uz ry4y_ (+). de.modo que = r*tu*lfí*. (b) o2 : Ll72(b -a)2.dz T .l \ /10\ \5/ 4. ¿ > 0 e. PIX=S) DISTRIBUCION T.. = E(x) = E(xz\ l"'* = #:af" b2-a2 Z(b-a\ a*b 2 (b) Tenemos = I. Í".cos or = . Tenemos b 133 =6.'f-+ = #tl. Puede demostrarse que la úlüima intcgral existe y es igual a e-aa (véase hoblema 4.28.29. Jo r. X con DISTRIBUCION DE CAUCHY 4. Entonces por(I9). : Ll2(a + b)." = o 2 .laprobabilidadpedidaes . Oemos- /(a) = ! -L2- . (a) t.2+d2dr ' _ donde hemos utilizado el hecho de que los integrandos en el segundo renglón son funciones par e impar respectivamente.páginallS. r = 3.@ 1x1*.' La función de densidad de @ es < j.cAP.. Demostrar que (a) la función generatnz de momentos para una variable aleatoria distribución de Cauchy no existe pero que (b) la función característica sí existe.30. Esto puede verse al notar por ejemplo que si r ¿ 0.r-n '.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Método 2 (empleando la fórmula). (a) La función gerreratriz de momentos de X es -¿. Sea @ una va¡iable aleatoria distribuida uniformemente en el intervalo -l=t trarque X: atan @.rr¡ r¡¿n' ("' 2o (" cosor r=. o > 0.' 7't|^ou" (b) La función característica de X es E(eiox) = g (¿. tiene unadistribución Cauchy en. a f . . J-. n=6.r! * la cual no existe si ú es real. 7+ azctr sin +-ai )-. = firo_ot. Demostrar que la media y la varianza de la dishibución uniforme (página 114) están dadas respectivamente por (¿) ¡. -> t!! I y la integral a la derecha diverge. 4.159).'NIFORME 6 = \/4 }i|j. = n# Í. r= 4.

la función de densidad de X está dada por s(r) que es la distribución de Cauchy. Por tanto p2 = Bz(aIL)a"2 .+fl Jo * l* _ r(a)I'(p) r(c r'(a + 4)- Jo (t *su+t11 2) l'(B) n)e-r ¿.4 ¡: a tan 0 tenemog o-t¡¡-L! a .E(X2) - (ap)z - "Bz DISTRIBUCION BETA 4. página 46.31.. t.¡a-\d.)*: = ift)"("+z) = n2 Í.32.o*r"-ro. .134 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Considerando la baruformación [cAP. HaJlar la media de la distribución beta.z¡ro-r1l." ffi...19: t tenemos E(xz¡ = ff"*.'#0" p2(a*t)a. = r@l#l = :a+-a DISTRIBUCION GAMMA 4. (b) o2 (a) = oB2. El segundo momento alrededor del origen es * 0) l'(a + 1) r(B) o I a B E(xz¡ = f(a)f(p) (t .. = Í. p = E(x) = ### fo'*¡.r ." ". Hallar lavarianza de la distribución beta.¡^..t p\ f I sa(r - ¡)e-r fls rt"lrtBl r(a+1+B) I(a + É) dr(d) r(B) r(a) r(B) (" + P) f(4 + p) = 4."-r{r-x)F-tlitr = frffiJ.rÍ". Demostrar que la media y lavananza de la distribución gamma están dadas por (a) p: aP. ya que I'(a + 2) = (c * 1) r(c * 1) = (a * 1)a I(a)..33. fo"' ." = ffirt"+f¡ = R RemPlazando p= Bon f' Fe-tdt aB (ó) Remplazando E(Xz¡ = t." "loo"¡. r(a+2+ ¡t) _ r'(a * É) (a * l)a r(a) r(B) t'(a) t'(É) (a * p * 1)(a + p) I(a + p) r(a) r(É) * B) r(d + _ (a-rB)@+B+1) "(el_! .1o" xlQ: t tenemos : f.lff. . r Y dx Íz+a' Entonces por el Teorema 2-3. l'(a r.

cia entre Paray Deseamos hallar la distribución de la manera siguiente.B2. es con (¿ dA v. t : (1 - N¿¡-Qr+v2t/z (b) Se observa del Problema 4. 4.34. Puesto que Ia correspondenX y Y no es uno a uno no podemoe aplicar el Teorema 2-3 como está. a * v.CUADRADO 4.ztl-v/2 fa u<v/z)-re-udu = (L-zt¡-'rz r'(v/z) )o 4. ! X.t Pero esta es una distribución chi-cuadrado con 1 grado de libertad.a una distribución normal para X. por el Teorema B-18. do ) función generatriz de momentoo de Z = X. obtenemos P(Y < ú = -! fs rrrze-uz t/2r Jo d. DISTRIBUCION CHI.r2.cAP.34 que una distribución cuya funéión generatriz de momentos es (1 2t)-<vt+v2)/2 es la dishibución chi-cuad¡ado con v11.'tz¿s = + J-¡¡ f = + Jo 1/2n l2n donde en el último renglón ae utiliza el hecho de que la función de densidad normal tipificada es cero.-rr/2e-.r2 Al remplazar (l - 2t)n/2 = 7. y utilizar el hecho de que r(á) = V7./2dü (-. Y: x2 dad. utilizando el Problema 4.t2r(v/2)Jo " r-2t \r-2t/ : ll . Efectuando el cambio de variable x : *t/T en la última integral. .84. ea M(t) : Enet(xr+xü1 : E(etx. colocarz: 1 en (39). grados de liberta u2 Z:Xt *X.2t)-. Al generalizar los resultados anteriores obtenemos una demostración del Teorema 4-4.s(v-2)/2e-<L-2t>r/2 dr =J-r(v/2) )o 2.)Eqéx"¡ : 1l-2t¡-'r/2 1l-2t)-vz/2 utiüzando el koblema 4. pá4ina 1-1. Demostrar que Ia firnción generatriz de momentos de una variable aleatoria X con distribución chi-cuadrado con I grados de libertad es M(ú) M(t) = E(etx¡ = ú+6ñ to* "r"rr. Sean ¡t y X. Sea X una variable aleatoria distribuida normalmente con media 0 y varianza 1.36. página g1. Demostrar que X2 tiene distribución chi-cuadrado con 1 grado de libertad. grados de libertad.'rz¿s (-fr"-. Pa¡a ( 0es lóglco que P(Y SU) y> 0 tenemoe P(Y<u): P(Xz<a) = P(-\/u=X<+\/a) +fr"-. como se ve al página 116.v2 gadosde übertad.la varianza es 02 = E(xz¡-l'(x)l= _(rro)'= cr6#T_Fn : (1.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 135 Entonces.36. pero procedemos de :0.1 en la última integral hallamos M(tl = 2.6. Esta debe ser la distribución de Z.

Sin embargo.04 en tanto que el área a la izquierda es 0. Hallar los valores de xf. Demostrarel Teorema 4-3.7.36 vemos que si X¡ y X2 es.39.píryina 116.O.5 correspondiente a z: 50.2gs. búsquese el valor 5. para v : Por el Problema 4. Entonces del Problema 4.Ia cual es igual a 1. al menos se especifique lo contra¡io. x. El resultado 11.5. Entonces. escoger las dos áreas iguales.4 4. Por tanto los valores son 0. xz:. 4. entonces el á¡ea a la izquierda de representa la nonagésima quinta percentila. (c) S9. (b) 2I.O5): 0.esr. (c) 67.40. xl es (1 .05.99 y ¡22 representa la 4. Véase Problema 4.? conespondiente a la derecha de la distribución ¡2 es 0..37.0.9?5 Análogamente. si el número de gndos de liberbad v es igual a (c) 15.O25 representa la percentila 2. Entonces procédase hacia la derecha hasta la columna x%r.025: 0.831 y 12. x. ¡! que corresponde a (a) 9.35(b).025.x?o¿s. (b) el área total sombreada: 0.. el área sombreada a la derecha puede ser 0. xi representa la décima percentila. los valores: (a)25. si el á¡ea sombreada a la izquierda es 0.tán distribuidas normalmente con media 0 y variánza 1. X.61.34correspondienteav:9. qi" Z = X?*X2" tiene distribución chi-cuadrado con 1 * 1:2gradosdelibertadsiXr y X2 son independientes. el átea a la izquierda de percentila 99. 4-18 (o) Si el área sombreada a la derecha es 0.2-.10. se acostumbra. a! es 0. 4.0 correspondientear: av:21. (b) Puesto que la distribución no es simétrica. . El resultado general para todos los enteros positivos l.831. (d) Si el área sombreada a la derecha es 0.3correspondiente^v :40.la cual es igual a 0. u"mo.5.05.026.150. el área a la izquierda de x? es O. Hallar el valor de la mediana de libertad.(b) 2T.¡ (puesto que la mediana es la percentila 50 ) los valores: (o) S..3correspondiente av:28.1 es el valor pedido de 12. como puede observarse de la tabla.01.95 y xz2 Refiriéndose a la tabla en el Apéndice E.10. (c) el área sombreada a la izquierda: 0. 4-18. Fig.05. hallamos en la columna ¡. y x? (c) Si el área sombreada a la izquierda es 0. (d) el área sombreada a la derecha: 0.8. X. la cual es igual a 15. .¡r.38. entonces X? V X3 tienen distribución chi-cuadrado con 1 grado de libertad cada una.8.la cual del Apéndice E es 12. Por ejemplo. (b) 32. (b) 28 y (c) 40 grados de UtÍIizando la tabla en el Apéndice E. y Si el área sombreada a la derecha es 0. el área sombreada a la izquierda de x3 es 1 ¡j iepresenta la percentila 9?. parav> 10 los valores de la mediana son iguales av .1.05. en la columna /.0.¡2.025. La representación gráfica de la dishibución chi-cuadrado con 5 grados de libertad se muestra en la Fig.136 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 2.05.¡ se deduce en la misma manera... lcAP. hay muchos valores para los cuales el área totál sombreada : 0. x! por los cuales (a) el área sombreada a la derecha: 0. (c) 50' Utilizando la tabla en el Apéndice E hallamosenlacolumna ¡2er.01. (Véase las consideraciones sobre notación en la página 116). Hallar los valores de ¡2 para los cuales el área de la cola 15.01. en este caso cada área:0. Es de interés notar que los valores de la mediana están muy próximos al número de los grados de libertad' En efecüo.

64+rfss¡z =69.3).y ¿2 # donde la integral ¡e toma ¡obre la región ( del pleno lz parn l¡ cr¡¡l g ut/ñ. Demostrar el Teorema 4-6.zl ztÍt + <t2 | v>r a")au ( " Susüituyendo F(r) = G.41.FA = zp I t/Ft x| = *(zo+tffj¡z (o) Si v=50.. xlgs = \@.lt * T ) eeto puede eocribir¡e d..tzl(vl7\ Jz=o = .64+/199P = 124."a']au de acuerdo con lo pedido.. *^ I' = - *l Í": como z('' ..6 = f. podemor utiliza¡ el hecho de que ({Tx2 .va J"' {2r2.es+ftool-t)2= +(1.r/2.Elrode donde t6=t = .rr-r"-..\2/ r\ (l + u2¡'¡<'+t>rz .er dccir z<v/z)_te_ :|-r+zr/2 para -o 1g 1lo. .(z.tz¿ul¿" LJ":_-e A = urfi en la integral entre parénteais rectangulares hall¡mo¡ . podemoe ercribir. Hallar xlerpm (a) v : 60 y (b) y . DE STUDENT 4. himero fijamor r z b = integramos con reepecto a y de¡de ./ .ss+rtrOool-t¡z = |(1. Por tanto tenemos Remplazando F(xl = .locuale¡tÁde¡cuerdooonelvalor6?. #. dud.. Pueeto que Y ertá di¡tribuide nom¡almente con media 0 y varianza 1 ru función de den¡idad e¡ (r) Puesto que Z tiene distribución chi-cuadrado con (21 1" --: e-!'/2 12" / gradoe de libertad su función de den¡idad ee 0 ñ+GE2Q/D-!¿-zn z) 2 rcn \/21 2'/2 r(v/z\ 0.#.Lu€{p integrannr_conrespecto az de¡de 0ha¡t¡o. -/. z ) La función de di¡tribución de I = Ylt/ffi e¡ F(u) = P(T=r) = P(Y=er/Zfi) = y@2.@ hast¿ rl/z/r."^' + zo+"/2 Í"'=-* d. oon un alüo grado de aprorimación.42.u [f=.rzrl.0(v¡lorre¡l =L24.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPTO 13? 4. tn¡r( z\ Ju= -' .o 6 .-j(* . '\ z / (. / mayor que 30. er la percentil¡ 10Op de l¡ di¡trlbución nornd tipilicada.. Para .u\ . página 117..t¡ e¡tl c¡¡i dbEibuido norm¡lmenüc con medie certr y varianza uno./4 f ( 7<rrz>-r e-<yz+ztrz ¿. DISTRIBUCION ü x3s¡ dado en el Apéndice E. (b) Si r=100.(' F(r) = _ tf Jr=-.cAP.rf ¡"ffi "-r.t' / 2 e.= .=o"r. Entonca ti z. Debido a que Y y independientee ¡u función de den¡id¡d coqjunta er 6l producto de (I ) y (2).100 gados de libertad.tzt'(vl2\ ).z \f 2nz. zo/2)-re-z/21ffi e-uzzr2.2.

DISTRIBUCION 4. ) 0._tr Fig.90.(b) 1.:.u) = .:: ::'. vlW v2 ..75 correcpondienteay:16.05.138 DTSTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO ú [cAP. Entonceg búequese la c. 4-19 tt (a) Si el á¡ea sombreada a la derecha es 0. t. Sielá¡eaalaizquierdadeú¡ es0. Del Apéndice D hallamoe 2. entonc€s por simetría el área sombreada a la derecha es 0. t.645 correepondiente a y: 200. (b\ 27.ú. (c) Si el irea total sin eombrear ee 0. r / Ll+ lvt/v)). búsqueee en Ia columna y el valor 9. (c) 200.05. HaJlar los valores de f para los cuales el área de la cola a la derecha de la distribución si el número de grados de libertad es igual a (c) 16. .) = 6"i. ODt=r. ¿. (El último e¡ el valor que se obtendría utiüzando la cu¡va normal. -1)(v'\/2) "-. entonced el área sombreada a la derecha es 0.99.26 como el valor pedido de ú. t.e.gg) = 0.er5. dada por 1 (.45.css = 3.025): 0. . Efectúe Ia transformación u 1/ v1 .38.quedelatablaes igual a 1. La representación gráfica de la distribución (c) el área sombreada a la derecha en la Fig.'') (?ñ rr^ o(vz/2) -| "-'.es.05.4 4. (b) el área total sombreada: 0. El resultado 1.0.025 por simetría.1 ez(vt+ v2)/2 lQl/21 f (u2/2) <t | + ú2)' ri o. entonces el área a la izquierda de ú¡ es (1 repreeenta la percentila 95.44. En el Apéndice B e¡te valoi corresponde a la enhada en la última fila ma¡cada ó). Por tanto el área de t para el cual el área sombreada a la izquierda es 0.O5): 0. hallamos en la columna te.[.43.95 y úr Refrriéndonos a la tabla en el Apéndice D. 4-19. J z t . Deimostrar el Teorema 4-?. De la t¿bla t ss = 2. a.DZ=ü l1U7D Entonces el Jacobiano es i'.e0. Por tanto el á¡ea a la izquierda de ú1 es (1 .:"i = l::"'.la/2.005. (c) el área total sin sombrea¡: 0.2 g(u. Halla¡ el valor de ú1 para el cual de Student con 9 grados de libertad se muesha : 0.82.olumna ¿. tenemoe | 1U) t. De la tabla hallamos t. ú. ) 0 y 0 de otra forma..'. La función de densidad conjunta de f '' V¡ y V2 etá.01.01/2 : 0.70 correspondiente a v = 27i (c) 1.25.01 es (e) -2.01.l4\ -1- f 'pw\"rz'-' ID'-''-"e '"''o'-.90. (d) el área sombreada a la izquierda : 0.01 y el área sombreada a la derech¡ es 0. entonces el área total sombreada es (1 .5.01.t u(v2/ 2) . 4.0.nD\]uJur0.83 es el valor pedido de t (b) Si el área total ¡ombreada es 0.::l = l"*:" 'u':'" Denotando la densidad como función de u y w por g(u.99.O.82.entoncesúl correspondealapercentilagO. (e) el área a la izquierda de ü.rl).9?5 y úr reprecenta la percentila 9?. sea 0. ú es 0. losvalores: (o)L.r) a\.lL=-=_rü=02 L"a/ ar t'2ú | vl1t2' .05 Refiriéndonos al Apéndice D.05. (d) Si el Área sombreada a la izquierda es 0.

t r rz)tz Si tiene un máximo relativo se presentará cuando la derivada sea cero.\/2i-r.\z .ss : t?n (b) fl. ¡2 y ú 4.. = 0.96. Verificar que (o) /.. rs = 3.\ z /.ee.TZ) \ (-" se Utilizando el criterio de la segunda derivada podemos demoetra¡ que realmente trata de un máximo.o. 15. (c) Por el Teorema 4-8.ot.o.46. =- 9.'rrr.rr. es decir (r.30. hallar (¿) F. primera f. rr. (b) Del Apéndice F.l= *. 4..1 -.s.326.o5 en el Apéndice F con e¡a¡ en l¡ distribución ú bajo ú.l¡.so. .\rt...F' gs. \ : ¡. F. ) 2' de (. ( " *. Vemos que 18. 4.1-2\/ /\..48.'.+v2't/2r-r = 0 Dividiendo Wt ut|ti2)-2(t2l t¡t)-[("\+t.0 = 4.*r. que es el reeultado pedido. Pero de Tenemoe (r h(u) / v2\vr/2 4Q 1/'' .0g (d) Por el Teorema 4-8. er hkt) = ei u (.ut = t'(P) ap Jo da) ) 0 y 0 ei rt É 0.L5..1 = (3..- r1u)-¡(.50¡2.5 L6l = (72.257.oc. /..47.2* r. (o) DeI Apéndice F.rt) - (¡'r +t2)/2 - . RELACIONES ENTRE LAS DISTRIBUCIONES F.71)2.r.i/2)--t (v2:L vru)-(r.9.80. 10. = # = 0. la función densidad de la di¡tribución F es r[(t. r. (a) Comparar ia¡ entradas en la columna de la tabla F.¿t.. (b) F .ob. hallamoa \-i.n.2* . hallamog .4l si u DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 139 > 0. /.io = F_¡ ..t .'r2\ ) = 0 ó trt ry = /. donde vt -.. > 0 y 0 de otra forma. 7. etc. (c) = 10. página 118. ro. página 118.+t.t)- tyt ('4fa) (.8 = 3. hallamos F..5.s.18)2.2\/2)-t e-tt+<v{/v2)t(o/2> z(tt ' u2)/2 t0t/21 l. donde.cAP. rr.o. r¿ desde La función de densidad (marginal) de U puede encontraree integrando con recpecto a decir 0 ha¡ta €.r' / 2(. ir ua 0. Apéndice A.\i = /v' I vr\ ) si u ) 0 y 0 ¡i z¿ 5 0. . Demostrar que la distribución F es unimodal en el valol ¡v' ' La moda localiza e! valor máximo de la función de deneidad. \. . i \rn) - 2\ / v' \ si v.7L = (2. u.(vz/2) Jo -tL-!:j!::-:(I5)..78)2.. ro..ul F'.e75.au d. (d) F.-'1t'"tvp)-uvr\j-:.r. 11 .t e. A diferencia de una conetante. Utilizando la tabla para la dist¡ibución F en el Apéndice F. : (4.ss : ".rr..

Vemos que 4050 : (63.página 11?]./ para u /_u_r. Entonces y a.u/2¿-r/2(y + ul-(r1tr/2 ^/.49.140 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP.4 (b) Comparar la¡ enhadas en la primera columna de la tabla F. 98.rtF.(.l.-¡l r.*rr. P(.4*)___\-. vemos que el lado izquierdo de la última ecuación es igual a z. \ : {"..92)2.+tfttur¡ = P(T s +VFt-p) .t. 21.9 " / +1\ -t'* "" t / vv/21l-12v-(.2 -.0 <'T = *t/Ft_o) ú donde ? es una variable aleatoria con distribución de Student con u grados de libertad.ee en el Apéndice F conegarenladistribución ú bajo ú. Por tanto t-P 2 = Pp<T:. Sea 11 .r( .es el nhmero tal = 7- * t\ "/" . pfuina 116. Por tanto ^\ F.(4. P.r¡ n'(.. v2 = v en la funeión de densidad para la distribución F f (ul = .66)2..-.sí generalizar los resultados del Problema 4.)" \/ Com¡rarando con (42). . tenemos P(T=+tlrno¡ = t -Pi .48. I ^F.'.eer.l / +z\-r¡ \ '/ ¡=. + r\ r( ol -r- .Ft-o) f(u): 0 para ¿ < 0../" + r\ \ / l+1) "/ \-(!¡!'/'l tru = } -p En la integral efectf¡e el cambio de variable t=t t/-u: r)r'rl '\ J -'(f+-¡ dt = t-p 2-r 2. etc.'. Entonces por la definición de un valor de percentila.)" . '\2/'\2/ "11\ "/r\ t -/.'. que puede establecerse simplemente como F r-p = t? ott¡ l(4í). y que P(U 5 .P(f 0) = = P(T=+\E|-+ donde hemo¡ usado la simetría de la distribución ú. página 118. Re¡olviendo. 4. t { l'-'u-r. Demostrar el Teorema 4-9. 34.r(l +3!) t r-ru+l)/9 ) O.5 = (9.o) r\ \ '/ ll '=2 | '\ .84)2.1 = (5.60)2.

4. La probabiüdad de no obtener un 3 en el primer lanzamiento es 5/6. 4. producto de una función solaménte en. (c) Comparar las entradas en Ia última fila de la tabla F o= en el Apéndice F (correspondientes las entradas bajo ¡. Y son independientes.99. _ 9. que era lo que se querfa demostrar. Véase Problema 4. Si el coeficiente de correlación p = 0. Sean X.4] DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L4t Pero. Verificar el Teorema 4-10..51. Entonces vemos que 6. para (a\ p : a1 0. se convierte en l@.:\/2= en . DISTRIBUCIONES DIVERSAS 4. etc.21 . lotll. f(x.il = (4 .r'il ) y y puesto que este es un producto de una función solamente r.25 77i6 . tt tt¡/z.L .8t (b) -.00 =.. etc.60 -.4!¡ 4 2.1..ú los valores de = t-+o-..7 2. Y variables aleatórias cuya función de densidad conjunta es la distribución normal bidimensional.'. la probabilidad pedida es Y/r\ \6i \6/ / s c. página 118. La prueba general del Teorema 4-10 se deduce tomando el límite cuando U2 la prfuina 117.'.r y una función solamente en y. y) dada por (49) debe para todos los valoxes de x. Hallar la probabilidad que en lanzamientos sucesivos de un dado honrado resulte un 3 por primera vez en el quinto lanzamiento. lo cual provee la verificación requerida. lo cual provee la verificación requerida.02 = #.. = tt-(p/zt ó Fr-p : tl2t'-tptz'. si X.¡ !. Méüodo 1. Por tanto ú es estrictamente +\/F. Entonces vemos que a r': ó) con etc. + * en la distribución F en DISTRIBUCION NORMAL BIDIMENSIONAL 4.s2 T r. entonces la función de densidad normal bidimensional (49).50.95 y (b) p : 0.. Ll . = @) con = "'13. -. 't7 2.+.. Comparar las entradas en la última fila de la tabla . y este nfimero se determina finicamente.. y se deduce que X. Y son independientes.F e.94 3. Demostrar que X. página 118. Análogamente la probabilidad de no obtener un 3 en el segundo lanzamiento ee 5/6.. )Lo. er el Apéndice F (correspondientes las enhadas bajo x:nn en el Apéndice E. ya que la función de densidad de Ia distribución positiva. por definición.(p/z\\ = l-?..CAP.78 = #.. 3.GB a ¡'. 3. Y son independientes solo si su coeficiente de correlación es cero. Esto es posible sólo si p : 6. r por una función solamente en y para todos ser el Inversamente.52.145. Entonces la probabilidad de no obtener un 3 en lo¡ primeros cuaho lanzamientos es (5/6)(5/6)(5/6X5/6): (5/6)4. K (r(r ... en el Apéndice E.Por tanto la probabiüdad de obtener un 3 en el quinto lanzamiento es 1/6. s.r"?ll--+"-.. s.¡ es el número üal que P(T=tt.

4)0(0.92.ra evaluar la (ü) E(Xz¡ = fo- oOro*r¿-oto¡lg r "b ('/z\r*ttro> e-!:u(t/b)-t = o"o )o \.4.q:616.L42 . Determinar la probabilidad de que de 5 estudiantes (a) ninguno.63. ¿Cuál es la probabilidad de obtener un total de 9 (o) dos lanzamientos de r¡n pa¡ de dados? en veces. 2¡.tbr donde hemo¡ ütilizado Lr ¡ustitución u f@ ab ('/"\ du /' (r.p(\ t + +)-l ó/J 4.55.6)4 = 0. (a) P(ninguno ee gradúe) = 5Cs(0. (o) t' = E(X) = JO f abrb e-o"o d. eon p: Ll6. alf hay 6 .be-! = o-2/br\t + a) Entonce¡ / o\ ¿u 02 = El(X-u¡21 = E(Xz)-uz = PROBLEMAS DIVERSOS o-". (D) al menos dos veces en 6 ¿ead¡¿o¡ por (1. pedida er pRopro [cAp.26 (c) P(al menos uno re gradúe) = 1 -P(ninguno se gradúe) :0-92224. etc. Caü un¡ de le¡ 6 form¡¡ en la¡ cuales el primer dado puede daer estó a¡ociada con cada una de las 6 forma¡ lu cr¡¡le¡ cl r¡undo drdo puede crer. i) integral. 4 Utilizando la di¡tribución geoméhica.64. : atb pa.""tb)-t a-ub I ur/be-! du Jo a_. 4. se gradúe. E¡ta¡ ¡on 1 cn el grimer dado y 1 en el regundo dado.4)1(0. (b) la variarrza. página 118. Verifrcar las expresiones dadas para la (a) media. 11. - f. (b) uno. ó aprorimando 0. 6 = 36 forma¡ en las cuales ambo¡ dadoe pueden caer.6)r : 9.¡ :6 Gzl vemo¡ que la probabilidad /t\/o\' _ \6/ \6 / página 119.977?6. etc. i7't6 4. ó aproximando 0./ du (' = o-r.08 (D) P(re gradúe uno) = 5Cr(0. .r I ú ). La probabilidad de que un estudia¡rte que ingrese a la universidad se gradúees 0. ó aproximando O. (c) al menos uno.of ¡(1 + 3) b/ L\ . DISTRIBUcIoNEs DE rRoBABTLTDAD coN NoMBRE Método 2 (utilizando fótmula). de la distribución Weibull.2692. 1 en el primer dado y 2 en el regundo dado. \i)"-".oJs u..

\0/ \e/ \s/ ^/l\'/q\' ffitZü 7268s 4./ \ó/ * '"'foi ó * '''Gi 72689 1 10240 960 48 61 = 681 440 65f ¿¿T .2788: .56. Si la probabilidad de un tornillo defectuoso es 0. es decir podemoselpemr que 40 tornillo¡ esüén defectuosos.5 en unidader tipificadar : 5..1. (b) la calificación máxima del L0% más bajc de la clase.6 (área entte 0.1XO. Entonces la probabilidad de un total de 9 en un ¡olo lanzamiento de un per dddados esp :4136:1/9 y la probabilidad de no obtener untotaldeg enunsololanzamiento esq=L-p8/9.2 = -'1. hallar (c) la media y (b) la desviación típica para la distribución de tornillos defectuosos de un total de 400. (4.ó6. determinar (c) el porcentaje de estudiantes con 6 puntos.2.6 a 6.cAP. ^/r\'/a\'."'\g/ ' ^/rY/s\u. Véase Fig.9): 36. ^ /r\ta. P(al menoe 9 doa veco) : 1 - P(9 cero vecer) - P(9 una vez) : . .0676 : O. ^ /r\u = 'c'(o/ \é/ * '"'(.5Bt 441 = 531 441 441 Otro método. == vnpq H = 0.-.58. (a) (b) Coeficientedeeeego= Puesto que es positivo. 3).5gr 441 * ss1 441 .2:{).7)1L.er)*P(9cincovecer)*P .a di¡tribución ee s+l---^6:q : 3+ff1-6(0'1X0'9) = nuq 3'01 ligeramente má¡ apuntada que la distribución normal. 10 puntos. 4-20. (a) la di¡tribución normal a datos discetoe. (c) la calificación mínima delL0% más dto de la clase. Las calificaciones de un parcial corto en biología fueron 0. 4). L. (D) Varianza : npe: (40OXO. un total de 9 ocurte en 4 cqlos¡ (3. .6. 5). (o) P(9 do¡ veces en seis lanzamientos¡ = 6"'\t/ /q\t-' . (a) Media : np :400(0.5 puntoe.5 en unidadee tipificadar hoporción pedida: á¡ea entre : : . la distribución está sesgada a la derecha.? y la desviación típica fue 1. . ^ /r\'/e\'. Por tanto la de¡üación tfpica = /56 = 6. Suponiendo que las calificaciones están distribuidas normalmente.3418 - y e = 0) (áre¡ entre z :{./ * '"'(.-"^11Y - \0/ -61 441 6sl 440 (b) P(al meno¡ 9 doeveces) (9 seis vecee) =P(9 dos vecee) *P(9 trecveces) *P(9 cuatro vec.7)1L. 4. (5.. dependiendo del número de respuestas conectamente solucionadas de un total de 10.17 z: -1 y z:-4.0 (6.1): 40.133 coeficienüedecu¡tosis: l.5 .6. (6. 4.4I DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 143 De estas 86 forma¡ todar igualmente factibles ¡i los dados ¡on honrado¡./r\'/e\a. Halla¡ los coeficientes de (a) sesgo y (b) curtosis de la distribución en el Problema 4.5?. Por tanto una calificación de 6 puntos ¡e cor¡sidera como 5.6u. eb necesario con¡idcrar los datoe como si fueran continuoe. La calificación media fue 6. 6).2.17 z: -1 y 277o z: O) 0. Para aplicar : 6.17 (5./ \.

At.17 I'ig.I -0. zt Enüonces zt = (xt .on O como el origen.26 6 aproximando y al entero má¡ cercano. La probabilidad de que se cuente una parüfcula en el tiempo Af ee proport t tatr cion¡l a At y puede eecribir¡e como l. Si (b).r2 la calificación mínima pedida zz =L. la probabilidad de no cuenta en el tiempo t * At es el producto de la probabilidad de no cuenüa en el tiempo ú y la probabilidad de no cuenta en el tiempo Af.2 u 8 aproximando al entero má¡ cercano. Por tanto. 4-2L el la izquierda de z¡ eo LOT.x2:8.60. Un contador Geiger se emplea para contar la llegada de partículas radioactivas. por tanto área. Entonces (x2 - 6. rin considerar los términoe que incluyen (Aú)2 y término¡ cuperiores.10. = 0. Por tanüo c = I y l¡ probabilidad pedida ee (11 Po(¿) = ¿-^t 4.Z:-t. 4-22 repteeenta el eje de tiempo c. De la Fig.7)lt.6.I At. Entoncee tendremos una cuenta en el tiempo f * Af en lor riguientee dos ca¡o¡ mutuamente excluyenter: (i) 1 cuenta en el tiempo f y 0 cuentar en el tiempo At (ii ) 0 cuenta¡ en el tiempo ú y 1 cuenta en el tiempo Aú . a Area entre zt y O: 0.r) dlu dt = -^po u dP" n 6 = ->'¿t Re¡olviendo (3) por integración obtenemos lnPn = -X¿ + cl PoQ) = ¿¿-Lt Pa¡a determinar c notamoc que si ú = 0. tenemoS (r) De (I ) obüenemos (2) Po(ú+a¿) = lú Ps(Ú)[1 -IAú] = -IPo (¿) At+0 lim Po(¿-f a¿) - PoQ\ e¡ decir (.7)17.69.28.69 halla¡ la probabilidad de exactamente una cuenta en el tiempo t. Si se suponen lar llegadae de lae partícula¡ sucegos independientes.L14 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP. Máe precisamente. cue¡rta en el üiempo SeaPl(ú) la probabilidad de una cuenta en el tiempo f+ I de modo queP¡(t + Af)er la probabilidad deun¿ Aú.4-22 o ran si AÍ es pequeño.que lógicamente e¡ 1.P6(0): c e¡ la probabiüdad de no cuenta¡ en elüiempoGrro.28 (aproximadamente). 4.4 . 4-21 (b) Sea r ¡ la calificación máxima pedida ] z¡ !u equivalente en unidadec tipificadas. la probabiüdad de no cuenta en el tiempo t Entonces Po (ú + At) es la probabilidad de no cuenta en el üiempo ú + Aú. Halla¡ la probabilidad de que en un tiempo f no se cuenten partículas.28. por simetría : L. exiatirán término¡ adicionalecqueincluyen a (Aú)'y órdene¡ ruperiores. Refi¡iéndose al Problem^ 4. pero no se consideSea P6 (ú) r-----]--l Fig.40 : -L.4-20 Fig. (c) Sea . La Fig. Por tanto la probabilidad de no contar en el tiempo At ec 1 .2 ! 22 Eu equivalente en unidades tipificadas.28y Ír:6.

caras.P. 4 caras en un solo lanzamiento de 6 monedas hallar (o) P(X = 4. sin coruiderar los té¡minos que incluyen (Aú)2 y ruperiores. (r) Esto puede escribirse Pl (ú + a¿) = Pr (ú)(1 - r aú) + P0 (¿)r a¿ Pr (¿ + (2) l¿) Lt . (d) 3' @l a. 3). Si P(X=2). P1(0) eo la probabilidad de 1 cuenta en el tiempo 0.I a¿).61.59 esto convierte en dP. ¿@xtPr) = x que al integrar (6) Pr(t) = \¿¿-rú+c2e-\r Si : t:0. ¿cuántaseeperaríantener(o)3niños. @l 6 caras. tr¿-At (3) dt = ^Pl o d. .(b)5niñar.s supletnenta. (b ) 1.66. 4. X denot¡ el número (d) de caras en un solo !¡nzamiento de 4 monedas. DeSOOfamilia¡con Shijos. Utilizando e¡to en (6) hallamos Pt (Ú) c2 0.¡e-rtt esto puede escribirse como d. (b ) menos de 4. (b) dog vece3' en dos lanzamientos de un par de dados honrados. u) Multiplicando por (5) e^¿ d. (c) 2. (c)o2ó3niños? probabilidades iguales para niños y niñas. 4.66. que es cero. con un par de dados? ¿Cuál es la probabilidad de obtener un 9 exactamente una vez en 3 lanzamientos 4. Por tanto (7') = ¡¿¿ . Suponer 4.62. Por tanto. La probabilidad de (ii) es Po(ú)I at.ar una moneda honrada 6 veces aparezcan (o) 0.cAP. Halla¡ la probabilidad de que al lznz.67.rt ú Continuando de esta forma podemos demostrar que la probabilidad de exactamente n cuentas en el tiempo está deda por (8) Pn(t\ = (^t). Problerna. Hallar la probabilidad de obtener un total de 11 (c) una vez. (b\ P(X <21' (c) P(1<x=3).rlos DISTRIBUCTON BINOMIAL (BERNOULLI) 4. Hallar fal¡o. Iülla¡ la probabilidad de (o\ 2 o már honradas. (n 5. la probabilidad de acerta¡ correctamente al meno¡ 6 de 10 res¡ruestas en un examen tipo verdadero- .I"(t) = XF'o(¿) - IP1 (¿) ge Tomando el lfmite cuando Af -+ 0 y utilizando la expresión para Pe(ú) obtenida en el Problema 4.64.t * \P.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 145 La probabilidad de (i) es P1(ú)(1 .69.i que es [a distribución de Poisson.

900. su coeficiente de curtosie es 2. La calificación media de un examen final fue 72 y la derviación típica g. (d) el áreaentre 1.81' 4. 4.0314. Calcular la (o) media. EnelProblema4.96). ¿qué porcentaje de las medicione¡ están (o) dentro del recorrido I. 4.4 4. 4.86.58. Si X está distribuida normalmente con media 5 y desviación tipificada 2.85- 4. (b) por fuera del recorrido ¡t ! 1.2266.75.2 o. Si (c) P(lzl > r).?0 m? cm. (e)correcpondientea-0.6 Hallar (o) la media y (b) la desviación tfpica de un examen en el cual los puntajes de ?0 y 88 corresponden a calificaciones tipificadas de -0. El l}'. 4. (c) coeficiente de sesgo.L46 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.79.O?30. (D) mayor que 0.68. Hallar el área bajo la curva normal (o) a la izquierda de z : -1. 0. -0. (a)Determinarlas calificacionestipificadasdedog estudiantes cuyos puntajes fueron 93 y 62 respectivamente. (b) desviación típica.52 y a la derecha de z: 1.5722. ¿qué porcentaje de esas mediciones diferirá de la media por (o ) más de media desviación típica.b superior de los estudiantes recibirán una calificación A (excelente).79' 4. (c) el área entre de z tales que (a) el área a la derecha de z sea 0. (b) Determinar los puntajes de dos estudiantes cuyas calificaciones tipificadas fueron y 1. (e) el áiea en¡e-z y z 4. (b) menos que o iguales a 1.72.76.82.85V 4. ¿cuántos estudiantes tienen estaturas (o) ¡nayores que 1.7O.El m inclusive.oo ¿ea 22c/a. entre (o) 4. determinar el porcentaje de los cojinetes de municiones con diámetros (a) entre 0.9. (ó) el área a la izquierda de z sea -0. todas de edad idéntica y con buena salud.6 y 1. (b) menos de hes cuartos de desviación típica? Si ¡'t es la media y o la desviación típica de un conjunto de mediciones que están distribuidas normalmente. 4.83. (b) P(-1.80' 4. entre 1.64). (b) a la izquierda de z:0.4O. (b ) al menos 3.4 respectivamente.85 m. lt!aosea .618 pul inclusive.96 =_ Z < t.84. (c) Si las estaturas de 300 estudiantes están distribuidas normalmente c\on media 1. Interpretar los resultados.59 y 1. 4.(b)z=I. Demostrar que si una dishibución binomial con n : 100 es siméhica.55 m.t ! 2 o. Demostrar las fórmulas en la página 109 para los coeficienües de seego y curtosis. z:-I.45.8{. Evaluar (o) ) (c - p\3 f (r) v (b) > (r .61? pul. De acuerdo con las tablas de los actuarioe la probabilidad de que una persona de esta edad específica esté viva en 30 años es 213. dondeZestádistribuidanor¡nalmenteconmedia0yvarianzal.610 y 0. haltar (a) P(Z = -1.615 pul. ¿Cuál es la cslificación mínima que debe obiener un estudiante para recibir una A ? Si un conjunto de mediciories está distribuido normalmente.?O m y desviación típica 10 Si los diámetros de los cojinetes de municiones están normalmente distribuidos con media 0.6140 pul y desviación tipificada 0. (dl al menos I persona esté viva. Un agente de una compañía de reguros vende pólizas a 5 personas.82.gShallarlacon¡tanteatalqueelporcentajedelo¡casos(o)dentrodelrecorrido 7 í'.80< z< !. 4. (d) igual a 1. (d) iguales a 0.e z: -1. (c) solament e 2.608 pul.77. En un examen la media fue 78 y la desüación típica 10.2O y z --2. (c)z:-2. (d) correspondientea z>:2. llallar el área bajo la curva normal z: 0.?8. (/)ala izquierda de z:-2.23yz:1.!6. 4. Z está distribuida normalmente con media 0 y varianza 1.78: Hallar los valores sea 0. Hallarz¡ si P(Z-21)= 0.r)af(rl para la distribución binomial. (c ) mayor que g 1.15 y z *aO.2 respectivamente.5 o? 4'83.t'c. Hallar la probabilidad de que en 30 años (o) Ias 5.56.50.0025 pul. (d) coeficiente de curto¡is para una dishibución binomial en la cualp : 0. 4. (b) menos que p .74.71. (c) menores que 0.69.23 y z sea O. hallar P(X > S).? y n : 60. DISTRIBUCION NORMAL 4. (c) a la derecha d.

TEOREMA DEL LIMITE CENTRAL 4. Entonces se coloca la bola en el talego.94.(c)6. 4. 1/2 -r -t Demostrar el teorema del límite central para las variables independientes 'Yk donde g = | | 1 prob. Department of Health. 4. . Xz. Un talego contiene una bola roja y siete blancas. (b) menos que 90 caras.2. hallar la probabilidad de que en una muestra de 100 lámparas eléctricas (a) 0. 4. Se lanza un dado honrado 6 r¡ece¡.ar la función generatriz de momentos). de loe tornillos sean defectuosos. Halla¡ la probabilidad de que 4.101.t9.(f)menosdeS ahogados por año.0 de cada 100 000 personas. página I 1 1 . página 113.95. . Demostrar que si respectivostrr X1 ¡l X2 son variables independientes con distribuciones de Poisson con parámetros ytrz. DISTRIBUCION DE POISSON 4.97. o 2lámparas eléctricas sean defectuosas. (b) cada ca¡a una vez. (e) 4. "heses". S. Se extrae una bola y se obsen'a su color. .99. -'.(e)entre4y8. (c) menos de.93. (b) entre 1 y 3. (c) menos de 85 o más de 116 caras. el promedio de ahogados en accidentes por año es 3. . 4l DISTRIBUCIONES DTSTRTBUCTONES DE PROBABTLTDAD CON NOMBRE PROPTO PROBABILIDAD PROPIO I47 L47 APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 1.1 t\. f(r) =.10O. .(b)2. . 36 LO"/o de los cuales son defectuosos.b. Utilizando (o) la distribución binomial y (b) la aproximación de Poisson a la distribución binomial.96. 2 "doses" y . 4. (b) 7. ( t 3 ). Según Ia National Office of Vital Statistics of the U.(d)8. 4. Hallar la probabilidad de que un estudiante pueda acertar eorrectamente lasrespuestas a(a)12 o más de 20.97. del límite central no sea válido en el caso que X¡ .(Sugeren- cia: Utiliz. 4. (d) exactamente 100 cara¡. ( L 1 prob. 4.cAP.(n5lámparar sean defectuosas. enunaciudadcuyapoblaciónesde200000ocurran(a)0.entoncesXr+X2 tieneunadistribucióndePoissonconparámetro). son independientes y están distribuidas idénticamente con la distribución de Poisson. Demostrar el teorema del lfmite central para el caso en q rre X ¡. (bl 24 o más de 40 preguntas en un examen tipo verdadero-falso. Hallar la probabilidad de obtener más de 25 "sietes" en 100 lanzamientos de un par de dados honradoe. Xz. hallar la probabilidad de que en 8 de tales extracciones se seleccione una bola roja 3 veces. Hallar la probabilidad de que en un muestreoaleatorio de 400 tor4illos producidos por estamáquina (a)máximo 30. arí generalizando el Problema 4. Demostra¡ el teorema del límite central para las variables independientes xk = 4. Una máquina produce tornillos.92. 4. 1/2 prob. 3 .#Tf DISTRIBUCION MULTINOMIAL 4. Explicar por qué se podría esperar que el teorema üengan la distribución de Cauchy. Si 3% de las lámparas eléctricas producidas por una compañía son defectuosas.88. Generalizar el resultado a n variables.90. hallar la probabilidad de que (of rnís de 5. Hallar la probabilidad de que en 200 lanzamientos de una moneda resulten (a) entre 80 y 120 caras inclusive. (d) 3.87. Demostrar el resultado (l 7). (c)entre y 46. (d) 55 o más. Education and Welfare. <x< @ 4. r¡ : L - p.91. (b)entre 30y 60.98. En el Problema 4. f.9!. p pr. Halla¡ la probabilidad de que el resultado sea: (o ) 1 "uno". (c)2.

Emplear la aproximación binomial (18) obtenida. (t) P(l = X=2). Demostrar directamente que (22). cuando N ' e. o:2. es una función de densidad.115.11E. 4.103. (b) P(Xz > r2). Y son independientes y ambas eetán distribuidas uniformemente en el intervalo de 0 a 1.119.122. DISTRIBUCION HIPEBGEOMETRICA 4.Hallat(a) P(X i. 4. hallar la probabili4.102. Z.109.4 4. Una caja contiene una gran cantidad de bolas rojas. 4. 4. De 60 aspirantes a una universidad 40 son del oriente.107. Si se seleccionan 13 cartas aleatoriamente (sin remplazamiento) de una baraja de 62 cartas. tl¡llar(o) P(X= 1). Yerificar la (a) función generatriz de momentos dadas por (33 ).111. Hallar la función generatriz de momentos para la di¡tribución uniforme. entoncel su mdia 4.9: 4. normalmente con media 0 y varianza l Demostra¡r que Y: Xt lXz tiene una distribución DISTRIBUCTON GAMMA 4.Hallar(al P(X <1).116.114. Una variablealeatoriaX tiene una distribución gamma conQ:3.120. azules y amarillas en la proporciün 4t 3z 2: L. Demostrar que si X1 y X2 son independientes y tienen la misma distribución {e Cauchy. 4. ¿Porqué en este caso el 4. 4. 4. 2 ó 3 en cuatro lanzamientoe de un dado honrado. SiXestádistribuidauniformemente en-2< x=2. (b) todas sean blancas.106 y e¡tudia¡ la precisión 4. blancas. Suponga que X tiene una distribución de Cauchydeacuerdocon(29). y (b) la función caracterfstica de la di¡tribución gamma . 4. 4. Si X. recorrido gemi-intercuartílico es un eustituto de la desviación tfpica? aritmética también tiene esta distribución. 2 zzulee y l amarilla. Determinar el coeficiente de (a) > ll 6/. Si se seleccionan 8 bola¡aleatoriamente (sinremplazamienüo) determinar la probabilidad de que (a) 4 sean rojar. sean del oriente.106.págrna114. Demostrar que el recorrido semi-intercua¡tílico para la di¡tribución de Cauchyeeo. (b) no más de 2. ó (24\ se para resolver el Problema 4. Hallar (a) el tercero y (D) el cuarto momento alrededor de la media de una dishibución uniforme. sesgo y (b) curtosis de una di¡tribución uniforme. DISTRIBUCION UNIFORME reduce a (I ). hallar la probabilidad de que (o) 10.11?. Si Xt y Xz son independientes y distribuidas de Cauchy. Verificar que (31 ). Una caja contiene 5 bolas rojas 5l l0 blancas.(b)8 sean rojas y 2 amarillas. Hallar la probabilidad de no obte4er un 1. (b) ninguna sea figura. página 116. hallar P(lX . 4. Determinar los valore¡ modales de la distribución gamma. S blrncar.z 114.fl DISTRIBUCION DE CAUCHY 4.113.112. (b) P(lX-11 = +).104.121.105.116.148 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cA¡. página 108. página 115.págin.110. (c) al menos una sea roja. Si se seleccionan 20 aspirantes aleatoriamente. 4. Generaliza¡ el resultado del Problema i.108. Hallar la probabilidad de que de 10 bolasextraída¡: (o) 4 rean rojas.con < 2). dad de que (a) 6 sean figuras.

9:2.2gs para r = 150. (c) F.rs.12?. Halla¡ los valores de ¡2 para los cualec el área de la cola derecha de la dietribución x2 de grados de übertad z ec igual a (o) 8.ss. 4..rz.025. (o) llaltar x! y x? tales que el área bajo la distribución x2 correspondiente a v -. hallar el valor ie .140. 4.¡' 4. Verificrü que (34).05. v: -f1 sea 0. la distribución ú es 0. Demostrar que (a) E(xz) = DISTRIBUCION ú DE STUDENT 4.. grados de libertad DISTRIBUCION x . 4.136. Hallar el valor de: (a) F. Verificar que la integral desde u lsugerencía: Hágase a : 0 hasta e v2u).valores de grados de libertad I ú para los cuales el á¡ea de la cola derecha de es igual z (a) 4. Hallar los .rzo. (b) el área a la izquierda de xi sea 0.10'(d)el sea 0. es una función de densidad. er igual a 1. (d) el área a la derecha de ú1 sea 0. (b) F.eo. (c) 28.or'so'lr-.20 91tt: 1i Y_4_. (b) 12. Demostrar que la distribución beta tiene una moda l¡nica en DISTRIBUCION CHI-CUADBADO r: (a - l)/(a P(lX-+l = +).01.125.páSrrra 115. ¡2o egtá x?ozs y (b) xizs para'r = 4.ss. hallar el valor de ú¡tal que (a) el área a Ia derechadeú1 seaO.2.132.01 y ¡.oo.or. (c) P(U = cl = 0'20. si el r.ol/l'. (d) 40. Demostrar que para grandes valores de 4. Resolver el Problemz 4. (ó) y (b) x. hallarlaconstantec talque (a\ 0.rales a la derecha de xB y a la izquierda de x!.donde zo hra una distribución f de Student con 15 grados de libertad.ti ti¡l gue (o) el área a derecha de ¡l sea 0.130. Q) F. / una buena aprorimación para percentila (100p) de la distribución normal tipificada.55 ! 4.129.95. 4.(b)eláreaalaizquierdadetlsea0.cAP.95. 4. Halla¡ (o) 4.zoi (.05. área combinada a la derecha de ú1 y a la izquierda de -f1 4. (b) Demostrar que si la suposición de áreae iguales en la parte (o ) no se cumple.134.124.01. (d ) 60.131.139.2\' 4. Demostrar que para 1 grado de libertad la distribución ú es una distribución de Cauchy. Si la variable U tiene distribución chi-puadrado P(u < x?) : 0.rúmero e.g.141. (c ) 25. (e ) 150.123.' dada Por r * .(c)eláreaaladerechadeú1 eea0. ee la 0.z¿i (d) F.727 si el área de la cola derecha es 0. Si una variable Utiene una distribución de Student con ¡. (b) 19. Para una distribución chi-cuadrado con 12 grados de libertad./(. hallar x2.90yy:25t (b)eláreaalaizquierdade-ü1 sea0.142. (e) el área entre -f1 f f1 sea 0. f f.1 de la función de densidad (45'¡.05. (c) P(x?< U < x2z) = 0. si el número de 4. - 2).133.126. (D) P(-a= U 3 c) :0. lJnavariablealeatoriaXtieneunadistribuciónbet¿cono:3.%t con y :7.02'5yv=20'(c)eláxea 16. = t2ul(v1* . Hallar 4. (d) P(U 2 c) = Q.99.01.¡. Demostrar que la va¡ianza de la distribución t de Student con t.136.01. v.gc. (c) el á¡ea a la derecha de xl sea 0.9¡' P(U>c)= 4. pígirn 117. : 6. 250. Hallar los valores de úr para la distribución de Student que satisface cada una de'las condiciones siguientes: combinada a la derecha de ú¡ y a la izquierda de (a)eláreaentre-ú1 yút seaO.128.50.98.os.90. y x! tales que (a) P(U > x?rl = 0'025.? 9:?^5: suponiendo ireae'ig.i) 4.13?. los valo-res de x? y x! no son únicos' 4.4l DISTRIBUCION BETA DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO t49 4. + p . \b\ Yar (7zl -.13E. Hallar (a) es la x.:10. v ) 2.

(Sugerencia: Ilaga la transformación u : 1/u).e8¡zsa \z /' * (tlu)to.^h.4 4. Sean las variables independientes n X¡.0.. constantes y b2 < ¿c.155.16O. DISTBIBUCION NORMAL BIDIMENSIONAL 4. (ó) io ". .146.6O. 4.153.147. y varianza 1.156. c. ¿Puede deducirse la ley de los grandes números en forma débil del teorema del límite central? JuEtificar su solución. k=1. rj +n'r l¡ = ¡'oof 4.c<ts -.r.144.. Y mnjuntamente tienen la distribución bidimensional (19). (a > o' o .. 4.8. Hallar la función generatriz de momentos de la di¡tribución hipergeométrica..150... demostrar que e8t6n distribuidas marginal- "? y oi respectivamente. Demostrar el Teorema 4-5. Y tienen la función de densidad conjunta f(r.. Demostrar que 2u (.143. 4. É^ ¡=o . Demostrarque k=l ) X* tiene distribución de Pascal 118).154. mente con varianzas h aon 4. .' o) 4. Xz.. b.. 4. PROBLEMAS DIVERSOS 4.. .0.n. k=l son variablee aleatoria¡ independiente¡ disürluna distribución chi-cuadrado con y libertad. . Demosha¡ el teorema del límite central para el caso donde Xt.0r..o2)a(0.161.A) = ke-(!¡z+2bra+"v'l donde a. demostrardirectamentelosresulta- 4. 4. libertad respectivamente.r. Demostrar que cuando v "> @ la distribución f de Student tiende a la distribución normal tipificada. Si X. . Demostrar el resultado (46).37 demost¡ando que si buidas normalmente con media 0 grados de 4.. Demostrar el Teorema 4-8. 4. página 116. Generalizar el Problema 4.X. Demostrar el Teorema 4-10. ento'nces ) Xf ti"tt" 51. Si Xr.pfuinal77. Completar la demostración de la ecuación (8) del Problema 4..1 o2 .Porevaluacióndelasseries dos del Problema (") 4. + Xn. ¿tiene X2 una distribución chi-cuadrado con 1 X1. página 114..36.15E.162.149.. página LL8.14E. RELACIONES ENTRE LAS DISTRIBUCIONES CHI-CUADRADO. Suponer que X. Halia¡ el valor aproximado de (t3o). de 4. página I44. mente tienen una distribución idéntica. son independientes pero no necesaria... Si X está distribuida normalmente con media g y variznza grado de libertad? Véase Problema 4.. (véase página cada unacondistribucióngeométrica.. 4. 4.7ffi1.159.prgradoe X¡ + .. Demostrar los resultados (20) y (23). prfuina 118. página 118. Verificar que estas constantes son l¿¡s dadas en (19).150 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.157.145. hallar la función de distribución de lonva¡iablesaleatoúasindependientescon di¡tribuciónchi-cuadradoypr.I Y T' 4.X. . 4.e8)2ez \3 /' y dar una interpretación de probabiüdad.

página 119. Estudiar qué le sucede a la varianza de l¿ distribución t 4.162. (c) la velocidad más probable. La probabilidad de que una molécula de un ideal terga una velocidad enhe u y u I du está dada por cuze-mv2lzkT du donde k e¡! la consúon te de Boltzmann y T es la üemperatura Kelvin del gas.esdecirlarafzcuadradade la velocidad media al cuadrado). (b) v = 2. Estudiar qué le sucede a la media ¡i (o) r = .4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 4. . y varianza de la distribución gas para loc casos (o) (b\ v2= 4.164. Comparar sus resultados con l¡ entrada 5.F' f.cAP. (d) la velocidad efectiva(rme.163. (c) v1* 4. (b ) la velocidad media. Determinar (a ) la conetante c.

.

Farte tl ESTADIST¡CA .

.

Esto se hace con el propósito de inferir cieitos hechos respecto de la población de los resultados hallados en la muestra. INFERENCIA ESTADISTICA Con frecuencia en la pÉctica estamos interesados en extraer conclusiones válidas respecto a un grupo grande de individuos u objetos. por ejemplo.n: 60. Primero. llamado la población. la palabra poblacíón se utiliza para denota¡ la. En este caso los tornillos producidos durante la ¡emana conforman la población. El-proceso de obtener muestras se llama muestreo.4 podemos hablar de Ia población de todos los 200 colores en la urna (algunos de los cuales pueden ser iguales). como en "la población de determinada ciudad es de 180 000". mientras que si cada miembro no puede seleccionarse más de una vezwllamamuestreo sin remplazamiento. que se llarna la muestra. en tanto que los 120 tornillos escogidos constituyen la muesha. Deben nota¡se varias cosas. N : L2 000. tenemos la alternativa de colocarlo o no en la uma antes de una segunda extracción. En forma semejante el número en la muestra se llama el tamóño de la muestr. mienhgs que en el segundo caso solamente puede seleccionarse una vez. denotada pot n. EJ EMPLO 5. puede llegarse a la idea de examinar solamente una parte pequeña de esta población. Se podría obtener una muestra al examinar. loa primeros 60 lanzamientos de la moneda y notar los porcentqiea de caras y sellos.1.c. la población puede ser finita o infinita. En el Ejemplo 5.Capítulo 5 Teorío de muestreo POBLACION Y MUESTRAS. Desearfamos ertraer conclusiones respecto a la honradez de una moneda deüerminada al lanzarla repetidamente. Segundo. Tercero. 1 . EJEMPLO 5.3. 155 . EJEMPLO 5.s y no los individuos u objetos.2.4.S. Desearíamos extraer conclusiones reapecto a los colores de 200 bolas (la población) en una urna seleccionando una muestra de 20 bolas de la urna. EJEMPLO 5. En cambio de examinar un grupo entero. Desearíamos extraer conch¡siones respecto al porcentaje de tornillo¡ defectuosos producidosen una fábrica durante una semana de 6 dfas examinando 20 tornillog diariamente producidos en tiempos diferentes du¡anté el día. el número se llama el tamaño de Ia población.Y SIN REMPLAZAMIENT\O Si extraemos un objeto de una urna. zamiento. MUESTREO CON.1 podemos hablar de la población de 12 000 estaturas (o pesos) en tanto que en el Ejemplo 5. n = 100 mientras que enelEjemplo S. Así en el Ejemplo 5. La población consiste en iodos lc lanzamientos poeibles de l¿ moneda. En el primer caso un objeto determinado puede seleccionarse una y otra vez. El muesbeo donde cada miembro de una población puede seleccionarre más de una vez se llama muestreo con rempla.Nesinfinito. generalmente finito. la palabra población no tiene necesariamente el mismo significado como en el lenguaje común. comítnmente denotado por N.lo cual puede resultar difícil o imposible.s observaciones o medida. donde cada bola seleccionada se regresa luego de observar su color. Desea¡íamos extraer conclusiones reapecto a las estaturas (o pesoe ) de 12 000 estudiantes (la población ) examinando solamentc 100 estudiantes (la muertra ) seleccionados de esta población. un proceso conocido como inferencia estodística.

entonces los parámetros poblacionales también son conocidos.1 si X es una variable aleatoria cuyos valores son las estaturas (o pesos) los 12 000 estudiantes entonces X tiene una distribución de probabilidad f(r). lo cual J" co. PARAMETROS POBLACIONALES una población cuando conocemos la disbibución de probabilidad -_ Se-consjdera que se conoceo función /(r) (función de probabilidad de densidad) de la variable aleatoria asoóiada X. utilizando una tablá de númerosaleatorios 1epénaice I)especialmente construida para tales propósitos. Otras cantidades tales como la mediana..o"e comó muestra ales. pueden determinarse en terminos de estos. unó de los proble de la i4ferencla estádística es "3-o ". como p y o en el caso de la distribución normal o p en el caso de la distribución binomial. y entonces emplearlas para obtener valores Como ejemplo ilustrativo. a que la inferencia _ Debido probabilidad en lenguaje de de la muestra a la población no puede ser cierta debemos emplear el cualquier proposición áe conclusionés.. Existi¡án ciertas cantidades que aparecen en f(r).1 donde X es una variable aleatoria cuyos valores son las diferentes estaturas. por ejemplo. de modo que conocemos /(r). Para obtener una muestra de tamaño 100 debemos primLro escoger un individuo aleatoriamente de la población.48. si X está binomialmente distribuida. X está normalmente distribuida decimos que la población está normalmente distribuida o que tenemos wa población normaL En forma semejante. Este individuo puede tener cualquier valor. decimos que la población estÁ binomialmente distribuida o que tenemosunapoblación bínomial. momentos.toria. donde el subíndice 1 se emplea ya que corresponde al primer individuo seleccionado. sesgo.156 TEORIA DE MUESTREO lcAP. etc. Lógicamente. el válor de la variablé aleatoriaX. Para la mayoría de propósitos prácticos el muestreo de una población finita que er *úy grande puede "otrrideturr" como muestreo de una población infinita. Todas estas cantidades se conocen como panímetros pobhcíonales. de las diferentes estaturas posibles y llama¡nos r. en forma equivalente. robabilidad f(r) de la menos poder formular podemos tener alguna sabríamos uno o ambos de los valores rt y o yasí desearíamos estimarlos. de Si. mente' En tal caso no ESTADISTICOS MUESTRALES Podemos tomar muéstras aleatorias de la población que sirven para estimar los parámetros poblacionales. MUESTRAS ALEATORIAS. por fjemplo.se suficientemente bien. consideremos el Ejemplo 5. NUMEROS ALEAT'IORIOS penden de si la mqestra una muestra. en el Ejemplo 5. Véase Problema 5.El muestreo aleatorio puede efectuarse para poblaciones relativamente pequeñas extrayendo lotes o. Cuando nos dan la población. la confiabilidad de las conclusiones extraídas concemientes a una población deha escogido de tal modo que represente la población lo . 5 Una población finita muestreada con remplazamiento puede teóricamente considerarse infinita ya qqe pueden extraerse mueshas de cualquier tamaño sin agotar la población."og". De la misma . por ejemplo rr. Una forma de hacer esto para poblaciones finit¿s es asegurarse de que cada miembro de la población tenga igual oportunidad de encontrarse en la mueslra.

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

á dada por E[(X-ti'l: "l = ¿ n donde o2 es la va¡ianza de la población. El Teorema 5'1 establece que el valor esperado de Ia media muestral Teorema 5-2: Si una población es infinita o si el muesheo es con remplazamiento.5. Nótese que (6) se reduce a (5) cuando N . De otra forma Io anterior es conecto si remplazamos o/l/-n en (7\ por o* como se da en (6). estn lim P(Z -z z) = -= f = J 1 vzr -* "-uztz ¿r. denotada por oi.6. = ll s_t_1_t_gl" 5 5 DISTRIBUCION MUESTRAL DE MEDIAS Sea /(r) la disbibución de probabilidad de alguna población dada de lia cual extraemos una muestra de tamaño n. 1. 2 entonces la media muestral . denotada por .r es F*.158 TEORIA DE MUESTREO Jrf ll |"'Fi.ux.(¡¿ -n\ -f / en tanto eue ¡r* aún se da por (4). la media de la población. Teorema (5) 5-3: Si la población es de tamaño N. si el muestreo es sin remplazamiento. = t' es la media de la (l) población. y si el tamaño de la muestra es n S N.-. Teorema (6) 5-4: p y vaianza o2 entonces la media muestral p y vananza é/n. 9.¡ n lcAP. que se llama la distribución muestral para h media de la muestm o la distribución muestrcl de medias. Entonces la variable tipificada asociada con X. Se supone aquí que la población es infinita o que el muestreo es con rernplazamiento. página 112. . Los teoremas siguientes son importantes en este sentido. Si una muestra de tamaño 5 resulta en los valores muestrales 7. está dada por E(X) = donde ¡. entonces (5) se remplaza por o2/N . oft = . Si la población de la cual se toman muestras está distribuida normalmente con media está normalmente dishibuida con media Teorema 5'5: Si la población de la cual se toman las muestras tiene una distribución de probabilidad con media p y vatianza o2 que no necesa¡iamente tiene una distribución normal. (s) El Teorema 5-5 es una consecuencia del teorema del límite central.. est. 5 (3) EJEMPLO 5. entonces la varianza de la distribución muestral de medias. Teorema 5'1: La media de la disbibución muestral de medias. dada por Z: es x-r "/\n es (7) normal reintóticamente. Entonces es natuml buscar la distribución de probabilidad del estadístico muestral X.

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

-X). opr-p. El estimador Q6) insesgado qu9 9sq rnuy próximo a o2 solamente para grandes valores de n (n q2 (x. et y pz. entonces la media de la distribución muestral de varianzas está dada por E'(s. Refiriéndose al Ejemplo 6..la varianza mueshal tiene el valor a2 = en tanto que la ertima inseegada eetá dada por +(6-6)2 - z Ao s. ez respectiva¡nente. página 78. + (x^- X¡z n-I (17 ) de modo oue u(D') = g' (t8) Debido a esto. Sin embargo. y 52 tiene media y desviacián üípica dada por Fsr+s.s. . + (xz.= 5 .t)'' t(S2) : o2. PzQz (13) En cam!:i. (11) nrruestras son independientes. Qe) N* - ésta se reduce a (16). Sienrpre que el valor . y S. entonces la variable aleatoria que da la uarianza de la muestra o la uarianzt muestral se define de acuerdo con (14). por (X.S. 5 Resuitados cortespondientes pueden obtenerse pan disfuibuciones muestrales de diferencias de prcpordónes de doe poblaciones distribuidas binomialmente con parámetros pt. supotriendc rtii€ ¡a-s = ¡'s.iZA MUESTRAL 9i Xtr Xr.P". y iai-ecuaciónes (I1 ) resultan Ittt-?z . y P.X).) Cuando = ps2 : ("\) (+). algunos estadistas escogen para definir la varianza muestral por S. En este caso . Sin embargo.5.... de es+.e parámet¡o.= li4-6ri \¡"- Los resultados anteriores son válidos si el muestreo es de una población infinita o con remplazamiento para una población f¡nita Si el muesheo es sin remplazamiento de una población finlta de tamaño N. resulta ser que (véase Problema 5. : {"'rr4r. X. en cambio de 52 y sencillamente remplazan n por n -1 en el denominador de (15). VARIA¡..20) ¿'(St) está definido por = Asr : ?-Joz > 30). denota las variables aleatorias para una muesha de tamaño n.-i)'? + (Xz-. . corresponden a las proporcioneJ de éxitos P. continuaremos definiendo la varianza muestral por (I5). X\z (15 ) Entonces en el Teorerna 5-1 hallamos que E(*) = A y sería increíble si también pudiéramos tener esperado de'un' eit"dírti"o sea igual al parámetro poblacional conespondiente llarnarnos al es+¿dístico un estimador insesgdo. osr. Se pueden obtener recultados semejantes a (1 1). * l's. página l57. : {$j$ : Pút . y el valor una estima insesgada. -. EJEMPLO 5. + . puesto que al hacerlo así muchos resultados posteriores se simplifican. .llpt iLp2 Pt.6.160 TEORIA DE MUESTREO lcAP.o de rcnal diierencias de estadísticos algunas veces estamos interesados en la suma de estadísticos. En '"al caso ia distríbución muestral de la suma de estodísticos S. i (X^-.

5l TEORIA DEMUESTREO 161 DISTRIBUCION MUESTRAI. denota con frecuetlcia por ¡2.grados'de libertad. Una posibilidad es estimar la varianzá poblacional utilizando una o más varianzas muestrales y luego colocar la corespondiente^ desviación típica en (21).22. Sin embargo. Puesto que no tenemos que conocer la varianza poblacional con frecuencia nos referimos al anterior tipo de muestreo como la teoría de pequeñas muestras o teoría de muestreo exacto. Teorema 5-6: Si se toman ríuestras aleatorias de tamaño n de una población que tiene una distribución normal entonces la variable de muestreo (20\ tiene una distribución chi-cuadrado conn - 1 grados de libertad. UtilizAndo la misma idea po es más buci ¿" diferencias de varianzas.i2 o2 (20) o- La distribución de esta variable aleatoria se describe en el'teorema siguiente. en tanto que es normal asintóticamente si la población no es normal dado que n >: 30. En (2I ) hemos supuesto lógicamente que se conoce la varianza poblacional o2 . que se Si se toman muestras aleatorias de tamaño n de una población normalmente distribuida entonces el estadístico (22) tiene una distribución ú de Student con n . se Debido al Teorema 5-6 la variable en (20\ ción de este teorema véase Problema 5. . Se encuentra que el Teorema 5-7 es válido aun cuando las muestras se tomen de poblaciones que no son normales p-ero que tengan distribuciones en forma de campana como la distribución normal. podemos considera¡ él estadísü próxima a 1 indicaría una pequeña pequeña indicaría una gr¿rn áiierencia mientras que una relación diferencia. en muesa la particular diferencias de medias.cAP.1 grados de libertad. S/\n X-t' slltn'- (22) r ü Podemos entonces demostra¡ utilizando el Teorema 4-6. resulta ir¡ ande o e un bien complicada.Si. Es natural preguntar qué sucedería si no conocemos la varianza poblacional.la variable tipificada Z= X-¡t "/yñ. pagjna 117.24. En cambio de hallar la distribución muestral de S' ó S' es conveniente hallar la distribución muestral de la variable aleatoria relacionada nS! . - 1. 5-7: DISTRIBUCION MUESTRAL DE RELACIONES DE VARIANZAS En la página 159 indicamos cómo pueden obtenerse distribuciones muestrales de diferencias. Establecemos esto en el teorema siguiente. (21) está normalmente distribuida si la población de donde se toma¡on Ias muestras de tamaño n está normalmente distribuida. DE VARIANZAS Tomando todas las posibles muestras aleatorias de tamaño n extraídas de una población y computando la varianza para cada muestra podemos obtener la distribución mueshal de varianzas. Una mejor idea es remplazar la o e-n (21) por la variable aleatoria S dando la desviación típica muestral'e investigar la distribución del estadístico correspondiente que designamos por ft1 X-t. que ? tiene una distribución de Student con n Teorema demuestra en el Problema 5. Para una demostra- CASO DONDE LA VARIANZA POBLACIONAL SE DESCONOCE En los Teoremas 5-4 y 5-5 hallamos que. En cambio. Si.

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

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

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

Halla¡ (a) la media de Ia población. Considerar todas las muestras posibles de tamaño dos que puedan extraerse con remplazamiento de esta población. . /l¿¿ tni (s 1) etc.(tr l cr- de tal modo que obtenemos de (3I ) las fórmulas claves 0 = c2(XIi-M'l) l1tt = cj(Mi.i7-- xIi- f /¿¿' n entonces las relaciones (3f ) también son válidas para las M. 6. 8. para muestras.tt¿'i2 ntlt .s resueltos DTSTRIBUCION MUESTRAL DE MEDIAS 5.Snt\mí + 2tn.U (b) . .-'(i)r ¡) ri 5b *rt-f.1. (c) la media de la distribución muestral de medias.29. (a) r o2 = 12___i_E_l_e_ll J :l --. ((i _1 (8. etc.utiui+ 6It[i'M3 .(ir. la curtosis. : t: hl . '1 9 + 0 c + 41'21 - 10.8 y o = 8. Si escribimos il.ll ---- 30 Lr. Itt Fórmulas semejantes existen p¿üa momentos superiores. es decir.gM'r") (32) etc. 5l TEORIA DE MUESTREO 165 y al origen respectivamente están dados por ¡'rt . l¿ I' . r !11 0. (30) Las dos clases de momentos están relacionados por ?ll1 Q tnz -: 1n:.gWiMí + 2M'r3) lnt = cl(xIi. Pero 'rrr : >("j)l lln = /tlr = n¿z )'/[(a + c¿r) -. Una población se compone de los cinco números 2.\3 t)t1 mimit+ün\2ntí-Bn{ra f. (d) la desviación típica de la distribución muestral de medias. pueden hallarse Probletna.. _ l(.fi l-''' n * f rt'i' 4JÁ s f. Así los momentos r con respecto a la media rl n (2e) . It. 3.^. (b) la desviación típica de la población.cAP. el error típico de medias. 11. Lógicamente la segunda ecuación de (32) es igual a la (28).r 11. De una manera semejante otros estadísticos como el sesgo..

y la media de la distribución muestral de medias es 9.166 TEORIA DE MUESTREO lcAP.11) (3.0 6.5. Las correspondientes medias muestrales son 2.29.o2/ N .6.5.0 poniendo de manifiesto el hecho de que tÍ - (d) La varianza. rj).-. 4. (d) I'a varianza o{.0 -('25-10 - c. o: 3. 10'8/5 .5 = 6. ll ).5.1.8. éstas son (2. Lo mismo que en el Problema 5. (3.O. nuesto que segundo -:^-L-^ "" (.0 : itO + 6.1¡ muestras (2.8) (8.6).8).40.\ N _irl. 8. + l:1.5 7. (2. 5.5 + 4.6) \2. (2.4.5 (c) Hay 5(5) : 25 muest¡as de tamaño dos que pueden extraerse con remplazamiento (puesto que cualquiera de los cinco números de la primera extracción puede asociarse con cualquiera de los cinco nfrmeros de la segunda extracción).5 .5 1 4.47.6) (6.40 = 2'32 Esto pone de manifiesto el hecho de que para poblaciones finitas en las que se efectúa muestreo con remplazamiento (o poblaciones infinitas). elevando al cuadrado cada diferencia..2\ Esto pone de manifiestrque '' .2) 12.U t< (.* .* 2. 11).0 y la media de la distribución muestral de medias . 5.?.5 5. or". 7. de tamaño dos que pueden extraerse sin remplazamiento (esto significa que se extraerá un número y después otro número diferente del primero) de la población. _Í ) . 5. (3. Para una demostración general de este resultado véase hoblema I .3).6.0..11) 4. 6) (8.puestoqueel segundo miembro es 10.40 de modo que o.. (8.5 I.0). ) "l . 2) (8.2).5 6. 3) (2.8) Las correspondientes medias muestrales son 2..5 7. 4.0.5.0)2 = 4.1 para el caso de muestreo sin remplazamiento.6) (tt. 11). (6. 8). (6.2."\.05 Y ox r. + (9. 5.11) (1r.8/2 = 5.0 8.r ) 4.!lr_115.11) (6."2*= o2/r. 3) (rl.r' = 16. de acuerdo con el valor anterior.0 O.3) (6.0 7.5 ¿" (l 8. (o) y (ó) como en el Problema 5. (c) Hay iC-. que es el valor obtenido anteriormente.3) 111.0 (2. ¡r: 6 y o2 :10.b - 6. se considera la misma que (8. 3) (3.0.0 5.5 11. Estas so r (2.8) \3.0 es 8. 7. sumando los 25 números así obtenidos y dividiendo por 25.5 + 9.2) (6. 11) La selección (2.0r 6. de la distribución muestral de medias x es 6. 8). l'I1!11-q9-"'-lgl-99'":'I9't3ls 25 comprobándose que ) 150 tt - o'' t{' -.8) (6.f. 7. 4 135 : -.2.0 + 7.to oue el sesundo miembro ^^ .0 -i.5+ 5.1-¡ . Para una demostración general véase Problema 5. 6) (3. (3..D 6.0 5..8) (11. Para una demostración general véase Problema 5. de la distribución muestral de medias se obtiene restando el valor de la media 6 de c¿da número de (1 ).3).0 9.2t (3.5 9.5.05.0 otr 3.01.0¡:: -f -' . ¡'.5 + 10 /r. El resultado final es .8. 6.11) (8.2) (11.0 4. por ejemplo.

02 onzas.6 (68. (b) sin remplazamiento? El número de muestras de tamaño 25 que teóricamente pueden obtenerse de un grupo de 3000 estudiantes con y sin remplazamiento son (3000)2s V aoooCzs. pulgadas. Si se toman 80 muestras de 25 estudiantes cada una.5l TEORIA DE MUESTREO r67 5.6 (o) 66.8 y 68.67) : : (área a la izquierda de z : 0) y z : O) .5) : O. \a) p*. para todo propósito práctico. De aquí que con 80 no se obtenga realmente una distribución muestral de medias.304 o cero. puesto que el número de muestras es grande.0038 -2 A7 Entonces el nhmero de mueshas esperado es : (80)(0. Así se tiene.30 500 /ioo 500-1 - 100 0. Sin embargo. 5. (b) de más de 510 Pa¡a La distribución muestral de medias ox- o yn !* = p = N-n N-1 5.0 pulgadas y desviación típica 0.0pulgadas o vn N-n _3 N-1 \/% .(área a la izquierda de z : -2. (b) menor de 66.6 pulgadas 3000 3000 (b) p* = p - 68.4 - 68.0)/0.6 pulgadas y puede.6 pulgadas. = tL = 68.8 .5 Proporción de muestras con medias entre 66.3 en unidades tipificadas : : (66. Fig.67 Proporción de muestras con medias menores de 66.0 0. Hallar la probabilidad de que una muestra af azar de 100 cojinetes elegidos entre este grupo tenga un peso total (c) comprendido entre 496 y 500 onzas.1915 : 0. considerarse la misma que en el muestreo con remplazamiento.4. pues.8 en unidades tipificadas 68. 5-3 5.3 cabría esperar una media (o) entre 66. : (área bajo la curva normal entre z : -2. (b) 66.4962 : -2.02 onzas y una desviación típica de 0.3 La media X de una muestra en unidades tipificadas viene dada por Z X-p* aX X-68. habría mucha aproximación entre las dos disbibuciones muestrales.6 : -2.0)/0.8 y 68. la media y desviación típica esperadas serán muy próximas a las de la distribución teórica. sino solamente una distribución muestral experimenú¿1. Quinientos onzas. por tanto.0 pulgadas. Por ello.3 pulg. 0.5\ :(áreaentree:-2yz:O) * (área entre z : O y z : 0.68.3 .68.0 y z : O. ¿cuál será la media y'la desviación típica esperada de la distribución muestral de medias resultante si el muestreo se hizo (o) con remplazamiento.cAP.5 - 0. cabría esperar que la distribución muestral experimental de medias se distribuya aproximadamente normal con media 68.4 pulgadas .25 -1 que es ligeramente menor que 0.30 onzas.02 ? .3. Supóngase que las estaturas de 3000 estudiantes de una universidad se distribuyen normalmente con media 68.0)/0.0 pulgadas y Yox=- ox = o=3 \/n {zs = 0.4 pulgadas? ¿En cuántas muestras del Problema 5.0 : 0.0 pulgadas y dewiación típica 3.4 en unidades tipificadas: (66. Así.6 : -2.(área entre z : 0.5.6687 Entonces el número de muestras esperado es (80)(0.67 0.0098): 0.6682) ó 59.4772 + 0. que son muchas más de 80. cojinetes de bolas tienen un peso medio de 5.

Demostrar el Teorema 5-2..22 : --0.7 4 : -2.) - .027 5.+"'") =.6.00 en unidades Probabilidad pedida tipificadas : (5. Demostrar el Teorema 5-1. página 158. tenemos l¿-12 E(X¡) = * Entonces ya que la media muestral se define como -Y='' x. F'ie. solamente se darán 3 casos cada 2000 de obtener una muestra de 100 cojinetes con un peso total superior a 510 onzas.5.5-4 (ó) El peso total excederá de 510 onzas si el peso medio de los 100 cpjinetes sobrepasa las 5. X2.96) :0.O2\10.7 4 y z : O) = 0.96 ) El peso total se éncontra¡á entre 496 y 500 onzas si la media de los 100 cojinetes y 5. 3-7 " x.t - .10 en unidades tipificadas: (5. página 158.. (b) sea 5/8 o más del número de lanzamientos.(.02)lO.48(i8 . (a) ' pide ra probabilidad de que el número de caras en los 12Q lanzamientos se encuentre ent¡e 4O(/o de 6 48.. mediante la aproxlmación normal a la binomial.+ "' + -' Entonces puesto que X¡. Puesto que el número de caras es una variable discreta.5 .. .0.(área entre z : O y z = 2.E6)) = L(rr\ = t! 6.5 se encuentra entre 4.96 Probabilidad pedida : 2.5-5 5. Puesto que X1..22 y z : -0. DISTRIBUCION MUESTRAL DE PROPORCIONES 5..02)lO.0015 : (área a la derecha de z Así... 5.+-\1L tenemos como se requiere l E(X) = ]lEtX.7 4) (áre^ entte z : -2. Se 1-2O. tenemos por los Teoremas 3-5 y Var (X) -f vu.22 y z : O\ .96 en unidades tipificadas: (4. la cual tiene media ¡1. 4.10 onzas.4985: 0.(área entre z : -4.2704 : 0.O27 : -2.5. 6 72.216-1 (área entre z : : 222 -074 Fie. (x1) r rI (x.5 y 72.96\ (área a la derecha de z:0) . Hallar la probabilidad de que en 120lanzanientos de una moneda el número de ca¡as (o) esté comprendido entre el 40% y el60%.168 (o TEORIA DE MUESTREO lcAP.ttr rr"rr"n Var uuri^X.10 .00 - 5. son ina"p"nl'i"nt". '1-. se pide Ia probabilidad de que el número de caras se encuentre entre 47. Tenemos .0.ruo2. y 6Ol/" de l2O. son variables aleatorias que tienen la misma distribución que la población.O27 : 2.00 onzas. Se procede como en el Capítulo 4.96 5.8.7. En esta población la probabilidad de cara es p : I12 y la probabilidad de sello es C :1P : l12. Se consideran los 120 lanzamientos de la moneda como una muestra da la población infinita de todos los posibles lanzamientos de la moneda.pues. X.

= 2.1.28) 2(O. Cada persona de un grupo de 500 lanza una moneda 120 veces.48 Probai¡ . = .9.28 que concuerda con lo obtenido por el primer método.cAP.48 .50 0.5 .40 0.86 : (área bajo la curya normal a la derecha de z : 2. no concuerda exactamente.00. (b) 518 o más de sus lanzamientos resulten cara? Este problema está estrechamente ligado al Problema 5.6250. que 0'00417 0.I9 en unidades tipificadx: ffip z sí la probabilidad pedida es el área bajo la curva normal entre 0.t9 yz : 2.8 se ha obtenido que todas las posibles muestras de 120 lanZamientos de una moneda.60 + 0.28 _ y 0.s los posiblea l¿nzamientos de una moneda.60+0. Así pues.40 72.fn ficadas son. las proporciones pedidas en unidades tip! 0.5 .(áreaentre z : 0 y z : 2.0'60 = 2.8. 5l TEORIA DE MUESTREO ¡r: núrnero de ca¡ae esperado .117 l1 a 0.4887 ) : O. de la población infinita de todo. (o) En el apartado (o) del Problema 5.6250 - 0.5/120 y (b) Empleando el segundo método de (o) se tiene. i:abe esperar el encontrar un97.28) 2(área errtre z : O y z : 2. Teniendo esto en cuenta se resta 11 Z" = Al¡.idad pedida = 2.detamaño 120 cada una.51720 del primer método. (área bajo la curva normal entrez=-2.0040 -_ 0'6250 5.65) : 0.uo ".00417) y (0. puesto que no se ha utilizado el hecho de que la proporción es realmente una r¡ariable discreta. puesto que 5/8: - 0.0456 40Vo enunidades tipificadas 60o1c -2. ¿En cuántos individuos cabe esperar que (o) el númoro de caras se encuentre entre eI 40% y el 60% desuslanzamientos. - 0.0456 = 2. Aquí se consideran S00muestras.=1p= ^FY = 120 = 0.60.0456 (0.0.40 y se Buma .0041?-0.60 5. Adviértase que (0.4857) : Aunquees:cresultadotiene dos cifras significativas.65\ : (área a la derecha de z : 0) .0041 7.74% de ellas con porcentaje de ca¡as entte AOVI y el .5 en unidades tipificadas = 72.4960 : 0.00417) corresponden a las proporciones 47.0r56 - 0. 0.28y2:2.19 : 2(0.00417) en unidades tipificadas Probabilidad pedida .5 en unidades tipificadas = - 60 72.28 : : : Otro método. de 0.np = rzo(!) = oo o= 47 \/"pq 47. puesto que L1240: 0.971.5 5.50 = _2.977 4 ttp=P:i=o.I9 : -2.

. ¿Cuál es la probabilidad de que en una partida de 400 piezas sean defectuosa.7 4% de 500.3869 :0. sería 100.8 : - 1.14 = 20 0. se concluye que en (500X0. (b) 1000 individuos elegidos aI azarde entre la población votante se hubiese obtenido una mayoría de votos para dicho candidato.489 : 1I individuos cabe esper:ü que su número de caras no se encuentre entre el 4O% y el 6O% de los lanzamientos.5 en unidades tipificadas : " : {"w : (11. (Esta proporción puede también obtenerse dándose cuenta que 101 o más indica mayoría. Determinar la probabilidad de que de (a) 200.s (o) 3% o más. una mayoría se obtendría en la muestra si la proporción en favor del candidato fuese 0.0025 : 0.11. p0.5000.5025 Probabilidad pedida : . También puede utilizarse el aegundo 5.26): 0. hubiese obtenido 0.-' 0.={-= .1131 .0714 se : O.25 y como antes la probabilidad pedida (b) {0.5 6OVo.18 Probabilidad pedida : : (área bajo la curra normal a La izguierda de z 0.00125) en unidades tipificadas 0'02 r 010q1?5 .02 (o) y oP=tE= : 1/ 0.5000 - 0.02 I 0.0040) de sus lanzamientos sean caras.5 y así la proporción sería 100. pero ésta. como variable continua.0'02 -: 0.0362: 1.1056 Si no se hubiese aplicado la conección se hubiese obtenido 0.10.46)/0.5 y'1+oo)1onz)¡rsg : 2. ó 489 muestras con esta propiedad. (3% de 400 ) : 12 piezas defectuosas. (b) Razonando como en (o).2t) : 0. : 2 personas se esperará que los 5/8 o más 5. Este tipo de error es un rresgo que se presenta siempre que se trata con probabilidades.25 hobabilidad pedida : (área bajo la cu¡va normal a la derecha de z : I. se tiene (o.5025.02(0.o3_o.5025 en unidades tipificadas : (0.18) 0. 1/800 0.8)12.98) v = 400 _ 0. L/2tt. (a) Puesüo que I.) Entonces. Los resultados de una elección demostraron que un cierto candidato obtuvo el 46% de los votos.170 TEORIA DE MUESTREO lcAP.5 o más. (2()'o de 400) = 3 Entonces 11.5/200 = 0.5025 o más. 12 o más significa 11.21 (área bajo la curva nonnal a la derecha de z : l. Otro méüodo.50 + 0.0.a es .007 Mediante la corrección para variables discretas.5000 + 0. método del apartado (o)..p = :p = 0.1056.57L4 Si no se hubiese aplicado la corrección. (b) 2% o menos? PP'=P=0. 0.4G y ".00125.0352 L12n: ll40O: 0.0025. Es interesante advertir que en 500 . En concepto continuo. En ó00 muestras se puede esperar 97 . Se sigue que en 489 individuos se esperaría que su número de caras se encontras€ entre eI 4O% y el 6O%. Tales individuos pueden razonablemente sospechar que sus monedas no están bien hechas aunque sí lo estén.0764.oo125)enunidadestipificadas=W=|. Se ha encontrado que el 2% de las piezas producidas por cierta máquina son defectuosas.

Las bombillas eléctricas de ün fabricante á tienen una duración Lned. 14 (d.j ut-v2 (6-3)21(-.4._u. [.cAP.]ESTRALES DE DIFERENCIAS Y SUMAS 5.6g) = 0.. = (2-3)2 * (4-3)2 =l ó ou"= l. sacado de (o) esto concuerda con el resultado general FLtr_uz= y (b). = població n lJn = f. 8 y U2 lavariable de los elementos de lapoblaciín2.12. = FLrt = 4Lrr. ofi. ou.. (b) 250 hóras más que las bombilhjde B? .46.. Calcular (a) *u.= \Ej7r-.13.a demostración del resultado general se deduce del Teorema g-7 . 6 r¿.0158.ia de 1400 horas con una desviación típica de 2OO horas._u". (f.q/n = y'd.0036 = 2.5000 - 0. = varianzadelzpoblación U. ¿cuál es la probabilidad de que las bombillas deA tengan una du¡ación media que sea al menos (a) 160 horas. (f) n'u r- u" = mrianza de la población (U 1- U 2) (1-3¡z + (5-3)2 + Oo.m=!T.-(e) ou". -3)2 + (3-3)2 + (4-3'¡z b L7 3 Eeto concuerda con el reeulüado general para muestras independient"" ou. Si se toman muestras al aza¡ de 125 bombillas de-cada fabricante. (d) V @ ). (b\ pu.5025 en unidades tipificadas = ff*s : 0.4964 DISTRIBUCIONES MT. 7. = t/f. = media de La ]{S*?*8) = l..Ur) Fur-u.6l (b) pp TEORIA DEMUESTREO = p: 0. Sea Ut la variable de los elementos de la población 3..7 g .46@Ba)/1000= 0. rnientras que las de otro fabricante B tienen una duración media de 1200 horas con una desviación típica de 100 horas. @).._ri.. = varianza de la población I/' (3-6)2 + (7-6)2 + (8-6)z _ 33 a2u.' ¡ecado dc 5. = mediadelapoblaciónU.) o (e) .iu. (t) vr..e + ll = La población consistente en las diferencl¡e de cualquier término de U¡ y cualquiera de (J2 ea 3-2 3-4 Entonces 7-2 7-4 media de 8-2 8-1 (U1. y 0. (o) (b) (c) Éy.69 Probabiliüd pedida : (área bajo la curva normal a la derech¿ de z = 2.. o.' Éiinz.) nu..

L72
Denótense por

TEoRTA DE

MUEsTREo
1200

[cAp.

5

*n y )(o las duraciones

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

É*¿-*¡ -

- ttxn
ofr

1400

-

=

200 horas

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

=

1/(1qo]'

v 125-

gry = 2o horas 125
xrr\
20

La variable tipifieada para la diferencia de media es

(X,+-

Xil

-

0'x

(x^-

o.(.,

-

200

*o ss:
(160

mucho a una distribución normal.

(o)

La diferencia de 160 horas en unidades tipificadas

Probabilidad pedida

: : : :

-

2OO)\2O:

-2.

(área bajo la curva normal a la derecha de z

0.5000 +

0.4772:

: -2)

O.9772

(b)

La diferencia de 250 horas en unidades tipificadas

es:

(250

-

2OOll2O: 2.50.

Probabilidad pedida

(área bajo la curva normal a la derecha de z

:

2.50)

0.5000

-

0.4938

:

0.0062

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

/¿x,-*o = trx, /r¡o o*,

0.50

-

0.50

-

0

-,t,

=

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

ffif

.ffif

=

o.ooo8eb

P(z>-2.23

ó 2=-2.23) = P(Z>2.23)+P(z=-2.2:t) =

2(0.5000-0.4871) :0.0258

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

hechas, la probabilidad de ca¡a es p

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

-

1-12.

Entoncer, ApA 4I,B =

!t',r. pn -

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

f

q|li-t t¡

Z = lP¡- PB-

0)/0.10.

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

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

:0.9

que

es

0.5000

-

0.3159

:

0.1841.

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

cAP. 5l

TEORIA DE MUESTREO

173

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


r,,

y D2, se tiene

, '

t,D,) r¡" :
oD,t

trnr*

po, =
-

27.3

*

15.6

=

42'9 pulgadas

= t/7,, + 4,
trD,

\Á¡:i6FJT¡8)t =
27.3

0.l8pu[adas

(b)

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

I tro,

- 15.6 =

11.7 pulgadas

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

(0.08),

=

0.18pulgadas

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

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

1500

+

1500

+ 1500 =
2G0

4500 horas

- {t.!ffi.,
(5000

-

\mbO)t =
= I.92.

horas

(o

)

5000 horas en unidades tipificadas

: Probabilidad pedida : :

4500)/260

(área bajo la curva normal a la derecha de

z: t'92)

(b)

4200 horas en unldades tipificadas

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

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

: -1'15

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

(o)

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

0
0.25 4.00 9.00

0.25

4.00

9.00

20.25 16.00 6.25 2.25

0
2.25 6.25

2.25 6.25 1.00 0 1.00 0
6.25
es

20.2t:
/,.s2

16.00

2.25

La media de la distribución niuestral de varianza

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

b..ro

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

2 y o2

:10.8

lvéase

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

3, = ;= (b) La íarianza

52, puesto que se seguiría que 4.q,

o2. (véanse

también las notas de la página 160)'

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

t74

TEORIA DE MUESTREO

[cAP.6

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

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

l0

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

=

o.7ó

t\ p.r = / N \ /" : \ñ=/\T)"

[ecuación (re), página 160], como

se

N:

5,

n:

2

y

o2

10.8 el segundo miembro pasa a ser rs,

: (f )({)(10.8) :

6.75.

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

5.20. Demostrar que

E'(S')

= |c
se

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

define en

Teneno¡

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

r)(Xr

- tl - (Xz- ti -

.. .

- (xn- p\)

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

ceror por tanto se

E[(Xr- *¡21 = #U"-

L)2

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

d2)

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

=

I

fr{("-L)znz

* o2 * ... I

o2l

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

=

= ;nt<Xr-

1-

X)2

+ . .' + (X"-

X\21

Método z.
Tenemos

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

¿-1 o-) "l = n-L " -o'
p\(*

^

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

p)2

- 2(x¡-

- r) + {i -

,,¡z

v

(r)
donde lá su¡na es desCe

)1x,-i¡, = )(x¡j: t

p)2

- z(X-p))1x¡-r)

+.)1x-u¡z

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

cAP.5l
(2)

'"O*'O

DE MUESTREO

t76
u¡z

)tx,-xlz
>

j

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

- 2n(X- ü2 + n(*p)2 - n(*-p)z
ti2 -l

puesto que

6¡-

¡r)

=

el Problema 5.7 hallamos

Sv - np -"(X t-

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

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

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

i
o'

-

(n_

7)o2

¿'(S'z)

n
n

L

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

vzrianza 02, entonces su función

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

* Xz* . .. *

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

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

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

_

xt +x"l-...
n

1x,
t/2
02

es

Éx(") = t( ;)

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

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

/n, y el resultado

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

l',,. donde

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

r' - l'-ú: rt = o2--,

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

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

(X;-

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

(a)

Tenemos

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

7.2, tenemos

176

TEORIA DE MUESTREO

lcAP.

5

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

1

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

0.2b

(b)

resultados son iguales.

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

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

I'-'+, olln

Y-"

- nS2 z =ff,

| = fl-1.

Entoncespuesüoquelas X¡eetÁndistribuidasnormalmenteconmedia¡r

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

-

Se

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

f =
tiene la distribución
ú

,/u,

)'

= -!-P

s/\/;=

x-P
Snla

con n - 1 grados de libertad.

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

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

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

-1.0 -0.33 0.11
Realmente hay

-;;

-1"'

-1.0 -0.20 0.25

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

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

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

Yl

,..,, Y¡

reopectivamente. Entonces las

si = * -J tx, - x¡', sj
donde X,

at'¡

=

; -) rr', - i'r,

Ii ¡on las medias muestrale¡.

-

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

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

tiene la distribución F con m

-

1, tr

-

cAP.5l

TEORIA DE MUESTREO

r77

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

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

3e

. Por tanto

F '

-

1.85---iJá

s?

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

DISTRIBUCION DE FRECUENCIA

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

Tabla 5-4

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

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

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

:

11 aproximadamente.
Peso
1

Tabla 5-5

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

(libras)

Cuenta

Frecuencia

18- 0r/

I tl
'ft|+ I
Tfl+
,.

102

r28I DD-

I

3848A'1-

I AD 1

I
1

1
1

586373-

(;8- nt/

27 :t2 37 42 47 52 67 62 67

ll il/t

2
4 o 8

'l|lJ

lll

ilil ll /il
TOTAL

A

2
D

1

1

77 lt

I 40

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

Tabl¡ 6-6
Peso (libras)

Cuenta

Frecuencia
3

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

El histograma y el polígono de frecuencias para

cada

uno de los dos casos considerados en el Problema 5.28

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

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

5
q

12
D

4
2

40

178

TEORIA DE MUESTREO

lcAP.5

:¡T¡83:ETg!E['
Peso (libras)

f3¡

r40

14? t58

187 t76

165

Peso (libras)
F

Iris.

5-?

ig. 5-8

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

Tabla 5-7

Nfimero de
Número de
caras
0
1

lanzamientos

(frecuencia)
38

t4.t
342
287

2

(o)

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

164 25 1000

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

5

TOTAL

ta

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

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

es la frecuencia

total 1000.

de frecuencia se están tratan-

o

É o)
E N É
o

o

350 300

ú o
d
É
N

^-^ óou
soo
250 200

zso zoo
150

ñ
(d tt

lcu
roo
50

9

roo
50 0

h
!a

z

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

1231
Número de caras Fig.5-10

(b)

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

dos 2 y tres 8. 5-12 muestra el polígono de frecuencias acumuladas u ojiva de los datos y los trata como si en esencia fuesen continuos.5-ll (c) La representación gráfica puede indicarse como en la Fig.0 3.10 N-^ EOU G' o :! . CALCULO DE LA MEDIA.6. La Fig.8.75. dos 3. 5-9 y 5-10 de la parte (a). Nótese que las Figs.3. cinco 4. 20. 2x It 5 qA +3 | fi + 5 + 4 + 5 + 2 + 8 + 6+ 5+ 4 + 8l. el porcentaje de lanzamientos en los que haya menos de 2 caras es igual aI porcentaje en las que haya menos de 1.32. 5-11 es Ia más lógica para representar datos discretos. La Fig.8 5.31. Hallar el peso medio de todos los estudiantes.3. Entonces _ )/¡ n .TEORIA DE MUESTREO Nfimero de lanzamientos Nfrmero de caras (frecuencia acumulada ) 0 Porcentaje de lanzamientos (frecuencias acumuladas porcentuales) 0.(6)(5) +(2)(3) +(2)(6) + r5)(4) I (2)(2) +(3)(8) 6+21-2+5+2+3 96 20 = 4.0 o o É o C t{0 6 N^^ Eou o O .1 Número de caras Fig.2 52.3 + 4 + 5+ 4 + 8 1 2+ 5+ 4 20 =ñ:n'" Método 2. de modo que eI mismo porcentaje l8.4. así por ejemplo.4.10 Hzo o lzo A 0123456 Número de caras 6 0123.aparece para todos estos valores (indicado por la línea horizontal). respectivamente.10 y 18 individuos registran una media de pesos de 162. Cuatro grupos de estudiantes.2.5 100.4. 5.5.8.. 5-12 Fig.6. L48. VARIANZA Y MOMENTOS PARA MUESTRAS 5. 153 y 140 libras.4.1 menor que 0 menor que 1 menor que 2 menor que 3 menor que 4 menor que 5 menor que 6 100 38 t82 524 811_ 975 1000 9?. 5-11 o en la Fig.4.4 81 .8. Hay seis 5.6. formados por 76.5.23 caras.2ol.56 ó 1.2. 5-12. 5-11 y 5-12 corresponden a las Figs. dos 6.5. 1.8 18. Hallar la media aritmética de los números 5. . Método l.

-. 5.34. )fu = l5 u = "*(?t..45 pulgadas Los cálculos involucrados pueden conveitirse en tediosos. etc. es igual al tamaño de intervalo de clase c multiplicado por algún entero u¡. se consideran como teniendo estaturasde 61. especialmente para los casos en los que los números son grandes y hay muchas clases. Derivar la fórmula clave (27). Véase Problema 5.180 sfn TEORIA DE MUESTREO lcAP..página 164. )/'(o*crr¡) = o>f.33.45 pulgadas . 5 = 150 libras 5. La solución puede ordenarse como se indica en la Tabla 5-10. alcú" 2f¡u. pulgadas. 18 tienen una estatura de 64 pulgadas.t yaque n=2f¡. T abla 5-lO 5. Adviértase que todos los estudiantes con estaturas de 60--62 pulgadas.r¡ con respec[o a alguna marca de clase determinada a. si 5 tienen una estatura de 61 pulgadas.¡ (tambiénescrito brevementecomor =a I cui. Utilizar la distribución de frecuencias de estaturas en la Tabla 5-2. para hallar tatura media de los 100 estudiantes de la Universidad.. 67. 63-65 pulgadas. La media está dada por fi _ 2f¡r¡ = = nnnn.ffiq = 6?. XYZ.)" = 67+ (i%).64. El método se denomina el método claue y debe emplearse siempre que sea posible. Elproblema entonces se reduce a encontrar la estatura media de 100 estudiantes. xj .35. Entonces la desviación de. para la media aritmética. etc.rj. etc.35.o. la es La solución se indica en la Tabla 5-9. = a*c! )/'rr' . es decir r¡ -o:cltj óx¡: a *cu.34 para hallar la estatura media de los 100 estudiantes de la Universidad XYZ (véase Problema 5-33). Denótese la clave de marca j-ésima por . pígina 163. Tabla 5-9 Estatura (pulgadas) Ma¡ca de clase (c) 61 Frecuencia (/) 5 fr 305 60-62 63-65 66-68 69--71 64 67 70 18 AO rt52 28t4 r890 584 27 8 72-7 4 ¿-)/-100 2 fr = 6745 2lr >/ - + .. Utilizar la fórmula clave del Problema 5. por ejemplo. Técnicas breves se encuentran disponibles para disminuir el trabajo en tales casos.

7500 100 = {dEfB = 2.6025 11.9025 208. = a*cú' t¿ .45 -0. para lavarianza. 5.0L25 214. : y'Gb. Como en el Problema 5.4200 n=)/=100 2 2f(r-ñlz= 852. x: 67.92 pulgadas 5.55 o.a solución puede ordenarse como se indica en la Tabla 5'11.20 20 2.34 tenemos ri = a + cui y ft = a*c'" 2f.7500 f(r TL n\z 852. aír 20 Méüodo 2.8025 72-74 246.rlgadas.36.45 2.6 (libras)2 : \6bS libras : 8. Tabla 5.150)2 | 20(149-1si)i -tJ911!!:-!Li)2 + 18(140- 150¡z !5+20+10-f 18 Entoncee unidades siguen la leyes comunes del álgebra.8.5025 30. página 164. s2 = 59.5050 I¡D.39. [.u.20 .33. " 2f(r-r\2 _ n 6(5 .31. = +:q = 65'6 en unidades libras cuad¡adas o (libras)2 .2025 6.11 Estatura (pulgadas) Ma¡ca de clase 61 r r- r-r = 67.8)2 _ (b) De (o\.8):¿ + 3(8 - 4. Entonces n20 _ 59. Del Problema 5. Hallar la desviación típica de las estaturas de los 100 estudiantes de la Universidad XYZ Véase Problema 5. Derivar la fórmula clave (28).DO'O 64 67 70 73 -3. Como en el Problema 5.cAP.33. Hallar (c) la varianza y (b\ la desviación típica para los números en el Problema 5.96 y "-rfzs6=1.8)2 = 2QA (2_20 4.4. HaIIar Ia desviación típica de los pesos de los estudiantes del Problema 5.45 pr.45 lr - fr)¿ Frecuencia 5 / f(r ñ\2 60-62 63-65 66-68 69-71 -6.37. 5l TEORIA DE MUESTREO 181 5.31 tenemos ú = 4.45 4t. (o) Método 1.32.10 libras.38. .Do 18 42 27 8 0. donde hemos utilizado el hecho de que las 5.z - 2 f(r .2460 8.r\2 n 15(162.36.

+ c2úz *> r.92 pulgadas.<"? .'r".u? -t t - C2[ /2f. = ¿2. La solución puede ordenarse como se indica en ta Tabla 6:12.\t 't t l = = ".> f . cr¡atro momentos con respecto a la media para la distribución de estatu¡as Continuando el método del Problema 5.L82 Entonces s2 TEoBTADEMUEsTREo [cAp._ "o¡. b = f./¡¿)'l = ¿21¿ .az¡ n \n /l = ta)'f-re? / rs Vl = Ltoo-\t*/J ^ ó'b-275 y s: 2. 2lu=75 )fqz = 97 lalEr lo-s primeros del Problema 5.39 para hallar la dewiación típica de las estaturas en el Problema 5. : }> f .41.-a¡z i) = "i 2 ¡ .'1 \fu/J _ ú2]l 5. + tlz) 2xt = *2 : t.u.f ¡@.jú.35. Utilizat la fórmula clave del Problema 5. De la frltima columna tenemos ¡ como en el Problema a2 = "rfL>l!'."? -'#2 2ú2c2 r¡u.u? = ¿2 ¿2 * .o.- o¡.{r.40 obtenemos la Tabla 5-13. Tabla 5-13 fi u f o 18 42 27 8 Íu -10 -18 0 fu2 fux fua 80 18 0 6t 64 67 70 73 -2 -1 0 1 '20 18 0 -40 -18 0 27 16 27 32 27 64 27 2 L28 2 fu+ z= )/: 100 2fu=16 2fu2:97 I/aa:33 -- 253 .33. Esto nos permite halla¡ 6.33.f!n'LN c2[u2 (.1"u. Tabla 5-12 r 61 u t D fu -10 -18 0 fuz 20 18 0 64 +67 70 73 -2 -1 0 1 18 42 27 8 27 8 27 32 2 z=)/=100 5. 2 't t f.40.

los 18 eetudiantes con estaturas 63-65 pulgadas se numeran 05-22.BB Mí= >fu2 n y de (32).53-4(0.15)41 : 199. Asf los 5 estudiantes con esüaturas 60-{2 Tabl¡ 6-14 pulgadas s€ numeran 00-{4.43.3?59 5.nL¡ = ca(M't. De (D) yemos que e8 menoc apuntada que la dishibución normal (que tiene un coeficiente de curtosir: 3).6l Entoncee. -0. (b) Hallar la media y la desviación típica de la distribución muestral de medias en (o). 7'1. explicando cualquier discrepancia.6932 a3 Coeficiente de eesgo = a. tenemoe 183 M] = >fu n = 0.1b)B] = -2. 02.. Hallar los coeficientes de (o) sesgo y (b) curtosis para la dishibución de estaturas del Problema 5.33. .97) -3(0. que tomamos como n(¡meros muestrales aleatorios. utilizando La TEORIA DE MUESTB. PROBLEMAS DIVERSOS 5.6982 . 67. 99 (véase Tabla 5-14).97 M.6275 B(0. 40.. que tomamos como 67 pulgadas (la marca de elase). (pulgadae ) Frecuencia 5 muestral 60-62 63-65 66-68 69-71 72-74 00-04 18 42 27 8 05-22 23-64 65-91 92-99 27.15X0. Entonces extraeremo8 nl¡meros muestrales de la tabl¡ de nf¡meros aleaüorios (Apéndice I).9? .9?) + z(0.42. etc.EO notación de la página 165. (o) Emplear dos dígitoe para numerar a cada uno de los 100 estudianües: 00.3759 qa-szrgy _ 6 al = z't+ De (o) vemos que la distribución está modetadamente sesgada a la izquierda. (a) Demostra¡ cómo escoger 30 muestras aleatorias de 4 estudiantes cada una (con remplazariiento) de la tabla de estaturas en la página 163 utilizando números aleatorios.15)(0.1s)2] = ca(ML-gLI|Mi+ zM'Lz) = 2?[0. 27.3759 ffiz:s2=8. ffi2=s2=8. lttt = ffi2= ffi3= 0 0.5275)3 (b) Del Problema 5.41.14 m+ Entonces = 199.53 M'r') = 9[0.5275 rttt Coeficiente de cu¡tosis as=E = : 199. 46 resultan en'estatu¡as de 70.. etc.^=>+=2.15 ML=Zy = o.5275 Entonces mB = -2.41.33) + 6(0. (o) DeI Problema 5.88 "z1ML- 8. cada uno de los cuales determina la estatu¡a de un eetudiante determinado. Así 51 conesponde a un estudiante con estatura 66-68 pulgadas. (c) Comparar los resultados de (b) con los valores teóricos. Del primer renglón hallamos la secuencia 5I.15)2(0. . Cada Nf¡mero Estatura n(rmero de estudiantes se denomina número'muestral.cAP.(0. OL.. 46.67 pulgadas respectivamente.4MiML+ 6M'r2ML- BMin) 81[2. fflg = p: { (8. En forma semejante 77.

91. 70 64. 67 23. 70 73. 34. 67 .50 68.30 58. 67. 45.70 7.41. 81.83. 1t. T¡bh 6-ró Nf¡meros muesFale¡ Est¡twr¡ o- E¡la+ Nfrmeros muestralea extrafdo¡ rrcqrondieatcc 67.6r. 67 Ír¡f¡f media 66. 40.96. 73. 68. 70 67.70.184 TEORIA DE MUESTREO lcAP. 67 67. 21.60 67. 70. 64.8s estatu¡as correspondientee y la est¡tun mcdb pan c¿de un¡ de h¡ 30 muegtraa flebe mencio¡rarse que aunque eecogimos el prirner rengl. 67.64. 70. 67 70.75 68. 06. 03. 73 67.25 Cl¡enta Í 1 u fu fu2 16 0 8 6 0 2 ñ( /t/t )#{ 6 4 A a+67.93 27. 67. 61. 67.25 64. 64 67. 16.24 64. 64.25 67. 70. 67. 30. 70.50 67.64.98. 67.50 79. 10.22. 67. 58 70. 67 64.64. 67. 46 2. 56. 64 70.70 70. 73. 18 70.69. 67.79 70.70. 64.44.32 8.70. 19.50 68.50 1. 67. 13. 67.93 14. 67.50 68.2L 10. 6? 15.99 23.25 67. 96.73 73. 05. 51. 64. 31. 70. 86 6. 58.64.93. 67 67.46.25 65.08.70 medi¡ 67. 90. 65.03. 21.00 70.50 66'.00 extnfdo¡ Estatr¡¡as corespondientec 64. L2. 67. 20.6L. 56. 39 13. 59. 55. 12 3. 76. 07.25 68.25 70. g8 25. 67.75 69.74.87 26.77. 73 67.25 69. 6L.00 68.75 67.50 66.'7L.f = n 30 4 ).2L.00 64.54 2:2. ?1.36 08.73. 51.00 (0'75)(23\ = * 'ñ- 67'58 Pulgadaa 2fuz />1"\' n -\ i " (0. tt.75 69.54. 64 67. 67. 3 14 16 4 I l.41 pulgadar .33. 11. Medi¡ = a*cú Derviación = o*c2fu típicr = = e - 6?.58 9. 67 70. 67 29. = 2 fuz = 123 (b) IÁ Tabla 5-16 da I¿ di¡tribuci6n de ftecuc¡rci¡¡ dc I¡ media muestral de las estaturas obtenidas en (o).79. 75. Esta ee una distribución mucet¡al de mediu.73 67.50 68.76) = 1.91. 67.64.5 Por eete proceso obtencmo¡ l¡ T¡blr Fló quc rnue¡tra lo¡ n(¡mcro¡ mue¡trale¡ extrafdor.00 67.52 13. 67.25 69.31.02. 60. 67. 93.00 66. 70.24. 73. 63. 19.67 64.62 4. 73. 33 m. 73. 67. 64.28. 45.04.93 5. 67 70. L¡ medi¡ y la derviación tfpica ee obtienen como es usual por los métodos claves delcrito¡ anterbrmeuüe.70.27. 70 64. 73.25 66. 70. 67 70.08 12.25 69.ón dc l¡ trbl¡ de nl¡rncro¡ dcatoiio¡ h¡brfrmo¡ podido inici¡¡ en eualquier parte y escoger cualquicr patrón dctetmindo. 15. 67.23.82.75 65.64. 67.70 Trbl¡ 6-16 Media muestral 64.57. 53. 64. 70. 42.50 65.09.28.50 69.00 67.97 24. 98. 56.67 67. 70 6L.74.00 -4 -3 -2 -1 0 1 -4 0 -4 -6 0 0 4 / 28 45 16 23 d D . 10.64.67.97. 67.0L. 70.64 73.fu.58. l.91. 67 64.25 67. 67. 87 fl.96. 67.42.84 64. 07. 70.25 68.75 66. 43 1f. 64.00 66.

donde la dewiación típica poblacional o = 2.0 . Podemos considera¡ que el muestreo es o de una población infinita o con remplazamiento de una población finita.0.8 . es igual a o/y'[. por tanto el porcentaje pedido es 2..5l (c TEORIA DE MUESTREO 185 ) es t a media teórica de la distribución muestral de medias. por tanto el porcentaje pedido ec 0. de (b) 8.50 libras. .t. dada por o*.45 pulgadas (vóase hoblema 5.4 es (0.".10.1 aJ.46 pulgadas.10.' ¡p¡ a*)"lJ'"-r.41 pulgadas de la parte (b).0082.a la media poblacional ¡r que 67.0228.r. (a) : 11.50 : 2.4918) : 0.t J.5 .con el valor de 67.?d L -r. La desviación típica de los pesos de una población muy grande de estudiantes es de 10.44 tendrían dewiaciones típicas (o) mayores que 11. ¡1r)drl'z I J € e É la probabilidad total de que las 2 últimac'ob¡ervacione¡ Puesto que u puede tomar valores entre menores que las primeras 4 es la integral de (3 ) desde o hasta €.0.3'/'.0 es (0.8libras? La distribución mueetral de desviaciones típicas es aproximadamente normal con media 10. De la Tabla 5-1.58 pulgadas de la parte (b).. dada por a¡.4772) = 0.0 lb ( lr) \/2" + = 0. es ig¡ual. pfuina 162.33).5 .rJ f eL) du La probabilidad de que las 2 últimas ob¡ervaciones sean menores que u (y por tanto menores que las primeras 4) está dada por (2) fnu12 l) --na a.a a.8%. ¿Cuál es la probabilidad de que las dos últimas observaciones sean menores que las primeras cuatro? Suponemos que la población tiene función de densidad f(xl. ¿Qué porcentaje de las muestras del Problema 6.40) y el tamaño de la muestra n : 4.45.0)/0.44. 5. Ia probabilidad de que 3 de las primerae 4 observaciones sean mayores a u mientras que la cua¡ta obsenación se encuentre entre u y u I du e¡tá dada (1) .50Ib v400 5. (b) menores que 8. estamos de acuerdo con el valor de 1.cAP.) au .46. ) ea el producto de (1 ) y (2).0 libras y desviación típica 0.0 libras. El área bajo la curva normal a la izquierda z : -2. Una muestra de Por 6 observaciones se hace aleatoriamente de una población. Í:-lÍ. Hallar (c) la media y (b) la dewiación típica de la distribución muestral de las dewiaciones típicas.r . tenemos: ( ¿[. Las discrepancias se deben a que solamente 30 muestras fueron seleccionadae y el tamaño de la muestra fue pequeño.50 : -2.92 pulgadas (véase hoblema 6.g2/fi = 1.l' ra.0.4.0 libras. /(r) tr. 5. Puesto que o/t6':2. La desviación típica teórica (error típico) de la distribución muestral de medias. Entonces la probabilidad de que las primeras 4 sean rnayores que ü y las 2 últimas 6ean menores que u es decir - nc.0 libra¡ en unidades típicas: (11..8 libras en unidades típicas : (8.) ps: o = ts=-' o 10. El área bajo la curva normal a la derecha de z 2.f 'LJ" f t@ta*l'/t. Se escogen muestras de 200 estudiantes de esta población y se calculan las dewiaciones típicas de las estaturas de cada muestra.0y0. de acuerdo. esto es Q\ (r) f" sean .

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

37 onzaa. (b ) sin 6. adecu¡das. .á var(X¡) * .47 están dadas respectivamente por t*= (o) E6) = "1 =*"(x=) /X' +." +a¡v = a N 02.a7 @). En el Problema 5.62. (c) sean menor de 22. cov(x¡..cAP. ¿en cuántae de lag mue¡tras aleatoria¡ cabe ecperar que sus medias (a) ertén enl'l. obtenemos var(x) = Sv^.1'". Loa peeos de 1600 cojinetes de bolas se distribuyen normalmente con medla 22. remplirzamiento. (c) la media de la digtribución mueshal de medias. = p (b) Uüilizando loe Teoremar 3-5 y 3-16 (generalizadoe). (b ) la dewiación típica poblacional. determir¡ar la media y la dewiación típica eeperada¡ de la di¡tribución mue¡tral de medias si el muestreo se hace (o ) con remplazamiento. Encontrar (c) v (d) directamente de (c) y (b) mediante las fórmula¡ 5.Ét ".(. (d) la dewiación típica de la distribución muestral de media¡.LL.iE(x)+"'+E(x")l 1 =1 n (p -r "'+p) donde hemoe empleado el Problema 6.N-1J '¿\N-1/ Problern DISTRIBUCION MUESTRAL DE MEDIAS a.( rr-:--r l(-. Por tanto I+v:l Cov (X¡.48.á.¡ = . Resolver el Problema 5.49. Una población est6 formada por los cuatro nfrmeros 3.6l TEORIA DE MUESTREO En esta ecuación.51.51 si la población 5e compone de 22 cojineter.40 onzas y dearriación tfpica 0.(-r¿_ i)] = Lfr-"-rf = 4(N-"\ nl. 5. Considerar toda¡ lae posibleamuestrasde tamaño dos que pueden extraers€ de esta población con remplazamiento.4L .7.' " ) = . y el Problema 6-4?.50.42 onzae. NÉ y la primera suma en el lado derecho er igual por definición.(n_'.p) = -Noz r \ -2 'r' X¡) = . (d) ¡ean menor de 22.048 onza¡. Hallar (o ) la media poblacional.e 22.f x"\ D p (. (b) sean rnayor de 22. ó.N-1 ^' .rlo s 6. g (o¡ - p)(o.x¡)] = #ú* *.) = #[.. Demostrar que (c) la media y (b) la varianza de la media muestral del Problema6. el lado izquierdo e8 cero.51..Ét suplernenta. ya que por definición a1 187 -la2+'.38 o mayor de 22.39 onzas.4L onzas? y 22. 15. Resolver el Problema 6.49 si el muestreo fuese sin remplazamiento.53. Si se erüraen 300 mueetras de tamaño 36 de e¡üa población.N\N-rl' 't/ 5.

5.69.6 6.' ¿Cuál es la probabilidad de que dos grupos de estudiantes. (d) 10 o más bolas blancas? Dseña¡ un experimento que ponga de manifiesto los resultadoe del Problema 5. ¿Qué enores pueden introducirse al utilizar dos conjuntos diferentes de monedas? lotes de 100 bombillas cada uno. De un total de 1000 muestras de 200 niños cada una.59. Si U¡ y U2 son los co¡r¡\ntos de nhmeros del Problema 5. 6.54.61.54 si la muestra extraída ee de 64 tubos. (ó) al menos 450 libras más que A? 5. 6.64. (c) más del 640/o sean niños. (c) mayor de 820 horas.nedias a larotura de 4000 y 4500 libras con desviaciones típicas de 300 y 200 libras. Se extraen dos cotecciones de 30 bolas cada una con remplazamiento y s€ anotan sus colores.56. 5. 5. difieran en su puntuación media en (o) 3 o más puntos. ¿Cuáles son las probabilidades del Problema 5. Hallar la probabilidad de que en dos muestras aleatorias compuesta cada una de 200 votantec. (ó ) entre el 43% y el 57% sean niñas. que tienén unas registencias . En una prueba de aptitud puntos? la puntuación media de lo¡ estudiantes es de ?2 puntos y la dewiación típica de 8 puntos. formados de 28 y 36 eetudiantes. Si normalmente el 6Vo de las bombillas es defectuoso. (b) 6 o más puntos.62.55. comprobar que .60. respectivamente. En lugar de bolas rojas y blancas.6?. sob¡e las que se escrriba la inicial .5t.57 si se consideran 100 en lugar de 200 niños resultados. Un fabricante despacha 1000 DISTRIBUCIONES MUESTRALES DE DIFERENCIAS Y ST'MAS 5.65. llallar Ia probabilidad de que de los próximos 200 niños nacidoe (o ) menos d.60. 5. (b) l2 bolas rojas y 8 blancas. ¿Cuál es la probabilidad de que las dos coleccionee difieran en 8 o más bolag Resolver el Problema 5. ¿en cuántos lotes cabe esperar (o) menos de g0 bombillas buenas. ¿Cuál es la probabilidad de que el peso de 25 paquetes recibidos aleatoriamente y cargados en un ascensor supere el límite de seguridad del ascensor. (c) entre 2 y 5 Una urna tiene 60 bolas rojas y 40 blancas.R o I en las proporciones adecuadas. tomada de entre ellos tenga una duración media de (a) entre 790 y 810 horas. haya una diferencia superior al1^o"k en las proporciones que votaron por dicho candidato.66.12. Los resultados de una elección mostraron que un cierto candidato recibió el 65% de los votos. Lo mismo del Problema 5. Si se comprueban 100 cablesdeA y 50 cablesde B' ¿cuál es la probabilidad de que Ia media de resistencia a b rotura sea de (a) al menos 600 libras más que A. Hallar la probabilidad de que una muestra aleatoria de 16 tubos. que es de 8200 libras? DISTRTBUCION MUESTRAL DE PROPORCIONES 5.63 si se comprueban 100 cables de cada fabricante? Explicar las diferencias.188 TEORIA DE MUESTREO lcAP. (b) 98 o más bombillas buenas? 5. 5. (c) 8 bolas rojas y 12 blancas.66 si las exüracciones son sin remplazamiento al obtener cada colección. 5. A y B fabticzn dos tipos de cables. y explic.el 4Oi'o sean niños. (b) menor de 785. sacadas de la urna con rempliazamiento. (c ) el 63"h o más sean niñas? Resolver el Problema 5. 5. (d) enhe ??0 y 830 horas.57. Supónganse iguales las probabilidades de nacimientoe de niño y niña. respectivamente. Ciertos tubos fabricados por una compañía tienen una duración media de 800 horas y una dewiaeión típica de 60 horas. Los pesgs de los paquetes recibidos én un departamento de almacenamiento tienen una media de 300 libras y una desviación típica de 5O libras. ¿en cuántas cabe esperar (a) igual número de bolas rojas y blancas.63. se pueden usar hojas de papel. 5. Explica¡ la diferencia. rojas? 5.6t.ar las diferencias en los Una u¡na contiene 80 bolas de las que 6oo/a son rojas y 4OToblanca* De un total de 50 muestras de 20 bolss cada una. (b ) entre el 4O% y el 60% sean niñas. ¿en cuántas cabe esperar que (o) menos del 4OVo sean niños.

49 se confi¡man utilizando (a) P(-1 < f < 1) = 0. Verificar si los resultados del Problema 5. (b) ou1+ur = \Grtr. (b) 7. Se pesan tres cantidades dando 20.0.05. 5.21. (b) el error tfpico de varianzas.i se confirman por este valor y explicar cualquier diferencia.70.999 300 1000-1099 1100-1199 las 600 horas.50. Reeolver el Problema 6. = 1.0. = 5.2 veces. 6 Frecuencia de Ia cua¡ta clase. Número de tubos L4 46 58 76 68 62 48 22 6 Solueionar el Problema 5.499 500 .376) .E0. página 161.49.80 si las desviaciones típicas de las duraciones son (o) ambas 40 horas. Explicar cómo podría utilizar el Teorema 5-7.73.cAP.799 800 . hallar (o) Ia media de la distribución muestral de varianzas.5I TEORIA DE IIIUESTREO ttur2 189 (a) 4. DISTRIBUCION DE FRECUENCIA 5. (c) entre 5 y 10? la duración de tubos de televisión fabricados por una compañía tienen una media de 2000 horas una dewiación de 60 horas.77.82.48.72 ei el muestreo es sin remplazamiento.05 y 0.0 voltios y la dewiación tfpica 0.399 400 . ?s 6.5 veces la otra mayor que 0.01? Dos compañías.8f . Con referencia a esta tabla determinar: (¿) f 'ímite superior de la quinta clase. (b) mayores que 20.3?6 < ? 1. (g) Flecuencia relatir¡a de la sexta clase. Si se extraen muestrae de tamaño 5 de esta población. Una población normal tiene una vari¿nza de 15.2 voltios. para diseñar una tabla de distribución f de Student como la dada en el Apéndice D. donde ? tiene. DISTRIBUCION MUESTRAL DE RELACIONES DE VARIANZAS 5. (c) Marca de clase de la séptima clase.54 libras.599 600 . ¿qué porcentaje puede tener varianzas (a) menores que 10. una distribución ú de Student con r. I 6. Con 6. ó. (h) Porcentaje de tubos cuya duración no sobrepasa .74. 6. Dos muestras de tamaños 4 y 8 se extraen de una población distribuida normalmente.8 o másvoltios? DISTRIBUCION MUESTRAL DE VARIANZAS 6. y Se halla que CASO DONDE SE DESCONOCE LA VARIANZA POBLACTONAL 5. Si se seleccionan 10 . entie 0. la de la segunda. (b) ambas b0 horas. (ó) P(1. Verificar si los resultados del Problema 5. (b) Límite inferior de la octava clase. Tabla 5-17 Duración (horas) 5. 6. ¿Cuál er la probabilidad de que cuatro de estas baterfas conectadae en serie tengan un voltaje conjunto de 60. La Tabla 5-17 rmuestra una distribución de frecuencias de la duración de 400 tubos de radio comprobados en la L & M Tube Company.72. A y B fabrican bombillas. (d) Límites reales de la última clase. Una en tanto que muestra de 8 bombillas se toma de A y 16 de 8. La duración parz A tiene una desviación de 40 horas la duración de B tiene una desviación típica de 50 horas.60. (e) Tamaño del intervalo de clase.97 y 62.46 y 0. ¿Es la probabilidad de que una ttarianza sea mayor que 1.tubos aleatoriamente hallar la probabilidad de que la dewiación tfpica muestral (o) no exceda a 50 horas.78. El voltaje medio de una baterfa e¡ de 15. TOTAL 400 .?6.79. Determinar la probabilidad de que la varianza de la primera muestra sea mayor que (o) dos veces. (b) se encuentre enüre 50 y 70 horas. o menor que 0. De acuerdo con la tabla de distribución ú de Student para 1 grado de libertad (Apéndice D) tenemos P(-1 < 1) : 0.tr*Lrr: ru. referencia al Problema 6.899 900 .01.50.699 700 .54 libras con dewiacionee típicar de 0. respectivamente.35. Hallar (o ) la media y (b ) la desviación típica de la suma de las cantidades.71.75.

nueve 9 y diez 10.63.63.128 0. ó. ¿Cuál es ¡u media Las calificaciones de un estudiante en las tres asignaturas del curso fueron 77.321.330. (c) di¡tribución de frecuencias relativas.190 (i) (j) TEoRTA DE MUEsTREo Porcentaje de tubos cuya duración es mayor o igual a 900 horas.333 y 0. 82 y 96.55 segundos.52. Hallar la media a¡itmética de dichas calificaciones.91.?36 0. ee¡ie de nfimeros está formada a¡itmética ? por seis 6. (i) una ojiva porcentual.739 0.735 0.?30 0.734 0.734 0.0.732 0.729 0.90.86. Las calificacione¡ de un estudiante en cinco aeignaturaa fueron 85.46. hallar. 0.744 0.74 y 82.736 0.735 0. siete 7.89 determinar el porcentaje de cojinetes de bolas que tienen diámetros (o) superiores a 0.736 0.733 0.742 0.?30 y 0.735 0.746 0. (c ) un polígono de frecuencia¡ relativas.735 0. Una 6.726 0. (d) una ojiva porcentual.?30 0.?36 pulgadas.741 0. Los tiempos de reacción de un individuo a determinadoe estímulos fueron 0.733 0.735 0.738 0.82 construir (o ) una distribución de frecuencias reliativas o porcentual.730 0.724 0.82. Porcenüaje de tubos cuya duración es al menos de 500 horae pero menor de 1000 horas. lcAP. respectivamente.732 0.t4. Resolve¡ el Problema 5.78 y 89.735 0.83. Para los datos del Problema 5.734 0.740 0.95. 0.732 0.E5' Para los datos del Problema 5.386. (e) un polígono de frecuencias relativas.740 0.742 0.89.89 para los dato¡ del hoblema 5.743 0.82 construir (o) una distribución de frecuenci¿s acr¡muladas. (g) una distribución acumuhdá porcentual.736 0. 0. Con los datos del Problema 5. ó.737 0. 5.324. O.50.0. (b) no superioree a 0. (b) 9?0 o mág Los diámetros interiores de las arandelas producidas por una compañÍa pueden medirse con aproximación de milésimas de pulgada. 0. Si las marcas de clase de gna distribución de fiecuenciaa de estoe diámetros vienen dadas en pulgadas por los números 0.92. (f) una distribución de frecuencias acumuladas.741 0.739 0. respectivamente.?38 pulgadar. CALCULO DE LA MEDIA. (c) Si las ponderaciones asignadas a cada asignatura rcn 2. (c) una ojiva. ocho 8. y 0. (c) entre 620 y 890 horas. (b) una distribución acumulada relativa o porcentual. 93. correspondientes a la distribución de frecuen- 5. ¿cuál es el promedio adecuado para sus calificaciones? (b ) ¿Cuál sería si todas las ponderaciones son iguales? 6.87.44 los.82. Construir una distribución de frecuencias de los diámetros utilizando intervalos de clase 5. 5. sue clasee .82 con duraciones de (o) menos de 560 horas.746 0.736 0.737 0.732 0. (b) los límites reales de clase. (d) un histograma de frecuenoias relativas.5 5.88. (c) entre 0. Tles profesore¡ de economfa regieünron una ealificación media en sus eiámenes de 79.735 0. "de"*- Tabla 5-18 0.94. Con log resultados del Problema 5. DESVIACION TIPICA Y MOMENTOS PARA MUESTRAS 6.72t 0.738 0.49.731 0. horas.732 0.0. La Tabla dos. (b) un polígono de frecuencias.735 0. (h) una ojiva.731 0. Estimar el porcentaje de tubos del Problema 5.(a) el tamaño de intervalo de clase. Comparar estos resultados con los obtenidos directamente de la colección de datos de la Tabla á-18.737 0.734 0. 6.96.725 0. Construir (a) un histograma y (á) un polígono de frecuenciae ciaa del hoblema 5.728 0. (b un ) histograma de frecuencias relativas. ?6.727 0.740 una 5.88 consüruir (o) un histograma.733 0. 5-18 niuestra los diámetros en pulgadae de una muestra de 60 cojinetes de bolas fabricados por una compañía.327. 0. 5.?39 0.729 0.732 pulgadas.738 0. 4 y 6. 0. Deüerminar el tiempo medio de reacción del individuo a los estÍmu- 6. (c) los límite¡ de clase.93.736 0.

22.7259-0.3-L2.7280-0.?276 0.101. 25 las clases. Tabla 6-19 Carga móxima Nl¡mero de cableg (toneladas cortas) 9. ¿Cómo están relacionadas las medias? (b) Multiplicandocadaunodelosnúmeros3.2.0. reqrectivamente. La Tabla 6-19 muestra la distribución de las cargas máximas en toneladas cortas (1 tonelada corta : 2000 libras) que soporüan cierüos cables producidoe por una compañla. Halla¡ i 9.7268-0.1273 0.5.7.726L 0.106.6.7.4.104.7282 TOTAL de de Sfmenos de 36-menos de 40-menos de 16 L2 30 36 40 45 I o 2 TOTAL 54 250 6.98.7253-0. 10.0.8-L3.7255 0. L7.8-r2. Tabla 5-21 60 ó. tlalla¡ la dewiación üípica para las distribuciones del (o) hoblema 6.?.7 .7274-0. 1.6.7256-0.6. La Tabla 5-21 mue¡tra Ia distribución de los diámetros de las cabezas de los remaches fabricadoe por una Tabla 6-22 Freeuencia I 6 8 Diámetro (pulgadas) 0. (o) Sumando 5 a cada uno de los nl¡meros de la serie 3.7258 0. 6. para los daüos de la Tabla 6'20 empleando (o) el "méüodo largo". Determinar el porcentaje de hombres y mujeres empleados en la compañía. pero diferentes medias. respectivamente. ' 164.99. 1' 1' 5.2 624 2 462 480 498 516 534 552 570 588 606 12.. 5.7271-0. ó. (c) nfimeros de los apartado¡ (o) y (b)? ¿Cuáles 8on lias relaciones entre las desviaciones típicas y las medias de las dos series? lo¡ ¿Qué propiedades de la media y de la desviación tfpica se ponen de manifiesto por lae series de 6.2 TOTAL Í 98 75 56 42 30 21 15 11 6 compañía. Determinar la media de la carga máxima empleando (a) el "método latgo".4.4.7279 0.1. Demostrar que ¡as dos series tienen lae mismas desviaciones tfpicas. 12. .7 10. Determinar lacalific¿ciónmediaparatoda8 5.9.103.7249 0.7270 0.6. .7277-0.5l estaban formadas por 32.7250-0.262-0.2. (b) el método clave. i) 5. 11 . (b) el méto' do clave. 1. Log salarios medios anuales pagados a hombies y mujeres de la compañía fueron $á200 y $4200.8-11.0.3-10.100.8.6por2ydespuéssumando6seobtienelaseriell. Calcular la media de los datos de la Tabla 6'22.7 L2.g?.2.98' (b) 6. Hallar la dewiación típica de la serie de nl¡meros de la progreeión a¡iümética 4.7247-0.cAP.7264 Clase Frecuencia de 16 de 20 25 3 7 15 42 68 49 25 18 L2 4 1 lG-menoe 16-menoe 20-menos 26-menos 0.7267 0. 19.5.7.6. (b) 3. Calcular el diámetro medio.102.99. El salario medio anual pagado a todos los empleados de una compañía fue de $6000. 7. 15.7265-0.0. L.2 11.7252 0. 10' L6.2. Hallar la desviación típica de los número¡: (a) 3. 2.2 10.3-11.2. .8-10. TEORIA DEMUESTREO 191 y 11 estudiantes.6 se obtiene la s€rie 8. (c) 0.3- 9.7.7 t2 17 l4 6 3 1 Tabla 6-2O fr 11.

125. Hallar los cuatro primeros momentos con respecto a la media de los números de la progresión aritmética 2.r5. Hallar los momentos de (a) primero.111.(b)curtosisparaladistribucióndelProblema5. Aplicar el resultado de (o) al Problema b.109. (b típica. Hallarelcoeficientede(c)sesgo. (D ) Derivar una fórmula análoga par^rns. 30 5.t s).li.123. (b) segundo. (a) Demostrar que .-Btnini l2m'rs.nl_ thnirni+6ml2rn. (b) mz. (c) tercero y (d) cuarto orden respecto al punto ? para los números del Problema 5.127. (b) m.1 y -12. S. si la distribución fuese normal. ¿cuál es la media? 5. ) Construir una distribución de frecuencias para los datos y hallar la desviación (c) Comparar el resultado de (b) con el de (a).8 respectivamente.117. 5. 5 5.114.1 . Hallar los momentos de (o) primero. y (i) (i+ rFpara 5.g.5. l. (c) lrq . Los momentos de cuarto orden respecto a la media de las dos distribuciones del Problema6. (b) segundo.2_ Bm.+. 5.g. (c) tercero y (d) cuarto orden con respecto los números del Problema 5. 1.gg. (b) ¿eué porcentaje de diámetros se encuentra entre (r1 .102(c). 5.121. (o) Hallar la desviación típica s de los diámetros de los remaches del Problema b.108. (b) rr. (a) Hallar la media y desviación típica para los datos del problema 5.111. (t t 2s). Hallar (o) m t . (b) curtosis para la distribución del Problema 5. Hallar el coeficiente de (o) sesgo. (c) respecto al origen. t¡l F. 5.llE.1.111.126. 6.113. - l}rnlstn" * 4n. 5'112. Comparar con el problema b. (a) De un total de n números. 5.¡nz = ml- 5'115. Tabla 5-23 f t2 t4 16 18 5.0. (b) asimetría? . mientras que los momentos de tercer orden con respecto a la media son -8. Si loscuatroprimerosmomentosdeunaseriedenúmerosrespectoalpunto3sonigualesa-2.mt. 20 22 2 AI. Si el momento de primer orden con respecto al punto 2 es igual a 5. determinar los correspondientes momentos (o) respecto a Ia media.L22. Los momentos de segundo orden con respecto a la media de dos distribuciones son g y 16. la distribución del Problema 5. 5.f f O. l.98. la fracciónp son unos mient:'as que la fracción q : 1 -p son ceros. . a la media de 5.111 y 5. ¿Qué distribución se aproxima más a la distribución normal desde el punto de vista de (a) apuntamiento. 8. (l). 5. 5. = nt. (c) tercero y (d) cuarto orden de los números 4. y comentar las diferencias observadas. I 4 o 10 7 5..101.L92 TEORIA DE MUESTREO lcAP.11g. k) ¡¡.0. 5'121. Demostrar que la desviación típica de La serie de números es fi. 17. (f) s.2g. 11.98. ¿Qué distribución está más sesgada a la izquierda? 6.10.722.lOO.120.108 para los datos del problema 5.-2bybO.1!2.30explicandoelsignificado 5. comprobar las relaciones entre momentos (a) mi2..r5 1.1o6. 3.f 07.116. tlallar los momentos de (o) primero. tt.119. Lo mismo del Problema 5. la fracción p son unos mientras que la fracción q : 1 p son ceros. (c) nt3..l F. Hallar (a) ntr. "on 5. Calcular los primeros cuatro momentos con respecto a la media para la distribución de la Tabla 5-23.. Calcular los cuatro primeros momentos con respecto a la media para la distribución del Prol¡lema 5. 14. (b) respecto al punto 5. - ?n: - 1m'rm! * l}m'r2nt!. Véase Problema 5. 5. Hallarloscuatroprimerosmomentosconrespectoalamediadelosnúmeros0. @') mt y (d) ma para los números. Con los resultados de los hoblemas 5.126 son 230y 780 respectivamente. 5. De un total de n números.. (b) segundo. @¡. teóiicos esperados.124. Hallar (a) la media y (b) la desviación típicaparaladistribucióndelProblema de los resultados obtenidos. (t l3s)? (c) Comparar los porcettajes'de (b) lo.

5.cAP.* (n .fsugerencio: Utilizar - l+2+3+. En el Problema 5. .128. fSugerencia: 14+24 +34+' .131.. ¿Cuál es la probabilidad de que lae primeras tres obgervaciones sean mayores que las'últimas cinco? ó.a*d. Una mueetra de 8 obeervacione¡ se hace aleatoriamente de una población.136.. halla¡ la media de la distribución muestral de varianzae si el muestreo ee (o) con remplazamiento.129(o) y explicar ous reeultados.1)a = $n(n-l)(2n-ll8n2-Bn1 )....1 5. Demoetrar que Vt y Vz definidas en el hoblema 5.115. Determinado¡ tubos producidos por una compañfa tienen una duración de 900 horar y una dewiación típica de 80 horas.133.130. 1z+22+32+".aI progresión aritmética con primer término o y raz6n d) erlt6 dada por tl1-2 (n2 Dd2 ..129. son independientes. pfuina 160. ¿En cuántos lotee cabe esperar que (o) la duración exceda 910 horar. (b) Hallar la probabilidad de que en una muestra aleatoria de 100 eetudianües la calificación mínima del 2O% superior Eea menor que 76.129 si la medi¿na de duración es de 900 horas. página 175.@z-L)dz.22. (b) sin remplazamiento.'*(n-1)=in(n-1).+(n-l\z=fn(n-Il(2n-1). 5. ¿en cuántos lotes cabe eErerar que la mediana de duración exceda a 910 horaa? Comparar ¡u solución con el hoblema 5.. tno = ñ(n2-l\3n2-7'td4 CompararconelProblema 5. mt = 0.a|(n-l)dson 11 ffit = 0. (o) Hallar la calificación mfnim¿ del 2O% superior de los eetudianües. La compañfa envfa 1000 lotes de 100 tubo¡ cada uno. Si muestras de tamaño 5 se ertraen de esta población y se calcula la varianza de cada muestra.al2d. Demoshar que los primeros cuatfo momentos con respecto a la media de progresión a¡itmética a.1 (b)Emplear(a)enel 6. Una población de 7 números tiene una media de 40 y una desviación típica de 3.. (a) Demostrarquelarvarianzasdelconjuntoden nfrmerol a. 6.6l PBOBLEMAS DIVEBSOS TEORIA DE MUESTREO 193 5. (n-1)d (eadecirun¿ 6. En un exarnen las calificaciones fueron normalmente disüribuidas con media 72 y dewiación típica 8.134. hoblema 6. mz = i..135. a * 2d.. (b) la dewirrción tfpica de la duración exceda 96 hora¡? ¿Qué ruporicioner deben hacerse? 6.104. Demostrar el resultado (I9). a * d.132.

utilizan estimas sesgadas o no eficientes.27 % . ambas tienen la misma media. ya que en general Z(3) + o. página 162. respectivaménte.2. se dice que la distancia es 5. la media provee una estima más eficiente que la mediana.r--Bo. cabe esperar que el estadísticoSseencuentreenlosintervalos&s o^s8Í. El valor correspondiente del estadístico se llama estima insesgada del parámetro.2_5 y 5. S realmente es un estimador sesgado de o.s.28 + 0.ACIONALES Sean ¡rs y o" la media y la desviación típica (error tÍpico) de la distribución muestral de un estadístico S. EJEMPLO 6. U 13 t) = o2. eonq de esttmocton : .73% de las veces. Sin embargo. Véase Tabla 5-1. &s-2o"EFsl%a'" ó ¡r.que es cierto para muchos estadísticos. Lógicamente se prefiere tener estimas que sean eficientes e insesgadas. ESTIMAS POR INTERVALOS DE CONFIANZA.95. el estadístico con la menor varianza se llama estimador eficiente de la media. La distribución muestral de la media y la mediana.3. es decir. Los valo^res i y 3 z se llaman estimas insesgadas. pero esto no siempre es posible. en las páginas 157 y 160 son estimadores insesgados de la media poblacional ¡r y de la varianza poblacional 02.46% y 99..03 pies. La precisión o conocimiento del error de una estima se conoce también como su seguridad. EJEMPLO 6. Si. DE PARAMETROS POBI. €l 68. puesto que E'(X) = u. Entonces.l parámetro. si el tamaño de muestra es n > 30). El valor correspondiente del estadístico eficiente se llama estima eficiente. Si se dice que una distancia viene dada por 5. u-¡r"* 3o" . Si las distribuciones muestrales de dos estadísticos tienen la misma media. Por tanto. por la relativa facilidad con que algunas de ESTIMAS POR PUNTOS Y ESTIMAS POR INTERVALOS. se está dando una estima de punto.. la distancia real se encuentra entre 5. La media X y la varianza 3' d"finid".31 pies. En la práctica se ellas pueden obtenerse.1. se está dando una estima de intervalo.Capítulo 6 rF I | . si la distribución muestral de S es aproximadamente normal (lo que se ha visto-. por otra parte. L94 . La estima de un parámetro poblacional dada por doS números entre loJ cuales se considera que se encuentra dicho parámetro se llama estima de interualo del parámetro. EJEMPLO 6.28 pies. la media poblacional' Sin embargo. SEGURIDAD La estima de un parámetro poblacional dada por un número se llama estima de punto de. la va¡ianza de Ia distribución muestral de medias es más pequeña que la distribución muestral de medianas.s*o. a ESTIMAS INSESGADAS Y ESTIMAS EFICIENTES En el Capítulo 5-indicábamos que un estadístico se llama estírnador insesgado de un parámetro poblacional si la media o esperanza del estadístico es igual al parámetro.

6746 En los casos donde un estadístico tiene una distribución muestral que es diferente de la distribución normal (como chi-cuadrado.96 1.respectivamenllama¡ a estoé intervalos los interualos de confianza del68.1. S +.szs son los valores de ? para los que el 2.96 o7 Y X + 2.68. son los límites de confianza del96% V 99% (ó 0.99) para p". de modo que para obtener los límites de confianza anteriores.73% para la estima de ¡rs (es decir."\\ñ s (3) . etn. ps er los intervalos S .27%. como otras veces sé conocen. N-1 (r) en el caso de muestreo en una población infinita o si el muestreo es con remplazamiento en una población finita y por X*2"* vn (2) finita de tamaño N. S-2o" a S+2o" ó S-3o. entonces un intervalo de confianza para ? está dado por (véase pagina 161) (N -t. 2. De los niveles de confianza se pueden obtener los coeficientes de confianza y recíprocamente.68 2.srs . Por ejemplo si -t. los valores de z" pueden sacarse de las tablas de la cuwa normal en el Apéndice C.33 2.95. 95. los límites de confianza eslán dados por X * z"o* donde z" depende del nivel de confianza que en cada caso se desee y puede obtenerse de la tabla anterior. . En la Tabla 6-1 se dan los valores de z" que corresponden a distintos niveles de confianza utilizados en la práctica.73% s9% s8% s6% s5. se puede ver que los límites de confianza para la media póblacional vienen dados por Xtz"* vn N-tt.05 2. y S -r 2.00 2. Poi estos se 99.96 o.. El porcentaje áe confianza se"llama también nivel de confíanza.szs y ú. entonces los límites de confianza d'el95% y 99% para la estimación de la media poblacional ¡. se utiliza la estima muestral S o S. En general. t 6 .cAP. de los límites de confianza se llaman coeficientes de confianza o ualores críticos y se denotan por zc. Los números extremos de estos intervalos (S i o5. Pequeñas muestras (z < 30). Más generalmente.46% y 99. obtenidos en el Capítulo 5.. para estima¡ el parámetro poblacional. vienen dados por X r. Utilizando los valores de o.58 o. Si el estadístico S es la media muestral X.45%y te.00 0. en el caso de un S insesgado).58 ox respectivamente. $ I 3or) son llamados los límites de confianza del 68. INTERVALOS DE CONFIANZA PARA MEDIAS 1.27 %.96..645 r. Iímites fiduciales.6l TEORIA DE ESTIMACION 195 Análogaménte cabe esperar o se puede confiar en encontrar.27% 60% 3.46% 95% 90% 80% 68.o.9q -V 0.1.96. S -+ 2o.73% o.46%y99.28 1.6% del área se encuentra en cada "cola" de la distribución ü. si el muestreo es sin remplazamiento én una población 2. a S * o' delasveces. Para niveles de confianza que no se encuentran en Ia tabla.Grandes muestras (n > 30).00 1. En este caso utilizamos la distribución t para obtener los niveles de confianza.r.27%.F') se hacen fácilmente modificaciones apropiadas para obtener los intervalos de confianza. & S*Sorenel 68.73% "pueden Análogamente. Los números 1. Tabla 6-1 Nivel de confianza zc e9. la desviación típica poblacional o es desconoc^ida.

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

p$na 161. n - L gndos de libertad. están dados por Análogamente. *'T donde Pt y Pz son las dos proporciones muestrales. vimos que si dos muestras aleatorias independientes de tamaños m de vatianzas ol.6% del área se encuentra en cada "cola" de la distribución.ss los valores de F para los cuales 1% del área se encuentra en cada "cola" de la distribución."1=./4 s?/a s7/"7 A tiene una dishibución F con fr .o2. (17) . entonces la variable aleatoria En el Capítulo 5.ot y tr'.cAP. En forma semejante ohos intervalos de confianza pueden encontrarse. INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS y n con varianzas Sí.ozs = (13) De esto vemos que o puede estimarse que se encuentra en el intervalo S\n X.28. Si se extraen de'dos poblaciones distribuidas normalmente respectivamente. como las distribuciones normal y ü.ozs (1t ) S{n-7 X. g 4 Fo. extraídas de las poblaciones. of.S. desviaciones típicas y tamaños de las dos muestras extraídas de las poblaciones. W*"í-üt z"orr_r. flt! nz son los tamaños P.6l TEORIA DE ESTIMACION L97 'donde Xpopnr y X2.F. El proceso se ilustra en el Problema 6. esto se consigue utilizando colas de áreas iguales. siendo las poblaciones infinitas.I.2 X!. como la distribución chi-cuadrado puede ser deseable ajustar las áreas en las colas de tal manera que se obtenga el intervalo más pequeño. .02S o2 (12) ^.or (r6) De esto podemos ver que un intervalo de confianza del98% para la relación de va¡ianzas dos poblaciones viene dada por qlú de las 1S? F. = . Generalmente es deseable que la amplitud del intervalo de confianza sea tan pequeño como posible. Así por ejemplo si denotamos por F. y Pt V Pz).P. : P. entonces un intewalo de confianzadel95% es v2 nS2 ^. S$ si.975 o de manera equivalente -.. Sin embargo. (11) pr y p2 de las dos muest¡as son las proporciones en las dos poblaciones (estimadas por INTERVALOS DE CONFIANZA PARA VARIANZAS El hecho de que nS2/o2=(n-t¡32¡A tenga una distribución chi-cuadrado con n-l gradosde libertad nos permite obtener los límitesdeconfianzaprüa o2 6o. los límites de confianza paÍa la diferencia de dos proporciones poblacionales.n2 son las respectivas medias. Para estadísticos con distribuciones muestrales simétricas.szs (1 5) con confianza de g5%.entonces con98% deconfianzatenemos F. para distribuciones no simétricas. - Pr. Porejemplosi x%rry X?szs sonlos valores de ¡2 para los cuales 2.

empleamos una técnica conocida como el estímador de móxima uerosimilifud. (b) La mediana muestral y el estadístico muegtral *(Qt + Qs).01 "'+ fl*. h desviación media y el reconido .ss se obtiene de la tabla del Apéndice F. Esto vendría dado por r F.F. puesto que la media de sus dishibuciones muestrales es la media poblacional. De una manera semejante podríamos hallar un inten¡alo de confianza del g0% empleando la tabla apropiada en el Apéndice F. Problerna. --LtSz son dos de tales ejemplos.e\ffi = o (20) De aquí podemos obtener 0 en términos de r¡. que se va a estimar por un estadístico L .s resueltos ESTIMAS INSESGADAS Y EFICIENTES 6.6 Adviértase que F. La¡ruíxima uerosimilitud puede obtenerse tomando la derivada deZ con respecto a 0 e igualándola a cero. página 118.or €s el inverso de . de acuerdo con el Teorema 4-8. . f(r".. semi-intercuartílico son cr¡atro de tales ejemplos. Para este propósito es conveniente tomar primero el logaritmo y luego la derivada. son dos de talee ejemplos.1.zmuestral modificadas f eficientes. la función de densidad conjunta para estas obsen¡aciones es un parámetro poblacional. Por tanto.ütr I af(rt|) + 1 0f(r". .05 p2 a2 (r8) ESTIMAS DE MAXruA VEROSIMILITUD Aunque los límites de confianza tienen valor para estima¡ un parámetro poblacional es conveniente tener un estimador por punto.198 TEORIA DE ESTMACION lcAP. Para ilustrar el método suponemos que la población tiene una función de densidad que contiene d-eterminado.ee con los grados de libertad para el numerador y el denominador inyertidos. Dar ejemplos de estimadores (o estimas) que sean (c) insesgados no eficientes. debida a Fisher. (c) fa desviación típica muestral g la desviación típica modificada .31 $z o-n o-t - I' . la función de densidad puede denotarse por f (x.0) (1e) que se llama la uerosimilitud. El método puede generalizarse. (¿) La media muestral X y Ia varianz. El valor de F. . xn.3. donde Qr y @¡ ¡on las cuartilas muestrale¡ inferior y superior. De esta manera hallamos f@.ss . d ). Sin embargo ambo¡ no son eficientes si se les compara con X.0). por ejemplo g. Los dos son estimadores insesgadoe de la media poblacio- nal. . . (c) sesgados y no eficientes. Así para el caso donde existan varios parámetros tomamos las derivadas parciales con respecto a cada uno de los parámetros. Pa¡a obtener el "mejor" de tales estimadores. Suponiendo que hay n obsen¡aciones independientes x1 ..f(r¡?\ f(n2. los igualamos a cero y resolvemos las ecuaciones resultantes simultáneamente. (b) insesgados y 3t = .

de la varianza poblacional).saa = tln ! 2.33.00055 cm2 Nótese que 0 = /0"00055 = 0. Una muestra de cinco medidas del diámetro de una esfera se registraron como 6.32 6.as y i : 2.336.02 pulgadas. n-1" (6.36.3.2.02): 0.. 2.32 y 6.57 pulgadas.37 centímetros. (o ) Estima insesgada y eficiente de la verdadera media (es decir. - iT $. y no eficiente del verdadero diámetro medio de la esfera del La r¡ediana es un ejemplo de una estima insesgada y no eficiente de la media poblacional. Así.88 < p < ti8.93.93 pr¡]Éadas como una estima de o (véase Problema 6.36 cm. Adviértase que puesto que n es grande. 6.88 a 68.02 pulgadas.88 y 68.45 ! 1. (b) la verdadera varianza. = S tr. Determinar unas estimas insesgadas y eficientes de (c) la verdadera media. (b) Los lfmites de confianza del 99% son X 2.96"/\f.58o/tñ.46 pulgadas.02. JC = .45 ! 0.35)2 5-1 0. Se puede.cAP.96(2. Determinar unas estimas insesgadas y eficientes de (o) la verdadera media. que puede denotarse por 66. 6. = n .35)2 2(n-ñ\2 - n-l = = es insesgada + (6. Dar una estima insesgada Problema 6.3?-6.35)2 + (6. el intervalo de confianza del 95% para la media poblacional ¡t es 66.36-6.iroentre s yG.45 -- 0.35)2 F (6. no hay esencialmente diferencia entre 6. 95Vc ó 0. 4er. 6.45 pulgad.ó.93/V100) ó 67. (b) la verdaderavarianza.? = /8. Esto es equivalente a decir que se tiene un 95% de confionzo en que la media de Ia población (o verdadera media) se encuentre entre 66.45 ¡ + z.3?-6. por tanto.TG pulgadas .6136 s2 Así . (a) Los límites de confianza del 95% son X t I. 6.95. En símbolos se escribirá P(66. Para la muestra dada 67. = i2 = .37.33: Estima insesgada y eficiente dé la verdadera altura Del Problema 5. decir que ia probabilidad de que la estatura media de la población se encuentre entre 66.02 pulgadas es.3. (o) Del Problema (b) ó.88 < tt<68. Hallar los intervalos de confianza del (a) 95% y (b\ 99% para estimar la estatura media de los estudiantes de la Universidad XYZ del Problema 6. los lí¡nites de confianza son 6?.023 es una estima de la verdadera desviación típica pero esta estima no ni eficiente.4.6l TEORIA DE ESTIMACION 199 6.JDani (b) Estima insesgada y eficiente de la verdadera varianza (es decir. Utilizando n : 67.2. ESTIMAS POR INTERVALOS DE CONFIANZA PARA MEDIAS (GRANDES MUESTRAS} 6.!1t. pues. Para las cinco medidas puestas en orden de magnitud la mediana es 6.88 y 68.38: Estima insesgada y eficiente de la verdaderava¡ianza media: t : 67.3).5275) = 8. de la media poblacional).58-?+ = V100 67. Supóngase que las estaturas de 100 estudiantes de la Universidad XYZ representan una muestra aleatoria de las estaturas de los 1546 estudiantes de la universidad.96.35)2+ (6.6136 : y.

6.el 99o/. : t.so! = Vn 0.645a (c) .824 t 0.g6a = Vn 0-824:t 0. que puede denotarse por 66.69 (¡¡ < 68.73V. de modo que el área sombreada eselgSVo del área Sea z tal que el área bajo la curva normal a Ia derecha de z : z.824 pulgadas y uná desviación típica de O.G. v (bl99% para el diámetro medio de todos los cojinetes.200 TEORIA DE ESTIMACION lcAP.= vn Vn V200 ó 0.45 1 0.006 Pulgadas .69 a 68.4í.E8y. respectivamente. r.824 * 2. pues.824! 0. para n > 30 se puede asumir que s y 3 son prácticamente iguales. se utilizaría t. el intervalo de confianza del 997o para la media poblacional ¡r e¡ 66. ñ!3+ \ñ - 0. (a) " lok. el área desde z eE 0.008 pulgadas. el área a la izquierda de z:-zce8 también lVo.33. se habría empleado ?: \/n/@4s = y'200[99s que puede tomarse como i para todos los propósitos prácticos. Lad medidas de los diámehos de una muestra de 200 cojinetes de bolas hechos por una determinada máquina durante una.6-l (b) S" busca z" tal que el á¡ea desde z : entonces z.824=z.0U89pulgadas. Oa z : zc ea O. lugar de Para y muestreo sin remplazamiento.21.6 Asf. Adviértase que se ha supuesto que la desviación típica dada es la desviación típiez modific¿d¿ i Si la desviación típica dada fuese S.824tSL93 = \/zoo . : O es Asi pues. Para obtener los intervalos de confianza. se puede considerar el factor es necesario = 0.6450'942 = 0.824 0. 6.824 t 1. puee. Los límites de confianza d.21 pulgadas.82¿!L. son xtz.0. los límites de confianza anteriores se convie:rten en 67.49.645.73% para el diámetro medio de G.Hallar los límites de confianza del (o) 55"1.sa| = r*z. es total.O42 pulgadas.00b8 pulgadas Los límites de confianza d.824 ! 0. z:zc Puesüo que el área total bajo la curva es 1. de aquí que z":2.ss9 = 0.semana dieron una mdia de 0.45 t utiliza¡lo.b6 y 0.0049oulgadas t/-zoo sn 0. En general.{ñ= 0.' o^.96ry = \/200 0. (b) 9O% y (c'¡ 99.gg9!9 = \/zo0 0.i :. Si se utiliza.73 pulgadas. Entonces por simetría. los límites de confianza del90ak son n!I.el 99.00??putgadas t 0.824:r0.7. (o ) Los límites de confianza del g5% son 6 (b) x t 1.96? como 1.. los límites de confianz¿ del 98% son r ! 23g+ = \/7i Asi 0. los cojinetes del Problema Hallar los límites de confianza del (a) 98%. de modo gue no 6?. 6.0069 pulgadas Fig. srn embargo.824t0. se supone que la población es infinita o tan grande que se pueda considerar que las condiciones son las mismas que poblaciones finitas si el muesheo fuese con remplazamiento.

96+ v50 (10) 200 . 6-3 6.01 ¡i n e¡ 97 o mayor.X+r"L . de aquf que el grado de confianza pedido *162(O.05 segundoe. se tiene que el error ser6 igual a 0.26fvéaeet¿mbiénProblema6. 1fi = (1. er decir.00.cAP. Entonces (2.58o/{i.05 segundos.0452 pulgadaa .i=r.Ze.Entonce¡ utilizando ¡ : 4.50 2oo-L = 76!2.81.9Tolfi.t = t. debe emplearse la fórroul¿ para poblaciones finitas con muestreo sin remplazamiento. 6-8 debe ser 0.Entonces los coeficientes de confianza pedidos son tú. Fig. Para lo¡ valores de v dados egtos son (a) t Z.01 : 9. (b). Halla¡ los límites de confianza para el diámetro verdadero del (o) 96% y (b) 99%.10(c)]. (c'¡ t2. (c) v : 30.04.38 y c : 0.21o. TEORIA DE ESTIMACION 20L es de Al medir el tiempo de reacción. (o) ¿Cuáles sonloslímitesdeconfianzadel9Ú% para la estima de la media de las 200 calificaciones? (b) ¿Con qué grado de confianza poüá . lo¡ límitee de confianza del96% pedidos eon 4. Los coeficientes de confianza del 96Vo ("d.06 pulgadas.05)/\.decirse que la media de las 200 calificaciones es 75 r 1? (o) Puesto que la población no es muy gtande en relación con el tamaño de la mueetra. un sicólogo estima que la dewiación típica del mismo (c) .29lO):0. Entonces los lfmite¡ de confianza del 964o eon .4. = * t1.6 : 0.r¿ -. : 20.01.r.q'-: 200 v50 200-1 = 75 + 1.:n-L:10-1:g.9df (b) tos vn N-n A¡-1 = N-n N-1 75 t 1.2910.38 + 0.siendo 0.8 ó n : 96. (d) =2.oble cola") para la distribución normal vienen dados por i1.10.051/\/n = 0.2S z"=L6 z"=0.96X0. ¿Cuál es el número de medidas que deberá hacer para que sea del (a) 96% y (b) 99% La confianza de que eI enor de su estima no exceda de 0.11.8.06.setienequel. Asf el área ¡ombreada en la col¿ derecha es 0. se puede estar en la confianza del 96% de que el enor de Loe límitee de confianza del 95% ¡on s : el error de la e¡tima l. (d) t= 60? Pa¡a los coeficientes de confi¡nza del 96% ("doble cola") el área total en la Fig. ¿Cuáles son los coeficientes correspondientes pala la distribución úsi (a) v = 9.goo*. pues.23 zc h¡estoqueestodebeserigualaTSll.682ó ESTIMAS POR INTERVALOS DE CONFTANZA PARA MEDTAS (PEQUEñAS MITESTRAS) 6. Eláreabajolacurvanormal : O t z: 0.026 y el valor crítico correepondiente es ú. (o) Los llmitee de confianza delglovo están dados por.g6ol{n.*.f I l.01 segundos? 0.05. : 166. AsÍ. Una muestra aleatoria de 50 calificaciones de matemáticas de un total de 200. .gzs:2.e?'. Aef.4 60 límitee de confianza pueden repreaentarse por Ítz"ox deede z 68.09.96)(0. Puegtoque¡.9.06)/0. pues. arrojó una media de 75 y una desviación típica de 10.orr.96.38 t 2.04. <í n.38 pulgadas y una desviación típica s : 0.58')(0.01 soliamente ¡i n es 167 o mayor.81 es 0.26 &- Vlo-1 = 4.01 si (1.n r1s/t/Á¡. (ó) +2..01. 6.7I 6.Tomando o = la estima eerá menor de 0. Una muestra de 10 medidas del diámetro de una esfera dio una media ñ: 4. 8e tiene la confianza del99% de que el error de la e¡tima eerá menor de 0. (b) Loe límite¡ de confianza del 99% son X t 2.hallamoat.

L2.50. 0.049 pulgadas.06 como estima de o. utilizando P donde B = : 0.O37pulgadas ? donde se ha utilizado la desviación típica muestral 0. - ó Prob(p > e-Bt/p6-ffi¡ = + J(t t/2r -.045 : 4.6a5y'i6lBB)Io-75j7i : 0.55 y la estima p : 0.06b0 pulgadas y el inüervalo de confianza del99% e¡ 4.15. ¿Qr'é tamaño de muestra debe toma¡se en el Problema 6.6 : se puede estar en la confianza del 96a/o de que el valor ve¡dadero se encuentra entre 4. Una muestra de 100 votantes elegidos aleatoriamente entre todos los de un distrito dado.96-0-. (c) 6. 6. t 3ú058)16:¡8 10d 0. = P t 1. tenemoe 0. (a ) Los límites de confianza d.06) /\t1. J_.202 Asf.55 del Problema 6.qq /lo - 4.55 = o'55t0'10 donde se ha tomado la proporción muestral 0.p')/\/p(l .426 pulgadas.13.55 + 0.55.1.045 TEORIA DE ESTIMACION lcAP.13 para que la confianza de que el candidato sea elegido sea del g5% z El candidato se elige si p ) 0.55 para estimarp.335 pulgadas y 4.73% para la proporción de todos los votantes que estaban a favor de este candidato. y para tener una confianza del g5% de su elección necesitamos : 0.88 + g.2/z¿y L645 Al comparar con Prob(p > 0.13.l = 4.38 * (2.95.f) = 4.0 = 4.14.Z5(0.446 pr'lgadas.315 a 4.88 + 0. los límites de confianza del 99% son 4. (b) En cada caso. = 3. (a) Soluciona¡ el hoblema 6. Análogamente.06/y'10 .= v-n 4.25.9ó utilizando el Apéndice C indica que e-Bt/fi-fl/n:0.96-9. indicó que el 55% de ellos estaban a favor de un determinado candidato. los intervalos de confianza mues¡ras.ssr(S/tñ-l.el95o/o para la población p son P : l.88 i g.58)(0.96.55 t 0. Hallar los límites de confianza del (a) 95%.55 '^^ I(0'55)(0'45) :r 1'e6!ff : = 0.55 2.11 suponiendo válidos los métodos de la teoría de muestras.73% parap son 0.88 r 1. Para hacer este problema de una fo¡ma más exacta.27.pV" es normal asintóticamente. (b) Comparar los resulüados de los dos métodos.38 t 0.l)6or.38 4. obtenidos mediante ios métodos de pequeñas muestras o teoría exacta del muestreo son más anchos que los obtenidos por los métodoe de grandes muestras.58ú6:5EXb:¡BtTdd = Los lfmites de confianza del 99. véase Problema 6. t. Entonces loe límites de confianza del 99lo rcn i t ú..18.50): 0.50) Prob( que hob / J--ct t)_p .38 + 0.b0 Entonces. Puesto que (P . (a grandes ) Mediante loe métodos de Ia teoría de grandes muestras los límites de confianza del 95% son X t 1./e(l -p) ¡? V = 0. (b) Los límites de confianza del99% parap son 0. Esto era de esperarse dada la menor precisión que r¡e obtiene en pequeñas muestras con relación a Las grandes ESTIMAS POR TNTERVALOS DE CONFIANZA DE PROPORCIONES 6.se5 - (b) Para v = 9."-.-'\ r1/pg-p)/n / rB I l-r'-tt'/z¿y t/2.50 ó n= 27r . (b) 99%y (c) 99. pues. 0D > 0.

95"/o de = 200 t 24.. Así.el 99Vo que la verdadera diferencia de proporciones .6V n:40 enlafórmula \tF(l=A/.5B = 0.. SustituyendolosvaloresP:24140 = 0.45 a 0.96/il2OtG0I80)2/100 Así. esperar con confianza d. dando.75..50 encuentre entre 0. intervalo de confianza del 99.Xn-.50 ! Pz : 100/400 : 0.6l TEORIA DE ESTMACION 203 6./i120)r/15¡+-G0)r400 = 200 + 82.06. En una muestra aleatoria de 400 adultos y 600 adolescentes que veían un cierto programa de televisión.45 a 0.58\.73% para la proporción de caras que se obtendrían en un ilimitado número de lanzamientos de la moneda.60 + 15.16. se puede encuentre entre 0. dando el intervalo 0. pues.tr 7. Hallar los límites de confianza d9l (c) 96% y (b) 99. En 40 lanzamientos de una moneda.37 a 0. (a) Los lÍmites de eonfianza del 95Va son 0. Una muestra de 150 bombillas del fabricante A dieron una vida media de 1400 horas yuna desviación típica de 120 horas.50 - 0.4 y B son dados por (a) *o.27 da el intervalo de confianza del 95'ib como 0. 100 adultos y 300 adolescentes dijeron que lei gustaba.25 ! Z. (b) Al nivel del 99.el 99% son: 1400 - 1200 12.respectivamente.cAP.31. Hallar los límites de confianza del (a) 95% y 99% para la diferencia de las vidas medias de las poblaciones A y B. (a) Al nivel del g5o. Mediante la fórmula aproximada p = P + 0. se tienep = 0. se puede esperar con el 994n de confianza que la diferencia de las medias de las poblaciones se encuentre entre 167 y 233 horas. se puede esperar con el encuentre entre 175 y 225 horas. pues.17 y 0.25 = 0. se obtuvieron 24 ca¡as. se As( pues. PzQz el - O. se Así.83.el ggVoson 0. [-os límites de confianza para la diferencia de medias de. Los límites de confianza para la diferencia de proporciones de los dos grupoe están dados por 'll1 1t2 dondelossubíndicesly2serefierenaadolescentesyadultos. z" = 1.25 = 0.15.g. gt= Ptz" t z¡/F(=ffi. PtQt . se puede esperar con confianza d.96.il3li.Zb + 1. -loi*o'o -"1/"o-"" Los límites de confianza del 9b7o son: 1400 1200 . ae confianza que Ia diferencia'de las medias de las poblrcionee (b) Los límites de confianza d.?4 y el INTERVALOS DE CONFIANZA PARA DIFERENCIAS Y SUMAS 6.33.19 y 0.t 1./.96 La verdadera = 0. Hallar toi tí-mites ae confianza del (c) 967" y (b) 99% para la diferencia dé propoñiones de todos los adultos y adolescentes que ven el programa y les gusta. Una muestra de 100 bombillas del fabricante B dieron una vida media de 1200 horas y una desviación típica de 80 horas.el 96% que diferencia de proporciones (ó) Los límites de confianza d.25 son las proporciones respectivas de adolescentes y adultos a quienes les gusta programa.0g.?9.6. se tienep : 0. pues.60 La fórmula más exacta del Problema 6.AquíPr:300/600:0. 6. pues.23.73% como 0.BZ a 0. el intervalo 0. z" = 3.

19.73"/o para o son S . Es y Eq representan los voltajes de las 4 baterías.4 + 2.04 V.r Bo/l-zn Ss/\/Zn. Así.= lr'. osr* Ez+t:.58(0. Y t¡. ee puede esperar con confianza del 99'y'" que la deerüeión típica de la población se encuentre entre 87.. Si se conectan 4 baterías en serie. (b) Si }OO/\E : Aei pues. = 1la1ffiy : 0.8 horas. = 0.96(0.204 TEORIA DE ESTIMACION [cm.4 t de confi¿nza del 99.t+ti. donde 2.73% y (d) 5O% para el voltaje total.2 y 109. o 6. 46O. de la desviación típica para todos los estudiantes del colegio.[4: "'rJ o'r.r-= oE. Por tanto (véase Tabla 5-1.g. pues. (b d. página 162)loslímites de confianza para la dewiación típica de la población son dados por S * z.2L. utilizando s como una estima de o.9 horas. 0.04 volüios.19 deberá tomarse para que con confianza del 99. En este caso se aplica la teoría de grandee muestras. INTERVALOS DE CONFIANZA PARA VARIANZAS 6./nloslímitesdeconfianzason:100 11.58(100)/r/Zbd = 100 r 12. el tamaño de la muestra deberá ser 1800 o más.4O pulgadas. 6. 0.20.4 + 1. La desviación típica de las duraciones de una muestra de 200 bombillas fue de 100 horas. Entonces. La desviación típica de las estaturas de 16 estudiantes seleccionados aleatoriamente en un colegio de 1000 estudiantes es 2. indica el nivel de confianza.f8. pues.0b4voltios. Así. se tiene ltlt+Ez+at+¿o = Fu. Si Er. El valor de 0.ozs.4i0.08) = 180.el 95Vo que la desviación típica de la población se encuentre ) Al nivel del 99% los límites de confianza son: 100 * 2. Hall¿rr los límites de confianza del (a) 95% y (b) 99% para la desviación típica de la población de tales bombillas. los límites de confianza del 99. pues.96(100)i/200 = 100:tg. (c) 99. (b)LO%? De igual forma que en el Problema 6.054 voltios se llama error probable. = 45. entonces n 1800. * l'a. oE.. hallar lós límites de confianladel (a) g5%.08) = 180. . 5O%son:180.* o".4 (o) (b Los límites de confianza del95% son: 180.x {2n 300//t = 5. 6.4 t 3(0.r+r 2+Er+84 = . (o) Alniveldel 95". Entonceg el error porcentual de la desviación es 3s/t/-at (¿) Si 300 _ = s. Hallar los límites de confranza del (c) 95% y (b) 99"/.08) 0.o/yEi.21 voltios.73% la verdadera desviación típica de la población ::o difiera de la desviación típica muestral en más del (c) 6%.1 V y la desviación típica 0.73% con: 180. * uotr* l'a.1) = 180. entonces n : = 10.4:t0. Así.08 ÉEr+nz+E¡+Eo = 4(45.6?45(0.08)=180. el tamaño de la muestra deberá ser 450 o más. (a) Loslímites de confianza delgSv" están dados por sy'7/x.9. Se utiliza la dewiación típica muestral para estima¡ o.19.4 V r de confianza del 99% son: 180. 82. = orr. puesto que /¿rr = lLEt lr'.24 ) Los lfmites (c) Loc lÍmites (d) toslfmitesdeconfianzadel voltios.16 voltios.1 voltioE y dc..1 y 112.e75 y st/n/x.. se puede esperar con confianz¿ entre 90.4 t = 180. FfJ voltaje medio de las baterías producidas por una compañía es de 45. ¿Qué tamaño de muestra en el Problema 6. (b) 99%.

)rto = \/ 2o.n25 = 2.26 6 7.7..9 y 115. Este resultado debe compararse con el del Problema 6..40\f-I6/5.2= 115.2 y 111.o75 = |{zsrr. Entonces los límites de confianza del 95% son 2.1 : 199 grados de libertad.84 pulgadas.14.8 ó ¡.o .92)2 = 253 lL6.ozs.2. Por tanto se tiene la confianza del 99/o de que la dewiación típica poblacion¡l se encuentra entre 1.19(a)." x%os 1_l .r+l/Z[I6Ef-T¡z = jtz.40Vf 6 /1. : 200 - 1 : 199 g¡ados de libertad.n.19(b).ozs l-l Vz(rssl -r)z = itt. x2nzs de donde ¡¡.¡¡5. Este resultado debe compararse con eI del Problema 6.83 y 3._.9212 : 239 161 = olz02s+V2(199)-1)e =. (o) Los límites de confianza d.ee5 Para v y Sy/i/7. x1.= r\ri= (f. Si se encuentra que sus varianzas son 24 y (b\ 90% para la relación de varianzas.el99% están dados por Sy'-nl¡. Paray:16-1:lSgradosdelibertad.24 y = 6. pfuina 137' x. Dos muestras de tamaños 16 y 10 respectivamente de confianza del (c) 98% se extraen aleatoriamente de dos poblacio- nes normales. .11. rz = 10.5 = 91'2 y 100y'200/12'1 = 111'3 horas respectivamente. = 15.!75= 5.sa+19. 1.60 ó y.68 y 4. Por tanto se tiene la confianza del 95% de que la dewiación típica poblacional se encuentra entre 1.22.9 y 1001800/t2.23.50. it./x Para v : sr. Entonces los límites de confianza del 997o son 2.14.2 a. Entonces los límites de confianza del 99% son 100/Eñ6 de donde X sq¡ INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6.92)2 = : \2. Solucionar el Problema 6.s¡5.40\f-16/2.83 y 3'84 pulgadas. Por tanto se tiene la confianza del 99% de gue la desviación típica poblacional se encuentra entre 88.el95')h están dados por Sy'-n. ee decir.50. X. 200 .3 horas.t.oos:4.. están dados por Sy'-nlx ors y Sl-n/y.9 horas respectivamente.cAP.SO+19.g = 88.oos = 72.?3 y xz..s¡5=2.sor-79.5 y Entonces los límites de confianza del 95o/.24 y 2.40\R/2.68 y 4.' son 100y'2b-0 115. hallamos como en el Problema 4.5 6 x. esto es. 6. Por tanto se tiene la confianza del 95% de que la desviación típica poblacional se encuentra entre 91.15.oe5=5.49 pulgadas. s! = 20.6l Para o TEORIA DE ESTIMACION 206 x?ozs = 16- 1 = 15 gradoode libertad. x?szs = 27. y St/T/x.49 pulgadas.73 y 2. (b) tos lÍmites de confianza del 99\i.9 horas.t-t.. y 18 respectivamente halla¡ los límites (o) Tenemos nt = l(t. 3? = t=r"i = (lf)rznl = "? = 18 de modo qrre 26. (b) Los lÍmites de confianza d.19 utilizando la teoría de pequeñas muestras.¡]oor=32.9 y x. 1.

También del Problema 4. Hallar los límites de confianza del (al 98% típicas del hoblema.4437 oí = * ('z'6'g)(?q¿. gue tenemos (I) Puesto Por tanto l(rx.84 V F. pl" 'f (r.os : 1t2.47(d).#>@t-pl2 Tomando Ia derivada parcial con re4ecto raL 1:' fr. Entonce¡ utilizando (171.89 de modo que l/F. 6.23 hallamos los lfmitec de confianza para el (¿) (ó) ESTIMAS DE MAXIMA VEROSIMILITUD o.89. .23. pfui¡1g 19?.tn1z.zt oz 0. tenemos F ge = 4. Al tomar la raíz cuadrada 98% v el9o%.25. ü = \/2ro2 -J- r-<x¡-ü2rzoz L = f(nt. Halla¡ la estima de máxima verosimilitud de la media.47(b).24. hallrrmoe para el intervalo de confianza del 98%. = (b) Como en (o) hallamos del Apéndice F que confianza del g0% es F. tenemos pataUl: 15 y ez:9 grado¡ de libertad f or : 1/3.'or¡ g. ó )("*-p) = o e¡decir )"*-nr p-n 2 an = o (6) A¡f l¡ ectima de márima vero¡imilitud e¡ la media mue¡tral.59.6 Del Problema 4. página 13p. Si n obsewaciones Xr & se toman de una población distribuida normalmente de la cual se desconoce la media y se conoce la varianza.96 parapl : 16 1 : 15 ! U2 =LO-1 =9 grados de libertad.206 IEORIA DE ESTIMACION [cAP.sg<!=z.e¡ = 3.eo = ".eg oz 6. = 3)@*-Pl reeulta Q.0. pl = (2to2)-tt2¿-zbk-r)2t2o2 (z') (r) Fijando íLldp = 0 t¡L = a -f. como lógicamente era de eryerarse..z8a =# : = rsee.) Obsérvese que el intervalo de confianza del9O% e¡ mucho más pequeño que el intervalo de eonfianza del 98Vo.(ffi) 4. Por tanto el intervalo de #(ffi) s += 6 0.e5 2. (#)(ffi3) o. reculta .6?=1=r. 6. v Q) 90% para la relación de las desviaciones de las desigualdades del Problema 6.

= -fi+ uár> @t-r)2 02= 2 (rr - pl2 PROBLEMAS DIVERSOS 6. queda.P)/n Los valores mayor y menor de esüa variable tipificada son tzc."2) en cambio d. se tiene P-P Elevando al cuadrado los dos miembros. . tenemos ee i'# Fijando aLl0o2 . donde z" deüermins el nivel de confianza.26. - (2nP I * nPz = 0 Si o=n+z!.p oP = -1. (a) como la utilizada en el Problema 6.) Dividiendo numerador y denominador por 2n. Entonces tomando la derivada parcial con reqrecto a 02.25 ha¡ta la ecuación (2) aplica.6l TEORIA DE ESTMACION 207 6. z7 n -4ü r+4 n o P (b) Utilizar la fórmula de (¿) para obtener los límites de confianzadel99.TS% delProblema 6.cAP. b--(2nP+"7) y c=nP2. zi n -4nz | +! . {P(L = *2" p(. (a) Si P es la proporción observada de éxitos en una muesha de tamaño n.cuyassoluciop son dadas por La fórmula cuadráti.27.0 hallamos Vé¿se Problema 6.ca p= _6 + 1/@=lo" 2a z"P+27=W 2(n* z7\ 2nP I 22" * ""t/6F(L1VlT7" 2(nI zf.63.13.e f(x¡. se tiene e+ flt "" P(L-PI . estaecuaciónsereduceaafi*bp*c:0. La proporción muestral P en unidades tipificadas .p). (c) Mostrar que p¿üa grandes valores de n la fórmula de (c) se reduce a p=P¡2" \FF -nn. todo lo efectuado en el hoblem¡ 6.L n - pl pz-2pp*p2: (nI nes para zp\p2 "?P# z?lp Multiplicando los dos miembros por ¿ y simplificando.25 se conoce la media pero se desconoce la varianza. En estos valores extremos. por tanto. Si en el Problema 6. Si escribimos f (rx. halla¡ la estima de máxima verosimilitud de la va¡ia¡rza. mostrar que los límites de confianz^ para estimar la proporción de éxitos p en la población a un nivel de confianza determinado poÍ zc esüán dados por p- P +ft* 22 z" P(l-P) .13.

.69 en acuerdo con el problema 6./Anz que se obtiene la fórmula pedida.32 92.6 = 12. zf. lcAP.7.85.31.2 y 9.o¡r y x e8l. Sin embargo.22(al? ¿Es posible obtener un intervalo de confianzadelg]c%para la desviación típicapoblacional Loe límites de confianza del 95í para la desviación típica poblacional como se hallaron en el Problema 6.44.28.¡amente 19.'.00058 pulgadas.9 110. En la Tabla 6-2 se indican varios valores críticos y los conespondientes intetwalos de confianza del 95%. X 032 y X 1¡2.7 7. dieron una du¡ación media de 1200 y una desviación típica de 100 horas.s2=12. Las medidas de pesos de una muestra fueron registradas como 8.09 ton./zn. 6. horas Una muestra de 10 tubos de televisión producidoe por una compañía.13(a). 2g.55yn:100enlafórmula y 22"/nson despreciables y pueden sustituirsepor cero. se tienep : 0.el 95"tb Ampütud 2r. 6'33.e6 : 15.7 a Lt3.32.r De la tabla se observa que un intervalo del95%. Hallar los límites de confianza del (o ) 99%.ge = 15.9 7. X. la disminueión en el intervalo que 8e obtiene es comúnmente despreciable y no Probletn.29.e4 91. entonces zf. 6. .0 a 110. 10.100).22(a) fueron obtenidos escogiendo valores críticos de y2 de tal manera que las áreas en cada cola fueran 2.8.?3 ton.=B. respectivamente (véase Problema 5.$=12'76. (b) 98Vo. ¡es=15. empleando t¡alores críticos tales como justifica el trabajo involucrado. Hallar los límites de confianza del (o) 951/.Es posible haltar otros límitee de confianza escogiendo valores críticos de X2 gar. (c) 95% y (d) 90% para el dirimetro medio de todos los remaches fabricados por la compañía.8.8 ¡.?3 20.4 20.a los cuales la suma de las áreas en l¡as colas sea61.6. respectivamente. es de g1. (o) Solucionar el Problema 6.42 a a 111.6 p=0.8.6%.40 y 0.72642 pulgadas y 0. y (b)99dto para la media de las cargas máximas de todos los cables producidos por la compañía.64.0 = 12.208 TEORIA DE ESTIMACION (b) Paraloslímitesdeconfianzadelgg. 10.05. Determinar estimae insesgadas y eficientee de (o) la media de la población v (b) la varianza de la población. 50 y 100 tubos de televisión muestreados' (b) ¿Qué se puede deducü de la relación entre las desviaciones típicas muestrales y las estimas de las desviaciones típicas de la población para los diferentes tamaños de mueetra? ESTIMAS POR INTERVALO DE CONFIANZA DE MEDIAS (GRANDES MÜESTBAS) 6. ó 0. en general.3 91.. La media y la desviación típica de las cargas máximas soportadas por 60 cables (véase Problema 5. Un intervalo con amplitud af¡n menor puede hallaree continuando el mismo método de aproximación x.98) están dadas por 11. etc. (c) Si n es gtande. Valores Crítico¡ Tabl¡ 6-2 Intervelo de confianza d. respectivamente. Estimar (o) la media y (b) la desviación tÍpica de la población de todos los tubos de televisión producidos por esta compañía.rlos ESTIMAS INSESGADAS Y EFICIENTES 6.. (c) Comparar la desviación típica muestral con la desviación típicÁ de la población estimada.Entonces. 8.TSVo.8. de amplitud sol. g.2 19.a. cuya amplitud sea menor que la del Problema 6. de forma 6.30. pero de tal manera que las áreas en cada cola no sean iguales.7s7=15. La media y la desviación típica de los diámetros de una muestra de 250 remaches fabricados per una compañía gon O.s sr¡plernenta.4 libras. y 0.z.54 ¡.8 89.O a 110.30 si se obtienen los mismos resultados para 30.utilizando de (a).

76 y 0. y una Una muestra de 12 medias de resistencia a la rotura de hebras de algodón dio una media de 7. 6. dio el 7O% de bolas rojas. HaIIar los límites de confianza del (o) g5%.g9.g1 sfoundos. 6.638 libras y una desviación típica de y (b) del 99Vo pata los pesos de lotes de 100 cojinetes cada uno.41.gg. 6. o. (c) del 99. Una muestra aleatoriade 60 bolas extraídas con remplazamiento de la urna.94" Hallar (¿) los Problema 6. (b ) del 99%.43.(b\95%'(c\99% deladecisiónen favor de uno de los candidatos? INTERVALOS DE CONFIANZA PARA DfFERENCIAS Y SUMAS 6.36 si el error en la duración media estimada superar las 10 horas? ESTTMAS POR INTERVALO DE CONTIANZA DE MEDIAS (PEQUEÑAS MUESTRAS) 6.86. 6. y (b) el error probable para la media de los diámetros del 6.g?. mientras que de 100 cerrojos de otra máquina 12 eran defectuosos. Hallar los límites de confianza del (a) 95% y (bl99% para el tiempo reacción. al primero le fue dado un nuevo tipo de somnífero y al segundo un tipo convencional. 0.33. respectivamente. (b\ 99% y G\ gg. Hallar los límites de confiánza (a) del 95% Una compañía fabrica cojinetes de bolas que tienen un peso medio de 0.a h diferencü de proporciones de cerrojos defrctuosos de las dos máquinas' Estudiar los resultados obtenidos.40.6l' TEORIA DE ESTIMACION límites de confianza del 5O% 209 6. Hallar los límites de confianza del (c) g5%. como 0'28. Halla¡ los límites de confianza del (a) 96%V @)99% para la diferencia del número medio de horas de sueño inducidas por los dos tipos de somníferos.g5. 6.7g% para la proporción real de bolas rojas en la urna. ¿Cuál será el número mínimo de voranües que se deberá mue\trear para quelaeonfianza sea del (a) 8O%. Para los pacientes del primer grupo el número medio de horas de sueño fue 7. INTEBVALOS DE CONFIANZA PARA VARIANZAS Y DESVIACIONES TIPICAS 6. Se cree que una elección resultará muy reñida entre dos candidatos. 0. 6.46.ParalosdelgrupoB fueron 6. Hallar eI error probable de la desviación típica del Problema 6'46' . (b)gg%y (c)99J37" para la dewiación típica de todoslos cables producidos por la compañía.7 Bdn pá.82 con una desviación típica deO.30 horas. Dar los resultados utilizando la fórmula aproximada y la más exacta del Problema 6'27.40 verdadera no difiera de la proporción muestral en más del 6Vo sea (a) del 95Vo.2[horas.44. respectivamente. Hallar los límites de confianza del (a) 95%' (b)99o/oy (c) gg .012 libras. ESTIMAS POR INTERVALO DE CONFIANZA PARA PROPORCIONES 6. 6. De dos grupos análogos de enfermos A y B formados de 50 y 100 individuos.3? suponiendo aplicables los métodos de la teoría de los resultados obtenidos.2?. 0. (b)g|%t (c)997oV @)59.cAP. Si la desviación típica de la duración de los tubos de televisión se estima en 100 horas.80. Una muestra de 200 cerrojos producidos por una máquina mostró que 15 eran defectuosos. Hallar grandes muestras y comparar Solucionar el problema 6.42. Cinco medidas del tiempo de reacción de un individuo a un cierto estímulo fueron registradas real de 0.3g.38 onzas los límites de confianza del (c) 95% y (b) 997o para la resistencia real' desviación típica de 1.41.24 onzze. Una r¡rna contiene una proporción desconocida de bolas rojas y blancas.45.73% la confianza de que el error en la media de la duración estimada no exceda de 20 horas? no debe ¿Cuáles serán los tamaños de muestra en el Problema 6. ¿qué tamaño de muestra deberá tomarse puüa que sea del (a\96%. La desviación típica de resistencia a la rotura de 100 cables producidos por una compañía fue de 180 libras. para que la confianza de que la proporción ¿Qué tamaño de muestra se debería tomar en el Problema 6.73V"? 6.

6. (b) gg% y (c) gg. En una prueba de 40 cables seleccionados aleatoriamente resulta una media de la resistencia de rotura d. Si Xr.2to 6. límites de confianza del (o) 96'/o y (b)99Eb pa¡a la desviación típica de todas las bombillas fabricadas Solucionar el Problema 6.. 6.6 ¿Qué tamaño de muestra deberá tomarse para que la confianza sea del (a) 95%.63. X1.7T% de que la desviación típica de una población no difiera de la desviación típica muestral en más del 2%? 6. (o) ¿Cuáles son los límites de confianza del 951/o y 99% para estimar la media de la resistencia de rotura de los 460 cables restantes? (b) ¿Con qué grado de confianza podríamos decir que la media de la resistencia de rotura de los 460 cables restantes es de 2400 1 35 libras? ¿Cuál es el intervalo de confianza del 957. Hallar los igr la 6. [(A'+t)st 0<¡:<1 de otra forma Xn de esta población hallar la estima de máxima verosimilitud de h. .52. .26? Explicar. X¡. PBOBLEMAS DIVERSOS 6. . para la relación de las varianzas de las poblaciones de donde se exhajeron. hoblema 6.035 cm respectivamente.55.(c)v:25. Determinar los intervalos de confianza del (o) 98%v @\gOVapara larelacióndelasdesviacionestípicasdel Dos muestras de tamaños 6 y E respectivamente tienen la misma varianza. La desviación típica compañía. Los coeficientes de confianza del 999á ("doble cola") para la distribución normal están dados por 12.49 utilizando la distribuciíny2 si una muestra de 100 bombillas tiene la misma desviación típica de 120 horas. .56. TEORIA DE ESTIMACION [cAP. Xn de una población distribuida normalmente con media ¡l y varianza ¿Pueden determinarse estimas de máxima verosimilitud de ¡t y o2 en términos d. Hallar el estiniador de máxima verosimilitud de ). ESTIMAS DE MAXIMA VEROSIMILITUD 6.48.? ¿Son lc mismos a los dados en los hoblemas 6. INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6.54 si las muestras tienen tamaño 120 cada una. . ..58.62. .60.(b)v:12.62. Hallar Ios intervalos de confianza del (a) 98% y (b) 90% para la relación de Ias varianzas.51. Si se toman n observaciones.54. 6. r. Si n observaciones 6.57.(d)v : 30' (¿) v: 40? Una compañía tiene 500 cables. hallar la estim-a de máxima verosimilitud de z.52 y (b) Problema 6. Solucionar el (o) Problema 6. . 6. .54 fueron extraídas de la misma población? Justificar su solución. basados en muestras de tamaño 10 cada una.e 11. 6. 02 desconocidas.50. . del Problema 6. . . . 6. ¿Considera que las dos muestras del hoblema 6. Hallar los intervalos de confianza del (o) 98% y (b)907. . Xn de esta población. .49. Una población tiene una función de densidad dada por 8e toman n observaciones l(r) = l^0 [ Si se toman n observaciones X1 . . 6. 6.53. .042 cm y 0. Solucionar el Problema 6.59. .58.51 que tiene la menor amplitud? 6. Una población tiene una función de densidad dada por i@l = 2rt/r/" ¡2s-v*. .25 y 6. Las desviaciones típicas de los diárnetros de los cojinetes de bolas producidos por dos máquinas son 0. .61.49 si 25 bombillas tienen la misma desviación tÍpica de 120 horas. Xn se toman de una distribución de Poisson con parámetro tr desconocido. . de la du¡ación de 10 bombillas fabricadas por una compañía es 120 horas. -t 1 r ( -.e 24OO libras y una dewiación típica de 150 libras. ¿Cuáles son los coeficientes correspondientes para la distribución f si (o) v = 4. Comparar los resultados con los obtenidos empleando la distribución normal.

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

va generalmente acompañádo por un incremento en el otro tipo de error. De acuerdo con lo dicho hasta ahora. Esto no es tah sencillo como pueda parecer puesto que para un tamaño de muestra dado.05. el valor de e obtenido de una muestra real para el estadístico S se encontrará entre 1.96 a 1. un tipo de error puede tener más importancia que el otro.05 si la z obtenida para el estadístico S se encuentra fuera del recorrido .96 ó z 1. En la práctica.95). ¡--lglj . ? II.96 a 1. Así pues. debe diseñarse de forma que minimice los errores de decisión. z > I. supóngase que con una hipótesis dada.05 o que la z obtenida del estadístico muestral dado es significatiua al niuel de significación del 0. Entonces la distribución de la variable tipificada dada por Z : (S ¡. es decir. varianza 1) y se muestra en la Fig. un intento de disminuir un tipo de error.96 a 1. Esta probabilidad se denota frecuentemente por o.1. Entonces puede decirse que esta z difiere signifícatiuamente de la que cabía esperar bajo esta hipótesis y se estaría inclinado a rechazar la hipótesis.lo que significa que se puede cometer error con una probabilidad de 0.96 (es decir.O6El conjunto de las z que se encuentran fuera del rango -1. La única forma de reducir al tiempo ambos tipos de error es incrementar el tamaño de la muestra. se puede formula¡ la siguiente regla de decisión o ensayo de hipótesis o signi{icación: (o) Se rechaza la hipótesis al nivel de significación del0.96. generalmente se fija antes de la extracción de las muestras. por ejemplo se elige un nivel de significación del O.96 a 1. ENSAYOS REFERENTES A LA DISTRIBUCION NORMAL Pa¡a aclarar las ideas anteriores. la probabilidad de cometer error del Tipo I. aunque igualmente pueden emplearse otros valores.96).=lD6 I'ig. lo que quiere decir que es un suceso con probabilidad de solamente 0. se está con un 95% de confianza de que se toma la decisión adecuada. se puede estar con el 957o de confianza de que. de modo que los resultados obtenidos no influyen en la elección.7-l Sin embargo. En la práctica se acostumbra a utilizar niveles de significación del 0.O5. se dice que la hipótesis se rechaza al niuel de significación del0. la distribución muestral de un estadístico S es una distribución normal con media p" y desviación típica o".212 error del Tipo da..05..1. Como se indica en la figura.96 podía entonces llama¡se región de aceptación de h hipótesis o región de no significación.05 6 6"/. En cualquiera de los dos casos se comete un error al tomar una decisión equivoca- Para que cualquier ensayo de hipótesis o reglas de decisión sea bueno.05 ó 0.96 (puesto que el área bajo la curva normal entre estos valores es 0.05 (área sombreada de la figura) si la hipótesis fuese verdadera. .)/o.01.96 constituyen lo que se llama región crítica o región de rechace de Ia hipótes¡'s o región de significación. si la hipótesis es cierta. 7-1. al diseñar un ensayo de hipótesis.1. ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. Esto equivale a decir que el estadístico muestral observado es significativo al nivel del 0. y así se tiende a conseguir poner una limitación al error de mayor importancia. es una normal tipificada (media 0. NIVEL DE SIGNIFICACION La probabilidad máxima con la que en el ensayo de una hipótesis se puede cometer un error del Tipo I se llama niuel de significacíón del ensayo. Si. En tal caso se dice que la hipótesis ha sido rechazada aI niuel de significación del O. Representa la probabilidad de rumeter error al recbazar la hipótesis es decir. entonces hay aproximadamente 5 ocasiones en 100 en que se rechazaría la hipótesis cuando debería ser aceptada..96 y 1. lo cual puede ser o no ser posible.1. El área total sombreada 0.05 es el nivel de significación del ensayo. si al elegir una muestra aleatoria se encuentra que z para ese estadístico se halla fuera del recorrido .El conjunto de lasz que se encuentran dentro del recorrido .

en las dos "colas" de la distribución.96 en todo lo visto anteriormente por 2. cuando se está ensayando la hipótesis de que un proceso es mejor que otro (que es diferente a ensayar si un proceso es mejor o peor que otro). que da los valores críticos de z para ensayos de una y dos colas a distintos niveles de significación. es decir. 1. los resultados son para poblaciones infinitas o para muestreo con remplazamiento' Para muestreo sin remplazamiento de poblaciones finitas los resultados deberán modificarse.96 y -2. tales ensayos se llaman ensayos de dos colns o ensayos bilaterales.-: ú1V11. En cada caso. será de utitidad para propósitos de referencia. Tales ensayos se llaman ensayos de una cola o ensayos unilaterales. tss =.05 001 45 0.88 y -1. puesto que la suma del nivel de significación y el nivel de confianza es L00%. Véanse páginas 158 y 160.645 y 1. se pueden encontrar utilizando la tabla que da las áreas bajo la curva normal.002 ó -t.. donde o es la desviación típica poblacional y n es el tamaño de la muestra. página 195. puede también emplearse. Debe ponerse de manifiesto que puedgn igualmente emplearse otros niveles de significación. Medias. La Tabla 7-1. si se utilizase el nivel del 0. para estimar o. = op: o/1/i.58 2. Para ensayar la hipótesis nula (f) co (I ). Cuando es necesário se utiliza la desviación muestral observada s (ó G). La variable tipificada viene dada por Aquí S : X.01 se sustituiría 1. ENSAYOS DE UNA Y DOS COLAS En el ensayo anterior se atendía a los valores extremos del estadístico S o su correspondiente z a ambos lados de la media. Z = -. en una "cola" de la distribución.28 1.645 1. Por esta raz6n.005 0.i: ¡t. Ia región crítica es una región a un lado de la distribución. Tabla 7-1 Nivel de significación o Valores críticos de z para ensayos unilaterales Valores críticos de z para ensayos bilaterales 0.58 2.33 ó -2.645 cí 2.88 2. es decir. media poblacional. En tales casos.. o. Valores críticos de z para otros nivelei de significación.81 2.58 y -2.58 ó -2.08 y 3.58 (véase Tabla 7-L).28 ó -1.la X-. La Tabla 6-1. Si4 embargo.6 1.08 ENSAYOS ESPECIALES DE SIGNIFICACION PARA GRANDES MUESTRAS Para muestras grandes. media muestral.96 1. con frecuencia se puede estar solamente interesado en los valores extremos a un solo lado de Iá media. con área igual al nivel de significación. Los co. Por ejemplo.33 -2. como por ejemplo. aceptaríamos -EI6 de que la media poblacional es p : o utiliza¡íamos el estadísti-EÍe (o al menos no lo .7l / ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2L3 (b) Se acepta Ia hipótesis (o si se desea no se toma decisión alguna) en caso conhario. las distribuciones muestrales de muchos estadísticos son distribuciones casos' se pueden típica a !s V casi normales ótesis y significan o en reglas ante utilizar lo de interés práctl de los ente u asos ción.cAP. Entonces. utilizando un ensayo de dos colas.10 0.8I -3.

e6 = "ñ+ = 1.*r_*. Para ensay¿ü la hipótesis de que la media poblacional es menor que a acepta- iñ 2.p. utilizando un ensayo de una cola. Para otros niveles de significación cambiaríamos (2) apropiadamente.. donde X en es el P-p \/pql" (5) número real de éxitos en una muestra. utilizar las desviaciones típicas muestrales sr V sz (ó 0t y 3. ? rechazaríamos) al nivel 0. página 159.= X/n. 18) de una manera semejante a la descrita en la Pa¡te 1 se puede ensayar la hipótesis nula contra la hipótesis alternativa (o la significación de una diferencia observada) a un nivel de significación apropiado. (5) se convierte (6) Z= X-np \nLPrI Consideraciones semejantes a las hechas anteriormente para medias pueden hacerse.EIo al nivel 0. si es necesario. ¡r" : ltp : p. es decir. Con la variable tipificada dada por X. : ltulln.05 si ry olVn ríamos..De (//). = 0 O:.r.. haciendo gr : Irz s€ ve que la distribución muestral de la diferencia de medias se distribuye aproximadamente como una normal con media y desviación típica dadas por . Diferencias de medias.-X2-0 z _:. Entonces.. La variable tipificada viene dada por z: En el caso de que P . lt : !z.05 si p¿üa una muestra específica de tamaño n con media r (2) -1. .2I4 ENSAYoS DE HIPoTESIs Y sIGNIFIcAcIoN lcAP. la proporción de "éxitos" en una muestra._ = Xr-X" \. de éxitos en la población (4) Aquí S : P.-'. 3. aceptaríamos Ilo (o al menos no la rechazaríamos) al nivel 0. donde e : ! .05 si (véase Tabla 7-1). Considérese la hipótesis nula de que no hay diferencia entre las medias poblacionales. Proporciones.. Sean Xr V iz las medias muestrales obtenidas en dos muestras gtandes de tamaño nt y nz extraídas de poblaciones respectivas qqe tienen de media lt y ttz y desviaciones típicas ot y oz. '\ l x2 (7) ¡ donde se puede. Para ensayar la hipótesis de que la media poblacional es mayor que o utilizamos aun la hipótesis nula I/o de que es igual a a.e6 y lo rechazaríamos por el contrario. donde p es la proporción y n es el tamaño de la muestrsi o" : o. como estimas de or y 02.

Diferencias de Proporciones. Para ensayar la hipótesis I/o de que las muestras provienen de la misma población (es decir. excepto que se utiliza 3:tftl@=TS enlugardeo. en cuyo caso se reducen a las dadas anteriormente. La tipificada t =:# X diferencia estriba en que mientras Z se distribuye normalmente. ENSAYOS ESPECIALES DE SIGNIFICACION PARA PEQUEÑAS MUESTRAS En el caso de pequeñas muestras (n < 30) podemos formular ensayos de hipótesis y significación utilizando otras distribuciones además de la normal. se ve que la de pioporciónes se distribuye aproximadamente como una dadas por traldeladiferencia y desviación típica (e) Itn. p1 : p2.T. y de este modo Ensayos referentes a otros estadísticos pueden diseñarse análogamente. F. 2. (véase Tabla 5-1. Los siguientes son algunos ejemplos.. Considérese la hipótesis nula de que no hay diferencia entre los parámetros poblacionales. respectivamente.t para grandes n. haciendop.n" 1 donde r¿rS? r¿r+n!-2 + n:S:2 (1 2) . Sean P1 De (JJ).cAP. y así lasmuestras son realmente extraídas de la misma población. _s-6-: X-l ?/t (1 1) donde es la media de una muestra de tamaño n. y P2 las proporciones muestrales de dos grandes muestras de tamaños txt Y ttz extraídas de poblaciones respectivas que tienen proporciones pr V p2 . etc. Con la variable tipificada 2 v _ Pt-Pz-O "Pf \ Pt-Pz oPf P. Diferencias de medias. = t.t. Estas distribuciones incluyen la teoría de muestreo exacto y lógicamente son válidas aún cuando las muestras son grandes. Los resultados también pueden emplearse cuando la distribución no es exactamente normal pero tiene una curva de distribución en forma de campana. ? sigue una distribución de Student. : pz: P.- se utiliza como una estima de la proporción poblacionalp. 1. (10) se puede ensayar las diferencias observadas a un nivel de significación apropiado ensay¿u la hipótesis nula. Supóngase que se extraen aleatoriamente dos muestras de tamaños nr Y n. r" : 0 donde P = orr-*. $upóngase también que estas_dos muestras tienen medias y desviaciones típicas dadas por X. página 162). Para ensayar la hipótesis IIo de que una población normal tiene de media ¡r utilizamos q1 . Ensayos de hipótesis semejantes a los de las medias en la página 213 pueden hacerse empleando valores críticos de ú en cambio de valores críticos de z. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2L6 4. página 159. de poblaciones normales cuyas desviaciones típicas son iguales (ot: o2). Esto es análogo al utilizar la variable A X-.: X-¡. Medias. como Ia ú de Student. es decir. X: y Sr ¡l 52 . chi-cuadrado. Pt : trz lo mismo que 01 : sz) se utiliza el valor de ú dado por T- Xt-Xz 11 "\l nr.

sí sí = F'o. Entonces. . (o al menos no la rechazaríamos) en el nivel 0. Varianzas. y o!. * n. en el nivel 0.0. primero anotamos que F en (16) tiene la distribución F con fr . Si ¡/o denota la hipótesis nula de que no hay diferencia entre las varianzas poblacionales. provienen o no de la misma población normal. Bajo esta hipótesis (16) se convierte en "! F::-l q2 q2 \. . Para ensayar la hipótesis 116 de que una población normal tiene varianza o2 consideramos la variable aleatoria (13) que (véase págrna 161) tiene la distribución chi-cuadrado con n . Procedimientos semejantes empleando ensayos de una cola pueden formularse en el caso que deseemos ensayar la hipótesis de que una varianza poblacional determinada sea mayor que otra. fi son las varianzas de las dos poblaciones normales de donde se extraen las muestras.1.'oz¡ o<nsz< (14) semejante puede obtenerse para el nivel 0. n . es correcta) si la varianza muestral específi- ca. utilizando un ensayo de dos colas.1)^ii + fn. fuera tal que nsz t2 y aceptaríamos IIo (o al menos no la rechazaríamos) de otra forma.3¿ son estimas insesgadas de oi combinar los datos. En este caso utilizamos el estadístico (véase página 161) F= donde (16) fi. pero entonces emplearíamos un ensayo de una cola. (rz' . Por tanto rechazaríamos Hs. y después utilizar como estima de o2 la media ponderada (n.J)9j 1) + (nz -1)-- l' n. En algunos problemas deseamos decidir si dos muestras de tamaños m y n respectivamente. Un resultado otro nivel.1 grados de libertad.oz : o en(12). basados en el ensayo de dos colas. Para ensayar la hipótesis H. combinada obtenida al donde ^31 t . Relaciones de varianzas. s2. es decir = o3. t La distribución de ? es una distribución de Student conv: n.s? + + n....t n.01 u y la rechazaríamos de otra forma. Esta es la uarianza 3. El empleo de (12) está plenamente justificado al hacer o. aceptaríamos.10 si Fo.s'. -2 gradosde'libertad. Entonces si una muestra aleatoria de tamaño n tiene varianza s2 aceptaríamos flo . página 159.1 grados de libertad. (/8) y lo rechazaríamos en el caso contrario. por ejemplo.EIo (o no la rechazarí4mos) en el nivel 0. . de que la varíanza poblacional es mayor que o2 emplearíamos la hipótesis rilo .05 (y por tanto concluiríamos que f/.t.) (17) Para ensayar esta hipótesis al nivel 0. 4.05 si X.2L6 ENsAyos DE HrporEsrs y srcNrFrcAcroN / Se'tt. . cuyas varianzas medidas son sl y sr2.

como a veces se le llama (véase Problema 7. se describe más adelante.elo vn vn Por tanto. POTENCIA DE UN ENSAYO Se ha visto cómo el error del Tipo I pued.cAP. significación. es posible frecuenten llamadas "modelos" o distribuciones "esperadas") tras de la población. . por ejemplo.32 y 7.30. érrores de los empleados.31). (/ ) en la (1e) ñ _ L. A pesar de que la necesidad de tales intervalos es rara' es posible definirlos (véase Problema 7.33. la si de modo que puedan darse los pasos rápid ejemplo en control de calidad. r a¡ la bondad d. en muchos casos utilizan a menudo curuos característícas de Ia opet las probabilidades de errores del Tipo II bajo dife cómo en ensayos dados se logra minimizar los errt ensayo para evitar el toma¡ decisiones equivoci mostrar. el enmyo chi-cuadrado. Los gróficos de control suministran un método útil y sencillo para tratar tales problemas (véase Problema 1. Es posible evitar el riesgo de error < nunca la hipótesis.05 es eq pigtm 195 conducente al intervalo de confianzadel96"/o se puede obsenrar que existe u eoría de ejemplo. poüíamos realmente emplear el intervalo de confiaíza del Capítulo 6 para e¡¡sayar ttipótesir. GRAFICOS DE CONTROL DE CALIDAD importante conocer cuándo un proceso ha cambiado suficientemente. etc. Un resultado semejante para_ ensayos de una cola requeriría intervaloi de confianza unilateralás. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2t7 R. donde s camb se deben simplemente a fluctuaciones causa de deterioro en las máquinas.14). conviene utllizar papel grófico de curua normal o papel grófico de probabilidad.el aiuste de las distribuciones teóricas a las distribuciones muestrales es esencialmente el mismo que ál de decidir si hay diferencias importantes entre los de significaclón imporüante para la bondad del valores cle la población y la muestra. al menos en el caso de los ensayos de dos colias. qué tamaños de muestras deben emplearse.29). Útt "trrayo ajuste de distribuciones teóric as. Es a menudo en la práctica AJUSTE DE LAS DISTRIBUCIONES TEORICAS A DISTRIBUCIONES DE FRECUENCIA MUESTRALBS Cuando se tiene algiuna indicación sobre la probabilísticos u otra causa.7. El problema de ensay En un intento para determina¡ si una distribución normal representa un buen ajuste para datos dados.136 y también Problema 6. El método utilizado general: típica de la muestra para estimar la media y des 7.ELACION ENTRE LA TEORIA DE ESTIMACION Y ENSAYO DE HIPOTESTS las estimación notamos q De alos de confianza y la teoría de en aceptar flo en el nivel 0. CURVAS CARACTERISTICAS DE OPERACION. Sin embargo.

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

que son los valores crít -se deduce que las frecuencias mente).) 0. mayores son las discrepancias entre las frecuencias obsen¡adas y esperadas. aquellas que se obtienen de los datos muestrdes.e contin- Correspondiéndose con cada fiecuencia obsen¡ada en una tabla de contingenciahX k. ó ¡f. (blv : k . mientras que si ¡z..ENSAYOS DE HIPOTESIS Y SIGNIFICACION Si v2 : 0. los símbolos X¡ Y nP¡ representan respectivarnente las frecuencias obsenradas y esperadas en la casilla i.re ócupan ias corliilas de uná t tales.r. no toinciden exactamente. etc. las frecuencias esperadas se calculan de acuórdo con una hipótesis flo. A valores mayores de y2. en las que las fre tabla de clasifict¡' tabhs gencia. En la práctica. La suma de todas las frecuencias obsenadas se denota por n y es igual a la suma de todas las frecuencias esperadas [comparar con la ecuación (22)1. contiene hh térmnos.44. .. por (21) se muestral a Como se demuestra en el elección de or tanto. es decir. Esta suma que es análoga a (21).1 de las frecuencias esperadas. se calcula el estadístico (2tt\ x2 = ?g#a donde la suma se extiende a todas las casillas de la tabla de contingencia. c aproxima muy estrechamente ción mejora iguales a simbolo en (-21) si las frecuen para los valores superiores.Si bajo esta hipótesis el valor calculado de x' como xf. pu-esto queDebe advertirse que en a. paíá examfuia¡ tales situaciones se puede determinar si el valor calculado 4" I' ": -"noi eue ¡2". las esperadas. hay un-a y según las reglas de probabilidad' o esperada gue se calcula bajo ncia se llaman frecuencías elemen' q. d.-Este procedimiento se llama ensayo o prueba de ehi-cuadrado de la hipótesis. se . la prueba chi-cuadrado puede-ser empleada para determinar de qué forma distribuciones teóricas talés como la normal. aq con cierto recelo.L . Véase Problema 7.05 a 0. Adviértase que el restar 1 a k es a causa de la óondición restrictiva (221 que denota que si son conocidas k . las frecuencias observadas y esperadas concuerdan exactamente. rechaza llo al nivel de significación correspondienl rechazará. TABLAS DE CONTINGENCIA (léase "1por h"). cero debe mirarse demasiado bien con ncias obiervadas concuerden en que x2 estÉ muy próximo Además de aplicarse a la distribución multinomial.m si las frecuencias esperadas solamente pueden calcularse estimando m parámetros de la población a paftir de los estadísticos muestrales.| si las frecuencras esperadas pueden calcularse sin tener que estimar parrámelros poblacionales con los estadísticós muestrales. ó Xl. La frecuenciá total de cada fila o columna es la llamada frecuencin marginalPara estudia¡ el acuerdo entre las frecuencias observadas y esperadas.. El número de gradosrde libertad z está dado por (a) v : h . en cuyos casos se decide que i" concordancia es bastante buena a los niveles de significación de 0.j*h a distribuciones empíricas. de Poisson. la fiecuencia restante puede ser determinada.01 respectivamente.

Cuando se aplican a datos discretos los resultados para distribuciones continuas deben hacerse ciertas correcciones. Et númeró áé É dado para h > l. (h .*!4t_"p_4. número de grados de libertad es z : 1.rytc (véanse problemas 7.ü nPr En general.220 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.. se pueden tener tablas h X h X I donde estén presentes 3 chsúicaciones.L27\. En COEFICIENTE DE CONTINGENCIA Una medida del grado de relación. el máximo valor de c viene dado por 1frn . Una tripótesis normalmente supuesta es la de que las dos clasificaciones son independientes enhe si. Las tablas de contingencia pueden extenderse a un número mayor de dimensiones.rtt" pr.L)(k . como se ha visto en capítulos ant-eriores. Una corrección análoga cuando se utiliza la distribución chicuadrado-. El número de filas y columnas de la tabla dg contingencia determina el valor rñáximo de C. . .ráU" de esto véase el Problema 7...esperadas pueden calcularse sin tener que estimar -parámetros ooblacionales con los estadísticos muestrales. ión muestral muy próxima a la distribución no sean demasiaáo pequeñas.7 . la corrección se hace solamente cuando el @s) se conoce frecuentemente como corrección de Yates.t.6g y 1. Si el número de filas y columnas de una tabla de contingencia es ilrrh ah.62.1F nz si las frecuencias observadas pueden solamente calcularse estimando m parámetros poblacionares con los estadísticos muestrales. k il por (b) u : (h.Los ensayos de significación para tablas h x h son análogos a los de las tablas 1 X k.48. La corrección consiste en poner (21) coimo sigue "r "pii""uié ¡2 (corregida) = tL\-g!)- !'5Y * !4-grP +. ejemplo. También existe una modificación análoga de (24). ? I estad de Y de es tal (a) v :.L\q 1) si las frecuencias-. Las frecuencias esperadas-son halladgf bajo una determinada hipóteiis llo. que no es nunca superior a uno. asociación o dependencia de las clasificaciones en una tabla de contingencia está dada por (26) que se llama coeficiente de contingencia. Así por CORRECCION DE YATES PARA LA CONTINUIDAD . A mayor valor de Q mayor es el grado de asociación. Para.

Así. En una escala continua.) =. se acepta la hipótesis.que muestra la distribución de probabilidad de caras en 100 Ianzamientos de una moneda bien hecha. probabilidad de error del Tipo I) se llama níuel de significación d. (2) de otro modo.10) 7.5.L0 y 210. Por esta razón.'lóJ /1Yo . se rechaza.5 en unidades tipificadas = q9'5-:-E 60.0358. Si en una serie de 100 lanzamientos sg obtiene una z entre -2. se toma la siguiente regla de decisión: (1) se acepta la hipótesis si el número de caras en una serie de 100 lanzamientos se encuentra entre 40 y 60. 7-2. 39.lO 2../lY' (.5 y 60.) +'noc./ 1" (.I de la regla de decisión y la probabilidad de cometer este error es igual a 0. uo Pueeto que np o-{ffi=['r{ffi=' = _2.5 caras. Entonces la probabilidad de rechazar la hipótesis cuando es correcta : 0. cuando en realidad es cierta. Región de recbace ? El error que se puede cometer de rechazar la hipótesis (39.2. .0358.'| rrx'ti'\r/ /tY' \-/ \-/ \-/ \-/ \-/ La media y la desvi¿ción típica del nf¡mero de ca¡as en 100 hnzamientos vienen dadas por t.0358 6 3.tp = 1oo(.1. el área total sombreada (es decir. -.CAP. Para ensayar (c) Hallar la probabilidad de rechazar la hipótesis.e la regla de decisión y es igual a 0. pues se habla de rechazar la hipótesis a un nivel de significación de 0.5 - 50 = 2. 53 (o) (b) Por el Problema 7.0358 del apartado (o). (c) ¿Qué conclusiones se sacarían si en la muestra de 100 lanzamientos se obtuviesen caras? ¿60 caras? (d) ¿Podían ser erróneas las conclusiones de (c)? Explicar. Hallar la probabilidad de obtener entre 40 y 60 caras inclusive en 100 lanzamientos de una moneda.-210 caras) FiE. \ql . la probabilidad pedida es /1\'t0 'oocoo( i) /r \6r' . .5 ca¡as) = 2 l0 Si en una serie de 100 lanzamientos se obtiene un número de caras cuya z se encuentra en las regiones sombreadas. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 22r Problema.58%. entre 40 y 60 caras inclusive es lo mismo que entre 39.0358 en este casc.. cuando debería aceptarse q el error del Tipo. se dirá que esta z difiere significatiuamente de lia que cabría esperar si la hipótesis fuese cierta. la probabilidad de no obtener entre 40 y 60 caras inclusive si la moneda está bien hecha 1 . ambos inclusive.I0 Probabilidad pedida : : área bajo la curva normal e¡tíe z: 2(áreaentre z: O y z: -2. La regla de decisión se ve gráficamente en la Fig.s resueltos ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NORMALES 7.. /1Y.1. está representado por el área total sombreada de Ia figura.1O y z: 2. puede utilizarse para la er¡aluación de la suma anteriqr la aproximación normal a la distribución binomial.7-2 z (60. la hipótesis de que una moneda está bien hecha. de otro modo se rechaza y se decide que la moneda no está bien hecha.0. Según la distribución binomial.5 ..9642 : 0.en unidadee tipificadas = 60.10 y nq son ambas mayores de 5. (b) Interpretar gráficamente la regla de decisión y el resultado del apartado (c).

? (c) Según la regla de decisión.5) .5000 .1.25.32. . (i ) Se acepta la hipótesis de que la moneda está bien hecha si el número de 24. (o) Primer método: Si el nivel de significación es 0. Tercer método: y np+1.58(4):21.58o. Si el nivel de signilicación es 0. el número de ca¡as se encontrará entre ¡¡ decir. 24.96 <(x-gz)l¿.bg (másexacüarnente 2. caras se encuentra entre (2) es Se rechazá la hipótesis en caso contrario. se ve que con probabilidad 0.96yñpq lleva a Ia regla de decisión anterior. Se puede argüir que con solo una cara más que se hubiese obtenido. por ejemplo.966X=24.23-7.que también conducea ) obtenerse de la Tabla ?-1.(X-32)14:-1.O.2.05.96(4) :24. Entonces Z la regla de decisión resulta: = (X - 32\14.96(4) la regla de decisión anüerior.99 .96 < z < 1.025 por simetría. 7-3 es 0.84. -zr Fis. El error que se comete al aceptar la hipótesis cuando debería decisión.0050 :0.5i2:-1.76y 32+ -1. es decir. el área entre 0 y zr es 0.84.96.960. Se puede aceptar la hipótesis cuando realmente debería rechazarse como.58(4\: 42.3. cada6rea sombreada en la Fig.96_ (2) Rechazar la hipótesis en cualquier otro caso. pues. entre 25 y 39 ambos inclusive.1.á bien hecha si en una muestra de 64lanzamientos de la moneda se toma un nivel de significación de {c) 0. sería el caso cuando la probabilidad de cara fuese realmente 0.96 y 1. Estopuedetambién - el número de ca¡as se encontrará entre lr 2.16<X< 39.95. es decir.84.005. 2.960 y ¡J + l.575).(X-32)l¿:1-96óX:39.05 y (b) 0. Así.96 equivale a .Asípues. SiZ:1. Entonces. np.1.4950 ! zt = 2. nótese que la media y la desviación típica de la distribución binomial exacta de caras están dadas por ! .68 y Bz + Entonces la repla de decisión sería: (l) Aceptar la hipótesis si el nfrmero de caras se encuentra entre 22 y 42 inclusive.222 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.32 y o -= t/iw = y'6llos)(05) = = (X p)/o 4 bajo Ia hipótesis de que la moneda está bien hecha. 89.5000 0.96 y 1. (d) Si. (2) Rechazarla en cualquier otro caso. g2-2.y z¡ : 1.96. (b -1. Para mayor discusión véanse Problemas 7 rechazarse ea error del Tipo 1I de la . Diseñar una regla de decisión para ensayar la hipótesis de que una moneda est. 7.7-B 2r Los valores críticos la Tabla 7-1- -1.5.58o y pt*.96(4).01 .96(4): 1. se habría rechazado la hipótesis.O25O : O-4750. es decir.? en lugar de 0.< 1. Entonces. Esto es lo que se debe afrontar cuando para tomar decisiones se toma cualquier línea de división.96{npq o entre 32 - 1. Entonces el área entre 0 y zr = 0.84que 32) < 1. Siguiendo el mismo procedimiento del método segundo del apartado (o ). cada área sombreada en la figura anterior es 0.96. en ambos casos se aceptaría la hipótesis de que la moneda está bien hecha.96(4)< (x6 32.96. Segundo método: Con probabilidad 0.np: 64(0.96 pueden ser también sacados de Para expresar esta regla de decisión en términos del número de ca¡ae a obtenerse en los 64 lanzamientos de la moneda.01. una posible regla de decisión es: (I ) Aceptar la hipótesis de que la moneda est:á bien hecha si Z está entre -1.1.t6.96(4)< X< 32 + 1.16 y 39.

puesüo que 32 en una eecala continua está entre 31-5 y 32.Puestoque32(ó 31. la decisión rnantiene es decir.23-7. puesto que no se está interesado en la facultad de obtener valoree bajos. es decir.645. Y zr : 1. Si la hipótesis está dado por ff6 es cierta.cAP. en muchos ejemplos prácticos es importante decidir si una hipótesis debe eer aceptada o rech¡zada.05 y (b) 0. 7. Asfrpues.26)13.P. Es desconocido-para el zujeto cuántas cartas rojas o azules hay en el lote.645 los resultados Be deben a la casualidad. la regla de decisión del Problema 7.) un individuo (sujeto) en una habitación fue preguntado sobre el color (rojo o azul) en una carta elegida por otro individuo en otra habitación-de un conjunto de 50 cartas bien barajadas. los resultados son significativos al nivel del 0.84) que es menor que 2.5.25\15.98 es mayor que 1. no significativos al nivel del 0.33. Sin embargo.05.01.645.entonceseláreaent¡eOyzt:0. Una completa discusión de tales casos requiere l¿ consideración de errores del fipo II (véanee hoblem¿s 7.54 p=.01.omete al aceptar una hipótesis que debería ser rectrazada.01.64: 1.05 el individuo tiene fuerza de E.06 se debe elegit z1 en la Pig.05. Así por ejemplo.5 . Para evitar este etlor. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 223 7. zl (2) Si z es menor de 1.26').4900Y2r:2.P. los resultados significativos al nivel del 0. Sin embargo. Fig.5 y el sujeto tiene fuerza de E. Si el zujeto identifica conectamente 32 cartas' determinar si los resultados son significativos al nivel de significación de (c) 0. .01 son probablemente significotiuos. lo que se hace es simplemente no rechazarla.3 que evite el enor del Tipo T? El error del Tipo I[ se c. Entonces el área enüre O y zt = 0. entonces se tiene que decidir entre las dos hipótesis siguientes: Si Hoi p: 0. sino en la facultad de obtener aciertos numerooos.5) = zb ! o=\/wq = /86(05)(-05) = ¡/Es = (a) Para un ensayo de una cola al nivel de significación de 0. de modo que posteriores investigaciones del fenómeno están probablemente justificadas. en lugar de aceptar la hipótesis. se deduce que los reeultado¡ no son significaüuos al nivel de 0. Esto puede también eacarse de la Tabla 7-1. se concluye que al nivel del 0. 31. p es la ptobabilidad de que el sujeto elija conectamente el color de una catta.ar la hipótesis si el número de caras se encuentra e¡fte 22 y 42 inclusive.6. se concluye que los resultados del experimento anterior wn probablemente significatiuos.98 (ó 1. Rechazar Ia hipótesis en ca6o contraúo. la regla de decisión o enaayo de significación es: (f ) Si la z observada es mayor que 1. los resultado¡ son totalmente casuales Ht: p ) 0. lo que efnificarfa que ee rehuaa cualquier decisión en este caso.06 son no significatiws. es decir.4.S. mientras que los resulüados significativos a niveles superriores al 0.33.05 y el indiüduo tiene fue¡za de E.64:1.S.05 pero no al nivel del 0.P.S. Seglrn la üerminologfa.5 üiene un valor tipificado de (31.P. la media y la desviación tfpica del número de cartas identificad¿c correcüamente 3.5 V el sujeto está simplemente adivinando. En un experimento sobre percepción extrasensorial (E.np = 50(0.84 llegándose a Ia misma conclusión anterio¡.4500. (I) ee Adüértase que tealmente debería aplicarse una conección de continuidad. 7-4 Puesto que 32 unidades tipifrcadas (32 .01 ¡on altomente significatiuos. Se elige un ensayo de una cola. Algunos estadísticos adoptan la terminología de que lios resultados significativos al nivel del 0.3(b) serfa: (I ) (2) No recltzz.S. ¿Cómo se podría diseña¡ una regla de decisión en el Problema ?.645. 7-4 de modo que el área sombreada en la región crítica de r¡alores alüos sea 0. (D) Sielniveldesignificaciónes0.5) en unidades tipificadas es 1.

23: -4.23. 7 Puesto que los niveles de significación sirven de guía en la toma de decisiones.Ossetienelasiguienteregladedecisión: (/) Se rec}raza 116 si la z de la media muestral está fuera del rango . Denótese porp la posibilidad de obtener alivio de la alergia utilizando la medicina. por un período de 8 horas. (2) Se acepta l/6 (o no se toma decisión alguna) en caso contrario. comprobar la hipótesis ¡¡ : 1600 horas contra la hipótesis altemativa r¡ # 1600 horas con un nivel de significación de (a) 0. La duración media de una muestra de 100 tubos fluorescentesproducidosporuna compañía resulta ser 15?0 horas. Se zl Fig.r es la duración media de todos los tubos producidos por la compañía. 7.9 y la aseveración Se elige un ensayo unilateral. se llama a veces niuel de significación erperimental o descriptiuo. (a) Paraunensayobilateralalniveldesignificaciónde0. El fabricante de una patente médica sostiene qu€ la misma tien'e un 9O% de efectividad en el alivio de una aler_gia. H1: ¡t* 1600horas Un ensayo bilateral debe utilizarse aquí puesto que g * 1600 incluye valores mayores y menores de 1600.05 y (b) 0.7. Si ¡. Por ejemplo.33.9 y la aseveración es correcta es falsa Hy: p10. \/"pq = /?2ooxo.84):0. por la regla de decisión se deduce que la aseveración no es legítima y que los resultados muestrales son fle es cietta p : np = 200(0.l8O)14. El estadístico bajo consideración es la media muestral X. .96 a 1. Determinar si la aseveiación del fabricante es cierta. entoncegz¡ : -2. 7-5 toma como regla de decisión: (1) La aseveración no es legítima si Z es menor de -2.viacióntípicaop:s/1/i.$) : 1AO y " - 7.dondegvoscnlamediayladesviacióntípicadelapoblación de todos los tubos producidos por la compañía. en este problemapuesto quep(Z > 1. como puede deducirse del koblema 7.r¡ = a.33. .01.9)(o.0322 el estadístico puede decir que en base a la posibilidad de que en el experimento se llegue a una conclusión errónea sobre que el individuo tiene fuerza de E.01.33 (en cuyo caso se rechaza H¡). mediante la simetría de la curva. 7-5 es 0. la aseveración es legítima y los resultados obtenidos se deben a la casualidad (en cuyo caso Si se acepta 116 ). altamente significatiuos (véase final del Problema ?. ta probabilidad citada en-este caso 0.P.01 . o de la Tabla 7-1. es sobre el 3 por 100.5).6. con una desviación típica de 120 horas. algunos estadísticos citan las probabilidades reales inherentes.0322. 3.En una muestra de 200 individuos que tenían la alergia la medicina suministrada alivió a 160 personas. es decir. Si se toma el nivel de significación del 0.s. Se tiene que decidir entre las dos hipótesis: Ho.96. (2) En caso contrario.1. puesto que Ee esüá interesado en determinar si la proporción de gente aliviada por la medicina es demasiado baja.224 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.. lt:1600 hora. Asípues.5(b). Entonces tre las dos hipótesis: se debe decidir Ho: p: 0. que es mucho menor de -2. si el área sombreada en la Fig. La distribución muestral de X tiene una media r¿x-Éyunades. Ahora 16O en unidades tipificadas (160 .S.

Al nivel de significación del 0. 7. se ensaya una muestra de 50 cables y se encuentra que su resistencia media es de 1850 libras.50 se -l .05. (a). el valor de z es -2. Entonces.oo loo/v5o que es mayor de 2. 7-5). fle al nivel (b) Si el nivel de significación es de 0. I/e es cierta.s frente a la alternativa horas.05.50. se acepta Ile (o no se toma ninguna decisión) al nivel de sfinificación del 0.8. Se ¡ecltaza 7 . el valor de e es -2.01.9. Mediante una nueva técnica en el proceso de fabricación se aspira a que esta resistencia pueda ser incrementada.7(b) mediante un ensayo bilateral. Puesto que / : (X . Ilo es aceptada (o no se toma decisión alguna).50. naturalmente esperarse. ¡.645. Adviértase que esta decisión es idéntica a la obtenida en el Problema 7. De aquí se deduce que los resultados son olúamente significatiuos y Ia aspiración de mejora debe ser admitida. ' (b) Si el nivel de significación es 0.1800 -------------ó. Se debe < 1600 decidir entre las dos hipótesis: Ho: lJ: 1600 horas.7 Como en el Problema de significación del 0. se rechaza pues. Debe aquí utilizarse un ens¿ryo unilateral (véase Fig. (2) S. el rango -1.01.01. (1 Hs si Z es menor de -1. que es menor de -1 . con los niveles de significación de (¿) 0. /ls al nivel de significación del 0.7(a) mediante un ensayo bilateral.58 a 2.50 se encuentra dentro de este rango.33. Adviértase que esta decisión es la misma que la obtenida en el Problema 7. puesto que se ensaya I/6 conha una alternativa diferente en cada caso. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 226 eneuentra fuera del rango Bajo la hipótesis I/6. Para ensayar esta aspiración.1600y12 : -2. se rechaza /16 al nivel de significación del 0. En el Problema 7. ¿Puede mantenerse que.7.F/0 (2) De otro modo. que es menor de -2. se rechaza pues.Ff6 (o no se toma ninguna decisión) en caso contrario.7(a). y hay un cambio en la resistencia Aquí debe emplearse un ensayo unilateral (véase Fig. basadas en ensayos de una o dos colas.0Sysetieneque zt : Se adopta. en efecto. Como en el Problema 7. utilizando la desviación típica muestral como una estima de o.33. La resistencia a la rotura de los cables producidos por un fabricante tienen una media de 1800 libras y una desviación típica de 100 libras.05 y (b) 0. 7-4). se tiene g : 1600 y o* = a/t/n = 120/\/L00 = 12.01 la regla de decisión es: ) Si eI valor de z es mayor que 2. Esto cabe. Bajo la hipótesis de que (I es rechazada.33 los resultados son significativos al nivel de 0. y realmente no hay cambio en la resistencia 1800 libras.645. laregiónsombreadadelaFig. Las decisiones concernientes a hipótesis'lfe dadas.96 en la regla de decisión del apartado (c) se sustituye por -2.cAP. II1: ¡t{ 1600 horas.645.58.96 a 1.T-Stieneunáreade0. puesto que z -2.01? Se tiene que decidir entre las dos hipótesis: Ho: lJ: Ht: lt > 1800 libras. .96 a 1 . hay un aumento de resistencia al nivel de significación del 0. ) (2) Se acepta.01 y.05.9 6.¿ 7.01 eI valor de z1 en la Fig. acepta H6 (o no se toma ninguna decisión) en caso contrario.01. 7-5 es -2. ensayar la hipótesis p : 1600 hora. por tanto la regla de decisión: -L. (a) Sielniveldesignificaciónes0.33.1600)/12 : (L570 . se tiene X-p ol\n 1850 . no están siempre en concordancia.33. De aquí que se adopte la regla de decisión: (I ) Se rechaza H¡ si Z es menor de -2.

e o1 y o2. ¿Hay una diferencia significativa entre el restfltado de las dos ciases al nivel de significación de (a) 0.lp.2 pulgadas con desviación típica d.5 pulgadas con desviación típica de 2. =o n*r-rr"= "? . = o*r-fr.01 no hay diferencias significativas entre ambas clases.8 pulgadas. ft1 "8.4s Puesto que los resultados scin significativos al nivel de 0. Así pues. = 1# = -2. 7.53 donde se han utilizado las desviaciones típicas muestrales como estimas de o1 y o2Entonces Con un enr¡ayo unilateral y al nivel de significación del 0. I vez cada 10.10. "Z= l8r. Ensayar la hipótesis de que los estudiantes que participan en las pruebas atléticas son más altos que los otros.. mientras que 50 estudiantes que no mostraban interés en tal participación tenían una estatura media de 67. se deduce que los resultados son probablementesignificatiuos. Para un ensayo bilateral.5.226 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [g.58. De aquí se deduce que al nivel de 0. z ENSAYOS RELACIONADOS CON DIFERENCIAS DE MEDIAS Y PROPORCIONES 7. !40*50 = 1.05. . n2 = 0. (b) 0. De aquí se deduce que al nivel de 0.0ó hay una diferencia significativa entre las dos clases y la segunda es probablemente mejor. - l"? . = o n*r-'^" = !t-".645. La estatura media de 50 estudiantes de un colegio que tomaban parte en las pruebas atléticas fue de 68.606 donde se han utilizado las desviaciones típicas muestrales como estimas d.10.-*.10 si se está dispuesto a correr el riesgo de tomar una decisión errónea con una probabilidad de 0. ?.la estatura media del primer gtupo ^o hay diferencia entre las estaturas mediases mayor que la del segundo ur?.05 si Z se encuentra fuera del recorrido -1. ambas clases provienen de la misma población.96. Enton- Bajo ferencia de medias están dadas por Ho: ltt : llz. se tiene que Supóngase que las dos clases provienen de dos poblaciones que tienen de medias respectivas decidir entre las hipótesis: l\ y tJz.El6 . se rechaza la hipótesis lls si el valor de z fuese mayor de 1.05.01 si Z se encuentra fuera del iritervalo -2.e 2. mientras que en la segunda clase la puntuación media fue de 78 con una desviación típica de 7. ! la diferencia se debe simplemente al azar H t : Pt * ¡t2 . Se debe decidir entre las hipótesis: Ho: llt : H t: Ft ) Bajo la hipótesis.01? ces.11. p2 .58 y 2. de acuerdo con la terminología utilizada al final del Problema 7. En la primera clase la puntuáción media fue de 74 con una desviación típica de 8. los resultados son significativos al nivel de 0. La media y la desviación típica de la di- uir-i.5 pulgadas. es decir. Entonces z= (a) (ó) Pata un ensayo bilaüeral.96 a 1. los resultados son significativos al nivel de 0. Debe sin embargo ponerse de manifiesto que la hipótesis puede rechazarse al nivel de 0.05 pero no al de 0.01.hay una diferencia significativa entre las dos clases la hipótesis lls. no se puede rechazar la hipótesis a este nivel de significación. ltz . Se hizo un examen p dos clases formadas por 40 y 50 estudiantes respectivamente.

¿En cuánto deberíán incrementarse los tamaños de muestra de cada uno de los dos grupos en el Problema 7. H t : pt ) pz. siendo en todo lo demás los dos grupos tratados idénticamente.?50 - = 1. Puesto que esta condición es satisfecha. se tiene .75 y 65 individuos. el suero no es efecüivo Ho: Pt : Pz. respectivamente las proporciones poblacionales curadas ( I ) utilizando el suero .7 pulgadas en las estaturas medias sea significativa al nivel de significación (o) 0.54. (2 ) sin decidir entre las dos hipótesis: es decir. (a) o. 0. se deduciría que el suero es efectivo al nivel de significación de 0.10.8 í¡ n>78 50 Así pues. = o o. (ó) De acuerdo con un ensayo unilateral (c) Si se utilizase un ensayo unilateral al nivel de significación de 0.645. = p de curas 0.II para que la diferencia observada de 0.10 se rechazaría f/e solamente si el valor de z fuese superior a 1. al nivel de significación del 0.28.5 ó t57 n>1b? 50 De aquí que se debería incrementar cada muestra en al menos : lO7 .650 0. Entonces.33.75/\n 0.05.01. 14. (b) 0.xz 4 . deberá incrementarse el tamaño de cada grupo en ?8 será significativa al nivel de 0."io" dos grupos per- o*r- *._P" orr.5¡z ¡ ".75 n .tt d \/a>r2.70 y donde q : 1 p : 0.01? Supóngase que el tamaño muestral de cada grupo eB n y qLe las desviaciones típicas manecen iguales a las de antes.#) = 0. respectivamente se han recuperado de la enfermedad. pero no al grupo B (que se llama gtupo control).. = o?. Dos grupos A y B fo¡mados cada uno de 100 individuos.01 si : 28 al menos. urr-r'. bajo la hipótesis tiI6. se debe deducir que los resultados se deben al azar a este nivel de significación.o*r-*.CAP. = 0 V p".13. (c) 0:10.ebr(-#./" Para la diferencia de 0. (b) 0.r-r. Puesto que el valor de z es 1.7\n 3'75 La diferencia observada será significativa al nivel de 0.ir_*.L2.01.7 observada en las estaturas medias se tiene xt .7 3.zorro.05. Entonces ry- en los dos grupos muestrales el valor (?5 * P.l las diferencias observadas son debidas al az.0648 donde se ha utilizado como estima de la proporción 65)1200 : 0.30.0648 ro. padecen una enfermedad. Se administra un suero al grupo A. ui'!!=r. Se debe r! p2. se rechazaría la hipótesis IIs solamente si z fuese mayor de 1.y el suero es efectivo Bajo la hipótesis 116.05 si Yif-t'uou (b) La diferencia observada ó 1/-n=8. Se encuentra que en los grupos Ay 8. 7."2 nn (2.t. De donde se deduce que a este nivel tambiénlas diferencias se deben al azgt.zt. se r*}lrazaría lahipótesis1116 solamente si z fuese mayor de 2. .54 (c) De acuerdo con un ensayo unilateral al nivel de significación del 0. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 227 7.05.r. Ensayar la hipótesis de que el suero ayuda a curar la enfermedad al nivel de significación del (a) 0. Denótese por P utiliza¡ suero.09 3.

En tales casos. decir.zt y 195 del grupo B..15. Este es un riesgo que nb siempre deseamos suponer. que se estudia con un ensayo unilateral.195y600:0. . Por otro lado. Sin embargo.t 0. Al nivel de significación del 0.Puesto queZ:1. Bajo la hipótesis ^FIe. z Adüértase que las conclusiones anteriores dependen de lo que se esté dispuesto a arriesgar de tomar una decisión erróneá.96a1.05 ensayir la hipótesis de que (o) haya diferencia entre los distritos.750 y 195/300 Adviértase que en este caso la proporción de gente curada en los dos grupos son 225/300 : 0. se puede deducir que el suero no ayuda cuando realmente sí lo hace (error del Tipo II)Tal decisión es muy importante especialmente si hay vidas humanas en juego.encontrándosedentrodelintervalonosepuedetechazatH¡ a este (b .650 0. se rechazaría Hs si Z estuviese fuera del in' tervalo-1 . Denótese por pr y p2 las proporciones de todos los votantes de los distritos A y B. se puede proceder a dar el'suero a grandes grrlpos de gente solamente para obtener entonces que realmente es inefectivo. ?.480 = -0^0456== nivel.-P.05. Una muestra de 300 votant€s del distrito A y 2O0 del distrito B mostró que el 66% y el 48% respectivamente.645. Entonces = 0 or.. Bajo la hipótesis (Ho: pt:pr ) se tiene l¡. es decir. Co¡r un ensayo unilateral y al nivel de significación del 0.14. Si los resultados se deben realmente aL azar y se toma la decisión de que son debidos al suero (error del Tipo I). Puesto que éste es el caso. se debe decidir entre la hipótesis (f/e ). Entonces 0. z=ñ= - = 2. . estaban a favor de un candidato dado.48)(200)l/500:0.01.. en muchos casos es imposible el aumentar el tamaño de la muestra.0.228 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. no hay diferencia significativa entre los distritos' : ) Pt : Pz)y (Ht: pt ) pz Si se desea determinar si el candidato es preferido en el distrito A. ?.6b0 respectivamente.560 dondesehautilizadocomoestimadepyqlosvalores +(0.750 = ro. que son las mismas del problema anterior. que se estudia con un ensayo bilateralCon un ensayo bilateral y al nivel de significación del 0.96. Solucionar el Problema 7.67 es puesto que el valor de z es mayor de 2.01 de equivocación. se puede rechazar la hipótesis al nivel de significación del 0. respectivamente.0374 .0374 P. l'pr-pz = donde (225 0 ú¡'.05 se rechaza H¡ si Z fuese mayor de 1.sol( r*-L * r*-L ) : 0.528 = z - P. que están a favor del candidat<¡.13 si cada grupo dividuos del Grupo.P" = rrar.70 utiliza como estima dep. _ 1.33. = ú(¡D=@=00456 f(0.56)(300) 0.?S.-t'r= se ú'G. se debe decidir entre la hipótesis (Ho : P t : pz\ y (Ht : P t * pz). (b) el candidato sea preferido en el distrito A. (¿) Si solamente se desea determinar si hay diferencia entre los distritos.528 l'75 y 1-0." 0.zol ro. se compone de 300 individuos y si se curan 225 i* : 0. se está forzado a toma¡ decisiones en acuerdo con la información utilizable y asÍ se tendrá que correr mayor riesgo de tomar decisiones erróneas. Esto muestra cómo al incrementarse el tamaño de la muestra aumenta la seguridad de las decisiones. se deduce que el suero es efectivo con solo una probabilidad de 0.472. se rechaza É16 a este nivel y se deduce que el candidato es preferido en el dis' trito A .

f. 7.26 a 2.05 pero no al nivel 0.F/s.00. Se rechaza.05 . que para 6 Se rechaza. Un ensayo sobre resistencia a la rotura de 6 cuerdas fabricadas por una compañía mostró una resistencia media de 7750 lb y una desviación típica de 145 lb mientras que el fabricante sostenía que la resistencia media de sus cuerdas era de 8000Ib. I/6 al nivel de 0.01 .86 . Bajo la hipótesisae se tiene (o .86. se acepta. que resulta tener un grosor medio de 0.un. se encuentra en buenas condiciones no se encuentra en buenas condiciones Bajo la hipótesis (o H¡ se tiene .ee5. á ú.01.i6= = -8.05.. Puesto que ? -B .050. ) Para un ens¿ryo bilateral al nivel de significación del 0.16.003 pulgadas.25 a 3.01 se adopta Ia regla de decisión: (I ) (9) Se acepta . lo cual para 10 libertad es eI intervalo -2. : 9 grados de liber- Puesto que ?: 3. que para 5 grados de libertad da 7') -3. Ya que se rechaza lls al nivel 0.00. que para 10-1 tad es el intervalo -3.ee. (b) 0. Para un ensayo bilateral aI nivel de significación del 0. Se deduce que la afirmación del fabricante es extremadamente improbable que esté justificada.17. y la afirmación del fabricante está justificada es falsa 1 : ¡t 1 8000 libras. se adopta la regla de decisión (1) (2) Se acepta f/¡ : si ? es mayor de -f.É16 elr cáso contrario. (b) 0. : ) Para un et¡sayo unilateral al nivel de significación del 0. se rechaza .86. ¿Se puede admitir la afirmación del fabricante aI nivel de significación del (a) 0. y la máquina Ht: P + 0. . .F/6 si ? se encuentra dentro del intervalo --f.01? Se tiene que decidir entre las hipótesis Ho:.g.F/e en caso contrario. ABI sería aconsejable comprobar la máquina o al menos toma¡ otra muesha.050 pulgadas. se adopta Ia regla de decisión (l) (2) (b Seacepta116 si ?esmayorde -ú. Se rechaza.Efs al nivel 0. Para determinar si la máquina sigue en buenas condiciones de producción. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Ú ENSAYOS RELACIONADOS CON LA DISTRIBUCION DE STUDENT 7.01 .05 se adopta la regla de decisión: (I) (2) (ó) Se acepta fle si f se encuentra dentro del intervalo-f cz¡ a f e75. y la afirmación del fabricante de modo que se requiere un ensayo unilateral. se dice que lamuestraresultaproboblemente significatiua (véaee la terminología del final del Problema 7 . H lJ: 8000 libras. Ensayar la hipótesis de que la máquina está en buenas condiciones de producción al nivel de significación del (o) 0.o. En el pasado una máquina ha producido arandelas con un grosor de 0.01.25. se rechaza ffs . y la máquina de modo que se requiere un ensayo bilateral. Se desea decidir entre las hipótesis Ho: lt:0.36. se rechaza Puesto que ?: 3. se toma una muestra de 10 arandelas.050. : ) Para un ensayo unilateral al nivel de significación del 0. Se rechaza -1 :9 gradosde lls en caso contrario.053 pulgadas y una desviación típica de 0.05. -t/n- t = 9!$-.26.F/6 eri caso contrario. = 4---f.L7¡"- 1= ?l|'!-_99rnJ . -1:5 gradosdelibertad da ?) -2.4!9 ú0 -t -_.00.01. Puesto que T = -3.05.cAP.6).

2: 28 grados de libertad es el recorrido -2.05. no se puede rechazar Se deduce que no 116 al nivel de significación del 0. de los dos grupos. se rechazará Hs si T se encuentra fuera del recorrido -t. se eligieron 24 parcelas de terreno de igual superficie. (cociente de inteligencia) de 16 estudiantes de una zona de una ciudad dio una media de 107 con una desviación típica de 10. donde nrsl + n252. La media de trigo conseguida en las parcelas no tratadas fue de 4. 7.O5 a 2.ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.01. Q.01. eue para 28 grados de libertad es el recorrido -2. Todas las demás condiciones fueron las mismas. de los estudiantes de las dos zonas. "tf. lo cualpara n1 * nz .18. de los dos grupos al nivel de significación del (o) 0.. Q. sé rechazará Ia hipótesis f16 si ? fuese mayor que ú. (b) Con un ensayo bilateral aI nivel de significación del 0. n1*n2-2 "=!ffi (a) I 12(0.51. y ¡r2 las medias poblacionales del decidir entre las hipótesis I. se rechazará la hipótesisl{6 si ?se encuentra fuera del recorrido --t r¡g¡. ¿Puede deducirse que hay un incremento significativo en la producción de trigo por el empleo del fertilizante al nivel de significación del (a\ 7% V Q) 6%? Si ¡¡r y pt2 son las producciones poblacionales medias en los suelos tratados y no tratados.01. Para ello. T- xt-x. eue para n¡ I nz . no se puede rechazar É16 al nivel de significación del 0.ctsa ú e75.36 fanegadas.05.01. T= Entonces xt- X. tiene que decidir entre las hipótesis se Ho: lt : ltz. Q. El I.ee5. de 14 estudiantes de otrazona de la ciudad dio una media de 112 con desviación típica de 8.y hay diferencia esencial entre los grupos Bajo la hipótesis lls.4012 =o'397 v T= 5. .S! + nrS! n1 -ln2-2 Entonces t6+L4-2 =9. a ú.8 0. ? ?. no se puede rechazar. hay diferencia significativa entre el I.40 fanegadas.44 y T= ltz - t07 9.y la diferencia se debe al azar H t: pt ) tt1.2:.2 : 22gradosde libertad es 2. Q.44\/ l/16 + l/t4 = 1. Así pues.y el fertilizante incrementa la producción Bajo la hipótesis I/6. y (b) 0. la mitad de ellas fueron tratadas con el fertilizante y la otra mitad no (grupo control).3s7\n/12 + Urz = 1.45 (¿) Con r¡n ensayo bilateral al nivel de significación del 0. Así pues. mientras que la media en las parcelas tratadas fue de 5. Así pues.16 + 74 .05. En una estación agrícola se deseaba ensayar el efecto deun determinado fertilizantn sobrela producción de trigo. se tiene que Ho: lt : ltz ! no hay diferencia esencial entre los grupos Hti ltt =* tlr.85 Con un ensayo unilateral aI nivel de significación del 0.2 : 72 + t2 .05? Si se denota por ¡l-.ffi + 12(0-36)2 t/".ee.01. respectivamente.19. "t/U"t+ Y"2 donde o - n.?6 a 2.1 fanegadas con una desviación típica de 0.1 - 4.76.8 fanegadas con una desviación típica de 0. mientras que el L Q. ¿Hay diferencia significativa entre el I.Ef6 al nivel de significación del 0.

En el pasado la desviación típica de los pesos de ciertos paquetes de 40.Z5l2 = 82.25 onzas.?0. A y B. 4 = .05 Si el valor de X2 muestral fuese mayor 9ue x?gs.EIe al nivel de vel de significación del 0. se rechaza ^Ef6 al nivel de significación del 0.Por tanto .0 onzas. 24 grados de libertad (véase Apéndice F). sz :12 de modo -que G? = .EI6 al nivel de significación del 0.1 para v : 20 . En el mismo examen. f ( F. p. ¿Podemos concluir al nivel d-e significación del (c) 0. pues.01 si el valor muestral de pues._Lr'? = if Itr¡ (e)2 = 86.8g. (o) (b) Mediante un ensayo unilateral. muestras en cuestión. Entonces. ENSAYOS RELACIONADOS CON LA DISTRIBUCION ¡' 7-2L. Un instructor tiene dos clases.8.05 y (b) 0. F. El número de grados de libertad para las clases son respectivamente rr¡ :16-1:lb.01. sr g. aunque no hubo diferencia significativa en medias de las calificaciones.ltle al nivel 0.01. ¿Es el aparente incremento de va¡iabilidadsignificativa al nivel de signifióación del (a) 0. = E = *n@ = r. en una asignatura específica. Así puee. Así.25 onzas. lo cual para22 grados de libertad esL.4.É16 al ni- Se deduce que la variabilitlad se ha.la clase A tuvo una desviaóión típica de 9 en tanto que la clase B tuvo una desviación típica de1'2. LaclaseA tiene lGestudiantes en tanto que la clase B tiene 25 estudiantei.74 eí Entonces.05 que la variabilidad de la clase B es mayor que la de la clase A? (o) Tenemos. Vz:26-L=24.Ffs al nivel de significación del 0.tá h. ENSAYOS RELACIONADOS CON LA DISTRIBUCION CHI-CUADRADO 7.72.2 para 19 grados sig de I O.05.y la variabilidad de la claseA es mayor que la de la B La decisión debe por tanto baearse en un ensayo unilateral de la dietribución F. y los resultado¡ observados se deben alazar H 1 : o > O .máqlLlina era de 0. no se rechaza. empleando eubíndices 1 y 2 para las clasee A y B respectivamente.01? Hay que decidir entre las dos hipótesis: Ho: o :0.05.Alnivel 0.32 on?T.er:z. ya que Ad F( F .cAP.32)2/(O.06. (b) 0.sr. ¡12 fuese mayor- Mediante un enaayo unilateral.01. . (b) Ya que f'.ee : 2. se rechaza . Y deberá efectua¡se una revisión en la máquina..1 : 19 grados de libertad. se rechazará. y la variabilidad se ha incrementado El valot de 12 para la muestra €8 X2 : nsz/sz :20(0.05. probablemente incrementado. sería deseable tener alguna prueba más.25 onzas. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 237 (ü) Conunensayounilateralalniveldesignificacióndel 0. Sin embargo antes de sacar conclusiones definitivas referentes a la conveniencia del fertilizante. 9tt" 4'rn. llenados por una. vemos que tampoco podemos rechazar.01 paraZ¡ = L5.e5.!4 = '*rrrr'= 1Eo Hay que decidi¡ entre las dos hipótesis : o ¡ = o2. Una muestra aleatoria de 20 paquetes dio una desviación tipica de 0.serechazarálahipótesisfl6si?fuesemayor que ú.nn no podemos techazar ff6 al nivel 0.v2 = 24 tenemos del Apéndice F. Se deduce que el incremento en la producción de trigo alttilizar el fertilizante es probablemente significoúiuo.LL para 15. y cualquier va¡iabilidad observada se debe al azol Íi1: o1>.oz. que ás igual a 36. se rechaza. que es igual a 30.

99 60. número de caras en 100 lanzamienüos se encuentra entre 39.4) = 4.90 V(100)(0.5 4.6. CURVAS CARACTERISTICAS DE OPERACION 7.5 p=o.5 en unidades tipificadas = 39. que representa el nivel de significación del ensayo de lfe.24. cuando realmente P : 0. Solucionar el Problema 7.jo la curva normal de La izquierda en la Fig.6)=60 ú = lnpq = 60.6 p-0.2L no inüeiresa su¡ valoree.O5 ó O.23.O1). es igual a 0. (b)p : 0.5 en unidades tipificadas = - 60 60 = = 0.tO2: 0.18 yz : O. En el diagtama se ve claramente que la probabilidad de acepLr .¡O tn Entonces I: áteabajo la curva normal entre z --6'66 y z -2-O7 : 0. Adviértase que en este problema se tenía la regla de decisión de la que se obtenfa c y p.6)(0. probabilidad de error del Tipo I) viene: dada por el área toüd c de la región sombreada ba. . con la regla de decisión dada hay muy poco riesgo de aceptar la hipótesis de que la moneda eetd bien hecha.66 to'l. con la regla de decisión dada hay un gran riesgo de aceptar la hipótesis de que la moneda está bien hecha cuando realmente P : 0. (c)p :0.5 caras Fig.5 en unidades 39. Puesto que la media real de las calificaciones no se usó para nada en el Problema 7 .Efs cuando realmente p : 0.7 7. pues. se acepta cuando el p = 0.ó y 60.5405 Asi pues.2L si existe una diferencia significativaenla media de las calificaciones de las clases? Justificar su solución.58 tipificadas = üipificadas - = = : -2.07 -6.? .7. (a) Sip : 0.2 es decir.2(ol.232 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.22. entonces la distribución de carag en 100 lanzamientos eetá representada por la curva normal de la derecha en la Fig.102 -4.3) = 4. ?-6.18 Entonces 9: área bajo la curva normal entre z : -4. ?.23 si (a)p:0.0358.7 39 5 caras 60. 7-6. Para calcular esta área se obeerva que la distribución bajo la hipótesisp : 0. sino solamente si hay una variabilidad en las calificaciones.9' (d) P : O-4. y después se calcula p. llegando a una regla de decigión (2) Se decide sobre Q y P y después se llega a una regla de decisión. Esto es de esperarse ya que no estamos tratando de decidi¡ si hay una diferencia en las medias de las calificaciones. la media y la desviación típica de la distribución de caras vienen dadas por !=np=(100X0. La probabilidad de rechazar Ffe cuando debería aceptarse (es decir. esta á¡ea d.7-6 Si la probabilidad de cara es p : 0. ¿Canbiarían sus conclusiones en eI ProblemaT.? tiene una media y una desviación típica que Bon dadas por p=np=(100)(0.0192 Así.5 en unidades ' = : r/"pq 60. probabilidad de error del Tipo II). rOalculada en el Problema 7.90 4.5 4.58 = 70 y'6oo)(oJ)(0.5 39.6. ¿cu6l es la probabilidad de aceptar la hipótesis de que la mohecha cuando la probabilidad real de ca¡a es p : Q.8.7 (es decir. Con referencia al Problema 7 .6.7)=70 60. está dada por el área rayada p de la iigura.5. En la práctica se pue' den presentar otras dos posibilidades: (I ) Se decide sobre c (tal como O.J? neda está bien La hipótesis ff6 de que la moneda está bien hecha.

Sin embargo. (b) ( 1 p ) y p.4 0.88 -10.6 0.0192 0.7 0.3 0.5 se puede interpretar p como la probabilidad de acepoar p : 0'5 cuando debiera ser aceptado.24 construyendo un gráfico cuyos ejes sean (a\ I y p.1 0 0 (a) (D) Fig.5. (b) Sip=0. Representar gráficamente los resultados de los Problemas 7.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION y'(100X0-S)(0¿) 233 =¿.09ó8 al nivel de significa- En general.5405.9: 0 pa¡a todos los propóeitos prácticoe.0000 muy aproximadamenüe. Nótese que p representa la probabilidad de aceptar la hipótesis p : 0.enüoncea p=np = (100)(0.6 0.5405 0.9 0.3 0.6 en unidadeb tipificadas Entonces = ry = q9? : = = -4. p ee muestra en la Fig.23y7.t"p:0. blemas7.5 en unidades tipificadaa 39. Interpreta¡ los gráficos obtenidos.(a).0000 la Tabla 7-3.eedecir. (d) Porsimetríap = 0.9 1.1 06 0{ 0.9 0.p:0.0000 0.0 0. 7-1. 7-z (o) El gráfico p.4 0.8.12 y z -4.8 0.3 02 0. comolorobtenidosenlosProTabla 7-3 p B 0.9642 0. llama curua carocterísüca de operación o curva OC de la re- la di¡tancia del punto máximo de la curva OC a la línea p ción del e¡rsayor : I es igual a a : 0.8 0.4 da el miemo valor deÉq.se gla de la decisión o enoayo de hipótesis.5 cuando realmente p tiene un valor distinto a 0.? 0. 7.5 0.6 0.23y 7.0192 0. La Tabla 7-3 muestra los valores de p correspondientes a valores dados dep. .88 = 0.6 0.2 0..0000 0.6. 1c) Comparando con (b) o por cálculo.cAP./nW= 60.1 0.25.0 0. Be ve que sip = 9.24.9.12 p: área bajo la curva normal entre z : -10.8) = 80 y o=.2 0.8 0.5405 0.9642 y ha eido introducida en - L-p 1. Esta probabilidad es igual a 1 0. el apuntamiento mayor de la curva OC es la mejor regla de decisión pa¡a techazar hipótesis que no son válidas.0358 :0. si realmente'p : 0.0000 0.

p ¡e muestra en la Fig. la regla de decisión anterior se convierte en: (I ) (2) (ó) Se rechaza 116 si la reeistencia media de 64 cuerdae excede a 30?. 7-9. respectivamente con las distribuciones normales de la izquierda y de la derecha de la Fig.01 si se pone dé manifiesto qu¿ debe rechazarse al ensayar 64 cuerdas. y (Ht: tt: 310 libras).26.33.Enton= "lr/ñ 24/\/u Así. Esta es Ia probabilidad de aceptar Ho: ! : 300 libras cuando realmente es la probabilidad de comeüer error del Tipo II.0 libras.26. Para hallar su valor nótese que 307. es decir. puesto que indica la aptitud o potencb de un ensyo para rechazar hipóüesie que son falsas. ae quiere decidir enhe las hipótesis: Ho: U: Ht: ! ) Pa¡a 300 libra¡. y el nuevo proceso es igud que el primitivo 300 libras. Razonando análogamente a como se hizo en el Problem¿ 7.00 = 0.0 tb 307 tb 3r0 lb -1. Constmir (a) una curva OC v (b) una cun¡a de potencira para ei Problema 7. X>300+3(2. La cantidad p se llama tambiénfunción caructerístico de operoción de un ensayo. i 800 *sz. y el nuevo p¡oceso es mejor que el primitivo se un ensayo unilateral d nivel de significación del 0. I¡ cantidad (l . ?-8): (t ) Se rechaza lle si la e de la media de resistencia muest¡al es riayor que 2. de modo que realmente ambos gráficoe aon equivalenüee. 7-9.9qo. H t : ! -. ? ) E gráfico (1 .P). (2) Se'aceptqlfq pue¡to 'que z = cessi Z>2. es 7. ¿cuál es la probabilidad de aceptar el proceso primitivo cuando en efecto el nuevo proceso incremente la resistencia media a.7-9 = iren. Una compañía fabúca cuerdas cuyas resistencias a la rotura tienen un valor medio de 300 li bry" y una desviación típica de 24libras. Si ción (a) ! es la resistencia media.234 (D ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.27. suponiendo que la desviación típica de las ¡esistencias se mantiene en z4libras. tt: 300 li- Ia probabilidad de aceptar el proceeo primitivo cuando la nueva resistencia media sea realmente 310 libras se representa por el área É de la Fig. Esta curva ae obtiene ¡encillamente invirtiendo la curva OC. (b) Bajo la regla de decisión adoptada en (a). (c) Diseñar una regla de decisión para rechazar el proceso primitivo al nivel de significación del 0.00. bajo la curva normal de la derecha a la izquierda de z dect. Considérense las doe hipótesis (Ho: bras) Las distribuciones de las resistencias medias correspondiente¡ a estas dos hipóteeis se repreeentan.J = 't.e potencia.01. Se cree que mediante un nuevo proceso de fabrica- puede inc¡ementarse la resistencia media.33.p) ¡e llama a menudo función d.26(br. que debieran ser rechazadas. *r.33) =30?.0 libras en unidade¡ tipificadas : 300 (307. Se acepta ^Éfs en caeo contra¡io. ¡e llama curua de potencio de la regla de decición o ensayo de hipótesis.158?. tiene la siguiente regla de decigión (referenüe eon la Fig. se puede hdla¡ p para loe caeor en que el . : -1. en caso contrario. de aquí que A - 310)/3 = Fig. 7.310 libras? Supóngase que la desviación típica se mantiene en z4libras. 7 -7 (b).0 lb.310 libras es cierta.

315 librae.0000 300 305 0. mientras que la restricción (B) requiere que la probabilidad de error del Tipo II eea a lo sumo 0 : 0. y de aquí - 396 librae.0000 296 1.01 cuando el nuevo proceeo da una media de 800 librar). en- 9: i¡ea bajo la curva normal de la derech¡ a la izquienda de z :0. se ha puesto Denótese por n el tamaño de muestra pedido y por ¡ el número de caras en los n lanzamientos. ya que lae dog curvag eon esencialmente equivalentes.1 p (lb) 300 300 3to 3t5 (o) (ó) Fig.9900 L1.05. la restricción (A) impuesta requiere que la probabilidad de error del Tipo I sea a lo sumo c : 0.5.l (excepto para el nivel de significación del 0.¡ o. (¡) U probabilidad de aceptar la hipótesis cuando realmentep difiera de 0.05. Por ejemplo.0 B 0. 7-11 se tiene: .5 0.7-10(b).. etc. si el nuevo da una resistencia menor de 300 librar. (b) La curva de potencia se ve en la Fig.2 0. Tabla 7-4 tt 290 1.7486 3r0 0. p > 0.6?. de modo que no hay probabilidad de aeguir con el proceeo primitivo cuando la media de resistencia es mayor de 316 libras. Determinar el tama¡1o mínimo de muestra necesario y enunciar la regla de decisión resultante.5) mediante un número de lanzamientos de la moneda. la curva baia ró- pidamente hacia cero. límite al riesgo de error del Tipo I Por ejemplo.0 .6? : 0. ?-10(o).7-r0 (¿) La curva OC se muestra en la Fig.05. p : 0. por encima del cual se rechaza la hipótesis de que p : 0. La eituación planüeada se ve gtáficamente en la Fig.7 0.cAP.4) debe ser á lo sumo 0.1 0. es piácticamente. En esta curva 6e ve que la probabilidad de seguir con el proce' so primitivo.7-11. 7. se desea imponer las siguientes restricciones: (A) la probabilidad de rechazar la hipótesis cuando sea realmente conecta debe ser a lo sumo 0.0000 p 0.1687 316 0.6 0. ri ¡r tonces 307. De la Fig. AquÍ y Tipo II. Para ensayar la hipótesis de que una moneda está bien hecha (es decir.6 6 p f 0.8 o.1 o más (es decir. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 235 nuevo proceco da un¡ resistencia media ¡r igual a 306 librar. Eeepués.0038 320 0.05.?4Eo De esüa forma se obtiene la Tabla 7-4. sepuedenobtenerdeellalaomismasinterpretacionesque de la curva OC.28.0 libra¡ en unidades tipificadas: (307.305y9 = 0.9 0.5 en 0.

Se sigue que el tamaño de la muestra debe ser al menos 31g.) Eláreabajolacurvanorrnalp:0.x :177.seeigueque I se encontrará entre (0. 7'l2. L7 .9801fa- e'¡ 9-. hay la posibilidad de que falle algo y se precisa una invesüigación del posible fallo. Los límites de control determinadog anteriormente se llaman límites de confianza del gg. (b) Mostrar cómo se.6.6 a la izquierda ae es 0..564 y 0.008yn=6. muestrales puede tlevarse por medio de un gráfico tal como ee muestra én la Fig.O\4\'\/E) o Con confianza del 99 . p = 0.4s 1/A 0.5n = 1.49{n vnpq = '--.014l\/6\ y (0.6 n- 0. enfte 742 y 177 si el número de carac en Slg lanzamientos está dentro del recorrido 159. dentro del intervalo 0. Así pues. es 0.98.0. Sin embargo.6. Se construye una máquina que pr-oducfuá cojinet€s de bolas teniendo un diámetro medio de una desviación típica de 0.806y'-n es De (3) y (4).4 a 0.524 * Puestoque De aquí que la regla de decición eea como sigue: (l ) Si la media muestral decuada para el trabajo pedido. automáticamente tomarÍamos como 0. En tanto que los punüoe se encuentran entre los límites 0..584 pulgadasi ee supone que la máquina es a- (2) De otro modo. la máquina (b) Un registro de las medias no s€rú adecuada y habrá que buscar la razón de su ineptitud.05 o menos cuando p tiene cualquier otro valor por fuera del recorrido 0.645 ó (t) o.5\/n De 0.egla de decisión mediante la cual se puede estar razonablemente cierto de qúe la calidad del producto esüá de acuerdo con las noÍnas requeridas. Para determinar si la máquina esconstruida para el fin que se destina. e¡ decir. Por tanto un promedio ponderado de todas estas probabilidades.7 3% se puede decir que la media muestral X debe estar denüro del intervalo (p¡ entre cae a m p ¡t:0. se debe lanzar p - 0.. . que representan la probabilidad de error del tipo II. GRAFICOS DE CONTROL DE CALIDAD 7.584 pulgadas. Cada vez que se observa una media muestral se representá por un punto en el gráfico.05.llamado grófico de control de colidad. pueden igualmente determlnarse otros lfmiües de confianza.n: 318.564 a 0.5. ¡- np :1-77 - 159.5.73% de O. (o ) 3o¡) a (p¡*3o¡) con el 9€.674. también s€rá 0.236 ENsAyos DE Hrpornsls y sIGNIFrcAcroN lcAP.574 . se adopta la riguiente regla de decisión: (o) Se acepta la hipótesiep:0.49\/n n = o.9É!= -r.5.o:0. es 0. Cuando un punt'o se rale de estoe límite¡ control (tal como en la tercera muestra tomada el jueves). (o) Diseñar una. (2) es una cantidad muy aproximada.re'presentaría grárticamente la regla de decisión de (a). (b) S€ rechaza la hipótesis + 17 . la moneda al menos B1g veces. Para decir. ? (f.6 r¿ * 0.05 en el "peor de loc casos".05.r) - 0.6n 0.5 : .0.Haciendo n : 319 en (3) o (4). Obeérvese que tomando la probabilidad de aceptación como De(/) x .29.7 BVo o brevemente lfmite¡ 3o. y se obsen¡a el diámetro medio de la muestra.el 95V".Saladerecha a" 7 (9) El área bajo la curva normalp 09" O. se toma una muestra de 6 cojinetes ejemplo.6 n Y x - 0. 7 0.4r rtñ- (n.ít/n Vnpq= "- :0.96 r ó (Sl u. .5 en caso contrario. tales como los límitee d'el 99% o d.5.05 o menoa.025. = 0. el procelo está bajo control.008 pulgadas. La elección en cada caso depende de la¡ circunetancias particulares del tnismo.0'6n Realmente el área entre -f.

Para la distribución de frecuencias observada.43.31.3087 2 3 ^ 0. Utilizar papel gráfico de probabilidad para determinar si la dist¡ibución de frecuencias de la Tabla 5-2.2 t44 342 287 164 25 7. página 178.0332 0. página 163 puede ajustarse a una distribución normal.30. La bondad del ajuste se estudia en eI ProblemaT.1619 0. El ajuste se observa que es bueno.3162 0.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 297 Lunes Martes Miércoles Jueves Viernes $ € bD osal 1} a a t ü {.506)5-¡.¿94)¡(0. La media del número de caras es ¡.C. la media del número de caras es 2fr_ / _2470=2. .(0.30. x F a os74 a a a t I a : o 0 s64 o Fis. Ajustar una distribución binomial pectivas de cara a los datos del Problema 5. Así pues.1507 0.0294 5 6 33 161. : 2..47 rooo Igualando las medias teóricas y real se tiene 5p da viene dada por /(r) = . Tabla 7-5 Número de caras (r caras) Frecuencia esperada Frecuencia observada 38 0 1 0.cAP. la distribución binomial ajusta- En la Tabla 7-5 se han obtenido estas probabilidades así como las f¡ecuencias esperadas (teóricas) y las observadag.47 6 p :0.9 ó 162 316.494. dondep y q son las probabilidades resy sello en un solo lanzamiento de la moneda.7 ó 151 29. 7-12 AJUSTE DE DATOS A DISTRIBUCIONES TÉORICAS 7. Se tiene P(x caras en una serie de 5 lanzamientos) : f(¡) = sCrprqs-".7 ó 309 150.2 ó 316 308.1: np : 6p.4 6 29 33.

La "bondad {el ajuste" de la distribución qe congidera en el Problema ?. Tabla ?-7 Lfmite¡ realee Estatura de clase z pan los límites reales de clas€ Area bajo la cuna normal desde 0 ha¡ta z Area para cada cl¡ee Flecuencia eeperada Frecuencia observada (pulgdas) 60-62 r 59. 7-13.6 68. Y se pone de manifiesto que ee ajuetan ba¡tante bien con las frecuencias observadas realmente. que da las áreas bajo la curva normal de 0 a z se obtiene con la tabla del Apéndice C.E 50 40 30 20 Primero. Multiplicando lo¡ valores de la quinta columna (que representan las frecuencias relativas) por la frecuencia total n (en e¡te ceso n = 100). la distribución de frecuencia¡ dada se convierte en una di¡tribución de frecuencia¡ relativas acumuladas.32. Ajustar una cunra nonnal a los datos de la Tabla 5-2.6 &tatura (pulgada¡) Fis. Por lo anterior. se observa que hay una distribución normal que se ajusta e¡trechamente a los daüos.0 92.238 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla [cAP.44.a -2.5 7L.41 0. página 163.0413 0. determina la bondad de ajuste de la distribución dada a la distribución normal.2771 0.grófico de probabilidad eepecial.7L 6 28 7.6 menor que 67.0 Io a E ql € ó a () 95 90 80 70 Q0 a (t 6 .5 62. .6 menor que 73.0 23. Par:a.39 2.t3 D 18 42 27 8 ñ. 7. las frecuencias relativa¡ acumuladas expreeadar en porcentajes. como se ve en la Fig. = 61.40 respectiva- La cua¡ta columna.4920 0. se obtienen lae frecuencias esperadas de la sexta columna.43 ít 7 4. donde la media i y la desviación típica 6 se han obtenido en los Problemas 5.6 ¡¡+ 0.4177 0.5 oD.68 6 2l 38. Estas se obtienen restando las á¡eas sucesivas de la cuarta columna cuando las correspondientesz tienen igual signo y sumándolas cuando üienen aigno contrario (lo cual solo ocurre una vez en la tabla).tlls. son pasadas sobre los límites reales superiores de clase. Véase o a I É to 5 o a d E 62. en un papel. s = 2. como se muestra en la Tabla 7-6.6 74. El grado en que los puntoe así dibujados ee encuentran sobre una lÍnea recta.92 pulgadas (x mente El trabajo puede organiza¡se como en la Tabla 7 -7 .6 Rcl¡tiv¡¡ Acumulada¡ (%) 6.5 7t.32.46 pulgadar.72 -1.5 66.0 100.6? 0.0 65. ?-r3 hoblema ?.z z = .3892 0. ? 76 Frecuenei¡¡ Estatun (pulgad¡¡) menor que 61.0743 72-74 6 4 20.6 menor que 64. caicular e de los límites reales de clase. se rutiliz.5 7¡. dadas en la quinta columna. anotadas en la última eolumna.70 -0.36 1.92 ó 39 27.5 menor que 70. De aquÍ se sacan las áreas bajo la curva normal entre los valores sucesivos de ¿. Después. La¡az6¡ de esto se ve claramente con un diagrama.35 y 5.2068 6L65 6&68 69-71 68.

no se rechaza Se deduce de los resultado¡ observados que aon probablemente significotivos y la moneda no estó probaPara una comparación de este método con los métodos utilizadog anteriormente.05.84. véaee método 1 del Pro" blema 7. Ajustar los datos a una distribución de Poisson.4066 0.3 y 4 accidentes de esta distribución de Poisson.01. respectivamente rr = 115. de acuerdo con la distribución de Poisson.np)z npt npz - (115__100)2 Pueeto que el número de categorías o clases (caras.47 0. Las frecuencias de caras y sellos observadas son. a¡í com. Las frecuencias de caras vamente.50 . 0 r N(rmero de dÍasr Número de días obsen¡ado 2L 18 7 3 1 {r accidentes) 0. La Tabla 7-8 muestra el número de días f durante un período de 50 días.CAP.3659 0. > 3.eo Entonces. .30 8. puesto que 4. Comparando con el valor de \ : 0. 313 {11 = Iq"+ill En l¿ T¿ble ?-9 aparecen lae probabilidadee para 0.1.'12 ¡ 85. ?] ENSAYOS DE HTPOTbSIS Y SIGNIFTCACION Tabla 239 7-t 7.01.05.f 0l2r + : (21)(0) '50 (18X1) + (7X2) + (?liQ_l q)(a) = . Para conveniencia de la comparación.24 2.CUADRADO ?. puede ser esto un indicio de la adaptabilidad de la distribución de Poison a la muestra de datos.* : P(r accidentes) 1118 2 7 o. blemente bíen heclu.33 I 2 3 18. 100 sellos) es h:2.. El cálculo de la varianza de la distribución da' da.0111 4 6 6 ó Nótese que el ajuste de los datos dados a una distribución de Poiseon es bueno.36. (b) 0.o loe números teóricos de días en los que ee presentarán ¡ accidentes (obtenidos multiplicando las correspondientes probabilidades por 50). la varianza d : L. Ensayar la hipótesis de que la moneda está bien hecha con un nivel de significación del (c) 0.9?.50 pótesis de que la moneda está bien hecha al nivel de significaeión del 0. np2 : tOO. Entonces. da 0.84. se rechaza la xlo¡ para 1 grado de libertad es 3.60 hipótesis de que la moneda está bien hecha al nivel de significación del 0. durante los cuales r autos tuvieron accidentes en una ciudad.7:2 -L = l. Tabla 7-9 Número de accidentes. El número medio de accidentes es Número de I Número de accidentes. Entonces. En 200 lanzamientos de una moneda se obsen'aron 115 caral¡ y 85 sellos.63.34.0494 0. Para una verdadera distribución de Poisson. < 6.63.90 hallado. puesto que 4.56 6 ó 20 18 8 2 1 0.33. hi' la ) El valor crítico xlso para 1 grado de libertad = 6. Entonces y eeüos esperadas si la moneda está bien hecha son np : 100. LA PRUEBA CHI.v: + (85:!00)2 = 100 h 4.1647 espeado 20.rj días. la euarta columna que da los números de días observados se ha repetido.2. respecti- xz = (o) El valor crítico (b @t:lptlz -(rz:.

2o5 < 6.93_4)' _(15-20\2 .5.58.S¡(0f)--7. Tabla 7-10 C¡ra Frecuencia obaervada I 25 2 3 15 4 23 5 24 6 t7 20 l6 20 Frecuencia eeperada 20 20 20 20 np2 np| np4 np| np6 _ (25-20)2. 7.84.20.34 mediante la aproximación normal respectivamente. Nótese que el cuadrado de este valor.O7 : 2.1. dades tipifica¿¿5 : 4. Con la corrección para la continuidad. (24-20\2.)z . Pa¡a una comparación con los métodos a4teriores. De ello se sigue que la concordancia entre ambas frecuencias no es tan buena como para no dudar de Io deducido.86. La Tabla 7-10 muestra las frecuencias observadas y esperadas allanzat un dado 120 veces.b8 a2.5)2 .4.ema se cumple siempre que la prueba de chi-cuadrado comprende dos categoiías. (185 _ __ 1001 Í4. .34 que la hipótesis se rechaza al nivel de 0. Esto conduce a las mismas conclusiones que por el primer método. Nótese que el cuadrado del valor anterior. Entonces 114.7OO)17 . es igual al valor de ¡2 corregido con la corrección de Yates p¡ra la continuidad del Problema7.5 en uni: (114. x2 (conegida) = = (lzt - nptl nPt 1001 0'5)z + !1""- np2l npz - 0'5\2 (1115 - 100 _ 0.zvb Puesto que 4'205 > 3.07 :2.v:h-1-:6-1:b. si el valor de z está fuera del intervato -1.01. Solucionar el Problema 7.84 y 4. (rs-np¡.05 pero no al de 0.s)z = 100_ 100 tt q^< 4. Se sigue como en el Problema 7. a la distribución binomial.35.6)esh:6. Véase Problema 4. no se puede rechazar Para 5 grados de libertad x%s: 1. (23-20)2 +--lO . se rechaza la hipótesis de que la moneda eetá bien hecha. Método 1.35.96. ? 7.5 .5)z = _100 )_ (L[. Entonces. (rr.g.60.15.2. (2.86. Esto se cumple siempre que la prueba de chiruadrado eomprende dos categorías y se aplica la corrección de Yates. ^-------::-:-. (16_20¡z _ *--lO-+ +ñ=5. El valor crítico a2e5 para 5 gados de libertad es 11.5)z _ .L2. (ZJ2)2 : 4.34' Esto Con un nivel de significación del 0.05)2 7 -37.240 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.5 o más caras. solucionar el Problema 7.86.1. la media y la desviación tÍpica del número de caras espe- : (l1b -lOO)t7.34 utilizando la corrección de yates.36.15. véase método 2 del Problema 2.npr o _ (rt-np)2 . 115 caras en unidades tipificadas Bajo la hipótesis de que la moneda está bien hecha. puesto que 5. Con un nivel de 0.06.00 > 1. (rt-nptl2 .5) =100yo=1fipq=/IZOO¡O. es el mismo valor de X2 obtenido en el probl.01 el intervalo sería -2.63 se deducen las mismas conclusiones que en el Problema ?.0. 7.-nps)2 (ra-npe)2 < 11.00 20-+ n 20 Puestoqueelnúmerodecategoríasoclases(carasl.07.96 a 1.00 la hipótesis de que el dado está bien hecho.05. Método 2. (rz-npzl2 . de modo que X2 : 5. 115 o más caras equivale a 114. de nuevo en consecuencia del Problema 4.05 y un ensayo bilateral. radasen200 lanzamientosdelamonedason¡r=np=(200)(0. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación del 0.

.352 y X2 :0. 7.zb rugosoe y verdes ft Entonces tssol = x2= (o) (b) Para v Para v (3L5 3L2.76\2 3t2. de modo que no se puede rechazar la teoría al nivel de 0. obseryó 315 lisos y amarillos. de modo que no se puede rechazar la teoría al nivel de 0. 4 amarillas y 1 verde. teoría y los reeultados del experimento están de acuerdo.81. x2. Una muestra de 12 bolas extraída aleatoriamente de la urna dio 2 rojas.3.7.h=4yelnúmerodegradosdelibertadesv=4-1=3. De acuerdo con su teoría. De modo que aunque el acuerdo es bueno.ss= = 3..se esperarían fttssel = -- 312. Ensayar la hipótesis de que la urna contenga proporciones iguales de los diferentes colores.76 *W = 0. estos números deberían presentarse en la proporción 9:3:3:1.05. ¿Difiere sigrificativamente la distribución observada de la distribución esperada? Tabla 7-11 Dígito Frecuencia obserrada Frecuencia eoperada 0 1 2 3 4 5 6 7 8 9 L7 31 29 18 l4 20 35 30 20 36 25 26 26 25 25 25 25 26 26 26 x2 = ry*ry. loe resultados obtenidoe están sujetoe a unh razonable influencia de error muestral. . la aproximación de chi-cuadrado será errónea. x?ss: 11.'nr parav: h -1:9 gradosdelibertad es21-.4?O > 0. (b) 0.26 rugosos y amarilloe B4.cAP. Se deduce pues. .3 >2!3 sededucequeladistribución observada dífiere significativamente de la esperada al nivel de significación del 0.g El valor crítico d" x.38. : 3. 5 naranjas. 9 que se da en la Tabla 7-11. Para evitar esto se agrupan las categorías de modo que los núme¡os esperados en cada categoría sea al menos 5.40.Qe-2512 try+ . Bajo la hipótesie de que la urna contiene proporciones iguales de los cuatro colores. ¿Hay alguna evidencia que permitadudarde su teoría al nivel de significación del (a) 0.01. amari'llo y verde. cabría esperar 3 bolas de cada clase en la muestra de 12 bola¡. ?. Puesto que los números esperados están en la proporción 9:3:3:1 (y 9 * 3 + 3 + 1 : 16). 101 rugosos y amarillos y 32 rugosos y verdes. Puesto que eetos números esperados Bon menores de 5. Una tabla de números aleatorios de 250 dígitos mostró la distribución delosdígitos 0.352.05? El número total de guisantes es 315 + 108 + 101 + 32:556. .01. que la Nótese que para 3 gtados de libertad.470 Puestoquehaycuatrocategorías. ?. 108lisos y verdes. .zS lisos y verdes Struol = frtssol 104. En los erperimentos de Mendel con guisantes.2.7I ENSAYOS DE HIPOTESIS Y SIGNIFICACION 241 7.75lisosy amarillos tol. r ry = 2s. naranja..01.como 23.39. Una uma contiene un gran número de bolas de cuatro eolores dife¡entes: rojo. ¡$5: 0. Se deduce que cabe sospechar alguna tendencia no aleatoria en dicha tabla de números.L.

se tiene (9 ^cuando las proporciones de los colores sean iguales.tz.10). lo mejor quizá sea incrementar el tamaño muestral haciendo más observaciones si se está interesado de una manera especial por alguna razó¡en el nivel de 0. 7. = - 60l 60 - . . Puesto que el número esperado en cada categoría bajo la hipótesis de iguales proporciones es 6.:?. de modo que (74-60)2 . (24-20\2 . Esto cabía esperarse puesto que la corrección de Yates Debe ponerse de manifiesto que si se emplea la aproximación de siado pequeñas. De otro modo.41. Ento¡-.5)2 #-g*): = 3. para las que la muestra dio 3 y 9 bolas.-ss:3.0. x' _ (1 -3¡:r ooo Puestoqueparav=4-1:3. Un par de dados puede caer de 36 formas. aun Otro método: Utilizando la corrección de Yates. l)na encuesta sobre 320 familias con 5 niños dio la distribución que aparece en la Tabla ?-12. En general.Entonces. se duda acerca de la decisión que se debe tomar.05. respectivamente.x2l)s==3.r que conduce a las mismas conclusiones anteriores. = siempre reduce el valor de ¡2 .81 sellegaríaalasmismasconclusionesqueantes. "Siete" se puede presentar de 6 formas y "once" de 2 formas. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación de 0. empleando la corrección de Yates.ü. (5-e)z .puestoque4. la aproximación ¡' para frecuencias pequeñas es pobre. En tales casos.Desgraciadamente. 7. = ry. se rechazaría la hipótesis a algún otro nivel (tal como 0. Sin embargo.10). ? Si se desea rechazar la hipótesis.Asínosepuedetechazrlahipótesisalniveldesignificacióndel 0. pues con la X2 corregida. puesto que incluso el valor corregido de y2 se encuentra cerca del valor crítico. para grandes muestras tales como las de aquí.05(aunque sí se puede al nivel de 0.:-:_+r::__-::_:sis de que los dados estén X¿ 4. en 360 lanzamientos cabría esperar "siete" y 1/18(360):20 veces "once". Los resultados observados pueden imaginablemente deberse al azar. Así pues.84. los resultados que se obtienen utilizando la correc- ción de Yates son más dignos de confianza que los resultados no corregidos.5)2 (124 - 2ol - 0.(ig:lf-!éE.1.rP. - e¡z -9 Parav:2-l:1.42.05. z.84seestaríainclinandoarechazarlahipótebien. (4--3)2 .07 Parav:2-1:7.05.0?>3.ces P("siete") : 1/6(360):60 veces 6/36 : 1/6 y P("once") :2136: 1/18.242 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.84. no se rechazaría la hipótesis al nivel de 0. Esto se consigue en nuestro caso considerando las categorías "roja o verde" y "naranja o amarilla". se tiene x: = 0qj:_6Fo. se tiene (174 (correglda.xjr¡. se agrupan las categorías de forma que la evidencia en contra de Ia hipótesis se muestre claramente. Sin embargo. de aquí que cuando no sea aconsejable agrupar frecuencias se debe recurrir a los métodos exactos de probabilidad incluyendo la distribución multinomial.) x2 _ = -6-. se observaron 74 veces "siete" y 24 veces "once". En 360 lanzamientos de un par de dados.65 De acuerdo. ¿Es el resultado consistente con la hipótesis de que el nacimiento de varón y hembra son igualmente probables? .. se obtendría ¡2 a pesar de que las frecuencias sean dema- (2-3¡z .

Adviértaoe que ¡fo es equiyalente a afirma¡ que la recuperación eeindependie¿úe del empleo del suero. v = k . BONDAD DE AJUSTE ?. . 2.i".9)2 .49. Pa¡a rr = 2.?)2 . x.z = 6 4. es decir.(L44_161.cA¡.13 utilizando la prueba chi-cuadrado.-.?11.= (s8_33.01.. (4 niños y 1 niña).2 : 2.--lóo:t- . Determina¡ la bondad de ajuste de los datos del Problema 7. Para V 1 (que er el pará- los datos es muy bueno. De aquf queel ajuste de creerse.99. Solucionar el Problema 7. TABLAS DE CONTINGENCIA 7..103.m : 6 .103. 7. 50. 10. (5 niñas) son dadas por loe términos del desarro(p llo binomial * C)5 = p5 + 5p1q I l|psqz ¡ l0pzqs ¡ Spqt 1- qs SiP:O:t12. y los reaultados son 10. Para y : 4.959 7.--I¡Ié- .L . puesto que X2 = 0.setiene P(ániñosy0niñas) = (+)5 : # P(4niñosylniña) = 5(¿-)4(á) : ¡tz P(3niñosy2niñas) = f0(l)3(i)2 = # Enüonces el número de familiae que 8e espera P(2niñoey3niñas) : f0(l)2(l)3 = i8 P(lniñoy4niñas) = 5(+X+)4 = t P(OniñoeySniñas) = (+)5 = + tengan 5. ..U Puesto que x:e5:11.43 20. 50.2)2 . 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla ?. Bajo la hipóteeis nula lfq de que el suero no tie' ne efecto.1 : 4. (110_100)2.-El: . lag cla¡ificaciones 8on independientes.x2. 100.?11. el ajuate no es tan bueno como pudiera = 4.05.43.---r¡If.".13 *(18-2-0:68)2 *(a2:^-39=92\2-(27:3ft7rl2 *(8:?'j13)z:0.12 243 Número de niños y niñas 5 niños 0 niñas 18 4 niños 1 niña 56 3 niños 2 niñas 110 2 niños 3 niñas 88 I niño 0 niños 4 niñas 5 niñas 40 8 TOTAL s20 Número de f¿milias . pectivas probabilidades anteriores por 320.(287_308.1 y x.(26-29. xL¡s:0.os:0. ..45.1 .32.4. (164-150. 100. (88_100)2. Entonces. el ajuste no es "demaiido bueno".412_ -58:t-- .-r3)2 .68 38.serechazarálahipótesisalnivel de significación del 0. Se deduce que el ajuste de los datos es muy bueno.!. X?ss = 9. cabría esperar que 70 individuos de cada uno de los grupos Be recuperase y 30 en cada grupo no se recuperase.1 para y:61:6gtadosdelibertad.30. Para v : 2 (que son la me- = 2. De aquí (8_10)2 _. como 8e indica en la Tabla ?-14.--_-16-_¡&.(342_316. . Seap:probabilidaddenacimientodevarón.7t Puecto que el número áe parámetros empleadoc en estimar las frecuencias esperadas es m dia g y la dewiación típica o de la distribución normal). "!ü Puesto que el número de parámetros utilizados para estimar las frecuencias esperads e8 m metro p de la dietribución binomial).44. x.sss:15. . x2.64 > O.3. v : k . Asf'puesto que X2 = 7 .1 . La¡ condiciones del problema se presentan en la Tabla ?-13.m : 5 .959 > 0.Entonpiobabilidadee de (5 niños).---T08J.1y0 niño¡seobtienemultiplicandolasres' (40-50)2. Utilizar la pmeba chi-cuad¡ado para determinar la bondad de ajuste de los datos del Problema 7.:z .yg:1-p:probabilidaddenacimientodehembra. pero no al 0.?)2. .. Así se deduce que los reeultados son probablemente significativos y el nacimiento de varón y hembra no son probablemente iguales.92 27. .212.os= 5.1 .^ _ (18_10)2 (56_60)2.=--_a6---_Eñ-----Jó¡-----i6b--_-Ed.

pueeto que una vez hecho esto loq números de las restantes casiüas vienen obligados por los üotales ya indicados.05.30\2 (36 *ffi = 2'38 Tabla 7-16 Para determinar el número de grados de libertad. conaidérese la Tabla 7-15. (35-301 -0.45 aplicando la corrección de Yates. Z.vó Obteniéndose que las conclusiones del Problema 7.Puestoqueparalastablas2Xz. como en la página 215 (véase Problema ?. pero en la que solamente se han puesto los totales.10 uüilizando z.45 son también válidas aquí.47. Solucionar el Problema 7. 200 140 30)2 o _ (75 x-1rc-?o70)2 - 70)2 . Esto podría haberse visto rápidamente.51).--.No ee recuperan cupetan TOTAL [cAP.profesores son iguales. ya que la corrección de Yates siempre disminuye el valor de ¡¿". Sr. De modo que hay un grado de libertad. X.Xz egelcua- Nótese también que yn ensayo unilateral utiliaando ¡12 equivale a un enEayo bilateral utilizando.ss : 3. drado Cel valor de z. = I. En la Tabla 7-16 se indican los estudiantes aprobados y suspendidos por 3 profesores: Sr.05 utilizando X" equivale a rechazar esta hipótesis con un ensayo unilateral al nivel de 0.5)2 * ----?O- (i65-701 -0. Ensayar la hipótesis de que las proporciones de estudiantes suspendidos por los tres . Está claro que solamente se tiene libertad lara colocar un número en una de las cuatro casillas vacías. Y y Sr. No se está así en condiciones de rechazar Il¡ a este nivel y se deduce o que el suero no es efectivo o se deja sin tomar decisión en espera de posteriores ensayos.84 para 1 grado de libertad y puesto que ¡2 = 2. Se No ¡e recuperan recuperan TOTAL 100 100 Grupo.!t_.5)r .38 es el cuadrado del valor de z : 1.gs. X Sr.5)2 . 7.0. la prueba chi-cuadrado en relación con proporciones muestraleg de una tabla de contingencia 2 X 2 equivale a un ensryo de significación de diferencias de proporciones mediante la aproximación normal.A Grupo B TOTAL 140 60 200 Puesto eue X. _ ¡¡ (corre(rda) = (i75 -70\.13. habrían suspendido 27 lL80 : Iíc/o de los estudiantes y DO .Z 56 8 64 TOTAL 153 27 180 Aprobados Suspendidos TOTAL 50 D Bajo la hipótesis H¡ de que las proporciones de estudiantes suspendidos por los tres profesores son las mismas. ^.46.38 < 3. al rechaza¡ una hipótesis al nivel de 0. se deduce que lob resultados no son significativos al nivel de 0.5)2 * ----TO* ?O S0 _ .244 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla 7. En general.84. Nótese que X2 : 2. Y 47 L4 61 Sr.^se sigue que X er lo mismo que z en este caso. x2)x2ss correrpondea x>x. obtenido en el Problema ?.No ¡e recuperan cuperan TOTAL Grupo A (utilizando suero) Grupo B 75 25 Grupo A 100 100 (utilizando suero) Grupo B 70 30 100 (no utilizando suero ) 65 35 60 (65 (no utilizando suero) TOTAL (25 70 30 60 100 200 TOTAL 14r. Tabla ?-16 FRECUENCIAS OBSIERVADAS Sr.13 FRECUENCIAS OBSERVADAS Se re.54. que es igual a la¡ dos dadas anteriormente. or^_. (125-301 -0. 7. Asf pues. ya que.e5óx{-x.¡. porejemplo.-. ? Tabl¡ 7-14 FRECUENCTAS ESPEBADAS BAJO Ho Se re.

153 qn X Sr. * ó1)(o1 * o2) o1*óq*a21b2 n a2b.61.15 61 15% de 64 8. hay en este caso dos grados de libertad.gina 22O .n"n¡ln\z' nrnn/n ntftl. los resultados esperados bajo la hipótesis nula aparecen en la Tabla 7-20. no se puede rechazar I/e al nivel de 0.10 si se está dispuesto a correr el riesgo de estar equivocado 1 vez de cada 10._ (50-46.60 64 180 64 180 Entonces o x-. at__n_ = -nrrxJn (ór nrnsln)2 (b2. Y 85% de S¡.85)2 (56-54. Así pues. Puesto que x.r"/" a1b2 (o.60-=4.48. que es igual que la Tabla 7-L7 pero en la que solamente se han puesto los totales. considérese la Tabla 7-18.5135-547ó-----d25 9J5 --.05.49. Hay h (fz > 1.15)2 (8-9. Z TOTAI. X ¿IO Tabla 7-18 Sr.(h+Ic-l) = (h-lx/ú- 1) como se requería. se puede rechazar lfs aI nivel de 0.25)2 . todos los números restantes vienen obligados por lo8 totales.51. Las frecuencias esperadas bajo FI¡ se muestran en la Tabla 7-17. que puesto que x:eg : 4. . 7.60)2 4175 -. Sr.40)2 (5-8. pá.40 : Aprobados Suapen- Suspen. Está claro que como cada fila y cada columna han decumplir con loü totales. Se deduce que el número de gtados de libertad hk .ecuencias teóiicas.1Xk . k > 1) el número de grados de libereg * & - 1 totales independientes de un total hÉ. Mostrar que para una tabla de contingenciah X h tad es (h .e 64 54. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION habrían aprobado el 86Vo de los estudiantes. Z TOTAL 153 27 Aprobair¡c didos TOTAL 85% de 55 : 6l 4G.ó+ Pa¡a determinar el número de grados de libertad.75 = = 51. después de lo cual.85 85V" d. Í4-9. Pero : (ar- nrnn/n)z (a". solamente se está en libertad de poner al azat un número en una de las easillas de la primera columna y ot¡o en una de las casillas de la segunda o tercera columna. de otra forma se necesitan ajustes como los descritos en ( b ). (47.-. Demostrar que -pa¡a la tabla de contingencia 2 X 2 que se muestra en la Tabla 7-L9 x2= Tabla 7-19 n(arb2- azbt\2 Tabla ?-20 TL\lLzlL¡fl's RESULTADOS OBSERVADOS I A B TOTAL at br RESULTADOS ESPERADO. Entonce8 *. 7. Nótese. sin embargo.99. Y St.L5% de 55 : I5% de 6t 9.S II A2 TOTAL fL¡ fiB I A B TOTAL II n2n¡ln n2n¡/n 'tL2 TOTAL n1n¡ln rl¡ fl3 b2 rL2 nrnsln n1 nl tt n Como en ql Problema 7-45. Nótese que este resultado es válido si se conocen los parámetros poblacionales necegarios para obtener las fr.CAP.n2nslnl2 .1).25 OD : didos TOTAL 55 61 9.zs¡ : 5. Tabla 7-17 ITRECUENCIAS ESPERADAS RAJO Sr.núnR/n "r'.75\2 .

n1=at*b¡ nz=a2*b2.10012 = 1. yn:2OO. a2=26. frA=úr*az.P)2 que es el cuadrado del estadístico Z.49 da x2 = n(1aft2.93 7.38 : Empleando la corrección de Yates.=. Con referencia al Pro- (r) (2') P. ns = 100. (/ ) se remplaza por (21 "rr"r"^"" : nL2 nrnznAnB x2 (conegida¡ n(ltl. 1-Pr . P. Ilustrar el resultado del Problema 7.45.azbtl . se puede escribir az-ry = ur-ry = Í2fts . Dr = 65. ür : 'tL¡ = flP.Prl .bq - aqb'12 donde A:&tbz-azbt.246 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. Demostrar que una prueba chi-cuadrado que se refiera a dos proporciones muestrales es equivalente a un ensayo de significación de diferencia de proporciones utilizando la aproximación normal (véase pagina 215). dado en (IO) en la página 215.. nt=140. a1 =75.=&r*a2*b1*b2. Sise aplica la corrección de Yates. 7 Análogamenta Así. .49 x2= n(ap2.Pr)]2 nrnínpnq = nfri\+LlllrJ (Ya que n = nt+tt2l (Pt. Halla¡ el coeficiente de contingencia para los datos de la tabla de contingencia del Problema 7.45.ln)? = -"r!rrrñr" 7.ozbr\2 n /orbz-ozót\2 ml?¿B\ n n nzn¡\ n n¡r¡\ / / / n fatbr-tzDt\2 n ?zrs\ / que al simplificar.P)2 nWtPrA$ . ns = ür*ó2. f. ¡e tiene del Problema 7.51.a2b)2 -T nrn2nAnB nrn2(Pr. el resulüado eg el mismo que en el Problema 7. EnelProblemaT.tn)z = 200il(?5x35) 2.. = #. C= vra = {*#fu : r/d'6112e = 0'1084 .4S.n2P2n{l . de modo que (r) (4) ú1 = nlPy az = nzPz.. COEFICIENTE DE CONTINGENCIA ?. Denótese por P1 y P2 las dos proporciones muestrales y blema 7. Or--m arb2 = - a2b.49. - O2 l¿z' fL¡ tl' ó.52. -flg L-p l-P2 = bc -= = q = -.46 ¡2 (corregida) = ---ñ^"" - = - (25X65)l (140)(60X100X100) .49 paralos datos del Problem^I. r¿¡ = 100. entonces riI ) del Problema 7. da x' : D'- n(a. ^ (t) n /otbr-ozbt\2 n lotbr. bz:35. bz = nz(l- Pz) tlg = flq Utilizando (3) y (4). se tiene p la proporción poblacional.50. r¿r(1 - Pr). n2:60.

La probabilidad de conteetar correctamenté Bajo la hipótesisp r pregunta¡ de las 10 será rcCrqqto-'. hallar la probabilidad de aceptar la hipótesis p P : 0.13.1?19. En tal caso.".----80Entonceg el valor máximo de C e¡ . En el Problema 7.5 cuando realmente (a) p : 0.7)7(0. PROBLEMAS DIVERSOS 7.[roOi(0.?1e Asi ee que ésta pues. (Véase Problema 7 .-60 .6)8(0. = 1/@-ffi. el e¡tudiante acierta alazar). En el problema 7.L27).".---80. Seap la probabilidad de que una pregunta sea contestada correctamente.a 7.4)2+ ro0a(0.3)3+ r0Cs(0.X. (c)p : 0.54.(iX.. (a) Sip : 0. suponiendo independencia total. en la gue el número de fil¡s y columnas eon ambas iguales a &. adopta la siguiente regla de decisión: (i) si 7 o más respuestas son acertadas el estudiante no las acierta por casualidad. donde g =L- p. .7)8(0.ueno) TOTAL 100 (irupo ó 0 100 100 100 100 200 .(+Xá) * .618 .. D Tabl. Para taleo ca¡os. (d) p : O.55.60)2 50 .4) + 10010(0.3504 7. el estudiante está adivinando. Nótees la probabilidad de error del fipo I.56.".3)2+ r0Ca(0.= (100 zw En general. Pueeto que las frecueneias eeperadas.(g)p : O. (f) p : 0.4..9.o. las únicas frecuenci¡¡ de casillas que no Eon cero aparecen en la diagonal que baja de izquierda a derecha de la tabla. (ii) en caso contrario. P(7 o más correctas) : P(7 correctas) * P(8 conectas) + P(9 corectae) * P(10 correctae) = .8.64.0o)z (0 .(.6. = 0.? Bajo la hipótesis p P(menoc de 7 corectas) : - 1 -P(7 o mác conectas) 1 . (b)P : 0.(á) = 0.?0?1.7)e(0. la probabiüdad de decidi¡ que el eetudiante no reeponde al aza¡ cuando es que si.6)101 = 0. 7. para la dependencia total en uua tabla de conüingencia. Para ensaya¡ la hipótesis de que el estudiante acierte por car¡udidad.53.6 la probabilidad pedida será 1 - [P(? conectas) * P(8 correctas) + P(9 cotrectas) + P(10 correctas)] =|- ho0?(0.3)10] = 0..cAP.21 valor máximo de C ee presenta cuando la¡ Se recuperan No se recuperan 0 TOTAL 100 GrupoA (utilizando auero) (no utilizando . 7l ENSAYOS DE HIPOTESIS Y STGNIFICACION 24V 7. C..2..50)2 (0 .4)3+ roOs(0.t. do¡ clasificaciones son perfectamente dependiente¡ o a¡ociadas.3.ro)¿ . hallar la probabilidad de aceptar la hipótesisp = 0.".6)e(0. Un instructor hace un cuestionario forurado por 10 preguntas falso-verdadero.i . (e) p : 0.6)?(0. ee 0.54.. todor loe que tomen el suero 8e recuperarán y todor lor que no se lo tomen no Be recuperarán./Zt(xz + n'l = t/ñl@6T 2oo-) = 0. (100 .3) + r0Cr0(0.5 (ee decir. son todas igualea a 50. Hallar la probabilidad de rechazar la hipótesis cuando es corTecta. Esta tabla de contingencia aparece en la Tabla 7-21.¡* . Hallar el valor máximo de C para la tabla 2X 2 del Problema 7.5 cuando realmente = O'7' : O. " x.

56 para construir el gráfico de É y p obteniendo así la cun¡a característica de operación de la regla de decisión del Problema. Ensayo bilateral.2188.8. Puesto que P(0 ó 6 carar): t'o+* = 0. l0 09 08 0? El gráfico pedido es el de la Fig.01.5 0.2 0.121 0. Tabl¡ ?-22 p B 01 1. Puesto queP(0 ó no ee puede rec}ntzar H¡ al nivel de 1ó 5 ó 6 caras) = 2(t) = 0.64. Pueeto que P(6 ó 6 earar): * + # = éa:0.350 0.6) y (Ht: p > 0.65. 4. .01).6 y 6 caras son dadas. la moneda está bien hecha).01 (es decir.4 0.7 hallado en el Problema 7 .58. 3. se habría obtenido la curvo de potencia de la regla de decisión.trf6 llnivelde .6 0.Ele al nivel 0.828 del Problema 7. p + 0. no se puederechazar.5 cuando realmente p > 0.68.t v i.59. Ensayo u¡ilateral. . 7-14. pero no al 0.05 y (b) 0. Se ha irrcluido también el valor para p : 0.5)(ee decir.¡qn. Utilizar el Problema 7.03125.05 ó 0. Ensayo unilateral: Aquí se deeea decidi¡ entre las hipótesis (Ho: p: 0.989 0. . ? Loa resultados de (b). 7.05. +i. viértase la semejanza con Problema 7-27.248 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.8 0.05. 0. ee puede rechazar ñfe Ensayo bilateral: al nivel 0. (c). 7-15.Puesto queP(6 caras): f¡ :0.01 la moneda no está bien hecha? Considerar ensayos de una y dos colas.618 0.1094. pero no al 0.7 0.t+.06. 03 02 0.3 0.01. Nótese que la probabilidad se denota por p (probabilidad de error del Tipo II). ¿Puede deducirse que al nivel de significación (c) 0.1. Bajo la hipótesis (Ho: p: 0.5 dado por p : 1 . Ad- la curva OC del 06 Si se hubiese dibujado (1 -p) yp.05 ó 0. Una moneda que se lanza 6 veces da 6 veces cara. **. si en la moneda sale 5 veces cara.54. como se muestra gráficamente en la di¡tribución de probabilidad de la Fig.01. respectivamente.!¡.999 0.013 0 828 7.1094.5). (g) pueden hallar¡e análogamente y se indican en la Tabla 7-22 junto con el valor correspondiente a p : 4. $oluciona¡ el Problema 7.01662 y P(6 ó 6 carad) = * +-# : 0. 2. Sea p la probabilidad de ca¡a en un solo lanzamiento de la moneda. 0. 7. por #.1 El grafico indica que la regla de decisión dada ee muy odecuado para rechazat p:0.9 0.5). .1?19 : 0. caraa en 6 f(x\ = P(x lanzamientos) = Entonces lae probabilidsdes de 0.945 0.ó) y (Ht:. pero no d 0. el resultado observbdo es significativo al nivel 0. 1. se puede rechazar.57. Aquí se desea decidir entre la¡ hipótesir (Ho: p : 0.000 0.0.

Yz=U2r . el Problema 7. *Y¡= n¡ = que ee la distribución multinomial de la¡ X [compárese (I6).. i npn: n. *Y¡r= n¡ PlYr=At... Epplear el resultado del ProblemaT. Sin embargo.. Tabl¡ ?. iYr..Yt va¡iablesmutuaÍienteiñdependientes con dist¡ibución de Poisson y parámetros tr¡ : npt.*/t'-^'\' \Vrr.'.endientec. de acuerdo con la resüricción (221. = (nP .Y¡=Ur I Yz* . Demostra¡ que la dist¡ibución condicional de las f dado que Yt*Yz+ "'+Yx = es precisamente la distribución multinomial de las X. yx= ax) = 19#)1-+gj...1'"'-. (21) ea diffcil de manipular ya gue las X di¡üribuidas multinomialmenüe son dep.Yz=Az....np\2 -p nP [n(r - P) - n(L - Pll2 nz(P-p)z*n2(P-plz "q Pq que es el cuadrado del estadístico Z.p)2 PQI'I¿ 7.. . Tal como oe establece.. el numerador en (2) tiene.¡Yt=Ur Y Yt+Yz+ "' *Y¡r= P(Yr+ Yz| "' * Y¡ = n¡ e-n n¡ Entonces. ^#--"Jpltpf2"'plk 7. . (5) de la página 214.l\z : npz trr : zpr respectivamente.+ph=L. .60.págtna 218. Xz X¡ tienen una distribución multinomial.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 249 7." Por tanüo (2) ee conüerte en P(Yr=Ur.L tu¿cione¡ por medio de la Tabla 7-23.= ut. como se define por (21). página 118].61. y2= u2... página 14?.23 Si P es la proporción mue¡tral para La categoes la proporción poblacional y n eo la frecuencia total. . el valor En cuanto aI denojminador. + ' ' ' + Y¡ es en sí migma una va¡l¡ble de Poi¡eon con parámetro np¡ * np2 + . Por t¿nto reeecribimo¡ (2/ ) como (r) x2 = /t'=^')'*f"'=^'\'*. / \V^r/ \Vrzl .tYx=at I Yr* Yz-1. que Yr + Y.. Suponga que Xt. . de (I )..p)z = . con frecuencias esperadas flPt. npp respectivamente. p I Frecuencb observada Frecuencia esperada nP np II n(l. sabemos del hoblema 4.cAP.. n(P. ce pueden describir las ei- ría I..aL.61 demuestra que podemos remplaza¡ las X por lae Y independienúes con dietribución de Poisson ai ae cumple que Y¡ + Y2 + " '* Y¡": ¡.:í-^*f e-^ dondehemo¡uuiüzadoelhechodequept*pz+.. busc¿ndo está dada por Iadi¡üribucióncondicionalqueeetamos P(Yt.. Yr + ).nPz.96. Mostrrir que una prueba en chi-cuadrado que comprende dos categorías es equivalente al ensayo especial de significación para proporciones (pagina 214).. ...Pl n(l-p)=nq TOTAL n .62. Enüoncec. Sean f.6t pa¡a demostrar que ¡2. tiene aproximadamente una distribución chi-cuadrado.. Pa¡a la función de probabüdad conjunta de ft l¡¡ Y tenemos (r) (21 p(y.¡p_r¡rll*l)q/ = '' \P Pq = (P-. por definición..Y2=U2. .. Asl el denominador tiene el valor "":.

. r.+162¿+.1-. ( *". La Fig. Entonces lo que desearnos demoetra¡ es: grados de li- r I lfnrzt+ \/p2z2l.?+ . utilizando (6).) pe?+zi+. ? * [(1 4 ). + zi = < .+l/lrz*l<.. Primero que üodo. y el teorema del límite central para las distribuciones de Poi¡rcn x2 - zi+ zZ+ .. = . .+ tf-xrz* . +fpylrlÍd P(l{-ptzt+\/pzz2+'. Ft @) = (2n'¡-r. +zl3-t . en tanto que ¿rr1 ! a2r2 i a3r.. ' + 6. todos los planor cortantes a travé¡ del origen dan la misma integral.+ {przr = rl-prz*l o. 7-16 indica la intere€cción de los dos cuerpos...z¡_ /2e) = 4r4l. tra que la distribución incondicional de (6) Es fácil establecer (5) si utilizamos nuestra intuición geométrica.) _ D. .. . i= 6 6s un"plano a través del origen cuya normal es el vector unitario (at.Pt=| y obtenemos Fig.. En otras palabras. Por tanto...-\ = Í'\r) para un valor apropiado de y. todos loe L tienden 2] resulta I @... El factor 2e es el eopesor de la tira. d...dz¡ JJ :l+zl+ .=. I f .+ PQI+ z3+ .r+ . r7f. .. es decir f (r\ donde .. d3.+z!=r.ependientes con media 0 y varianza dependiendo del suceso.<r y !{ltZtr.o 6 {eLzL+\/pzzz+.. l{nz. ya que las variables son continuas.-tzl+zl+ ' +z!)/2 dzldzr. ..r por Fy(r) la función de distribución acumulada para una va¡iabli chi-cuadrado con bertad. ./pzZzr. Escogemos Pt=Pz="'=Pk-r=0.1 se integra sobre el á¡ea circular -o a üravés de una tira delgada en esa área.. .rtz f ..zhl < l Fo rz r+ vF¡¿. Es lógico que cuando una función que depende solamente de la distancia desde el origen.250 Cuando n (2) ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.. + lTt zrl <. e- Q1+ zi+. tenemos para el numerador de (5): (?) Numerador = (Zr)-krz ( ( e-(zl+zl+ " +zl)/2 dz1dz2.[r. ya que la función de densid¡d pan cada Z¡ e (2r)-r/zs-z2rz.qz. + z!..rz . (2r)rrz P'r-tlrrrrr'. donde s¿irLl¿gra sobre la intersección de una hiperesfera "-/t2 alrededor del origen. a3).)/2 dz1 dz2. se pueden da¡ los valores convenienteg arbitra¡ios a las p.. zl'zl+. 7-16 (s) Numerador = (Z).. (s) (t') Denótese (5) llrzr+t/xrzr+.+ zi I cuya digtribución es condicional 0 donde las Z son variables norniales ind.+ ' G Recordamos de la geometría analítica que en el espacio tridimensional rl+ r2"* n! = o2 representa un sólido esférico de radio c con centro en el origen. ' + Zles chi-cuadrado con k grados de libertad.. el Teorema 4-3 demueg221 + Z|+ ..dz¡ Además. pági'nla 1L @.el valor de la integral es completamente independiente de los cosenos direccionale¡ et. dz. Por analogía concluimos que en (7).

(o) Hallar la probabilidad de rechazar la hipótesis cuando en realidad aea correcta.40 onzas. En una escuela determinada con 200 estudiantes el mismo examen dio una puntuación media de 75.01. + {pt Zt. 7. Ensayar la afirmación del fabricante al nivel de aignificación del (o) O. la puntuación medi¡ fue de 74.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 26L Para evaluar el denominador de (5) notamos que la variable aleato¡ia W = lptZl * es l-p222 + .0. proporción d.63 si ee quisiera que la probabitidad de rechazar la hipótesis siendo realmente conecta sea a lo sumo 0. * p¡(1) = de den¡idad paraW es p(rr) : (Zr)-r/2e-u2/2. Para ensayar la hipóteeis de proporciones iguales de e¡to¡ colores. (o) ¿Qué regla de decisión ?. se acuerda en tomar una muesüra de 64 bglas con anotando lo¡ colore¡ extraídos y adoptando la siguiente regla de decisión: (I ) se acepta la raen entre 28 y 36 bolas rojae. y por tanto a la¡ Y o a las X reduce el número de grados de libertaá en X2 en 1.65. Var (W) = pr(l) * pz$) * .e y azules. donde z : h - las bases para las reglas dadas en la página 219.cAP..66 ei el nivel de significación es del 0. normal (puesto que e8 una combinación lineal de la¡ variablee Z normaies e independientee). + V!f.7 o. (¿) ¿Cuál eería la hipótesis nula y cuál la alternativa? (b) ¿Se utilizaría un ensayo de una o doe colas? ¿Por qué? (c) ¿Qué regla de deci¡ión se adoptarfa si el nivel de significación fuera del b..01? (b) ¿A qué nivel de confianza ee aceptaría la hipótesis? (c) ¿Cuál ¡ería la regla de decieión si ee adoptara un nivel de significación del 0. La "demostración" anterior (que puede hacerse rigurosa) muestra incidentalmente que cada restricción lineal colocada alas Z. .. es decir.e) = p(lWl < e) - e4(0)(Z€) = 7..01. Solucionar el Problema 7. yos.01? Se lanza un par de dado¡ 100 veces y se observa que un total de ('siete" apa¡sce 23 veces.05 desde el punto de vista de (o) un ensayo unilateral y (b) un ensayo bilateral.67. y que E\W\ = VE(O) + \/p2(o)+ . Discutir las razones de las posibles preferencias de uno de estoe ensayos sobre el otro. se adoptarÍa en el Problema 7.93 onzas. se quiere un nivel de significación del 0. (ó) Interpretar gráficamente la regla de decisión y el resultado obtenido en (o). Un examen sobre una muegtra de 200 de talee equipos reveló que 18 eran defectuosos. Enaayar la hipóteaie de que los dados esüén bien hechos. (Zr)-t/2(ze) Al dividir (8) por (9) obtenemos el resultado deseado. Un fabricante sostiené que al menos el 95% de los equipos que Euministra a una fábrica eetá de acuerdo con las especificaciones requeridas.1i¡ ee rechaza en caso co¡rtra¡io. Comentar la significación de este resultado al nivel de 0.1 y la desviación típica fue 8. 7'68.ebolac rojas que de azules.63 se desea eneayar la hipóüeeis de que hay moyo.Of O.(o¡ : 1 s Por tanto la función . no cargados. 7. y Denominado¡ (. Recientemente.0ó? (d) ¿Cuál sería la regla de decisión si el nivel de significación fuera del 0. mediante (of un ensayobilateralyla¡.66.lO¡ La experiencia ha demostrado que la media de resistencia a la rotura de una determinada clase de hilo e¡ de 9-72 onzas con uria desviación típica de 1.entarios ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NOBMALES ?'63.trLtroyo uniiateral y un nivel de significación del 0.01 que el es ahora peor? hilo 7 . 7. erplicando las conclusiones sacadas con estos ensa- ..64..05 y (ó) 0. Esüo provee Problernas suplem. Una urna contiene bolar roja.05.. ee decir. ¿Se puede deducir al nivel de signüicación del (o) 0. En un examen dado a un gtan número de estudiantes de muchas escuelas distintas.69.OO.05? 7. Supóngase que en el Problema ?. una muestra de 36 piezas de hilo dieron una resistencia media de 8.9.

05 y (b) 0.73. El nuevo fertilizante se aplicó a 30 de estos cuadrados y el antiguo fertilizante a los restantes.05.72. Una muestra de 75 bombillas de otro fabricante B dio una duración media de 1230 horas con una desviación típica de 120 horas. Utilizar el nivel de significación del 7. ENSAYOS EN RELACION CON LA DISTRIBUCION ú DE STUDENT 7.63 fanegadas. En seis pruebas de este tipo se obtuvo un decrecimiento en eI tiempo de producciónde 8. .01 V (b) 0. 0. Ensayar la hipótesis de que a los niveles de significación (a) del 0. Utilizando un nivel de significación del (a) 0.54 fanegadas. Una muestra de 8 bombillasdelaproducciónactualdiouna du¡aciónmedia de 10?0 horas.7 4. ENSAYOS REFERENTES A DIFERENCIAS DEMEDIAS Y PROPORCIONES 7.01? En el Problema 7 .01.05 y (b) del 0. ensayar la hipótesis de que el nuevo fertilizante sea mejor que el antiguo.032. [. Dos tipos de soluciones químicas.4a. 7. ? 7.05 que el producto presenta las especificaciones requeridas? ?.024.05.7 8. Muestras al azar de 200 tuercas fabricadas por la máquina A y de 100 tuercas fabricadas por la máquina B dieron 19 y 5 tuercas defectuosas.05 y (b) 0.2 con una desviación típica de 0.70 si el nivel de significación es del 0. Análisis de 5 muestras de B dieron un pH medio de ?. ción típica de 6. lcAP.5% y una desviación típica de 0. respectivamente. ¿Puede deducirse al nivel de significación del (c) 0.49 con una desviación típica de 0. Un experto efieiente mantiene que introduciendo un nuevo tipo de maquinaria en un proceso de producción se puede disminuir sustancialmente el tiempo de producción. ?. El número medio de fanegadas de trigo cosechadas por cuadrado en los que se utilizó el fertilizante nuevo fue de 18. ¿Hay diferencias entre las duraciones medias de las bombillas de los dos fabricantes al nivel de significación del (o) 0.7 7 ensayar la hipótesis ¡¡ : 1120 horas contra la hipótesis alternativa tt diante un nivel de significación del (o) 0.76. la puntuación media de 32 niños fue de 72 con una desviación típica de 8.8f En el Problema 7.05 y (b) 0.O7o laintroducciónde tales máquinas en eI proceso resulta antieconómico. respectivamente. 1 .8 y 0./o con una desviación típica de 0. (b) 0. mientras que 15 estudiantes de otra clase tuvieron una puntuación media de 74 con una des- .32%.01.252 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Solucionar el Problema 7.01 las niñastengan mejor ortografía que los niños.72 ensayar Ia hipótesis de que las bombillas del fabricante B sean mejores a las del fabricante A utilizando un nivel de significación del (o) 0.77.01. Ensayar la hipótesis de que la duración media de las bombillas no ha cambiado. 7.7L. todos ellos tenían idénticas características de suelo. mediante un nivel de significación del (a) 0.76. una parcela de terreno se dividió en 60 cuadrados de áreas iguales. A causa de lo costoso del mantenimiento de estas máquinas resulta que a menos que el tiempo 4e producción ee disminuyaen un8.19. etc. Las especificaciones para Ia producción de una cierta aleación piden el 23.05 ensayar la hipótesis de que las máquinas deben ser introducidas. Una muestra de 100 bombillas de un fabricante A dio una duración media de 1190 horas y una desviación típica de 90 horas. La duración media de Ias bombillas producidas por una compañía ha sido en el pasado de 1120 horas con una desviación típica de 125 horas.01 y (ó) 0. determinar si los dos tipos de soluciones tienen diferentes valores de pH.52 con una desviación típica de 0. me- 7. Análisis de 6 muestras de A dieron un pH medio de 7. exposción a la luz del sol.80.79 ensayar la hipótesis de que el contenido medio de cobre sea más alto que el que marcan las especificaciones. 7 . Explicar las diferencias entre esto y lo que se pedía en el problema anterior.05.01 y (b) 0. Mediante unniveldesignificación del 0. Con un nivel de significación del (a) 0.a2.24%.01. Unamuestrade 10 análisis dio una media de contenido en cobre de 23. Para ensayar los efectos de un nuevo fertilizante sobre la producción de trigo. 7. con los niveles de significación de (o) 0. A y B fueron ensayadas pa¡a ver su pH (grado de acidez de la solución).05 y (b) 0.05. < 1-t2O horas.83. En el Problem a 7 . En un examen de psicología de 12 estudiantes de una clase hubo una puntuación media de 78 con una desvia- 7. Ensayar la hipótesis de que (o) las dos máquinas tengan diferente calidad de fabricación y (b) la máquina B sea mejor que A.a media y desviación tfpica correspondientes a los otros cuadrados fueron 17.01.2% de cobre. mientras que la puntuación media de 36 niñas fue de 75 con una desviación tÍpica de 6. ¿Se contradicen los resultados con los del problema anterior? En un examen de ortografía en una escuela elemental.

se toma una muestra cada 4 horas de 200 de las tuercas producidas. 7.95.9.92. ¿podemos concluir que hay una diferencia significativa en la variabilidad de los valores del pH para las dos soluciones al nivel de significación del 0. La desviación típica de resistencia a la rotura de ciertos cables producidos por una compañía viene dada por 240 libras. ?.90 construyendo un gráfico de (c)p V p. Adviértase que en esüe caso solo son necesarios los límiúes de control super.731o ó 3o. una curva de potencia correspondientes al Problema 7. durante los 15 últimos años.05 determinar si el primer grupo do. Investigar la significación del aparente incremento enla variabilidad. Después de introducir un cambio en el proceso de producción de estos cables.93. ?.01 . Representar gráficamente los resultados del Problema ?. En el pasado. desviación típica de las temperatwas anu¡legde una ciudad en un período de 100 años fue de 16" Fahrenheit. (b) (1 -p) y p. En el Problema 7.89. (e ) 0. (o ) Solucionar los Problemas 7 . Construir (a) unacurva OC y (ó) . ENSAYOS EN RELACION CON LA DISTBIBI'CION CHI.90.0f . Para mantener esta calidad de producción. Hallar los límites de control del (a) 99. mediante un nivel de significación del (a ) 0.86. Comparar estos gráficos con los del Problema ?. t¿ ?.87 si las dos mueetras con¡i¡ten de 60 y 120 observaciones respectivamente.8. determinar Ia probabilidad de aceptar la hipótesis de que haya igual proporción de bolas rojas y azules. (d) 0. ?. Alrededor del lVo de las tuercas producidas por una compañía son defectuosas. ¿Concluiría que esto no es común? Explicar.CUADRADO 7. Ensayar la hipótesis de que las temperaturas en esta ciudad presentan ahora menos variabilidad que en el pasado.27 GBAFICOS DE CONTROL DE CALIDAD 7. ?.82. se toma cada 3 horas una muestra de 16 piezas de hilo y se determina la resistencia media. Con la temperatura media del día 15 de cada mes.ores.64 onzas y una desviación típica de 1. (b ) ¿Qué conclusiones pueden sacarse de acuerdo con Ios riesgos de error del Tipo II cuando se incrementan los támaños muestrales? 7 .01.94. . (b) 0. cuando la proporción real p de bolas rojas sea (o) 0. ?.81 .01? CUBVAS CARACTERISTICAS DE OPEBACION ?.25 considerando Ia analogía de bolas rojas y azules con caras y sellos respectivamente. Para determinar si el producto está de acuerdo a estas normas. Con un nivel de significación del 0.27 si se eru¡ayan 400 cuerdas.65.28 onzas. Dos muestras consisten de 21 y 9 observaciones. ENSAYOS EN RELACION CON 7 LA DISTBIBUCION F .05. (c) 0. tienen varianzas dadas por s? : 16 y s2 : 8 respectivamente. Comparar estas curvas con las del ProblenaT . Ia desviación típica de las temperaturas anuales fue calculada como de 10o Fahrenheit.3. Determinar los Iímites de control del (a ) 99% y (b)95% pam el número de tuercas defectuosas de cada muestra.E8.84.91.77 una muestra de 20 bombilta¡ reveló una desviación típica en la duración de 150 horas. (b) 99% sobre un gráfico de control de calidad y explicar sus aplicac¡o- nes.63. En relación con el Problema 7. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION es 263 superior al segun- viación típica de 8.05 y (b ) 0.26 y 7 . al nivel de significación del (a) 0.85.7. Ensayar la hipótesis de que la primera varianza poblacional es mayor que la de la segunda a un nivel de significación del (o ) 0. En el Problema 7.6.cAP. La resistencia a la rotura de una muestra de 8 cables dio una desviación típica de 300 libras.05. Solucionar el Problema 7. un cierto tipo de hilo producido por un fabricante tenía una resistencia media de roüura de 8. (b ) 0. (b ) 0.

99. 114 Vier. I 65 22 a l 10!¡ I LA PRUEBA CHI. 3 4 . 7. se anota su color y se vuelven a la urna.66 C' 16 D y 12 F.100. 10. las puntuaciones dadas por un grupo de profesores en un determinado curso dieron un promedio d. utilizar papel gráfico 30 62 16 l0 . 146 t20 7.40% C. Se lanzaron tres monedas un total de 240 vese observó cada vez el número de caras obtenido. de probabilidad para determinar si los datos del Problema 5. resultados obtenidos son consistentes (. Ajustar una distribución de Poiss<¡n a los datos.e 12% A.se muestran en la Tabla ?-2g.34 8.rrru de 4 máquinas. Mar.r02 utirizando la corrección de yates. (o) Determinar las frecuencias esperadas.CUADRADO 7'102' En 60 lanzamientos de una moneda se observaron 37 caras y 23 sellos.108.100.1'04.107. 3. con un nivel de significación del (o ) 0. Durante un largo período de tiempo. Ensayar esta hipótesis al nivel de significación del 0. 7. Tabla 0 ? -25 I ?-101. Ensayar la hipótesis de que el número de libros sacados no dependa del día de la semana.LB% B. (á) 0. Una urna contienc 6 bolas rojas y B blancas.96. El número de libros sacados de una biblioteca pública durante una semana determinada viene dado en la Tabla ?-22.106. Se eligieron aleatoriamente tuercas de la producción de . 108 Mierc. (b ) 0.103.05.98. Este proceso se repite un total de 120 veces y los resultados obtenidos.l 1 cara 108 bien hechas.01.^ 30 Frecuencia esperada )0 90 3() ?. 7. Juev. 7.254 ENSAYOS DE HIPOTESTS Y SIGNIFICACION Tabla f 0 [car. Número de libros sacados Tabla 7 -27 Lun.Lg?o D y 12% F.05 2 rojo 0 blanco Número de extracciones con Ios esperados. 7 z AJUSTE DE DATOS A DISTRIBUCIONES TEORICAS -24 2 7.0b. Ajustar una distribución normal a los datos del problema 5.105. Se Tabla 7-28 0 rojo 2 blanco 1 rojo 1 blanco 53 si los extraen aleatoriamente dos bolas de la urna. Ensayar la hipótesis de que la moneda está bien hecha utilizando un nivel de significación del (o) 0. Un profesor nr¡evo da durante dos se_ mestres 22 A. El número de defectuosas ""d" fueron 2. solucionar el Problema 7.05 si el profesor nuevo sigue las mismas nornns de puntuación que los otros.0r .gg. (b) Determinar al nivel de significación del 0.g8 pueden ser aproximados estrechamente a una distribución normal. Determinar si existe entre las máquinas una diferencia significativa al nivel dc significación del 0. . Delerminar al nivel de significación de 0. 7. 7 '97 Ajustar una distribución binomial a los datos dela Tabla 7 _24. 7. Ajustar una distribución de poisson a los datos del hoblema 2.05.05. 9. el número de muertos por unidad y año debido a coz de caballo se dan en la Tabla ?-2b. Los resultados aparecen en la Tabla 7-26 junto con las frecuencias esperadas bajo la hipótesis de que las monedas están ces y Tabla 0 caras Frecuencia observada 7 -26 2 caras 3 caras t. . En 10 unidades del ejército prusiano y en un período de 20 años 1875-1894. Ajustar una distribución normal a los datos del problema 5. 6l ?.96 y comparar con el ajuste obtenido utilizando la distribución binomial.

96.112 introduciendo la corrección de Yates. Ia Tabla 7-33 da la relación entre las notas de los estudiantes en matemáticas y física. ensayar la hipótesis de que no haya diferencia entre.99.100.05 y (b) 0. 7. los votos de los demócratas y republicanos registraron los resultados que se observan en. Mediante la prueba chicuadrado determinar la bondad de ajuste de los datos de (c) Problema ?. Utilizar el nivel de significación del 0.06. mientras que a otros se les dio píldoras de azúcar (aunque todoselloscreíonque suspíldoraseranparadormir).112. Mediante un nivel de significación del (o) 0. Dott.110. Posteriormente. ensayar la hipótesis de que no haya diferencia entre los grupos vacunados y no vacunados. (a) Utiliza¡ la prueba chi-cuadrado para determinar la bondad de ajuste de los datos del Problema?.06. Mediante la prueba chi+uadrado determinar la bondad de ajuste de los datosde (o)Problem¡ 7.101.118. IA Tabla 7 -29 muestra el resultado de un erperimenüo para investigar el efecto de vacunación de animales de laboraüorio contra una determinada enfermedad. la vacunación y esta enfermedad son independientes. Suponiendo que todos los pacientes dijeron la verdad. se Ies preguntó si las pastillas habían surtido efecto o no. La Tabla ?-30 muestra el número de estudiantes de cada una de dos clases didos A y B que aprobó y suspendió un examen dado a ambos grupos. ¿Es consistente el resultado de (o ) con el del problema 7 . Sobre una decisión de importancia nacional.113. las dos claees. (b)hoblema 7. Tabla ?-30 Aprobados Clase 7.05 v (b) 0. es decir.05 y en cada caso determinar si el ajuste es "bastante bue.01 y (b) 0.05. Los resultados de una encuesta hecha para determinar si la edad de los conducüores a partir de los 21 añoe.la Tabla 7-32.01. 7. (b) Problema 7. ¿Qué poeiblee dificultades en las t&nicas de muestreo como en otras consideraciones pueden afect¿r las conclusiones? . 7. 7.115. El resultado de sus respuestas se muestra en la Tabla 7-31.111.0ó.cAP.01. A 72 64 t7 23 Clase B 7. Mediante un nivel de significación del (o) 0.116.31 DurmieTabla 7-32 ron bien Tomaron píldoras para dormir 44 No durmieron bien Demócratas 10 A favor 85 118 En contra Abstencionistas 78 61 37 Republicanos 25 Tomaron pfldoras de azúcar 81 35 7. Ensayar la hipótesis de que las notas de física sean independientes de lás obtenidas en matemáticas. De un grupo de enfermos que se quejaban de que no dormían bien.LOg? TABLAS DE CONTINGENCIA 7 Tabla 7-29 Se .(b) ¿Es el ajuste "bastante bueno"? Emplear el nivel de significación del 0. tiene su efecto en el número de accidentes de automóvil (incluyendo todo tipo de accidentes) se indican en la Tabla 7-34.f09.L17.ensayarlahipóteois de que no hay diferencia entre ambos partidos en lo que a esta decisión se refiere.05 V (b) 0. N nivel de significación del (a)0. Tabla 7. medianüe un nivel de significación del (o) 0. 7l BONDAD DE AJUSTE ENSAYOS DE HIPOTESIS Y SIGNIFICACION 265 7. A un nivel de significación de (a) 0. a unos se les dio pfldoraspa¡adormi¡. enfer No se maron 'enferma¡on Vacun¡dos No Vacunados I L7 42 28 ?.ensayarlahipótesis de que no hay diferencia entre las píldoras de dormir y las de aziucar al nivel de significación del 0. Solucionar el Problema 7. Hacer el problema con y sin la corrección de Yates.114.98.01 y (b)0.01 ensayarlahipóteaisdequeelnúmerodeaccidentes es independiente de la edad del conductor.

L23.128. La Tabla 7-35 muestra la relación entre el color del pelo y los ojos de una müestra de 200 estu- Tabla ?-36 resultado contingencia. Hallar el coefieiente de contingencia para los datos del Problema ?. 7'. 20. pero se desconocen las proporciones de boias rojas y blancas en cada una de las urnas.49.11?.117. donde n es la frecuencia total de todas las casillas.121.) 7. se toma una muestra de 50 bolas con remplazamiento de cada una de las urnas. respecüivamente. Si nI y n! denotan. mostrar que la frecuencia esperada para la casilla perteneciente a la fila i y a la columna j es n¡n. 7./n. (o) Demostrar eu€ ¡2 = 2@l/np. señalando las posibles aplicaciones que pueden_tener.LL4.1L2 y (b) Problema 7.122. la suma de frecuencias en la fila ¡ y en la columna j de una tabla de contingencia (frecuencias marginales). Demostrar el resultado (2) det Problema 7.127. COEFICIENTE DE CONTINGENCIA 7. .1 . diantes. Xu) r¡ñY Azules No azules 49 30 8-ó 7. ?.119.125. (b) Con el resultado de (c) hacer el Problema 7.121. Hallar el coeficiente de contingencia sin y con la corrección de Yates para los datos de (o) problema 7. (b) el coeficiente COLOR DE PELO Rubio No rubio 25 96 7.8165aproximada- 7.126. ( sin y con coeficiente de n de yates. discutir las tablas de contingencia h X k X I. ? MATEMATICAS Notas altas Notas altas O CA Notas medias 71 Notas bajas L2 Dt) AO Notas medias Notas bajaa 163 42 38 85 T4 Tabl¡ 7-34 EDAD DEL CONDUCTOR 21-30 31-40 41-50 78s 51 51-60 720 66 16 5 61-70 672 50 RH HE< 0 748 74 82r 60 26 10 oz ÉE I 2 Bg z< 3l 22 6 ID 7 lMásde2 I 7. Dos urnas A y I contienen igual número de bolas.266 ENSAYOS DE HIPOTESIS Y SIGNIFICACIOD¡ Tabla 7-33 lcAP. 7. Por similitud con las ideas desanolladas para tablas de contingencia h X &.¡¡¡. es JUS:0. donde n és la frecuencia total de todas las casillag. Demostrar que el coeficiente de contingencia máximo para una tabla 3 X 3 mente. Demostrar que el coeficiente de contingencia máximo para una tabla fr X k es 1/1t¡ PROBLEMAS DTVERSOS .?r para toda tabla de contingencia.

54. (c) 0.129.6 con una desviación típica de 0.55. El porcentaje de calificaciones A dadas en un curso de física en una universidad determinada durante mucho tiempo fte L0%.23 pzra el Problema 7. Una moneda se lanza 8 veces y se obtienen ? caras. ?.135. el número medio fue de 21.140.001' (d) 0. Construir gráficos análogos a los del Problema 7.48. Mediante un nivel de significación del 0.132 si salen 6 caras.cAP. Con referencia al Problema ?.132. es ahora 8. hallar el menor número de preguntas que un estudiante debe contesta¡ correctamente para que el instructor esté seguro al nivel de significación del (o) 0. 7.141. Comentar los resultados.130.4 con una desviación típica de 0. (c) 0.05 ensayar la hipótesis de que (o) las dos urnas tengan igual proporción de bolas rojas y (b)A tenga una proporción de bolas rojas superior a 8.0Sinvestigarsila marca A realmente es mejor que B proporcionando mayor recorrido por galón. Explicar cómo podría definir interualos de confianza unilateroles y dar una posible aplicación.134. ?.0ó.133.01? Utilizar un ensayo bilateral.132 empleando un ensayo unilateral. (b) 0'01.13g.138. Solucionar el Problema 7.06 de que el estudiante no está contestando al azar.01. ?.140.56 si el 7 en la regla de decisión del Problema 7.54 ?. ?.136. ?. Comentar cómo puede utilizarse la teoría del muestreo para investigar las proporciones de diferentes tipos de pescado presentes en un lago. Con una determinada marca A de gasolina. En eI Problema ?. ?.54. Al nivel de significacióndel 0. ¿Se puede rechazar la hipótesis de que la moneda está bien hecha al nivel de significación del (o) 0. 7.138 ¿hay mayor variabilidad en millas por galón utilizando la marca B que utilizando la marca A? Explicar. Durante un período particular hubo 40 calificaciones A en un grupo de 300 estudiantes. A B Tabla 7-36 I &1 II A2 III dg ó3 'tLg TOTALES ?.05. 7 n¡ ng üt fl1 b2 .05.131. Ensayar la significación de este resultado a un nivel de (a) 0. Solucionar el Problema 7.64-7. Generalizar el resultado del Problema 7.142. Demostrar que para la Tabla ?-36 y2 " n = o(l+ú+"?\ * 2a (u" +ú+ rt2 'tL2 ns/ rr o?) ns ¡\ ?t I \t¿r / -.13?.10. (b) 0. 7. el número medio de millas por galón consumido en 5 automóviles análogos bajo idénticas condiciones fue de 22.l4O para obtener el valor de TOTALES lr2 n .7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 267 dando la de A 32 bolas rojas y la de B 23 bolas rojas. Con otra marca B. (b) 0. 2. Utiliza¡ el resultado del Problema 12 para el Problema ?.4?. Solucionar los Problemas 7. ?. ?.

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

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

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

en cuyo caso todos los puntos-mue_strales están sobre una iecta [esto se demostrará en (26)] y hay una cotelación y regesión lineal perfecta. PARABOLA DE MINIMOS CUADRADOS Las ideas anteriores se amplían fácilmente. Í: También es de interés notar que si las dos rectas de regresión (f 6) se escriben como y c * dy respectivamente.\(U_.\ssi trul En vista de que (r . tipificados.3) : a e¡) v-g : . REGRESION Y CORRELACION 26r Uz) n-n = >(=o)t'=. .ú)" ora 2(r . Ias rectas de regresión de mínimos cuad¡ados de y sobre den escribirse respectivamente como _ r y de r y pueUt+) u-ú=$t*-*l S¡u. x y x2 respectivamente.ú)/s" y (U . Es lógico que las dos rectas en (l e¡ ron diferentes al menoJ eu€ r = + 1.U)/s" son valores muestrales.I.i)2. Por ejemplo. .cAP. si : 2(U . página 82] . entonces bcl -_ t2 * b3c. 8l CURVA DE AJUSTE. Ios resultados en (16) proveen unaiorma muy simple de récordar las rectas de regresión.¡l@-u\ 2(u . (17) Hasta ahora no hemos considerado la significación precisa del coeficiente de conelación sino so' lamente lo hemos definido en términos de las va¡ianzas y covarianza. RECTA DE MINIMOS CUADRADOS EN TERMINOS DE VARIANZAS Y COVARIANZAS MUESTRALDS Las varianzas y covarianzas muestrales de r. "-.(* o\ 8u\s"/s.a\' \'| Debe notarse que en general (12) no es la misma recta que (8). En la págrna 263 se dará la significación. -s "" n-n n Q3) sobre En términos de éstas. y están dadas por )(c .= entonces (14) puede escribirse como l'\ ry : .Ú) )¡ _ .laparóbola de ¡nínimos cuadrados que ajusta un conjunto de puntos muestrales viene dada por ?l = a*br*cr2 (f8) donde a. n-r:rrt@-ü S¡ Sy Si formalmente definim os el coeficiente de correlación muestral por Icomparat (54). b. c se determinan de las ecuaciones normales 2u : na-tb)*+c2n' Zr'u : a2r +b>r2*c)rt 2*"u -' o2*" +¿r>#+c}ra (19) Estas ecuaciones se obtienen formalmente sumando ambos lados de (18) después de multiplicar sucesivamente por 1.(Y.

Por ejemplo. por la recta de mínimos cuadrados en términos de la varianza v del coeficiente de correlación como s?. obtenido de la curva de regresión de y sobre r.8 REGRESION MULTIPLE Las una ces busc hay ás variables. Si r es la variable dependiente una ecuación semejante se llamarú ecuación de regresión de x sobre y.r €l valor estimado de y para un valor dado de ¡. x.r)2 (22) r. c en (20) de modo que que (20) lz = tmtb)r+ "2a 2*. (25) de donde incidentalmente se deduce como corolario que r2 _ El error típico de la estima tiene propiedades análogas a esas de la desviación típica. representa un plano en un sistema de coordenadas rectangulares tridimensional __Puesto se llama con frecuencia plano de regresión Pa¡a hallar el plano de regresión de mínimos cuadrados determinamos o. si construimos p¿ües de rectas paralelas a la recta de iegresión de y sobre r a distancias vertióales te. ' Estas ecuaciones. n¿viértase qúe pueden obtenerse formalmente de (20) multiplicando por L.23."t)z = 2¿2. la cun¡a de o de la estima.2.: que se llama el error típico de pleó en la definición de la págin mínimos cuadrados tiene el más En el caso de una recta de regresión lest > (g/ n u". ó. Genetalizaciones a más variables.denotamos por U".. y. llamadas las ecuaciones normales correspondientes a (20). como se emtodas la.-' perficies de regresión en espacios tridimensionales y superiores. entonces una medida de la dispersión con respecto a la curva de regresión está suministrada por la cantidad sg. se obtienen como resul- ERROR TIPICO DE LA ESTIMA Si. por ejemplo. se hacán fácilmente. puesto que >(A U. incluyendo ecuaciones lineales y no lineales conducentes a s¿.s curvas de regreéión posible. debemos hallar si n es lo suficientemente grande para que estén rectas alrededor del 68%. = o2r +b>12*c)ry 2u" : "2u + b> ry 1. tenga la forma (20) z = a*br+cy Esta se denomina ecuación de regresión de z sobre r.c)y2 (21) tado de aplicar una definición análoga a la de la página 2sg. : a* br. . si creemos que dos variables inaependi"áfus y.96% y 97% de los puntos muestrales res. z. esto es -1 < r < 1. REGRESION Y CORRELACTON lcAP.' : f"(L-r') Í l..262 CURVA DE AruSTE. entón". con a y b dados por (4). y respectivamente y sumando. tenemos (23) (24) También podemos expres¿u s.

2 en cambio de n en el denominador. Este está dado por 3r2.) . La fórmula (29) se conoce como la fórmuln producto-momento para correlación lineal. Al tratar de hacerlo notemos que de (25\ V las definiciones de sy.x"l(E (32) a. Fórmulas equivalentes a las anteriores. Por esta raz6n algunos estadísticos prefieren expresar (22) con n . La primera sunra a la derecha de (27) se conoce como la uarincíón no explicadc. r : + 1...r s€ comportan en una manera aleatoria o impredecible en tanto que las desviaciones /esr .1) igualmeninsesgada del cuadrado del error típico de la estima. Si la variación total se explica totalmente por la recta de regresión.2). te hay una estima Las anotaciones anteriores se modifican fácilmente para Ia recta de regresión de r sobre cuyo caso el error típico de la estima se denota por s¡ r) o para regresión no lineal o multiple. si 12 : L í.(>rX>y) (3r) ra-ra (? .r7 se explican por Ia recta de regtesión de mínimos cuadrados y así tienden a seguir un patrón definido. y sy tenemos )('?-U""')' D2 = r Entonces podemos demostrar que (véase Problema 8. En Ia práctica la cantidad 12. mientras que la segunda suma se llama uariación explicadn.. algunas veces llamada coeficiente de determinación./(n .INEAL Hasta el momento hemos definido eI coeficiente de conelación formalmente por (I5) pero no hemos examinado su significado. es decir. y (en COEFICIENTE DE CORRELACION I. 8l CURVA DE AJUSTE.. Se deduce de (26) y (27) que (28) Por tantc 12'puede interpretarse como la fracción de la variación total que se explica por la recta de regresión de mínimos cuadrados.*-u)' (27) La cantidad a la izquierda de (27) se llama la uariación total.24) (26\ 2@-ü' = 2ta -?/". En otras palabras. Esta terminología surge debido a que Ias desviaciones y -U. decimos que hay una correlación lineal perfegta (y en tal caso también regresión lineal perfecüc)..cAP. r mide qué tan bienla recta de regresión de mínimos cuadrados se ajusta a los datos muestrales. REGRESION Y CORRELACION 263 Así como hay una estima insesgada de la varianza muestral dada por 3t : nsz/(n . : nsl . que se utilizan en la práctica son M n2ry . De otra parte si la variación total no se puede explicar.. entonces la variación explicada es cero y así r : 0..)2 * 2(u. se encuentra entre 0 y 1. El coeficiente de correlación puede calcula¡se de cualquiera de los resultados Sru S¡ Sv /t6=w\/t6 )(¡ - ¡)(u -a\ -nP (2e) o (30) que para regresión lineal son equivalentes.

. es ilógico utiliza¡ un coeficiente de conelación lineal donde los datos no son lineales. suponga que se aplica (29) a datos no lineales y se obtiene un valor que es considerablemente menor que 1. puede existir vna gran correlación no lineal. denotado por rgrad o sencillamente r. (31\. es derivada en el Problema 8. . si utilizamos (30) para obtener r debemos aplicar el signo apropiado. Utilizamos (35) para obtener coeficientes de correlación no lineales (que mide qué tan bien se ajusta unz cun)a de regresión no lineal a los datos) o. importancia. y se clasifican de tal forma. COEFICIENTE DE CORRELACION GENERAL I ZADO La definición (29) [o cualquiera de las formas equivalentes (3/) a @ )l para el coeficiente de conelación incluye solamente valores muestrales r. hallamos n2n'y'.36. Sin embargo. (8t) El coeficiente de correlación lineal puede ser positivo o negativo. y. k = A.264 CURVA DE AruSTE. . los datos pueden clasifica¡se en orden de tamaño. Entonces la conclusión a extraerse no es que hay poca correlación (conclusión algunas veces alcanzad. Sin embargo. y (86) : n: diferencias entre las clasificaciones de los conespondientes número de pares de valores (r. n. etc. esüá dado por rs¡ad donde d 6>d L-i@r_l) = .a pot aquellos laicos con los fundamentos de la teoría de correlación) sino que hay poca correlaciín lineaL En efecto. por generalización apropiada.()r')()y') (83) que indica que r es invariante bajo una traslación de ejes. REGRESION Y CORRELACION [cAP. En particular. donde coincide con (30). y) en los datos ción graduaL La fórmula (36). En consecuencia da el mismo número para todas las formas de curvas de regresión y no es útil como medida de ajuste.2. (33) o (34). empleando los números t. coeficientes de correlcción múltiple. o cuando la precisión no puede obtenerse. CORRELACION GRADUAL En cambio de utiliza¡ valores muestrales precisos. excepto en el caso de regresión lineal. 8 Si utilizamos la transformación (9). Si r es positivo y tiende a aumentar con Í (la pendiente de la recta de mínimos cuadrados es positiva) en tanto que si r es negativo y tiende a disminuir con r (la pendiente es negativa). si lz : ñ. esto es 12=: (85) refleja la forma de la curva de regresión (vía y*t) y de este modo es apropiada como la definición de un coeficiente de correlación generalízado r. L'a conexión (25) entre el coeficiente de conelación y el error típico de la estima es válida para corelación no lineal. r. Puesto que un coeficiente de cortelación simplemente ¡ride qué tan bien se ajusta una cun¡a de regresión (o superficie) a los datos muestrales. el coeficiente de conelación gradual. Sin embargo. Si dos conjuntos correspondientes de valores. El signo se toma en cuenta automóticamenüe si empleamos el resultado (29). la última definición. página 260.r. . (33) se convierte en 2'r'a' (2x'2)(2y'2) que comúnmente se emplea en computacion. se denomina fórmula de Spearman para la conela- . (32).

La conerión se implementa introduciendo las variables aleatorias X. (40'¡ . entonces existe una curua de regesión de mínimos cuadrados de Y sobre X con la propiedad (37).cAP. dada por (88) u = s(n) = E(Y lX=c) siempre y cu-ando X. Y pueden representar las estaturas y pesos de adultos en una población de la cual se extraen las muestras. Y que toman log diferentes valores muestrales r. 8-7: Si Anotaciones análogas pueden hacerse para u¡ra curua de regresión de mínimoe ctndradoe de sobre Y. y respectivamente. es lógico de las anotaciones anteriores preguntar si hay una función g(X) táI que E{ÍY . f tengan una varianza finita. como el de la Fig. Al escoger una muestra diferente. . En tal caso (37) se remplaza por X E{ÍX diferentes en general. como se define en ia página 83.s(Xl)'} = un mÍnimo (sr) Una cun¡a con ecuación y : g(r) con la propiedad(37) se lla¡na curua de regresión de mínimoa cuadrados de Y eobre X. Entonces se supone que X. Cada diagrama de dispersión resultaría en una recta o curva de regresión diferente.8l CURVA DE AJUSTE. /(. Lasdoscurvasderegresióny=g(rl. aunque esperamos que las düe¡encias no sean significantes si las muestras se extraen de la misma población. 8-1. Por ejemplo X. de dos variables aleatoX. y). rias Dada la función de densidad conjunta o función de probabilidad. que E'(Yl X = rl es la esperanza condicional de Í dada X = x. f(x.r. Tenemos el teorema siguiente: Teoreru Nótese & y son variables aleatorias con función de densidad conjunta o función de probabilidad f(x. Del concepto de cun'a de ajuste en muestras pasamos al de curva de ajuste para la población de donde se tomaron las muestras. entonces la cun'a de regresión de mínimos cuadrados de Y sobre X es una recta de ¡eg¡esión dada por (3e) donde representa el coeficiente de conelación poblacional. y). es una representación gnífica de los puntos de datos para una muestra particular. y son variables aleatorias con la distribución normal bidimensional.¡= h(y)son Un caso interesante se presenta cuando ta aistribución conjunta es la distribución normal bidimensional dada por (491. según si se consideran discretas o continuas. un diagrama de dispenión algo diferente se obtenüía generalmente. Entonces tenemos el teorema siguiente: Teo¡eru 8-2: Si X.E(XIY = y). La dispersión de puntos alrededor de una recta o curva de regresión indican gue para un valor particular de r hay realmente varios valores de y dist¡ibu¡dos drededor de la recta o curva Esta idea de distribución nos eonduce naturalmente a la realización de que hay una conexión entre curva de ajuste y probabilidad. y). o aumentar la original. fÁgna 118. Y tienen una función de probabilidad conjunta o función de densidad. REGRESION Y CORRELACION 266 INTERPRETACION PROBABILISTICA DE LA REGRESION Un diagrama de dispersión.h(Yll'l = un mínimo y(SS) seremplaza porr = h(y)-. Y.

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

8 : to estimado de la ecuación de regresión muestral. Ensayo de hipótesis para valores medios predichos. Ensayo de la hipótesis p * 0.m (ao- úor\Ñ @a¡ tiene una distribución de Student con n . REGRESION Y COBRELACION 267 tiene una distribución de Student con n .2 grados de libertad. fo = E(YIX = co)]. Denótese por ¡lo el valor predicho de y conespondiente i f : ts estimado de la ecu¡ción de regtesión muestral.(i#J aproximadamente tiene una distribución normal con media y desviación típica dadas por (50) -Zt" /1+p\ *.cAP. = 1. De aquí pueden hallarse los tes de confianza para valores medios poblacionales predichos..8l CURVA DE A'USTE. 2.1618"". 1. lo = a * bxs. Denótese por üp elvalormedb predichodey correspondiente a x = Ío para la población [esto es. Para p + Ola distribución es sesgada.46. 3. Denótese Por Jp el valor predicho de y conespondiente 2. 2.. .ffi @o- a"\{n-2 Urr¡ tiene una distribución de Student con n . Véase Problema 8.49 y 8. La transformación (60) se llama transformación /1+p\ I o/' ". Aquí utilizamos el hecho de que el estadístico z =*r"(i+) = r. lími TEORIA MUESTRAL DE CORRELACION Con frecuencia tenemos que estimar el coeficiente de correlación poblacional p a partir del coeficiente de correlación muestral r o ensayar la hipótesis relacionando a p.2 grados de libertad.50. lo : a * bxs. Esto también puede utiliza¡se para hallar inten¡alos de confianza p¿ua coeficientes de regresión poblacionales de los valores muestrales. es decir. En el caso de que p = O esta distribución es simétrica y se puede utiliza¡ un estadístico con distribución de Student. Ensayo de la hipótesis p = 0.44. Entonces el estadístico t- su.43 y 8. es decir. Denótese por Jo eI valor predicho de y correspondiente o. Véase Problema 8. Í : Ís para la población.er. Véanse Problemas 8. = ffi - (51) Z de Fish.'\[+Fi.45.47 y 8. Entonces el estadístico t- ú- ru. De esta ecuación se pueden ha' llar límites de confianza para valores de población predichos. Véanse Problemas 8.Para este propósito debemos conocer la distribución muestral de r.2 grados de libertad. Ensayo de hipótesis para valores predichos. Los ensayos siguientes resumen los procedimientos involucrados. Véanse Problemas 8. En ese caso una transformación debida a Fisher produce un estadístico que aproximadamente tiene una dishibución normal.48. Aquí utilizamos el hecho de que el estadístico f = rl/n-z \/fr (+s¡ tiene distribución de Student con n - 2 grados de libertad. (i=/ : 1'1513 tos'o(1 Estos hechos pueden también utilizarse para hallar los límites de confianza para los coeficientes de correlación.

ozr-2. Si X representa los s¿larios anuales de los profesores en tanüo que Y representa la cantidad de crímenes.Zrpzr-2.¡r ) es la pen- . Por tanto (1) A2 = aibr2 u-a1 = @*br)-(a+b*t) (2\ .yt)lfz . Se¿n X.1. diente de la recta. ). Una recta pasa por los puntos (xr. sabemos (Teorema 3-15. Aquí hay una independencia directa enüre X Y.268 CURVA DE AJUSTE. Es importante acla¡a¡ que "correlación" y "dependencia" en el sentido anterior no necesariamente implica una independencia causal di¡ecta de X y Y. y2 ) son puntos sobre la recta yt = a+bn1.)w-. lt ) y ( rr.(.t [.1. Significado de una diferencia entre coeficientes de conelacion..s resueltos NECTA DE MINIMOS CUADROS 8. = Y nr- n^ = nt-3' nz-B (53') disbibuye norma[mente. podemos utilizar una ecuación de la forma de (39) pata predecir el valor de Y a partfu del valor de X. Demostrar = que la ecuación de la recta es U-Ut tenemoe (Ty. ozr-2. La consüante b : (yz . Véase Problema 8. Y tienen un coeficiente de correlación diferente a cero. CORRELACION Y DEPENDENCIA Si dos variables aleatorias X. Problerna. Pero diffcilmente diríamos que hay interdependencia düecta entre X y Y. Además. 8 3. yr ) V @2. su distribución conjunta no se factoriza en sus distribuciones marginales). y 22 conespondientes a y rz utilizando (50).@ se mueetra en la Fig.b(r-r-1\ Í2trt Uz-Ut . Esto se demuestra en los ejemplos siguientes. y.lLzr. eI coeficiente de correlación puede eer diferenüe de cero y podríamos halla¡ una ecuación de regreeión prediciendo una variable de la otra. REGRESION Y CORRELACION [cAP. EJEMPLO 8. el resulüado se deduce. EJEMPLO 8.yt)l@z .a*br)-(a*br1l = b(r2-r1l Obteniendo que b : (yz . 8-5. Luego utilizamos el hecho de que el estadístico Zr. cuando p + O.51.11 ) de (2) y (l pedido sustituyendo en ). página 82) que son dependientes en el sentido de probabilidad (esto es. (521 donde se Itzr-|. calculamos Z. Y variables aleatoria¡ que representsn eetaturas y pesos de individuos.a ecuación de una recta es ! : a * b*. = Pzr. rt y nz respetivamente difieren Pa¡a determinar si dos coeficientes de correlación rr y tz extraídos de muestras de tamaños n1 apreciablemente entre sí. Entonces ya que (¡r. La gÉfre de la recüa .2.

7). (8. para la recta de mínimps cuadrados.. Refiriéndonoa a la Fig. 3 2 4 6 4 891114 o a t).. Ya que # = >f.. (b) Í como variable dependiente. Entonces el Problema 8. Para un método que eümine la ne' eecidad de juicio individual. dn = a*bxn-yn Fis. 2ra = a2r*b2r2 como 8e pedfa.1 ) y (72. escójarrse dos puntoe cualesquiera sobre la recta. 8) y (14.(4..3.t"*br-y\z = # = I$r" *br-y)z : obtenemos )2(a+br-ul 2zr(a*br-al 0 )("+ br-y) 2a = an*b)n 0 )r(o* bx-ul - es decir.642r. (b) Para obtener la ecuación de la recta construida en (o). 2).os valores de y sobre la. por ejemplo.4.rfnSOn a*bry albr2. r como . tales como P y 8.8l 8. vé¡ee Problema 8'4 que emplea el método de mfnimos cuadrados. 4). Ajustar una recta de mínimos cuadrados a los datos del Problema 8. Derivar las ecuaciones nonnales (4). f. aFlab = 0. Las coordenadas de e¡tos puntoa tomadoc de la gráfica eon aproximadamente (0. . (o) Dibujar loe puntos (1. (11.cAP.b) = l(o * br .4\.1 . I 4 8 I Una rect¿ que se aproxime a los datoc se dibuja a mono olzada en la figura.tl' a-r =ffiO-l. Una condición ó mfnimo (o un máximo) es necesaria para que esto sea un que aFlaa = O. 9) sobre un ¡istema de coordena' das rectangulares corno se muesha en l¡ Fig. F(a.2 utilizando a (c) variable independiente. (3.61. Puede demostrarse que eetas realmente resultan en un mínimo. REGRESION Y CORRELACION Tabl¿ 8-1 ü u 1 269 (c) Construir una recta que se aproxime a los datos de la Tabla 8-1.542r ó¡ U=l+0. 8.g¡2. 6). 12. es decir. 8. dz: albr2-9". 8-6 . (9. albnn Las dewi¡¡ciones verticales correapondientes son dt = a*br1-yt.. (6.7 . E-7 Entonces la suma de loe cuadrados de las dewiaciones e8 a?+ a3+ "' + dl = (a4'br¡-at)z * (a*br2-Uzl2* "'* (a*bnn-An)2 >d2 : )(o+br_y¡z Esto e¡ una función de o y b. página 260. recta de mínimos cuadrados conespondientes a 11. 8-?. (b) Hallar una ecuación para esta recta. 6 y-l=0.rA' ")t)'6"' Fig.2. CURVA DE AJUSTE.. 8-6.

(56X364) lt ó0'545 = 6 --lE f8-i6 g=w =qffiffiá#l )c = cnld)y = frao.r.()r)()ry) = (40)(524\ .oso (b) Si se considera a r como la variable dependiente y a y como la variable independienüe.50 d- - = 1. yla rectade mínimoecuadradoopedida es S t + lrx 6 U = 0.50. Otro método.)ru) c=ffi==-0.sz El trabajo involucrado en el crilculo de las sumas puede ordenarse como ae indica en lá Tabla 8-2. Nótese que esta no es la recta obtenida en el hoblema 8.60 .636 r. se ha agregado a la tabla para emplearla en la parte (b).636. Aunque la última columna no se necesita para esta parte del problema. t¿s ecuaciones normalee son )Y: 2ru: an*b)r a)r*b). la ecuación de la la recta de mínimos cuadrados es ¡ : c * dy. las ecuacionee normales se convie¡ten en dedonde c=-* ó -0.8 (o) La ecuación de la recta es y : o * b¡.546 + 0. n lizando el método a mano alzadt.Ga)(. a = ()y)()r2) .545.CURVA DE AJUSTE. Tabl¡ t-2 i 1 a 12 nu 1 a2 I 2 4 4 6 a 3 I I 16 36 64 81 I 4 6 4 6 8 16 24 40 63 88 l6 l6 25 49 64 81 I 11 8 Lzl 196 l4 I 2v=40 t26 524 )r=56 2r2 = 2ry = 364 2a2 - 266 : 8 y lias ecuaciones norm¡les se convierten a 8o*56ó = 40 56a*524b = 364 Resolviendosimultáneamente ¿=il ó0.50. b=+ ó0.2 utiPuesto que hay 8 pares de valores de. las ecuaciones normales son 2ru = c2y*d2a2 Entonces utilizando la Tabla 8-2. REGRESION Y CORRELACION [cAP. d=9 ó 1. y. 8c*40d = 56 40ci256d = 364 Estos valoree también pueden obtenerse de ()rx)sz¡ .

500*1. REGRESION Y CORRELACION Por tanto la ecuación pedida de la recta de mínimos cuadrados es r = 0. La recta obtenida en la parte (b) se llama la recto de regreeión de x eobre y. la recta de mínimos cuadrados puede escribirse como Q) Caso que muestra que la recta pas¿ por el punto (á. U = 0'646 + 0'636(12) = g'Z' (c) Al remplazary:3 enlarectaderegresiónde¡ sobre a. lo cual es un¡ indicación de que los datos están muy bien descritos po¡ una relación lineal.333 * 0.ha*+É.: L2 en la recta de regresión de y sobre n. de la recta de mínimos cuadrados I¿ ecuación es (f Una ecuación normal para la recta de mfnimoa cuadrados es (21 2U = Al dividir ambo¡ lados de (2 ) por n da a-ú = b@-n) = o I br an i D)r (t) A = a * bn ) U Reetando (3) de (I ). mfnimos cuadrados puede eecribirs€ como hocediendo como en el c¿¡o 1 intercambiando r.Í.636 r o. remplazando las constantes o. ú). (o) Demostrar que las dos rectas de mínimos cuadrados obtenidas en el Problema 8.6. y E=-t+*y.6. . 6) se encuentra en la recta U = 0. Caso 1. hallamos que la recta de (5) que indica que la recta pasa por el punto (4.60 + 1. ¡ ¡=-0. = tllu-úl Nótese que en general. d respectiremen' üe.6)seencuenhasobrelarerfar=-++$y.7.8l CURVA DE AJUSTE.636¡. Demostrar que una recta de mínimos cuadrados siempre pasa por el punto (i.546 * 0.6).333 + 0'667 ¡' que no ee l¡ mi¡m¡ rect¡ 8.fi).66? r 8 6 1 u= 0. 2.4.60 * 1. ti). Representar gráficamente las dos rectas obtenidas en el hoblema 8. 0. se utiliza para estimar r para valores dados de y.636 ¡ 2 0 6tl012 Fig. Nótese quelas dos rectas en e¡te caso prácüicamente coinciden. [¡secuacionee delaedosrectassona= llamos 8. pueeto eue6=*+t(?). {. Por üanto la¡ rectas se interceptan en el punto (?..8-8 8. Ot¡o método. ¡ = 7 .ú). es (7. Lar gróficas de l¡s dos rectat. (b) Estimar el valor de y cuando x: L2. (c) Estimar el valor de ¡ cuan' doY: 3' -2a40 a=T=¡-=o Luego el punto (6.50y. ¡ es la variable independiente.pue¡üoque7=-*+*(6).E. b por c.546 + 0.Resolviendoeimultánesmente.8. se indican en la Fig. F = -0.50(3) = {.4 intersectan en el punto (.9.60 y.546 f 0. La recta obtenida en la parte (o ) se llama la recta de regre' eión de y sobre r y ce utiliza para estimar y para valores dados de r. pero ¡e intergectan en (a. y : 0. las rectas (¿) V (S) no coinciden.úr.cAP. más exactamente. llamedo el centroide.! :5. (o) El punto (?.Elpunto(?. (b) Al remplazar x. y. r-ñ f). y es la varirrble independiente. - 0.60y t2 10 = y= e. Nótese que al solucionar esta ecuación para y obtenemos y obtenida en la parte (o).5). U = &* Lrrr.60+1.

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

8-9. Tabla 8-3 Estatura r del padre (pulgadas) 65 63 67 64 68 62 70 66 68 67 69 7L Büatu¡a y del hijo (pulgadas) 68 66 68 65 69 66 68 65 7t 67 68 70 (o) El diagrama puntor (r.88+r. 8-9.476. y ) sobre un sistema de coordenadas rectangulares como se muestra en la Fig.82 + O.418 Zny = 54.476x.ae sumas se muestran en la Tabla 8.086/___V (b) f. (c) Hallar la ¡ecta de regresión de mínimos cuadrados de r sobre y. 72 de dispersión se obtiene dibujando los r = _8. &11 La Tabla 8-3 muestra las respectivas estaturas lc.4.9 ya que 2fr' = l(c-t) y análogamente = 2r-nñ = 0 ly' = 6.y deuna muestra de L2 padres y sus hijos mayores.82 y b = 0.197 )92 = 64. . (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r.8l CURVA DE AJUSTE. La gráfica de esta ecuación ¡e muest¡a en la Fig. REGRESION Y CORRELACION 273 Se deduce inmediatamente del Problema 8.L07 de donde hallamoe o : 36. 6t E-9 ?0 72 Estatura del padro (pulgadas) Tabla E-4 g t)o a 68 66 68 65 69 66 68 65 t2 4225 3969 4489 4096 üa 4420 4158 4624 4356 63 67 64 68 62 70 66 68 67 69 7L 4566 4160 4624 4225 4624 3844 4900 4356 4624 4489 4761 6041 4692 4092 4760 476L 4356 4624 4226 6041 4489 4290 4828 4489 7l 67 68 70 4692 4970 4624 4900 )c = 800 ly=8u lcz = 63. 62 62 6{ 66 Fig./ €70 6 !a 2a'= an * ólr 2ra .a2n*b2n2 [.418b = 64. de modo que y :96.a recta de regresión de y sobre r está dada por y = a + b*.cAF.849 . de modo que lae ecuaciones normales se convierten en 9oe 2? 666 864 É¡ E 12o*800ó:811 800o*63. donde o y b se obtienen resolyiendo las ecuaciones normales. (c) Construir un diagrama de dispersión.

11. se convierten en -f SLld = 800 64.12s¡z _ _s.036.Iagráficadeestaecuaciónse Otro método. = delascualeshallamosc:-3.6?.849d muestr¿ en la Fig.68. - (>¡XI=y2l.12.036y.á).(lyX>ay) n2yz .274 Otro método.5) - (10)z = 0. b = dada por ry# = 0.dondecydseobtienensolucionandolas 2a = cntd. u =7*68 = -**68 = IZ-LZ = b(u. .58 n I¡ =7*68 = -**68 = 66. - 68 tenemos r. aparte de los enores de redondeo. y ( los números restados de r tee).476u u . y. 8-9. esto ee a = 36.86 * 0. Réstese un valor apropiado.9.476 También ya que &' = ú .L07 E1lc#54.2y 2uY = c2Y*d2Y2 L2c Utilizando las sumae en la Tabla 8-4. Por tanto 6?.asfque¡:-3.38. Esto nos conduce a la Tabla 8-5.d=1. y de y podrfan ser diferen- Tabla 8-5 & g' 0 l'2 t'U' 0 10 0 0 4 -3 -6 I 26 -2 0 -l -4 0 I 16 0 0 -6 2 -3 I -2 0 12 0 I I 4 0 9 36 4 4 L2 0 t) -2 0 -3 3 0 0 I 1 -l -1 I 1 I 0 I 3 0 2 0 4 I 2r'2 = lO6 6 )¡t = -16 De la tabla hallamoe b 2a' = -6 2rtg'- 47 2a'2 = 4l = U' -3l (12)!47). CURVA DE AJUSTE.38*1. 8 "= (c) ecuaciones normales I]4ff de¡ sobrey viene = 85. REGRESION Y CORRELACION lcAP.82. = ú - 68.ú de acuerdo con el Problema 8. .11 utilizando el método del Problema 8.476(n-66.07) 6 ecueción de regreeión pedida de y sobre x ea a . De una manera análoga podemos obtener l¡ ecuación de regreaión de r sobre y.g8.68 = 0. de r.67. = ñ .4?6 Larectaderegresión x:c* dy.68. por ejemplo 68. ¿ = n>r!: (>!)l?nl = n2a2 .086 8. (12X106) (-16)f. Solucionar el Problema 8.()y)2 1.

(c) EstimarPcuando V = 100.3019 6.2976 )r = 11.66L7 2. P de Ia Tabla 8-6 y también indica los (l ) son 2a = on*ü)¡ de las cuales 2ry .4Ou. C=1. n.b:-'1.40= lb/pulg2.a2r*b2r2 4. la última ecuación puede escribirse (r) U = oibr donde¿:logC.7348 1.8309 t.000. tenemos tomando logaritmos de base 10 cálculos involucrados en eI cómputo de la recta de mínimos cuadrados (l ).20-1.20.2 t9.9479 2.7 28. Tabl¿ 8-7 s = logV L.0095 3.40.8l CURVA DE AruSTE.4 37.7858 1. a = ()y)()rz)-(>rX:g¿l _ n2"2-1>n\z . La tabla 8-6 da valores experimentales de la presión P de una masa de gas dada correspondiente a varios valores del volumen V.7943 4.0043 12 ra 3.2077 3.6 194. REGRESION Y CORRELACION 276 ECUACIONES NO LINEALES REDUCIBLES A FORMA LINEAL 8.0 pulgadas cúbicas. Tabla 8-6 Volumen V (pul3 ) 54.20-l. Entonces P=antilog1. y conespondientes a los valores de V.6946 1. obtenemos un punto que se dibuja en el popel log-log construido especialmente como se muestra en la Fig.9294 2. Solucionar el Problema 8. (c) Hallar elvalorde y y C.8543 =-1.3 61. 8. y y= logP=4.074L 2.(b) Escribirlasecuacidnes que¡elacionan aPy V. (c) CuandoT=100.20=logCy (b) Pvt.0 10. La Tabla 8-? da los valores ¡.40 Luego Y = 4. debe existir entre las variables.14.2340 2.5 72. .2ry .4 118.1 lu = 8'7975 b )12 = 23.40.to = 16.13 dibujando los datos en un papel logJog.40(21 =1.859? A = logP 1. 8-10. Las ecuaciones normales qorrespondientes a la recta de mínimos cuadrados logP = logC-ylogV logC ó logP*ylogV: Tomando log I/: x.2 PVt = C.6953 (o) Puestoqueo=4.cAP.0350 3.8 49.6762 1.2833 1.ffi¡af'=-1. De acuerdo con los principios de la termodinámica una relación de la forma PV.0059 2xa - 16. r=logV:2 25.4533 1.6 88.1 Presión P (lb/pul2 ) Ya que 6r.()rX>u) 6=-ffi.60X104 y y=1.4685 3. = C.40=-y.2878 2.0997 3.13.log P : y. Para cada pareja de valoree de la presión P y el volumen V en la Tabla 8-6.7910 1. donde y y C son constantes.

Por ejemplo cua¡do V: 100.2.4. (r*uzl. . . of bur*wl l¡¡ de¡vir¡cionee de. Pa¡a obtener ¿ ¡e nece¡it¿ un punto sobre ce8 l¡ recta.276 CURVA DE AJUSTE. .4 logV = 4. Ir grifflca re¡ult¡¡te muerb¡ que hay una relación li¡eal entre log P y log V que puede repreeentarre por l¡ ecu¡ción logP .. Entoncee lo¡ veloree de y ¡ob¡e moc cr¡¡dr¿dor cotrec¡rondieatet a a1. . .16. REOBESION Y COBRELACION [cAP. logPTlle . . (nn. e2.?"-al' dc = o*bu21-cú-!2. prigina 261. re de numéric¡rnente por l¡ relación-de la longitud AB a le longitud AC. Enton4. [¡ medida en este e¡¡o indica que D = -1.2 a = logP-ülog7 = lo926*1.¡ U¡ ertfa dadar por dt = qtbx¡Ic¡.4.4 los100 = l..2.. y PVtl = 16O00 PARABOLA DE MINIMOS CUAI)BAI)OS E. P: 26 de la g¡lfic¿. U = a*ba*crz l¡ pa¡óbol¡ de mfni- Se¡n lo¡ puntos mue¡t¡alec (a¡Ittl.. que er negatlva en e¡te ce!o.8-r0 150 ¡00 ú t00 También ¡e indica un¡ rect¿r (dibujada a mano alzada) que re aprorima a eeto¡ puntos. Por t¡nto albn2*ct/.) d^ = o*üc"lorl-t^ y lrr ruma de lo¡ cuadrado¡ de le¡ de¡viacionee eotá dada por )¿t = )(o+ bxlca2-t)1 .8 l0 ú' 3o {0 ü.1rn ¡on olbr¡lcu!. . m 60 so r00 Volumen Y '{l Fig.!nl.o*blogV ó g = o*bn Ie pendiente D. Deriva¡ las ecuaciones nomales (I9).a)(2) = de modo que logP* 1. .Ut U2.a*(1. para la parábola de mínimos cu¿dradoo. .

8 7.2ll0rt .L6 6470.8 4.66 259.96 96.6 2.8 4.27 1.42 291. c = {).o3to*óc*cr2-a)2 = )2(o+br*crr-a) k = )*a{o*br]-cnz-u)2 = 2Zr(a*brtcü2-a) aF :d. c.8 7.O.9 7.8 r87.8 3.20 c = 48.0 7.7 4. e¡ decir 277 F(o.00 Puecto que n (2) Reolviendo.58 4.79 s32.8r 2n2g I¿= 42.9 9.588 de mfnimoq cuadrado¡ pedida tiene l¡ ecr¡¡- .70 38.92c : 1449. págin¡ 261.22 rzy 6. lar ecurciorÉ¡ norm¡ler (I ) rc convierten en 8a I 42.8 2.46 254t.36c = 230.93 342.6 5.6 a I bx * cr2 a los datos de la t€ D. ? = )f.00 2.4 2r2 - Ic3 = 2276.6 9.cAP.73 5.44 3.41 73.28 38. 8.40 10.9 7. Ajustar una parábola de mínimos cuadrados de la forma ! Tabla 8-8.2 )u= 46.20 18.2 1.2r2].t"+ bx-tcr2-a\2 = )2rz1a*bnlcrz-a) Al eimpüficar cada un¡ de eeta¡ BurnaE e a^F^a¡'^dF dF od igualÁndola a cero 8e obtienen la¡ ecuacionee (I9).48 19.2 6.82 4t.2Ob+2275.1 12.91 636.19 36?.2 6.42 - - 1449. b = : 2.2a*2SL.7 7.24 9.688.20 o + 2276.0 ?.49 60.2b + 291.1 t€ 14 a 4.8 3.16.7 12 n3 xy 6.36 2ua = Zxu 291.' 7.62 21.cl = )(o I Para minimizar esta función debemo¡ tener bx * cx2 - U)z Ti=o' .b.1 8.5 6.9 5.2110¡ arí la parábola 2.6 2A = an*óI¡*c2n2 [¡s (r) ecuacionec normales son 2ry = o)¡*b2r9*c2rs 2n2a = o.61 24. T¡bb ü u 1.ólcs*clra H trabajn involucrado en computa¡ la¡ ¡uma¡ puede ordenarce qomo 8e mue¡ha en la Tabla 8-9.70 26.t=o' *=o Enüonces # = ). b.06 941.92 230.75 117. = + 2.08 10. o ción = 8.8l E¡t¡ ec CURVA DE A¡UsTE.7 4.360 + 18971.19 2.1 : 8.4E 1065.971.065 t .t2 9223. Tabl¡ u 1.OI 32.066.83 29.65 185.12 67.2 1.36 5?6.04 1.28 233.04 48.49 92. REGRESION Y CORRELACION función de o.

56L 2. y puede escribirse z: albnlcy Las ecuaciones normales (21).. b.. Demostrar que la ecuación de regresión de mínimos cuadrados se obtiene al determinar a.18 la forma z r.8 8. 8.762 4. ala pulgada más cercana y las edades y al año más cercano de 12 muchachos.5 5. b y c a cero.588 + 2. . (c) Estimar el peso de un muchacho de 9 años y 54 pulgadas de estatura. vienen dadas por (f) 2z = na*b2r*c2y 2rz : a2a * b2r2 * c2rg 2gz : a2y * b2rg -f c2yz El trabajo involucrádo en computar las sumas puede otdenarse como se indica en la Tabla 8-12. z. Pata r = 1. (c) Hallar la ecuación de regresión de mínimos cuadrados de z sobre x.2)2 = 4.621 5.19. La Tabla 8-11 muestra los pesos z ala libra más cercana.16 para estimarlos valores de y de los valores dados de r. las estaturas x.Un. (ün. Entonces los valores de z sobre el plano de regresión de mínimos cuadrados correspondientes a (r1.17.640 7. Tabl¡ 8-10 Uest 4. 2d2 = 2(a* br I y la suma de los cuadrados de las desviacionee está dada por cy - z¡z Considerando esto como función de o.503 7. all.613 6. .9 6.).os resultados se muestran en la Tbbla 8-10 junto con los valores reales de y.. c e igualando las derivadas parciales con respecto za. REGRESION Y CORRELACION la.278 CURVA DE AJUSTE.2) .741 4. . Análogamente se obtienen otros valores estimados.zt.762.z¡ dt = a* br1 * cUt.2 6.0. c de modo que satisfaga (21. .962 7. Utilizar parábola de mínimos cuadrados del Problema 8.2110(I. (rn. las ecuaciones normales pedidas (21) en la página 262 se obtienen.An) son respectivamenüe a*br1*ey¡ Por tanto las desviaciones de z¡. (b) Determina¡ los valores estimados de e de los valores dados de r. vienen dadas por a*bnr*cyn dn = a* bnr* cUr.065(1. lcAP. Se desea estimar una variable z de las variables : Sean los puntos muestrales (ryUyzr). b. pág¡na 262. y. .0 7. y.7 u REGRESION MULTIPLE 8.8 7. Tabla 8-11 Peso (z) 64 7l 59 53 49 6 67 62 11 DO bó 50 d 77 DD DI 48 56 52 10 51 76 61 68 Esüatura (z) Edad (s) ol 8 5l 8 42 6 ol l0 10 I t2 I (a) La ecuación de regresión lineal de z sobre r.página 262..8 4.zn\.5 2. [..2. y por medio de una ecuación de regresión de a ! bx * cy. . Ue"¡ = 2. . .

139 34. 4096 5041 2809 4489 3026 3364 6929 12 y2 64 100 36 uz 3648 4189 uz nu 466 690 3249 3481 5t2 710 318 787 7l 53 67 OD 2401 3844 2601 2500 3026 2697 4L64 2805 2900 4296 254 682 408 :t50 Lzl 64 49 100 81 100 36 8 7 10 440 406 770 613 58 77 67 66 61 60 oo 48 62 42 61 67 ó60 492 620 I 10 6 3249 3136 2601 2304 2704 2756 2St2 660 306 t764 3721 8245 2t42 4686 8876 262 732 618 76 68 t2 9 6776 4624 t44 81 912 6L2 2z= ?53 )c= 643 )?= 106 222 = 2a2 = 2az = 9?6 2rz = 40. Entonces ^.2(Ufl -a.926 66.682 ?8. demos- s'?. ü = 0.b2r(u -a-br) . las ecuaciones normales (I ) ee convierüen en l2a1-643b *106c (2) 643¿ = 769 * 34.168 48.8436 * 6779c = 40. o aprorimadamente 63 lb. REGRESION Y CORRELACION Tabla t-12 fi 64 Df 59 49 62 51 a 8 10 6 11 z.86? 65.136 64. ERROR TIPICO DE LA ESTIMA 8.4t4 69.356.664 78.= v.e resultado¡ ¡e dan en la Tabla 8-18 junto con lo¡ mueshaleg de z.843 Utilizando esta tabla. la ecuación de regrerión pedida es (t) (b z = 3. =í.8l CT¡RVA DE AruSTE.920 64 7l 63 67 DD 68 77 67 66 61 76 68 (c) Remplazando ¡ : 54.6612.66+0.! : 9 en (3).r=n= = 2(a-a.880 106o*67?9b+976o Rerolviendo.865r+1.206 69. y.225 68.286 66.-brl - o-bu) . Si la recta de regtesión de mínimos cuadrados de y sobre que el error típico de la estima sy.cAP.606u zesb al susti- ) tui¡ los valores correspondientes de x."r)2 2afu 2fu-o-brlz o.¡ €stá dado por r viene dada por ! : a * b*.6068.7r7 68.8646. Utilizando la ecu¿ción de regreción (3) obtenemos log valores egtimados de z. Ír. a = 6796 = 3.830 2yz = 6796 2uy = 6779 48..20. c = 1. denoüado8 pot valoreg Tabl¡ 8-13 2est 2 64. el peeo estimado es zest : 63. 2a'- a2g n - b2rY por Ueet Loe valoreg de y ectimadoa a partir de la recta de regrerión vieneÍ'r dados = @ * ü¡.

ú)'- b)(c n - ¡)(u - ú'l Si ¡ = r' * A.62 0. güe ¡e neceaitan para el cálculo de oy.y.b2r'g' .24 68 67 67 67.o2(g' * fil .. cotrespondiendo a ¡ = 65 tenemotgest:36.29 -1.bnü! = 2U'2 + nú2 .38 7l 68.¡ Método 1.71 69 68 68.a(2U. Catcular el error típico de la estima¡ 8¡.22.81 62 66 66. (1.24 -0. que corteeponde a empezar con l--o+bryremplazando:oporcero.21. REGREsIoN Y coRRELAcIoN lcAP.r9)z:l-.2¡ pará Del hoblema 8. Sabemo¡ que la recta de regreeión puede eecribiroe oomo blem¿ 8.2r-b2rz = 2A = on * ó)c 0 puesüo que de las ecuaciones normales 2ru .20 N3' = 2u2-o'2a-b2xy = 2(a' + ú)2 .b2(r' * ñl@' * úl = 2(y'2*2ytfi*¡z¡ .28 -1.476(66) : 66. E.28 pulgadac.14 ü a Uesl 65 68 66.bñl = 2O'' .81 U - Aest 0.xpot¿-á. 8.19 2.Cuandoeehacenestoeremplazo¡enelProlos datos del Problema 8. = 2a@-a-bt\ nll 2a2-a2a-b2ra Este ¡esultado puede extender¡e a ecuaciones de regresión no lineal.66 >(u-u.x = lTiltr= 1.24)2+(0.al@ .47 6r. Tabl¡ t.81 0. 2u'=0 y ú = o*bt (que re deducen aldiüdiramboslado¡ de l¡ ecuación normal 2A = an * b)r por n¡.a2r * = b2u2 Entonces sí.28 68 69 68.2y-an-óIr = 0 2r(a-a-br) . Por ejemplo.b2t'g' .7L 64 66 66.b2(r.+(0. 2(a .bn.19 0. Erto demueetra el resultado pedido.71 -0. denotados por lresr.ó)(a .33 0. Entonce¡ del hoblema 8. Demostrar que el resultado del Problema 8.*nú') .o.24 63 66 65.ú = b(r .á). 8 2(A-a-bn) .76 L. g = A'+ ú.UpotA-ú. Método 2. En la Tbbla 8-14 ee listan los valores reales de y (de la Tabla 8-3) y los valorec estimado¡ de y.66 7l 70 69.98)2 12 = L64z .6? 70 68 69.anÚ .úl donde hemooutilizadolo¡re¡ultedot2r'=0.2O puede escribirse como ^z üu.b2rtgt * nú(ú ..11. También ¡e indican lor valorea y - Uest. I üyt * r.76. como se obtienen de la recta de regresión.11(b ) la recta de regresión de y cobre x ea ! : 36.bt2y' .82 + 0.280 Pero CURvA DE AJUSTE.14 -2.!* e!\ = 2a'2 + 2y29' * nú2 . / .€2 + O.19 67 68 67.2na-o.ú = 2u'2 .bi2r' .b2r'Y' = 2(a .20 se obtiene el re¡ult¿do pedido.14 66 65 67.")z = "1.ana ." y 8t..r.a)2 .

22).a-bxl = Análogamente puede demostrarse que el resultado es válido para regresión no lineal utilizando una curva de mínimos cuadrados dada por Aes¿ = ao* ap t a2r2 I " ' * a.0t¡z .ne?.t-ti) - A)" = 2(A - El resultado pedido se deduce si podemos mostrar que la última suma este es eI caso.brt Q.:'.11 a una distancia vertical sy.t)2* )(yn"t-ú)2+ z>fu. y). En el caso de regresión lineal )(v - Y'"'¡)(v" "r . + (2.08 2.?0. 8l CURVA DE AJUSTE. la teoría predice que alrededor d. (¿) Construir dos rectas paralelas a la recta de regresión del Problema 8. del Problema 8.::.. de datos. Este hubiera sido el caso aproximado si el tamaño fuera más grande. parecen estar sobre las rectas. ne dada por 6r.abn) a .g) sumando.28 (es decir.12 (o de la Tbbla 8-4. Il .61 -2. REGRESION Y CORRELACION 28L 8. 8-11. ya qve ú la Thbla 8-14 podemos construir la Tabla 8-15. ts.28 y 1..04 (a) Variación explicada = (b) Variación no explicada -ú)2 = (-0. cada una a una distancia vertical su..)(y-uu.cAP.A)'.13 -1. (b) Determinar el porcentaje de puntos de datos que se encuentren enhe estas dos rectas.23. . ú>@ - a - bn) puesto que de las ecuaciones normales 2(a = 0. Uir examen poste- 66 6l 62 Otro método. tenemos 2(u-ú)2 .22. Calcular (a) la variación explicada..58).. (b) la variación no explicada y (c) la variación total para los datos del Problema 8. = 1. 8-11.a) = =Q :y. se encüentra entre -1..'.rn.28) = 1. 2r(u . Las dos rectas paralelas. Tabla.un"J(v.r 0.rr.el 6812 de los puntos se encuentra entre las rectas.11 se muestra sólida en la Fig.82¡z+..S-15 Uest : 8]-LlL2: 67. 8.13 1. = 1/@ se tomaron las estaturas vie- COEFICIENTE DE CORRELACION LINEAL 8..:: .77 )(U". = tpiLo (1.28 (véase hoblema 8.24.30 0.U""t)2 .25.11.476¡ obtenida en el hoblema 8. NOTA: Una mejor estima del error tfpico de Ia estima de la población de la cual so.. Del último renglón de la Tabla 8-14..) para 9 puntos (¡.82 -t. y-gfo".34 0.nrr.. Tenemos Uest de ú : 67 . Utilizando los valores - a -0. (o) ta recta de regresión y : 35.40 pulgadas. Entonces el porcentaje pedido es 9l12 : 7 5d. Demostrar que >(g Elevando al cuadrado A"'r)'* 2(U*r.82 * 0. 'tz ?0 (b) De la figura se ve que de los 12 puntos 7 se encuentran entre las rectas en tanto que 3 66 rior utilizando el último renglón en la Tabla 8-14 revela que 2 de estos 3 puntos se encuentran entre lasiectas.56 -0. = 19. ya que es cero. Si los puntos están distribuidos normalmente respecto a la recta de regresión.58 del Problema 8. :: :. Entonces el porcentaje pedido es 9lL2: 7 5%.y""t) * (Uost .. se muestrana trazos en la Fig.25 1.61 0.[t = (y . = )(U .

s¿.27.7 )y = 811 a = 8LUl2 2rt2 = 84. ¡o )¿ = 800 i.. puesto que la'gt'es positiva cuando 3/ss¡ autnentá a medida que r aumenta. utilizando A.7 0.89 13.89 0. prágina263.y = EP. (D) coeficiente de conelación = r : tVñ7d58.62 1.28.)z \/ñtrW Sin embargo.16 6.3 a-v 0.16 6.6 0.09 10.70 = 38.6 0.76 11.42 -1. trt =r- E.= \Eá/ /rorl = \r¡.f.82 7.66 -0.3 2.92.4e88.l2at2. pero negativa cuando /est disminuye a medida que r. tenemoa &*br 6 Ulr¡= bx.7 1.' .:800/lZ = 66. /i84s8)?58-3t Tabla E-16 = 0.66 0.4 0. Utiliza¡ los resultados del Problema 8.96 2. (la fórmula producto momento). Entoncee. y Ulst = U.32 7t 0.69 0.7027 o con dos cifrar significativas r : 0.82 4.8 (c) Variación total : 2(a .4 ' 0.16 2.25. 8. derivarel resultado (34). = y -f.4 a'= tr'2 2.6 .69 22..A)z = 19. del Problema 8.56 0.4 -0.= !0. aumenta a medida que r aumenta. Halla¡ (o) el coeficiente de determinación y (b) el coeficiente de correlación pa¡a los datos del Problema 8.4 2. .4F7q de acuerdo con el Problema 8. Los resultados (b) y (c) pueden obtenerse por cálculo di¡ecto de la suma de los cuadrados. la conelación ec poeitiva y por tanto escribimo¡ r : O.?0. La recüa de regreeión de mínimos cuadrado¡ de y sobrer puedeescribfuse 1lest= b = 2r.49 -2.36 68 il 'l .= EF.49 1.) asír--*2r'a' ffi (2x.3 4.3 0.29 18.92 10.76 1.09 7.282 CURVA DE AJUSTE.-0v t'. para el coeficiente de conelación.26(b).32 1. REGRESION Y CORRELACION lcAP.7027 u 65 63 67 B4 a 68 66 68 66 69 66 68 66 r-t -t. la expresión para r tiene automáticamente el signo conecüo asociado.'.26.6 3. obtener el coeficiente de correlación lineal para los datos del Problema 8.7 3.7 1.09 5. (a) coeficientededetermir¡ación = t = '1Hi1iáf*1"io" =m= 0.3 -2. El trabajo involucrado en la computación puede organizarse como se indica en la Tabla 8-16. A partir del resultado general (30).4 7l 67 68 70 -0.A.92 = 67.68 5.18 0.donde ¡2= variación explicada va¡iación no explicada 2b2r.7027.92 0.24.z b22r.11.29 1.[bb tt 62 70 66 68 67 69 -4. Entonces 2r'a' 40. en el caso de regresión lineal.6 0.3 -1. Puesto que la varirable yn".4 .2 /?r. página 264.02 1.68 2trtg'= 40.69 u'a' a'2 0.o.16 o.aumenta.L2 7.7 -3.11.34 2a'2 = 38. Por tanto se sigue el reeultado pedido.y.3 -2.22 + 19.6 L.))' l) n'\ ¡ \) '\il t' jó -0.34 \/G. E. Utilizando la fórmula producto-momento. 8.

(>aXIY) n :E Puesto que = (2rlln V'ú = (2Alln" Arúlogamente. págrna 261. la recta de regresión de donde A=?I.nnn* v Entonces (I ) ee convierte en r(a-üz = 2a2 r : .28.TUSTE. REGRESION Y CORRELACION 288 8. Demostrar el resultado (17). Utilizar el resultado del hoblema 8. donde ¿=? rz r sobre y er =a*ilu 8y Entonces b¿t = 1g\ 1g) = \c"/\oy.a recta de regresión de y aobre r es u=olbx Análogamente. Demostrar que el coeficiente de correlación lineal viene dado por f= En el hoblema 8.30. 8.31. 2(a-nlz = 2(rz-2rt*r2) = 2s2 ./ 8. .036 Enroncec rz = bd.11(c) respectivamente 484 ' ó=10fr=0.11. [.29 para halla¡ el coeficiente de correlación lineal para los datos del hoblema 8. Del Problema 8.| ¿gl\/¿e¿\ 6 =(iiot/\al/ ' ¡=o'7o27 que está de acuerdo con lo¡ Problemae 8.11 (b) y 8.29.8l CURVA DE A.>IY w@ : n2rA-(2r'l(2A) .27 ee demoetró que (r) Pero | = -4={@ñ4 = >(x-el(a-il = 2(ra-Da-sú*eúl = 2uU-e2A-fr2ntnD! = 2ru-nú-nfro-lnn! = 2rg-nDfi 2xt = --E .2ñ2r 4 ntz (2112 2(2nl' ()r)2 = 2rz = 2r2 .476 d=ffi =1.cAP.26(D) y 8.

32. Entonces la desviación típica de y es 8u= 2(u - ú\2 21.16. (b) Hallar el coeficiente de correlación no lineal entre estas variables. Entonces variación total = 2(A .3?43 (b) De Ia Tabla 8-9. variación no explicada va¡iación total (d) = l-r2 = L-0.n parabólic a entre x.218 6 o.636 ó 1.) (42.2z . hay una muy buena relación no lineal dada por la parábola del hoblema 8.1 ¡.4'.Oz variación explicada .tal =ffi=0'9822 (c) El hecho de que la parte (a) muestra un coeficienüe de correlación de solo 4.40 8 = 1." = ss\/T=F = 1. y (b) sr. Utilizando (a) y el Problema 8.62.42) [(8)(2e1. el error típico de la estima de y sobre I es B!.n¡zi = -0. De la Tabla 8-4 r= n2ru . y. 8.30. Hallar (a) s. y? (a ) Utilizando los cálculos de la Tabla 8-9 y agregando que 2tt2 = 290. (c) Explicar la diferencia entre los coeficientes de correlación obtenidos en (c) y (b).16.64 (á) Primer método. y r =0'9911 var6eió.284 CURVA DE AJUSTE. Esto puede deberse a fluctuaciones aleatorias o a una variable adicional que no se ha considerado. como lo indica el hecho de que el coeficiente de conelación en (b) está muy cercano a 1.31 para obtener el coeficiente de correlación lineal para los datos del Problema 8. hallamos r= n2ru - ()¡X)r¿) (8X230. paralos datos del Problema 8.16.33.33 (b). Ubtlizar la fórmula del Problema 8. REGRESION Y CORBELACION [cAP.52) - (40. supóniendo la relación parabólica obtenida en eI Problema 8..()¡X)z) (8oo)(811) (r2)(54.40. 8 8.7027 como en los P¡oblemas 8.3743 indica prácticamente ninguna relación lineal entre r. COEFICIENTE DE CORRELACION GENERALTZADO 8.80.2)r][(8X2e0.20) - (42. I del Problema 8. (d) ¿Qué porcentaje de la variación total permanece como no explicada por la suposición de la relacii. Sin embargo.ú)2 = 21. 2(A .2g y g.34.L071 = 0.11.16.4)/8 = 5. (c) Hallar el coeficiente de correlación lineal entre las variables r.9922 = 0. (o) Del Problema 8.ilz = variación explicada 21.99r1)2 = 0.636y'i-(0. 8. i = (2U)/n = (46.78%de la variación total permanece no explicada.26(b).4O De la Tabla 8-10 Por tanto t-= = l(g""t-Al2 = 2l.01?g Por tanto 7.21(46..33 (b).

19 Variación no explicada = 2(z - zo"tl2 (64-64.os grados son enteros de 1 a n.35.76)z = 888'26 = 888. ! ¡ el grado dado al j'ésimo valor de y ' [..@ "" = 0'8418 = !ffi = thffia Debe mencionarse que si fuéramos a considera¡ la regresión de eobre y. y. Utilizando el Problema 8.16 y el cálculo adicional 2gz 8y.88 Va¡iación total 2(z-2\2 .I i son las desviaciones entre las graduaciones.L2(62.37 Coeficiente de correlación múltiple de z sobre x.25 Variación explicada Enüonces - 258. dada en térrninos de e2r.-.33' variación no explicada = 0. Derivar la fórmula de correlación gradual de Spearman (36). AquÍ estamos considerando n valores de r (por ejemplo pesos) y n valores correspondientes de y (por ejem. vemos del Problema 8. la mediaú ylavarianzasf sonigualesa(n l)12 y (n2 L)ll2 respectivamente.52. la varianza de las desviaciones. al y el coeficiente de correlación entre grados por * - s2¿.139 . *n2 n n(n*r)(2n*11/6 2 n2-l t2 utilizando los reeultados 1 y 2 del Apéndice A. y estamos interesados en el coeficiente de cor¡elaeíón múltiple de z sobre x. z gería en general diferente del valor anterior. REGRESION Y CORRELACION 286 Utilizando el Problema 8. pág¡na 264. Explicar córno determina¡ía un coeficiente de correlación múltiple para las variables en el Problema 8. z. [¿ media de r.a = = 299.*n @l_ryz n*l En = mientras que la varianza es sf. viene a3: s?+r?-2rs¡ads"sv ..19.222-n22 48.cAP. Entonces si d¡ : r i . Análogamenüe.218 ó 0.4L4\2 + "'+(68-65'920)2 = 258. el coeficiente de correlación de ¡ CORRELACION GRADUAL 8. esbturas). ¡ sobre y. tenemos 2a2-a2a-b2ra-c2n2a = 0.22 Tercer méüodo.218 6 0. ss t+2+.36. que Para obtenerlo.8l Segundo método. y I va.22 8. CURVA DE AJUSTE.l'ciñexptñat. Ya que z se determina de ¡. = 12-82 = 12+22*.88 = 629.pl. Sea rr: el grado dado al j{simo valor de x.

c asignamos a estos doe lugares un orden medío de 6. 70. las estatura¡ de los padres eon (r) 62. 69.6 7.66. 8 y 9 repreeentan la migma estatura (68 pulgadas). ?.5. La Tabla 8-17 muest¡a cómo l0 estudiantes fueron clasificados según su rendimiento en el laboratorlo y en teoría de un curso de biología. 6g.6 t2 5 7. 1¡ (t) y (2).6. 69. 6?.5.6. 67. 11.6. 3. por tanto las estatu¡as de los hijos quedan ordenadas @ Con las correspondencias 1. 1. 64. 6g. 63. la Tabla 8-B se convierte en Tabla E-19 Graduación del padre Graduación del hijo 4 2 6.7.6.2 24 = Entonces rgrad= t-#!T = t-ir#?u = 0. 69. 9. 7l y puesto que los lugares 6. 8.6 1. a las e¡tatura¡ de loe padres ee les aaigna los órdenes (2) (3) dio de 7 . Análogamente. 10. REeRESIoN y coRRELAcIoN lcAP.37.6 1.38.6 7. 70. 3. 2. 4.(J) y (4).6.6 10 3.6 10 t2 7. a los lugares 8 y 9 ae les asigna el orden 8. 66.l\ltZ . lac estaüuras de loe hijos ordenadas en gentido creciente son 66.286 Entoncee cuRvA DE AJUsrE. Tabla 8-17 Laboratorio Teorfa 8 3I2 9510 7 r0 4 615 1873426 La diferencia de puntuaciones d en laboratorio y teorfa para cada estudiante se da en la tabla siguiente. 3.5 l.6. 6. ordenadas en forma a¡cendenüe de magnitud.7. 11. tor \-"rttd- "3 - e¿.7. 69. 66. 69.6. 6.(2d2)/n = L-nfu2] 8. 6.8s45 indicando que hay una relación entre el rendimiento en laboratorio y teorfa. 10. 8 (r) h¡ecüo que 7 = fgrad = eZ+sT-af.6 1 11 6 8.rz)/n y (l ) ge convierte en 7')/12 W @2 - * (nz 6>d2 . les asignamo¿ w orden meg [(6 + z + + 9) / 4 . AsÍ. 7.s" 0.6.5. d d2 -1 -2 -1 1 1-1 I 1 3 I I I 2-L 4 1 -1 1 4 2d.6 3. Hallar el coeficiente de correlación gradual.6 11 . 69.6. Calcular el coeficiente de correlación gradual para los datos del Problema 8. 66. 71 Puesto que en esta ordenación loe lugares sexto y r*éptimo represenüan la misma estatura (6? pulgadas). 9. 66.5. le. %. 66. 12 De igual forma. Tbmbién se incluyen dz y 2dz. Tabla 8-18 Diferencias de puntuacionee. 6.5. 6?.11 y compararfos rezultados con el coeficiente de correlación obtenido por otros métodos.6 3 8.

ú2 E(X .5 -1.pvl .dlz} = El(y -pv)21 + BzEl(X-r.0.00 d Entonces 2iP = 72.Fy = p(r . 8.Fpx.6 -3. (b) X sobre Y.2Boyy r (py .39. En general.rv) = 0.r.6 2.26(b).px\ ^t u\ox) | Debe notarse la semejanza de la demostraeión anterior para poblaciones. halla- tv = ol Ftx Por tanto si g .26 L2.26 L2.px) .o*t¡ .cAP. E(Y ."l Igualando estas ecuaciones a cero. ) La función de densidad marginal de X es f{r) = [.25 2.00 2.8l CURVA DE AJUSTE.Fpx.25 2. .25 2.6 -1.v)l + Gv-Ft'x-o)2 = "? * F2oI . Derivar (39) a partir de (37).0=Y<L {o deotraforma Hallar la curva de regtesión de (c) Y sobre X.a) ó Fok = o*v a-tly="4tr-u*) A-Py - /'.(r+2y) 0<n<7.9px.6 3. REGRESION Y CORRELACION diferencia en graduacionec d. íE = dF Denotando la última expresión por F(c.a* pr entonces A .7027 obtenido en el Problema 8. utilizando sumas.26 12.25 1.25 6. los cómputos de d2 y I¡ )d se mue¡tran en la Tabla 8-20.60 rgrad = t-#!T: .-ffi!\ = 0.26 1.0 ü 12. utilizando esperanzas.px) * (pv .ol. Suponga que la ecuación de regresión Para la recta de regresión de es ! = E(YlX=r) = a*Fr mínimos cuadrados debemos considera¡ E{lY (a+ px)12} bóo¿r¡"-or utilizado = E{I(Y .P¡x.6 1.zBEl(X-pi(Y -¡.?466 que concuerda muy bien con el valor r = 0.0 1. Y es l\r'a) : (a | f.P(X . La función de densidad conjunta de las variables aleatorias X.5 3. INTERPRETACION PROBABILISTICA DE REGRESION Y CORRELACION 8. lo+zo¡a.26 6.5 1. los resultados para muestras tienen resultados análo- gos para poblaciones e inversamenüe. = f. con la correspondiente para muestras. . 20.5 -1.40.F) sea un mínimo. p) tenemos AF u = mos -2(pv zBoi - 2oxv - 2px(pv . lo cud es una condición necesa¡ia para que F(q.5 -2. Tabla 8-20 -3.}j'2l.

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

ot : ".43)' y n: !2 1 r/o t r--- . sx: 2. Loslímitesdeconfianzadcl F = b-+f+) ' \ñ4\82 I para 12 .11).o1f. de los hijos cuyp son 8. 8l CURVA DE AJUSTE.2U'L66 0'19916¡= = ya que eo.lrv1l_z=-.nfi162\/28/Bz4 -0.á para el coeficiente de regresión del Problema 8.42.2\ o.66 del Problema 8'11' 8. ¡rara ias estaturas yos padres tienen unas estaturas de (o) 65. (¿) La recta de regresión de Y sobre X es + oXY "+@ . .0818 Nótese que el coeficiente de correlación lineal es pequeño Fsto es de esperarse al observar las rectas de regresión de mínimos cuadrados obtenidos en el Problema 8. Y ltr-2 donde 37e : 85.8I 6. 0.66 (Problema 8.4?6 r6 (Problema 8.82 + O..0 pulgadas' puesto qu€ t s7. sr.28.X sobre Y es u-X = '\ av sX "('-i\ r-i( =$<a-rt oi ó r-Í = -#(r-#) TEORIA MUESTRAL DE LA REGRESION N E.t / ó (b) La recta de regresión de.81 para L2 .4?6 t Vlo\' t/tz.losaleolocar t=lt. se está en la ryHt\ = 0. 1/ .- 2.'=o Í"'=o.47G :t ' +('!!) t" / = 0.e5: 1.476B-b t=r.82 + 0.r: L. r8fl .cAP.2g para 12 .:2. (+) ó a -i : - ür I x) ó -..'lW\" .11 se halló que la ecuación de regresión de y sobre x eray: 35.43.q\I a. REGRESION Y CORRELACION 289 (e) xY = Entonces Í.2: LO grados de libertad. hallar los límites de confianza d-ei 95'7.476x.2 = l0 grados de libertad) vienen dados por 95?iparap(obteni.40. Ensayar la hipótgsis al nivel d-e significación del O. 8.szs=!2.-..42..9b Con un ensayo unilateral de Ia flistribucirin de Student a un nivel 0.05 rechazaríamos Ia hipótesis de que el coeficiente es tan bajo como 0.- = .0 y lb) 70.xY p = n-xÍ oxY oxoy = *-(s)(i*) = = - 1 162 0 -l/162 .28 (calculcda en el Problem a 8.43.22)y 1.45.44.o+zul)arav =1 3 .11 = -l/162/. En eI Problema 8.23 h es decir.180 si ú ) ú. Escribir las rectas de regresión de mínimos cuadrados de (a) Y sobre X. En el Problema 8.B4o confianza del 95% de que 6 se encuentra entre 0. = {".Of Ae que el coeficiente de regtesión de la ecuación de regtesión poblacional es tan bajo como 0.-- .los Ií¡:rites de conftanza del 95oy' para --j:lq--.2 : 10 grados de libertad...180. (b) X sobre Y para el Problema 8.136 y 0.r: L. Por tanto no podemos rechazar la hiPótesis..11. Hallar los límites de confianza del 95'.

80 pulgadas (b) Si 16 : 70.23 donde y¡ : ffisv. Un coeficiente de correlación basado en una muestra de tamaño 18 resultó ser 0. se puede estar en la confianza de| g6% de que la egtatura media de todos los hi jos cuyas estaturas de Ios padres son 70.76 1 1.8 los límites (o) Si 16 : 65.O .?6 a 2'23 es decir.rcontalquero -ñnoseademasiadogrande. 35. se puede tener confianza de 95Vo que la estatura media de todos los hijos cuyas estaturas de los padres son 65.2 pulgadas.o¡ para n - 2 grados de libertad .0 pulgadas se encontrarán entre 65.6 pulgadas. es decir.0 pulgadas.14 f es decir. Tarnbién.Bb Sobre la base de un ensayo unilateral de la distribución de Student a un nivel 0. (o) (ó) Puesto que no podemos rechazar ) 0). ciertamente no podemos rechazarla al nivel 0.01 8. Porlo +1. es decir.45 pulgadas. /e : 69.sz).05? A un nivel 0. y¡ : 66.?6 pulgadas.45(ó)] los límites de confianza del 95%. En el problema 8. hallamos [comparar con el hoblema 8.45(c)] los límites de confianza delg1l".05 utilizando un ensayo unilateral de la distribución que de Student. ' (b) Si re :70.05 y (b) 0.": 2.SOO112)2 : 11. los límites de conñanza del 95% están dados aproximadamente 8.05. los límites de confianza del 95% para Uo fo son = 2.Los métodos de este problema son válidos independiente del tamaño de n ó to .za\ = 66.11). hallar los límites de confianza del96% para las estaturas'medias de los hijos cuyas estaturas de los padres son (a) 65.Estoconcuerdaconlosresultados aproximados mencionados en la página 262.69.0. TEORIA MUESTRAL DE LA CORRELACION 8. Entonces 66. = t.ss :7. Nótese que para grandes valores de n. hallamos [comparar con el Problema 8.s1t : 2. También (x¡ .476 r6 (Problema 8.1 y 7 4.05. se puede estar en la confianza del 96Vo de que las estaturas de los hijos están entre 63.23 para 1 0 grados de libertad.elgbVo de que las estaturas de los hijos están entre 64.0 y ?0.sz\/ra-z : p l.96sy.01 que el coeficiente de corréhción poblacional es apreciablemente mayor que cero? Deseamos decidir entre las hipótesis (Ho: g :0) y (llr t = .8 pulgadas.05. los métodos muestrales son exactos para una población normal.14 + 5.47.E.0. Entonces los límites de confianza del 96Vo so¡ 69.290 CURVA DE AJUSTE.1/l-z = = .16 :65.8OOtl2r2 : 2.11.7 y 70.82 + 0.?6 t 3. t/6 al nivel 0.66 (Problema 8.75 para 18 -2: L6 grados de libertad. ¿Cuál es el tamaño mínimo tal de una muestra para que podamos concluir que un coeficiente de correlación de 0.11.0 y (b) ?0.6 pulgadas úo 0.48.66. rechazaríamosI/e si ú ) ú. ¿Puede concluirse a un nivel de significación del (a) 0. (o) Si.? y 6?.i¡z : (?O. 7.07 pulgadas.0 pulgadas se encontra¡án entre 67./i=@0.78. de confianza del g5% son (ro .32. se puede esta¡ en la confianza d. el valor mÍnimo de n debe ser 032{n - 2 r/i -to.46. REGRESION Y CORRELACION lcAP. o.t)2 : (65 .32 sea considerablemente mayor que cero al nivel 0. Ya que t.' sr.09 pulgadas.0.14 pulgadas.2óy6!2so.48). es decir. Por tanto no podemosrechaza¡I/6 al nivel 0.0.

s2\/ñ/\Flfu2p. t=0.05? zr = r.CURVA DE AruSTE.rrro. si Si pz Fz /r +"\ = l.64 y por tanto n: 25. L {zt - = Z-pz oZ 0. 8. Dos coeficientes de correlación obtenidos de muestras de tamaños nt : 28Y rtz:35 se cdcularon como rr : 0. a un nivel de significación del 0.6.o.(-) \r P. ¿Hay una diferencia considerable entre los dos coeficientes a un nivel de 0.b4es.49.?1.:) = oz= La variable tipificada ee Fz = r. t .05? o. Entonces el tamaño mínimo de la mueetra ean:28.L613 logS:0./ = 0.94. t.s|= l. El coeficiente de correlación entre las calificaciones finales de fÍsica y matemáticas para un grupo de27 estudiantes se calculó era0.e155. n=26.60.28z (ff3*3) = o.05.r¡rlb*'.5366 a 1.28 A un nivel de significación del 0. Puesto que r : 0. ú.50 y tz : 0.51.266e = 0. REGRESION Y CORRELACION Para un número Pa¡a infinito de grados de libertad.Hallarloslímitesdeconfianzadel96% paraeste coeficiente.4620 Entonces ¡t2 tiene el intervalo de confianza del9SVo.0.72.B0eb #*#= Fzrl.s5=1.7L. (b) Sip:0.r6r3t"" o.50 a un nivel de significación del 0.) nzr-2.0e86 10.66. v=26. para n=27.2182 = 1. = Deseamos decidir entre las hipótesis = 0.sz\/rLtt/l-(u32Y = 1. 8.s0(-/l1 \ \y'n_B/ = 1.96oz = 1.64. t. (b) p : 0. los límites de confianza d.L6rt*(=. Por tanto no podemos rechaza¡ la hipótesie de que el coeficiente de correlación sea tan pequeño como 0.92.r5tz'""(+l-&.) 0. Un coeficiente de correlación basado en una muestra de tamaño 24 se calculó era r : 0. t.!613*(=.5493)/O. v =24.9730 0. Por tanto los límites de confianza del 95Vo para p son 0.16131og(++*) /r r-\ \r-'l / *t.30 respectivamente.50.50.69.75.5366' p = = L.49 y 0.5493y2:(0. 8. zz: r./ 0.50.Portantopodemos rechazar la hipótesis de que el coeficiente de correlación poblacional sea üan pequeño como p: 0.s|= 1.tJ2:1.=L. (Hs p2r= Fzrl I (Hi Fzr* . p : 0.5606.5606. t--032\r26^tr=@ = 1.05 utilizando un ensayo unilateral de la distribución normal rechazaría' mos la hipótesis solamente si z fuera mayor a 1.60. v =26. pa¡a n=2g. ¿Podemos rechazrir la hipótesis de que el coeficiente de conelación poblacional sea tan pequeño como (a) p (o) : 0.el 95Vo püa pz vienen dados por Z=L.2182:L. z = t.4904- = 1.7L.80 y n = 21.80.rsr3 loc\t -.9730-0.9r : 1.unrr.6932 0.

292
Bajo la hipótesis IIq,

CURVA DE AJUSTE, REGRESION Y CORRELACION

lcAP.

8

Z,

-

Zz - Qtzr- ttzrl ozr- z,

0.5493-0.3095-0
0.2669

:

0.8986

Utilizando un ensayo bilateral de la distribución normal, rechazaríamos rlfe solamente si z ) 1.96 ó z ( 1 .96. Por tanto no podemos rechazat Éfo , y concluimos que los resultados no son considerablemente diferentes al nivel de 0.05.

PROBLEMAS DIVERSOS

8.52. Demostrar la fórmula (25),

párytna 262.

Para la recta de mínimos cuadrados tenemos, de los Problemas 8.20 y 8.2L,

Pero por definición,

2(u-ú12 _
¡¿ -

"l!

-z

2(r-¡:)(a-ú\ _ ---i-

o"v

y, por (6) en la página 260,

Por tanto Una fórmula análoga es válida para la población (véase Problema 8.54).

8.53. Demostrar que E[(y
Tenemos Entonces

-t\']= E[(Y - Y".,)2] + E[(y""r- n']para el c¿rso de (c) una recta de mínimos cuadrados, (b) una parábola de mínimos cuadrados.
Y-t = (Y-Y".J*(Y".,-i) (y -i)z = (r- Y".t)2 * (Y"rt- tl" + z(V - r""t)(rort- i)
El(v-t¡21 = E[(v-Y".t)2] *E[(Yest-I1'] + 2El(Y- vest)(ts"sr-i)l
es

y así

El resultado pedido se deduce si podemos demostrar que el último término

cero.

(o)

Para regresión lineal,

I"., = a* PX. Entonces

El(v -Y",tXY"¡r-

nl = El(Y - d- Fx)(a+ Bx -tll
b- t)n(v - d- Bxl + BE(xY - ax 0

Bxz¡

porque las ecuaciones normales

E(Y
(comparar con el hoblema 8.3).

- a-

FXI

- 0,

E(XY

-

aX

-

PX2)

-

o

(b)

Para regresión parabóIica, Ycsr

= d + pX + 7X2. Entoncea

El(v -Yest)(Y"st-

i)l = El(v - d- Bx-vx2)(a'F px +$2-?)l = (a- hnV - o- Bx - rx2, + BEIX(Y - a- Bx * yElxz(Y - "- FX - rr2)l
=Q

yxz)]

cAP. 8l

CURVA DE AruSTE, REGRESION Y CORRELACION

293

debido a las ecuaciones normales

E(Y-a-pX-'tX2)

= 0, EIX(Y-e-pX-tX2))

= o, E1Xz(Y-4-px-vXz)l =

0

Comparar las ecuaciones (19), página'261. El resultado puede ampliarse a curvas de orden superior de mínimos cuadrados.

8.54. Demostrar que o|.* = o?(1- p') para re$esión de mínimos cuadrados.
Por definición del coeficiente de correlación generalizado p, junto con el Problema 8.53, tenemos para el caso lineal o parabólico

p2
y el resultado

='##

.E[(Y-Y""t)21 r--,;= L- Et'=il = -

n?.*

se deduce inmediatamente.

Tbmbién para órdenes superiores la relación sigue la curva de los mínimos cuadrados.

8.55. Demostrar que para el caso de regresión lineal el coeficiente de correlación definido por (45) se reduce al definido por (40).
EI cuadrado del coeficiente de correlación, esdecir,elcoeficiente de determinación, dado por (45) en el caso de regresión lineal viene dado por

(f)
Pero dado que Y

= a*

BX,

(21
Entonces

E[(a + pX

- Yr2l =
=
or*,

Elp26

- X)\ =
"'*" --lo'x

BLE\(X

-

X)21

oi -;-

o'*, o l'-y = '-

(l

) se

convierte en

(3)

p2 =

44

o

p-r*

oxY

que era lo que se pedÍa demostrar. (El signo correcto püa p se incluye en

oyv).

8.56. Referirse a Ia Tabla 8.2L. (a) Hallar una parábola de regresión de mínimos cuadrados que se ajuste a los datos. (b) Calcular los valores de regresión (comúnmente llamadosualores de ten-

dencia) para los añbs dados y compararlos con los valores reales. (c) lstingar la población err 1945. 1d¡ nstimar Ia población en 1960 y compararla con el valor real, 179.3. (e) Estimar la población en 1840 y compararla con el valor real, 17.1.
Tabla 8-21 Año Población en EE. UU. (millones)

1850 1860 18?0 1880 1890 1900 1910 1920 1930 1940

1950 161.1

25.2 31.4 39.8 60.2 62.9 76.0 92.0 105.7

122.8 131.7

Fuente: Bureau of the Census

(c) Denótese por las va¡iables r, y el año y Ia población durante
parábola de mínimos cuadrados que se ajusta a los datos es

ese año respectivamente. La ecuación de la

(f)

A = a*bx*crz

donde o, b, c se hallan de las ecuaciones normales

294

CURVA DE AJUSTE, REGRESTON Y CORRELACION

[cAP.

8

2U = on*ó)c*c2rz
(2)

2s2U

2ry = a2r*b2r2*c2rs = o.2r2* üI¿3*c)c{

Conüene localizar el origen de modo que el año central, 1900, conesponda con r - O, y los años 1910, 1920' 1930' 1940, 1950 y 1890, 1880, 1820, 1860,18b0 con 1,2,8,4,5 y _L,-2,-g, "orr"rpond.r, -4, -5 respectivamente. Con esta selección )c y )¡e son cero y las ecuaciones (2) se simjüfican.

El trabajo a realizarse para el cálculo puede ordenarse como en la Tabla 8-22. Laaecuaciones normales
(2) se convierten en

(s)
De la segunda ecuación en (3), Entoncee la ecuación pedida es

11o*110c =
110ó

886.8

=

1429.8

l10o*1958c =

9209.0

b:

13.00; de la primera

y

tercera ecuaciones,

a:76.64,c:0.8974.

(1)
donde el origen,

u = 76.64+13.00r*0.397412 r = 0, es 1o. de julio de 1900 y la unidad de ¡ es diez años.
Tabla 8-22 i
¡2
25 16

Año
1850 1860 1870 1880 1890 1900 1910 1920 1930 1940 1960

a
23.2

13

u4

ra
-116.0

fiz,u

-5 -4 -3 -2

si.4
39.8 50.2 62.9 76.0 92.0

I
4

-l
0
1

I
0

-t25 -64 -27 -8 -l
0 1. 8

625 256
81 16
1

580.0 502.4 358.2 200.8 62.9
0

-r25.6
-119.4 -100.4

-62.9
0

0
1

I
4 o

92.0

92.0 422.8

2
3

105.7

16 81

21t.4
368.4 526.8 roD.o

t22.8
131.7 161.1

27 64

1105.2 2L07.2
3777.6

4
o

16 26

266 625

t26

)r=0
(ó)

2a=
886.8

2r2 =
110

)¿s=0

2a4

=

2aa

1958

1429.8

-

>r2a =
9209.0

Los valores de tendencia, obtenidos al eustitufu x : -5, -4,-3,-2,-1,0,L,2,8, tran en la Tabla 8-23 junto con los valores reales. Se observa que el ajuste e8 bueno. Tabla 8-23 Año Valor de üendencia

4, 5 en (4) se mues-

t =-6 r=-4 t=-3
1860 1860 31.0 3L.4 1870

ü=-2 r= -l x=0
1880 62.2 60.2 1890 64.0 62.9 1900 76.6 76.0

g=l
1910

a=2 n=3 r=4 r=6
1920 L04.2 1930 1940 1950

2r.6
29.2

4t.2
39.8

90.0
92.0

1r9.2 136.0 161.6

Valor real

106.7 t22.8

tlt.7

161.1

(c) l94Scorrespondeax:4.5,paraIocualy:76.64+13.00(4,6)+0.3974(4.6)z=143.2.

(d) 1960correspondear:6,paralocualA=76.64+13.00(6)+0.3974(6)2=163,g.Estonoseajustamucho
al valor real, 179.3.

cAP.8l

CURVA DE AJUSTE, REGRESION Y CORRELACION
1840 corresponde a r : --€, para lo cual mucho al valor real 17.1.
76.64

(e)

+ 13.00(-6) + 0.3974(-G)2 : 12.9. Esto no

se

ajusta

Este ejemplo ilustra el hecho de que si se encuentra una relación satisfactoria para un intervalo de valores no implica necesariamente que lo sea para una prolongación del intervalo de valores.

8"57. Los precios prornedios de acciones y obligaciones anotadas en el New York Stock Exchange durante los años 1950-1959 se dan en la Tabla 8-24. (a) Hallar el coeficiente de conelación, (b) interpretar los resultados.
Tabla E-24 Año
1950 1951 39.87

L952
41.85

1953 43.23

1964

1955 53.29

1956 54.L4

1957 49.12

1958
40.71

1969

hecio promedio

de

acciones (dólares) Precio promedio de obligaciones (dólares)

35.22

40.06

oo.lD

r02.48

100.93

97.43

97.81

98.32

100.07

97.08

9r.59

94.86

94.65

Fuente: New York Stock Exchange
(o

)

y los precios promedio de acciones y obligaciones, eI cáIculo del coeficiente de correlase utiliza solamente para especificar Ios valores correspondientes de r, y.

Denotando por

r,

ción puede organizarse como en la Tabla 8-25. Nótese que el año
Tabla 8-25 x
35.22 39.87 41.8ó 43.23 40.06 53.29 54.L4

a
L02.43 100.93 97.43 97.81 98.32 100.07 97.08 91.59 94.85

r-r
-10.04

a-a
4.91 3.41

a'=

tr'2

%'a'

100.80 29.05 11.63

-49.30 -18.38
0.31

24.L|
11.63 0.01 0.08 0.64 6.50 0.19 35.16 7.13 8.24

-5.39
-3.41

-0.09
0.29 0.80

-2.03
-5.20
8.03 ú.4ú 3.86

4.t2
27.04 64.48 78.85 14.90 20.70 97.81

-0.59 -4.16
20.48

2.56

-0.44

-3.91 -22.89

49.r2 40.7t

-4.55
9.89

-5.93 -2.67 -2.87

t2.t5
-28.38

oo.lo

94.65

)¿

452.64 45.26

--

2a=
975.16

2u'2 =
449.38

2t'y'=
-94.67

2a'2 =
93.69

a:
97.52

Entonces por la fórmula producto-momento,

-94.67
v (44e.38)(e3.6e)

=

-0.4614

(b)

Se deduce que hay cierta correlación negativa entre los precios de acciones y obligaciones (es decir, una tendencia a disminuir los precios de las acciones cuando aumentan los de las obligaciones y v_iceversa), aunque esta relación no es muy marcada.

Otro método.
La Tabla 8-26 muestra las graduaciones de los precios promedios de acciones y obligaciones para los años 1950-1959 en orden de precios ascendentes, También se indican las diferencias en graduaciones d y )d2.

296

CURVA DE AJUSTE. REGRESION Y CORRELACION
Tabla 8-26 Año
1950
1951

[cAP.

8

t952
D

1953
6

1954
3

1

955
8

1956
q

1957
a

1958 4

1959 10
.,

kecios de acciones en orden de grad.
hecios de obligaciones
en orden de grad.

I
10

I

I
-T

5

6

7

8

4

1

3

Diferencia de
graduación d

-9
81

0

0

-4
16

0

D

6

I

8

49

0

0

0

25

36

I

64

>d2

-

272

Entonces
Esto
se

rsrad

= ,-#!t

= t--ffi;\

=

-0.6485

compara favorablemente con el resultado del primer método.

8.ó8. La Tabla 8.27 muestra las distribuciones de frecuencia de Ias calificaciones finales de 100

tudiantes en matemáticas y física. Refiriéndose a esta tabla determinar (c) el número de estudiantes que obtuvieron calificaciones 7F79 en matemáticas y 80-89 en física, (b) el porcentaje de estudiantes con calificaciones de matemáticas inferiores a 70, (c) el número de estudiantes que obtuvieron una calificación de 70 o más en física y menos de 80 en matemáticas, (d) eI porcentaje de estudiantes que aprobaron aI menos una de las asignaturas suponiendo que 60 es la calificación mínima de aprobación.
Tabla 8-27 CALIFICACIONES DE MATEMATICAS

es-

(h

o
90-99

4G49

50-59

60-69

70-79
I

8(H9
4
6 8 2

90-99
+
D

TOTALES
10

lt

,o

f¡¡
an

8G{9
70-79
60-69
5G-59
1 4

I
o

4

l6
24
2L L7

z o
C)

rf]

10
o

I

I
6 4

o t\
Fl

3 3

6

2

4t)-49 TOTALES

o 15

L2 23 20
10

7

25

100

(o

)

Bajando por la columna rotulada 7O-79 (calificaciones de matemáticas) hasta la fila rotulada ficaciones de física). El resultado 4 da el número pedido de es¡udiantes.

80-89 (cali-

(b)

Número total de estudiantes con calificaciones inferio¡cs a 70 : (No. con calif. 40-49) * (No. con caüf. 50 -59) * (No. con calif. 60-69)

:7*15*25:47
Porcentaje de estudiantes con calificaciones menores a 70

:

47

ltOO:

47Vo,

cAP. 8l

CURVA DE AruSTE. REGRESION Y CORRELACION El número pedido de estudiantes es el total de las entradas en la Tabla 8-28, que representa parte . Tabla 8-27.
Número de estudiantes pedidos: 1

297
de la

(c)

*

5

+ 2 +.4 t
(t)

LO

= 22.
Tabla 8'99

tt)
f¡¡

Tabla 8-28 CALIFICACIONES DE MATEMATICAS 60-s9 90-99
8(}_89

z

CALIFICACIONEg
DE MATEMATICAS 40-49 50-59 40-49
3

z o

o

70-79
2

?*
E2 Fl Ei
<
(d)
C)Q
f¡l

I
D

4

70-79

a2 Ftk < fr¡ oo

?x oií

50-59
6
D

ó

10

Con referencia a la Tabla 8-29, que está sacada de la Tabla 8-27 ,ae obedrva gue el número de estudiantes

concalificacionesmenoresa60enmatemáticasyfísicaesS*3+6+6=LT.Entoncegelnúmerode estudiantes con calificaciones de 60 o más en física o maüemÁtica¡o en amba¡ es 1Ú0 - 17 = 83, y el por' centaje pedido es 83/100 :834a.
La Tabla 8-27 algunas veces se llama tabla de frecuencias de doble uori¿ción o distribución de frecuencias de doble uariación. Cada cuadrado de la tabla se llama casilla y corresponde a un par de clases o intervalo de cla' se. EI número indicado en la casilla se llama frecuencia de casillo. Por ejemplo, en la parte (o) el número 4 ee la frecuencia dela casilla correspondiente 4l pa.r de intervalos de clase 70-79 en ¡natemátlcas y 80-89 en ffsi'
ca.

Los totales indicados en la última fila y en la última columna se llaman totalee marginabl o frecuencioe mir' ginales. Corresponden respectivamente a las frecuencias de cl¡ee de las distribuciones de frecuencia de la¡ ca' Iificaciones de matemáticas y física por separado.

8.59. Mostrar cómo modificar la fórmula del ProblemaS.Sl paraelcasodedatosagrupadoscomoen
la Tabla 8-27.
lPara datos agrupados, podemos considerar los diferentes valore¡ de las variables r, y coincidiendo cQn lag marcas de cliase, en tanto que f x I f y son las cprrespondientes frecuencias de clase o frecuencias marginales indicadas en la última fila y columna de la tabla de frecuencias de doble va¡iación. Si s€ representa por f l¿s diferentes frecuencias de casilla correspondientes a los pares de marcas de claee (r, y), entonbes podemoe remplazar la fórmula del Problema 8.31 por

n2fru
(1)

-

(2f

"r)(2luu)

Sihacemos ü=Eo*,crury !=Ao+csL!, dondecr,cyBonlasamplitudesdeloeintervelosdeclase(supues' tos constantes) y ro, Jo son rDarcas de clase a¡bitrarias correspondientes a las variablee, la fórmula anterior ¡e convierte a
(2) n2 f u ru o

-

(2 |

"u,l

(2

| oun)

Este es el método claue uttlizado en el Capítulo 5 como un método breve ¡rara calcula¡ medias, desviacione¡ típicas y mompntos superiores.

8.60. Hallar el coeficiente de correlación lineal de las calificaciones de matemáticas y física del Problema 8.58.
Utilizamos Ia fórmula (2) del Problem¿ 8.59. El trabajo puede ordenarse como en la Tabla 8-30, que
tabla de correlación.
se

llama

298

CURVA DE AJUSTE, REGRESION Y CORRELACION
Tabl,r E-30

lcAP.8

Glificaciones de matemáticas, c

r
a

44.6

64.5

64.6

74.6

84.6

94.5

Suma de

\% ¿y\
2

ft -2
-1
0
1

los núme
f vuv

fuuS

2

3

ros esqulnados en

c¡da fila
10 20 40 44

94.5 d a !

2

4

4

84.6

1

1

4

6

D

16

16

16

3l
0

Ei

I
E

74.6

0

o

10

8

I

24

0

0

r{
¡i

64.6

-1

I
3

4

I
6

D

2

2L

-2L
-34

2l
d8

-3
20

A

64.6

-2
-3

6

2

L7

Íii
3
fn ,

r͡
D

t4

44.6

t2
23 20 10

t-l
16

-36

108

33

t,
Ítut

26

2f

n=2f y )f yuy =¿=100 = -66
2f ,u"

)fyu?

2furuo

=

263

=

L26

-t4
28

-15
16

0

23

40

30

=64
2f ,ul

f"u?
Sum¡ de los
númelos cada

0

23

80

90

= =

286

{

32

3l

0

colur¡a

-1

24

39

2fu,uo
L25

El número en la esquina de cada casilla repreeenta el producto f uruo, donde f es la frecuencia de ca¡illa, I¿ suma de esos números esquinados en cada fila se indica en la fila coñespondiente en la última columna. La suma de esos números esquinados en cada columna se indica en la columna correspondiente en la última fila. Loe totales finales de la última füa y columna son iguales y representan ifu"uu.
De la Tbbla 8-30 tenemos

r=

n2fu,uo

-

(2f

"u.)(2luunl
(64X-55)
16,020

(100)(125)

-

,/(rr,6o4\2z,zn

=

0.7686

8.61. Utiliza¡ la tabla de correlación del Problema 8.60 para calcular (a) e,, (b) s", (c) Iry y verifi. car la fórmula
(o)

8x=cx

}f"u? /2f ,ú"\2
n \n/
uuuY

10=

13.966

(ó)

sy=a!

>fuui /2f

" -\ "

i

"\m_m

=t4.e25
,60.20

(c)

".n

=

"""olz|T-(+)(+)]=

(10x10)f100r?q-(#)(#)] =

934 s. (b) Í sobre y para los datos rr+qW = 64.926 y r = 0.v ts. Utilizar los resultados del Problema 8. = 13.0 y 14.66.s6oy'1:107686)á Problerrra..9 respectivamente.rlos RECTA DE MINIMOS CUADRADOS Tabla 8-31 8..hallar(o)losvalore$deycuenda x=6. Tenemoe 8"". 8l CURVA DE AruSTE. r a 3 6 6 8 911 234668 8.cAP. REGRESION Y CORRELACION 299 Por tanto las desviaciones típicas de las calificaciones de matemáticas y fÍsica son 14. 8y r-70. en tanto que su covari¡nza es 160.9 = 8.2.7t9(u-69.gZfy'f - (OfOg6P = = 9.61 a.uo+qY: 145+q'qfrEq = u= De los resulüado¡ del Problema ?o. para obtener las ecuaciones de las rectas de regtesión (¿) ó a-u='!w-nt.(b) elvalordexparay:7' (o) Utilizar el método a mano alzada para obtener Ia ecuación para una recta de ajuste de los datos del Problema 8.62.5+E#9 = ú .60.0) x-?0. (b) sr.9) -69.61. a y-6e.65 utiliza¡rdo el resultado de la parte (c)' . 8xv 160.. Representar gráficamente los datos y las rectas de mínimos cuadrados utilizando el mismq conjunto de ejes coordenados.0=q9ff##q(v-6e. = ¿yt/Ti-rz = = a"t/T7rz = f¿. 0.5¿8 8.0 = (b) 6 r-ü='?o-o¡.0). s!.o 8.60.60. Escribir las ecuaciones de las rectas de regtesión de (c) y sobre del Problema 8.64.e Ge.0=A+##€?!)@-70.a guplementa. para los datos del Problema 8. = L4. E.64.64. página 261 . 0. r. Ajustar una recta de mínimos cuadrados a los datos de la Tabla 8-31 utilizando a (a\ x como la variable independiente.x=L2.. (a) (bl Ey. De la Tabla 8-30 tenemos.66 8. Calcular los ertores típicos de la estima (c) er.. (b ) r como Ia va¡i¿ble dependiente. (b) SolucionarelProblema 8.966.e).?686.20 G&r'-áiÉfutB = o'7686 que concuerda con r hallado en el Problema 8. Entonces utilizamos ( I 6 ).821(o-70.63. ParalosdatosdelProblemaS.

y:6. Tabla 8-36 Velocidad.71 rrcstrar c6mo una gráfica en papel semilogarítmico puede utilizarse para obtener la ecuación pedida sin emplear el método de los mínimos cuadrados.u. y. con Ia escala logarítmica para yr la escala ariü- méticaparar. 12 . (D) Hallar la recta de mínimos cuadrados que se ajuste.2 5.9 La Tabla 8-36 da las distancias de parada d (pies) de un automóvil que viaja a una velocidad u (millas por horas) en el instanüe que se observa eI peligro. o^ 2. (c) Hallar la recta de mínimos cuadradoe que se ajuste a los daüos. (b\ Estimar z cuando a to 90 10 72 . z. (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r. (o) Construir un diagrama de díspersión.300 CURVA DE AJUSTE.(b)Ajustarunacurvademínimoscuadradosdelaforma !=abxalosdatosyexplicarporqué esta ecuación específica da buenos resultados.8?. Tabla 8-36 Números de horas (¡) 0 I 47 2 3 4 D 6 Número de bacterias por unidad de volumen (y) 32 65 92 132 190 275 8.?1.a los datos. u (mi/h) Distancia de parada d(p) 20 54 30 40 138 50 60 70 90 206 292 396 E.68.70.I 3. Escribir las ecueciones normales para la curr¡a cúbica de mínimos cuadrados dada por dx3 . y.72. Alustar una parábola de mínimog cuadrados. (d) Si un estudiante obtiene una calificación de ?5 en álgebra.(c)Estimardcuandou:45mi/hy80mi/h.6 9. (o) Representa¡ loe datos en papel semi-Iogaritmo. En el Problema 8.3 14. (o) Hallar la ecuación de regresión lineal de mínimos cuadrados de e sobre x. (o) Representar gráficamente los datoe. ¿cuál es su puntuación esperada en física? (e) Si un estudiante obtiene una puntuación de 95 en físice.6 21. 8 t. t. La Tabla 8-32 muestra las calificacionee finales en álgebra y física obtenidas por diez e¡tudiantes seleccionados alcatoriamente de un gran grupo de estudiantes. (d) Estimar el valor de y cuando r : J. utilizando a y como la variable independiente.t--10. y : t 8. (c) Comparar los valores de y obtenidos de esta ecuación con los valores reales. utilizando a r como la variable independiente. (c) Hallar la recta de regresión de írínimos cuadrados de ¡ sobre y. (b) Ajustar una parábola de mínimoscuadradosdelaformad:oIbu*cuzalosdatos. o + bx r a 0 1 2 ó A 5 t) ¿x?alos datos de Ia Tabla 8-3¡t.a Tabla 8-37 muestra los 3 6 o n 8 t? o t4 valores correspondientes de tres variables x. I : o t bx * cx2 I Tabla 8-37 REGRESION MULTIPLE E. ¿cuál es su puntuación eeperada en álgebra? Tabla 8-32 Algebra (c) Física (y) . [. Con referencia a Ia Tabla 8-33. 54 42 30 . fabla 8-33 Calificación en el primer examen C¡lificación en el segundo examen 6 ü D 8 8 10 a 76104 D 8106 Tabla 8-34 q 8 il CURVAS DE REGBESION DE MINIMOS CUADRADOS 8:69. (d) Representar gráfioamente las dos recta¡ de regresión de (b) y (c) sobre el diagrama de dispersión de (o).73. El número y de bacterias por unidad de volumen pres€ntes en un cultivo después de ¡ horas viene dado en la Tabla 8-36.74.ID 80 ?8 93 86 65 72 87 91 7L 98 95 68 84 89 tt 82 80 72 74 E. REGRESION Y CORRELACION [cAP. (a) Representar gráficamente d.

Hallar el coeficiente de correlación entre los dos nuevos conjuntos de valores. (b) Obtener eI coeficiente de correlación directamente de las pendientes de las rectas de regresíón del Problema 8. Obtener las ecuaciones normales para la regresión lineal de mínimos cuadrado¡ de guna interpretación geométrica para esto? Explicar Una superficie de regreaión de z sobre ¿¿ eobre r. La Tabla 8. (b) sr. Demostrer que la ecuación para regresión lineal de z sobre r. los dos conjuntos de calificaciones de los exámenes del Problema 8.8f . Si sv. 8.68(b) v (c ). ú=20. Tabla 8-39 x a 2 4 5 6 811 18t210875 .E2. Utilizar los resultados del Problema 8. . " para los datos en el Problema 8. y puede escribirse como z-2.= 3y ss : 5.Br * Ca I Dr2 * Ery * Fyz Obtener las ecuaciones normales para los eoeficientes de regresión de mínimos cuadrados. Calcular (a) la variación total en y. Hallar (o) sy ".74.64. (b) la va¡iación no explicada datos del Problema 8.81. D.7 7 a(r-¿l+b(u-úl o. ballar las ecuaciones de la recta de regresión de (o) y sobre x.3E F¡lad (r) Presión Sanguínea (y) 55 49 38 42 68 r47 725 160 118 t49 t28 150 146 115 140 162 56 42 72 36 63 47 60 165 E.z .68. E.50. (o) Hallar el coeficiente de corre' r.8?. y tiene la form¿ z = A 1. Utilizar 8. y es 0. (c) la variación explicada en y para los 8.EO. en E.t3.38 lación entre muestra las edades r y la presión sanguínea y d.67. (b) utilizando la fórmula s¡s = rs¡sÍ y el resultado del Problema 8. y.= E. y.. y dados en la Tabla 8-39.i=10. y obtener exptesiones para los coeficientes de regresión de mfnimos cuadradoe el resultado del hoblema 8.60. REGRESION Y CORRELACION 301 8.68.eL2 mujeres.60. (c) Estimar la pre- sión sanguínea de una mujer de 45 años. (b) r sobre y.79.86. sr:2. Hallar los coeficientesde correlación para los datos del (o) Problema 8. halla¡ r. ¿qué porcenüaje de la varfación total pennanece no explicada por la ecuación de regresión? 8. 8l CURVA DE AJUSTE. (o) Calcular el coeficiente de correlación entre los valores correspondientes de r.68 utilizando la fórtnula producto-momento y comparar con el resultado del Problema 8. Multiplicar todos los valores de y por 3 y restarles 15. 8.r.! . coeficiente de correlaciónentredos variables¡.7t. 8.E4.80 para hallar el coeficiente de correlación entre los dos conjuntos de calificaciones de los exámenes del Problema 8.Sis"=1. (b) $. (b) Multiplicar todos los valores de ¡ por 2 y sumarles 6.68 (a) dircctamente.88.76.75 para solucionar el Problema 8. ERROR TIPICO DE LA ESTIMA Y COEFICIENTE DE CORRELACION LTNEAL E. r. ¿Hay al' t. Hallar la covarianza para los datos del Problema 8. El 8. (o) Hallar elcoef¡cientede correlación entre E.¡.90.68. 8.81 u 8. yesr:0.82. explicar por qué se obüiene o no el mismo resultado que en la parte (a).y para los datos del Problema 8. Si el coeficiente de correlación entre.00.89.85. (b) Problema 8. Calcular (o) sv. (ó) Determinar la recta de regtesión de mínimos cuadradoe de y sobre r.76.cAP. Tabla 8.86.

estudiar una posible deeventaja del método de conelación gradual. INTERPBETACION PROBABILTSTICA DE LA REGRESION Y LA CORRELACION E. COBRELACION GRADUAL E. B.106. Obtener el coeficiente de correlación lineal para el hoblema 8.(D)larvariacionee explicaday no erplicada. C.90.lOS. Y con E.98.96gina 52.84. en el ca¡o de do¡ variablee aleatorias X. G. Halla¡ el coeficiente de conelación gradual y decidir eobre el acuerdo de loe jueces en su8 eleccioneg. variación toüal es erplicada por la ruperficie de regreeión? (b) ¿Quéporcenüajedela Demostra¡elresultado (27). Y viene dada por f(r. Hallar el error típico de la estima de z ¡obre ¡.93.4O Candidato A o 4 B I o C 8 7 D 1 E 4 F' 6 G 3 H d a himer Juez Segundo Juez 3 2 I I 6 t. (D) X eobre Y para el hoblema 8. Da¡ un ejemplo para demostrarcómo hallaría (a) el error típico de leestima. Hallar el coeficiente 264.99. t. I COEFICIENTE DE CORBELACION GENEBALIZADO E'91. t. t. Hallar el coeficiente de conel¡ción lineal para la¡ variableg aleatoria¡ del Problema 2.(b)XaobreYparalosdatosdelhoblema2. D.92.8. Mostra¡ cómo se puede diseñar un coeficiente de correlación múltiple.74. (b) X cobre Y para Ios datos del hoblema 2. Tabl.104.99.97. 8. Halla¡ la recüa de regesión de mínimoe cuadrados de (a) Y sobre X.8.s.paraelca¡odeunaauperficiederegresiónlinealparazsobrer. (c) el coeficiente de conelación generalizado. ¿Ocurren algunae simplificaciones en la¡ curvas de regresión Ce Y sobre X ó X sobre Y para el caso de varia- .96.página 263. y\.74.a) = [2r+3a Io o(c(L'o<Y<2 de otra form¡ Ilalla¡ la curva de regresión de (a) Y sobre X.99.gus observaciones en (o). F. página t. y para lo¡ daüo¡ del Problema 8. H¿ll¡rlacurvaderegreeiónde(a)YsobreX. H de acuerdo con sus preferencias. el coeficiente de correlación gradual para loa datos del (a) Problema 8.68 v (b) Problema 8.¡ 8. La función de den¡idad conjunta de las variables aleatorias X. (b) X eobre y. REGRESION Y CORRELACION [cAP. (o) Calcular el coeficiente de conelación múltiple pars los datos del hoblema 8. lo¡ resultados se mueshan en la Tabla 8140. tls[a¡ la recta de régresión de mínimos cuadrados de (a) Y robre X. Doa juecec en una competencia debían clasifica¡ a 8 candidato¿ A.págirra52.302 CURVA DE AJUSTE.5g ufilizando el resultado (35). (b) De. t.lo6' función de densidad conjunta (o función de probabilidad conjuñta) f(x. E.102. (o) Hallar el coef¡ciente de correlabión gradual para los datos del Problema 8.y. Il¡llar t. página 52.lol. t.96. 8. ble¡ aleatoriac independientes? Explicar. de conelación para las variabie¡ en el hoblem" g. t.94.rOO. t.

60.c2 soll constantes arbitrarias.el 95% para el coeficiente de correlación calculado en el hoblema 8.(b)99%paralamedia'detodoslosvaloresde y correspondientesa¡ = 6. Demostrarqueelcoeficientedecorrelaciónentre¡. página 260. es (o) tan bajo como 8.11?. y'es eI mismo que el entre.1 "l$- c2) 20.tu] tan-'L rfti + si) -l E. Solucionar el Problema 8. y).00 y ñ = 7.el(o)95%.114.(b\ 99% para y cuando ¡ : 6. TEORIA MUESTRAL DE LA CORRELACION 8.?0.hallarloslímitesdeconfianzadel 9fleparafo)elcoeficientederegresiónde y sobre r.\ es independiente de Ia elección del origen de las variables o de Ias unidades en que se expresan. (c) la media de lae presioñes sanguíneas de las mujeres de 45 años. .sx = 3.00 ¡.115. Si sr.tes t?. para la recta de mlnimos cuadrados. utilizando un nivel de significación del 0'05? 8. (b) tan alto como 2." = 1.00. Demostrar que el ángulo entre dos rectas de regresión muestrales de mínimos cuadrados viene dado por . 8l CURVA DE AJUSTE.S4. Dos coeficientes de correlación obtenidos de muestras de tamaños 23 y 28 se calcula¡on como 0.01.80 y 0.cAP. que hay una diferencia significativa en' tre los dos coeficientes? RESULTADOS DryERSOS 8. Un coeficiente de correlación basado sobre una muestra de tamaño 27 se calculó como 0. demuestre que el coeficiente de correlación entre r'. hallar los límites de confianza del (c) 95%.30. Demostrar que el cóeficiente de correlación - g. EnelProblemaS.60 de una muestra de tamaño 28. En el Problema 8.d'. 8.70. Yvie' nen dadas por 2:r . (b) ta presión sanguínea de las mujeres de 45 años.01. Sobre la base de una muestra de tamaño 27 se encontró que la ecuación de regresión de y sobre r era t = 25.10?.123.110.0 + 2.l19. Hallar el coeficiente de correlación lineal.(b)997oparu un coeficiente de correlación que se calculócomo 0.ypuedeexpresarsecomo il2 -:.05.118. que el correspondiente coeficiente de correlación poblacional es considerablemente mayor que cero? E. En el Problema 8. Hallar los límites de confianza d.113. 8.116.(b\99% pra el coeficiente de regresión.109. REGRESION Y CORRELACION 303 TEORIA MUESTRAL DE LA REGRESTON 8.01. Verificar los coeficientes (5). .8.50. 8. Un coeficiente de correlación basado sobre una muestra de tamaño 35 se calculó como 0.114 si el tamaño de Ia muestra es 52.l0?hallarloslímitesdeconfianza d. ConreferenciaalProblema8. (b) 0. Las rectas de regresión muestrales de mínimos cuadrados para un conjunto de datos involucrando X. (Sugerencia: Suponga quer' = noi c1r. A' = llo * c2y. 8. DemostrarqueparaelcasoderegresiónlinealelvalormÍnimodeE'{[]'-(o*¡lX)lz.10? hallar los lÍmites de confianza del (o) 957o.50' ¿Podemosre' chazar la hipótesis de que eI coeficiente de correlación poblacional es (o) tan pequeño como p : 0. 8.111.10? ensayar la hipótesis de que el coeficiente de regresión poblacional 1. 8.121. (b) tan grande como p : 0. E. ¿Podemos concluir a un nivel del (o) 0. ¿Podemos concluir a un nivel de significación del (o) 0.112.I22.00.05.5a = 3. (b) 0.108.f-(1 -r2)s.211Ú 8.40.95 respectivamente. Hallar los límites de confianza del (a) 957o.!l = 2. a un nivel de significación del 0.* : 8. 5r . donde r¡¡ !/6¡ cl¡.20.84. 8.

El período base es de L94? 1949 : 100. suponiendo que las tendencias presentes continúen? Tabla 8-43 1950 1951 1952 1953 1954 1955 1956 consumidor pqr asis' tencia médica 1957 (1947-1949=100) Fuente: Bureau of Labor Statistics .127. Hallar el coeficiente de cor¡elación entre los índices de precios al consumidor y los índices de precios aI por mayor para todos los artículos indicados en la Tabla 8-42. Ilalla¡ el coeficiente de correlación entre las estaturas y pesos de 300 adultos dados en la tabla de frecuencias siguiente.r (pulgadas) 59-62 63-66 1 67-70 71-74 75-78 9L109 110-129 !e 2 n 8 2 ! p ql 130-149 150-169 170-189 190-209 o 15 L2 4 22 63 28 10 I 1 h tt) .3 I 10.304 CURVA DE AJUSTE. (d) Predecir el Índice de precio para la asistencia médic¿ durante 1958 y compararlo con el valor verdadero (L44.41 ESTATURAS . (ó) Hallar la recta de mínimos cuadrados que se ajusta a los datos y construir su gráfica.4 I14.5 r14.3 1r 7. Con referencia a la Tabla 8-43: (o) Representar gráficamente los datos.4).y para loa daios del hoblema 8.2 r20.(ó)Estimar los pesos de doe hombres cuyas estaturas son 64 y ?2 pulgadas respectivamente.0 113.1 25. (b) Br.5 116. f¡¡ 32 20 t2 q . Demostrar que para regresión lineal 4 = +.2 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 101.5 por mayor 103. 8.1 t 10.8 114. Hallar los límites de confianza del 96% pára el coeficiente de correlación calculado en el hoblema 8. - Tabla 8-42 Año Indice de precios al consumidor Indice de precios al 99. (c) Calcular los valores de tendencia y compararlos con los valores reales.1 114. Tabla 8.L24.6 L19. 8ü 8É ¿Es el resultado válido para regresión no lineal? 8. 8.l2S.128.8 8. (o)HallarlarectaderegrecióndemínimoscuadradosdeysobrerparalosdatosdelProblemaS.130.126.L25.2 Fuente: Bureau of Labor Statistics 8.7 114.r. Hallar (o) s".6 I 10.125. 8.8 111. (e) ¿En qué año podemos esperar que el índice de costos médicos doble el del 194?1949. E. 210-225 I .8 111.129. 19 5 o (t) e.8 102. REGRESION Y CORRELACION [cAP.2 t23.

página 265. Estudiar la relación.6 23.¿(r) es cualquier función de r para el cual estas esperanzas existen.9 ¿ind 1935 1940 1945 1950 1955 24.página265. del Problema 8. 8. (d) Explicar por qué la ecuación en (b) no es útil para propósitos de extrapolación.9 Welfaie 19. En el Teorema 8-1.131.6 Fuentet Department of Health.8l CURVA DE AJUSTE. (Sugerencia.' Utilizar el Problema 8. si Ia hay.136. Sean X. (a) Representar gráficamente los datos. Con referencia a la Tbbla 8-44. ¿es g(r) única? Explicar. y).132 para variaciones explicadas y no explicadas. Demostrar el Teorema 8-2.0 1030 18.3 16. 8.7 21.¿) donde .l35. REGRESION Y CORRELACION 305 8.133. Demostrar el Teorema 8-1. (b) Hallar la parábola de mÍnimos cuadrados que se ajuste a Ios datos. Demostrar que si 9(r) = E(Y \ X = c) entonces EUY - É(x)1'!) = E{LI'- o(xl¡z¡ + Ells(x) - q(x)l. Education 8.cAP. . Y variables a|s3fs¡i¡s con función de densidad conjunta (o función de probabilidad) f(x.9 17. 8.132.132). E. Tabla 8-44 Año Natalidad por cada 1000 habitantes 1915 1920 7925 25.5 23. (c) Calcular los valores de tendencia y compararlos con los valores reales.134.

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

. como la suma de los cuadrados de las desviaciones i. Ias cuales toman los valores .u -- i. €s €l total de todos los valores t - rir ! r. MODELO MATEMATICO LINEAL PARA ANALISIS DE VARIANZA Podemos c<¡nsiderar que cada fila de la Tabla 9-1 representa una muestra aleatoria de tamaño ó de la población para ese tratamiento particular.o")' : ) i.t.cAP.k (5) (6) ) j. denotada por u. de la gran media cly se denota por ub.. VARIACTON DENTRO DE TRATAMIENTOS.-r.t. .k (. Xjo independientes y distribuidas idénticamente. .)t (3) r¡x-I = (c¡r.-r) ) i.j:1*'u (13) En la práctica es conveniente restar algún valor fijo de todos los datos en la tabla.).¿.. (11) (12) = tu4.. -.k A la primera suma a la derecha de (5) o (6) las llamamos uariación dentro de tratamienfos (puesto que incluye los cuadrados de las desviaciones de r...p con respecto a las medias de tratamiento C¡.) y la denotamos por u-. . )t t'k La segunda suma a la derecha de (5) o (6) se llama la uaríación entre trstamientos (ya que involucra los cuadrados de las desviaciones de las diferentes medias de tratamiento ñ¡.i'¡)' + b > (r¡ .u At: donde esto es . 1 ) (r. esto no tiene efecto en los resultados finales. el ANALISB DE VARIANZA 307 VARIACION TOTAL. zJ i'k es el total de todos los valores en el tratamiento j..-r-:): lltulUu (8) Así las ecuaciones (5) o (6) pueden escribirse como 'v-: (e) METODOS CORTOS PARA OBTENER VARIACTONES Para minimizar guientes: el trabajo en calcular las variaciones anteriores son convenientes las formas si- r) = . Así.. .i'): i.k (". para el tratamiento j tenemos las variables aleatorias Xir.- r)2 : ) (r. Por tanto (7) tt. VARIACION ENTRE TRATAMIENTOS de cada medida de la gran media Definimos la uariación total.t)b n-i_ # U-Ub (:0. Por tanto .u (Ir) y luego elevando al cuadrado y sumando sobre j y k podemos demostra¡ (véase Problema 9.r)' i. ':: ) (r'. ...k (:c.utt -: 2 @.¡)t = tr)(i'. S eJx r'.r -. X¡2. es decir Variacióntotal : Al escribir Ia identidad 1) : )(r. .u_r.1) que .)*(i¡.

x¡2.y u de acuerdo con las definiciones (8).É[s es cierta tendremos ^/ I¡u E\fr)\ = J de modo que solamente en ese caso n(ffi)= a Qr- (21) Qz. ..? (23) .. Podemos interpretar a p como la media pÍüa una clase de gran población que comprende todas las poblaciones de tratamiento. La constante o¡ puede considera¡se como eI efecto especial del tratamiento j. Cada una de las X¡n suma de su valor esperado y un término de "error": (h: L. puedentomarsecomo variables aleatorias independientes (relativas ai y h).. Íjb respectivamente. t). la variación dentro de tratamientos V.T L¡r Los A. La hipótesis nula de que todas las medias de tratamiento son iguales viene dada por (Ifo: ot= 0. VALORES ESPERADOS DE LAS VARIACIONES La variación entre tratamientos V6 . Por tanto solamente hay una población de tratamiento y todos los tratamientos son estad ísticamente idénticos.o1o en forma equivalente por (I1o: Fi= pi i =t. 2. mutuamente independientes con medias pi y varianza común l. Podemos demostrar que (véase Problema 9. las poblaciones de tratamiento. e . ..7o "b .a-l ¿'(Si) v ab-L (I6) (22) proveerá estimas insesgadas de o2. y la variación total V son va¡iables aleatorias que respectivamente toman los valores t)b. b) son va¡iables normales. ai k : l. que por suposición son normáles. si . .. .) : (ab-l)o2 + "1 (16) (17) b> a? (r8) (.19) ' De (17) se deduce que E(Vt) = (a-l-)o2 + b> E(V. _ o?r. Sin embargo. Si.*= p*a.2. Definamos la constante ¡r por tL 1s. Esto equivale a suponer que las X* (i : L.l)o2 E(V'. .. i=1.n = F...2. . entonces tenemos de = '"+. tienen una media común como también una varianza común.308 x¡1 ANALI$S DE VARIANZA [cAP. . . .Efo es cierta o no. X. Entonces (I4) puede escribirse como (véase Problema 9. . distribuidas normalmentp con media cero y varianza o2. De otra parte.El6 escierta.) = a(b .9).. b) puede expresarse como la (14\ X. de (I6) V (/8) vemos que sólo si. =O (15).2.18). ..r--Lr}.¡. (7\ y (3).E[6 no es cierta.ta¡¡ donde P".19) de modo que (20) es siempre la mejor estima (insesgada) de I independiente de si.2.

Tabla 9-2 Grados de Iibertad Enüre tratamientos. po{emos demoshar los siguientes teoremas fundamentales relativos a las distribuciones de las va¡iaciones V. Total. o el método corto. Vt. .9l ANALISIS DE VARIANZA 309 DISTRIBUCIONES DE LAS VARIACIONES Utilizando el Teorema 4-4. ENSAYO ¡ PARA LA HIPOTESIS NULA DE MEDIAS IGUALES Si la hipótesis nula .1.Ffs no es cierta. de (I9) y (20) cabe esperarse que S. TABLAS DE ANALISIS DE VARIANZA Lo! cálculos pedidos para el ensayo anterior se resumén en la Tabla 9-2.3 r""igual a c2 independientemente de si las medias son iguales o no.u/o2 tiene la distribución chi-cuadrado con o(b . que se denominatabla de anólisis de uarianza. Es importante ¡ecalcar que el Teorerría g-1 es válido si se supone o no I/s . si las medias de tratamiento no son iguales.a(b-L) j a\o _ l) grados de libertad a : a-L+ ut = )(er¡. Teorema 9-2: Bajo la hipótesis nulal{0. es igual a la-suma de los grados de libertad para las variaciones entre tratamientos y las variaciones dentro de tratamientos. F': Sr2/S¿tieneladistribucióntr'con a_ Ly a(b_ 1) gradosdeliber- El Teorema 9-3 nos permite ensayar la hipótesis nula a un nivel de significación determinado empleando un ensayo unilateral de la distribución F. en tanto que el Teorema 9-2 sólo es válido si se supone f/0. Por otra parte.)2 . Si este estadístico es considerablemente grande podemos concluir que hay una diferencia significante entre las medias de tratamiento y así rechazamos f[e. Esto viene dado en el teorema siguiente..13¿.- ¡¡z Ao s6 = o-1 u6 86 -_ s. Se deduce que un buen estadístico para ensayar la hipótesis -EI¡ viene dado por 3. Pa¡a utilizar este estadístico debemos conocer su distribución. En la práctica calcula¡íamos u y uo empleando eI métódo largo. (10) y (11)./o2yV/étienen la distribución chi-cuadrado con ¿ -1 Tenrema y ab - 1 grados de libertad respectivamente. pág¡na 116.-f. vemos de (23) qrr" 33 puede ser mayor eü€ o2. va : b)1nt. es decir. De otra forma podemos o aceptar lfe o reservarnos el juicio dependiendo de análisis posterior. (3) y (8).: u uu.1) grados de liberbad. Teoremag-3: E] estadístico tad. esto es. página 161. y luego calcular u. el cual es una consecuencia del Teorema 5-8. Debe advertirse que los grados de libertad para la variación total. V6 y V. con tratamientos. a-I.cAP. siendo el efecto más pronunciado a medida que la discrepancia entre medias aumenta.ab . 9-1: V.

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

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

.a es decir ll. : o )É*: o (36) de donde .t es la gran media poblacional. 8133¡ = o' v (41) También. de(37) y (38) respectivamente E(s:) E'(S:) = d+¿!-. Como antes podemos tomar los ajkcomo variables-..s) (++l Los teoremas siguientes son semejantes a los Teoremas 9-1 Teorema y g-2.b decir oj : Vemos de (39) que. H32' 0.2). = 0.= eb-l (t z¡ y H.la mejor estima (insesgada) de o2 viene dada por es 3: : ---J:^'" . Correspondiendo = 1)E(X. i = L.3L2 ANALISIS DE VARIANZA lcAP.tenemos.¿-1' 6':D. .azar o enor. entonces Qz_ D. Todas las medias de bloques (columnas) son iguales.. si la hipótesis I1[. sin te- . Todas las medias de tratamientos (filas) son iguales.2"i = "' + #> Pí U..*t uo lk podemos demostrar que (37)." nosonciertas. ."& H[2)son ciertas.. decir. Si ¡1á') v' A" DZ -= v" .): (a-1)"2+b)"1 E(V") : (b-l)"'! + a> (ob-1)o2 íri (38) (3e) (t o¡ E(V") = (c-1)(b-1)"' E(V) = * ll ? a?+ ú>Pi es Hay dos hipótesis nulas que desearíamos ensay¿ü: HLr. a los resultados (I6)-{18) E(V.o cuyos valores son los r¡r pueden expresarse como X* = ¡tla. pe es la parte de Xi¡ debida a los diferentes bloques (algunas veces denominados efectos de bloque) y a.r es la parte de X¡e debida aJ.aleatorias independientes normalmente distribuidas con media cero y varianza a2... Bajo suposiciones apropiadas de las medias de X¡¡ te- nemos )'. de modo que las X¡e son también variables aleatorias independientes normalmente distribuidas con varianza o2 .(a-lxb-. e ANALISIS DE VARIANZA PARA EXPERIMENTOS DE DOS FACTORES Para el modelo matemático de los experimentos de dos factores supongamos que las variables aleatorias X. 9-1: V.+Bk+Ajk Aquí (35) ¡. - 1) (b - 1) grados de libertad. o¡ es la parte de X¡n debida a los dierentes tratamientos (algunas veces denominados efectos de tratamientos). Ht".. = ¿-1. sin tener en cuenta a H[t\6 ... serán estimas insesgadas de o2 .. . /"t tiene la distribución chi-cuadrado con (a ner en cuenta a H[rt' or H[. k = 7.

IMENTOS DE DOS FACTORES CON REPETICION En la Tabla 9-4 sol¿rmente hay un '. Análogamente para ensayar la hipótesis I1[!) consideramos el estadístico ^3ySg.!') es lógico considerar el estadísti"o ^ei¡S¿ ya quepodernos ver de (43) que Si se espera difiera significativamente de o2 si las medias de fila (tratamientos) son significativamente diferentes. úe = l'Total.*-r)! EXPER. como en el caso de factor uno. la columna o bloque h y ala repetición /. Para ensayar la hipótesis I1. (a-1)(l¡-l) con grados de libertad Residual o aleatoria.V"/n2 tiene la distribución chi-cuadrado con b -1grados de libertad. L'. En tal caso habrá más de un valor correspondiente a un tratamiento dado y a un bloque clado.!'. s c-ls . una tabla ^ análisis de varianza puede construirse code mo se muestra en la Tabla 9-5. Las distribuciones ¿" .1) (b .l¡^i¡l v ^3yS: vienen dados en el teorema siguiente análogo al Teorema 9-3. Bajo ambas hipótesis HÍ. niveles de significación especificados.1 y (c .1 grados de libertad. Debido a la repetición debe utilizarse un modelo apropiado para remplazar el dado por (35). V.e.V/o')tiene la distribución chi-cuadrado con ab .1) grados de libertad. ./o2 tiene la distribución chi-cuadrado con c . uc = (t>(tA-j)r b.l.'alor ccrrespondiente a un tratamiento dado y a un bloque dado. * . ti"n" la distribución Fcon b . Más información considerando los factores puede a veces obtenerse repitiendo el experimento. (¿ -l)(¿r-t) grados de libertad Entre bloques. Teorema 9-6: Bajo la hipótesis ll[.r) el estadístico si.u I' lir. Pa¡a obtener esto denotemos por X¡o¡ la variable aleatoria correspondiente a la fila o tratamiento j.1./S3 ti"n" la distribución F con s .1) (b . proceso conocido como repetición. ¿.1) grados de libertad.cAP. > (J'j - :L)2 a-l i | 3l ' -ra--1 con cr . El modelo viene dado por X ¡xt = ¡.1 grados de libertad. el Teorema ANALISIS DE VARIANZA 313 9-5: Bajo la hipótesis H[L)../S. cambios apropiados pueden hacerse cuando los números de repeticiones no son todos iguales. Supondrerfios que hay c valores para cada posición.I y (c . Bajo la hipótesis H[. . 'L' - u. Por conveniencia. El teorema nos permite aceptar o rechazar H3" 6 H3'.lc (ú - l)(ü --1) rt1 ar* u" = )(r. Tabla 9-5 Entre tratamientos.tt y Ht2'. página 312. Bajo la hipótesis H'oz'el estadístico 3.r * Fr * 7.

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

El procedimiento se ilustra en el Problema 9-tr3.9-l . 9-1 por cuadrados. Pa¡a üseña¡ tal experimento podríamos dividir el teneno en 4 X 4 = L6 parcelas (indicadas en la Fig.r A B c A C B A c C" Dr Au B6 Cuadrado Compleüa aleatoliedad Bloquee aleato¡ios Cuadrado latino Fis. y utilizando este valor para remplazar el denominador 3! en el ensayo F.los detalles de un experimento deben planearse cuidadosamente con anterioridad. que pueden analiza¡se como en la Tabla 9-5. indicados por .F de 33/0? V GfBi en cambio de esas dadas en la Tabla 9-6. el Las relaciones tr'en la nulas ANALISIS DE VARIANZA 31ó las hipóteeis ütima columna de la Tabla 9-6 pueden utiliza¡se para ensayar I/[t): Todas las medias de tratamiento (fila) son iguales.F' de 3?/S3 de la Tabla 9. DISEÑO E)GERIMENTAL Las técnicas de análisis de varianza discutidas anterionnente se emplean despuós de que se han obtenido los resultados de un experimento. y l/.1) (b . En este caso podemos concluir que las interacciones son considerabtemente grandes. Caso I. aunque físicamente cualquier forma puede utilizarse) y asignar cada tratamiento. Caso II. Algunos estadísticos recomiendan combinar las va¡iaciones en este caso tomando el total u¡ * u" y dividiéndolo por el üotal correspondiente de los grados de libertad. Esto se denomina a veces como diseíw del experimento. Las diferencias en los factores serían impgrtantes solamente si fueran grandes comparadas con tales interacciones. En este caso podemos concluir que las interacciones no son muy g¡ánAes. (a . El análisis de varianza con repetición se efectúa mucho más fácilmente al lsJolizar primero los valores de repetición que corresponden a tratamientos (filas) y bloques (columnas) particulares.l) + ab(c .1). D.9-3 grecoJatino Fig. Il[r) no puede rechazarse.j'z) utilizando las relaciones . página 306. esto es l3*= 0 I{:}): No hay interacciones entre tratamientos y bloques. D A C C c B A D D B C B C A D A A Bf A6 Do AB Bn D6 co DB B D D C B A B D II III IV A B D C B A C D D A c D cf BB D B B c6 A.2 Fig. Luego podemos ensay4r H. Por esta razón muchos estadísticos recomiendan que se ensayen I/é'. para ganar tanta información como sea posible. Supóngase que tenemos un experimento agrícola como en el Ejemplo 9.6.4. Completa aleatoriedad. a cuatro bloques escogidos completamente al aza¡. Il[3) puede rechazarse. B. El propósito de la aleatoriedad es la de eliminar varias fuentes de enor tal como fertilidad del suelo. esto es 7¡¡ = 0 Desde un punto de vista práctico debemos primero decidir si puede rechazarse o no I[[3) a un nivel apropiado de significación utilizando la relación . Dos casos poóibles se presentan.cAP. En lo que sigue damos algunos ejemplos importantes de diseño de experimentos. Utilizaremos este procedimiento alterno. utilizando hs íelaciones F de G?liZ v 3:63 reópectivamente como se muestra enlaTabla9-6. esto es oj = 0 I{2): Todas las medias de bloque (columna) son iguales. 9. etc. Sin embargo.o) y-H<2. Esto produce una tabla factor dos con valores singulares.1.9-l Fig. C. 1.

-r)2 i.n-r.il :- > = j=t . Tal cuadrado es esencialmente dos cuadrados latinos superpuestos entre sí.--). D uttlizadas para un cuadrado mientras que para el otro cuadrado se utilizan letras griegas a.k 2 Tenemosr¡¡. . II.[-i. como la diferencia en filas y la diferencia en columnas. 3. -")[r\t-tj L .]: ya que ij. principalmente la diferencia en bloques (filas en la Fig.1. D.k )2 t )(r-. = Lk + j. C. ANALISIS DE VARIANZA [cAP.316 2.2. 9-2). Para algunos propósitos es necesario controlar dos fuentes de error o uariabilidad al mismo tiempo. Cuando se cumple esta propiedad el cuadrado se dice ortogonal.* .ri)(ii .s resueltos CLASIFICACION SIMPLE O EXPERIMENTOS DE UN FACTOR 9. D se introducen en orden aleatorio dentro de cada bloque I. /V (véase Fig. r. lJ. 9-3.á . En el experimento del Ejemplo 9.- )(". como se indica en la Fig.i)' : )(r. 9-4. III. es necesa¡io tener un conjunto completo de tratamientos para cada bloque los tratamientos A.^-¡.r. B. Cuadrados latinos.^ .^.. C.\' i.1. B. e Bloques aleatorios: Cuando..t.^ -. r] Q ".i=(rjr-rj)+(rj.-f)t t. 9-2) y por esta raz6n los bloques se conocen como bloques aleatoríos.k así (r. S.k '' i\2 + )1o.) i ". Este tipo de diseño se utiliza cuando se desea controlar una fuente de error o uariabilidad. como en la Fig. como en el Ejemplo 9. Si es necesario controlar üres fuentes de efror o variabilidad se usa un cuadrado greco-latino.Entonceselevandoalcuadradoysumandosobrej¡zlzhallamos )(".*.Elrequisitoadicionalquedebe cumplirse es que cada letra latina debe utilizarse solamente una vez con cada letra griega. En tal caso es deseable que cada tratamiento ocurra una vez en cada fila y una vez en cada columna. C. - ". errores en diferentes filas y columnas podrían ser causadas a cambios en la fertilidad del suelo en diferentes partes del terreno.-) -. = 1o. Cuadrados greco-latinos.". B.r. Para hacer esto procedemos ñ (". Demostrar que ) i. Problerna. con letras latinas A.-tj)(:¿'j-t) j* Para demosürar eI resultado pedido debemos mostrar que la última suma es cero. El arreglo se llama cuadrado latino puesto que se utilizan letras latinas A.. por ejemplo.k )(r. 4.

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

de significación del (c) 0. = ) @¡¡-E¡.318 ANALrsrs DE vARTANZA Para simplificar la aritmética podemos restar algún número apropiado. -¿). Por tanto los rendimientos medios. de todos los datos sin afectar los valoree de las variaciones.Tabla 9-8.)2 t. eon 49. hallar una estima insesgada de la varianza poblacional oz de (c) la variación entre tratamientos bajo la hipótesis nula de igual medias de hatamiento. ¡r.05.4)'.4)2 + (4- + (2 -3)2 + (4-3)2 + (:J-U + (5-4¡r + (4-4): 3)2 + (3 .4)2 + (2 . (b) 0. 48 y 50 hl/ha para A.k = (3.u = 14-8 = 6 (cl. 1 = 4. (o) ConreferenciaalApéndiceF.¿): + (4 -4):¿ + (6-4)2 + (5. = !4(B+4+ 5+4. [cAP. .:l = = r'.4)2 + (4-4): + (3 .4)2 + (5 -.05.41-B. = b)) (é) Variacióndentrodetratamientos Otro método. B. Tabla 9-E e (a) por Las medias de tratamiento (fila) para la Tabla 9-8 vienen dados respectivamente rr.5)r + (d--5)! -l (5-5)r + (5-5)r 412 9. 4l(4 . obtenidog al sumar 45 a éstos.26. 3 0.. por ejemplo 45. =. C (b) (c) .01? Tenemos con-o Con referencia al hoblema 9.4.4¡:: * (3 .Puesüoque^F :6)F.@ir-E)2 = (3-4)r + (4-4)x + (6-¿)¿ + (4.g)r + (4. = i(B+4-f b+4+2t.95:4.96podemos techazar la hipóüesis nula de medias iguales al nivel 0. Con referencia al Problema 9.4. Entonces obtenemoe los datos de la.yemosqueF.6. = lae+A+3*B) = 5 3.f B+4+6+b+b¡ = Así la gran media para el conjunto original de datos es 45 * 4 : 49 hl/ha. ¿podemos rechazar la hipótesis nula de medias iguales al nivel - 1 : F=$=h = 3 6 - L : 2ya(b .: i(4+6+5*5) = respectivamente. (b) la variación dentro de tratamientos.¿.¡..conut:2yu2:9. Variacióntotal 4 =.4)! + (3 .5.¡. i.1): 3(4-1) : I grados delibertad. = o.4): + (5-4¡: =14 ((l ) Variaciónentretratamientos = tr. (a) (b) ? 3 9.

4.9 o(b-1)=(3)(3)=9 gradoe de =14-8=6 libertad 9. . .O1.vemoaqueF. = 4 +6+5*5 = 20 r = 16+12+20 = 48 Luego D6 1s-. Utilizar las fórmulas cortas (101-(12) para obtener los resultados del Problema 9.4-9.?. (o) Tenemos 2r¡?r=9+16+26+16 t'k +4+16+9+9 +16+56+26+26 También = 206 = 3+4+5+4 +2+4+3+3 +4+6+6+6 =48 1) Por tanto = a"?--# : .= Dentro de t¡ata 0w=0-0b a -63 ^' .06-S8t = (b) Los totdes de las filas ¡on 206-rsz = 14 También rl.a&-6 . Tabla 9-9 Gg=f.2/3 n con 2.6 ¡e muestran en la Tabla 9-9. el ANALIS$ DE VARIANZA 319 (b) ConreferenciaalApéndiceF.6:8.4 ba'i ab 1 i062+t22+202) 0w: (^8\: te. I¿ tabla de aDáli¡is de va¡ianza para loe hoblemss 9.02.9no podemos techazar la hipótesir nula de medias iguales al nivel 0.n) = : 2oo 6 _ tg2 = E (c) D-Qb:14-8 .cAP. = 3+4+6*4 = 16 tz.conur:2!uz:9.Pue8toqucF=6(F.=2+4+3*3:12 rt..

100 0 A 8 t2 15 3 -18 -7 -t 10 0 B C t2 0 -8 22 -5 T7 6 l5 60 3600 400 400 4ó00 D -12 4 1-34-10 6 -20 8 -l E t0 20 70 2r.?¡ Entonces = 2356 r. por ejemplo 60. cinco operadores experimentados trabajan con las máquinas durante intervalos iguales. Ensayar la hipótesis hay dife máquinas a un nivel de n del (a) Tabla 9-1 A B C 1 68 72 75 42 53 i2 52 63 55 60 82 65 7? 48 61 57 64 48 76 50 53 D E 64 65 70 68 Reste un número apropiado. de todos los datos para obtener la Tebla 9-12. La Tabla 9-11 muestra de unid s. e t T: A B C 3454 2433 4655 16 256 t2 20 r14 400 ) s. = t4 800 7) = (zoe)r-9q): = u¡.rooo¡ .4 y a partir de este punto el análisis proce- 9'8' máquinas didiseñado para .'r = 206 " = ?". de las máqui nas. 16= = zs56-246 soo = zrrL (i55 I t. Tabla 9-12 J Í: ). Tabla 9-10 T [cAP.(¡ti)] : ! Los resultados concuerdan con los obtenidos en el Problem a 9. = lrsoor --.ffi : - 245 := .320 Es conveniente ordenar los datoe ANALISIS DE VARIANZA como en la Tabla 9-10. =48 ?t. de como antes.ab6-1#¿.

u. .cAP. el Formamosla Tabla 9-13.05.1456 =ZO I | =. MODIFICACIONES PARA NUMEROS DESIGUALES DE OBSERVACIONES 9..9. 20 grados de libertad tenemos F .(10 8r: I í8 __ 8)r -i rG 8): -1..i = Gran 8 media = 84 1t En esta tabla hemos indicado los totales de fila. 7):+(11 -?)2+.fti'k ¿rr.r.ss: 2.-¡.18-512: rl¡--5rr .102 410 .01 si hay una diferencia en los tres tipos. Tabla 9-13 Entre tratamientos. las medias de grupo o muestrales y la gran media. Utilizando el método largo. por ejemplg 400.2lIl I ab-I=24 I W = tz.)! ¿'. (b) 0.f)r!-i tÍf -f)): r t.)rr¡(.(8 _ 8l: - .8 (5X4) t: Pata 4..t0i Muestra 2 Muestra 3 11 409 401 406 408 405 .".-i. ?t¡ = 655 tratamientos.u-1) = 5(4) rA = I l "u ?'..-i)z -3(9 ' - 7\2 36 ! 5(7 + 4(8 -- 7)! = 36 .)(r. Tabla 9-15 Total Muestra 1 Media 9 7trI 4 27 8 5 2 Muestra 2 Muestra 3 6 25 32 5 10868 . Es conveniente restar Tabla 9-14 Muestra 1 . La Tabla 9-14 muestra la duración en horas de las muestras de tres tipos diferentes de tubos de televisión fabricados por uná compañía.-+(8-7)z = 5): 72 -= J'K )(t. y obtener la Tabla 9-15.1 .^. ensayar al nivel de significación del (c) 0.87 . Entonces tenemos .u¡. lógicamente tampoco la podemos rechazar al'nivel 0.108 406 408 un número apropiado.(i -5r2 . .r (2 5):r -l. ". Por tanto no podemos rechazar la hipótesis nula a un nivel 0..ru r También podémos obtener 72 -- 36 . ANALISIS DE VARIANZA 321.05.01.¡r .l-5rr -.. directamente observando que es igual a (7--9):r-(11.

2 ñ"¡'.10.(32)2 s-5-4 -W = s6 'l)ú = I-Ub Utilizando estos re¡ultados el análisis de va¡ianza procede como en el Problema 9. (25) V Q6l. = 19= 1g 5.9. Soluciona¡ eI Problema 9.02.os datos pueden resumirse en la tabla de análisis de varianza.99 : 8.6 7.=27.322 ANALISIS DE VARIANZA f.(25)2.8 o. La Tabla 9-17 muestra los rendimientos por acre de cuatro go. (b) hay una diferencia significativa en rendimiento por acre debido a las cosechas. Por tanto ! = n2=5. Rt=3.96 : 4. 12t nB=4. so:. 12. Por tanto podemos rechaza¡ la hipótesis de medias iguales (esto es. como también los totales de columna. De la Tabla 9-15.?. ensayar al nivel de significación de 0. 9.05 pero no al nivel 0.-. Tabla 9-16 [cAP. F.9 6. Tabla 9-16.2 7. .2 Calculamos los totales de fila y medias de fila.7 45 8. = = 36 (27)2.8 9.8 6. I 5.5 Enüonces para 2 y 9 grados de übertad hallamos del Apéndice F que F.4 uru so'- 18 = 36 G1=?9=4 = 4.26. las medias de columna y la gran media.. como se indica en la Tabla 9-18.=32. rg..11. CLASIFICACION DOBLE O EXPERIMENTOS DE DOS FACTORES 9.9 utilizando las fórmulas cortas incluidas en (24). + 62 +8r-Q|2 = 72 a6 = ?t-.01. 72 t1.:25.01 si (a) hay una diferencia significativa en rendimiento por acre debida a los fertilizantes. e Variación Grados de libertad Media de cuadrados F D¡=36 a-7=2 n-a=9 io. Tabla 9-1? Cosecha cosechas de plantas diferentes culparcelas tratadas con tres tipos diferentes de fertilizantes. Utilizando el método lartivadas en Cosecha I Fertilizante A Fertilizante B Fertilizante C u Cosecha III Cosecha IV 6. n=12.4 7. ninguna diferencia en los tres tipos de tubos) al nivel 0.0 5. ¡=84 = + iL2 + .

32 U: Va¡iación total (4. Fq.6.ocz Al nivel de significación de 0.2 23.8)2 + (5.9 columna Medias de 19.7 -6.5 18.8 .6 grados de libertad.:5. .zt gl: 2. Entonces.8 7.0 Gran total 22.0-6.8)21 = 13.8 Media de fila 6.podemos rechazar la hipótesis de que las medias de fila son iguales y concluir que al nivel 0.8)2 + (?.8)2 + (6.86 gl: 3.2 -6.5 -6.8)2 + (8.3 Gran media 6.S12 -'.7 5.8 -6.2 Fertilizante A Fertilizante B Fertiüzante C Totales de 4.4-6.3 5.8)2 + (8.8)2 + (5.08 ue : Variación aleatoria = Lt .2 2t.5-6.58 F =G?/C?: a. Ya que el valor d'e F correspondiente a las diferencias en las medias de columna ea menot que 1 podemos concluir que no hay difenencia significativa en el rendimiento debido a las cosechas.6 ¡'=0"2/i3=0.05 hay una diferencia significaüiva en el rendimienüo debida a los fstilizantes.yaque 6.5 6.8)2 = 23.9 68 5.0 33.0 7.8)2 -1 (9.8)2 + (5.6 columna u.7-6.6 oi = t.cAP.14.8 .05 con 2.7 8.6 5.9 = = 81.4¡z a (6.r. : Esto conduce al análisis de varianza en la Thbla 9-19. Tabla 9-19 6.6.68 u" : Variación de medias de columna con respecto a la gran media = 3[(6.3-6.6.6 7.4¡z * (7.8)2 + (5.r.14.9 .8¡r+ (7.8)z] = 2.9 -6. el ANALISIS DE VARIANZA Tabla 9-18 Cosecha 323 I Cosecha II Cosecha III losecha IV Totales de fila 24.2-6.6.6.8 : Variación de medias de fila con respecto a la gran media = 4U6.8 9.4 7.2 .0 . (7.4-6. 64 7.8)2 + (6.8)2 + (6.2 6. .24> 5.5 6.2 8.6.3 .6.6 .S¡z a (7.

Para llevarlo a cabo se obtiene el número de tornillos defectuosos producidos por cada máquina durante los días de una semana en cada uno de los dos turnos.2)2 ¡ + (33. 554.9)2 = 1673. D en la producción de tornillos. Un productor desea determinar la efectividad de cuatro tipos de máquinas A.k )"i T a . : lcAP.2.88 2. .2)2 (27-O'¡z r.6 = (4.68 .96 S-z Sro (24.6 : 577. Los resultados se indican en la Tabla 9-20.11.10 Entonces s-2 j* tt'r^ 12 ab = vr 1s-r-t' 577. móquina y lurno.t2. Tabla 9-20 PRIMER TURNO Lun 6 SEGUNDO TURNO Mar Mie Jue Vie Lun Mar Mie 12 Jue Vie 10 C I o D 10 Los datos se pueden organizar de igual forma como en la Tabla 9-21.24 ¡ (22.6)¿ = 2274.96 bj'j.2¡z (19.n¡z (5. Efectuar un análisis de varianza para ensayar al nivel de significación del 0.324 ANALISIS DE VARIANZA las fórmulas cortas para obtener los resultados del Problema 9.S¡z a (6.G8 = *>t-"ti = |trozs.5)2 + (18.2+23. B.88 ab = 23.05 si hay (c) una diferencia en las máquinas.08 de acuerdo con el Problema 9. Utlizar Tenemos de la Tabla 9-18 i.82 = 6. C.2)2 81.82 11 = = 23.13.88 = = 18..08 = uc Lnezln. e 9. + 24.8+33. (b) una diferencia en los turnos.58 EXPERTMENTOS DE DOS FACTORES CON REPETICION 9.ut - bb4.rol rt .11. En esta tabla se indican los dos factores principales. - 13. Nótese que para cada máquina se han indicado dos turnos. Los días de la semana se pueden considerar conro réplicas o repeticiones del rendimiento de cada máquina para los dos turnos.zu 'üc bb4.(23..

1 = 6..3.b --5 ...5 = 1861.-.cAP.S . Estos se ordenan en la Tabla 9-22.)' + qq -ld. móquino y turno. (31)2. ZO - (126\2. (119)r_eqq\2 ? 40 - _ 180s. concentremos nuestra atención al üotal de los valores de repetición correspondiente a cada combinación de factores. variación debida alasinteroccion¿s entre las filas y columnas.¡2912. viene dada por -. Esta viene dada por * u" ) obtenemos la 0i = 0"-D¡.4 Para considera¡ los dos factores principales.b .6-51.0-8. + 72 +L02-W = 1946- 1?95.(41)2. (38)2 ""--6-5 .S .0c = 65.?_1?e5. que llamaremos variación subtotal u".5 .6 = 1b0.6 rov = 8. Tabla 9-22 Primer turno Segundo 30 turno TOTALES 64 85 63 66 A B c D TOTALES 24 41 32 28 t25 44 31 38 143 268 [.4 variación total para la Tabla g-22.6 = 51.1795.0 'tt" = --ñ.1 Si reetamos de la variación subtotal u.2 . (32)2. (30)2. que es una tabla de dos factores con valores simples. el ANALISIS DE VARIANZA Tabla 9-21 325 FACTORI FACTORII Máquina REPETICTONDS Türno Lun 6 D Mar 4 I Mie D Jue o 6 Vie 4 8 Totales 24 30 A lz lz (1 f1 4 B l1 10 8 79r288 7 7" I 4l 44 c D lz lz TOTALES jI 76669 97546 8 o 4 d 32 31 l1 6 o 65 ?10 47 59 28 38 51 64 268 La variación total para los datos de la Thbla 9-21 es o = 62* 42+62+ .6 La variación enhe filas üene dada por (zee¡z 40 a' = (54)2 (85)2t' (6.6 : 66.6 - 1?9b. la suma de las variaciones entre filas y columnas (u.ro ro 10 La va¡iación entre columnas viene dada por (zgq)' 40 = 1846. _124)2. (44)2.

6 + 84. 7 (3 + 1): 3.entantoquelavarirrcióndebidaalae 2columnastiene 2-L= Estas va¡iacionee se indican en el análisis de varianza.. 0' = 51'0 i? = tt.8 1 grado de liberüad.4 Para continuar debemos determinar primero si hay alguna inüeracción significaüiva entre los facüores básicos (es decir. u¡ = 6.SfSe:2. Por tanüo los grados de libertad debidos a l¡ va¡iación residual o aleatoria ee 39 7 : 32.8 : 91.65 para el denominador de F en la Tbbla 9-23 no afectan las conclusiones alcanzadas anteriormente. ya que hay 4 filas en la Tabla g-22La variación debida a l¡s fila¡ tiene 4 . 0c = 8'1 Interacción.:6.16. eeto es.3 y 3 + 32: 36 respectivamenüe. D" = 84'8 Total.06. lo cual indica que la interacción no ee significante.81?. Esto es equivalente a decir que al nivel 0.42.61. Al usar este valor en cambio de 2. ce debe a interacción.o" : 150. e Finalmente la variación reaidual.6 : 84. no podemos techazt la hipóteeio l/[zt ¿" que las columna¡ tengan medias igualee. Siguiendo lae reglas de la página 315.! : Sgradosdelibertad. Po¡ tanto el total de gtadoe de libertad es 8 I : 7. Esto esequivalenüe a decir que al nivel 0. De la Tabla 9-23 vemos que pa¡a interacción F : 0.90 para B.F nl: 2. Eeto resulta en a" = Q-(or*o"*o¡l = 7). Si decidimos analizar los resultados combinando las variaciones residual e interacción como lo recomiendan algunos estadísticos. Puesto que . 32 grados de liberüad Fn. u= 150. que conduce a unava¡ianzacombinadade gL. Para hallar loe grados de übertad debidos a la interacción obeervamoe que hay 8 valores en la Tabla 9-22.06 no hay diferencia iignificativa entre turnos. - libertad cottespondientes a cada tipo de variación. Tabla 9-23. Puesto que 3 de esos 8e deben a filas y 1 a columna¡.: 4. la va¡iación subtotal) ¿L U variaóiOn tot¿l u.o Columnas (turnos). . Entoncee ya que F calcul¡do para lascolumna¡es 8. el reeto. vemos que F para las fila¡ e¿ 6. filas y columnas de la Tabla 9-22). que puede considerarse como la variación aleatoria o de e¡ror u" (ai se cree que los diferentes días de la semana no proveen ninguna düerencia importanüe). I¡iabla también da el número de grados de Tabla 9-23 Filas (mÁquinas).5 G? = zltt Aleatoda o residual.Ya que hay 40 valores en la üabla original 9-2i el total de gradoe de libertad es 40 1 = 39. hallamos para la va¡iación combinada y grados de libertad combinados u¡* u.tr ¿" que lar fila¡ tienen ¡¡sdi¡¡ igualee. podemos rechaza¡ |a hipótesis flllr ¿" la pógina 315.326 ANALISIS DE VARIANZA lcAP. Para l. se halla reetando la suma de variaciones füa. columna e interacción (ee decir.4-65.05 podemos conclui¡ que las-máquinas no son igualmente efectivas. Aef. B2 grados de libertad podemos rechazar la hipóüesis ll.

l cAP. Un hacendado desea ensaya¡ los efectos de cuatro fertilizantes A. Solucionar el Problema 9. el ANALISIS DE VARIANZA 327 9. 4 : 5443.r.5439.e0 = 7. concluimos que al nivel 0.69 16 variaciónenrretratamienros = .26 A B 48 At5 c23 BLO 73 C 85 D 92 B15 420 D2r 74 TOTAL 70 296 c22 TOTALES 77 At7 7l 295 himero obtenemos toüales para filas y columnas como 8e indica en la Tbbla 9-26.05.25 *9'{ -(fftr = 284. de modo que podemos proceder más al. 29.Ia variación üotal y las va¡i¡ciones para filas. Ya que F . Tabla 9-25 At8 D22 c2r Bt2 420 D25 BLI at6 c2s 810 ct9 D24 875 c22 D2l At7 TOTALES AL8 D22 c2l BL2 D26 Btl c19 D24 75 68 82 70 Tabla 9.06 .01.94 Variación entre filas . D en el rendimiento de trigo. 32 grados de libertad y puesto que F para columnas es 3. Efectuar un análisis de varianza para determinar si hay una diferencia significativa entre los fertilizantes a niveles de significación de (c) 0. 32 grados oe libertad y puesto que F para filas es 6.01 las máquinas no 6on igualmente efectivas. A este nivel aún no hay interacción apreciable.13 si se utiliza el nivel 0. B. Ya que ¡'.lá.49. Hdlamos Va¡iacióntotal : o= (18)? + (21)2 + (25)2+'. = T*ry*ry 5723.51 para 1.47 para 3.06 = 4.06 : 329.t: 4.' + (10¡z * (lT2 -@5Y 16 5769 - 6439. donde los números indican rendimientos en dkl por unidad de área.14.15. columnas y üratamientos se obtienen común y corrienüe. C..19 (2eS1z - 5439.At-ril.19 - 5439.06 : va¡iación entre (77\2 (74\2 (78\2 (71\2 columru lS=?rc= 4 . CUADRADOS LATINOS Tabla 9-24 9.05 y (b) 0.01 no hay diferencia significativa en los turnos.1)¡ ff +ff + ff -5468.25 + ry .75 . También obtenemos el total de rendimientos para cada uno de loe fertilizantes como g€ muestra en la Tabla 9-26.4 -. podemos concluir que aún al nivel 0.4 .01. Para eliminar fuentes de enor debidas a la variabilidad en la fertilidad del suelo emplea los fertilizantes en una distribución de un cuadrado latino como s€ indica en la Tabla 9-24.

0 : 9. Es de interés determinar si hay alguna diferencia en el kilometraje por galón entre las gasolinas A. como se indica en la Tabla 9-28. 4. denotados por o. 6.05. 29. Se deduce que al nivel 0. Ya que el valor de.69 Tlatamientos. Asignamos las diferentes gasolinas A. D aleatoriamente a filas y columnas.05Ia hipótesis de que hay medias de fila iguales. Así cada conductor tendrá una oportunidad para conducir cada auto y utilizar cada tipo de gasolina (y ningún auto será conducido dos veces con la misma gasolina).19 Columnas. p.¡..19 Residuales. Asignamos aleatoriamente los cuatro caminos que van a emplearse.r. LATTNOS 9. Puesto que se incluye igual número (cuatro) de gasolinas. podemos aceptar la hipótesis que no hay diferencia enla fertilidad del suelo en las filas (o las columnas) al nivel de significación del 0.76.05 hay diferencia en la fertilidad del suelo de una fila a orra. 11. 284. (b) Ya que Fgo. D.328 ANALISIS DE VARIANZA El análisis de va¡ianza s€ muestra en la Tabla 9-27.01. sujetos a los mismos requisitos impuestos a las letras latinas.' I A. e Filas. i I}¡ 9.F para tratamientos es 4?. autos y caminos podemos emplear un cuadrado grecolotino. Tabla 9-28 CONDUCTORES 1234 B. cuatro autos y cuatro caminos diferentes. Sin embargo.16.9 > 4. Puesto que el valor F para columnas es menor que 1. debemosconcluirquehay una diferencia entre fertilizantes al nivel 0. C.o :4.01. rechazamos al nivel 0. CUADRADOS GRECO. B.8? (o) Puesto que F er. conductores.lJtiliza¡ el análisis de varianza para determinar si hay alguna diferencia significativa al nivel 0. Suponga que en el desarrollo del expeúmento del Problema 9-16 el número de kilómetros por galón es el dado en la Tabla 9-29. de modo que cada letra apatezca solamente una vez en cada fila y solamente una vez en cada columna. 7. C. B.. Un aneglo posible es el dado en la Tabla 9-28.76. concluimos que no hay diferencia en la fertilidad del suelo en las columnas. Así cada conductor tendrá la oportunidad de conducir a lo largo de cada uno de los caminos. 4. Supóngase que los diferentes autos se representan por las filas y los diferentes conduetores por las columnas. Tabla 9-2? lcAP. Diseñar un experimento utilizando cuatro conductores.78.17. podemos concluir que hay diferencia entre fertilizantes. .

1 para un cuadrado de n X n. (59)2 . columnaE.60 - 4096 = = 16. (61)2 4-4-4-4-16 4102. como eigue: Atotal: 15+16+15+16 = Btotal: 19+18+2I+ 23 = Ototal: .60 (A.4 . utilizando el método corto. B.50 4244-4096 = 148. C.os resultados se mueshan en el análi¡i¡ de varianza. 16+11 +11+ L4 = Dtotal: 14+16+16+16 = ctotal: 14+18+15+14 = /3 total: 16 + 16 + 2l + 15 = ytotal: 19+16+11+16 = Stotal: 15+11+16+23 = (65)2 62 81 62 61 61 68 62 66 Entonces calculamos ¡ug va¡iaciones conespondientes.60 Columnas: . Las filas. -1--4(n-1)=(n-lXn-3).cAP. (81)2 .Portantolosgradosdelibertadparaelerroresn2 caso n f. E número total de gados de übertad es n2 . Filas: a----l---4 (64)2 . (61)2 .00 de modo que la variación debida al e¡ror e¡ 148.60 -4096 = 111.Ennueetro . 4 - (70)2 (256\2 16 Q6A)z 16 QAA¡z = 4112. el ANALISIS DE VARIANZA 329 Prirpero obtenemos totdes fila y columna como ¡e indica en la Tabla 9-30. ó) Ga¡olinas: (62)2 4267.6o-40e6 = ?. (63)2 .60 = 6.60 ry*ff+ff+ry-ry 4 (16)'z = 4ros. (68)2 4 . 7. Dl Caminos: (o' P. leüras laüinas y letras griegas cada una tienern 1 grados : 4.50 - 7.00 - 6-50 - 11r.00 deliberüad. Tabla 9-31.50 La variación total ee (1S¡z * (le¡z + "' + (16)2 + (2s\2 -e66\2 =' 'I | \-vt 16 16. (52)2 . (62\2 -.4-T 4 . Tabla 9-29 CONDUCTORES Tabla 9-80 TOTALES Bf 19 ae Bc 16 1g 11 16 61 D6 16 cq 1¿ 65 69 62 70 By 19 ap 16 D6 16 cd 14 A6 t6 Ds cB TOTALES 14 L6 64 82 E{ cr lL BB 2l DB t6 A6 15 Bo 18 cy ll Bs 2r ao 15 De t6 c6 Af 86 16 23 68 Do 14 L6 c6 lL Dr L6 Ar 86 L6 23 Df As L6 63 cF 266 Entonces obtenemos los totale¡ para cada letra l¡tina y para cada letra griega.60 I 4096 6.

330 ANATISIS DE VARIANZA Tabla 9-31 lcAP.or.05 pero no al nivel 0. 6).tz = b j=r |Lo rEr' " ' ) = ¿!s? j=1 d.-¡b-l ¡ es la varianza muestral para el tratamiento jr como que el tamaño de la muestra es b..". El tratamiento medias de la población viene dado por p¡ Por tanto ac = 9. Entonces..50 2. Se deduce que t=L )¡t* )"t j:r ' donde hemos utilizado la definición p )a.} ..) = bj¿E(Si) utilizando (I6) del Capftulo 5. b 3 (¿'-1"'\ -i---t\ b / = a(b .60 Gasolinas.s : 29. ya E(v.500 :?*33=t.r. B.= .s. (4. 6.5.l)oz - .18. Por tanto podemos rqchazar lahipótesisdequelasgasolinasson igualee al nivel 0. (b) la ecuación (I6).28 V F.a:9. Derivar (c) la ecuación (17). (o) Poi definición tenemos v. e Columnas (conductores).*-i.C.D). Demostrar que > oj = 0 [(15). de Ia página 308.so.01. = 9. Capítulo 5.3u*3" = op+\'¡ t=L i=l !:t' = (2p)/a.26 Tenemos F. donde Sf é define por (15).19.50 Caminos (o' É' 7. página 308]. PROBLEMAS DIVERSOS 9. 5u. 7.¡z > + ) (x. J=r - =. 111. = F* e¡.-*.

obteniendo u" . En el Problema 9.01? Si existe alguna variación debida a las repeticionee se incluye en lo que ae llama el ertor re¡idual o aleatorio.bgQ7z) Entoncee para cualquier variable aleaüoria U.) / \ // /\/ ' = b>*?. bSJ/o2 tiene drado con b .cAP.+*i):-l -"ufLab J !+rr) " '' ) -LD aoz * b ) (p+ a¡)2 - o2 - s'b. en (I ) tenemos E(va) = b>[+*(¡. + > al - ob¡P (c--t)62 * b ) a. = 84. P¡ra hallar la variación debida a larepeticiónutilizamoslostoüalegdecolumna cn la Thbla 9-21. E(U2) = Var (U) + lE(U)12.) = pj = p+ai Utilizando los resultsdos (2>(7).1 gradoe de libotad.\12 lBlx¡12 E(xil : E(Xz) = Var (Í) + Pero ya que las poblaciones de traüamiento son normales.P = (a-l)o2 * abp2 + zbp> ". que V-/o2 tiene dishibución chi-cuaüado cón o(b - 1) 9. en la Tabla 9-23. puesto que las varianza¡ S! bn indep el Teorema 4-4.18.) + a. tenemos dd Teoreme 6-4.t) X = ( )It. con medias ¡t¡ y varianza común 02. omitiendo el fndice de la euma. ¡úgina 161..p6gitn 116. los diferentes días de la semana.21.19(o). página 158: ( tr) var (5) =r Var(X) = # E(X) = p (i¡.20. Entonceo.-x¡z t=r aa a o = b>*i-2bx)x.-ab*z j=1 a. página 309. Por tanto lv(x. (b) 0. Demostt'ar el Teorema $1.05. üenemos E(val = b>86?) var(i¡.2 9. ¿Podemos sostener esta conclusión al nivel de signifi cación del (c) 0..Enloncex. Como ¡e indica en el Problema 9.) (d) (7) E(Xj.13 supusimos que no existían diferencias significativas en las repeticiones. el ANALISIS DE VARIANZA Por 331 (b) definición vt' = a ) 1*r. . más el reeulüado dd hoblema 9.+auxz l=r t=L ya que (f) (21 (. Por el Teorema 5-6. esto es. 3S:1 v-=a!q 6 += llt J=r o2 donde S! e¡ la v¡rianza mueshal para muestras de tamaño b exüraídas de la población de tratamiento j.8.

"o = 11. l---g 6. es la Tabla 9-32.t 2 @¡rt- ú)z que puede dividirse en siete variaciones.. Las siete variaciones en las que se puede dividir (1 ) vienen dadas por u = DA+ürJ+uc lTIAB *. Pero ya que Fe5: 2. podetnos concluir que no hay variación significativa al nivel de 0.86. 9.Elvalorú¡¡.C{luposdenotadosporC¡.. I-a variación residual después de restar la variación debida a la repetición ea ue : 84. e 1t=-+'re¡ (57\2 g (51)2 g . Las otras variaciones son las mismas a las de la Tabla 9-23.u¡6.C". .18.4 Puesto que hay 5 repeticiones.k. Suponemos que la clasificación se hace en A grupos. Estas variaciones son entre clases del mismo tipo y entre clases de diferentes tipos (inúerccciones). La interacción entre todas las clases se denomina como antes la uariación aleotoria o residuol. es decir.*ucA-. Ao) Barupos. denotadospor ejemplo. Reproduzca la tabla de análisis de varianza a emplearse en tal caso.332 ANALISIS DE VARIANZA [cAP. los días de la semana no eon significativos.. Tabla 9.4 3 Aleatoria o residual a'" | 2. Finalmente d Existirá una uarioción total dada por (l) 1) = t.¡r.7! parz 4. La tabla final de análisis de varianza. sedenotaporxjkl. como se indica en la Tabla 9-33.4..0g. es la media de valores para las clases Il y C cuando Ar es constante.1795..4)2 . teniendo en cuenta las repeticiones.06 (y por tanto al nivel 0.2g grados de libertad. 8r.4 De la tabla vemos que el F calculado para repeticiones es 1.8¡r.22.. C. g - (268)2 40 = 1807 .EIvalorenA¡.32 Filas (máquinas).. Describir cómo se pueden utilizar las técnicas de análisis de varianza para clasificación triple o experimentos con los tres factores (con factores simples). T.767 | -=0.8 114: ?8. (47)2 (50¡z -. Sigñificados análógos se dan a E¡ ¡ ! r . . .01) debi- da a las repeticiones.6 = 11.rpor denota la gran media. Ias conclusiones reliacionando máquinas y turnos son las mismas a las obtenida¡ en el Problema 9. denotados pot 41..ú¡n< ... 0' = 0c 51'0 Columnas (turnos). = 8'1 Repeticiones (días de la semana). o. El valor f. denota la media de valores en la clase C cuando A¡ y B:p se maitienen fijos.827 = 73. el número de grados de libertad asociados con esta variación es b 1 : 4. .

." = uesc (o-l)(ü-lXc-1) Probletna..ri. (o 1)(b 1)(c 1) gl 1) ¡ A.cAP. determinar si hay una diferencia significativa en rendimientos a los niveles de significación del (a) 0.s suplernerirta.A^o 8ó^tsA.Bc -1) 3. Se asignan cuatro parcelas de terreno a cada 20 12 15 t7 L4 19 t2 15 14 12 18 D 23 16 18 15 L7 20 2I t4 L7 E .k.BC gl 0¡s (entre grupos AvB) (o-1)(b-1) (b-lXc-1) (o - 1)(b - L).Bzcl.. ? (E¡. (a..- ñ¡.. Suponiendo que las parcelas eon de fertilidad semejante y que las variedades se asignan aleatoriamente a las parcelas..I ót s.ñ. E. (o - 1)(b - 1)(c - 1) sl u¿ (entre gr¡r- posCyA) (entre grupos (c - 1)(o . Q¡n rB = = . Se efectúa un experimento para determinar el rendimiento de 5 variedades de trigo A.Bc b-r.'uc c-1.05.rlos CLASIFICACION STMPLE O EXPERIMENTOS DE UN FACTOR Tabla 9-34 A B C 9.01.ó I Dg n rA^ Ét s^.n.23.2r@i*t.c .t.ñ.kc (b - 1)(c - 1). variedad y los rendimientos (en hl/ha) son los mostrados en la Tabla 9.c (entre grupos C) -'l Añ "c . (b) 0.ñ.ú. ce' ) (¿.n\r. .4ñ sA.ByC) u (total) (o-1)(ó-l)(c-1) abc-7 9?.t .34.(a-1Xb-lXc-1) AÓ.r... el donde U¡ ANALISIS DE VARIANZA 333 - .4ñ s gl t.. Dc ñ\2 : ab 2 @.r+ ñ)z !ct = b > (ñ¡t.+ ¿.+ i)\2 E)2 aABc = ..k. (fr.. B.* ñ.+ 0nc = ".1Xó - l)(c - 1) gl os (entre grupos B) ó-1 c Ao og s "B .% (c 1)(a 1). D. (a - 1Xó - 1)(c - 1) gl trac (entre gru- posByC) o¿ =o=ffi= (c-1X¿-1) acA .-."" a a-l - 7.új.tt+ ñt.(a-1)(b-1Xc-1) Añ.J- er" (ñ¡¡1.BlSA.ñ. C.ñ j*.c)i.¿).rt.rTabla 9-3$ Media de cuadrados r¡ Ao -q¿=-A o-l Varíación o¿ (entre grupos A) Grados de libertad F ?1.

determinada de sus fibras.01 si hay una diferencia significativa en los métodos de enseñanza. El fabricante desea determinar ei hay una düerencia (o) entre operarior. Ensayar a loe niveles (o) 0.A IVfarca Tabla 9-3E 11 15 L2 14 11 15 L2 L4 Matemáticas Ciencias I 16 10 I\Áarc¿ C L2 t4 Inglés Marca D I\Áarca E 16 18 16 L7 10 12 t4 t2 t4 Economfa 72 81 88 74 80 83 76 74 77 82 90 87 7t 77 70 80 9. A 33 B 32 c 31 D 29 38 40 37 34 36 42 35 32 40 38 33 30 31 30 34 33 36 34 80 31 Método I III 76 62 7t 68 81 7g 90 81 Método tr Método 86 68 92 73 79 60 76 MODIFICACIONES PARA NUMEROS DESIGUALES DE OBSERVACTONES 9.05.30. 9.06. (b) 0.85 Tabla 9-86 9. Demo¡tra¡ el resultado (30). diferentes. Determinar al nivel de (o) 0. Demostrar los resultadoe (24). (25) V Q6). tres grupos de 5 estudiantes se escogen aleatoriamente. Dar la informaci6n deseada utilizando un nivel de oignifi' cación del 0. donde cada tipo ¡e ha tratado en 6 automóviles semejantes asignando los neumÁtico¡ aleatoriamente. (b) entre máquinas. página 310. Se efectúa un erperimento para determinar el número de artículos diarios producidoe por cada operario utilizando cada una de lac máquinas. [.06. (b) 0.28.01 si hay alguna diferencia significativa en las marcas. Demostra¡ la¡ fórmulas cortae (3I fl34).06. Luego se da el mismo examen a todoe los estudiantes y oe obtienen las calificacionee indicadae en la Tabla 9-36. Una compañfa deeea ensayar 4 tipos de neumáticoe A. Ensayar al nivel de (o) 0. 9. vienen dadas (en miles de millae) en l¡ Tabla 9-36. 9. II1. Para lleva¡lo a cabo. loa resultados se dan en la Tabla 9-39.a 9-38. página 311. (D) O. prÁgina 311. C. Tabla 9-39 Operario Máquina A Máquina 23 34 28 1 Operario 2 Operatio 3 24 28 27 I I\láquina C 27 30 25 . (b) 0. e 9. I'z duración de log neum6ticor. Tabla 9. La Tabla 9-37 da los números de mill¡s al galón obtenido por autornóviles semejantes utilizando 5 ma¡cas de gasolinas.26.O1 si hay una diierencia significativa en sus calificaciones entre Ssas asignaturas. Tabla 9-37 I\[atca.01 si hay diferencia en lo¡ neumáticos.25.os a¡tículo¡ fabricados por una compañfa se producen por 3 operarios utilizando 3 máquinas diferente¡.24. B.29. para el caso en que los 4úmeror de oba¿rvaciones dean CLASIFICACTON DOBLE O EXPERIMENTOS DE DOS FACTOBES 9.27.81. Un profesor desea eneayar treg métodos de en¡eñanza I. II. D. y a cada grupo se le enseña por un método diferente.05.334 ANALISIS DE VARTANZA [cAP. Ensayar a loe niveleg de (o) 0. Durante un semestre un estudiante obtuvo las calificaciones indicadas en Ia Tabl.

Se efectú¿ un experimento para ensayar ei el color del pelo y las estaturas de esür¡diante¡ adultos üienen algu' na incidencia en el rendimiento escoló¡tico.06 ¡i hay una diferencia en (o) lor ferüilizantes.33. y así sucesiva-E mente. 9. c Semill¡s de 5 tipos de mafz ee siembran en 5 bloques' Cada ue se asignan 0. lo 77 9.12.38 al nivel 0. en tanto que en un experimento semejante efectuado en el oe¡te da los resultados en la Tabla 9'42.23 se lleva a cabo en el suroes' te de un pale y que las columnas de la Tabla 9-34 indican 4 tipoc diferentes de fertilizante. Tabla 9-41 9. \4 9. Solucionar el Problema 9-31 utilizando el nivel de significación del 0. (b) la localización.40.06 de que hay diferencia en (a ) d método de en¡eñanza.24ltprirnera observación para cada tipo de neumático se hace empleando una claee espeiífica de automóvil. Tabla 9'4O TIPOS DE MAIZ bloque te a los hl/ha. Suponer que en el Problema 9. Solucionar el hoblema 9. los bloques). Ios réeultados se dan en la Tabla 9'41. g.05 ¡i lo¡ rendirnienüos en bla 9-40. Soluoiona¡ el Problema 9.05 si hay diferencias signifiéativas en (c) loe operarios. 9. y así sucesivamente.cAP. Solucionar el hoblema 9.3ó r¡tilizando el nivel de significación del 0. EXPERIMENTOS DE DOS FACTORES CON BEPETICION T¡bla 9-42 A 9.05. Analizar el ex' pelinojo rubio Alto Mediano Pequeño 76 81 73 78 76 castaño 80 79 perimento al nivel de 0. Suponer que en el Prpblema g. el segundo a un estudiante de otro planüel. Solucionar el hoblema 9. dUrante díae diferentee.39. (b) las diferencias en el tipo de maí2. E 18 22 2L l7 18 24 g. Ensayqr la hipótesis al nivel 0. Tabla 943 Míquina Lun I Jue 20 18 Nláquina If Vie 15 12 11 L7 Opcario A Operario B Operario C Operario D l5 L2 t4 19 Mar 18 16 t7 16 Mie Vie t7 14 18 2L t2 11 13 18 l6 2g Lun lVlar Me Jue L4 16 18 L7 11 15 12 16 72 L4 16 L4 L7 15 18 20 . el ANALISIS DE VARIANZA 335 g. ts Tabla 9-43 da el número de artículos produeidos por 4 operarios diferentes trabajando en dos tipoe de máquinas. 9.26 el primer valor para cada método de enseñanza corresponde a un estudiante de un plantel especffico.g6. varfan significati- aleatoriamen' 5 . Ensayar al nivel 0.36.38. Suponer que el experimentg del hoblema 9.01.01.40 utilizando un nivel 0. B C 16 18 20 15 L7 16 2l 19 18 23 19 2l 23 20 D 9.8?.33 utilizando el nivel de significación del 0'01. la eegunda observación empleando una segunda clase especffica. (b ) en los planteles.34. / y II.g2.01.01. a ^ B {amente con (o) las diferencias del terreno (esdecir. SLOQUpS C D E IIIUIIV t2 15 15 19 L4 18 11 16 16 l7 10 t2 16 L2 11 14 11 12 16. (b) las máquinas. roy"t al nivel de 0. (b) las clases de automóviles. doñde los números in' dican 10 en el tope de los graduados.41. Determinar al nivel de 0.06 si hay diferrencia en (o) los tipos de neumáticos.

El aumento en peso por unidad de tiempo 6e da en el cuadrado greco-latino de la Tabla 9-46.01 de que no hay diferenci¿ en (o) los fertilizanSe C8 At4 D10 Á10 c12 BL4 D16 D12 B11 811 Dt5 Á10 tee.LATINOS wr ^S. El aliñento se da a los pollitos ordenados en grupos de acuerdo con 4 peeos ini- Cr8 464 Dp6 D66 S" ce7 865 BrB c D3 Av6 cr6 9.Tz. B. T3 T4 c6 t7l D.r 198 D. Efectu¡r un análisis de la varianza del experimento al nivel de significación del 0. Tabla 9. Cuatrotiposdecable?¡.Ct.a diferencias en (o) ertatura. 9.C1 . Con referencia al Problema 9.44. w2 BB6 Dog ws Ao5 9.38 euponer que introducimos un factor 876 c81 o73 Tabla 9-46 o78 E'76 c80 o79 c76 877 w4 CUADRADOS GRECO.43. q D. c16 9. (b) colo¡ de pelo.01 si hay una diferencia significativa en los tratamientoc.336 CUADRADOS LATINOS ANALTSIS DE VARIANZA IcAP. miden las fortaleza¡ de los cable¡. Soluciona¡ el hoblema 9. 9. eetableciendo cualquier conclusión a que pueda llegaree. Tr AB 164 c2 Bf 181 c3 ca Ay 193 193 207 166 c4 D6 160 T. y de variaciones del teneno en dos direcciones perpendiculares. Tabla 9-44 efectúa un experimento para ensayar el efecto sobre el rendiniiento de 4 tratamientoe de fertilizanües A. o. B o C. W¡ .45. D y las del cegundo por ü. BoG Dy l0 Ap8 c6 10 cialee.05. Wt.S4 Sr. B. C. St. donde lo¡ números indican rendimiento de maÍz por unidail de á¡ea. e 9. É. Efectua¡ un análisiÉ de varianza al nivel Q. eetableciendo cualquier conclueión a que pueda llegarse.Cz.44.05 ¡i hay una diferencia significaüiva en rendimiento académico de los e¡rudiantes debida. D usando cuatro máquinas diferentes. Ensayar la hipótesis a un nivel del 0. respectivamente. Ca. Se obtiene el cuadrado latino.46. (ó) 0. B.Cuatro operarior A. Sz S¡.49 105 103 118 A B 3544 4233 6465 Lt2 10? 90 115 c 108 lr2 93 104 96 L02 . (c) lugar de nacimiento. Centro. t¡ Tabla 9-48 contiene los datos sobre el moho acumulado en hierro tratado con químicos A.1. como se muestra en la Tabla g-46. . 6. Determinar al nivel (o) 0. 4 cantidades diferentes de dos compuestoc químicos se agregan a los ingredientes bási co¡. Tabla 9.47. C.05. Wz.as cantidades diferentes del primer compuecto se indican por A. T¡¡ fq¡talezas promedio obtenidas se dan en el cuadrado greco-latino de la Tabla 9-4?. Oes: te.4? c. Det¿rmina¡ a un nivel de 0. 7. Para producir un tipo superior de alimenüo pnra pollos.05.48. B7 At4 Tabla 9-4ó c12 adicironal dando la sección donde naci6 el estudiante Eete. ?a sefabricanporcadaunadecuatrocompañfas.6 . Wc y 4 especies d-iferentes . (D) lae variaciones del terreno. [.Tc.05.43 utilizando un nivel 0. Tabla 9-4t Alto Pequeño Mediano 110 95 Tabl¡ 9. L62 BB L45 cB 2t2 A6 112 86 Do An 188 Bq 167 c7 136 PROBLEMAS DIVERSOS 9.

relativo a diferencia de estaturas.cAP.Q.Q. (3) y ( ).59. Demostrar el Teorema 9-2. 70 9.60. 70 En el Problema 9-42. Demostrar (o)la ecuación (39). 9. Con referencia a los Problemas 9.01. Solucionar el koblema 9.62.52 utilizando un nivel 0'01. página 372. ¿puede determinar si hay una diferencia significativa en el número de artículos producidos en los diferentes días de la semana? Explicar. rinden mejor' Los puntajes obtenidos se muestran en la Thbla 9-50. Determinar al nivel (o) 0. Tabla A B C 9-52 Tabla 9'53 5463 3423 5746 AltT 14 18 Bl20 10 20 cl18 Dlt2 ¿'ll5 15 16 11 11 12 19 12 15 L7 11 14 9. de estudiantes adultos de estaturas altas. En los cálculos de análisis de varianza se sabe que puede sumarse o restarse una constante apropiada dp cada valor sin afectar las conclusiones. Demostra¡ (o) la ecuación (37). Se realiza un examen para determinar si los veteranos o los no veteranos de diferentes I.Q' 9.05 si hay diferencia en (o) fertilizantes. 9.5E. página 312. (b)la ecuación@0). 9.ó6. ¿Es ésto cierto si cada valor se multiplica o divide por una constante apro' piada? Justificar su resPuesta.01 si hay alguna diferencia significativa en los I.Q.62. el ANALISIS DE VARIANZA 337 g.54. (b) la ecuación (38). 9. t¿ Tabla 9-51 muestra los puntajes para una muestra de estudiantes universitarios de diferentes partes del país con diferentes I. (b) la localización.5?. Solucionar el Problema 9.Q. Este Oeste Sur 88 84 86 Medio 80 78 82 Bajo 72 ¿o 9. Determinar eI nivel de 0. medias y pequeñas. 9.51.Q.05 y establecer sus conclusiones. Tabla 9-50 Alto I. Analizar la tabla al nivel de 0. (b) I.54 al nivel 0. (b) 0. Norte y centro 80 ¡D 79 g.Q. página 309.05 si hay una diferencia en los puntajes debido a diferencias en (o) el estado veterano.55. página 309. en tanto que los resultados correspondientes para el oeste se dan en la Tabla 9-52. página 312. Tabla 9-51 Alto 9. . 9.4g.23 y 9.40 suponer que un experimento adicional realizado en el noroeste produce los resultados de Ia Tabla 9-53. Ensayar al nivel 0. Derivar los resultados 9.05. Un experimento mide el L Q. Demostrar el Teorema 9-3. (b) los tres lugares. Determina¡ al nivel de 0.05 si hay diferencias debido a (o) los químicos. Los resultados se indican en la Tabla 9-49. Bajo I.53.61. Veterano No veterano 90 85 Medio ril 78 I. Suponer que los resultados en la Tabla 9-48 del Problema 9-48 son válidos para el noroeste.50.

¿Deberíen modific¡r¡e la¡ conclu¡iones obtenidas en el hoblema 9. 9.13? Justificar sus conclusione¡.01. En ln práctica.7 16 D66 Br7 Haga el montaje de un experimento que conduzca al cuadrado greco-latino de la Tbbla 9-55. lcAP. 0.338 ANALISIS DE VARTANZA Solucion¡¡ el hoblema 9. 9. De¡cribir cómo emplear las técnica¡ de análisi¡ de varianza para experimentos de tres factore¡ con repetición. es decir. Efectua¡ un análisis de va4ianza en el cu¿drado latino de la Tabla 9-64 a un nivel 0. Suponer que en el hobleme 9. 816 FACTOB 2 c2r 823 416 AL8 ct4 Bt2 ct5 l á18 9.63. Montar y solucionar un problema que iluetre el procedimiento en el Problema 9.69.67. Haga el montai dc un erpcrimenüo que conduzca al cuadrado latino Tabl¡ 9-64 FACTOR 1 de la Tabla 9-54.68. 9. e 9. 2X 2? (D) ¿un cuadrado greco-latino de 3 X 3? .66. 9.05 y eetablecer conclusiones.21 hallamos una diferencia significaüiva en los días de la semana. 9.65. Efectuar un análisig de va¡ianza en el cuadrado greco-latino de la Tabla 9-65 a un nivel 0. Tabla $65 1 FACTOR ar6 863 FACTOR 2 BB L2 C64 Df 15 P" 18 Ae8 cs t4 De t6 cr 20 Bog Ae t7 466 co 9.06 y establecer conclusione8.62 utilizando un niyol 0.69.64.71. 9. las repeticionec. ¿es¡rer¡rf¡ encont¡ar un (o) curdrado latino de Explicar.

Apéndices .

.

¿i0 = cos 0 -f isen?. = S(-l¡is'r+ ur-5!-7l=' '¡r: ?^d+Tr +2 04 üo . LA FUNCION GAMMA La función gamma.. = -2T -1 < o ( 1 FORMULAS DE EULER 8. *..rr¡ 1-:+i=--!-1.+... 0! rie es infinita se indica el inten¡alo de convergencia. 5. t- r. e-iq = cosd . T+=t*a*r2+o3+./ O (f) 341 ..:)oi T. rn(l- n\ = -n -t-* . r(z) = l'l'-. : x-*+í=-i. se define por .i sen0 ^ u. (-t)... cosa: ei|+... e. denotada por | (n).t n)o .m(m+t\(2tn+l\ 6 i=r B. 2i = l+2+ 3+ "'*m mfun+l) =:2 z.?^'ñ t..=L-rr*!*!+.todo* todo * 4.r=^r. * m2 ... **t _*. Cuando la se- m 1. 2 i" : t2 +zz+82 + .'e-'d. -.i = é zt* 4r.Apéndice A Temos mqtemóticos STIMAS ESPECIALES Las siguientes son algunas sumas de series que se presentan con frecuencia.. ..e-ie send= eie-e-to 2i 2 . . : 1.6! + Para cosÍ = paratodo¡ para lrl <1 16.=iq. .'ts^tl zt ' 3t '' senr para..

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

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

0028 .10?4 .0002 .140 .1315 .Apéndice B Ordenadas (E) de la curva normal t ipif icada enz 0 I .1872 .237r .0371 .381 4 .0 1.0139 .1669 .6 ¿.2613 .72i6 .3251 .016:l .0006 .3187 .3984 .0013 .2685 .2444 .0051 .0973 .0039 .3712 .3876 .1 804 .2920 .0050 .7 0.I942 .0277 .0018 .1 109 092 1.:1825 .0241 .0044 .0013 .0033 .0061 .3011 .3910 .3894 .3230 .2t31 .3 DA .24!r2 .0669 .0246 .0099 .Dl éo .0104 .0002 .0608 .0071 .0498 200 .3352 .2732 .0002 .0957 .0017 .2565 .1040 .2516 .0026 .0030 -0022 .3589 .3166 .2827 .3977 .0101 .2637 .0113 .l 2.3802 .254r .0056 2.2036 .0363 .0129 .00r1 .1415 38 .1849 .0003 .0075 .0027 .0003 .0449 .0011 .002I .0198 .0048 .3956 .0297 .3989 .0203 .0014 .0020 .0002 .3079 .0325 .3778 .0ri56 .0007 .0379 .0290 .0014 .156 .3144 I .3209 .0025 .0006 .0003 .0540 .0023 .2966 .3555 .1334 .0004 .5 1.3391 .0047 .0878 .0126 .13 .8 3.8 I.0119 .010? .0005 .1 .8 2.0086 .0180 .3790 .0003 .1826 .3867 .3965 .1.1 0.3683 .0863 .1965 .0110 .0310 .00I7 .0088 .0060 .0184 .r023 .0067 .1758 .1 .0694 .0002 .0038 .3970 .0093 .0009 .0339 oe OA .0151 .0040 .0573 .¡ 3.0551 1.0005 .0042 .2850 .0r 36 .1771 .2589 .3503 .1182 .16'17 .0002 .0007 .0003 .r295 .0015 .0010 .2323 .0005 .1006 .24G8 .0707 .058.3538 .2897 .3918 .0058 .0003 .0046 .2227 .3939 .0158 .2420 .3 IA .0006 0004 .3988 .óooó .1 tQ .2083 .0009 .3332 .2203 .1145 .3429 .0096 .0008 .0009 .2803 .8 .0029 .0488 .1582 .3467 .07.r374 .0529 .0079 .0235 .0 3.0i21 .oI47 .0925 .0012 .2t07 .0004 .0002 .0940 .3034 .9 3.0171 .3?65 .0893 .3932 .1626 .0084 .8 0.3605 .0 .1127 .0355 .0065 .1518 .1989 .0010 .3847 .0189 .0053 .0012 .2513 .0208 .l lJf]4 .o024 .0.0404 .3292 .6 2.01?5 .9 .3725 .0252 .4 0.0775 .6 l.39?3 .3945 .0091 .1736 .6 o.0034 .0431 .0154 .2317 .1 7.0194 .0002 .0003 .0063 .0081 .2 .28i1 .2756 .1895 .7257 .5 3.3 0.0332 .0270 .3485 .327L .0283 .0002 .0001 344 .3621 .2 0.1219 .1354 1.0413 .0224 .3980 .1 .3056 .2072 .3372 .1 561 604 .1 .1 .2059 .0043 .0519 2.3961 .0804 .3572 .12 .3885 .0008 .3521 .3925 .3101 .3982 .0005 .0396 .0031 3.2709 .034? .u077 .225I .0468 .3637 .0 0.0012 .0317 .0002 3.9 2.0036 .0848 .2780 .0073 .0213 . ¡ .1539 .0005 .3697 .0037 .0167 .0020 .0833 .0003 .0132 .1435 .0734 .0010 .0019 .0006 .0002 .1057 .1781 .3951 .0002 .3989 .06{4 .0620 .1 .0055 .3986 .0761 .0008 .2t55 .0562 .0422 .0116 .0229 .0508 .3668 .266I .0909 .3836 .l 163 .0122 .2295 .0258 .331 2 3 4 D 6 7 8 o 0.7 2.0989 .2 1.0004 .000? .0219 .5 0.0818 .0004 .0015 .1.3752 .0303 .0069 .3902 .3989 .3857 .01.0387 .0007 .0025 .3448 .0596 .3739 .0003 .1919 .0018 .0036 .2396 .2 3.0681 .0005 .9 .0016 .0478 .0790 .0016 .2989 .3410 .0264 .0001 .0002 .r1f)7 691 .0004 .0032 .22i5 .0008 .5 2.0632 .0022 .0459 .0004 .

7 3.2852 .2088 .4979 .4808 .3790 .0 1.48L2 .2224 .4994 .4452 .1 .0438 .4999 .t443 .4963 4973 .3170 .4925 .3438 .2881 .4967 .3 0.4394 .0239 .3577 .3365 .2 ¿-D .5000 .4901 .0675 .4996 .4996 .4887 .4778 .0 3.467L .4719 .3926 .4978 .4726 .5000 3.2389 .4082 .4990 .9 2.9 346 .3340 .1293 .5000 .0517 .5000 .2967 .4974 .4998 .8 1.4961 .3051 .8 0.4868 .4995 .tzt7 .0160 .2 0.43?0 .4474 .4117 .4920 .3r 59 .4990 .2764 .4625 .4967 .4989 .3869 .3186 .4999 .4999 .4997 .4999 .2939 .3023 .25t8 .4582 .4991 .4994 .5000 .4319 .4931 2.4946 .4966 .4981 .4999 .4999 .2794 .4995 .2673 .4484 .4945 .4599 .5 1.4996 .4911 .4977 .1517 .4616 .4896 .4989 .6 2.4990 .4975 .4999 .4767 .4049 .1 .4997 .2422 .4306 .4693 .3508 .4927 .4573 .4406 1.4292 A25L .4998 .4999 .3272 .4999 .4985 .7 0.4875 .4993 .1064 .3907 .4893 .4686 .487L .4997 .4986 .4986 .4099 r.4984 .4382 .4977 .4821 .4999 .4554 .4066 .4909 .4830 .3129 .4997 .3849 .4773 .5000 .1879 .2549 .4997 .497L .4357 .4955 .9 1.4131 .4207 .3980 .476t .3485 .4999 .4996 .2704 .4999 .3643 .4992 .4591 .5 0.1987 .1808 .4535 .4953 .4994 .1L62 .1844 .4996 .3888 .1026 .4993 .4279 .4951 .2324 .6000 .4979 .2996 .2 1.1985 .3621 .0120 .4964 .26L2 .1141 .4505 .4998 .4463 .4999 .4032 .4999 .3810 .4986 .0910 .4992 .4793 .4992 .4999 .0636 .3461 .4994 .2734 .4884 .4960 .4788 .2823 .1368 .0832 .4265 .0080 .3554 .1?00 .1 1 2 3 4 6 6 7 8 I .6000 3.0 0.3 1.3315 .4996 .Apéndice C Areas baio la curva normal tipificada de0az 0 0.0359 .1406 .0987 .5000 .2486 .4934 .)( 2.4345 .4918 ..3962 .5 3.485? .4959 .4678 .4943 .4772 .4983 .4015 .1179 .4997 .8 3.4115 .0696 .2642 .{o9t .4999 .0 2.4997 .4649 .4916 .3289 .4999 .4904 .4881 .4495 .4 .4997 .4970 .4999 .4998 .2357 .4332 .4998 .4998 .4988 .0754 .4949 .6 3.07L4 .1554 .4932 .3389 .1736 .4999 .4838 .48(.4991 .3133 .4936 .4984 .4608 .3106 .4545 :4633 .4948 .4999 .4981 .4998 .1480 .4817 .2910 .0199 .0279 .4962 .4998 .4980 .4756 .3078 .4t47 .4706 .4976 .4998 .4236 .4972 .3830 .4992 .2258 .4906 .1331 .3599 .3264 .2 D') 2.2190 .4750 .4987 .() 3.4997 .4998 .4956 .4842 .7 2.3665 .2064 .3413 .0398 .229r .4664 .4999 .4798 .1 .4999 .3749 .0478 .45L5 .4995 .2454 .1ts26 .4429 .4998 .1 0.8 .4999 .4898 .4732 .4987 .4995 .5000 .4999 .4525 .1772 .4993 .4922 .066? .4995 .4988 .7 1.2t57 .4864 .0000 .4997 .3686 .4940 .3531 .4783 .3944 .4998 .0040 .1664 .4993 .0793 .4878 .4982 .4999 .6 0.3708 .2580 .2019 .4 0.4995 .4991 .4222 .3997 .4999 .4699 .4846 .4854 .1103 .4656 .1591 .4850 .444L .4913 .4890 .4982 .4994 .4999 .6 L.4564 .4962 .4929 .0871 .1915 .L265 .4938 .44t8 .2t23 .4941 .4803 .4989 .4192 .4998 .3238 .4744 .4969 .4968 .0319 .4834 .1960 .4974 .1628 .4738 .4965 .4 .4999 .0948 .

3 .62 2..842 Fuente: R.5L 2.67 2. Fistrer y F.66 t.70 1.262 .72 1.864 .258 r.62 2.34 1.s. AgriculturalondMedícol Recearch.128 .18 2.98 2.978 . Edinburgh).08 1.96 2.88 2.83 2.92 2.62 2.84 4.31 2.szs tse 31.7L 1.920 .71 3.76 2.816 1.t27 .L29 10 11 .873 .700 .18 63.77 2.624 .31 1.686 .266 .126 .130 .L28 .256 .889 .L27 .688 .54 3.258 .79 2.6?9 .688 .263 .538 .L27 .14 3.50 2.36 1.256 .535 .80 2.866 .zs üeo tso 3.33 8 9 .34 1.727 .50 3.257 .630 .131 .531 .856 .92 6.76 L.86 1.90 2.532 .681 .82 6.29 L.633 .82 2.33 .74 1.72 2.82 2.L27 .73 1.?l 1.64 1.683 .20 2.81 2.256 .32 2l 22 23 24 25 26 oa 28 29 30 40 60 .t3 2.66 9.37 1.39 2.534 .257 .255 .L26 .684 .537 .44 1.67 1.677 2.256 .06 2.256 .73 1.11 3.858 .254 .76 2.68 2. Yate.L27 .865 .01 2.256 .261 .74L .07 2.854 .09 2.683 .56 2.35 1.sgs I .48 úes t.546 .137 .r27 .645 t.80 1.76 3.02 1.542 .A.7L 4.zo t.861 .128 .07 2.64 2.703 .46 2.569 .856 .98 1. publicado por l.76 2.L27 .258 .75 L.Apéndice D Percentilrr de (tr) l¡ di¡tribsción f de Student con z grador de libertad v úss ¿oo t.t6 2.256 .128 .94 1.25 3.32 1.42 1.17 3.563 .36 1.49 2.76 2.3L 2.531 .531 .71 t.687 . (previamente pubücado por Oliver y Boyd.66 1.130 .47 2.692 .689 .649 .869 .684 .r29 .t2s .266 .531 t.694 4 6 6 .?8 .86 2.27L .42 2.690 .09 2. .84 2.32 L.536 .257 16 2.06 3.32 L.539 .848 .36 t2.691 .t42 .81 1.36 2. con permieo dé lo¡ autores y editorea.669 .14 .727 .685 .70 1.08 2.02 2.58 2.630 .876 .627 1.896 .32 1.46 2.30 L.92 2.534 .48 2.846 20 I.06 2.32 L.684 .38 1.61? .04 2.36 3.76 1.60 4.t27 .31 1.71 L.05 2.47 2.879 .77 1.860 .36 3.765 .90 1.70 1.683 .96 I7 18 19 .78 2.263 .259 .863 6.686 .856 .8?0 .06 2.906 .883 .30 3.53 2.57 2.257 .862 .267 2.540 .30 1.89 1.66 2.68 .856 .83 1.66 2.31 .532 .711 .33 1.70 2.256 .3?6 1.63 1.254 .L26 .23 2.t2 2.727 .706 .260 t.697 .31 1.60 2.26 2.04 2.626 .858 .861 .674 .530 .L27 .96 4.r3 2.00 1.06 2.134 .48 2.03 3.629 .257 .28 t20 € .70 1.78 2.32 L.t26 .941 .L27 .?18 .45 2.061 .532 .11 2.t27 .ongman Group Ltd.L28 .72 1.533 t2 13 14 15 .255 .000 .r28 . Stotistícal T¿bles for Bíological.L27 .325 .158 .857 .34 1.40 1.72 2.L0 2.584 .696 .868 .686 .643 1.L32 .260 .33 1.00 2.289 .90 2.68 L.277 .

3 2L.6 48.6 36.9 23.0010 .07 3.2 16.6 25.3 67.3 26.2 62. páginas 187 y 188.0 19.9 26.9 20.3 12.0 27. x?o".7 73.0? 5.6 109 1r8 130 t28 140 t24 149 Fuente: E.3 69.30 7.6 47.8 24.06 1.39 2.1 8.7 76.2 24.455 1.0 33.6 31.7 66.0 62.872 L.31 10.3 16.E 42.0 x2ot x'"0 .35 5.484 .3 16.3 13.11 5.8 45.6 16.8 20.1 27.1 12.3 96.3 29.9 t8.2 11.1 41.6 21.4 3.6 46.gg x?rn y2 ^-00e .9 35.6 32.6 41.88 10.4 86.3 10.0 22.3 17.1 16.8 44.3 18.0 20.81 6.8 t7 18 19 20 2L 8.38 9.8 70.4 L02 113 rt2 t24 136 98.0002 .8 9.8 24.9 48. Vol.? 37. 1(1966)' Tabla 8.0 13.0 69.6 24.34 8.26 6.3 13.3 99.0201 .26 6.37 3.2t 11.3 61.34 10. 3 4 o I .L4 6.8 20.0 L07 6.1 27.59 10.6 15.4 42.684 1.6 28.94 4.35 7.3 89.6 26.2 18.7 14.2L6 .25 7.5 20.45 4.5 16.8 28. x?no X.o 22.L6 2.8 16.9 11.1 37.0 16.6 61.6 19.1 16.3 28.5 20.4 100 t2.0 48.8 t7.2 74.1 DD.2 11.6 50.66 8.3 82.39 6.6 29..7 47.8 t9.1 13.09 2.63 ?.0506 .S.989 1.66 2.9 40.7 26.2 44.2 31.3 53.1 45.7 46.70 3.831 .78 9.O tt.73 3.7 38.4 20.6 108 118 8.6 14.66 5.3 22.2 61.8 18.26 9.9 2t.3 23.60 3.8 12.64 9.4 37.t 31.4 29.9 L6.tl 4.103 x?.4 40.8 67.1 19.0 14.6 61.9 18.2 38.07L7 .35 6.9 63.0 26.102 .4 40.6 38..63 7.4 32.4 23.9 29.8 79.04 7.6 23 24 25 26 27 28 29 30 40 60 60 70 80 90 100 41.3 24. 347 .44 9.3 18.3 .91 9.1 39.07 4.3 5.1 31.77 4.2 37.3 27.0 71.L 80.9 11.58 8.84 9.39 10.7 29.6 r3.87 6.0 104 116 l4 16 16 to.5 24.Apéndice E Percontilas (¡f) de l¡ di¡tribución chi-cuadrado con u grados de libertad v x.3 19.4 43.1 ttz r26 13? 64.33 3.1 10.1 40.9 40.3 2L.3 71.L 2l.06 3.91 7.2 29.2tL .4 12.32 2.8 40.3 69.58 6.0 t2 13 18.1 .3 14.3 49.6 88.2L 1.8 43.6 36.8 14.73 2.3 79.36 4.18 2.4 63.57 4.2 28.3 61.6 30.6 12.6 36.6 66rB 56.6 22.43 8.20 2.3 26.61 2.7 23.3 61.6 24. xlo.2 59.7 18.1 77.8 14.2 35.6 2L. .89 10.9 1t.3 42.O.4 16.116 . t3.8 30.3 39.1 28.54 L0.7 22.3 27.86 11.2 94.79 t4.2 67.6 56.6 54.8 48.23 8.7 16. Biomelr:iha Tobles fo¡ Stotitticíane.63 6.0100 ..3 X.8 16.2 29..99 7.3 30.6 .0000 .0 r 7.7r 4.5 43.49 2.6 40.4 16.7 60.6 33.2 88.3 29.24 1.9 12.0 36.1 10.4 35.6 79. Pear¡on y H.6 74.6 12.81 9.8 13.2 11.92 2.3 23.02 7.362 l.3 t6.57 t.3 45.67 3.9 30.0 23.3 73.0 27.291 .2 12.1 52.89 6.74 7.34 9.5 16.0 44.7 39.9 34.7 12.7 28.3 46.23 5.6 43.L 30.2 t3.8 63.04 10.56 3.9 68.2 10.7 2t.63 8.5 34.49 11.6?6 .3 16.6 14.7 25.3 18.3 20.8 26.6 90.4 85.1 12.6 19.2 26.2 6t.3 59.7 37.6 24.1 90.01 5.69 2.7 26.207 .40 6.7 18.64 .57 6.3 22.2oo¡ xlo.7 7.1 13.3 17.4 31.90 27.D'ID r.1 t2.7 34.6 17.8 32:0 33.1 37.3 11.2 '19.3 I 1.83 3.15 1.7 37.8 34.4 13.7 28.9 19.84 5.24 1.6 20.8 14.6 tt.3 49.7 33.23 5.l 22.26 3.7 16.8 55. Hartley.0 11.6 46.8 13.7 14.6 13.7 99.9 17.6 22.3 49.472 .8 38.2 46.3 32.3 r6.8 14.E4 6 .7 23.6 32.0 17.0039 .554 .34 1.0 17.6 92.4 34.8 67.30 r6.7Ll 1.4 69.9 39.O' X..? 42.6 32.96 8 I 10 11 4.6 28.6 43.8 26. x'.26 7.3 35.9 13.82 4.5 96.57 7.3 15.24 10.4 83.0 4L.6 9.6 46.5 33. con permieo de lol autore¡ y editoree.01 7.3 13..60 5.67 9.90 6.3 32.26 8.4 32.2 36.6 L2..03 t.41 ?.2 14.6t 6.0158 .3 49.8 36.9 43.7 2.t7 4.25 5.r7 2.9 34.7 7L.2 66.6 4.70 6.56 9.

87 2.38 2.72 5.65 1.0r I | 4.66 1.34 2.76 2.30 3.?9 r.27 2.89 2.61 19.59 1.11 3.81 8.04 1.09 2.L8 2.84 3.37 2.L2 9.2 19.3 4 o 6 I 19.96 4.62 1.55 8.12 2.70 1.66 8.07 2.81 t.t6 2.94 1.68 4.03 1.4 19.58 1.99 1.84 2.62 2.16 2.27 2.45 2.42 3.07 3.97 1.91 5.93 1.64 1.84 1.34 2.87 3.28 3.98 2.48 3.6L 2.20 3.92 1.59 5.06 t.01 1.77 2.90 1.20 2.22 2.75 1.77 2.62 4.25 2.07 1.23 3.r7 4.99 2.02 2.59 6.7r 2.68 2.81 2. S.88 4.71 3.90 1.01 2.63 2.18 2.08 3.49 2.16 2.79 2.t0 2.77 4.82 4.42 2.44 3.32 4.r2 2.46 4. I 2 3 1 2 s 2L6 4 b 6 7 8 9 10 L2 16 20 24 30 40 60 t20 @ 161 225 230 234 237 239 24L 242 244 246 248 249 250 26t 252 253 254 18.94 1.10 2.26 3.93 1.74 2.49 2.24 2.45 8 I l0 11 5.0Q 2.20 2.L9 2.28 2.40 2.09 2.t9 2.53 2.5 19.46 2.93 2.53 2.4 19.10 2.02 1.54 4.01 8.84 2.14 3.56 4.04 1.40 4.76 1.lL 2.42 2.56 2.22 3.2r 2.69 2.7l 1.85 1.89 8.95 2.05 4.91 1.95 2.04 1.L8 2.96 1.g¡.94 8.54 2.79 1 a^ 1.98 1.30 2.7l 2.48 2.42 2.67 4.5 19.29 2.06 2.88 1.LL 2.40 2.29 3.46 2.90 2.55 2.38 2.46 2.22 3.53 2.06 4.97 3.39 4.39 2.64 2. Vol.00 3.22 2.92 4.90 2.05 2.35 2.rL 2.8L 2.69 3.20 4.87 t.85 2.6? 3.62 8. Hartley.94 3.03 4.96 1.01 1.37 2.78 2.15 3. .t2 4.46 2.23 2.2L 2.77 t.45 2.r9 2.37 2.19 4.53 2.60 2.63 5.30 4.60 3.t5 2.3L 2.94 1.05 2.7L 6.86 2.80 t.84 1.46 2.36 3.02 r.99 5.95 1.l I D.5 19.38 2.96 1.03 1.93 2.81 3.50 3.91 3.85 2.18 2.36 2.00 2 Fuente: E.25 2.57 2.04 6.01 1.25 2.29 3.79 2.41 2.59 2.92 1.58 3.69 4.67 t.34 2.2 19.7 4 2:28 2.15 2.38 3.53 r.40 2. ¡O 5.43 2.05 4. con perrniro de los autoreo y eütorea.41 3.97 2.73 2.61 2.54 2.46 2.03 ¿.01 2.4 19.21 4.76 2.85 1.20 2.8z r.75 1.0L 1.71 2.49 3.63 6.39 t.27 2.L2 2.37 3.83 2.64 2.23 2.49 4.97 r.70 2.87 3.46 2.90 2.37 2.77 2.38 2.45 2.86 3.06 2.17 3.68 2.98 1.18 2.5 19.80 2.83 2.(}51.86 1.34 2.79 8.30 L2 13 14 15 16 L7 18 19 20 2.84 1.39 2.07 3.68 3.18 3.24 3.74 8.24 2.67 2.98 2.76 1.31 2.60 4.09 2.62 2.39 3.L0 2.01 4.87 r.t0 | 4.11 2.96 t.24 2.30 2.6? 2.92 1. Pear¡on y H.26 3.80 a.28 9.01 2.42 2.28 2.53 3.6 10.46 1.06 2.51 3.28 3.57 2.53 2.35 4.35 2.4 19.L5 2.81 1.84 1.41 3.74 4.37 2.07 3.84 3.96 2.12 2.56 2.74 2.73 1.84 40 60 t20 t.32 2.90 2.49 2.00 5.73 4.96 4.00 I.32 1.5L 2.96 2.84 1.66 2.96 5.82 t.40 2.50 4.64 3.75 1.76 1.4 19.64 8.89 1.66 2.43 2.86 5.50 1.79 3.22 2.61 2.13 2.47 1.47 3.28 4.0s 1.69 3.4 19.91 1.rL 2.1 7.76 4.69 5.57 8.66 2.L2 3.69 1.35 3.28 2.96 1.26 6.61 2.70 2.35 7.66 5.76 2.62 2.42 2.1L 2.60 2.61 I.6L 2.29 2.r3 2.44 3.49 2.92 2.84 4.4e 3.35 2.45 2.01 1.85 2.58 2.24 2.88 1.38 3.26 2.62 2.34 2.5L 2.29 2.47 2.60 2.34 2.68 t.20 2.r5 2.06 2.31 2.36 2.88 4.19 2.32 2.90 1.31 2.L3 2.08 4.44 3.54 2.98 2.2r 2.5 19.39 6.2q 3.16 6.66 2.42 2.L5 2.70 2.L6 2.30 2.79 L.43 1.93 5.27 3.DD 1.3 19.93 1.25 2.64 2.65 2.58 2.57 3.84 3.Apéndice F Porcentila 95 (nivele¡ 0.14 3.53 4.65 2.51 2.74 2.22 1.41 5.89 1.20 2.59 8. página 178.21 4.96 2.07 3.13 3.tl 2. Eiom etriho Toblec for Stotíaticianc.85 2.26 2.83 t.66 2.32 2.64 2.59 2.79 t.32 2.07 2.43 4.60 2.16 2.09 3.57 2.15 4.76 2.91 1.92 3.23 2.92 1.33 3.85 8.?0 1.83 2.85 6.35 2.84 1.52 j 3.63 3.r7 2. O.95 4.34 3.74 1.34 3.4 19.33 2. Tabla 5. (1972).23 2.74 4.5 9.78 t.44 2. parr le di¡tribución F u1 grados de libertad en el numerador /2 gfados de libertad en el denominador ><.9L 2.49 2.27 2.80 2.53 2.41 3.95 1.55 2.57 r.75 4.08 2.89 1.82 2.70 I 2.33 2.77 L.71 2.25 2.12 3.94 1.35 2I 22 23 24 25 26 27 28 29 30 3.99 1.78 2. l'.08 2.25 2.94 2.?3 3.59 3.01 2.?0 8.4E 2.07 4.01 2.87 3:70 3.87 1.7L 2.35 3.10 4.04 3.18 3.r8 2.79 3.L0 2.69 1.92 2.09 6.48 3.47 2.00 3.99 1.75 2.54 2.23 4.03 2.27 2.

65 6 .38 1.54 t7 18 19 4.59 3.38 9. l4 15 16 4.67 9.91 6.56 4.L4 4.12 4.64 6.45 s. .56 5.69 3.21 3.23 3.38 2.70 3.78 2.69 3. con permirc de lo¡ autoree y editoree.02 7.12 3.56 2.16 3.35 4.6? 3.88 2.91 .?5 8.7r 4.03 5.23 6. 3 4 o 6 .03 2.63 5.6 13.84 2.16 3.26 3.31 4.t7 2.50 2.00 2.36 3.64 7.82 4.31 4.42 6.4 27.02 3.25 4.26 3.95 5.6 14.34 4.9 99.63 2.2 9.02 7.17 3.90 3.87 3.l 11.47 2.21 2.4 26.66 3.70 3.65 9.52 2.64 3.2 99.3 27.89 3.4 11.r7 3.78 2.02 6.66 4.01 .91 5.03 1.07 4.67 2.99 6.46 2. Biomeúiho Toblec for Statbücbnc.10 L2 16 20 24 30 40 60 L20 @ 4062 6000 5403 6625 5764 5859 99.44 4.ó 16.71 3.95 1.33 2.62 3.96 3.87 2.43 3.13 3.2'.011.56 6.89 4.45 3.62 5.47 t4.7 27.07 5.06 4.16 3.57 2.88 7.APENDTCE F 349 Percentila 99 (niveles 0.54 5.07 4.37 5.26 6.54 3.4 27.03 3.31 9.09 3.54 4.20 2.59 1.19 5.63 6.83 3.02 2.68 99.3? 3.03 3.68 4.36 3.12 3.59 3.6 9.67 3.86 8.60 3.30 3.26 4.7 10.72 2.39 6.49 2.1 6.70 2.95 4.44 4.8 10.4L 4.29 7.?0 1.2 ?.01 5.70 8.00 2.r 26.17 4.8 99.40 3.66 2.10 4.49 5.50 4.94 3.20 4.tL 3.35 3.26 4.60 '7.5 13.54 3.82 4.07 2.76 2.31 7.60 4.63 4.97 6.se.36 4. 2 (1972).3 13..t4 5.0 9.44 2.2r 5.23 5.80 2.67 5.83 2.86 4.33 4.61 4.58 4.47 5.81 3.69 2.2 9.3 14.78 3.85 4.0 30.40 4.02 7.10 4. Pearron y H.98 6.71 3.72 4.8 99.b8 2.08 3.3L 6.29 2.66 2.08 6.93 4.76 4.53 3.81 4.59 6.L2 2.68 7.40 2.47 3.42 3.57 t2.3 8.99 5.7 10.82 4.66 99.93 3.92 2.35 4.31 3.L7 4.5 14.72 7.36 6.32 3.99 b.0 10.89 4.72 2.56 3.88 5.42 5.01 6.85 2.20 4.51 3.4.76 3.41 3.L4 5.80 5. 3 4 o oot 28.ó9 3.2 13.5 10.09 3.54 2.11 6.68 2.0s 1.79 60 2.4 99.74 6.43 3.72 5.42 2.93 z.61 6339 6366 99.94 3.39 3.95 7.46 2.4L 2.40 6.66 6.3? 3.56 4.99 3.46 6.9 9. Tbbla 6.84 2.18 4.35 2.98 2.18 3.88 2.34 3.68 8.90 2.84 6.10 3.22 3.65 2.31 3.2L 3.4 27.07 6.41 2.32 5.78 3.43 4.94 2.86 1.3 10.7 16.94 4.16 3.99 5.47 6.30 7.t4 4.1 7.86 3.64 4. 3.62 4.18 3.65 8.96 4.64 3.5 26.3L 2.36 2.22 5.31 2l 22 23 24 26 26 27 28 29 30 40 fó 4.07 3. para ls di¡tribución F v.96 2.45 7.80 3.75 2.75 2.6 5981 6023 6066 6106 615? 6209 6235 6261 6287 99.64 4.85 7.4 99.86 3.41 3.15 2.00 t20 Fuente: E.03 2.52 3.55 8.67 2.80 3.46 3.13 2. gFados de libertad en el numerador v2 grados de libertad en el denominador x1 I 98.89 3.87 6.65 3.25 4.75 3.62 4.86 6.17 3.2 14.67 6.10 6.94 1.13 3.oo 7.26 3.37 2.oD 8 ?.63 3.42 2.4r 5.19 2.3 28. F. 8.70 2.22 4.9 99.21 3.19 l0 99.3 L2.39 2.46 3.92 2.66 4.39 4.66 2.30 3.01 1.46 3.2 29.00 3.41 9.84 2.37 4.63 4.78 9.30 3.78 3.04 3.2 16.1 a.2 18.03 2.96 I 10 11 .23 2.43 3.68 3.93 6.19 11.4 13.04 3.09 2.5 9.72 6.50 4.7 99.92 2.48 3.29 2.0 9.O.74 2.66 2.58' 2.94 3.06 4.r3 2.5 34.15 8.77 4.S.78 3.06 2.94 3.10 2.39 4.60 4.46 5.7 14.60 2.16 5.25 3.33 3.o J 2.86 2. Vol.11 2t.72 5.?9 3.5 26.67 4.36 2.56 6.31 3.18 5.29 3.0 15.60 6.26 2.89 3.63 3.66 2.30 3.93 2.10 3. Hartley.78 3.29 8.70 6.51 s.80 6.00 2.86 4.20 2.26 4.6 10.00 3.49 2.59 3.51 3.96 2.00 2.36 3.23.sz 2.32 2.4 9.89 4.5 26.72 7.65 3.52 3.73 7.11 6.17 3.18 8.L2 1.08 3.l 8 I 99.51 3.06 6.64 2.01 3.7? 7.10 8.46 7.30 4.60 1.18 3.82 7.81 6.76 1.33 8.86 3.üb D.29 6.1 13.37 3.5 26.74 4.32 4.99 2.40 8.04 4.74 4.2L 6.87 4.52 4.Ll 2.01 3.. página 180.7 13.5 26.42 3.40 4.42 4.89 7.55 3.63 8.49 12 13 6.20 4.54 20 9.28 4.84 9.09 3.55 7.61 o.60 3.62 2.28 4.0 16.61 6.

Apéndice G
Logaritmor dpcimale¡ con cuatro c¡fra¡

N
10

0

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

2

3

4

5

6

I

8

v

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

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

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

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

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

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

Partee hoporcior¡ales

22 23 24 26 26 27 28 29

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

4728 4742 4757

30
31

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

82
33

84 35 36 37 38 39 40

4829 4969 5105 5237 5366 5490 5611 5729 5843 5955

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

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

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

81114L7202226 81113L6L82L24

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

81113151719 81012141618 810t2L415L7 7 911131517 7 911121416

7 7 6 6 6 6 6 5 5 5

910121415 810111315 8 9111314 8 9111214 ? 9101213

7 ? 7 6 6

9101113 8101112 8 91112 8 91012 8 91011

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

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

4l
42 43 44 46 46 47 48 49 60

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

65/'2 6551 6561

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

5l
62 63 64

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

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

7tt8

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

N

2

D

6

I

350

APENDICE G

351

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

N
55 56 57 58 59 60
61

0

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

2

ó

A

D

6

7

8

I
1474

L23456789

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

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

7435 7513 7689 7664 7738

7443 7520 7597 7672 7745 7818 7889 7959 8028 8096

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

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

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

7

62 63
64

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

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

6 6
6

65 66

ot
68 69 70
7L

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

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

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

6 6 6
6

6 5 5 5

72
73

14

to
16 '/ó
79

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

8791 8797 8848 8854 8904 8910 8960 8965 9015 9020

5 6 5 5

80
81

82 83 84 85 86 87 88 89 90
91

9036 9090 9143 9196 9248 9299 9350 9400 9450 9499

9042 9096 9149 9207 9253

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

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

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

6
5 5 6

6

9304 9309 9355 9360 9405 9410 Q455 9460 9504 9509

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

o9 93 94 95 96 97 98 99

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

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

344

9786 9832 987? 9921 9965
I

9791 9836 9881 9926 9969

9?95 9841 9886 9930 9974
4

9805 9850 9894 9939 9983
6

9809. 9814 9818

9854 9899 9943 998?
n

9859 9903 9948 9991
8

9863 9908 9952 9996
a

3 3

4

N

Valorc¡ de e-^

(0<r<1)
}'
0

I

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

3

4

5

6

7

8

I
.9139

0.0
0,1

0.2 0.3 0.4 0.6 0.6 0.? 0.8 0.9

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

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

.9608 .8694 .7866 .7118 .6440

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

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

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

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

.8270
.7483

.677t
.6126 .5543

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

.5827

.5273
.477L .43L7
.3906

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

.Eore
.4538

.4107
.3?16

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

lo¡ valores

de

e-r

para otroe valore¡ de

I,
=

emplear lar leyes de los exponentes.
.03081.

Ejemplo:

-¿-3.48

=

(e-3oo)(¿-0.r8¡

=

(.0a929)(.6188)

Apéndice

I
Números aleatorios
74640 2349L
601 73

51772 24033
45939 30586 03585 64937
1

42331 83587

29044
06568

4662I
21960
1

62898 2L387 55870 86707 85659
551 89
41

93582 76105

04186 10863

52078
75797
81

25424 45406 82322 20790
98527 30277 60710 06829

1645

02133 79353 03355

31041 96799 65304

56974 12973
36081

37428
171 69

938

50884

19640 97453 93507 88116 14070 rL822 24434 41982 16159 35683

8?056 90581

94271

42t87
74950
15804

95863 51135 57683

5630

64759
56301

09448
21 631

62586 94623
5229A 87843

889

00745 25439
68829 48653 27279

65253
88036 06652
71

67283

85418 16835

49t59

9tt57
17480

7733L

590

t4676
47280

91097

294t4

28L95

47162

362

Respuestos o problemqs suplementqrios
CAPITULO
1

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

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

(c) {5i (d) t5}

k) @ (/) {3}

@) {2,6,3}
(¡¿) {6}

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

(d) {4} (¿) {3} (/) {3,4}

5/36

(c)

0.e8, (d) 2/9

(e) 7/8

) ) (c )
(o

(b

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

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

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

(e) 4/5

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

(e) IL/t6 (Í) L/5

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

(i\ (i)

6/26

52/225

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

(e) Lr/L5 U) r/5

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

1.86.

(a)

3/10

(b)

1/10

(c)

315

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

r.106.
1.107.

(¿)

32,805

(ó) 11,664

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

1260

1.108. (a)

120 10
6

(b) (b)

72

(c) L2 (c) 45

r.r09.
1.110.

(o)
tt.

70

.

1.96. 113 1.9?. t4/57
1.100.

=

1.111.210

8 12
(b)

1.112.

840 ?000

1.101. (a)
r-LO2.

2620

(c\

720

1.113. (a) 42,000 (b)

n:5 60
5040
(b)

lJla.

(a)

L20 150

(b) 2620 (b)

1.103.

1.115. (¿)

46

(c) 100

1.104. (o)

120

(c)

240

1.116. (¿) 1? (b) 163 1.117. (o)

1.105. (r¡) 8400 (b)

2520

20

(ó)

330

(c) t4199

353

354
1.118. (a)
16

RESPUESTAS A PROBLEMAS SUPLEMENTARIOS

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

6rys

¡

ya

1.119.2016

L.r22. (a) 5/L8 (ü) 11/36 (c)

1/36

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

44

(b)

2r

4

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

4152CB

r.127.

(6Ca)(aCz\/MCs

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

Ql

QCz. ¡¡'Ct

*

a'.Csl,l12cs

4(r3Oa\hgC+)/szCss 1025

r.l3E.

(o)

120

(ó)

60

(c) 72

1.131. 2.95 x 1.133. 0.8%

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

aproximadamente - 3

1.f40.

3L26/46,656

1.13ó. vT1
L.146. (a)

l.l4t.

(a)

4

(b) 14

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

4/52C5

r.t47.

2/243

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

126 462 3/32

(ó) , +,- rCn(b) (b)

r

,-tCn-t

1/16 (cl r/32

(d) 1/8
prob. empate

1,151. prob .4 gane

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

=

L26/216

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

2
0

2.38.

(¿)

I
3/8

o

3

2.39.

(a)

0

I
t6/28

.)

f(r)

r/8

3/8

t/8
t

f(r)

3/28

6/14

2.4o.

(a)

t

0

1

f(r)

9/64

r5/32

25164

RESPUESTAS A PROBLEMAS SI'PLEMENTARIOS

365

2.42.

(a)

r
f(r)

0 194,580

1

2 6768

3

4

270,726

69,184 270,725

r92
270,725

270,726

2.43.

(o)

r
F(n)

0

I
U2

2

3

L/8

7/8

I
4

2.46.

(o)

r
f(n)

I
L/8

2

3

(b) 3/4

(c\

7/8

(d)

3/8

(el 718

u4

3/8

U4

2.47.
2"48.

(o)

3

(ó) e-B

- e-6

(c)

e-s kll | -

e-s

F(r)

=

2.49. (al

6l2s

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

2.50. F'(c) =

2.6t.

(a) r/27

(r2/9 0<¡(3 de oha forma l0

(c) 26/27

(dl rls

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

fo

2.66. 2.67. 2.ó8. 2.60.

(¿)

(a)

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

(ó)

/r(u)

= {o

(Ale A = l'2'3
orra u

(d\

6116

(¿)

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

(ó)

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

tl1

*

al

o<a=l v=l

a=0

(a) (ó)

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

2.61

.

(a)

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

t)

=

rÍl'

0

5

Y

=

1

otra

r' O=A=I
0

(b)

l(r+ull@+l) 0 < ¿-< l, = 1o o<rsl,

=Y = otray

1

356

RESPUESTAS A PROBLEMAS SUPLEMENTABIOS

; i . ¡

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

0<rrl'

0=v<1

;
i |

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

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

,=o,u<0

A¿O

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

de oha forma

0 de otra forma

2.72. (o) c(u) =

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

(D) c(ut

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

i:i::
de otra forma

o

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

0 de otra forma

=

" {; '' 1"1í,""1.",t
I

2.82. c@)

=

{í'"-''u

:::

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

2.E3. l/4

-" ;: ;

2.s4.

s6/2*g

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

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

-

7e-o

2.89.

(a) c = (a)

1

(ó) 8e-2 c2=

,

2.9L. 2.s3.

cr=2,

I

- e-4 (ó) 9e-2-lAe-s L0

-

ze-r

(c)

4e-s-4c-?

(iI)

e-z-¿-t {ó

(el 4c-s

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

2's6' (a)

{r-^''
-rn2)

1"t"r0.".,-" (ó)
(r)
o1+

{;t'-"
zlrn

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

2.e0. (b) ;(1

lrnz

(¿)

2

,

2.e8. s(?)

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

2.ee.

(b)

7/L8

2JoE. \/r/z

10.69. pí= 2. 3.57.45. ps: -5. nx=lE (al (a\ (ü) Var(X)=3/80. (c) 315 3.74. i¿l p4=230718960 2a 3. 3.77.43.E0.E1. yí= 6. 3. 3.50. pi= Al=0. 3.55.44.83'.72. pn=33 (c) (bk+r'st<+r)/(k* 1Xb-o) peiaa (sen (ó) [1+(-1)k](ó -a.62. 3.E4. 3.61. o*=1/t5/ZO 4 (b) 2 (c) .(b) 1 (c) (ó) 1 (d) 1 (c) 0 (/) 0 (e) 73le60 ?3/e60 y'?s/e60 t¿l r/Tils6o -u64 (f) -r5/7s (a) 233/324 (b) 233/324 (c) (a) \. (c) 1/(1¿). 3. 3. Fz:3/80. Ft=2. 3. (a) (a) 2/3 (b) 2/3 G) aB 7/a (c) @\ Als 3. pá: t6/5. (o) (a) 1 (b) I (c) rla (c) 3. 3.48. 7/0 (ó) 6/5 3./m/L8 (d' \rzssñ8 (e) -9L/32a (Í) -sr/235 4 tb) 4/\/35 -t/tst¿. pí=1. 3.47.64.\ +(et/2+e-t/2) = cosht (ó) p=0. (o) (f + 2te2t .65.5e. pi= 2. 3/2 n (b) -2e/6 Lla !4 3. 3.ó6. 1e/10 (¡t') 6/6 a/3 @ 1 \Ng 3. ú= (a) h=0.RESPUESTAS A PIOBLEMAS SI. pí=0.'PLEMENTARIOS CAPITULO 3 3. <1 (ó) p = l.7 3.5 3 (b) r3n/6 (a) 35112 @\ (ü \Elm.54.68. 3.66.82. pz=7-. 3.67. (tr'l 3/4 (bl L/4 (c) 7/r2 (b) 7/6 (c) 7/4 (d) 2/3 (a) (a) (e\ U) 2/3 @) (¿) I (bl 2 I 3.79. p¿=35 (b) pr = 0.\klzk+t(k+ll I qeiab co)/ao 3. (a\ l/2 parae>O (b) lParay>0 . 3. Fz:5.46. 3/2 (bl 3e/4 (a. pl:L L6/3 3.62.60. 3./3s12 3. (e2ia-Zie2ia-ll/"2 (a) (¿) (¿) Lr/144 (bl rr/L44 1c¡ t/iJttz (¿) (¿t) \/-LUr2 (e\ -L/L4a 0 -!rr 1 . p3 =-L2lll60. 3. (a) 1 lb) 7 (c) 6 3. 3. (o) 1 (b) (o) Var(X)=5.6E.78. (a) (3r +2\/(6r*3)para0 5 ¡<i t¿l lsu+Z)/(6u*3)para 0 = a = | 3.ezt\/zt2 (D) p = 4/3. 3.

17 (c) 0. (o) no eriste (ó) (c) 3 -1 (c) e-z *0 3.1)/4 (c) 16/81 3. (o) 3.125. (¿) 3.L22.127.1or.126. (bl 3614 (1 @l atg (b) 2/e L (c) * 2te2t - e2')/2t2 (el -2\/fr/r6 (d) -(1 + zibe2ia . 3.91. t"l . (o) 0.o)/6 (a) -7/27 (c) 2(et-l-t¡¡¿z -Z(e--l-ü¡¡"2 (e) r/136 3.90.114.10a.118.100..r/r-tsnflo) (ó) \F@i @ tlfr.10E.85.119.8/2 (ü) 1/3 (c) 0 .eziarlznl u) 12/6 3. (o) (c) 8/16 1-+y'3 (bl v2 3. (b) 2415o (ü) e (al (a) (b) 6/e (b) 1/18 (c) (et * 2e2t + Sezt)16 (d) (d) (eto + 2e2to + 3e3. (¿) 1/y'5 3.5 02.116. .105.109. (a) x Var (Y lX) 0 5/S I 416 2 (ó) Y Var (X I Y) 0 I 2S/36 2 24t49 3.###parao < nr 5r 3. (o) (ó) ln 2 (D) I 3.120.e2. (o) (a) 3. (a) x E(Y 0 I 2 (ó) Y 0 I 716 2 lxl 4/3 I 6/7 E(xlY) (ó) 4/3 u2 3. (a) r 2 0 (ó) 8(21/2-r)/L6 (D \.103.[o ) 3. (al 3.121 .358 RESPUESTA"S A PROBLEMAS SUPLEMENTARIOS 3.89.05r 3.ze-t (D) no existe (al 2(\F-Ll/3 (b) L6t7 2 0 2 7/3 r/3 2t/2 (b) e 3. (o) 3. ffiParao rle (b) 1 6x2*6n*L s r:< I .f 6/9 7lr2 o 3. (o) 1 I (ü) (ó) (y'3.113. (d) 1- (1/\. 3.123. (a) (b) r/4 (b) 0. (o) 1 3.124. (a) 3.94. (a) 3. (o) (c) 3 (ü) 3 3. (a\ L 3.

9500 0. 4.7123 0.G¿s 4.93. (al93% 4.6 (b) e (b) 72.0567 (b) 0. 4.E1.08 (d) r.89.66.3% (a) (o) (a) (o) 1.1008 (c) o.626 ó 0. 641243 25 (c) 500 4.77 (a) npq(q (o) 1.61.I RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS .0658 4. 57/6a Q\ 2r/32 (b) (ó) 4. L93t5t2 (a\ @) 32/243 (bl re2l243 k\ a01243 (dl 2421243 42 (b) 3. -0.76. 4.E6.9198 (c) 0.0089 (o) (o) 0. 4.4232 (o) 0.74.78.0838 (b) 0.4 (¿) 0. 4.a7% 4.1127 (dl2.63.86 (c) 2.66.64.t9. 4. 359 CAPITULO 4 4. (a') pl (b'l npq(l - 6ps\ * 3n2p2q2 -1. 4.15 (b) 0.0?86 (c) 0. (a't (a) r/64 Ua 250 (b\ 3/32 (c) l5/6a @\ 5/L6 (e\ 15/64 (l) 3/32 (g) Ll6a (b) 11324 4.0% (c\ 93. 4.62.550 (c) -0.06131 .91.6404 (d) 0.1680 (/) 0.8?67 (b) 0.76.9495 (b) (ó) 0.75 (b) -1.1494 0. 4. 4.0286 (d) 0.849 (e) tt.0687 0.73. 4. 4.5.049?e (ó) 0.90 75.82. (o) 0.0668 (a\ 20 (b) 36 (cl 227 (cl (d) 40 @) 15% 4. 84 (bl 8.80.7% (b\ 54. 4. (c) (p) 0.67. 4.84. 4.7t.85.87.0154 (e\ 0.4% (bt 23.6826 4. 11/16 (dl 518 (a\ r7lL62 (a\ (a) 5/16 (c) 4. 4.995 0.69.224r (e) 0.2511 (b) 0.77 (c) 0.9962 (b) 0.e265 (d) 0. 4.5976 (c) 0.7% (al e5. 4.92.90.03?5 0.t"/o 0. 0.2991 (c) (o) 0.68.1342 0. 4.s27 1.2241 (d) 0.0079 0. (a'¡ 6L.05610 (b) 0.E3.03eb .E8.726t (/) 0.

1 4.L27.130.49.s 20.00J8 (d) 1.2 2s6.0 (d) 8. (a) r 4.35 L7e.s5 z.71 (ó) (b) (b) 1.2 (c) suponiendo áreas iguales en las dos colas.tr2.40 o¡ ligeramente menor que 0. (a) 4.160? (d) 0. (o) 5/3888 (b) 5/324 4.BB (d) -0.47 (c) 9.r2o.13?.o rí.138.111.008 = oz.51.0918 (d) 0. 0..40 oz. oi : 6.2 (c) (c) (c) 2B. (a) 1.40 oz.0 (b) (b) 4.94.) 4'106' (c) 4.b9 84.04462 (c) 0.4 ft\ *e-tn -1"-.73 -0..r03.62 (b) CAPITULO 5 (c) 0. (a) 0. @\ 4.t : 5.7 (b\ 4.50. (o) 0. (a) (d) (el 2.r?r.3/8 4.136. 22. (o) e.gs (e) z.58 5.000295 4.136. (a) 4.LB 4.34 2.0 (b) 4.47 (c) e. (a) 9. (o) sx = 22. (a) (ile)/Q?) . ('f) (l?)/(l?) (iSX?SXtt) sla 0 (b) (ó) (ó) (ü) l(¿ocoxzoc2ol+(4oc'l(nctsl* (qoc)(ncnl)taoczo 4. (c) p. (¿) 4. (a) e.16 5. @) 2.B 4. (a) ?0/429 (b) l/143 (c\ L42|L4B 4105 (.128.0 (b\ 4. (a) 0. - 2.3 (d) (d) 55. o* = 0.2 zr.1b82 (c) 0.166 6.L4L.62.0620 4. (a) L22.4O 0.2 4l.53.81 (bl2.5 (b\ 4.L26.861 (.l 86. (a) 237 22.000948 (ó) 0. Ll4 aJLa.48 4.76 1. (a) 0 4. 82S\fe (b) (ü) (b) 2(b-al4/6 e/5 113 6.ro2. (a) 2.8 68.L32.s? 4.005? (b) 2 (c) ninguna (dl 24 6. (a) 0.0e (c) (c) (c) (c) 1. ¡2.0 (d\ 2.4972 (ó) 0.60 3. o* = 0.Lo4.? 3/4 16.84 (d) 4.68 2. (a\ 3/4 .829 1.03 (¿tl 2. (a) 201.ro9.008 oz oz (ó) (b) pX pX = 22.s a8.360 RESPUESTAS A PROBLEMAS SUPLEIVTANTARIOS 4. (o) B0.00248 (b) 0.75 2.r y 26.64.rr3.128 (d) -1.L29.55.75 1.8b2 (e) 0.9544 5.0228 (c) 0.8164 (ó) 0.6e64 (/) 0.1033 (c) 0. (Q 4.1? v 7!r= !4.101.00g oz oz oz.0000 .

66. (a) 24% (b\ rL% 5.01 (b) menor que 0. 5.100.8869 28.01 y 0.0026 6.00?? (ó) 0.323-0.tO.7349 pulg.101.60 0. (o) ñ = 2.1841 (cl (o) 118. (b) 0. (a) menor que 0. (c) 0.1. (ó) 0. . 5.6 (d) 10995.t7.0136 0.1%.49 (c) 0'28 5.3204.0316 5. O.91?2 6.326. 0.3196. 0. .3265.01 (b) entre 0. (o) 10.9 lb 5.68.o% 78. 80Eo.86 (ó) (c) -e1 (d) 63 .33f0. 1199.105. 99. 6.49 0.a84 5.06 pero máe cerca a 0.90 5. (o) 5.20% ton.50?.9596 (c) 0'1161 .8664 (c) 0. (c) 146.10 5..?33 (c) 0. (o) 0.326-0:328.93.6 (fl @) a6% 100 (horas) (s) 62/a00 (h) 25. (a) ?99 (ü) 1000 (e) (c) 949.60 5. (o) (o) (ó) (ó) 11.2 6.72642 pulgadas 26.62. 5. 5.3226. 501.104.94. (c) 0. 5.0064 (c) 0'4504 5. (o) 0.60 1'. 5.003 pulg.47 (ó) e = 5.0028 (b) 0. (al 4018 6. 5.26 5.01. (ó) 38. (¿) (o) (¿) (b) (b) 0. .0 s ?9 5. . 46 (@) 0.166 ó 16.36 (ü) (ü) 0'17 0. .82.322.67 0.108.t1 5.?9 0'0228 lb (b) 0. 0.01 (c) menor que 0.3%' 99. 6.33?6 pulg.60.6% (il 0't ts.72.0006?6 pulgadas (b) 72. 0. 8.6.0% 76 5.L6 (ü) 0..0.01?9 5.?4 lb I 2 (d) 126 0.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 5. (o) 0. 0.00496 pulg.2160 (b) 0.00 6.11 5.76.56. 0. (@) 0.7L.99. 86 5.81.LL2.09 tons. 78 á.97.. (c) 0. 12.106.33? 6. (a) 82 6Jo2.65.E6. 11.111. . (a\ 2.9t. (o) 0.e5. (a) 2 6 6 (b) 996 (b) (c) 218 12 5. (¿) 0.0482 .92.63.59. 5.5E. 6.1o9.0019 (ó) 0.76% S.8 lb.6% = 0. (a) 5.73. 5. 5.113.96.0.74. 6 0 -1 (ü) 40 4 6 (c) (c) 288 (d) (d) 2188 (b) 0 26.7o.

298 0. 101.38 I (a) 0.5 horas. 0.045 0.70 t 6.6.000060 pulg. (c) 0.07 t 6. (o) ?8.86 lb reepectivamente 6. n4= 0 -0.72ti42 t 0.36.493e (b) 5.?3 onzas onzae (ó) Z.298 t 0. 0. 6. 26. 2.88.u (o) al menos 323 hr (b) al menos 560 (c) al menos ?66 (b) 1. (a) 6. 0.28 (b) (s) ?8e. (a) 1200 hr 6.tu.2 106 (ü) (b) 8.38. 60 y 100 tuboc son respectivamenüe.000025 pulC.22.36206.94 Laprimeradistribución (a) la aegunda (b) la primera 5. ms = 0.123.09 t 0. 42 5.84914 6. (o) 1.7. (b) -4. tb9 5. m1- 89.073 i 0.r5 (c) 0.122.11 (ó) 0. = -3.241 7.2 (d) 7158.116.2464 (b) 52.126.18 tons.62 r 0. 5.72642 + 0. (o) 0.30.41. -0.24 tons. 6.131.¡'TARTOS 5.000095 pulg. (o) (b) 105.34.40. rn2= 5. 6. (a) 5.38 384 (b) al menos 221 (c) al menos 666 (d) al menos a 1. (o) al menos 96 (ó) al menos 68 (c) al menos 16? (d) al menos 225 900 (o) al menos (o) 7.43.546 2.124.69 I 0. (a) 0. (bl 0.68 a 0.09? (c) 0. m1 = 0.128. 0. 7 RESPUESTAS A PROBLEMAS ST'PLEMEI.0? (b) 0. 0.74 5.24 lb2 (c) 0.3?.33.045 6.118.115.7.1 ó.?0 * o. m1 :0.0ab t 0.0 y 100. 6.129.31.12t.20 (f) 7.53743. Las estimas de las media¡ de la población son 1200 hora¡ en todos los casos.4 hr Las estimas de las desviacionee típicas de la población para los tamaños de muestra 30. 101.62 6.5 lb (b) 0.72642 t 0.12 hr t 0. 0.?8 y 0. (q') (c) e2.127.18.29.000072 pulg. 6. (o) 0.96 onzas t t I 0. (a) 0. (o) 0.030 eegundoa (D) 0. L9.L2.00002b pulg.35 (e) 26.2344. (b) 0.130.38 (a) ?.428 24.117. 6.0586..36. ó. 0.16 onzas 0.09 t 0.72642 + 0. 1193.e5 5.22 0.049 segundoe 6. (o) 0. (a) 11. (¿) ffiz: 0.82 0.97.362 ó.4 4 (i) (il 706.09 t 0.2 (b) 0. 6.000085 pulg.39. (ó) 11. (d) 032642 a 0.Se (ó) ?.0696 r¡¿o 560 (c\ r. 0. -1r7.41.9?. 6.?0 r 0. 0.25.112 .38 (hl 22.82.0090 CAPITULO 6 e. (o) 9.125.

8 t 0.60. .1 horas 6.50.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 363 6.14 (a) 0.99.56. (a) 95. 0. (a) Aceptarlahipóteeissilasbolasrojarextrafdasestánent¡e22y42 rcchazarlaencasocontrario.06 (c) t2.69.49. Se puede rechazer la afirmación a ambos nivele¡ mediante un enaayo unilateral.64.06? a 1.4 horas hora¡ horas (b) 78. (a) al menos 87.78 (b) 0.138 a 10. (o) No se puede rechaza¡ Ia hipótesis al nivel de 0.46.6 ¡ a 1g0.68. (c) Rechazar 116 si se extraen más de 39 bolasrojasy acept:ula en caso contrario (o no tomar decisión alguna).?41 a l.4E. 7..17.15 6.8 (b) 0.58.70 (b) 0. y se acepta en ceso contrario (o no se toma ninguna decisión).269 (o) 0. (o) t¿.250 6.259 a 5. k = -lln - (ct. (o) a 230..8 horas 6.5 (ü) 102.) (e) t2. -= 3' 2tritl "'+r3l 6.62.5 a CAPITULO 7 7. (d) Rechazar lfe ei se extraen más de 41 bolasrojas.9 6. es 7. (b) Se puede rechazar la hipótesis d nivel de 0. El re¡ulüado significativo al nivel de 0.654 a 1.69.63. 6.61.00 (ó) 13.24 249 onzas lb (ó) 63. (Hi p> 0. (b) Ensayo unilateral.05 en ambos en!¡ayos.458 a 4. 2400 t 45 librs¡. (a) 6.52.ó4. 7.58 e 2.9 1?0.45. kt') 0. 7 No se puede rechaza¡ la hipóteric al nivel de 0.20. (a) (IIe: p=0. r = .1 a 140.1 a 288. ?.66.51. Sí. 1.05.lre 24 y 40.31 onzas 6.01 en (o) ni en (b). 139. .5 horas (b) 88. 7.Bb 6.70 6. (c) Aceptar la hipóterie ¡i las bola¡ rojac extrafdas esüán ent. I _ ()rr)/r¿ 6.6% 105.5).02 (a) 0. 6. 86 lb (b) 1800 t 328 lb (c) 1800 t S82 lb 6.5). rechazarla en caso contrario.05.r.2606 7.67.0 4802 (ó) al menos 8321 (c) al menos 11.6 horas 2400 ! 59 libree (b) 87.63. (c) 106. mediante un ensayo unilateral en ambos caso8.(b)0.9a1 a 2.673 a 2.79 kl) t2.65.519 a 7..ó2.1 a 148. en ambos nivelea.58. (a) 0. (a) 63.8 l: 0. 6. (a) 1800 t 6.944 (b) 0.7O.

96.63 onzas 7.0118 7.05 pero lo es al nivel 0. 60.?.A1 \¡¿ - lar frecuencias esperadas con 108. 0. E aparente decrecimiento significativo al nivel 0.86.99.01. la¡ frecuenciae esperadar son 32. 23.6.64 1 0.87.El' 7 Un ensayo unilateral muestra que el proceso no debe inhoduci¡se si el nivel de significación adoptado es 0.9. 7 .01. Un ensayo unilateral rnuestra que a ambos niveles el contenido -nedio en cobre es más alto que el señalado en las especificaciones.0118 (c) 0 (d) 0 (e) 0. Un ensayo bilateral a ambos niveles muertra que el producto no cumple con las especificaciones.83 onzae (c) 8.81 ln 7.06. (a) 0. no 7. 7.01. 21.71.7.77. 14.6. concluimos que el primer grupo no es superior .0. (b) Un ensayo unilateral muestra que I no ee mejor que A al nivel de 0.0 respectivamente.RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS 7.0. pero no lo e¡ con un ensayo bilateral. Las frecuenciae eeperadas son 41.34.l0l.20.2. (o) 6 (D) 4 7. es ?. 7. 53. f (r) = aC"(0. Mediante un ensayo unilateral al nivel de eignificación de 0.98. 3.05 pero no al nivel 0. 13 y 2 respectivamente.1.3rL2 8. Un enrayo unilateral indica que no disminuye la media a ninguno de loo do¡ niveles.6.94. 7. 5. 7. 7 (a) si (ó) no . 43. Un ensayo unilateral muestra que el nuevo fertiliz¡¡¡¿ superior a ambos niveles de significación.05.2.01 .78.e5.9.8E.e0. Mediante un ensayo bilateral al nivel de aignificación de 0.E5. pero no al nivel 0. 7. 39.72.2.7 respectivamente.0.7. El aparente incremento en la vai'iabilidad no es significativo a ninguno de loe dos niveles.7 Un ensayo unilaüeral muegtra quc la diferencirr e eignifrcaüive eB al nivel 0.06.6 respectiVamente. 7. ?.?. 7. Un enrayo unilatetal a ar¡bos niveles de aignificación muesha que la marca B es superior a la marca A. Concluirfamos que el resultado no común al nivel 0. f (x) = T.E3. 7. 4.64 (ü) 0.7ó. [.1. 15.1.73.6t)l-r.ae frecuenciae esperadas eon 1. (o) Un ensayo bilateral indica que no hay diferencia en la calidad de fabricación al nivel de 0. E resultado es significativo a este nivel con un enar¡yo unilateral. 7. 7. 9. 4.4. 13.82.36.6.05.84. 11. no ¡e deduce que haya diferencia de acidez.1 y 0.3. 50.96 onzas (D) 8.5.7 respectivamente. Podemos conclui¡ que la primera varianza es mayor que la regunda a ambos niveles.2.79. 7. bilate¡al muestra que no hay eúdencia s ni¡guno de los do¡ nivdes de que la duración media haya 7. pero debe introducirse si el nivel de eignificación adoptado e¡ 0. 7. (o) t 0.64 + 0. al eegundo.32)r(0.tO. 7. y 4.1O0. es 7. Las frecuenciae esperadac 8on 1.7 y 0.t9.05. 7.4. Un ensayo cambisdo. 49. 12.76. No podemos concluir que la primera varianza 8e¡ mayor que la segunda a ningún nivel.05. .4. 66. ?.1 y 1.

La hipótesis no puede rechazarse a ningfin nivel. (o ) 10. (o) El ajuste es muy pobre al nivel 0. (El hecho de que las puntuacionea sean mejores que el promedio puede ser debido a un mejnr acierüó en las en¡eñanzaa o normaa de puntuación menos exi' gentesoaambascosas). ?. Igual conclusión. ) Un ensayo unilateial al nivel 0.0738 (corregida) 7.05. (c) si no si no (c) no (c) no ?. (o) 7. ?.05.05. ?. La hipótesis puede rechazarse al nivel 0.3179 (con conección de Yatea) 7 . (a) 0.118. 7 .103.133. (b) El ajuste es pobre al nivel 0. . 7 .05 pero no al nivel 0.13?. ?.110.114.129. (b) El ajuste es bueno pero no "muy bueno".05 indica que á tiene una mayor proporción de bolas rojas que B.06. 7. Mediante un ensayo unilateral.LO2.109. esto es consistente con el Problema ?. bueno (b) no (o) El ajuste es "muy bueno".01' 7. (o) El ajuste 7. 7.1L7 .108. el re¡ultado er significativo al nivel 0. .1985 (conegida) (D) 0. No hay razón para rechazar la hipótesis de que las monedas ¡ean hon¡adas.116. La hipótesis puede rechaza¡se a ambog niveles.2205. (a) (b) (c) no ?.0.134.L72. 60.11f es es significante al nivel 0.465t 7 . (b) (b) 7. La hipótesis no puede rechazar¡e al nivel 0.109. sea mejor que la B d nivel 0.139.106.06 pero no al nivel 0'01. El proferor nuevo no sigue las miemas nortnas que los otroe. (a) Un ensayo bilateral al nivel 0. No puede concluirse que la marca A 7. La hipótesis puede rechaza¡se a ambos niveles.124. 0.RESPUESTAS A PROBLEMAS SI'PLEMENTARIOS 365 7. 50 respectivamente ( b ) La hipóüe¡is de que lo¡ reeultados ae'an iguales a los eeperadoc no 8e pueden rechazar al nivel de significación de 0. La hipótesis no puede rechaza¡se a ninguno de los niveles.10? . 1. (a) 0. La conclusión es la misma.105.0872.132.05.138. 7. 7. La hipótesis no puede rechaza¡se a ninguno de lo¡ nivdes. Puesüo que la dietribuciónbinomialdaunbuenajustedelosdaüos.t25: 0.113.115.05. 7. La diferencia ?. No hay razón para rechazar la hipóteeis a ningún nivel. ? .728.L23.3863. 7. No al nivel 0. 0.05 no rechaza la hipóteris (b de proporcioneo igudes. tul e no (b) 10 si (c) 10 (d) 8 7.06.104. 7.

64y 8. (a) z = 3. 37.67. (o) (ó) 2.4 si no no si E.ss56' 8.64.96.68.115. (o) 1.9 2.85.0 t 5.2 (c\ 182.107.89 * L.08?86 o¿ (ó) (c) t?0 ft.66. =0. (o) 8.6t-t.74.24 (b) 8.) 1.108.5 (b) (ó) g?.92.8861 1 t.s72 80.6 1. (a) 3. (¿) t 3.111.96.6 E.40 6 A:32.29y 8.00 6 r= (¿) 1.r3.9?.24.r10.?3S(n-B)2 6 41. ft (d) Bg? (b') A=32.5t*3.427Y 61.14¿0.0 8. B.7l4r (b) "=t*lu 10.91¿6 y y 0.000 + 0.79.21 0.?8 + 1.gBB+o.366 CAPITULO 8 RESPUESTAS A PROBLEMAS SUPLEMENTARTOS 15o 8. (b) a = 29.151{" ¿O ó U -92. (a) 24. Mediante un ensayo unilateral no puede rechazarse la hipótesie.46¡r*l 8.13 + 0.113.60 (ó) 17.661¡ (c) r = -14.968 (b.0 a (b) B?.138 t a 0.0 4. (b) d 8.126s 'y 0.77 y -.Z.90.69.rz 8.14(L. (a) 8. E.60 (ó) 1.71.408 + 0.20 E.448 8.0 a 19.8r*12 (b) r= 0.6606 (ü) 0.0 t 8. (c) 37. (o) E. (a\ 0. - 1. 0.00 8. (o) 0.?600 y 0.6tly E.6633 1.r1y (d) 7g 95 t.?801 y .60 8. (¿) 0. (a) 0.00 t _1.80 E.8.2928 y 0. 75/p 8.IBB72 616 8.szos 8.99.81.70. 2.oooo t 0.88. (o) v=0. (bl u = 4.500a (cl r = 2. -0.28 (o) (ó) Mediante un er¡rayo unilateral puede rechazaree la hipóteaia.14(10)0.?961 y (ó) 0.096 o * 0.00 (c) ?.9818 8. (a\ u=-i+í" 6 u=. (o) 1.00*1. u = 6.89.84. (a) 0.1r4. (o) (ü) t.E6.21r*O.9927 8.20(r-B) +0.E0. (a) 0.1 E.66r * 2.109.87.s912 (ó) 0.8961 (b) u = 8.188 ¡ (c) r32 8.398 (ó) 192. r¡o¿ = fi -o. (cr.304 (ü) 1.112. 0.

lgxsilaunidadxesLl2añoyelorigenesel ¡ es un año y el origen es el 1o.7 y 173. 9.43.42.(b)y:722. 0.05.1083¡*0. de julio de 1950 (d) 142. Hay una diferencia significativa en los sitios pero no en los fertilizantes aI nivel 0.3?.05. 0. 9.4547 8. No hay diferencia significativa en el tipo demaíz o suelosal nivel 0.dondeyeslanatalidadpor1000habitantes. tlay 9. Ilay 9. No hay diferencia significativa en operarios o máquinas.43.01 .RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 367 8.9653 (D) 8.01. No hay diferencia significativa en fertilizantes o suelos. (o) u = 3.01. No hay diferencia significativa en los sitios o fertilizantes al nivel 0.01.128.6158 E.26. 9.oy:107.130.38.125.40: No hay diferencia significativa en neumáticos o automóüles al nivel 0.6402 si la unidad 8.L27. 9. 9.33 r .32. llay 9.44.9254 y 0. (a\ 20. Igual al hoblema 9. .33.05.05 pero no al nivel 0. No hay diferencia significativa en los métodos de enseñanza o plantelesal nivel 0. una diferencia significativa en marcas al nivel 0.36 lb 3. No hay diferencia significativa en operarios o máquinas.30 pulg.36. 9.23. flay 9. (b)y:18. CAPITULO 9 9.16-0. una diferencia significativa en sus calificaciones a ambos niveles.66. No hay diferencia significativa en neumáüicos a ningún nivel.¡es5añosconorigenen julio de 1935.34. 9.39.4 (b) 116.4 libras 8.0.9*4.42*2.l31. llay una diferencia significativa en neumáticos y automóviles al nivel 0. una diferencia significativa en rendimiento a ambos niveles.7096 y 0.24.4f.38. una diferencia significativa en operarios pero no en máquinas. No hay diferencia significativa en el color del pelo o estatura.120.116.11?. 9. 9.7 (e)1977 1o.35. 9.deenerode1954. Flay una diferencia significativa en los métodos de enseñanza al nivel 0-05 pero no al nivel 0.38x E. 9. (c) si no (ó) 8. 0. 8. Hay una diferencia significativa en el tipo de maíz pero no en los suelos al nivel 0. 9.05.25. 415 8. 9.31.27.126. Igual al hoblema 9.129. 9.01.4653¡z.

significativas debido a los sitios pero no a los fertilizantes.64.45. 9.61.63.66.54. llay diferencias 9. 9.05. Al nivel 0.46. 9. C. No ha! diferencias significativas en los puntajes de los estudiantes de diferentes partes del país.52. color del pelo o Iugar de nacimiento.49.01 las diferencias en los puntajes del examen debidas al estado veterano no son significativas. 9. No hay diferencia significativa en los puntajes de I. al nivel 0. 9.47 No hay una diferencia significativa en rendimiento escolástico debido a diferencias en estatura. llay diferencias 9.62.3. No hay diferencias significativas debido a sitios o fertilizantes. ltray diferencias signifrcatiyas en especies renciag signif icat ivas. 9. 9. 9. pero las debidas al LQ. pero no otras dife- ' ltray diferencias significativas en tipos de cables pero no en operarios. 9.54. 9. . FIay diferencias significativas debidas al factor 1 pero no al factor 2 o tratamienLos A. No hafl diferencias significativas debidas a los factores o tratamientos. máquinas o fortaleza de cables. significativas en los puntajes de los exámenes debido al estado veterano y al I. No hay diferencia significatirra en tratamientos a cualquier nivel.ó.55. y canüidades del primer compuesüo químico.4E. 9.Q.Q. sílo son. No hay diferencias significativas debido a los químicos o s¡tios. B. fuual al hoblema 9. pero hay diferencias debidas al I.Q.368 RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 9.

268 r23 aproximación de la dist¡ibución de interl¡retación probabilfstica de la. 332.244 conelación. 139'141 teoremas sobre la. 177. 23A. completa. 213.28l-244 fórmula p¡oducto-momento para el. coeficientes de. 317. 315. 6O. 112. 139. 217. 349 distribuciones gamma. problema. 321. 2 constante de Boltzmann. 117. 264. 143.26l múltiple. 135 distribución bimodal. 198. cuenteo.118 propiedades de la. 9. 1 13.97 dist¡ibución binomial. 1 (uéos¿ también conjuntos) clases y frecuencias de clase.129 distribución exponencial. 164. 258-3O5 gradual. 116 reJación de la a la dist¡ibución normal. 311. 117. 82. 309 media y varimza de la. 3 1 5 altamente significativos. 117. cumplemos. 258. 31O. 118. 112. 26 4 coeficientes de confianza. 11.324 cuadrados ortogonales. 3 264. 115. 237 dispe¡sión. 3 dimensiones o unidades. 1 conjuntos disjuntos 3. | (uéase también conjuntos) columna de conteo. 295. 316. 30.lndice Ajuste de datos po¡ distribuciones üeóricar.244 cuwa nomal. 112 clasificación simple o experimentos de un factor. 92- curua cuadrática. 2a5'247. 264 curyas OC. 218. 78. 29G 292 correlación gradual. 269 ensyo chi-cuadrado Pua la. 7L. 306-338 fórmulas cortas en el. 1 77 combinaciones. 267. 21 diagramas de Venn. 268 generalizando. 306- continua a la derecha.L28 relación de la a la distribución de Poisson.3f6 bloques aleatorios. 56-60 pua el caso continuo. lO. 263. 83. 116.213 Bridae. 47. 27. 118 valores de Ias percentilas de Ia.112 219. 1 18 distribución chi-cuadrado. 40 control de caüdad. 316 diseño experimental. 239 propiedades de la. 61 disÉibución beta. 9. 328. 92-94 teoremas sobre la. 316 bondad del ajuste. 246. 3O7. conelación y reg¡esión üneal perfecta.320. 142 relación de la con la binomiál negativa.78. 26O clase.294 generalización del. 183 de la distribución binomial. 46. 8ó decisión. 85. 3f6-321 clasificación tríp¡e o factor tres expedmentos. 9. colección. 1l uti¡izando p¡obabilidad.2 conjunto universal. 248 decisiones estadlsticas. 47 para el caso disc¡eto. 197. 1 conjuntos medibles.293.333 para experimentos de un factor.118 distribución hipergeométrica. 133. 297 distribución de Bernoulli (uéose distribución binomial) distribución de Cauchy. 2ó8 94. 33O cuadrados latinos. 254. 4 conjunto vacÍo o nulo.97-99. 265-267 coeficiente de correlación lineal. 134 cuilas cdacterÍsticas de operación. 130. 11O á¡eas bajo la. 345 tipificada. 46. Só. 315. 81. 26 4.269 cunas de regresión no lineal. 78 diseño de experimentos. 184 categorías. 316 27 distribución binomial negativa. 268. 31 curtosis.281-289 tabla. 266. 28L-284 ensayo de tripótesis y significación para el.242. 296 independencia y. 136. 177. 6 conección de Yates para la continuidad. curua de ajuste. 344. 246 muestral. 119- 310. r97. dewiación. 10. 118. l. 118. 118. 258 relación de la a la distribución norrnaI.322 para experimentos de dos factotes. 11. 234. 217. 163 decilas. 1 51 contado¡ Geiger. 11. L28. L24. 117 ¡elación con la chi-cuad¡ado y t.246 Datos agrupados. 342 axiomas de probabilidad. ó conjuntos iguales. 316. reglas de. 111 r34 distribución de Pascal. 82 cuadrados greco-latinos. 321. 21 1 desigualdad de Chebyshev. James. 47. 108. 2. 266 (véose tom' bi¿n conelación y reg¡esión) curva de potencia. 100. 220.297 teo¡ía muest¡al de. 344 curua parabólica. 127. 316 püa de tres factores. 84 ajuste dé datos por la.86.348. 247 332. 144 cont¡ngencia. 118 distribución de Poisson. 225 análisis combinato¡io. 22O. 219. 115. 291 26r. 6 conjunto nulo.324 el. 2a6-2a7 . 133 . 94. 119 distribución ¡'.315. 115. 347 como caso especial de la distribución gamma.311 aleatorios. ' dife¡encia de conjuntos.2A2. 13 conjuntos bien definidos. 114. 345 ordenadas de la. 232-236. 129. 135 teoremas sob¡e la.316-321 aproxirración de Stirling a nl. coeficiente de.11-13 teoremas sobre.263 covuianza. lO9 (véase tomb i¿n distribución no¡mal) distribución geomét¡ica. 316. 297 poblacioml. 295.310. 263. 1O9 relación de la a la distribución normal. 11. 116 cuenta. 217. 2 (uéose deteminación. 221-226. 89 282 diagramas á¡bol. 267. 25 coeficiente de conelacion. 109 de la distribución de Poison. 25-2 7 análisis de v xianza. distribución gaussiana. 264. 263. 108 bloques.163 centroide o centro de gravedad de los datos. 230 coeflcientes binomiales. 296 Poisson a la. 24O. 46 casillas. Bernoulli. 83. 31ó álgeb¡a de sucesos. 224. 217 convoluciones.243. 216. 259 típica (uéose desviación tíPica) desiación media. 12. 99 (uéase tombién distri' bución normal) áreas bajo la. 11O.145 ajuste de datos por. 319. 85. 19ó coeficientes de correlación múltiple. 333 cociente de inteligencia. 116. 5 completa aleatorledad.2L6 área bajo la. 244 264.37 Cambio de variables. 138. 13 2.169 negativa. 115. E4. 163. 264. 248 curuas de aproximación.135-137. 34ó cu¡va normal tipificada. 24 complemento de un conjunto. 232-236. 134. número desigual de obseryaciones en 312-315 experimentos conjuntos. 2L7. 161. 263. 112 relación de la a la distribución binomial.125. 82. 306. 1 17 moda de la. 88. 2ll. L27. principio fundameotal de. 26+ 246 püa datos agrupados. 97 también varianza) dewiación tÍpica. 109. 112 de Ia distribución normal. 168. 284. I29 aproximación normal a la.237-239 aleatoriedad.112. 23. 1O8.

262. 44. ó1. 29A espacios muestrales infiniio no conta- fumión complementaria de error. 290 . 157 función de densidad normal tipificada. 52-56 continuas. 16ó. 279 efectos de bloques.266. 118. 297.160. 278. 160. 94.47 disc¡etas. 76. l6 3 frecuencia relativa. 178 (uéo¿e 213 mediante la distribución f de Student.244.370 media y vaxi^nza de la.215. 311 distribución t Student) 163 acumulada. 2I9. 243 ensayo de bipótesis y significación. 8l totales. 5 enfoque uiomático de ptobabiüdad. 306-31O. 311 notación paa. 299 er¡ores del tipo I y del tipo II. dualidad. 237.171173 de medias. 295. 27 O. 54 de sumas de variables aleatorias.178. 196. 194 estimas. 276. 290 estima. 293.214 püa pequeñs muestras. 111 distribución nomal bidimensional. 2L9. 2 interacción en el. 306 Fistre¡. 159. 117. 312 Einstein-Bose. 77. 6 enfoque a priori de p¡obabilidad.249 distribución nonnalr 109-1 11. 113. 259 estimador insesgado. 158. 218 frecuencia porcentual. 1O8 . 160. 164 acumulada. 216 Fermi-Di¡ac. pua variables aleatorias contfuruas. 286-287 . 297 e¡rb¡ o residuo.293. 220. 199 insesgada (u¿ose estima iDsesgada) estimas de máxlma verosimilitud.201 esti¡nas insesgadas. 198. definicid¡ de la. 162 distribución multimodal. 83. estadfstica (uéose estadís- tica Bose-Einstein) e1e x.22L.. 4. 44. 199. 63. 45 función de densidad conjunta. 80. 289. 1O8 expamión multinomial. 81.¡ecuencia marginal. 324-327 variaciones pa¡a. 124-127 ajuste de datos por la. 138. 162 de difetencias y sumas. 260. 260 elementos o miemb¡os de los conjuntos. 213. 133 distribución Weibuü. 263.226-228 mediante diferencias de proporciones. 168- de ¡elaciones de vuiauas. 91. 198. mediante la disúribuclón F. 2r9. 117. 110 espermza matemática. 198. 162. ó3. 2ó9. 112 de la distribución normal. 194 estimas sesgadas. 2t6. 113 distribución Maxwell. 262. 231. 141 probabilidad. probabilidad de. 164 f¡ecuencias elementales. 61-63 distribuciones co¡iuntas. 1?3-176 de varios estadísticos.2La. 297 f¡ecuencia observada. 261. 215.294 fómulm de Euler. 26ó también esperanza) estadfstica Bose-Einstein. 111 teo¡ema de la unicidad para le. 310. 262. 48. 341 fracaso. 43 teoremas sobre la. 16G162. 22L- experimentos de un factor. 194 estimas po¡ puntos. 14.2t6 ¡elación con la teorÍa de estimación. 36 E. 118.277 para el plaao de regreslón de mfnimos cuadrados. 273. 6. 266. 117 disribución trimodal. (pe¡cepción ext¡as€nsorizlr. 119. 36 función aleatoria (uécse vuiable aleatoria) función beta. 41 distribuciones de probabilidad discret¿. 6 enfoque clásico de probabilidad. 44 dis¡etas. 313-315. 6 ensayo chi-cuadrado para bondad del ajuste. 92. 179 relativa. 222 escalera flor.294 pa¡a la püábola de mlnimos cuad¡a- teoremas sobre. 164 distribuciones de probabilidad. 163. 4O. L4l 11 8. 162. 44 va¡ianza pa¡a. R. 326 función de distribución acumulada. 231 experimentos de clasificación doble (uCose experimentos de dos facúores.312. 238 bidimensional. 5. distribución f de Stud.) distribución porcentual de frecuencias. 6 fórmula de inve¡sión. 223. 49.177 enfoque de la frecuencia relativa de 308. 43. 267 pua valores predlchos. 4 46. 267. 16-321 225 la. 186 estadlsticos muestra¡es. 1ó7. 5. error típico de la (véose ettot tfpico de la estima) estimación.ent. 236 mediante la distribución normal. fó8. 213 ensayos de una cola. 206. 25. 40. 342 función característica. óó estatura de padres e hijos. 4 espacios muesfales discretos. 156. 117 relación de la a la chl-cuadrado y F. 81. ó2 de funciones de vuiables aleatorias. t7l enfoque a posteriori de Drobabilidad. 47 interpretación gráfica de la. 214. estadfstica.274. 4 espacids muestrales continuos. 44. 4ó. 194 estimas por intenralos. 43-46. 269. 42. 157. 164 distribuciones de fiecuencia acumulada. 164. 287.229-231 2L con repeticiooes. 260 ejes. en téminos de varimzas y del coeficiente de conelación. Futl. 113 experirnentos aleatorios. 81 ble.P. 16ó-168. 35 estadfstico no puamétrico. 211267 estimas no eficientes. 194-210 eficiente.S. 178. 38. 84 distribución multinomial. 266 para vrimzas. 264.196. 286 fórmula producto-momento para el coeficiente de cor¡elación lineal. 216.226-22a mediaate la distribución chi<uadrado. 41 conjunta. 84 distibución uniforme.268 pua grar¡des muestras. 194-2LO. 2L9. 114 relación de la a la disEibución binomial. éxito. 64 293.4. 13ó función de densidad para la. áreas bajo mediante relaciones de varianzas. 312 efectos de lnteracción. zLl. 212. 261. 217 ensayos de dos colas. 94. 83. 4 espacios muestrales no disretos. 138. 99 de la distribución binomial. principio de. 1ó chi-cuadrado y.A. 161. 263. 164 acumulada.282.pua el coeficiente de correlación. 109 propiedades de Ia.263. 265 77 38. 142 distribuciones condicionales. 92. 3O8 error tfpico. probabilidad de. 113.61. 343 función de densidad. 213 para va. 14.6 286. 289.39. 1ó espacio muest¡a] finito.179 distribuciones de frecuencia ¡elativa. 114. 194. 2L6. 115. I76. 194 e¡aor tfpico de la estima. 157 de dewiaciones típicas. 163. 1O8 expansión binomial. t¡ansformación Z de. 1 de proporciones. 218. 267 3-2L5. 117 teoremas sobre la. 132. 86-E8 condicionel.267 formas igualmente factibles. 3 7 Fisher. 31 1 experimentos de Mendel.318 de vuianzas. 212. 2L4. 17?179 acumulada. 1Og de la distribución de Poisson. 39. 162. 98. distribución de 2t6. 4 esperanzar 76.2A6 224 espacio muestral. 41 de funcit¡nes de vadables aleatorias.139-141 ¡elación de la a la distribución normal. 116. 38. 162 INDICE efectos de tratarniento. 266. 163. 3 Ecuaciones norraales pua la recta de mfnimos cuad¡ados. 314. 241 3 mediante medias. 28t. 159. 52 distribuciones de probabilidad condicional. traslación de. 77 (uéose dos. 81 fórmula de Spe¡man pa¡a la cor¡elación gradual. 346 media y vaianza de la. 39 (uéase tambíén funciones de distribución) función de distribución conjunte. 194 (uéate estimas insesgadas) toñbién mediante diferencias de medias. óo conti¡uas.216. 216 para coeficientes de regresión. ?7 muginal. 285. 44 . 156. experimentos de dos faetores. 119 distribución muestral. 77 espermza condiciona!.279- 164. 4ó para valiables aleatorias dlscrets. 184 de medianas. 4 espacios muestrales inflDitos contables. 221-226 mediante proporciones. 163. 198. 161. 82 distribuciones de frecuencias.lores medios predichos. 296 derivación de la. 137.

ó4. 159 normal. 186. 311. 212. 43 4O 268. 1r6. 1 7-2O función de la.P.50. 195 (uéose tambíén lÍmites de confianza) IÍmites reales de clase. 184. f16.44. 46. 156 población multinomial. 97. 84.297 198 para rectas. 111 de la distribución ú o de Student. 203. ó6.297 miembros o elementos de un coqiunto. 84 (véose también media) media muestral. teorema de la unicidad pea la. 17? niedia. 156. 6 muestras. 126. ó3 niveles de confianza. 48.293 medidas de centralización. 36. 166-167. 156. 8O. 164. 79 alrededor del origen. 86 Marca de clase. 206 modelos matemáticos.313 ? probabilidad. 3 ¡ey conmutativa. á1 lÍnea real. 352 números complejos. 163. 96. . 76. 350.165. lO9. 155 población binonial. 157 media total.164. lf l. 114. 2O4. 85. 164. 11 método de mínimos cuadrados. 177. 23O inferencia estadística.342 función gene¡atriz de momentos. 111 21 E inte¡ralo semi-intercuütÍlico. 6 suma de los pa¡a la distribución chicuad¡ado. 47. 1^O.268 funciones de probabilidad marginrl. 45. 26L. 341. 112 la distribución F. 313 polÍgono de frecuencias 179. (cociente de inteligencia). 113. 27 . 13 lÍmites de confianza. 217 gráficos de control de caüdad.179 ojivas porcentuales. 195. 80. 217 259 236.166. gran media. 292. 47 Pata conjuntos. 21 hipótesis. poker. 99 pe¡cepción extransesorial (udase E. ró9 población infinita. 3. 259 ir¡tetcepto. 196. f 56 alrededor de la media.272 función error. 8. 42 para variables aleatorias discretas. 183. 155 aleatorias. 27-23 población. 39. 8 3O7. 40. 312. 2t3. 5ó. 2 núme¡os ¡eales. 41. 184 teorÍa de correlación y regresión.INDICE función de probabilidad. 4O función factorial.249-292 n factorial. 117 la distribución normal.¡los abierto y cetrado. 342 función gamma. 211. 156 196 Ley asociativa. pea conjuntos. 39. 194. 96. 1 polÍgono de frecuencia. 269. 171. 96. 227. 48 probabilidad de causas (uéos(f teorema teoremas de la. 2 lntcnalos de confianza. 13ó de la distribución d€ Poisson. 306. 85. 241 tabla de. 76. 156. 97 medidas de dispersión. 83.5ó marginal. 26. 199. Ojivas. 183. 44 g¡andes muestras. L21 Jacobiano. 276. 79 momentos condicionales. 6 moneda b-omada. acumulado. 163. l2 computación de la. 177 muestreo. 69 para datos agrupados. 76 de una muestra. 2O2. f96-202 L44. funciones de densidad marginal. 157 media ditmética. 80 teoremas sob¡e la. 199-201 grupo. 1O9. 84. 19ó nivel de significación.5 probabilidad condicional. 217. 79 condicional.22O. 351 loterm. 205. 18O- población normal. 55. 45 funciones de distribución.221 experimental o descriptiva. 156 parámetros de la. 40. 164 operaciones de coniuntos. 264. 3O6 medias de tratamiento. 1 método de expansión. 89'91. LS7. 96.219. I 55 integrales de Fourier. 179 acumuladas. 3.23O Herencia. 3Oo funciones de distribución marginal. t71. 2. 97 mejor cuwa o recta de ajuste. 47. 1 (véase también conjuntos) prábola. 44. aproximación de Sti¡ling a. 136 gráficos de control. para datos agru- Gas ideal. 2.2O3 para relaciones de vuianzas. 1óó. 163. 11ó. invuianza baio üanstotmacióD. 61-63 conjunta. 342 fórmula de recunencia ptala. 37 Poisson.312 ordenadas.312. 19ó. 3O6 de de de de medias de grupo. 309. 94 función escalera. 44. 98 integr¿les especiales. 1O función paso. 224 niveles de significación. 214 histograma. 197. 158 I. 342. ensayos de.237.Q. 2 logúitmos comunesr tabla de. 79 intenalos geml-abiertos o dos. 1 56 independientes. 44 371 molécula de gas ideal. 198. L22. 1 56 partículas radioactivas. 156 tamaño de la. 1ló de la distribución F. 47 para conjuntos. 1 44 pe¡centil¿s o valores percentüa. 15ó. 3. lnteÁ. 308. 123 de la distribución chi-cuadrado. 266. 311 mediana. 63 función de Drobabilldad coqiuDts. 1. L78 I paradoja de Russell. 159. 117 modelo matemático lineal pua el análisis de va¡ianza. débil ros) (ué¿se muestras independientes.84 Papel gráfico de curya normal. 2 pea vErian¿as.97 (véase tanrbién esperanza) pados.266 pe¡mutaciones. 206 semi-cerra2dO. 117. 306. 266- 4t.179183 momelltos centüales. 21?. 97 medias de fila. 8O función monotónicamente creciente. 277. 84.98 de la dist¡ibución binomial. grupo control. 197. 158.) mÍniinos cuadrados. para la convolución.234 pare propo¡ciones.. 163. 11? de un conjunto de números. 198 dist¡ibución de muestreo de la. 268 para vuiables aleatorias continuas. 110 eomplementaria. 84. 95 para las pruebas de Bernoulli. 6r 3 ley de los grandes números. 179-183 la distribución binomial. ll. 342 fórmula asintótica de Stirling pa¡a la. 112 de la distribución normal. potencia de un ensayo. 196 población finita. 3 inteivalo de clase. 155.S. 200 número. 94 moneda cargada. 2+2. 1ól momentosr 79.45. 1O9. 221 experimental o descdptivo. 171. 165. 43. \24 ley de los grandes números en forma ley de los gtandes núme- Iey de los grandes núme¡os en forma tuette (uéase también ley de los grandes números) leyes de Morgan. 1ó5.D. 39 condicional. 1ó6. 26O intetsección de cotiuntos. 204 para medias. 85. 159. 6.49. 96 de la dist¡ibución beta. 84. 213 números rleato¡ios. para el análisis de la varianza. 195 lÍmites fiduciales. (uéqs¿ rectas de mÍnitnos cuadrados) método y fórmula clave. 312 g¡an total. 84. 342 27. 194-206 para diferenciás y sumasr 196. 196 muestras aleatorias. 54. ó8. 49. 211 (uéase tombián ensayos de hipótesis y significación) hipótesis nulas. S. 243 pua paábolas. 38 marginal. 259 para curvas. 1ó1 grados de libe¡tad. 3O7. 196. 259 método de comprensión. 177. para la convolución. 164. 1á6 con o sin remPlazamiento. 12. 1ó8. 89-91. 224 tabla de. 13 en los zucesos. 343 central.241 hipótesis estadísticas. 32 parámetros poblacionales. 163. 123 la distribución de Poisson. 269. para la convolución. 86. 83. 76. 178 moda. 164. r23. 13 Iey distributiva. 45. 1ó8. 162 no unicidad de la. 81. 308.

266. 14. 7. 263. 3O7. 63. ó sucesos. 198 rectas de mÍnimos cuadrados. 262. 164 dist¡ibuciones de la. 158 de la distribución no¡mal. 15 sucesos elementales. 26A. 258 punto muestral. 108. 2a9. 43 t¿blas de clasificaclón doble.4 Recorrido. explicadas y no explicadas. 78 unidades tipificadas. Valores críticos. Tabla de probabilidad coniunta. 143. 226 . 2ó9 Sec¡etaria. 29O curva. 223. 30. 291) universo del discurso. 82 veiables aleatorias normales asintótica- ley de los grandes números paa 109. 297 tammo de la muestra. 262. 269 vdiables-transf o¡madas. 279 unión de conjuntos. I7 -2O. I O8 distribuidas normalmente. 38. 216 como segundo momento. asignación de las.2ó9 coeficiente.115 vtianza poblacional.94 de la distribución binomial. 306.116 función (uéose función de probabilidad) geométrica. 31O. 50 papel gráfico. 85 sesgo. 213 región de rechace. 1 subconjuntos p¡oFiós. 311.experimentos de dos factores.287-289 transformada inversa de Fourier. LIL. 212 ensayos de.27l uperf icies. 164 probabilidad geométrica. 97-99. 79.161 veiables aleatorir nomalizadas. 151 82 seguridad. 85. 41 INDICE sobres. 6. 289.272 318 grados de libertad para.317. 3O9 ent¡e filas o tratamienúos.161:171 prueba de Bernoulli. 212 regla de Leibniz para la de¡ivación de una integral. 4. 1O9. 289. 123 de la distribución de Poisson. 260. 5 condicional. 263. 112 de la distribución f'. 8O dist¡ibuidas binomialmente. 50 dist¡ibuidas unifomemente. 6 suceso seguro. 29.111.97 semi-intercuartr-lico. 6. ? sucesos independientes. 266. 311. 2t9. 26? traslación de ejes. 270 va¡iables aleatorias. probabilidad empírica. 161.284 relaciones no lineales. 131 prueba del. pda la función generat¡iz tos. 281.158. 38 variables aleatorias de la distribución de Bernoulli. 5O con distribución dg Poisson. 31 1 entre y dentro de tratamientos. aleatorias) 2 2 241. 254. 194. 21 variación. 1 14 independientes. 9. 11 1. 312 regresión. 81 transformación Z de Fishe¡.294 vaianza. 269. 78. 39. 49.86.114. 8O sesgada a Ia derecha o a la izquierda. 7. 1 ilceso imposible. 63 no conelacionadas. ó2-56. S2 sin dimensiones. 195 desconoce la. 2O1 t¡ansformación de Fourie¡. pa¡a la función ca- vaiables aleatorias independientes. 42. problema de los. (véase v atianza muesüral) continuas.2O2 interpretación probabilística de. 22O tablas de con¿ingencia. 115 cuadrado.2a5 vatiación residual o aleatoria. 27 I relación fineal. 26 2 teoría muestral de. 259. 176 velocidad efectiva (¡ms). 156 temperatura Kelvin.39 vaiables aleatorias continuas. 217. 79 tipificadas de. 352 293. 263. 264.124 las. I 18 tablas y distribuciones de frecwncias de doble v&iación. dist¡ibución muestral de.159. 23a como una función de valor real. 269.81. 108 pruebas de Bernoulü. 3O9 regresión múltiple. 1lO va¡iables aleatorias adimensionales.lasificación simple. 15-17 p¡obablemente significativos. 262. 64 probabilidades.273 en términos de varianza muestral v teoría de muestreo exacto. 8O ¡acte¡Ística. 243246 tablas de frecuencia (uéose ta¡nbién distribuciones de frecuencia) variables aleatorim distribuidas binomia¡mente.85. 48 función de densidad de. 264.89 combinada. 292-294 cov^rianza. 2AL. 324-321 residuo. 341 ¡elación con las dist¡ibuciones t y F va¡iables aleatorias con dist¡ibución Gamma. 264. 263. 63. 26O. 81.63 vüiables aleatorias no relacionadas. f91. 271 referencias tipificadas. invarianza bajo. 111 de la dist¡ibución t.98 serie de Taylor. grados de libertad 311 métodos cortos paa obtener las. 29. 48. 79. 266. 2a7. 52-56. 38. 266. 131 teorema o ¡egla de Bayes.285 recta. 113. entre columnas o bloques. 258. 158.372 o ¡egla de Bayes) concepto de la. 112 de la dist¡ibución normal. 326 diag¡ama. región de. 266. 22O.239 problema de la aguja de Buffon. 3O8. 8 cálculo de las. 281. 30. 9.2a4. 219 en anáUsis de varianzas. 262. 114 1ó8.2a5 vaiación no explicada. 266. 11O v&iables aleato¡ias dist¡ibuidas uniformemente.123. 289 ecuación. 130.49.lores esperados de las. caso donde s . 264-27 4. 3O6 triángulo de Pascal. 284.284. 27 8. tabla de. 242. 151 teorema de unicidad. 26-27 231. 79 vriables aleatorias con distribución Be- serie". 1O8 variables aleatorias dependientes (uéose variables aleatorias independieDtes) vaiables aleatorias discretas. 26O.110 vüiables dependientes. 89. 260 variaciones.81. 3O7 para . 89.3il1 Taylor. 216 var\anza muestral. 117 de la distribución muestral de medias.88. 265. variación total. 13O. 38.244 representación gráfica. 212.318 múltiple.262 vüiación explicada.260 pua vriables aleato¡ias distribuidas binomialmente. 8. 79. 46 scesos mutuamente excluyentes. 83. 45.37. 81 transfomación. 219. 4. 165. 161. 3O7.78. ó. 3Og pua las. 58.2a4. 37 serie de Fourier. 195 valo¡es de tendencia. 164. 15 utilizando el análisis combinatorio. 196 tigmpo de reacción. 261. 85. 3O9. 68 proporciones. 5. 183 de la distribución binomial. 259. 131. 195. 1 I O región crltica. 112. 20. va. 117 muestral. 6 algunos teoremas importantes sobre la.6O teorema del límite central. l94 sÍmbolos de inclusión. 1ó8. 17-2O. 242. 259. 237 . 25 Unidades o dimensiones. 46. 311. 67. 64 gráfica. 3 significación.115 variables aleatoiias con distribución chi- ta.259. ó-7 sumas es¡reciales.266. para datos agrucondicional. 46.82 de momen- mente. 37 subconjuntos. 3f 3-3f 5. 262. 45. 79 distribución de las.2a2. 97. 1Og de la distribución de Poisson.249 computación de la.262 27 a. 160 esperanza de Ia. plano. 49 ¡éplicas. 2ll (véase tombién ensayos de hipótesis y significación) vaiables aleatorias con dist¡ibución Cauchy. 79 pados. 266. problema de la.38 discretas. 78 va¡ianza combinada. 311 tratamientos. 242. 26I intersección de. 48. para un conjunto de números. 1?9-183 vriable independiente. 266. 317. 49.245 en análisis de varianza. 249 de vaiables aleatorias distribuidas normalmente. 322-327 tabla de c. I 1 O pila distribuciones conjuntas. 1O8 vuiables aleatorias distribuidas de a- cuerdo con la dist¡ibución Poisson. 111 vuiable estocástica (véase vuiables valores exponenciales.

.

.

l .

.

.

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

Sign up to vote on this title
UsefulNot useful