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.

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

Parte I PROBABILIDAD .

.

uloporelmétododecomprensióncomo{rlreeunavocal}. grupo y colección. En general. EJEMPLO 1. léase"elconjuntodeloselementos¡talesque¡es una vocal" donde la línea vertical I se lee "tal que" o "dado que". debemos estar capacitados para determinar si un objeto específico pertenece o no al conjunto. A tenemos A C A._l 'Cupítulo Coniuntos y probqbilidqd EL CONCEPTO DE CONJUNTO 7 El concepto d.6. Obsérvese que la sola redistribución de los elementos no cambia el conjunto. 2. i. llamados míembros o elernentos del conjunto. 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. de {o.4.e conjunto es un pilar fundamental de la probabilidad y la estadística y de la matemática en general. u ) es un subconjunto propio de {o. 4. 5. Un conjunto puede considerarse como una colección de objetos. _ Si un elemento a pertenece a un conjunto C escribimos a€ C.b. describiendo alguna propiedad conservada por todos los miembros y por los no miembros. B. 3. 3. e } es un subconjunto. Si o y b pertenecen aC escribimos a. i. A y B no tienen exactamente los mismos elementos. { 4 o. Sic noperteneceaC escribimos a é C. EJEMPLO 1. i. y un elemento por una leha minúsculao.Para que un conjunto seabiendefínido. el cual es un subconjunto (propio) del conjunto de todos los resultados posibles {L. Si Ac B y B CAllamamosa A y B iguales y escribimos A : B. EJEMPLO 1. e. escribimos de B. EJEMPLO 1. si esto no es posible. como siempre lo supondremos. o. mientras no se especifique lo contrario. SUBCONJUNTOS Si cada elemento de un conjunto A también pertenece a un conjunto B llamamos a A un subconjuntodeB.6}. o. EJEMPLO 1. El conjunto de las vocales en el alfabeto puede definirse por el método de extensión como { a. denotamos un conjunto por una letra mayúscula A. pero no un subconjunto propio. puesto que los dos conjuntos son iguales. SiA C B pero A + B llamamos aA un subconjunto propio EJEMPLO 1.2.1. Al lanza¡ un dado los resultados posibles cuando el resultado es "par" son elementos del conjunto {2.2.5. . 4. e. I a. Un conjunto puede definirse haciendo una lista de sus elementos o.6\. es decir si B. C.escritoAcB6B:Ayleído"AestácontenidoenB"o"BcontieneaA" respectivamente. e. El conjunto { Obsérvese que el método de extensión no puede utilizarse aquí. Sinónimos de conjunto son c/cse.3. u}. u}.4. o. 6). ¡ |¡ es un triángulo en un plano ) es el conjunto de los triángulos en un plano. En este caso AyB tienen A+ Si A no es igual a B. b e C. a. Se sigue que para todos los conjuntos exactamente los mismos elementos. El primero se denomina el método de extensión y el segundo el método de comprensión.5. u. i.

EJEMPLO 1.7.T.2.8. es un EJEMPLO 1. CONJUNTO UNIVERSAL Y CONJI. OPERACIONES ENTRE CONJUNT\OS 1. 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. Tales diagramas denominados diagramas de Venn.9. se llamala unión deA yB y se escribe Au B (región sombreada en la Fig. 1-4 2. 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. Si AC B y B CC. El conjunto de todos los elementos (o puntos) que pertenecen a A o a B. EJEMPLO 1. o simp espacio uniuersal y se denota por u. el conjunto de todoe los resultados posibles es el universo {L. sirven para da¡nos una intuición geométrica respecto a las posibles relaciones entre conjuntos. 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 . 1-3). 1-2). DIAGRAMAS DE VENN Un r¡niverso u puede representarse geométricamente por el conjunto de puntos dentro de un rectángulo. l-3 Fig. Si lanzamos un dado. Unión. 5.4. l -2 Fig. . En tal caso los subconjuntos de zt (como A y B indicados y sombreados en la Fig. 6}1. Fig.a CONJUNTOS Y PROBABILTDAD lcAP. 1-1) se representan por conjuntos de puntos dentro de los círculos. o tanto como aB. entonces AC C.JNTO VACI( Para muchos propósitos restringimos nuestra d fico denominado el uniuerso del discurso. 1 El teorema siguiente es verdadero para cualesq Teorema I-I. Intersección.3. Los elemenr Es útil considerar un conjunto que no tiene r uacío o el conjunto nulo y se denota por p.

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

esdecirunodeloselementosdelconjuntóíqs)(ó{0. Si tenemos una máquina que produce tornillos.SC. EJ EMPLO 1 . si lanzamos un dado el resultado del experimento es uno de los números en el conjunto {L.15. g. Si lanzamos una moneda eI resultado del experimento es un "sello". por ejemplo. 4. Si elemental o simple. donde suponemos que ninguna lámpara eléctrica dura más de 4000 horas. 1 EXPERIMENTOS ALEATORIOS Todos estamos familiarizados con Ia importancia de los experimentos en la ciencia y en la ingeniería. impar) Sin embargo.14. es lógico que el último no sería adecuado pan determinar. Silanzamosunamonedadosveces. 2.en tanto que uno que es infinito no contable'se llama espacio muestral continuo o no discretoSUCESOS posibles.elresultadopuedeindicarsepor{CC. etc. si lanzamos una moneda dos veces y utilizamos 0 para represenmr sellos y l para representar caras el espacio muestral (véase Ejemplo 1.dsdecirdos EJEMPLO 1. EJEMPLO 1. Los siguientes son aLgunos ejemplos.5. sedenominaespacio muestral infinito no contable. Obsérvesé que eJ córresponde al conjunto universal. 4.13. un espacio o conjunto muestral de todos los resultados posibles se da por {1.. Si un experimento consiste en medir "la vida" de las lámparas eléctricas producidas por una compañía.2. Así cuando se produce un tornillo será un miembro del conjunto {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. se denomina espacio muestral infinito contable. .1 ) representaselloen el primer Ianzamiento y cara en el segundo lanzamien[tr. Un suceso que consiste de un solo punto de cJ frecuentemente se llama un sueeso .3.11. Unespacio muestral que es finito o infinito contable frecuentemente se denomina espacio muestral discreto.12) puede dibujarse por puntos en la Fig. 3. 'EJEMPLO 5. simbolizadaporc(ó1). Si lanzamos un dado.16. 1-7 donde.. Si tiene tantos puntos como hay en algún intervalo en elejer. Frecuentemente es útil dibuja-r un espacio muestral gráficamente. simbolizado por S ( ó 0 ). (0. es decir es un conjunto de resultados el resultado'de un experimento es un elemento de A decimos que el suceso A ha ocunido.CS. cara la primera y sello la segunda. no defectuoso}. EJEMPLO 1. si un resultado es divisible por 3. el resultado del experimento es que algunos pueden estar defectuosos. 6 | en tanto que otro es lpar. Tales experimentos se denominan experimentos aleatorios. 1)). como en el Ejemplo 1. entonces el resultado del experimento es el tiempo f en horas que se encuentra en algún intervalo.SS) caras.2. por ejemplo.tal como 0 f r: S 1. Si un espacio muestrdl tiene un número finito de puntos. EJEMPLO1. o una "cara".6). Un suceso es un subconjunto A del espacio muestral. . por ejempio. es decir SC.or . = 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. l-? tos como números naturales 1. 1. En tal caso es deseable utilizar números en cambio de letras siempre y cuando sea posible.CONJUNTOS Y PROBABILIDAD [cAP.se denomina espacio muestral finito. 0 ú :: 4000. Si tiene tantos punl'ig.16. Un principio fundamental es que si efectuamos tales experimentos repetidamenle bajo condiciones aproximadamente idénticas obtenemos resultados que son esencialmente los mismos. EJEMPLO 1. Sin embargo. .1 0.12. hay experimentos en los cuales los resultados no son esencialmente los mismos a pesar de que las condiciones sean aproximadamente idénticas.

A. Equivale adecirque laprobabilidad contrasu ocurrenciaesdel 75% al25vo o de B ai. 1. y de estas dos maneras una cara puede aparecer en una sola manera. . excluyentes. perosi estamos regutJs de que'el suceso no ocurriú d_e9. Esto también se llama laprobabilidad empírica del suceso. Supóngase que deseamos la probabilidad de que resulte una cara en un solo lanzamiento de una moneda.ad con la que podemos esperar que un suceso ocurra es conveniente asignar un número enhe 0 y 1. 4. simplemente "cara" y .B". diríamos que hay y 26Vo de oportunidad de que ocurra y un 767" de opoitunidad de que no ocurra. En ólgebra de sucesos que coffesponde al álgebra de conjuntos indicada en la e. entonces podemos obtener otros sucesos en cJ. AU B es el suceso "Aó B o ambos". Esto quiere decir que no pueden ocunir ambos. razonarno{¡ que la probabilidad requerida es 112. Por ejemplo. que se llama el suceso imposible puesto que un elemento de Q no puede ocurrir.[ proposicio Fig' 1-8 Empleando las operaciones de conjuntos en sucesos en Así si A y B son sucesos. 1-8.Puesto que hay dos maneras igualmehte factibles del resultado de la moneda. Flxisten dos procedimientos importantes por medio de los cuales podemos obtener estimativos para la probabilidad de un suceso.esdecirAñB:Q.como frecuencia relativa o a posteriori. 1) y (1.19. B : { CS. 2. entonces la probabilidad del suceso es h/n. Enfoque'clásico o a priori Si un suceso puede ocurrir en h maneras diferentes de un número total de n maneras posibles. 0). donde n es muy gmnde. EJEMPLO 1. CC. A' es el suceso "no A". 2. el suceso que sólo resulte una cara es el subconjunto del espacio muestral que consiste de los puntos (0. 1l CONJUNTOS Y PROBABILIDAD EJEMPLO 1. SC. un suceso ocurre h veces. CC}.cAP.18. Como medida de la oportunidád o plobabilid. CC} EL CONCEPTO DE PROBABILIDAD En. frecuentemente decimos que los sucesos son mutuamente. 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 3.17. que es el suceso cíerto o seguro ya que un elemento de eJ debe ocurrii. SS } así tenemos A U B: {Cg A': {SSl SC. A n B es el suceso'qtanto A como B" 3. Si después de n repeticiones de un experimento. entonces ta próbauilidad del suceó es h/n. w tloríá de conjuntos e inversamente. 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".B es el suceso "A pero no . SilosconjuntosconespondientesalossucesosAyBsondisjuntos. como se indica en la Fig. todos igualmente factibles.'sello" (suponiendo que la moneda no se pierda ni caiga verticalmente). Enfoque. y el conjunto vacío Q. si la probabilidád es de 1f4. si lanzamos una moneda dos veces. 1. Si estamos seguros de que el iuceso ocurrirá decjmos que su probabilídad es 100% ó 1.cualquier experimento aleatorio siempre hay incertidumb¡e sobre si un suceso específico ocurrirá o no. EJEMPLO 1. Al llegar a este resultado suponemos que la moneda es honrado. Como sucesos particulares tenemos el suceso en sí mismo.lm9s que su probabilidad es cero. SS) : eJ A-B- Añ B: {CS} {^SC. Entonces A : {CS. es decir que no está cargado.

y P(A) la probabílidad del suceso A. para solo dos sucesos mutuamente excluyentes At. si se satisfacen los axiomas siguientes: Axioma 1.CONruNTOS Y PROBABILIDAD EJEMPLO 1. Si lanzamos una moneda 1000 veces probabilidad de una cara es 532/1000 = 0. . .UA" y tes.. 1 y hallamoe que 532 veces resultan caras estimamos que la Ambos enfoques el clásico y el de frecuencia prcsentan serias dificultades.'. ..Á. (d) Teor¡:rna 7-16: es decir el suceso imposible tiene probabilidad cero. Para cualquier número de sucesos mutuamente excluyentes P(AtuAzu '. Bz. Paru el suceso cierto o seguro eJ en la clase C =I At.20. . Si d es di5creto todos los subconjuntos corre6ponden a sucesos y recíprocamente. el espacio muestral.iomas anteriores podemos demostrar varios teoremas sobre probabilidad que son importantes en el estudio posterior. (5) Para cada suceso es A 0<P(á) <1 P(9) = O decir la probabilidad de un suceso está entre 0 y 1.:<ioma > 0 (r) Axioma 2.1) + P(A2) + . A causa de estas dificultades los matemáticos en los últimos años se han orientado avn enfoque axiomótico utilizando conjuntos. eh la clase C (2) 3. entonces At.632. P(AL:AI) = P(Ai+P(Ar) ALGUNOS TEOREMAS IMPORTANTES SOBRE PROBABILIDAD (4) De los Teorema Teorema a-r. (e) En particular. .. peto si ef es continuo solamente subconjuntos especiales (llamados medibles) corresponden a sucesos. entonces . [cAP. A cada suceso A en la clase C de sucesos asociamos un número real P (A). An son sucesos mutuamente excluyen- P(Al = P(Al) + P(A2) + En particular si A "' + P(A") (8) - et. Ar. el primero debido a la vaguedad de las palabras "igualmente factibles" y el segundo debido a la vaguedad incluida en un "número muy grande".t. . Así P se llama la función de probabilidad. LOS AXIOMAS DE LA PROBABILIDAI) Supóngase que tenemos un espacio muestral e. es decir P es una función de valor real definida en f.) - P(/. . Para cada suceso A en la clase C P(A) P(eJ) A.) = P(42) - P(A). Az. 7-14: 1-15: Si ár cA2 entonces P(Ai < P(Az) y P(Az. Teorema 7-77: Si A' es el complemento de A entonces P(A') Teorema = r-P@) (7) 7-78: Si A = AtUAzU.

. á3 son tres sucesos cualesquiera. entonces P(A:U AzU ¿") : P(. + P(A") = t Se concluye que podemos escoger arbitrariamente cualquier número no negativo para las probabilidades de estos sucesos simples siempre y cuando se satisfaga (14). + P(ánA") (rr) ASIGNACION DE PROBABILIDADES entonces por el Teorema 1-18 Si un espacio muestral el' consiste únicamente de los sucesos elementales Ar..An (1+) P(Ai + P(Az) + .]) . Az.....2.21. Az.. Ar.. si A (10) t...79.4..P(üñAz\ - P(A|¡A. Teorcma 1-20: Para dos sucesos AvB P(A) Teorema = P(A1B)+P(A1B'\ (12) 7-21: Si un suceso A debe resultar en uno de los sucesos mutuamente excluyentes At.5.B\ Generalizando. si suponemos probabilidades iguales para todos los sucesos simples. entonces 1 6 .+P(4") = 1 (e) 1-19: Si A y B son dos sucesos cualesquier4 entonces P(AuB) = P(A) + P(B) . 1l CONJUNTOS Y PROBABILTDAD P(Ar) Teorema +P(A2)+. 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.. como el de la frecuencia relativa de la página 6. Se lanza solo un dado.A. Véase Problema 1.P(A.. Podríamos lógicamente emplear otros procedimientos para asignar probabilidades. EJEMPLO 1.6}. esdecir si suponemos que el dado es honrado.4.h h =: (15) un suceso compuesto por h sucesos simples tenemos P(A) (rd) Esto equivale al enfoque clásico de Ia probabilidad dado en la página 5. Hallar la probabilidad de que resulte 2 ó 5.) + P(Ar) + P(As\ ...2. El espacio muestral es e-I: {1.P(AsnA) (rr) + P(Lt\AzñAs) También pueden hacerse generalizaciones a n sucesos.cAP..3. En particular.. Si asignamosprobabilidades iguales a lospuntos muestrales. entonces P(A¿: '!y si A es k=1.entonces P(A) = P(AnAi + P(AñAz) *'.

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

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

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

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

Entonces B. ".5.8 = {6. seaA={rl*esunenteroimpar).2. 2 es wn número re¿l mientras que {2} esw conjunto que consiste del número real 2. (s) (AnC) e (Bne.5)=0 sólosi x:B6x:6. 1 L. es deeir B ee un subconjunto de A.r. aA. B: {x I x2 -8r+. (e) A .B: eonjunto de elementos en A que no están en B : [0. entonces B) A. r.5."áÁ y porüantoBC 1. 0. puesto que {9} es un conjunto no voclo que conriste del conjunto vacío.6. r>g} y B: {fr | r<l}.4.6}. 1.4 u n = {-fr. +.-¿}. tenemosque¡ € C.-fr}. = {0. (/) (Bn C). no hay objeto que no sea igual a sí mismo.sededucequeACB6B)Aylrrpropocición Obaérvese que esto se lee es verdadera- 1.15:0).. {*.-4} = {-18.enconhar(a) AnB.-tf2. Entonces ya que AC B. Asf.4} utilizando el re¡ultado de (b). pertenecen á.-4} (c) (AuB) n C = {-{2. (d) B' : conjunto de los elementos en t/ quenoestánen g = {0.6.0. (d) B'u C'.lQ}. Sea r cualquier elemenüo de á.+.5.-rt.o. si el universo 'u = {}.2. -4} y los subconjuntos de u están dados por A : {-\n._\E} . ¿Es cierto que {2} : 2? No.-fr. OPERACIONES ENTRE CONJUNTOS. Demostra¡ que si Ac B y B cC.-4} = t-\ñ} (D) .r. (b) AUB. üenemoe A-B = AñB'= (f) BñC = {6.5. ) La proposición es falsa.5.u C.r. (b) "A es el conjunto de ¡ tal que 12 : 4 y ¡ ) 9'.-qyC = {+.L2 CONJUNTOS Y PROBABILIDAD lcAP.-{r). Yaque x2 -8x * 15:0 ó (r -3)(¡.üenemosB:{g.+. -4} = {+.. Entonces {x I x * x} : e. n].-r/2.o} u {0.Demostrarque BcA.. Cualquier objeto particular se supone ee igual a sf mismo.5.6. el conjunto vacfo. El error radica en escribi¡ {@} por @.-. (a) AnB = {-12. ee deci¡ ¡ € A.r} = {0.-4}n{+.--4} n {+. Puestoque el conjuntovacloesunsubconjuntodecualquierconjunto. Puesto quetambiénBCC.'NT\OS 1.t. r. DIAGRAMAS DE VENN Y TEOREMAS SOBRE CONJT.o.-4} = Entonces (BnC\' = {0. AsícadaelementodeB perten. C' : conjunto de los elementos en 'll que no están en C : {0.-4}n{0._\E}.".pueotoqueloe elementos 3 y 5 son enterosimpares. página 3. entonces AcC.0|. Puesto que no hay un númeror tal que x2 :416x:2.o. . Aeícadaelemenüodeá esunelemento de C y por tanto A C C.r). es decir cada elemento de A eetá en 8.o} u {5. Determinar cuáles de las proposiciones siguientes son verdaderas y cor¡egir las que son falsas.-{2.+.r} {*.. Si A = {r l r2=4. 5.{0. (c) (AUB)nC.0. Otro método.0}n {5.3. Por el Teorema 1-8.0. (o) (b) (o {rln+ü} -.-4}. (e) A-8.+.-2ly * )9. se sigue queA: @. -rt. 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. tenemos x€ B.

8') A = (AnB)u(AnB') El resultado puede generalizane (véase Problema 1. página3:Tenemoo An(Bu C) = (AnB)U(AnC).nn. 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.-4} Entonces t. Sin embargo. y se observa que esta región es igual a la región sombreada de la Fig. l-12 Obsérveee que un diagrama de Venn no suministra una prueba como la dada en la parte (o). sirve para euminishar relaciones posibles entre conjuntos que luego pueden probaree por métodos similaree al dado en (o ). (b) Ilus- har el resultado de la parüe (c) empleando un diagtama de Venn. 1l CONJUNTOS Y PROBABILIDAD Obsérvese que este re¡ultado conjuntamente con Tborema 1-12b. l reA¡B 6 neAnB'} M6todo 2. (AnB) u(AnB') A : {r I reA) = {.0} n {*. 1-11 la región sombreada representa (A U B)'.reBuC} I re A.neB\ = {r I neA'. 13 el de la parte (d) ilustra la segunda ley De Morgan.cAP.al : (ArtB) u (A^B') : (AñB') u (A¡. = (AnB) u (AñB'). (sl AnC = {-\/-2.-¿l = {+. .69). página 3. En el diagrama de Venn de la Fig.-ll .@. En Ia Fig. (o) Tenemoe págrna 3: (A u Bl : A' n B'. Demostra¡ laprimeraley distributiva. B n C = {}.-¿} [Vóase pa¡te (f)]. Teorema !-L?tt. Teorema 1-6. elconjuntovacío.xeB 6 reC} I s€A.r€B') (b) = A' ^B' El resultado puede extenderse a cualquier número finito de conjuntos (véase Problema 1.74).7. Fig. 1-11. (A¡C\ u(BnC) : @u {*.9. 1. Luego At ñ f|' se representa por la región doblemente rayada en donde se encuentran ambos conjuntos de líneas. Sea C:8' en el Problem¿ 1. {r {" (AnB) u (A nC) 1.8. Demostra¡ que para cualquier conjunto A y B tenemos A Método 1. Ao(BuCl = = = = = l r€A.reB 6 r€A.reC) @ | reA"'B 6 xeAnC\ {. (c) Demostrar la primera ley De Morgan.8. Entonces A n (BuB') A r. (AuB)' = {r I r4Ar-tB} = {" I rCA. 1-12.2. l-ll Fig. Región sombreada = (AUB)' Región doblemente ¡ÜEÉru¡r qvvrs¡¡¡E¡¡w rayada ]_"7.

4 u B.B. 1-13. picas. . (o) A U B = {o rey o trébol (o ambos. 1-13 para describi¡ los s sucesos (a).B -{reyperono trébol} Es lo mismo que A ñ B' . . 13}. pica}. reina. (f) 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 ).A. Emplear la Fig. = A. si .UB. B. . 2. B': {no trébol} : {corazón.10. . (e) A-8. (b\ A' se 1.10 sea.2).4 el suceso {se extrae un rey} o sencillamente {rey} y B el suceso (se extrae un trébol} o sencillamente {trébol}. 1. (o) Si no tenemos en cuenta los pdos el eepacio muestral consiste de as. 2. . diamanües y tréboles.4. 1.12. Describir los sucesos (a) AUB. y (b) Si tenemos en cuenta los paloc el espacio muestral cronsiste del as de corazón. . Denotando corazones. ESPACIOS MUESTRALES Y SUCESOS 1. I diagrama eden de indicarse A U B. .). (e) A.n(8. por ejemplo.-8. de acu gamas Fig. Luego el espacio muestral consiste de 52 puntoo indicados en la Fig.).(g) (AnqU (AnB..11. @) AUB'.nB. diamantes y tréboles. puede indicarse como {1. También puede considera¡se observando que (A ñ B) U (A n B') : A. picae. (q AnB. dos. de Teorema 1 era simila¡ todos lo¡ obeervarse de la Fig.CONJUNTOS Y PROBABILIDAD [cAP..{rey y no trébol}. . . podemos indica¡ una jota de picas por (11. (d) A. picar. rey de corazones. jota. diez. Se extrae una carta aleatoriamente de una baraja de 52 cartas. (E) @ nB) U (A ñ B'):{(rey y trébol) o (rey y no trébol)): irey}. 3. .1-14. . diamantes y héboles respectivamente por l.. .L4 . (n A'-3' :{no rey y no "no trébol") : {no rey y trébot}: (cualquier trébol excepto el rey). Refiriéndose al experimento del Problema 1. es deci¡ rey (ó) 4 n I : {rey y trébol} : {rey de trébol) de trébol)) (c) Puesto que B Luego A U Bt = {trébol}. Describir el espacio mueshal (o) no se tiene en consideración el palo (b) si se tiene en cuenta el palo. También puede considera¡se observando que A. diamante.11 com ^ B' .. 1 EXPERIMENTOS ALEATORIOS. rey. : (rey o corazón o diamante o pica).

42 . 1-15 (1) AUB: AUIB -(. (o) Tenemoe Az : At U (Az .Ar. (c) Teorema 1-16.cAP. tenemos usando el Axioma 3 y el Teorema 1-14: P (A u B) | i'. 1l TEOREMAS SOBRE PROBABILIDAI) 1.Puesto que P(eJ) sfnp = Q se sigue del Axioma P({)) 3 que s = P(d)+P(Q) 6 = 1. Encontrar la probabiüdad de . Aunque hemos utilizado el diagrama de Venn el i rlu^') ".At son mutuamente excluyentee. l-15 (An CALCULO DE PROBABILIDADES 1. página 6. (o) Tenemos AV A' :s[. axioma 3.15. Así por el Teorema 1-14 [partc (o)] y el Axiom¿ 2 P(A) < 1 primero P(A)=P(¿)=1 (c) Tenemos eJ : eJuQ. (b) Teorema 1-15. Entonceepuesto gue.77).A¡ ) en donde .4n8)l Entonces puesto que los conjuntos A y B . página 6.P(Ar) Puesto que P(.At) = P(Azl .(A ñ . P(Az.41 y Az .Ar ) - 0 por el Axioma 1. también ee rigre queP(. Demostra¡ el (c) Teorema 1-14. página 6.14. 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. Una carta se extrae aleatoriamente de una barqia de 52 cartas. Para demostrar que observamos que A C et.B) son mutuamente excluyentee.13. Demostrar (a) el Teorema 1-17 y (b) el Teorema 1-19. asr que Entonces por el P(42\ = P(ár) * P(A2.^^'rl i' r"u r--' resultado (l ) puede establecerse directarne¡rte (véase Problema 1. Fig.42 ) = P(Al ). (b) Con anterioridad sabemos que P(A) > 0 por el Arioma 1.

* (d) P(c):P(ln c 62ñc6.L ñD ó 1 n ") =P((1 n c) +P(1 nP) +P (1 nD) +P(1 n r) 11111 = 52. (b) una jota de corazones. 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.# = 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. t (b) P(11 ñC¡= :- (c) I * -I^ 26 ) +P(6 ñD¡: 62 52 = I " . . diarnante.[P(4) +P(")-P (4 n T)] _. (d) un corazón.4' ñ T' = (4 U ?)'. 13 pot aa.. (c) un tres de tréboles o un seis de diamantes. asignando probabilidades iguales de tl52 : L162. P. (e) roja o blanca. . Por tanto puede denotarse por P(4' ñ ?'). página 6.. . P(4'^T')= 4(4 U ")'l: L- P(4 U ?¡ : 1. 1-16. 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 9.10(tr). (e) cualquier palo excepto corazones. ? para indicar coraz6n. Por simplicidad utiücelnos C.16 CONJUNTOS Y PROBABILIDAD [cAP.. (f) un diez o una pica" (g) ni un cuatro ni un trÉbol.. trébol.16 : 36 puntos muestrales en él y cada punto muestral tiene una asignación de probabilidad Il52.10(o) en donde cad¿ punto mueehal. (e) P(C') - 1 . Puesto que este complemento tiene 52 .P(C) = ! P(L0 Ln = ?uti[zando laparte (d)y elTeorema 1-1?. (d) no roja. l-r 1.52.1l _ 9 . D. 1. Una bola se extrae aleatoriamente de una caja que contiene 6 bolas rojas. (b) blanca.13 .. Determinar la probabilidad de que sea (c) roja.sz = Lg Tbmbién había sidq posible conseguir este resultado del espacio mueshal del Problema 1. (c) azul. doo. P(6 n (o) ") P(1): PG^e ó 1nP ó.. eeto es 1/4.lsnc) = #. rcy..2. en particular "as" tiene una probabilidad de 1/13. pica.n. Asf g n C significa tree de corazoneo.16.* h* . # -. a cada punto mue¡hal. Así. Pero por el Teorem a 1-t2 (a). Empleemoe el espacio muegtral del Problema 1. por ejemplo.y 1. 4 bolas blancas y 5 bolas azules.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. en tanto que S U C significa tres o corazón. respectivamente. 1 que sea (g) un as.la probabilidad requerida es 36/52 = 9/13..

6 6 6 en el primer lanzamiento V 1. que P(nuB):P(R) +P(B):?*# = ? PROBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES 1. Método 2. . ' SeanAl elsuceso "4rS ó 6 enelprimerlanzamiento" y Az elsuceso "7r2. Método 2. Método 1. Entonces si asignamos probabili' dades iguales Ll15 a cada punto muestral observamos que P(.cAP.3 6 4 en el segundo lanzamiento. debido a que hay 6 puntos muestrales que corresponden a "bola rojatt. Denótese por R.R ) : 6/15 : 215.2. Entonces P(ArnAzl . 1l CONJUNTOS Y PROBABILIDAD Método 1. Puesto que los sucesos R y B son mutuamente excluyentes se deduce de (4). página 6.3ó 4 son 4resultadosdelasGprobabilida' des igualmente factibles). de las 6 maneras en que cae en el segundo lanzamiento.P(At)P(A. 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 3.1?. . Un dado honesto se Ianza dos veces..J. Luego estamos buscando P(Ar ñ A2). respectivamenüe.'"::. Cada una de las 6 maneras en las cuales un dado cae en el primer lanzamiento puede asociarse con cada una 6.) '!' . un total de factibles.También i"-or usado P(.42 ocurren.H 10 2 6+4 6+4+5 .4 1) :316 (ya que 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. 5 ó 6 son 3 resultados de las 6 probabilidadés igualmente factibles) y P(Az): ltO (ya que 7.á = | Método 3. 2. 19 1 . --6+4+5=1b=s 662 Nuestro espacio muestral corisiste de 6 * 4I 6:15 puntos muestrales. r(RUB)=P(A'): 1-P(A): I . norparte(c). 4: 12 maneras en que tanto A1 como . .15 .364en elsegundo lanzamiento".::"fl'"". P(roja o blanca) : P(R u r) : -"""'. Entonees L1 (o) P(n)= Mótodo 2. P(AroAr) = P(At)P(A2lAr\ -.5 o blanca También puede resolverse l¡tilizando el espacio muestral como en la parte (c). blanca y azul. .t""i: . Hallar la probabilidad de obtener 4.6:36 maneras.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). B y A los sucesos de extraer una bola roja.

"t (ol La primera carta puede extraerse en una de las 52 maner:u¡ posibles y ya que hay rempl.3) (4. puesto que también hay 4 ases en las ó2 ca¡tas para la segunda extracción. \. Se extraen dos cartas.6) I (¿. r) (2. A.)(á) = P(ArP\A2l (2. de una baraja de 52 cartas. Así que ambas cartas pueden extraerse en (52)(52) maneras. También. p(A. = las 51 cartas restantes.6) a (3. Hallar la probabilidad de que ases si la ca¡ta (c) se remplaza. aa {) (6. si la carta se remplaza para la segunda extracción. 1-17. (b) no ambar¡ sean se remplaza.l Método 2. Encontrar la probabilidad de no obtener un total de 7 u 11 en ningunó de los dos lanzamientos de un par de dados honrados. (2.) = (b) Como en la parte (o).2l a a (6. /. l) (1. dados se muestra en la Fig. así que P(A2l Ar Sin embargo si ocurre un as en la primera extracción quedarán 3 en ) : 3/51. Entonces estamos (o) Puesto que para la primera extracción hay 4 ases en las 52 cartas. . I a a aa (r. 1. 6) a 1.1) a Se deduce que la probabiüdad de no dada por ? u 11 está 345 Primer dado P1A'¡ '= | . 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. todas igualmente factibles.3) (3. entonces P(A2 | A r) : 4152. Entonces P(A.19. Puesto que se incluyen 8 puntos tenemos que P(A ): 8/36 : 219.nA") =+:(. Puesto que los dados son honestos y hay 36 puntos muestrales asignamos la probabilidad 1/36 para cada uno.2.tp(A2 A¡\ = (52")(*) = . Por ejemplo (5.18. l'ig. Método 1.3) Si A es el suceso "7 u 11" entonces A se indica por Ia porción sombreada en la Fig. a (2. 1 Esto indica directamente que A 1 y A2 son independientes puesto que . r'(A.18 coNJUNTos y pRoBABILTDAD lcAP. lanzamientos de los dadosobservamosquelaprobabilidad de no 7 u 11 en el primero o segundo lanzamientos está dada por empleando el hecho de que los lanzamientos son independientes.3) (8. Así ambas cartas pueden extraerse en (52 ) ( 51 ) maneras.' ( #)l#) == # r\ P(A1l:4152.6) (2. l-17 Utiüzando subíndices t. {) (5.2 a (6.azamiento la segunda ca¡ta también puede extraerse en una de las 52 maneras posibles. oaa (3. Sea A1 buscando suceso ttas en la primera extracciónt' y . l) (3.P(Al -- L 27 -::99 1o. 1-17.42 suoeso "as en la segunda P(Arñ A2): P(A1) P(A2l A t). 6) ({.2) a a aa (5."A) = P(A) P(A. extracción". 6) El espacio muestral para cada lanzamiento de los (r. todas igualmente factibles. P(A¡): 4152.2) signitica que el resultado del primer dado es b y el del segundo 2. . Entonces P(ArnA.2gara indica¡ y 2o.

(b) no se remplazan. Los sucesos A t I Az no son mutuamente excluyentes. 4 Az 1.J requerimos A2: : suceso "4 en el prirner lanzamiento o 4 en el segundo lanzamiento o ambos" suceso t'al menos un 4" A2). P(A'tuA) = P(A) + P(A) . A3 "azul en la tercera extracción".16.Rr ) p(82 lnr )p(A3 In. Si Rl . : 6.20.P(A')P(A'2| = '! -(8X*) = *" Método 3.42 ocurran : 1 . 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. Nfrmero total de maneras igualmente factibles en las que ambos dados pueden caer También. P(ArU Método 1.A2 ocurra pero : no At : 5 5 número de maneras en las que tanto A 1 como . lanzamiento) = | . llallar la probabilidad de que se extraigan en el orden roja.P(At) P(Az\ 1 r /t\/t\ rr Por üanto. lanzamiento y no 4 en el 2o.21. blanca y azul si las bolas (a) se remplazan. 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+ \=. Hallar la-probabilidad de obtener al menos un 4 en dos lanzamientos de un dado honrado.Rr n 82 ñ At):p(. : guCe¡o (o) Si cada bola se remplaza.P(A'rnA'"\ = | . Sea A I: suceso "4 en el primer lanzamiento" y : suceso "4 en el segundo lanzamiento".6 : 36. Requerimos P(Rl ñ 82 n A!\. I}2 : süc€so "blanca en la segunda extracción". Se extraen tres bolas sucesivamente de la caja del Problema 1. entonces los sucesos son independientes y p(. número de maneras en las que A 1 ocurra pero no Az nf¡mero de maneras en las que . Así la probabilidad pedida es (4X3) (52)(51) I 2 1. por (1Ol V QI ) = 6'u-\ui\u/ * = * Método 2.P(ningún 4) : 1 -P(no 4 en 1er.cAP.suceso "roja en la primera extracción".P(ALñ42) = P(A) + P(A!) . P(al menos un 4) Entonces P(al menos un 4) P (ningún 4) = 1 : 1 . pero Bon independientes. Así Art. 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).

(d) P(BtnBil:P(Br )P(B2lBt):P(Br )P(B) = lt!")/-=) + 5/ = I 4 \4 + 2/ \3 P(B'tñnb:pelp@. Puesto que una bola roja puede resultar al escoger cualquiera de las cajas podemos em. 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.2/ 5 z TEOREMA DE BAYES L25. Demostramos el teorema para el c¡¡so n : 2. Az entonces A = (AnAr)u(A¡42) PeroA ñAt y Añ Az son mutuamente excluyentes puesto que A1 y A2 lo son.24.23 con A: R.. Si se obtiene cara se saca una bola de la caja. otro contiene 3 bolas blancas y 5 bolas negras.\P(A:A. página 8. Supóngase en el Problema 7. Si se extrae una bola de cada talego. Si el suceso . Un talego contiene 4 bolas blancas y 2 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. . Demostrar el Teorema 1-23. (b) ambas sean negras. Asípor P(A) = P(AIA)+P(A^AI') = P(A) P(A i A) + P(42\ P(A I A2) 8.I...4 debe resultar en uno de los dos sucesos mutuamente excluyentes At. fcAP.23) Ay A2. 1 : Ar ó A2 ocurraes- 5 +5+ 1 L. Axioma 3 empleando (I8). j Dor tanto ".)("+-ri-r:ri ---r:\ \2/\2+8/ \-/\-. Por tanto P(. Extensiones para valores mayores de n se obtienen fácilmente.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).. I|2 : süc€so "bola blanca del segundo talego". (c) una sea blanca y una negra.20 CONJUNTOS Y PROBABILIDAD Luego el número de manera¡ en l¡as cuales por lo menos uno de los sucesos 11.. Así la probabilidad de sacar una bola roja P(Rt - P(nP@ Il+P\II\P(RIII¡ = /t\/ I \ /r\/ z (. Az: II.) . Se lanza una moneda honrada. Hallar Ia probabilidad de sacar una bola roja. hallar la probabilidad de que (¿) ambas sean blancas. SeaB¡ : suceso "bola blanca del primer talego".píryina9).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. pero revela que se sacó una bola . Demostrar el teorema de Bayes (Teorema L-24. plear los resultados del Problema 1. At : I. La contiene 3 bolas rojas y 2 azules en tanto que la caja II contiene 2 bolas rojas y 8 azules. An tenemos por el Teorema P(A) = P(AI)P(A Ar) + ' " + P(A. página t.41 U Az): 11/36.22.26. Puesto queA resulta en uno de lossucesos mutuamenüe excluyentes 1-22 (Problema 1. si se obtiene sello se saca una bola de la caja /I.23.

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

= e 15 (d) ¡P¡ = 3. . El primer número puede ser cualquiera entre 9 y los tres restantes pueden elegirse de gPa formas. Se quieren sentar 5 hombres puede asociarse con cada ordenación de las mujeres.. (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). Cada ordenación de los hombres Elnúmerodeordenacionespedidoes = "Pr. . Cuando esto se haya hechó hay 4 maneras de llenar la segunda posición. L = b! =.8. Por tanto: El número de ordenacionesde 10 En general.oPo = 514! = (lZO)\24) 2gg0 1. (c) tsPt.4.32... puestos). Otro métod<¡. hay 9 formas para ocupar el segundo puesto.7.7: 4536son los númerosque pueden formarse.. 1. 3.3. tercera y cuarüa pueden ser cualquiera de las 10.rP. 4. y finalmente sólo 1 manera de llena¡ la última poeición. Entonces 9' sPs : I .1 = 6 1. I . Así pues.31. g.5.2. por tlnto: El número de ordenacionesde lag 5 bolasen una filaes En general. Luego hay 3 maneras de llena¡ la tercera posición. . 9 . Entonces I ' 10 ' 10 ' l0 : 9000 son los números que pueden formarse. cuando esto está hecho.9si(c)los números pueden repetirse. (b) si los números no pueden rcpetirse.28. ¿De cuántas maneras pueden 10 personas sentarse en una banca si sólo bay 4 puestos disponibles? El primer puesto puede ocuparse con cualquiera de las 10 personas y.336 (b) Pq = 6.1 =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. 7 : 4586 sonlos númerosque puedenforma¡se.Pr. = r¡ ! como en el Problem a 1.. La segunda puede ser cualquiera entre 9 (no puede ser la que ocupó el primer puesto). nPr. 2.30.8. Obsérvese que cuando | = tr. La segunda. 120 Elnhmerodeordenacionesdenobjetosdiferentesenunafilaes=n(n-l)(n-2\. puestos).. es decir hay cinco maneras de llenar la primera posición. S para ocupar el tercero y 7 para ocuparel cuarto. (d) rPr. (n .T = - 5040 El número de ordenaciones de n objetos diferentes tomados de r en r ea n = n(n 1) .r * l) Esto se conoce como el número de permutaciones de n objetos diferentes tomados de r en r y se denota por P. l.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 . 1. (b) uPo.2. ¿Cuántosnúmerosdecuatrocifraspuedenformarseconlosl0dÍgitos0.1. (o) La primera puede ser cualquiera entre g (el 0 no).6 ..3 = 860 (c) . = 5. La primera posición puede ocuparse por cualquiera de las cinco bolas..29. ¿De cuántas formas pueden sentarse? Los hombrcs pueden sentarse de 5P5 formas y las mujeres de 4Pa formas. 1 Debemos ordena¡ 5 bolas en 5 posiciones así -. y 4 mujeres en una fila de modo que las mujeres ocupen los sitios pares. (¿) aP¡ = 8.22 CONJUNTOS Y PROBABILIDAD [cA?. á maneras de llenar la cuarta posición. 8. persona!¡ tomadasde 4en 4es = tC. Halla¡elvalorde (a) .

El primer dígito puede elegirse de 9 maneras y los dos siguientes de gP2 formas. n2 son iguales. . se tiene el número total de formas en que 6 personas pueden sentarse alrededor de una mesa. I 1. loslibrosdequímicade2P2:2! formasylostresgruposde3P3:3! formas. son iguales. 1l CONJUNTOS Y PROBABILIDAD La primera cifra puede elegirse entre g. que es el total de car¡os que se dan en la ordenación de 7 personas en un círculo. 1 n"+ . + tt¡ = n. (b) si dos personas determinadas no deben estar una al lado de la otra? Considérese una de ellas sentada en cualquier parte. Pero las dos personas consideradas como una sola pueden ordenarse entre sí de 2! formas. Cuatro libros distintos de matemáticas.34.. 6! = Considérense las dos personas que no han de ir juntas como una sola. mediante (o). Así pues. . Multiplicando N por el número de ordenaciones (o ) de las 5 bolas rojas entre sí.33.35. Entonces las 6 restantes pueden sentarse de ?20 formas. ll0. ePz:9 . Se ordenan en una fila 5 bolas rojas. ¿De cuántas formas distintas es posibliordena¡los si (c) loslibrosde cada asignatura deben estar todos juntos. 23 (c) ' 8'7 : 5O4 Otro método. seis diferentes de física y dos diferentes de química se. 6l 2l3! - 207 360 (b) Considerar los cuatro libros de matemáticas como un solo libro. es decir.PorelProblemal. (b) solamente ios libros de matemátitas deben estar juntos? (o) Los libros de matemáticas pueden ordenarse entre ellos de aPa: 4! formas.34estoes ¡ft - 10'f''8' . . el número de ordenaciones de 6 person¿N sentadas alrededor de una mesa con 2 determinadas de ellas sentadas juntases de 5! 2! :24O. Entonces se tienen 9 libros que pueden ordenarse de 9P9 .cAP.9 ! formas.24O: 480 formas. g. Entonces el número de ordenaciones pedido será = 4't. . En todos estos casos los libros de matemáticas están juntos.36. Entoncesel número de ordenacionespedido será = 9l a! - 8 709 120 1. ¿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. 10 ! EntonceslSl 2: 3l)N = t0! y N - 101/(5! 2t Bl). Pero los libros de matemáticas pueden ordenarse entre ellos de aPa:4! formas. rt. si (o) pueden sentarse de cualquier forma. (b) de las 2 bolas blancas entre sí y (c) de las 3 bolas azules entte sí (es decir. Entonces 9 son los números que pueden formarse. la segunda entre 8 y la tercera entre ?. n¡ En general el número de ordenaciones diferentes de n objetos de los eue ?r¡ Soriguales* donde. COMBINACIONES 1. Entonces ' 7 : 504 será el nfrmero pedido. de modo que dos de ellas no estén sentadas juntas es 720 . ¿De cuántas formas pueden sentarse 7 personas alrededor de una (c) (b) mesa. Entonces.. n#l* 1. 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. que lo pueden hacer de 5! formas. los libros de física de 5p5 :6! formas. Entonces hay 6 personas para sentarse en círculo. . multiplicando N por 5! 2l 3!) se obtiene el número de ordenaciones de 10 bolas si todas ellas fuesen distintas. colocan en un eslante.

Pero las 2s forma¡ incluyen el ca¡o de no seleccionar ninguna verdura. 2 físicos restantes de un total de 6 puedtn elegirse de eCz formas.38. 5. ¿De cuántas formas puede formarse. ¿De cuántas formas puede elegirse una comisión de 5 personas de entre 9 personas? /g) = ^c. Entonces tC+:I. Número total de selecciones posibles = tCz'tCs = 3'35 = 105 L.8.Olf/Vvienedadopor ^ n"r nl /"\ \r / .5. Nfimero total de selecciones posibles = sCz' zCs = l0'35 = 350 (b). Por tanto El número de ensaladas Otro método. beno y achicoria? Cada verdura puede tratarse de 2 formas.rl(n-rll n(n-11"'(n-r+1) r! . no teniendo en cuenta el orden de los objetos dentro del grupo.ur .4!B! = 7. b! ?.b = 126 1.37. 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. 3 físicos de un total de 7 dan 7C3 formas. En general el número de grupos distintos de r objetos que 8e pueden formar con.objetos dados.4O. 15 = 150 (c) 2 matemáticoe de un total de 3 pueden elegirse de sCz formas..5. se forma un corúité de 2 matemáticos y 3 físicos. De un total de 5 matemáticos y 7 físicos. escarola.6..C.SdelasSverduras.. 3 físicos de un total de 7 pueden elegirse de zCs formas. = #h = I si se define Nótese que formalmente aCa 0! = l..rl nP' 1. Hallar el valor de (a) zCq (b) aCs. como si se escoge o como si se rechaza. 1.1 = o'' --ll (b) oCs = 6 ! = 6. 4.39. ae llamanúmerodecorñbinacionesdelosnobjetostomadosderenrysedenotapor.2delasSverduras.Entonceselnúmerorequerido de ensaladas es -. (c\ eC+ 7.CL-l tC2+5Ca+ sC4+ scs : 5 *10+ 10* 6* 1 : 31 . (c) dos matemáticos determinados no pueden estar en el comité? (a) 2 matemáticos de un total de 5 pueden elegirse de sCz formas. (b) un físico determinado debe pertenecer al comité.5 71 ^ (ol ..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). ¿Cuánt¿s ensaladas pueden preparañ¡e con lechuga. Número toüal de selecciones posibles = sCz. lo que es evidentemente 1.6.4 = l4.24 CONJUNTOS Y PROBABILIDAD lcAP.6. si (c) puede pertenecer a él cualquier matemático y físico. el número de formas de considerar lias cinco verduras es 25 formas. n. _ e! _ \s/-sws-BJ]T- e. endibia. 6 uCt=oC1 =6' 5ú ff (c) +Ca es el número de grupos de 4 objetos que se pueden formar con 4 objetoa. es:25 - 1 : 31 Puedeseleccionarseldelassverduras. 2 matemáticos de un total de 5 pueden elegirse de sCz formas. oCz = 10 .

Aeí10:4I6.. Halla¡ el término constan6 en h exDansión de 1r. ! = 2r-1..B.eüc."¡ /¿-r\ /"-r\ \ " )-\"-t) El resultado tiene la siguiente aplicación interesante. 3 vocales) pueden ordena¡¡e entre sf de zPz : ?! forma¡.cAP.' \"/ ü/ \ El término conetante corresponde a aquel para el cual 3& .r e =4e6 .t) + f" .*-. 1b:10 * 6. ¿cuántas palabras pueden formarse. r0.z.= xau /rz)'. lss 3 vocsles de s0g formac consonantes. La¡ 4 coneonantes pueáen elegirse (!e lC+ formas.!2 = 0.11)"-.*.r)l (n-r)(n-L)l * r(¿-1)! r! (n .43. Si escribimos lo¡ coeficientes de la expaneión binomial de (c * U)" púa n :0. que consten 4 consonantes y 3 vocales? No es necesario que las patabras tengan significado. obtenemoa Ia distribución conocida como el trióngulo de Poscal: n=l n=2 n=3 n:4 n=5 n=6 et¿. .41..42.1). 2.1¡¡ 1" . Con 7 consonanps y 5-vogaJes diferentes. n0r+ ncz+. . \ r / \r-1l' (n-r*r)(n-1)! r! (n . Demostrar q"" Tenemos que 11) \r/ = l" . 10 ' 6040 : 1 ?64 000 COEFICIENTES BINOMIALES 1. $ \k /' 3 \& /'. .11.y por tanto eetá dado por /12\ _ \n/= 12.1l CONJUNTOS Y PROBABILIDAD 26 nCn Engeneral. ee 1. de 1. ¡raracualquier enteropositivo n.. De acuerdo al teorema del binomio *'\. 'xl (**!\" = r-:o (1?).r)l (¿-l)! (¿-1)! . 4.Cs+ -. Entonces: El nhmero de palabrae y las ? letra¡resultantee (4 q 7C1 ' óCa ' ?! : 35 .r)'! r! (n . ee decir k = 4. 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. 1.+!\".1r .tFV=fr .

blanco.[l2 ñ R3 reprerenta el guceso "la¡ 3 "bola bola¡ exhafda¡ con rojEr".* "O de cada color) = Ot¡o método. @) pedc) = (b') W# = # = u¡fuo P(4eroylrey) = ry . . (b) las 3 bolas sean blancas.44. Se extraen 6 cartas de r¡na barqia de 62 cartas. 10.26 CONruNTOS Y PROBABILTDAD [cAP. (f) las bolas sean extraídas en el orden rojo. P(8rnP2nBJ = P(Fr) P(^R2 | A1) P(¿s l. =g=i| zocs t9. 14 Za. (d) un 9./e\/ z\/o\ \20l\i0l\18/ Método 2. (d) al menos 1 eea blanca.ocro de ¡rupoe de 3 bola¡ entre 20 =-=-zocs (d) P(ningu¡ablanca) = (¡CzX¡Cr) 7 96 #= ff. Si se extraen 3 bolas aleatoriamente sin renplazamiento. A¡f .= 1140 = zous j_ 296 P(3 bolú blurcas) ' Tambión puede utilizarre el priraer m6todo indic¡do en la parta (o).a roja en la aegunda extracción". (cl P(2 bolar rojar y 1 blanca) = (gupoc de 2 entre 8 bol¡¡ rojar)(grupoo de 1 entre 3 bola¡ blancas) afir. (e) 3 de un palo y 2 de otro. roja en L¡ te¡cer¡ ettracciónt'. blanco. ezut) . Una cqia contiene 8 bolas rojas. De e¡ta mar¡era tenemo¡ Sean i¡. P(almenol blance) (¿) P(tdecadacolor. (f) al menos 1 as. =t-# =# = !9lff9 = *g (f) P(ertraer l¡¡ bola¡ en o¡den rojo. 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 . azul. t'bol. Rc lol auceecr "bola roja en la primera erhaccióntt.. rerpectivarnente.er orden.B1nR2) . 1 PROBABILIDAD T.45. (c) 2 sean rojas y 1 blanca. (e) se extraiga una de cada color. determinar la probabüdad de que (c) las 3 bolas sean rojas. Eotoo"". jota. (o) Método 1.TTEIZA}TDO ANALISIS COMBINATORIO 1.B Probabiüdadp€did¡: (D) Empleando el re¡undo método i¡dicado en la parte (o). reinq rey en cualqui. (li) 4 ases y un rey. Bz. Halla¡ la probabilidad de extraet (a) 4 ases. 3 blancas y 9 azules.Rt n . (c) 3 dieces y 2 jotas.

2 de otro) = q#@ = ffi = t -. Arf tenemo¡ un üotd de 8 libroe que pueden orden¡¡se enhe ¡f dc 6Ps = 8 ! formas.cAP. etc. Los libros pueden ordenar¡e éntre ef de roPro = 10! formar. 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. diez. Supongamos que lo¡ 3 libro¡ determin¡do¡ de m¡temática¡ ee remplazan por 1. u (c) (d) P(3 diece¡ y 2 jot¡¡) CONruNTOS Y PROBABILIDAD QCslQCzl 1 szcs 108 290 (4cr P(nueve. Pero hay rCa son mutua¡nente ercluyentes. Por ejemplo. Detenninar la probabilidad de tres seises en 5 lanzamientos de Represéntense los lanzamiento¡ del dado por cinco eepacioe no 6 (6'). = . Halla¡ la probabiüdad determinados de matemáticas estén juntos.\o/ \o/ para todc lo¡ oEo¡ resultado¡ en los cuale¡ ocuren hec 6 y dos no 6.p(6)p(6') .p"en-' = (n\o'o'-' sip: P(A) y q:1--p:P(A'\. puesto que hay 4 form¡¡ de eecoger el primer palo y 3 foim¡s de ercoger el regundo.6ó.á.á á *. eractamenüe 66.* = (il'eu)' : 10 de ertor nrceeor y pueeto que suponemoe que lor ¡uoesos ron independientee.66.. reina.4E./r\3/s\2 = =*é)t1l)'= = I 't 'v. Análogamente '" . un dado honrado.4?. Cada eopacio tendr6 lo¡ ¡uce¡oc 6 o 6.ó En generd. (/) P(ningrn *) = # = m. LuegoP(al menoa un ar) 1.46. Por tanto la probabilidad pedida e¡ p(666. L¿ probabilidad pedida está dada por 8!3! 10! - 1 15 APROXIMACION DE STIRLING A z! 1.66.por elmiamorazonamientoanüeriorlaprobabiüdaddeobtener r vece¡A en n enaayos independientes ea \n/ 1. Hallar el valor de 50! Para n muy grande./L\'/qY .{fi.n"¿-¡. jota. Por tanto aot-t/ffi5oso¿-so:N Para evalua¡ N uüilizamoe logaritmoe de ba¡e 10. Un estante tiene 6 übros de matemáticas y 4 de física. rey) x4crx4crxrcr) (rcr) szCs 64 162 496 (e) P(3 de un palo. n7 . Pero a su vez io¡ 3 libro¡ de matemótica¡ pueden cden¡r¡e enhe ¡f de 3P3 = 3 ! form¡¡. de que S libros .\6/ \o/ BITT\6i \6i 8888 nc.lf{| = 'ffi. Asf logN = los(/lofi¡o5o¿-50) 1f = i los100 I |losr * 60 log60 - 50 log¿ .

luego pierde B.4972) + 50(1. (ó) quien lanza segundo los dados gane. partida respectivamenüe.18 y Fig. y 3a. \a) = n /r\2/<\ (c) P(A y B ganen alternaüvamente) : P(A gane.Asílaprobabilidad.49.4836 N= 3. luego A. PROBLEMAS DIVERSOS 1. ."u j /t\/r\/t\ * /r\/r \/r\ = \r/\5/\r/ \¡i \zi \¡i 5 .50 A y B juegan lanzando alternativamente un par de dados. 2a.6990) - 50(0. 1 = ¿los100 | ¡lor3142 + 11 = i(zl * de donde 50 1og50 - 50 log2?18 .':. 1á¡ n gane al menos una partida.Xt(. lanzamiento. y 3a.P(B') P(B. A 3 los sucesos " A gana" la 1. luego B) == ".:. partida respectivamente.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. 1-17. lallar la probabilidad de que (o) quien lanza primero los dados gane. Acuerdan jugar un torneo consistente en 3 partidas. Az..i :.^.10.:. luego gana A. (b) dos partidas terminen en tablas. 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) = (.46) 5 /s\ " \í)o'n'-' = t(. es 1/6 como se determinó en el Problema 1.) . 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..) suponiendo que los resultados de cada partida son independientes de los resultados de la¡ ohas.28 11 CONJUNTOS Y PROBABILIDAD lcAP.'. luego B.. A pierde en el ler. lanzamiento. I|3 los sucesos "B gana" la 1a. t.z. Quien obtenga primero un total de 7 q^? el juego.íll 36 (d) P(B gane al menos una partida) : 1 . 2a.de2tablasenBpartidases(réase Problema 1. luego A o B gane..P(B no gane ninguna partida) t . Bz.. un nfimero que tiene 6b dígitos. -/¿\/a\1¿\ = le ^ \3/\3/\3/ 27 1. Probabiüdad : 1 /6.4343) = 64. Probabiüdad = {¿)(f )($). (o ) La probabilidad de obtener 7 en un sólo lanzamiento de una pareja de dados. (Esta suposición no sería justificable si un jugador fuera influenciad. A y B juegan 12 partidas de ajedrez de las cuales A gana 6. supuestamente honradoe..P(B'roBj¡B'r) L . Denótese por A B t. B gana 4 y 2 tnrmrnan en tablas. (c) A y B ganen altemativamenie.:'.04 x 100r.'J?fi '. Hallar la piobabiüdad de que (o) A gane las tres partidas.) P@.

1. Sean ÁI. De 12 000 tornillos. 1. gana A./s\/¡\/o\/s\/r\ * \6/-\6i \6/\u/ \6i \6/\Bi \u/\6i 1l-. I|2 son los suceoos "blanca en la primera extracción". el 3'/o 6 360 son defectuosos y 11 640 no lo son. Hallar la probabilidad de que en 20 años (a) ambos vivan. pierde A. de tal manera que la probabilidad es 3/8. Así la probabilidad de que g.\6/ =5136=5 1 . ¿Cuál es la probabilidad de que la primera también sea blanca? Método 1. Este resultado se obtiene así Si P(BJB)='+#=elwq=* Método 2.tJ es cero ya Así iríamos 6 a 5 a que el primero que liance gana. Entonces y lI/ son sucesos independientes. respectivamente. Véanse Problemas 1. estén vivos en 20 años.9) = 032 (ó) P(ningunoviva) = P(H'nW') = P(H'\P(W') = (0. (b) ninguno viva. (c) al menos uno viva. estamos buscando P(Br lB2).152.1) = 0.8 y 0.51.' \6/\6/\6/\6/ * = /q\/r\T.52. P(W) : 0.151 y 1. que la segunda es blanca./l)/q)lq\It\ \6/\6. : 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) .2)(0. Nótese que la probabiüdad de un empate que 11 ' 6-5 11 1 Esto no serfa verdadero si el juego fuera limitado. Se extraen dos bolas sucesivamente de la caja sin remplazamiento y se observa.8. P(H): (o) P(ambosüvan) = P(H1W) = P(H)P(W) : (0. Puesto que se sabe que la segunda bola es blanca solamente hay 3 formas de las restantes 8 para que la primera sea blanca. "blanca en la segunda extracción". gane es /t\ /s\/s\/r\ . Prqbabilidad = (áX8X8X8X+). lanzamiento.F/ y la esposa. pierde B.cAP. l|/ los sucesos que el esposo 0. Las probabilidades de que un esposo y una esposa estén vivos dentro de 20 años están dadas por 0. Una rnáquina produce un total deL2 000 tomillos diarios de los cuales en promedio elSVo son defectuosos. respectivamente. Suponemos que .8)(0. pierde B. Bl. 1l CONJUNTOS Y PROBABILIDAD 29 (3) A pierde en el ler.02 .53. Hallar la probabilidad de que de 600 tornillos seleccionados aleatoriamente 12 sean defectuosos.*/q\'*/q)'* \o/\e/t_' \o/'.9 respectivamente.(5/6)2 11 . Así Probabiüdad pedida = -H*-P 1. Una caja contiene 5 bolas rojas y 4 blancas. lo cual puede ser o no razonable.9.

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

.. D = {t I 12<16).-*(n-1)2 - n(n . .. 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.z\. Problema. Así la probabilidad de que la segunda persona tenga un cumpleaños diferente de la primera es 364/365. la probabilidad de que la n-ésima persona tenga un cumpl'e¡ñoe diferent¿ de las otras n * 1)/365. 12+22 i-. Denotando la probabiüdad dada por p y tomando logaritmos naturales hallamos (r) @\ (3) lnp tnp =t"(r-#) -r'"(. Enipleando los hechos de que para n ." .55.l.(.56.865)"'\'. el segundo término y los términos superiores a la ae 1S¡ son dlespreciables comparados con el primer término.n(r-l) i30 para n pequeño comparado con 365. La primera de las n personar¡ tiene lógicamente algún cumpleaños con probabilidad 365/365 : 1.1\:{. Suponemos que solamente hay 365 días en el año y que todos loe días de cumpleaños son igualmente probables. Por tanto tenemos es (365 - P(n cumpleaños diferentes) = #* # ffi = \'- ' 365 :-l! + 1 1\/'.55 para que la probabiüdad cumpleaños distintos sea menor que U2. tnp = . SeaA = {r r2-3r*2=0}..67."' .0. asf que una buena aproximación en este Pa¡a (7) p : L12. (b) método de comprensión. Sea A eI conjunto de los números natwales entre 5 y 15 que son pares.693 6 ln 2 = 6 (n .s supletnentarios CONJUNTOS 1.r)(Zn -r) 6 obtenemos para (3) (5) *::":: 16) rnp = -!!+ñ! .693..2 -r¿-506 = 0 = 0. "'+rn(t-#) ln(1 Pero sabemos de cálculo (Apéndice A.' (Apéndice A' fórmulas 1 y 2) (Ir\ I+2+ "'*(n-1) = @.). Entonces. 1. Determinar cuántas personas se necesitan en el Problema 1.. Describir A de acuerdo al (o) método de extensión. .23)(n'l 22) = g asf que n : 23. 3. debe ocurrir en uno de los otros 364 dlas. si Ia segünda persona tiene un cumpleaños diferente. Finalmente. 1l CONJUNTOS Y PROBABILIDAD 31 1.865 ) de 1. Halla¡ Ia probabilidad de que n personas (n < 365) seleccionadas aleatoriamente tengan n días de cumpleaños diferentes.cAP. Por tanto tenemos n.^" --!.165/\'.ln p r¿(rr : - -- 1) ?30 . por ejemplo n ( 30. fótmula 7) que -r) -= --c - T- 3 así que (I ) puede escribirse como = ft+z+ : 2.-4\ .DeterminarsiACB o no. suposiciones que no se cumplen genetalmente en la realidad.-k). Análoga' mente la probabilidad de que l¿ üerce¡a persona üenga un cumpleaños diferente de las dos primetas es 863/365.58.

(B. Demo¡trarque (á -A)UA =á ¡ólo srBC A e ilugtrarlo utilizando un diagramade Venn. (o) Demostrar que (b) Demoetrar que ri p-f Ge[. .0(¡=4) Encontra¡ (a) AvB.68. (Ó) el nhmero de fum¡dore. Sea'tl el conjunto de todos loi enteros no negativos y conaidérenee loe nrbconjuntoc A = {xl¡e¡unente¡ope¡. 15¡(6. (d\ (AnBlu(AnC). (bl AnB. (e) A. (c) Teorema 1-4.o de llamadas recibida¡ en une ce¡ttrat telefónica.72. B. de loe siguientes experimentos aleatorios: (o) 3 lanzamientos de 1. 1.66. Demo¡harque . entonce¿A = B. B={2. (e) A-8. =y. Seaununiver¡o 'Ll:{L. Afirmar -B = @. Generdiza¡ las primen y eegunda leyec De Morgan a cualquier número de conjuntos.Encontrar (a) Av(BuCl.t B = IA-(AnB)] u ÍB-UnB)l 1.60. ESPACIOS MUESTBALES Y SUCESOS L. 1. 1. (c) lanzar un¡ moneda hasta que aparezc¿ un sello. (c) A'nB'.61. Ilustrar el principio de dudidad haciendo referencie a losteoremas de la pfuina 3. A)8.32 CONJUNTOS Y PROBABILIDAD Demoeürar que para cualquier conjunto [cAP.76. (e) el número de partícular nucleare¡ que enhan a un contador Geiger.(AuC).62. formule en palabras el (a't A'. oPEBACIONES E¡ITBE CON. (ó) Sir yy son do¡ númeroereales sr¡alesquierq entonces x1y. - .p6gina 3.7 o negar: Si A u (Ar\B) eilusha¡loporundiagramadeVenn. I-a paradoja descrita se conoce Rusell. Tborema 1-120. ei ¿[e como I Sea ci éeeI' o cl¿se de todos loe conjunüoc que no 8on elementos de eUos mi¡mo¡. (e\ B-A. De¡cribir un espacio muestral para cada uno una moneda. 1.6 A: falredad de las propoeiciones siguientce.1.5. página (o) Eemortrar la segunda ley De Morgan. Demostra¡el (a) Teorema l-2. 0 @uB) . (d') A-8. (ü) B'. página B. (c) A'uB.} ! B = {rlreounnfimeroprimo. 1. (Véase Problema 1.).69. Generaliza¡ el recultado del Problema 1. (fllanzat una moneda y un dado.31. 1. C = {4.73.?f .9. Un erperimento consiste en el lanzamiento de una moneda y un dado.(BnC) (e) A' - (BuC)' 1. A tenemo¡ A C A. B. (c) A)8.4. 1. (d) AnB'. en un grupo de 600 hombre¡. x>y O i Demostra¡ que cualquier aubconjunto del conjunto vacfo debe ser el conjunto vacfo.3. EXPEBTMENTOS ALEATOBIOS. 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.?).nC. 1 1.6?. 1. página 3. ¿EE (A - B)' : A' . (b) (AuB)uC.uC').68.2. L. (fl (A-B) u (B-A). (o) Si A y B eon dos conjunüos cuáleequiena. (s) (AnC)' u B.A r. (ü) Teorema l-8. signifrcadodecadaunadelasoperacionessiguienüee: (f) B A.69' 1. (c) Añ(BuC). DIAGBAMAS DE VENN y TEOREMAS SOBBE CONJUNTOS 1.4 u (BnC\ (c) A' n (BuC)' (rt) A .5}. 1.ruNTOS. (d) el númer. (ñ) A .5\ yrupóngarequeloerubconjuntoede'll son A:{1.66. E¡tudiar la verdad o entonces A CB.76. y (D) ilustra¡la utilizando un diagrama de Venn.. 1.ñ(B.2}.B'? Ju¡tificar l¡ ¡olución.64.?0. entoncq cJeeJ. Emplear un diagrama de Venn para dibujar ceda uno de loo conjuntoo eiguientec: (¿) A n (Bucl (ü) .

42 el suceso "rey en la segunda extracción". (c) una sea roja y la otra azul. son inde- . cartzs 1. Resolver el Problema 1. Si aI menos un hijo en una famiüa con dos hijos es un niño ¿cuál es la probabilidad de que ambos hijos sean niños? Demostrar que la probabilidad condicional definida por (17). Se extraen dos bolas sucesivamente de la caja del Problema 1.85.demostrarque pendientes. 1. (b\ p(AluA2\. (¿) p(A1^A'2ñA\). pfuina Demostrar que P(A'uB') = 1 . (g) al menos una sea azul.t1. 12 defectuosos. (¡) solamente una sea roja.7t. o un estimador de ella.P(A¡B). pfuina ?.8 I . (b) La suma 8 agatezca en un solo lanzamiento de un par de dados honrados. Determinar la probabilidad p. 20 azules y l5 naranjas. (c) AyBUC. 1. para cada uno de Ios sucesos siguientes: (c) La aparición de un rey. 1.84 si no hay remplazamiento después de cada extracción. remplazando la bola extraída después de cada extracción. (c) ninguna sea naranja. 1. ll CONJUNTOS Y PROBABILIDAD 33 TEOREMAS SOBRE PROBABTLIDAD 1.54. 1.90.83.t4. 1. B. 1. .83.14(b) demostrando (sin emplear el diagrama de Venn) que AUB = AOIB-(AOB)I donde A y B . jota de tréboles o reina de diamantes al extraer una sola carta de una baraja común de 52 ca¡tas. as. Se exürae una bola aleatoriamente de un caja que contiene 10 bolas rojas. SiA. (e) Al menos aparezca una cara en tres lanzamientos de una moneda honrada. (d) blanca. (b) ni roja ni azul. y A3 el suceso "rey en la tercera extracción". 7.82.4 ). 1. (D ) si las cartas (o) se no se remplazan. (e) la segunda no sea azul. o azul. Demostrar el resultado (1 1). Csonsucesosindependientes. Hallar la probabilidad de extraer 3 ases aleatoriamente de una ba¡aja de 62 remplazan. (¿) roja. (h) máximo una sea roja. 30 blancas.80.página 8.cAP.?9. Completar la demostración en el Problema 1. (b) la primera sea roja ylasegunda sea blanca. 1.87. (c) no azul. @) p(A'rr.89. satisface los axiomas de probabilidad en la página 6 y por tanto todos los teoremas sobre probabilidad. blanca 1. (e) pl(A1nAr) u (A"nAr)]. Hallar la probabilidad de que sea (c) naranja o roja. Hallar la probabilidad de que si dos bolas se extraen aleatoriamenremplazamiento) (o) ambas sean azules. CALCULO DE PROBABILTDADES 1. (b)AyBñC. (b) ambas sean rojas. B'. Halla¡ la probabilidad de que (a) ambas sean blancas. Sea A1 el suceso "reyen la primera extracción". (c)A y B-C.92. Demostrar que si P(A ) >P(B ) entonces P(A I B) Si > P(. p6gina Generalizar los resultados (I0 ) 30. PBOBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES f . y (I I ).1. (d) sean rojas o blancas o de ambos colores (roja y blanca). L. üe (sin Una caja contidne 2 bolas rojas y 3 azules. (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.(A ñ B) son mutuamente excluyentes.. Explicar el significado de cada una de las siguientes: (a\ P(AroA!r).tA'r). (i) la primera sea blanca pero la segunda no.86.77.91. Un experimento consiste en la sucesiva extracción de tres cartas de una baraja. (b ) A' es independiente de A es independiente de B demostrar que (o ) A es independiente de B .8t. y así demostrar eI resultado (l ) del Problema 7. .

(b) ¡C¡. Demostrar que A¡ . Hallar la probabilidad de que sea blanca.93. Una caja contiene 3 bolas azules y 2 rojas mienüras que otra caja contiene 2 bola¡ azulee y 5 rojas. . AziA2. (b) doe mujerer determinadas no deben centar¡e juntar. L.104. y una bola ertraída aleatoriamente e¡ blanca.+tPt = nPtl. En cada compartimiento del Begundo joyero hay un reloj de plata. ¿De cuántas formas pueden 5 personas sentarse en un sofá si tiene sol¿mente tres asientos? 1. 4 blancae y I nggra. 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.99. ¿Para qué valor de n es . 3 blancas y 4 negras. Una bola extrafda aleatoriamenüe de una de las.1OO. Hallarelvalor de(a) oP2. 1. 1. En cada compartimiento del primer joyero hay un reloj de oro.109.ent¿nüoquelacajalfcontiene4bola¡rojasy2blancas. 2. ¿De cuántas maneraa pueden coloca¡se l.1O3. La escoge una bola aleatoriamente de la primera caja y se coloca en la s€gunda c¿ja sin ob¡ervar su color. ¿De cuántas forma¡ pueden ordena¡se 7 libros en un eEtanüe ei (a) er posible cualquier ordenación. Se TEOREMA O REGLA DE BAYES 1.¿Guál es la probabilidad de haberla exbaído de la primera caja? Ttes joyeros idénticos tienen dos compartimiento¡. En el tercer joyero eñ un compartimiento hay un reloj de oro. . abrimos uno de los compartimientoa y hallamos un reloj de plaüa. Se lanza una moneda tres veces. Luego ee extrae una bola de la segunda caja. Utiliza¡ un diagrama árbol para determin¡r la¡ diferentes poribilidades que pueden suceder. . 3.101. A ¡: auceao At. suceso "número impar en el primer dado". .98. (b) las primeras dos cifras de cada número son pa¡es? lor números deben ser 1. Hallar el valor de (a) rC3. (D) 3 libros determinados deben estar juntos. CUENTA Y DTAGNAMAI¡ ARBOL 1. . Resolver el problema anterior si la8 cifreÁ de los números pueden estar repetidas.9?. A2 = BuG€so "núme¡o impar en el segundo dado".94. 1 1. Se selecciona una urna aleatoriamente la urna II.43 no son independientec. 1. (ó) zPs.34 CONJUNTOS Y PROBABILIDAD Sea lcAP.96. 9 ¡i impares.10t.cajas reeulta azul. en tanto que en el oho hay un reloj de piata Si seleccionamos un joyero aleatoriamente.4 doeee y 2 tres€s? 1. ¿Cuántos números diferentes de 3 cifra¡ pueden formar¡e con 3 cuaEog.96. 1. ¿cuál es la pobabilidad de que el otro compartimiento tenga un reloj de oro? 1. ¿Cuánto¡ números de cinco cifras pueden formarse con los dÍgitos L.106. (c) 2 libros deüerminados deben ocupar lo¡ exüremos? (o ) 1. ¿De cuántas formas pueden 3 hombres y I mujerec sentarse alrededor de una meea ei (o) no se impone ninguna resüricción.1O?. y lrr urna ffl.106. Se extraen tres cartas aleaüoriamente (sin remplazarniento) de una baraja de 62 ca¡tas. Az. . á3 : "total impa¡ en ambos dados". (¿) roP¡. La urna I tiene 2 bola¡ blanca¡ y 3 negras. A3 lon independientes pero que 1. (c) cada mujer debe eetarentre dos hombres? COMBINACIONES 1. ANALTSIS COMBINATORIO.lO2. I monedae diferentes en 2 posiciones diferentes? PERMUTACIONES 1. Atl At. caja / contiene 3 bolasrojasy Sblancas. Hallar la probabiüdad de haber escogido la urna I. (¿) roC¡.

La¡ apuestas en favor de A de ganar un juego de ajedrez contraB son 3:2..114. (b) j=t (-1). PROBABILIDAD UTILIZANDO ANALISIS COMBINATORIO 1. Con 5 estadistas y 6 economistas quiere formarse un comité de 3 estadistas y 2 economistas.4 mujeres. (c) al menos una carta sea un diamante. j=1 = n. \ r/ 1. Halla¡ la probabilidad de que uno de loe jugadores obtenga (o) ? diamantea. (f) la seErnda carta no sea una figura. t"l kCz\QC¿)/DC. (ó) ( ).120. (c) (t-r t)s.118. Calcular.113. Hallarlaprobabilidaddeobtenerunasumade?puntos(o)unavez. (b) en contra de A de perder los prir4eros dos juegos? 1."".116. unavez'(c)dosveces'en 1. +/"\ \2 / /"\ .(b)almenoe dos lanzamientos de un par de dados honradoe. (d) las cartas no sean del mismo palo. \4 / 1.8 mujeres.-tj(. COEFICIENTES BINOMTALES 1. ¿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.rnda carta no sea una figura dadoque la primera eí lo es.) = 0.110. (c) un economista determinado no debe estar en el comité? 1.e cuántas formas puede un grupo de 10 personas dividirse en (o) dos grupos de 7 grupos de 5. (b) tres 1. 3 y 2 personas? y 3 personas.125. (b) la primera ca¡ta sea un aÁ pero la eegunda no. par..122.. 1l 1. Si se van a jugar tres juegos ¿cuáles son la¡ apuestac (a) en favor de A de ganar al menoa doc de los tre¡ juegos. (c) eC¡. Si s€ extraen 3 tiquetes de la caja uno a uno' hallar la probabilidad de que alternativamente s€an impar.+ r-''i" 2/ \l )=o \o/ \r/ /"\ * /"\ I 1.2n-1.121. (b) /11 \ (r-a)4. En un juego de naipee ee reparte a cada uno de loe 4 jugadores 13 cartas de una baraja de 52 cartae. lJna caja contiene 9 tiquetes numerados del 1 al 9.126. reina' rey). Halla¡ el número de (o) combinacionee y (D) permuüaciones de cuatro letras cada una quepuedenformarse con las letras de la palabra Tennessee. Se extraen dos cartas sucesivamente de una baraja de 52 eartas. (e) no más que una carta sea figura (jota. impar o par' impar' par.115. 2 héboles.C. 3 niños y 3 niñas con 6 hombres. (b) un palo completo. Hallar la probabilidaddeque (o)laprimera carta no Bea un diez de tréboles o un aa. ¿Cuántos comités diferentes pueden formarse si (o) no se impone ninguna restricción. 1. Expandir (o) (o+y)6. Hallar el coeficiente de ¡ en lt * ¿)t.. 3 corazones y 1 pica.f 23. Demostrar que (c) (b) \r¿l \o/ \r / + 1") * '.cAP./"\ . 1.( ") .. ¿De cuántas formas pueden seleccionarse 4 niños y 5 niñas si (o) no determinados? 2 hombres. (g) la seg. (h) las cartar son frguras o picas o ambas. (b) deben seleccionarse un hombre y una mujer 1. ¿Para qué CONruNTOS Y PROBABILIDAD valor de n s€ cumple que 35 3' n+rC¡ : 7' nCzl.t24. (b) dos estadistas determinados deben estar en el comité. 1.117. 1. . ¿f).119..111. (d) (rz*21t. Demostrar que (o) É .

127. Az.132.136. (c) ca¡tas diferentes. .36 CONruNTOS Y PROBABILIDAD lcAP. Se extraen 3 ca¡üas de una baraja de 52.95? 1.130. Hallar porcentaje de enor en la fórmula de Stirling para n : 10.139.141. Demostrar que aproximadamente 2nCn - 22"1\/ñ. ¿Cuántas palabras pueden formaree con 5 letras si (o) lae letras son diferentes. ¿Podríamos asignar probabilidadee de 1/11 a cada uno de esos puntos? Explicar.'. (c) todas las letras son diferentes pero dos letras determinadae no puden estar juntas? tes. Una urna contiene 6 bolas rojas y 8 azules. Halla¡ la probabilídad de que (o) sean diferen1.3.).140 para que la probabiüdad de obtener 11 por primera vez sea mayor que (a) 0.131. 12. 1.queconsistedediez.145. 1. Halla¡ la probabilidad de que 3 sean rojas y 2 azules. Halla¡ la probabilidad de que (o) las cartas eean de un palo.I's probabilidad de que un tirador dé en el blanco eede 213. . (D) 2 letras son idénticas. Cuatro enteros se eligen aleatoriamente entre 0 y 9 inclusive. 1. (b) máximo dqs sean igualee.143. (b) ¿Cuántos lanzamientos se necesitan para quela probabilidad en (o) eea mayor que 0.12E. . . Un espacio muestral consiste de 3 puntos muestrales con probabilidadeg a¡ociadas dadas gor 2p. 1 1.. Si diepara al blanco hastaqueledal¡primera vez.133. 1.51. Demostrar que para cualesquiera sucesos Ar. rey y as del mismo palo. 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. ¿De cuántas formas pueden selecciona¡se 30 individuos de un total de 100? 1. Demostrarque 1. 1. hallar la probabilidad de que necesiüe 6 disparos. Supóngaae que al lanzar una moneda 500 veces hay una secuenci¡ de2(lsnzanientosqueresulüan"carast'.96? 1.144. 1. ¿Puede considera¡ee la moneda cómo honrada? Expücar. (o) Hallar la probabilidad de obtener la suma 7 en al menos uno de tres lanzamientos de un par de dador honrados. 1. Demosürarque siACB' entonces AnB:Q. (d) 4 ases. 1. ¡rara valores de n grandes. APROXIMACION DE STIRLING A n! 1. Enunjuegodepókerhallarlaprobabiüdaddeobtener(o)unaescaleraflor. 1.5..140. 1. . Obüener una aproximación al resultado del Problema 1.134. . .l47. ¿Cuál es el menor número de lanzamientos necesarios en el hoblema 1. (b) tn full que consiste en 3 cartas de un valor y 2 de otro (por ejemplo 3 diecer y 2 jotas.13?.reina. - L.129. (b) 0. Al lanzar un par de dados la suma puede ser 2. . Hallar la probabilidad de que un jugador tenga de 13 cartas g de un mismo palo.. p2 y 4p Halla¡ el valor de p. Un par de dados se lanzan repetidamente.146.135. l.142. +P(Á") 1. An P(ArvA"u. Se extraen cinco bolas aleatoriamente sin remplazamiento.) + P(A)+ .uAn) < P(4. etc. (b)al menos dos sean ages. A-(A nf¡: AñB'.jota. 1. PROBLEMAS DIVERSOS 1.138. Hallar la probabilidad de que ocurta 11 por primera vez en el sexto lanzamiento.

Hallar la probabilidad de que en un juego de bridge (o) dos jugadores. 1l 1.)va".1ó3. u¿ fi. Demostrar que /"\ = ! 1t'¡¡" .148. demostrar que p"(a) = 1 fipn-o (0) y luego emplear el resultado del Problema 1.:).54 obtenga exacüamente I ¿-c / r\k sobres correctos ". .cAP. ¿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.11)'-* 1i)'-l \"/ \o/ \t/ .' Denoüando la probabilidad deseada comopñ (a). (a) Un estante contiene 6 compartimientos separados.149.154. Resolver el Problema 1. Este üipo de problema se presenta en física en conexión eonlaestadística Bose-Einstein. (c) los cuatro jugadores tengan un palo completo.rtimientos separados.155. 4. CONJUNTOS Y PROBABILIDAD 37 (c) Un estanque contiene 6 compa. 1.151.\¡/(. 1. 1. Demostrar l") . que (Sugerencia: Consi¿s¡ar 1. Un jugador de póker tiene las cartas 2. . Este tipo de problema se presenta en física en conexión con l¡a es tad ísüca Fermi-Diroc. "dar ¿ letras en los 1. 1.¿De cuántas maneras pueden colocarse 4 bolas idénticas en los compartimientos? (b) Resolver el problema si hay n compartimientos y r bolas.150._ \r/ (1 + r¡t (1 + o¡"-t y hallar el coeficiente de ¡j en el producto). (d) ningfrn 5? ¿Puede resolverse el problema sin saber el número de cincos que tienen los otros jugadores? Expücar. 1.541.t't .152. una interpretáción combinatoria. (ü) tres jugadores.ISrí"r"ncia.8. 3. (b) dos cincos.(i)' una interpretación combinatoria.156. (c) trer cincoe.6. 1.50 si el juego se ümita a B lanzamientos. . Generaliza¡ el resultado del Problema 1. Demostrar que la probabiüdad para que la secretaria del Problema 1. Desea descartar el 8 y remplazarla por otra carüa que espera sea un 5 (err ese caso obtendrá una "escalera").151. ¿Cuál es la probabilidad de que obtenga el 5 suponiendo que los oüro¡ tres jugadores en conjunto tienen (a) un cinco.

Supóngase también que los dados por rr . (I) de (2) Es conveniente introduct la funcíón de probabilidad. Esta función se llama wriable aleatoria (o uariable estocastiea) o función más precisamente función aleatoria (función estocástica). Una variable aleatoria que toma un número frnito o infinito contable de valores (véase página 4) se denomina wriable aleatoria discreta mienhas que una que toma un número infinito no contable de valores s€ llama variable aleatoria no discreta 6 continua. f(a) > o 2.>Í(sl = t 38 . 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. geométrico u otro. f(¡) : 0.2. el nl¡mero de caras men(x el número de eelloa. definida por r) = l(a) si Para¡ : nr (2) se reduce a (l) en tanto que para otros valores de r. Supóngase que se lanza una moned¿ dos veces de tal forma que el espacio muestral es ¡f : {Cq Cg Sq SS). por ejemplo el cuadredo del n(rmero de carac.. Supóngase que a cada punto de EJEMPLO 21. Así en el caso de CC'(es decir 2 carae) X :2 e¡ tanto que para SC (1 cara) X = 1. En general una variable aleatoria tiene algún signifrcado físico.. Con cada punüo muestral podemoe arcciar un nfrme¡o para X como se muesha en la Tabla 2-1. etc. también conocida como la distríbución probabiliM. Í! valores se asumen con probabilidades dadas por P(X=ryl=f(rx\ P(X = k=L. Repreoénteee por X el número de ca¡as que pueden resultar.. x2.. 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. Comúnmente se denota por una leha mayúscula como X 6 Y.Capítulo 2 Voriobles qleqtorios y distribuciones de probobilidod VARIABLES ALEATORIAS un espacio muestral asignamos un número. Así definimos una en el espacio muestral. En general f(¡) es una función de probabilidad 1. Se concluye que X eo una variable aleatorir.

)f(u) (0 donde la suma a la derecha se toma para todos los valores de z para los cuales u = x. es decir . 2-1 la suma de las ordenadas es 1 mientras que en el histograma la suma de l¡¡ áreas rectangulares es 1.6. Íz rn entonces la función de distribución está dada por 0 f (r') f(rt\ + f(rü F(r\ = -@<fr1It rt3fr1trz rz3fi1rt : (5) /(r. (a) Halla¡ la función de probabilidad correepondiente a La variable aleatoria X del Ejemplo 2.. pata vrta donde obtenerse.de la función de probabilidad notando que r es cualquier número rl = F(u) real. Tabla 2-2 =I r f(r) 0 I r/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)=. por ejemplo X: 1 significa que esüá enüre 0.+/(r") x.. P(X < (8) La función de distribución puede F(rl = P(x=r) -. 2-2. Recíprocamente la función de probabilidad puede obtenerse de la función de dist¡ibución. En el ca¡o del hislogama podemos considerar la va¡iable aleatoria X como continua. o simplemente la función de dístribución.1 y construir la gráfica de probabilidad.1 x ( -.) +.5 y 1.2. r/4 =I r/4 la función de probabilidad está dada en la Tabla 2-2. como se indica en la Fig.. Si X únicamente toma un número finito de valores lct. o por un histogromo.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 39 donde la suma en 2 se toma sobre los valores posibles de probabilidad. Fig. (b) IÁ gráfica de probabilidad puede reprecentarse comoleindica en la Fig. Una gráfica de f(¡) se llama grdfica de (b ) EJEMPLO 2.2-f Eepectro Fíg. lxla . En la FA.2-2 Histograma FUNCIONES DE DISTRIBUCION PARA VARIABLES ALEATORIAS DISCRETAS varidble aleatoria X se define por La función de distribución acumuhda. P(X:1) = P(CSuSC) = p(cs)+ p(sc) = i*i P(X=21 = P(CC) Así. r.. 2-1.cAP.

Debido a esto se dice que es vnafunción monotónicamente creciente. 2. 1. DISTRIBUCION DE PROBABILIDAD Si X es una variable aleatoria continu4 la probabilidad de que X tome un valor determinado generalmente es cero. 2-3.n (6) . por ejemplo.3. 1.4. Por tanto no podemos definir una función de probabilidad en la misma forma que para una va¡iable aleatoria discreta (págrna 38). 712. 2.40 EJEMPLO VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD lcAP. 714 corresponden exactanrente a las ordenadas en la Fig. (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. A medida que procedemos de izquieida a derecha (es decir subiendo la escalera) la función de distribución permanece igual o aumenta. Entonces definimos la probabilidad de que X se encuentre entre ¿ y b como P(a<X<b) : Í"' f (n) d. así el valor en 1 es 314 y no Ll4. . la función de distribución para la va¡iable aleatoria X del Ejemplo 2. El valor de la función én un entero se obtiene del paso superior. f(r\ > 2. 2 son LlA. 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. Las magnitudes de los saltos en 0" 1.@ e -. Estas ideas y la analogía de las Propiedades 1 y 2. Debido a la apariencia de la gráfica de la Fig. 2-1. Esto se expresa matemáticamente estableciendo que la función de distribución es continua por la derecha en 0. Si se selecciona aleatoriamente un individuo de un grupo numeroso de hornbres adultos. (o) Halar representación gráfica. pagjna 38. 2-3 frecuentemente se le llama función escalera o función paso. F(r) se mues- Los aspectos siguientes acerca de la función de distribución anterior. tomando valores desde 0 hasta 1. Este hecho permite obtener la función de probabilidad a paftir de la función de distribución. la probabilidad de que su estatura X sea precisamente 147 centímetros sería cero.)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 . 3.2 su 2. EJEMPLO 2. deben notan¡e.2. nos conducen f(r) tal que o a poshrlar la existencia de una función 1. que son verdaderos en general. Sin embargo hay una probabilidad mayor que cero de que X esté entre 145 y 150 centímetros.

Entonces de . = # + F(r) = fo" . Si 0 f: x 13 entonces F(rl Si¡>Sentonces = ou fo' .ru. (o) HaIIar la constante c para que Ia función f(r¡ = {"^* L0 sea una o. (b) Emplear P(l < r = 2\.5.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. 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).6.CAP. #f.UU ¡( 0 entonces F(.r) = P(X=r) f(r). página 39. EJEMPLO 2. definimos la función de distribución F(x\ para una uariable leatoria continua por F(. Una función f(r) que satisface los requisitos anteriores se llama función de probabilidad o distribución de probabilidad para una variable aleatoria continua. = *-h=:h 7 En el caso de que f(r) sea continua. En tal caso podemos remplazar cualquiera o ambos de los signos ( en (6) por Así.tu.a1X<r) s = J_-" ¡p¡au f' ( si se desea. .t) = 0.f. V) En los puntos de continuidad de EJEMPLO 2. n.5. = 13 t'n ¡3 .l-*Ít'lol' = )ow2dr . (a) Ya que f(r) satisface la propiedad 1 si c ? 0. = Í.1é/27 0<'<3 fr Obsérvese que s>s F(r) aumenta monotónicamente desde 0 hasta 1 como lo requiere una función dedistribución. 2] VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 4L Podemos demostrar que esta definición satisface los axiomas de probabilidad dados en la página 6.'!. : P(. debe satisfacer la propiedad 2 para ser una función densidad. (b) P(1< p(r<x<z) -. También debe observarse que F(r) en este caso es continua. el (o) Tenemos F(r) = Si P(X = r\ = o" Í__. en el Ejemplo 2.?1.5.n* =. pero con mayor frecuencia se denomina función de densidad de probabilidad o simplementn función de densídad. (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.'" de otra forma " función de densidad y (b) calcular P(l < X < 2). 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'). lo que supondremos al menos se establezca otfa cosa.-g ec y puesto que esto debe ser igual a 1 tenemos c: tl9.'U". ou + f"'f@)au = fo'!u.

INTERPRETACIONES GRAFICAS es la función de densidad para una variable aleatoria X entonces podemos reptesentar y gráficamente por una curva como en la Fig.42 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD [cAP.r. az y F se suponen derivables con respecto a. 2-4.2-4. 2s137 n La probabilidad de que X se encuentr€ entre r yxt Ax está dada por (8) p(r= xtn+ta) así que si = .ü# (121 at.6.'. la cunra no puede caer por debajo del eje r.F@t(n).i. (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"".x)itu donde = f""jl.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). 2-l .' T*0" + F(az(a). se representa por el área sombreada de laFig.'r(u. Geométricamente la probabilidad de que X esté enhe a y b. El área total limitada por la cuwa y el eje ¡ debe ser 1 debido a la propiedad 2 en la págna 40..'.2 (ó) Tenemoa P(r<x<2) P(X=21 - P(X=1) f(2) - F(1) n-n como en el Ejemplo 2. Puesto que f(r) Z 0.a# . : f(x) Si f(r) Fig.

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

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

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

Teorema 2-3: Sea probabilidad de Uestá dada por g(u) donde X una variable aleatoria continua con densidad de probabiüdad f(r).l't(u. V). Y cortesponde una y solamente una pareja de valores U. Y: úz (U.V:0"(X.V: Qr(X. Y respectivamente.a). Definamos U = ó (X) donde X : ú ([.Supóngase que se definen dos variables aleatorias discretas U y V en términos de X. y) es el producto de una función de x. I0. por una función de y.u) = f l.(u. e.rl s@) = r@\l#l= rw@)rv'@)l g(u)ldul Teo¡ema . (83) (34) 2-4: está dada por g(u. V e inversamente. Y variables aleatorias continuas que tienen una función de densidad conjunta f(x. Pa¡a va¡iables aleatorias independientes continuas también es cierto que la función de densidad conjunta f(x. y) puede expresarse como el producto de una función de r y una función de y (las cuales son las distribuciones marginales de X. Teorema 2-1: X una variable aleatoria discreta cuya función de probabilidad es f(r). gr(u. n como en el Teorema 2-2. Entonces la densidad de = f(r)ld. Entonces la función de probabilidad conjunta de Uy Vestá dada por g(u. 1.2 conjunta F(x. así que X : ú (U). Variables discretas. y) no puede expresañ¡e así. 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. está dado por .I) como en el Teorema 2-1. Si F(r.a) = f(r. y). y\. Definamos f/: ór(X. Variables continuas.úl#31 = En (Sd) el determinante Jacobiano.a)llJ (35) (36) s(u. y estas son las funciones de densidad (marginal) de X. Entonces la función de densidad conjunta de U y V g(u. n. Supóngase que se define una variable aleatoria discreta U en términos de X por U : ó (X).46 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAI) lcAP.f .(u.Y: úz(U V). Y variables aleatorias discretas que tienen una función de probabilidad conjunta f(x. fz(y).a).a)ldudal o = f(r. Y'). donde a cada valor de X corresponde uno y solamente un valor de U e inversamente.t@)] (s1) 2-2: Sean X. dondeacadaparejadevalores de X. a\) (e2) 2.a\lda dy fl+. f por U:0r(X. u) donde $ean X.(xl. así que X = út(U. I|). o sencilla¡r¡ente el Jacobiano.Y). Entonces la función de probabilidad paru U está dada por Sea s(u) Teorema = f[. Y) donde X: út(U. entonces X y Y son dependientes.

iw . Y variables aleatorias continuas y sea U = ót(X.. l(u. y) está dada por Como consecuencia particular de los teoremas anteriores podemos demostra¡ (véase Problema es decir de U : X * n.u - (8el En el caso especial donde X. y) la función de densidad conjunta de X. Ír* (fr'f fi = ft* fz * ft+ fs s Estos resultados demuestran gue fr . abreviado f . V:X (lasegunda selección es arbitraria).. ft. En la práctica con frecuencia se necesita hallar la distribución de probabüdad de alguna o va¡ias va¡iables aleatorias determinadas.* fz . y distribr''. como función de densidad conjunta a f(x.cAP.IBUCIONES DE PROBABILIDAD 47 Aú Ar (871 J= E(a.ylitrdy R (es) donde Q es la región para la cual 4r(o.U) = f . 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.(X. que tengan s(u) = r) itn Í__ . Entonces la función de densidad g(u) de la variable aleatoria U : Qr(X. Un resultado análogo es váüdo para las funciones de probabiüdad de las variables discretas. fz = fz+ ft 2.y)<u) = fl ..]NCIONES DE VARIABLES ALEATORIAS aa aa Los Teoremas %2 y 24 específicamente incluyen funciones de probabilidad conjunta de dos variables aleatorias.ul 6(u. fr. obedecen las leyes conmutatiuq reociatiua del álgebra con respecto a la operación de la convolución.rr.23\ que la suma de dos va¡iables aleatorias continuas X. Y) se encuenha derivando con respecto a ¿ la función de distribución dada por G(u) = pÍó. Teorema 2-6: Sea f(r.o) A1r A. Y son independientns.@) y (39) se reduce a (t o¡ s@) = f' . f t* (f z* f t¡ = gt* fz)'f 3. -6 fr(*)fr(u-r)iln que se conoce como la conuolución de f t y f z. &u 0a DISTRIBUCIONES DE PROBABILIDAD DE FI. n. Teorema2-5: Sean X. Il.(r) f . Y. f . A) u.r. Las siguientes son algunas propiedades importantes de la convolución: 1. = ClDNVOLUCIONES 2.2l VARIABLES ALEATORIAS Y DISIR. Cualquiera de los teoremas siguientes es frecuentemente útil para este propósito.

la función de densidad condicional de Y dada X ¡1xlu) y f(alr)porfr(rla) I fr@lr)respectiva¡rente. APLICACIONES A LA PROBABILIDAD GEOMETRICA Varios problemas en probabilidad surgen de las consideraciones geométricas o tienen interpretaciones geométricas. yl = P(X : Í.AP. y) es la función de densidad conjunta de X. Utilizando (45) podemos por ejemplo hallar que la probabilidad de que Y esté entre c y d p(c<y <iI | *<X< x *dr) : f"'" f{rlr)da (40¡ También se dispone de la generalización de estos resultados. Entonces es razonable suponer que la probabilidad de pegar a la región de área K. Y. Fis.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).2-7 .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. /. Por fe1ü = dadoquerlX(r*dres Ll++ r(r¡ I &s¡ donde f(x. es pre porcional a K¡. El tipo de suposición empleado define la función de dishibución de probabilidad. (B: Y: J). (r) es la función de densidad marginal de X. Y son variables aleatorias continuas. Por ejemplo. etc. Análogamente la función de r(rlut = Algunasvecesdenota¡emosa @+¡ Estas ideas se amplían ejemplo. Y : y) es la fi:nción de probabilidad conjunta probabilidad discreta para X. supóngase que tenemos un objetivo en la forma de una región plana de área K y una porción de ella con á¡ea K1 .48 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD IC. entonces (42) P(Y=ulX=r) : f\*'') f donde f(x. puede ser menos probable pegar a áreas externas. Por ejemplo. fácilmente al caso en que X. Por tanto definimos P(pegar en la región de área K1 ) Kr K Qr¡ donde se supone que la probabilidad de pegar al objetivo es 1. Lógicamente pueden plantearse ohas suposiciones.

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

La función de probabilidad para X. suponiendo iguales probabilidades para niños y niñas. 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.(. D:3.) 3 se indica en la Tabla 2-5. 2-ll (b) Véase Fig. f(r) = .(. 2-10 (o) Tenemos que F'(r) = P(X = tl u=x 2 Ífu¡.2 1/36 2fr13 3/36 3fr<4 6/36 4f s<5 sslso rr<"<rz I 12 0123 Número de ¡lños X = ¡ lrlq Fig. (a ) EI Problema 1.on probabilidadesp y g: 1-prespectivamente.3. 0123 Número de ¡¡iñoc X = ¡ Fis.)' Tabla 2-6 fr 0 donde la variable ale¿toria X representa el número de niños en la familia. 2-11.t-.(i) \-'l /r \3 f(r) r/8 3/8 L/8 (b) La Eráfrca va¡iable X como discreta o continua. Fig. dependiendo sobre si deseamos considerar a puede representarse como en la Fig. c. Enüonces de los resultados del Problema 2.". 2-10 o en la la FI. F(r) 1 33/36 30/36 27 i36 I 24/'. donde cada intento tenfa dos resultados posibles.JNCIONES DE DISTRIBUCION DISCRETA r/t 2.50 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP.46 trató el caeo de n intentos mutua¡t¡ente independientes. ip=q:L12. A y A'..2-L2.)"(t'-' = . (b) Représentar gráficamente la distriUución en (o). (c) Hallar la disgibución de probabilidad de niños y niñas en familias con 3 hijos..¿6 2r/36 18/3rt 15/36 12/36 9i 36 6/36 3136 . siA e¡eleuceeo"niñott.".c.L y (b\ repr€sentar gráficamente esta función de distribución. Por tanto. tenemos P(eractamente r niños) = P(X = r) = . Se encontró quelrr probabilidad de obtener eractamente r veoea A en los n intentos es icrp'q.2. (a) Hallar la función de distribución F(r) para la variable aleatoria X del Problema 2.2 2. Obsérvese que el cero del eje r se ha desplazado. I 3/8 .1 hallamos F(rl = 0 -e 1r<. (Obeérvese que X se define sobre el eepacio muestral de tres inüentos).

2-13.'= J-.12 + | = "t"r-rrl r-o = "L. F(¡) I 7t8 6/r 6tE 4/E 3/8 2t8 I UE t Fig.entonces ó -l < x = -f.r12*L =zC' oJ6.. f .itan-rc . donde -o(ú.6..\r-." r¿*l = ?['*-'(1) . acf que c=Ur./J f = " =.6.2-13 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2. rL t__J = 11h. (c) Hallar la función de distribución F(*) para la va¡iable aleatoria representar gráfrcamente esta función de dishibución. X del Problema 2.2l VARIABLES ALEATORIAS Y DISIBIBUCIONES DE PROBABILIDAD 51 2.rr_rrl. Hallar la función de distribución conespondient¿ a la función de densidad del Problema 2.ran-l(--)J = l[r*-' " "if = i. z2 = 1 (ü) si* = x2 =t. (b) Hallar la probabilidad de que f(r)=c/(n2+l).4. )? estÉ entre 1/3 y 1. t*tantolaprobabilidadpedidaes t(-'lstt oJ-t dn *lft dr IL'rJ¡5.e¡décir t-.r ./ -\-'l (* :u.-.<6.cAP.t¿n-r (+)] I = z(z-z\ = 6 6/ "\4 2. _.. 1 C" F(r) = )_-t{")a" = i)__ n du _ = !l-t. Un (¿) (a) Debemostener aXtienelafuncióndedensidad o".2 obtenemo¡ F(rl (ó) L8 gráfica = de la función de distribución de (o) se muestra en la Fig. I -u.(-.. la constante c.2V @) (o) Uüilizando la Tabla 2-5 del Problema 2. t:_flu)ttr = 1.6.

A) = c(2r *y). y) para los cuales las probabilidades son diferentes a crero se indican en la Fig. La función de probabilidad conjunta de dos variables aleatorias discretas X. 0 = U < 3.. (o) . (a) tos puntos muestrales (r. se indican en la Tabla 2-6. (b) la probabilidad de que X > 2. tenemos que c : L142. )-11. y pueden tomar todos los valores enteros tales que 0 < n 3 2.e-4. debe ser igual a 1. Tabla 2-6 Y X 0 0 0 I c 2 3 Totales ü I 2c 4c 6c 3c 5c 6c I .42c. (c) Hallar P(X>l. (b) Hallar P(X =2.y f(r. La función de distribución para una variable aleatoria X es (L-e-2" o>0 F(r\ : J^ x1O [u Halla¡ (c) la tunción de densidad. P(X>z) = f -(1 -e-r) = (c) e-4 p(-B<x<4) = ln¡rulou = f_roa"+ ton2r-r. (o) Hallar el valor de la constante c. = = F(2) = | .) 2c 4c 6c 3c DC l4c 22c 42c 7c L5c Tota les+ 9c l2c . Por tanto.2 2.F(-g) = (1 -e-e)-(0) = l-e-B DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2.62 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP. Y = l).du = -e-2"1 = L-e-8 lo l{ Otro método. y (c) la probabilidad de que-3<X<4. P(-3<X<4) = P(X=4) -P(X<-3) = r'(4) . las probabilidades asociadas con esos puntog dadas por c(2x * y). Por defrnición P(X =-21 = )" ze-z"du = -u-r"1. fir-\ = dt l-F1. Puesto que el gran total.¡l = f2"-u l0 r)0 r10 le-1 (ó) P(X>z) Otro método.Y s2\. Y estÁ dada por f(r.8.7.U\ : 0 de otra forma. donde r.

De estos vemos que P(Y=Y¡ = verificación:1*3 +!+1 ''7 74'7 t4 fz( =t 2. (b) Hallar P(1< X <2.11. 1<g<5 de otra forma 1o (c) Hallar P(X>3. 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.r du = I . Y son independientes debemos tener.Y : A) = P(X = r\ P(Y = Y¡ Pero.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. Y es f (n. P(X = t. Si las variables aleatorias. Y del Problema 2.8 (b) y 2. Y <2).10.Y=L) + P(X=21 P(Y=L) E resultado también se deduce del hecho de que la función de probabilidad conjunüa. (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.Y=\ = asr que h P(x=4 = # P(Y=l) = I (2x rr y)142. 2. puede expresarse como una fi¡nción de ¡ veces una función de y. P(X=2.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD De la Tabla 2-6 determinamos que 53 (b) P(X=2. 2<Y <3). De estos vemos que 6c=L/7 | P(X=r) = ft@) = jUc=1/3 verificación:l+1*11 '7 3'21 (b) La función =r r=0 u=t.u) d.8.cAP. y.. no P(X--2. La función de densidad conjunta de dos variables aleatorias continuas X. como se determina de los Problemas 2. Hallar las funciones de probabilidad marginal (c) de XV (b)de Yparalasvariablesaleatorias del Problema 2. (o) Debemos tener la probabilidad total igual a 1.{. 2.9.u) = lcnU 0(r<4.8 son dependientes. para todo r. Demostrar que las variables aleatorias X. (o) Hallar el valor de la constante c.Y=l)=5"=a 42 (c) De la Tabla 2-6 determinamos que P(X>t.9. es decir | | f@.

olduclo dudo = P¡re o > ft (s J.2<Y ' (c) <3) = Í.F . = = 1 C' 5r.o)ctud.=oL. .o' = "Í.Y=z) = í:="í"'=.Yl'"=.frarau = * Í'^='lÍ"'="u aafa' = + f"="#l'"='* L f4 Br.54 vARIABLEs ALEAToRIAs y DrsrRIBUcIoNEs DErRoBABTLTDAD -l IcAp.'uau)a' = *f. [ Í=.r"=.:o J"=rcnvilxils ft rrs = " J.* s /rz11z .=o J"=. y).r.(a) = 0.=.'=. (ó) Utiliz¿ndo el valor de c hdl¡do en (a) tenemoe P(l <x <2."=. 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. Hallar las funciones de distribución marginal (c) de X V(bl de I' del Problema 2. 4.12.2 Empleando la defrnición de /(. para 5 < 0.11.¡¡'J. fi uo = # 1. (o) L¿ función de di¡t¡ibución marginal para X ¡i 0 < ¡ ( 4 ec Ft@) = p(X=r) = f' ¿u=-4 ¿O=-@ f" fet.'=.podrfamocremplazarenlaerpreaiónanüerior(por<.- ñ E P(x>s.Tn' = idt\t/|. Oo = #Í:=. fv J-"=oJ"'='ffiauao = + . Por t¡nto Fr(rl = 1. 1""=140.r=o(ry-. la integral tiene el valor f4 ¡5 J. xaau )clx = "!.)* = "Í:=rr2adr = "tu*)l'_. =y( 5 ec Fzful = P(Y <-vl = Í¿t=_@ f1 ¿ú=l f" f@.1Í":=. 7 ñ J"="To' = ln 2.'=r$l'"-. Ft(¡) = 1. = e6c Entonces 96c = 1 y c : 1/96.

! c(t = c : F(r.(ul = { (. donde J tt. Por tanto Fzfu) Puesto que F2 (y) es continua en y = 4@r-t)tz+ tfy<b a=6 l. región sombreada en la Fig.L2. 2-16. En la Fig. podríamos remplazar en la expresión anterior [o u<r : 1. t = 1.11.| l rr. [f=. Puesto que f(x. av = ut-[:. 2.ul = fr(r) f2(y).F ¡ (r) V Fzp) se determina¡on en el Problema 2. 2-15 muesha la definición por trazos de .11 hallar P(X+ y < conjunta de 3).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. Para U < l. 1 < y ( 5 dentro de la cual la función de densidad X. F{A) = 0. Halla¡ la función de distribución conjunta para las variables aleatorias X.t : 5. Del Problema 2. o 0 ( ¡<4 f de otra forma . 3.2l Para y VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD OD = 5. esta probabilidad está dada por 'í Í"'=. !""=. En el Problema 2. la Fig. Fz@) = 1.l\ (r6)(24) Fig.' *u au)a* Fig. 2-15 2. 2-16 hemos indicado la región cuadrada 0 ( ¡ ( 4.¿v I < Y < 5 [ 0 de otra forma L/96.cAP.F(r.. l\¡.¡ ryl96 sobre fi. y) : Fr G\ Fz@).13.Y es diferente de cero. Se deduce que X. La probabilidad rc. y) resultante.LL se observa que la función de densidád conjunta para X. de tal manera que su función de distribución conjunta eetá dada por F(r. J ( por < . Y son independientes. Y del Problema 2. Y puede escúbirse como el producto de una función en r veces una función en y.Yl = rz(az . 2-I6 .14.n ffia. En efecto. Las distribuciones marginales .

u11V1o. es decir g(u) _. "rl "" /{. 2 lu=rd' CAMBIO DE VARIABLES [r(3-r)z r 'rldr 48 2.fl.rl duda = f"' (''' Ju. El teorema también se puede demostrar si rl'(u) 0 ó r/'(u) ( 0.=o g6.u.15.v)dud. pá$na 46. esto es. Por tanto = fI¡rfu. página 46.a) a@'a) donde es d\u.1 .66.2fu.= fu ).f .16.t'@) Este es un caso especial de (34). u) ellacobiano.At<Y<Az) = | fre | l(r. ) O.a).\: ?u. como puede deducirse de la figura.r\uti. donde ry''(u¡ ) 0 (es decir la penCiente es positiva). Para el caso donde rlr'(u) -< 0. . pá4ina 46. Primero considere el caso donde u : ó@) 6 x : tenemos función creciente. 2-1'7). = 2. Jtl r s(u. ' olü au = ¡'tl f ¡¡gqullv'tu:du Esto es válido pr. 2-17 f .u).17.páqina 46.56 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP. u). Úz(u. Igual que en el Problema 2. (r) (t tlt(u) es una P(ut LI 1tt"): P(rtlX1rr\ f¡7 (2) Remplazando x escribirse como /'ü: | t\u) titr 'ul |. esto es.67). Dr P(r1<X1rz. Ju.u . también podemos demostrar que (31) se cumple (véase Problema 2. para el caso donde J 0.y) fe2 dr dy Remplazando avanzado que r : Út@.o'tlJ J< que es (3ti).' ut 12 : ¿ ttt V@) en la integral al lado derecho. y : Ju. Demostrar el Teorema 2-t. | trrr J| s(u. podemos demostrar que u y u también crecen. Véase Problema 2.1)llJ duda ("' ("'n. págir.. pá$na 46..Ll Plx = gfu)) = f lv@)l En una manera análoga puede demostrarse el Teorema 2-2.. Análogamente podemos demostrar ('36) para el caso donde .a todo u1 y u2 solamente si los integ'andos son idénticos.. L es una función decreciente de ¡. Demostrar el Teorema 2-3.¡. Primero suponemos que a medida que r. 92fu.. 2. y crecen. La función de probabilidad para U está dada por s(u) = P(Lt ") = Plo(x) .16 ó P(ut<Uiu. Entonces. u aumenta a medida que r aumenta (Fig._-. (2) puede Fig. u) en la integral de la derecha tenemos por un teorema de cálculo flrrtu.z 46.(' 'u2 l3-' '.2 1 L (" = J..4v.. Demostxar el Teorema 2-4.

. de probabilidad pedida para U ea ( z-ni i s("! = 1o utilizando el Teorema 2-1.. página 46.sutz¡21 ].17. Los valores de r para los cuales. página 46.2O.2..3 y* = 6 rcn u = 6 y u -2re¡I¡ectivamente.e por el Teorema 2-3. En este caso no podemos emplear el Teorema 2-4 directamente ¡rero podemor proceder de la manera eiguienüe. Como se obeerva en esta ffuura el intervalo .U<u) = P(-B<X<\fr) = J-s f@lA. . de otra forma . Puesto que ú'(u) : dx/du : . 2..+ l larelación entre loe valoreedeuyrdela¡variablesale¿torias donde u:2."1:-. HaJlar la densidad de probabüdad de la variable aleatoria U = )? donde X es l¡ va¡iable aleatoria del Problema2. 2-18..A¡íparacadavalorderhayunoydamenteu¡valordeuy función de densidad para U ee s(ut Verificación: = ilt'... o el hoblema 2.19..)óx:L2-3u.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.tt¡¡f".18.3 ¡e deduc. 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 ¡.I9..3 ( 6 corresponden a los valores para los cualeo 0 S 36 como se muestra en la Fig. Tenemos tL = tr2 ó r = *\ñ. u= r+11 6 r =n/F1. recfprocamentg.E2.2 = _. o por el Probler¡¿ 2.16. La función de es disüribución para U G(ul = P('tlu') Entonces si 0 Fis. du ¡5 <tz:_su.3.Enüonce¡1. | . = P(.cAP. 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).3 ( ¡ < 3 corresponde a 0 s z s 9 er tanto que 3 (¡( 6 corresponde a 9 ( u ( 36. La función de ptobabiüdad de una variable aleatoria X (2-' ü=1. UyXqtídadapor y8€hatomadol¡raízrealpositiva.Loe valore¡ de u que correrponden a¡= .'ll = 1 2.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD es 67 2.82. U: * .¡función u = 2. f(r) = to de otra forma Halla¡ la probabilidad para la va¡iable aleatoria a = X4 + Puesto que l.16 que la Tbnemosu:tl3(L2-f.!7.

58 VARTABLES ALEAT1ORIAS Y DISTR. lo1u114 de otra forma . 2 ea - Fig. = {. uear¡do la regla de c@l Utiüzando la definición dada de = f(r) eeto se convierte en 0<z<9 9.1. Si las variables aleatorias X.u 110 que ¡e muesEa eombreada en la Fig. El Jacobiano está dado por Fr 0r J_lr"0o oa lüu la" att lo =l I 1 11 -.ol =#¿" .2 l*ibníz (12). Entonces la ¡olución ¡imultiinea re¡ulta r : u. u : r. función de den¡idad g(u) ee l¡ derivada de G(u) tonemos.u). 1 < y ( 5 correeponde a la regiiin 0( u ( 4.11) hallar la Método 1.2 < u . ! : ll2(u .21. función de densidad de U = X + ZY. = 2. 1 tZ _1.a) (véase Problema 2.<¿<36 de otra forma 21rsrz Verificación: zlb.-ro 0 6<¿<10 f4 afu. etcogiendo arbitrariamente l¡r eegunda relación. 2-19. le * fil2136 z4B l. 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. 0 < a < 4 g(u'al = de oEa forma {o La función de den¡idad marginal de U está dada por 21u<6 ctfu) = f"^=oWo' J.IBUCIONES DE PROBABILIDAD Pueeüo que la [cAP. Y tienen función de densidad conjunta r(x.r'nu ffr:i:0" 'Sea u = t I 2y.=. Por üa¡¡to la región 0 I r 1 4.

' I":".2)2 (u reeultado dd método L para 6 ( u ( 10. De un¿ manera análoga podemoe obtener el Al deriva¡la con respecto a ¿ 8e encuentra (u .o 2. IL m de b Flg.cAP.2-2L 2.11) hallar la función de densidad conjunta de U no uu está dada por o<azlgu-r/t<4 gue son equivalentee a .u2 t< 7) uztga-rls < L26'u 6 1 64u 1u2 < Eata región ee muesba eombreada en la Fig.au i*Z=.a función de di¡tribución de la variable eleatoria X + 2Y erüá dada por P(x *zY É ut = Íl rr2y 3 t@. Al dividir egüa¡ ecúaciones obtenemoe y/r = u/u aef que y = ut/v.22. Nlétod. El Jacobia¡¡o estó dado por . 2'20 gue la últim¡ integral ee igud a Í"--. I/aimagende0(x14.a) : {*''nu de otra forma :':' 0 L = XYz.2l como VARHBLES ALEAI"ORIA"S Y DISTBIBUCIONES DE PROBABILIDAD 69 'lar p determina refiriéndo¡e a lae regioner ¡ombreadas I. Fíg.L(y(Senelpla' (véase Problema 2. 2.2-2O Fig. V = )PY."'' gunoo = Í"::'lW-#fo' + 4)t2304. eüc.y=y2/3p-rl3. 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.ytdrdy " = ÍÍ fta.i 1<c<5 Pa¡¿ 21u ( 6 obserraÍros al r€ferirnoo a la Fig. Si las variables aleatorias & Y tienen la función de densidad conjunta 4' L <s <5 f(r. u = x2 y . Considére¡e u : xy2 . [. Mo ¡oe conducealasolucióneimultánea s=p2/34-r/t.21.

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

así que por el Problema 2.8.25. (b) P(Y : 1lX : 2'¡ pan la distribución del Problema 2.u = (..fw=n .{olf2(u-olito = f t* fz que es la conuolucidn de h y fz.f 2* f1 (Propiedad 1. Ve¡ific¡ción: ao ifui = 6o. HaJlar (al f(y l2).w) = (" DISTRIBUCIONES CONDICIONALES fz@\lt@-u)dut = fz'ft "/u=-n 2. Y son variables aleatorias independientes que tienen funciones de densidad ft@l =112"-t' .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.d. pígna 47\" Tenemos Ít* fz = | /r(") fz@-o) Jo=-a Haciendo fa da u)= a. R'ex.f2(u-t:ld.23 si X. (o) Empleando los ¡esultado¡ en los Problema¡ 2.a J_ú En el integrando f1 se anula cuando u ( 0 y f2 8e anula cuando u ( u. halla¡ la función de densidad de su sumao U = X Por el Problema 2.u:-dw.23 la función s(ul = t'. Demostra¡ gue fi t.8 y 2. obtenemos (-' Ítrfz = . (y) respectivamente.olver el hoblema nes de densidad f t@).26.27.-*) = 1 2.cAP. 2.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD 61 2. Y son variables aleatorias independientes que tienenfunciof.24.ar@u .f¿ . Si X.- u de tal maneraque u = u-u.l) = 6(e-zt .241a función de den¡idad pedida es la convolución de f t y fz y eetá dada por c@) = ft*fz = f' fr(o.<0 L0 ü>o * fg"-to a=o " frfu\ '-\e' =1l0 a<0 Y.to ¡iu>0yg(u):O¡iu(0. de densidad de U: X * Y e¡ y): f t@) fz(yl. Por tanto Cful = | JO f! (2e-2ül(ge-sru-u))do (" = 6"-su.e-tr¡ f -'. 2.f .rru-u)f2@t)(-d. En este caso la función de den¡id¡d eonjunüa et f(x.

Análogamente.): fz@lr\ = !(u'a'-l = {'u'* h@\ lo La funeión de densidad condicional no está definida cuando JFr o=u=r otray (¡): 0- . hl.a) = {i. La función de densidad conjunta de las va¡iables aleatorias X. (c) la densidad condicio nal de X. dada I 16 2..ffr:j:r.2 2.¡.i¿¡t\ = {o (2r/(L-azl a=r=l otra¡ O. ft@la) (d) = ffi .62 VARIABLES ALEATORTAS Y DISTBIBUCIONES DE PROBABILIDAD lcAP.rlrol+)0. rt*) hallar (a) f(alr).t'o<a<r [0 se muestra Hallar (a) la densidad marginal de X. Y tienen la función de densidad conjunta r(r. (d) la densidad de Y. 2-23. para 0 ( r ( 1. ¡. : J'(i**r)0. (b) P(v > + I + < X <*+d'r). (o) Para 0kc(1. !2@) Para = Í' Brydr = 4aÍ-u2'l lo¡ otros valores de y. y) er diferente a cero sombreada en la Fig. 2-23. ft (¡) = (b) 0.'. la deneidad marginal de Y se obtiene fijando a y e L. El re¡ultado es para 0 (y(r. Si X. Pa¡a los ohos valoree de r.rYP* está. pa¡a 0 ( y ( 1. = t¡*} ftulr\ h¡a oü¡o¡ ralore¡ de = definid¿. El resultado es (' Ítu.* :". = Í.2E. como 8e integrando con reapecto a ¡ desde r = y hasta Í: indica por la franja horizontal en la Fig. /(¡ | y) no ertó (ó) P(Y>l¿l+<x<l*drl = tr*.) = Jt=o Sxydy . (b) la densidad marginal de Y.4¡s pare 0 ( ¡ ( 1. La región sobre la cual f(r.2-23.29. (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.a) = {t^" de otra forma 1=1=. La función de den¡idad condiciond no está defrnida cuando L8 función de densidad condicional de Y es. Fig. Y por f(r. f2Q): O. 2-23 (c) La función de den¡idad condicional de X ec.

Determinar si las variables aleatorias del Problema2. Hallar la probabilidad de pegar en el blanco. Si ecta ee remplazarí pu alguna reshicción en y no dependiente de r (como en el Problema 2.r'lúttr = Í"' fo" &or : .[t . tal conclusión serfa verdadera- APLICACIONES A LA PROBABILIDAD GEOMETRICA 2. Eeto ¡e debe a la restricción 0 < y < ¡. 2-24).)¿. y) : 8ry. c es r¡na constante y o es el radio del objetivo (véase Fig.U) Debe anota¡se que no puede deducirse a partir de f(x. Jo L /r)'lo' = \a/ --) r de lo cual c = 312a. Entonces la probabilidad de pegar en el blanco es Jo I rb t(. + f t@) Í2fu). Y están dadas respectivamente por (r) f . tenemos ("fr. que flr..21).32.31. y) puede expresarsecomo una función de r por una función de y.t L \a/ 2. la¡ funcionee de densidad de X. = .2-23.(. Dos puntos se escogen aleatoriamente en el intervalo 0 < de que la suma de sus cuadrados sea menor que 1. = t.cAP.30. b(Boz-br¡ =. = lo'Ar"d.(.¡ _. ¡ < 1.r) = . htotdda -- Ío' 2. 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. La función de deneidad ertá dada por f(r) r_ /r)rl = "Lt .ls rbF /"\2-1.rrrro. : T zalo lr-(i) Jl. Ít@l = 4r?. Íis.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 63 Verificación: fo' . Puesto que se supone que intenalc igualec tienen probabüdadee iguales. la función de densidad estd dada por . Suponer que siempre se hace impacto en el objetivo. que se supone üene radio b.A\ = 8rA. Y son independientes. Determinar la probabilidad Denótense por X Y la¡ va¡iables a¡ociadas con lo¡ puntos dados.)']0" Aquí. R es la dista¡rcia del impacto desde el centro del objetivo. Portanto f(r.29 son independientes.G't = lI 0<¡<1 | 0 de oEa forma f zfu) : tf f 1 ofY=1 o de otra forma Entonces ya que X. EnlaregiónsombreadadelaFig. fot rrror¿a = fo 4A$-u2lda = | 7 f"'r. fz(A) : AaQ-A2'). y a¡í { Y son dependientes.2-21 Puesto que siempre se hace impacto en el objetivo. f(t.30.

U = 0.:=. (h) si X. Y son independientes.t"É s "r* O"O" rI Se deduce que la probabilidad peüda *. 2-26).t tztut = {. ?f Fis. x >: O. Supóngase.Í""= _ .'=. a" au P(xz + Y2 = t er la región def¡nida gnt r2*y2 5 l. = o u2 a<o I l6v 105 6=y(b t"'=ozffauao I y26 .tsl duit't: Í. (4t) la función de dishibución conjunta.33. f.t La función de di¡tribución marginal para Y es .que las variables aleatorias X.'=-. Í'='Í"'=oLt!du¿.. r.2-25 PBOBLEMAS DÍVERSOS 2.f. o sea un cuadrante de una circunferencia de radio 1 (Fig. (RP(X + Y > 4).Í"'=--odud'' = = Í"'=.l. = )) fr.(elP(X > 3).ud'o I"=" !'"=o\ffauao Í""=. (c) las tunciones de densidad marginal para XV f.'=--Í"": -ot.u do Fz@l = P(Y =.Y> Z). Entoncee puerto que (3) repreecnte el á¡e¡ de R observamos que b probabilidad pedida es n14.l(u. "(u. (d)P(3 < X< 4.64 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAI) [cAP. * +)ltro" Pare que e¡to ¡e¡ igual a 1.2 (2t (t) donde r(x. (o) t a probabilidad total está dada por f. *+)0.'y¡ = [.'=. debemor 0ener c Í. l. f"'= --rru."_r"(to.ü Hallar (o) la constante c" (b) las funciones de distribución marginal para X y Y.'= _.í. f"'=o o(2-r I sl itr dv = !.| 126 ts) d.. f tienen la función de densidad conjunta f(a.'=-. = 2l0c : Ll2lO.ffoua. (D) La función de di¡tribución marginal para X er fr(a) = P(x = al = Í.yt = tr".

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

8 elJacobiano eetáda- .Entonce. lo que er equivalente F(r.y) = I 2z2y*xy2-8!-ZV2 420 F(x. 2. B.84. !: u/u.r. V: X. Hallar la función de densidad de U : Método f Sea .2-28.a\ - o Fig. para 0 ( r. y).3') = g F(z.IBUCIONES DE PROBABILIDAD [cAP. do por U: XY. u: x 6r:u. Por tanto.Y es f(.yl = F(r. 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 |.Y=y:l¡(*)üienenuna correrpondencia uno a uno en una forma continu¡.vl -| F(r. ala¡cuales correcponde u:Í1. F(r.yeatarolucióntienelaepropiedadeodeseadas.al + Fr(r) F2fu). i) ¡e encuentra dentro del rectángulo.66 VARIABLES ALEATORIAS Y DISTB.36. r): P(ts< yI e¡ decir la¡ funcione¡ de Jo f " au$ - u) ttu = (u Prt(t Jo BAI t)2) d.¡) = I F(r'Y\ = I F(r. Xf si la función de densidad conjunta de X. obtenemos oha erpreción. 2.yt = d+# F(r. 2-2t (h) Las va¡iable¡ aleatorias aon dependientee ya que f(r.2 Cuando (¡. Br2 . Lor result¡dos completoe se muestran en la Frg.1) ó &: a2 6 PortntoY:*tE. o<Y<1 de otra forma Suponemoequelafunciónde¡conoeidahestalqueloeinüervalocXSr.ntonc€.y 1 l. etc.al + ft@lfzfu) o. P(X = di¡tribución deben ¡er igualee.2rs = - 2U8 a = h(r) = ¡fi e8 u¡¡a rolución. Por incpeccióa.

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

obtienen valores precisos de Í Esto indica que el modelo de probabilidad descrito es apropiado. Pue¡to que X y @ son independientes la función de dencidad conjunta ee l(r'c)=?'Z=! ltlt De la Fig.2 P(r<X<rIdr) =la.. con el conveniode que no se esperar¿ln más de 15 minutos.{})(}) = ¡!. la función de densidad conjunta es (r) f(r. ¿Cuál es la probabilidad de que se encuentren? Sean X.0<a<L de otra forma es Pueeto que 15 minutos de hora. fr(¡): 2ll. M. 2.ul = : 1/4 f t@) fzfu) = 1o (l 0S¡SL. las funciones de densidad de notamos que X y @ están ¿"¿r" po. M.R = lf a" au donde R es la región sombreada que se muesha en la Fig. Por tanüo la probabilidad pedida ee 7176. Y están dadas respectivamenüe por ft@l= lzful = (r 0:<¡=l de otra forma lo lo lr 0=a<L de otra forma Fig. y las 3:00 P. El lado derecho de (21 es el área de egta región. la probabiüdad pedida (e) e(rx - vr É 1) . P(c<c=c+dc) =?d. Dos personas acuerdan encontrarse entre las 2:00 P. medido en fracciones de hora después de las 2:00 P. Va que el cuadrado tiene área 1.37. 2-31. La probabilidad de 1 ¡r/2 f(a/2)se { | | li )s=¡ ). 2-30 ee obeerva que la aguja realmente toca la lfnea cuando este ¡uceso está dada por X = (ol2) s€n @. de las dos personas. Comoverificación 9 :de = | JoÍ Jo ¡rl2 I ia'=r L ?ll2 . M. 2-31 Entonces. Y son independientes. esdecir. puesto que X. Y las va¡iables aleatorias que representan el instante de llegada. fz|/) : 2ln.68 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILÍDAD lcAP. . Suponiendo que a intervalos de tiempo iguales corresponden probabilidades de llegada igrales las funciones de densidad de X.=¡ e drd o = 2A t" se Cuando la expresión anterior se iguala a la frecuencia de caídas observadas en experimentos reales. que es igual a t . en tanto que loe dos triánguloe de lar esquinas tienen áreas +(*X*) cada uno.

cAP. Sea X la yariable ale¿üoria que representa el número de ases extrafdos aleatoriamente en 4 ca¡tas de una baraja de 62 cart¡¡.1 y 2. Sea Z lz va¡iable aleatoria que repres€nta el númcro de ca¡a¡ menos el n(rmero de seüo6 en dos lanzamientos de una moneda honrada. Una moneda ¡e lanza tres vece& Si X es l¡ variable aleatoria que indica el número de caras que rerultan. 2.rlo s VARIABLES ALEATOBIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCBETAS 2. (a) Construir una üabla que muestre la distribución de probabilidad de X V (ü) FUNCIONES DE DISTBIBUCION DISCBETA 2. (b) Problema 2. = Determina¡ (o) la función de VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2.38.42. (r) P(.47.4O. Resolver el Problema 2.E¡ suplernenta.46. (ó) P(1 < X < 2). (dl P(X < 3). 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. 2.2. (c) P(X >21. Hallar la función 2. repreeenüar gráficamente la di¡tribución. 2. (D) Problema 2.46. Hallar la di¡hibución de probabilidad de Z. 2. 2. Una variable aleatoria X tiene función de deneidad f(n) = | "r' 1 "r L0 L< aé2 21r13 de otra forma . 2. La Tabla 2-8 muestra la función de distribución de la variable aleatoria X. Una urna tiene 5 bolas blancas y 3 neg¡a¡. describiendo la relación entre ella¡. 2.4L. (a) construi¡ una tabla que muestre la distribuci6n de probabilidad de X V (b) representar gráfrcamente la di¡tribución. (c) Problema 2.38.44. La función de probabilidad de una variable aleatoria X ee muestra en la Tabla 2-7. (o) Conetrui¡ una tabla que indique l¿ función de dietribución de X y (b) representar gr6ficarnente e¡ta función de distribución.39 si s€ extraen las bolas c.41.2l VARIABLES ALEATORTAS Y DTSTR. Obtener l¡ función de dishibución y su gráfica para el (o) Problema 2. Una variable aleatoria X tiene función de den¡idad l(x) Ilallar (o ) = 1o = (ce-g" c)0 rso (d) P(X < 1). probabilidad.89.on remplazamiento. Obtener la función de distribución y su gráfica para el (c) Problema 2. s).42.40. Si se extraen doe bolas aleatoriamente sin remplazamienüo y X denoüa el número de bola¡ blancas. Comparar los re¡ultados con los Ejemplos 2. (D) P(l < X g).IBUCIONES DE PROBABILIDAI) 69 Problenra. Rnpre*ntar gráfrcamenüe las funciones de densidad y digtribución.39. la con¡tante c. (¿) P(X > r.48. de digtribución para la variable aleatoria del Problema 2.19.47.18. (o) hallar la di¡tribución de probabilidad para X V (b) repreeentar gráficamente la distribución.41.

DISTR¡BUCIONES CONDTCIONALES Y FUNCIONES DE DENSIDAD 2.ñ. (cl P(llz < X < 3/2).52. Halla¡ la función de probabilidad condicional (o) de Problema 2.69. Y = 2). y su función de probabilidad conjunta puede expresarse por el producto de rfna función en ¡ y una función en v.70 VARTABLES ALEATORIAS Y DISTRIBUCIONES DE Hallar (a) la constante c.57.3. f(r) = 1o 0=rÉ2 deotraforma Hallar (a) el valor de la constante c. DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2. pendientes.63. ¿Puede ser la función (c(I-12) F(r\ = 1o una función de dishibución? Explicar. SiP(X:3):0hallar(o)laconstantec. marginal (a) de X. La función de distribución de una va¡iable aleatoria X está dada por 2.2.56 para el caso donde las variables son continuas. (b) de Y para la función de dencidad del Problema 2.64. (d) P(l<X<2). Y son independientes solo si poro todos los uolo¡es de x.Y>+). (b) P(X=2. 0< gr< 1 f(r'u) = 1o deotraforma Determina¡(o)laconstantec. (b)lafuncióndedensidad.(b)P(X<+.56.49. 2. 2. X. La función de probabiüdad conjunta de dos va¡iablee aleatorias discretae )d Y eet6 dada por f(x. 2.56. 2 2).(d)P(Y<{). (e\ P\Y < 2). (d\ P(X > 21.3.(c)P(|<X<*). cerode otra forma. (c) P(I<X< 2.2. Hallar las funcionee de probabiüdad marginal de (c) X V (b) (c ) y para las va¡iables aleatorias del Problema 2. 0= ¡=1 deotraforma 2. (c) P(X > 1). Sea X una variable aleatoria que tiene una función de densidad (r. Y variables aleatorias continuae que tienen función de densidad conjunta (c(r2*a2) 0Ér< 1.ót.Y = 3). (D) de Y dada X para la distribución del . (g) P(Y = 3). Halla¡ las funciones de distribución 2. Demostrar que las variablec aleatoúas di¡ctetas X. (e)siX Ysoninde 2. y): cxy parar: L. E)emo¡trar el resultado del Problema 2. Sean 2. (fl P(X = r). (b) P\X'> PROBABILIDAD [CAP. (d) la función de dietribución.ó8.54. (c) P(X>l). (b) P(1-12< X <312). 2.54.67. X dada Y. Halla¡ la función de distribución para la variable aleatoria X del Problema 2. De'rerminar ¡i X Y son independientes.60. Hallar (o)laconstante c.!: L.

< 5 < @. y>0 f@.página46.72.6t. 2. de otra forma [^ la función de ilen¡idad conjunüa de X.(¿) S 0. 2. 2. l.6!.2. Demo¡tra¡ el Teorema 2-2. (o ) Si la función de den¡idad de X es f(r ) hallar la función de densidad de X3 . 2. (ü) Y dada X. (ü) *.57 .69.7O. hal|arlafuncióndedén¡idad deY=*.66. u >0 n1O 2. -a <a < .p6gna 46. (c) r¿. -. 2. .2l VARIABLES ALEATORIAS Y DTSTRIBUCIONES DE PROBABTLIDAD 77 2. Hallar la función de densidad condicional de (c) Xdada Y. 2. Y. 2. Hall¡¡ la densidad condicional de (c) X dada Y.(ulZ 0. (D) Y CAITIBIO DE VARIABLES 2.66. Completar la labor necesa¡ia para hallar gt(u) en el método 2 del Problema2. Sea dada X.64. hall¡rladensidadde Y = tan-rX. Siladen¡idaddeXes f(r)=U"(r2 *1). n)0 = to r=o Y: X2.2I y verificar su reapuesta.cAP. (bl Xs + 1.71.*. (*e-2.rl:j"<s<L Hallar la funcióa de den¡id¡d ondicional de (a) X dada Y. (b ) Iluatrar el re¡ultado en la parte (a) erco$endo f(rl = i: l0 y verificar la solución.63.paraloscaso¡ (al g. Si X tiene función de densidad f(r) Hallar la función de den¡idad de l"-. DemostrarelTeorema 2-3.at = 1. (e-(r+u) x>0.ú = { 0 J^ ^¿_. Sea la den¡idad de X Í@l = Halla¡ l¡ densidad de (¿) 3X (l/2 to -l<r(l deotraforma .67. 2.62. si f(r.@) < 0. Veúfic¿r que la integral de gr(?r) en el método 1 del Problema 2.. SiXüienefuncióndedenaidad f(r):(2v)-r/2"-érz.. para la digtribución del Problema 2. (b) Y dada X.2L e¿ igual a 1. 2.

7t.8E. 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. f.76. osv51 to deotraform¡ la función de densidad conjunta de Y. 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. Emplear el Problema 2.R y @¡ott tt.22.t1.emosha¡que (a) lt*(fz*fs)=ft*fz*ft*fs' (b)/rt'(lz+fs) =(/rof)*fs' = Z y lttryo utiliz¿ndo convolucione¡ 2. Si X. V = X I Y.22 pare. Doc puntor ¡e seleccion¡n aleatoriamente ¡obre un segmento de lfnea cuya longitud a o ) 0. yz0 deotraforma {o = X/Y. 2. Sean X. < U < @. hallar la fi¡nción de den¡idad conjunta de U y V. Si. l¡ función de den¡idad conjunta h¡lloda en el hoblema 2.halla¡ la función de den¡id¡d de (a) U : XYz. ofrf 1. 2.79. CONVOLUCIONES 2.21 primero efectuando la Ea¡rdormacií¡ 2Y 2. y tienen función de den¡idad onjunta f(r'u) = y tJ (e-(t+vt r>0.r""""va¡iablesaleatoria¡taleequeX:R co¡O. .t2. Sean X.2 2. Sea l(n'u) = ){ (1. Re¡olver el Problema 2. Hallar la función de dengidad de Z = XY. y:8 ¡enO demoeEarqne la -@ I e¡ ob\=i ¡r"-tz/2 r=0 r'(0 l0 2.74. 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. APLICACIONES A LA PROBABILTDAD GEOMETRICA 2.76.a) = (2r\-rs-(r2+Yt). 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. Y variables aleatorias que tienen función de den¡idad conjunüa Í@. 2. -e 16 1o.75.8O.). (bl V = XzY. Sean función de densidad de X.77.72 VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD Verifica¡ por medio de integración directa [cAP. para hallar la función de den¡idad de U = X + Z.

Un¡ pcr-na decide 6 minuto¡. t)o es la (0 rS0 (b ) Determinar P(1 función de distribución para una variable aleatoria X. Dos variables aleatorias independientee. P(r=1).92. La función de probabilidad de una variable aleatoria X está dada por f(r) dondep es una constante.t7.0 {o deotraforma X. e¡ la función deprobabilidadparaunav¡¡iablcdeaüoriaX (o) Determinar c.¡¡ue. (d) Hallar P(2 = X ( 5). (e) H¡tlarP(X > 3). 2.GlP(x+r>1). ' PROBLEMAS DIVERSOS 2. M. (c) Representar gráficamente la función de den¡idad y la función dedistribución.DoopuntosPyQ se escogen aleatoriamente sobre AB y CD reepectivamente.Y=ll.E8.(d)HallarP(X> 1). (b) Hallar la función de distribución. 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. . 8i no lo toma. 2.86.t9.S Y DISTBIBUCIONES DE PROBABILIDAI) 73 2.9L ¿cuil ea la relación en'tre la¡ rcluciones (c).91. F(rl = 1"0_"_..ln 2)lZ. deotraforma Hallar la función de densidad de la va¡iable aleatoria Y: X2 y verificar ¡u ¡olución. 2. Supóngaee que 2. encontrar c. y la¡ 3:80 P. . Supóngase que f(r) : cl3t.. f(r) = ( cre-22 r >. AB yCD tienen longitude¡ de 8 y 6unidadesrelpect¡vamente. Una va¡iable aleatoria X tiene función de densidad l$tr-¡z) o<¡51 f(xl = t. (c) Repreeentar gráficamente la función de probabilidad y la función de distribución. M.t6. Halla¡ (o)P(0 < X< 3). tomará el metro. 2. Dos segmentoe de línea. 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 . (d) P(l <x<21. (d) y (e)? Jurtifrc¡¡ ..t¡. 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.9O. (a) Demostrar que para una constante c apropiada. es la función de densidad para una variable aleatoria 2. En el Problema 2. 2.E4.. (o) Deüerminar a (b) Hallar la función de di¡tribución. (b)P(X> 1). X. (e) HallarP(2 s X< 3).cAP. P(l<x<2. < X < 2). r :1.u r€.1.2l VARIABLES ALEATORIA. ¿Cuál es la probabiüdad de que tome el meüro? Se sabe 2.

(b) X Si -X.(c)lafuncióndedensidad 2.96. /(z) = 2.2.101.103. La función de probabiüdad conjunta para las va¡iable¡ X. -. 0 os¡=2'o<Y=' de otra forma 2 (o) Determinar ei X. 2. 2.. 2. Estudia¡ ¡i considerra que eltar oupoeiciones Bon realistas y cómo podrÍa mejorarlas si no lo son.. y < g) = p(X > p(y < +. Y está. u=0. Y variables aleatoria¡ independientes cada una con función de densidad .101. x.y> 1/B). (c) HallarP(Y = r). ¿por qué? +l En el Problema 2. En el Problema 2. ¿Cull er el análogo del teorema de la convolución para variables aleatorias di¡creta¡? Ilustrarlo usando el hoblema 2.93.99.0<U<t de otra forma P(X + (a) Determinar ai Y> rl2r.96.1ü1.L se rompe en dos parües. Y son independientes. Generalizar (o) et hoblemz 2.93 ee cumple que P(X > +. nal de X y f.y>1).X2 + Y2.1.91 halla¡ la funciónde den¡id¿d de (o) X2.98.s7.( tt ( -.. (d) Hallar 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.78 y (b) el Problema 2. Un¡ estaca de longitud . (c) Iüllar p(x<rlz..102. Sean X.ur = {"-'o |.(d)lafunción Hallar(o)laconstantec.94. Supóngase que la función de probabilidad conjunta de las va¡iables aleatoria¡ X.. (b) Hallar p(X>tlz). y > 1). Y está dada por I r/9 r/6 r(r.79 a tres o má¡ va¡iables. 2.a) = de deruidad (marginal) de Y. t2<X< l). (b) ttallarP(l S X< 3. (d) Harlar P(Ll2 2. X Y va¡iable¡ aleatoria¡ que tienen función de den¡idad conjunta f(r. + y.L. .2 2. Sean -(_ Y vari¡ble¡ aleatori¿¡ independiente¡ di¡tribuidae idénticamente y con función de densidad (2v)-r/2¿-úr2.2.(u) = ¡1e:r donde l. Y son independientes. 2. Demo¡trar que la función de den¡idad de X s(u) I @# u=0. f tienen función de den¡idad conjunta f (r' u) = t o llla 0(¡(U. * Y es ) 0.Y<312).74 VARIABLES ALEATORIA"S Y DISTRIBUCIONES DE PROBABILIDAD sean lcAP. Hall¡r ta función de densidad de Z .(b)P(X>Ll2.). o<Y <2 | c(2r+Y) o(¿(r' o de otra forma I (marginat)deX. (c) Dererminar si X y Yron independienter. dada en la Tabla 2-9. (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. (D) Hallarp(1 <x<1..

Supóngase que la¡ variable¡ aleatoria¡ X Y. Z> $). (¿) 2.. P(Z<X+Y).1O5. es decir ¡ur factores funci6n de densidad marginal.¿.2-32 2.1O4 para que la probabilidad de intersección ¡ea mádma? Erpücar ru rcluci6n. 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.cAP. 2-32. Z tienen función de den¡id¡d conjunüa r(r. Si es l¿ f (r'a' z) = ( 1 rv2zs 01r11.a. En el Problema 2. r *"loq. . Demorbar que la probabilidad de que l¡ atuja intersecte al meno¡ un liado.107 halla¡ la probabiüdad de gue una ¡rarüfcula pegue 8l objetivo entre A = O y0 : Í14. Pa¡a una aguja de longitud dada ¿cull debe ¡er el t¡do del cuadrado en el Problena 2.IBUCIONES DE PROBABILIDAI) 76 2.'"L'. Un piso ertá con¡huido de cuadrado¡ de l¡do L Una aguia de lon¡itud o1l a lanza al piro.ri"r" dos de esta¡ va¡iables aleatoria¡ eon independientee. - 2. 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. er igral a o(4t o\ltf .s de radio q e dirige haci¡ un obietivo hemi¡férico ABC co¡ centro en O como ¡e indica en la Fig. c Fis.z) Demo¡ka¡ que au¡que = ito-""trtcosracos¡rz :. función de den¡ided conjuata de tres variable¡ aleatoriea X. Un haz cilínüico de partícula.1O4.10t.106.2l VARIABLES ALEATORIAS Y DIÉ¡IT.1O7.J'v 1r' o1z. 0< y1l. Z. Y. 2. 2.ede O a cualquier punto P del objetivo) forma con el eje.109. Ilallar (o) P(X > Y< +r. la! b€s no son independientes. 0121L o de oha form¡ 1.

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

cAP.'..con función de densidad f(r). Y) se obtiene por aleatorias se hacen fácilmente. 0<r12 de otra forma E(xt = Í:_. Els(X.y \7) 3.3. Así por " -Ur. Se deduce que el jugador puede esperar una ganancia de $5.¡0.Entonces Y FTJNCIONES DE VARIABLES ALEATORIAS Sea X una variable : g(X\ también (¡ | s(¡)==y) es una variable aleatoria y se deduce :* 1. . 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. + g(x")f(n"\ (5) = É' s(r.f"_rt" -2x'¡f@)dx . Si P(Y=v¡: X es una variable aleatoria discreta con función de probabilidad /(¡). La función de densidad de una variable aleatoria X está dada por f@l = El varor esperado de X es f*u 1.. E6n : E(X) E(Y) (10) Generalizaciones de estos teoremas se hacen fácilmente.=+ aleatoria.(i.rrr-z.a) f(r. entonces E[s(x)] : g(n)f(r) + s(rz)Í(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.Y)l EJEMPLO " = ¿-.2.Jf*f g@. Si X es la va¡iable aleatoria del Ejemplo 3.r(r)dr = Í. Si s(r) /(¡) X es una variable aleatoria. .= *|..2.3l 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. Y son variables aleatorias independientes.ables X. Y son dos variables aleatorias continuas con función de densidad conjunta f(r. E'ex2_ zx) . entonces (6) Elsul = f.fo" .) /("..) = ) i 2.oO¡f@)dr Generalizaciones a funciones de dos ejemplo si entonces la esperanza de g(X. = Ío'tro.y) r)r d. y\. Y son variables aleatorias.

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

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

Donde no exista lugar a confusión escribimos M(ü) por M"(tl.#l+ "' * r:#+''' ¡"i (r 1) Puesto que los coeficientes en esta expansión nos permiten hallar los momentos. De la expansión podemos demostrar que [Problema 3.'NCION GENERATRIZ DE MOMENTOS (27) - 'i|¡'a I-a. utilizando pl = p ygb:1. En palabras.4pip I FI.. La denotamos por .80 ESPERANZA MATEMATICA lcAP.-" (32) es decir.. Y tienen la misma distribución de probabilidad solo si M. donde i es la unidad imaginaria en la función generatriz de momentos obtenemos una función importante llamada lafunción característíca.t"2 lrt = t"L-Bp'rtr * l"t : t't.=t eo'f(r¡) = 2 ) _.15 (c)] M*(t') : I + tLt * r. Entonces X.IZ DE MOMENTOS 3'8: Si Mx (ú) es la función generahiz de momentos de la variable aleatoria X y a y b (b 0) son constantes. la función generatnz de la suma de va¡iables aleatorias independientes es igual al producto de sus funciones generatrices de momentos.función generatríz de momentos se define como Mx$) ee decir = E(e'*) er"f (28) (variables discretas) (2el (30) M*(t) = M"(t) ¡ . FUNCIONES CARACTERISTICAS Si remplazamos ú : i<.r.16(D)l = fi*"Oll. (t) respectivamente. la justificación del nombre función generatriz de momentos es lógica. entonces M**"(t) = Mx(t)MtQ) (3 /r) Generalizaciones del Teorema 3-9 a más de dos variables aleatorias independientes se hacen fácilmente. 2p" 6¡Ir¡12 tt. (r) . = l"L. ¡ri es la r-ésima derivada de M * (ú) evaluada en ü : 0. AIfUNOS TEOREMAS Teorema SOBRE LA FUNCION GENER ATR. f M " son variables aleatorias con funciones generahices de rnomentos M y "(t) (t) respectivamente. Yson variables aleatorias con funciones generatrices de momentos M * (t) y M .r(t\ Teorema = """'**(l) (33\ 3-9: Si X. erf(r\ dr (r) (variables continuas) Podemos demogtra¡ que la expansión en serie de Taylor es [Problema 3.3 Como casos especiales tenemos. IUI y (t\ idénticamente. entonces la función generatriz de momentos de (X + a)/b es + Mr*ro. Teorcma 3-I0 (Teorerna de la unicidad): Supóngase queX.

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

Y) = 0 (50) 2 Cov (X. entonces Cov(X. Var (X * Y) Var (X) * S Var (Y) * o'**v: "2*+"'l!2o*.1 = El(Y Í:. Estudio posterior de la correlación se amplía en el Capítulo 8.rds. Teorema Teorema 3-14: 3-I5: Si oxy = E(XY) . el Teorema 3-16 sd reduce al Teorema 3-7.82 ESPERANZA MATEMATICA [cAP.")ul = l:- !_'. lo*"1 es Teorema 3-17: oro" El inverso del Teorema 3-15 no necesariamente cierto.p")f(r.t")@ . De esto llegamos auna medida de la dependencia de las variables X. E(Xy) - pxtry (+s¡ X. Y) (51) (52) (5s) Teorema 3-16: (.rits (48) y las varianzas son .L= p < 1.y)d. En G3) V (46) se remplazan por /.ylitxd. discretos de Los siguientes son algunos teoremas importantes sobre covarianza.t r).a) donde las sumas se toman sobre todos ro. f dada por oxY P- (5tt\ "*"" que es una cantidad adimensional.p*)@ . Y) = EUX .*). ty = E(y) : Í:- f_'- uf@. Y) : oxv : 0.p*XY - (45) En t{rminos de la función de densidad conjunta f(x.f"_. Si X.s)(tnity . Y son dependientes completamente.í = "? EÍr--¡.(.a)d.> > (r . Y son independientes. Y es la covarianza definida por ¡r")] Otra cantidad que aparece en el caso de dos va¡iables úxy = Cov (X. y son independientes. 1"" @ . COEFICIENTE DE CORRELACION Si X. por ejemplo X : Y.f"_ rf(r. lacova¡ianzaescero) decimosquelas variables X.3 t"x = E(X) : .to. Y. Llamamos a p el coeficiente de correhción. y) tenemos oxy = Í:.u) tll ¡.t") f (r." = X2uf@.y (t = l) -¡.E(X)E(Y) = o*". Y) : oxv = oxoy. u"ror".ul x9 X. en este caso las variables pueden ser independientes o no. = Cov (X. De otra parte si X. Del Teorema 3-L7 obsen¡amosque.y'¡ itr (ry tal (t 6) caso Consideraciones semejantes pueden hacerse para dos variables aleatorias discretas. Sin embargo.O. entonces Cov(X. Y son va¡iables aleatorias independientes.t )2f(r. En el casodonde p: O (esdecir.f(r. Y no estón relacionadas.* = 22rf(a.f _. (+r¡ Ura¡ oxy . .

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

Si h : 2 en la desigualdad de Chebyshev (59 ) vemoo que P(X-pl>2s) í= 0.3 3./n difiera de su valor esperado ¡¡ por más de e. r): 1l2. Un resultado más fuerte. o en otras palabras.pero cuando n '+ @. Los valores que corresponden a tales áreas se llaman uolorcs percentila o simplemente percentíhs. Sean X.84 EJEMPLO ESPERANZA MATEMATICA lcAP. equivalente. . y. la desigualdad de Chebyshev.10 6lO% y se Fig.19 (LeV de los gnndes números): Entoncessi S.. llamado la ley de los grandes números.) Sn/n (60') Puesto que Sn/n es la media a¡itmética de X1 . la probabilidad de que X diflera de su media en más de 2 desüaciones típica8 €8 menor que o iEral a 0.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. La moda es el valor que con mayor frecuencia ocurtre. Xn. =o "( *-" =. Moda.25. también se emplean otras dos medidas de centralizaciiln. f(r) es máúma. . . Por ejemplo.. Teorema es una consecuencia interesante de 3. tiende a cero : g. . este teorema establece que la probabilidad de que la media aritmética S. 2.. en contraste.75 Literalmente. Estas son lamoda y lamediana.. PERCENTILAS Con frecuencia es conveniente subdividi¡ el área bajo una curva de densidad empleando ordenadas de manera que el átea a la izquierda de la ordenada sea algún porcentaje del área unidad to tal. En el caso de una üstribución discreta puede no existir una mediana única (véase Problema 3. Aunque la ntedia es la más empleada. En tal valor r.ro sería 0. realmente es falso.34). lim + X" (n=L. . 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. 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. Algunas veces tenemos dos.. 1.3-2 .75. Cuando se hace referencia a la "ley de los grandes números" sin ninguna especifrcación. la probabilidad de que X se encuentre dentro de 2 dewiaciones típicas de su media es rnayor que o igual a 0.. Así por ejemplo el área a la izquierda de la ordenada eD f. que esperamos sea verdadero. se implica la ley débil.25 6 P(lx-pl<2"\ > 0. 3-2 es c. el ánea a la izquierda de r. variables aleatorias mutuamente independientes (discretas o continuas). . : Xt* Xz+ . Xz. Mediana La mediana es el valor de r para el cual P(X = x): P(X. .\.. el resultado del Teorema 3-19 se llama ley de los gundes números en forma débil. cada una con media g y varianza o2 finitas. es que p con probabilidad uno. tres o más valores que tienen relativamente grandes probabilidades de octrrrencia. trimodal o multimodcl respectivamente. En tales casos decimos que la distribución es bímodal.q en la Fig.2. tiene la mayor probabilidad de ocurrir. Con li31 frecuencia este resultado se denomtna ley de los grandes números en forma fuerte.6.

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

Hallar la esperanza de la suma de puntos al lanza¡ un par de dados honrados. Entoncee Restando. 3..002 3000 0.977t D(x): (150) (0. La esperanz¿ de X en pesos es r (pesos) 150 0....'(*) .9?75) : 6. Comúnmente se compara con la curya nonnal (véase Capítulo 4). |s = i . js = !+ | + á + # +. 20 premios de $750 y 5 premios de $3000 Suponer que se colocan a la venta 10 000 boletos.0005) + (0) (0. - E(Y) ^/t\ = tll) * \o/ "' . Véase también Problema 3.o\El = t7 \o.02) + 750 (0.(i). que tiene un coeficiente de curtosis igual a 3. el precio del boleto sería más alto.) E(xt = Para halla¡ esta suma. ./ 'l*)* 7 E(X+Y) = E(X\*E(Y) = 3..(i)" = +..(*) . = 1 PorüantoS:2. Por ejemplo la probabilidad de obtener uno de los 20 boletos que dan un premio de $ 750 es 20/10 000:0..s resueltos ESPERANZA DE VARIABLES ALEATORIAS 3.'(+).(+).os diferentes valores de X conjuntamente con sue probabilidades se muestran en la Tabla 3-2.0005 0 P(X : r\ 0. hágase á. Sin embargo una lotería gana dinero.s.. Problerna.2.00 ó 6 pesos. pero los definidos anteriormente se emplean con mucha frecuencia.z. [. s = .'(*). Sean X.ero que se ganará un boleto.. Tenemog E(x) Entonces. Y los puntos que aparecen sobre los dos dados.002) + 3000 (0.02 750 0.41. Hallar la esperanza de una variable dada por aleatoria discreta X cuya función de probabilidad está Itrl Tenemos : (i)' (t=r.002. por el Teorema 3-2. En una lotería hay 200 premios de $150..3.1.3 que es una cantidad adimensional. El precio justo a pagar por un boleto es 6 peeoo.86 ESPERANZA MATEMATICA lcAP. ¿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:.'(#). Es posible definir coeficientes de sesgo y curtosis utilizando otras medidas de centralización y dispersión.

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

Si la¡ va¡iablec X. por el Teorema 3. (o) Del Problema 3.2. Además.p\zt = '[(* -])'] = l:_ (" _'L)' t*." (')no(')l E(X) E(Y) Si cualquier va¡iable e¡ continua la demoetración ee desarrolla de igual manera. / . y) la función de probabilidad coniunta de X.r.)'= i o = tFf-var(x) = \E = t r" : Ot¡o ¡nétodo. Tenerno¡ E'(x ^"' * u' -'u.u) = ) ) . var(X) (D) 3.7 Y) = Var (X) (Y) = F (b) ox+). Sea ¡t(¡. Y ron independientee.(.8.)'= * Var y. (o) Como en el Problema 3.1/2. VARIAT'IZA Y DESVIACION TIPICA 3. de ¡i X. Pa¡a va¡i¡blee dependientec generalmente no ee cumple. y) puede expresarae como una función de r multiplicada por una función I.4 l¿ media de X ee ¡t= E(Xl -.y f t@) fz(a) )1. Demostra¡ el Teorema L4. Halla¡ (a) la varianza y (b) la desviación típica de la suma obtenida al lanzar un par de dados honrados. Hallar (¿) la varianz y (b\ la desviación típica para la variable aleatoria del Problema 3. y): f tG) /2 (y).4. Entonce¡ l¡ varianza e¡ Var (X) = Etá .:r:¡:* ."*' ""'*"' =i'|í'. o. E(x2) = E(vz¡ ='. ea decir.*(á) # :%1 Entonces. Por tanto Y.9. con¡iderada di¡creta.3 3. por el Teorema 3-4. Y rcn E(XY) = 22 Í!J! --t ra f@. p6g¡na 78. tenemos E(X): E(Y)= 7 12. püa todo ¡. con las eumas apropiadae remplazadas por integracioneg..10.\2 ^a = f-('-L)''"-"0' = i = El(x-r)21 E(xz¡-ll(x))2 = t. y. página 77. tenemoe f(x. Por el Teorema 3-4. independienteo. Demoshar el Teorema 3-3. = Wa"(X+Y) = 1/g v6 3. puetüo que X.'/'Q)2afztu) .88 ESPERANZA MATEMATICA [cA". = Var(Y) = +-(.(+)-Fr. Obsérvese que la validez de eate teorema gira alrededor de si f(.(l) var(X) Var (X * ' . Y ¡on independientes.7.

13.pv)}21 EllX .u\(Y . e¡ decir cuando a : ll.pv)l * El(Y EI{(X Var (X) + Var (Y) px)(Y pvl2) El(X - - pv)l = E(X ..tt)lo es una variable aleatoria normalizadq demostrar que (u) E(X*¡ = 0' (b) Var (X*¡: 1.... y el hecho de que E[(X tt)z1= 3.-'u \I/ + . . Pr = El(x-pl'l = nfL x.. Er(x-'''. MOMENTOS Y FI. (a) puesüo que E(X) = E(x*t ¡r.(i\*.o)n = O. . * t-t'(T)t1"'-.í':.!^r_':i." -. = t(4=\ / =.-iut + "' + (-l)'-t¡ur * (-l)-rnt donde al combin¡r loe do¡ úlüimo¡ término¡ re¡ulta (-l)r-1(?'- 1)p'. se ri' y emplear cl Teorema 3-6.14. mínimo de El(X-o)'l ocutre cuan- 3. Demostrar el Teorema 3-6.t:. f)e esto vemos que el valor do (t¡ .a)2 pueeüo que E(X .r. página ?9.)"n'-' + (-t)'p'l J \r-r/.n)21 E[(X .pl|.P)21 + (P .. \t / \r/ + . + (-r\'-'( n .. Y .EÍ6 . pág¡na 79.px) + (Y ... Y y por tanto X gue al remplaz.págna79. * . = .)¡._i.3] ESPERANZAMATEMAIICA 89 3./ /\ /"\ = .(i )/.py) + (Y .' . .'tut '\'/ + "' + (-L)'-'( t .\x.i. .TNCIONES GENERATRICES DE MOMENTOS 3.px)(Y .11.t'+ "' + {-r\r\l)r. Var (X + Y) = E[{(X + Y) - (px + pv))2] = = = = utilizando el hecho de que . La demo¡tración de (I9).E(x.2] + zEl(X .ttv eon independiente¡.r?2.pi E(Y - py) - o ya que X.:.-. Demostrar el Teorema 3-7.lt:0.ltx.tt): E(X).ft\tr*"-.)t(")u'-l + (-t)rpr \.u. !¡rw-u¡ = L¡nwl-r) = a' o \ (x*) 0 (b) var = u" (?) = \o¡1x - u¡"1 oz =I utilizando el Teorema 3-5..12.r. Demeshar el resultado (26). Si X* : (X . p{ina 79.cAP..ar Y gnr -Y . página 79.. + r-r¡t('.px)2 * 2(X .t .

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

.i¡en. : c¿.21..\51 .*L*!-L*!*. tenemos ttl t2 = r-(*)'= # = 02 Fr .) = \ -. = E(X) =#Í""*z¡s-¡z)itr =f pL tt = Elxz¡ = # 1"" *rn - s2) d.*. /t = \.'NCIONES CARACTERISTICAS 3.. 3. Por tanto. = 2 ^f FI./+b(.'''-r2)/8r :"=i. tti = *. '. El resultado también puede obtenerse del Problema 3.r.20. = 27-s\s5. p6gin 80. para unava¡iable aleatoriaX con función de densidad r(r) (c) = i.. Jo "ot.r)\B/ -t\Ei _ ^.". al comparar términos. Halla¡ la función característica de la variable aleatoria X del Problema 3.216 pi = E(Xr) = .17.cAP. = l(3.Lp. 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 . t = )2. = .".1!) * r/9)' 85 ". = ./ \ -/ = cosa coso empleando las fórmulas de Euler ¿io con 0 * isena s-io = cos..".(+) * ./!\'_ .. pi (b 12) dr = -51 ) Utiüzando el resultado (27\.r..17(o) al remplazar t : i<¿ 3.\. 3] (b) S¡ lúl ESPERANZA MATEMATICA 91 ( 2 üenemo¡ z_t z L_tlZ 1 I = '. "\5/ tt4 y.'. (b) alrededor dc la media. 2 4 8 p'n 16 Pero M(t) = * tt + uí#* rtfr+ tt^fi+ "' = P¡.'./!\." = B t.(l) -.8?b B6eg 8?50 ztcy q\.-+e i. Hallar los primeros cuaho'momentos (c) alrededor del origen.19.216 -r. La función característica está dada por Eteiux.

y eon independientes entonces E(Xy) : E(Xl E( y) . l:._(a_io) ü a L 2(o* io) 2(a.io') = _a2 a2 * o2 COVARIANZA Y COEFICIENIE DE CORREIACION 3.o<t> ¿sf . Demostra¡ el Teorema B-15..20) ceñ d = ao.3 D(etx¡ = f-.LJ_-e(a+t@)ro" q. 3. Por tanto.¡xXY . Yl = E(XYI -."-*l* = -Alo = I - Entonces c: ol2. arf 2c O + .f?o/.c-atxt d.lxtty = E(XY) _ E(X) E(Y) Cov (X. + fo* n.útit¡) l€ lo lo . úu empleando las fórmulas de Euler (véase problema 3. la función ca¡acterística está dada por E(eiax¡ = . Y es oxy = Y) = El(X . Si X. página 82..r'.donde c ) 0 y c es una constante apropiada.pvX.22."r.92 ESPERANZA MATEMATICA La función ca¡acterfstica está dada por lcAP.pv)] = E[Xy . Puesto que f(r) es una función de densidad tenemog Í). Hallar la función característica de la variable aleatoria X con función de densidaa f@) = ee-atEt. Demostüar el Teorema B-14.pyE(X) * E(pxpvl = E(XYI .Fxpy .o = 8en Cú.ryttx * pxpv = ElXy).t an + !o' "-"r.* npv] = E(XY) .r = "lÍ:.f(r)dr tlÍ-"eíore-o<-x. a.6-'l "iar¿-.. . 3.rrrrru.l*-ei. o" = asf que I . e<o+iarz * Jo ¿-<a-. e-(a-i@)¡ 2 a*io l-" ' .p*y . Por definición la covarianza de X. = "{lo 4f-o u-n<-. -oo < Í 1 @. = 2a io l-o = | al@t la ela@ . por tanto por oxy el problema 8..E(X)E(ts) = 0 . página 82.23.23 = Cov(X.e-ho 2ia. = *t_""^"0.pxE(Y) .24.

J"-o{o)1"Iuld'rita = I70 6s = tf67580 . Ju=o {rú{rr r sl dr dv = .'. (0 p.2103 apror.(1)(9¿)+ (2)(L2cl+(3X15c) = = = 22nufia. txv o = oxnv -.ol.o. . lr.3. sl Hdla¡ Cov (X.n".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.r. página 52. (¿) (b) = ))o/(". Utilizando c : LI 2LO tenemo¡: (¿) (c) E(xt = E(Y\ E(xY) h + s) dr t.O.. Y se definen como en el Problema 2.25 si las va¡iables aleatorias X.26. (c) E(XY).o... (e\ E(Y'). E(Y). (s) Var(Y).-...ur". Y se definen como en el Problema E(x) (a) E(X'¡.(1)(1ac) +(2)(22c\ = 58o = E = n 78c E(Yt = 22af.r". =# =+ = 22u2f(u.26.cAP.= = t/zwan ' 15514.8...o1.y) = E(xy)-E(x\E(yt ?-(it)'=:* = +-/+)l+) = --+ r47 7 \21l\7/ -0.ú = ./zso r/55 -20: = 3. dy = %T t 16 ri = ñ)"=.. (b) t 93 (¿) 3. Resolver el Problema 3. [] tA. 2. f"t=u our.y) = ?rh f(.lrrr"o*.al = )"rl-)ftr.lyL47.at) = 4.. + (0)(1Xc) + (0X2X2c) + (0)(3)(3c) + (1X0)(2c) + (1X1)(3c) + (1)(2Xac) + (1XBX6c) + (2)(0)(ac) + (2X1)(6c) + (2X2X6c) + (2XB)(?c) 427 ld.alf '* = *. (d) E(X').) (e) E(xz¡:22r2f(r.[) ¡@.ul = )y. si las va¡iables X. .=... EsPERANZAMATEMATIcA y).:-* J.at) = rr.or.a\ ..*."=.. = E= + (c) D(xY. (/) Var(x). página 50.a\l = .. * (1)z(1ac) E(Y2') lllr"t *l =t .

zlB del Problema 8. f u'. = var (y) = E(vz¡ _ l'(y))2 = t# _ (#)' = t. p= oxoy -200l3969 /50s615e6-0 {r6únsn -200 t/zsnr/te zzs = ESPERA}IZA.28. .(#). VARIANZA Y MOMENTOS CONDICIONALES 3.x=2) = -."=. Hallar la esperanza condicional de Y dada X : 2 en el problema 2..03129 aprox. . pág¡na 62.27.y) = E(xy)-E(x\E(y) = ?-(?f)(*t) oxy = -# -0. la función de probabilidad eondicional de Y dada X : 2 es ftutz) = Entonces la esperanza condicional de Y dada + 2. Presentaremoe la demostración para variables aleatorias ecntirruas. DESIGUALDAD DE CHEBYSHEV 3. 3 (d) (el u') b) (h') (t oxy =# E(Yz¡ = h f. pág¡na62. .=o.. Hallarlaesperanzacondicionalde(c)YdadaXv(b)XdadaYenelProblema2. Demostrar la desigualdad de Chebyshev.rrr. Como en el hoblema 2. * v) dx da = cov(x.za condicional de Y dada 2(L-ys¡ 2(l+y*y2) --¡O+7I- x para eI problema 2.\r-.(rlytdr = í"'"(#*S* El=a\ 3.2g.a varianza pedida (segundo momento alrededor de la media) es 12 z"\'/zu\' =18 E[(v-pr)zlX=r] = f'w-td2fz@lr)da = ('/ Pz"'=J. X: 2 es E(Y =2) "x = ? r(+) X: donde la suma se toma sobre todo y que corresponde a E(y.pág1na62. Hallar lavariar¡.# E(xz¡ =h Í.(#).var(X) = E(xz¡-ll(xtl2 = #.g. [.94 ESPERANZA MATEMATICA fu'=o [cAP.rrrr. página 61. . Esto oru o"oo oo.(ui) . Si f(r) es la función de densidad de X entonces .2g. * a) dr tru = # otr .27.^:.)\t)* J_- donde hemos utilizado el hecho de que ltz: E(Y lX: r) :2.28(o).29. (o) (ó) E(ylX=r) = Í-_afrtuldau = ír'r(rr")* = + E(xly=y¡ = f_-".(#)' = *tq*$ o2. La demosbación para variables discretas es semejante si ee remplazan las integralee por sumas.(iu) = ii 3.30.

(l*-*l \t o2 =t)/ = 1-(1-e'r) = p2 e-s = 0.'*"') .'. '|. Tenemos E(Xrl = E(X2l = .|) ol ¿l \l \ o = J¡ | f :l/2 Ze-udr = 1 - e-3 Portanto (b) Del Problema 3.t+.) = ¡toz tt Var(S") = Var(Xr*'. La desigualdad de Chebyshev P|X-pl > f) resulta P(lX¡r] = 1) < oz = 0.¡.18.ul=') 02 esto se conviertq. | \ _ ul=_ . Entónce¡ P1x ¡. (c) hallar P(lX . como se pide. LEY DE LOS GRANDES NUMEROS 3.04e?e = plr- = 7/4..31.cAP.¡rl > 1).) = o .t)/ = . /ts r|.t <1) = "(l*-*l .. DeI Problema 3. ¿lr-al=e Pero Ia frltima integral es igual a P(lX - pl ? .+E(x")l = L(nt) = = Var(Xr)*. ". En la práctica la desigualdad de Chebyshev se emplea para dar estimativos cuando es inconvenientc o imposible obtener valores exactos.*X..*Var(X. Demostrar la ley de los grandes números establecida en el Teorema 3-19.|ww.25 Comparando con (o) observamos que el límite dado por la desigualdad de Chebyshev e¡ ba¡ta¡te crudo.rl > 1) y compararlo con el resultado en (a).18.).32.3l ESPERANZA MATEMATICA 95 02 = EI(x - p)21 (' = J-* @ - p)2 l(r) dr Puesto que el integrando es no negativo. . Para la variable aleatoria del Problema 3. (b) Utilizar la desigualdad de Chebyshev para obtener un límite superior de P(lX .x.(-:. = E(X) = p Var(Xr) = Var(X2\ = "' = Var(Xn\ = o2 Entonces t(*) = "(*'*'.18. el valor de la integral solamente puede disminuir cuando el int¿rvalo de integración se reduce.. Por tanto P(lX-rl > 6) 3. Por tanto 02 t¡z-ttlZe rlr-yl=. página 84.) así que t'" (+) = 4 var (s") = * X: Sr/n üenemos _/ls" | \ donde hemos empleado el Teorema 3-5 y una extensión del Teorema 3-?.* . ¡¡ (o) = 1/2.. Así por la desigualdad de Chebyshev con Tomando el límite cuando n ) -.

una va¡iable aleatoria discreta tiene una función de probabilidad f(r) : !12' donde 2.9 - -'l 86 - 8l l2r2 = u Entonces . (b) La medianaee 1.84. (b) Hatlar la mediana.33. la mediana y la media se muestran en la Fig. aquel valor deo parael cudlp(X é a): ll2. En este caso probabilidad esLl2. e8to e3 f(r ) ocurre dondc . que ea La moda pedida."on-r2tdr = #(Y-t) 2aa_36a2 all2 hallamoe que *91 = 0 de donde _ia2 = 36a\436P-4(2X81-) . (c) Comparar la moda" la mediana y la media. P(x<a) Igualando eeta = *. Ahorapara0(a ( 3. (o ) La moda se obtiene hallando donde la densidad f (x) ea máima. ea negativa para x = 1fá. para el cual la .[.3 OTRAS MEDIDAS DE CENTRALIZACION 3.60 = 1. 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. . es Í: L. .96 ESPERANZA MATEMATICA lcAP. . (a)/ La moda es el valor de 4 asociado con la probabilidad más grande.¿rL 81 -_l = 'r2) df ar. Halla¡ (a) la moda y (b) la mediana.62 apror. que debe enconharse entre 0 y B. (c) ' E(x) = + ('¡z(g-xz\da = !(t*-+)l'= 8l\ 5/lo 8lJo que prácticamente ee igual a la mediana.. . El máximo relativo de la derivada es cero. Ob¡érvese que este valor da el máximo ya que la -24x 187 . eetá dada por = n-Zr/.?3 aprox. 3-6. l(r't 3. y (c) compararlas con la media. = fr: aegunda derivada. r: 1. r. La moda.36='ñ¿r ze) az de donde o = sli{z- q Por tanto la mediana pedida.

I. PERCENTILAS 3. (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..")[#.25.esdecirlasoluciónde(18a2 : 0. (c) Como se encontró en el Problema 3.60 : 8/ó.a septuagésima quinta percentila es el valor de ¿ tal que (18o2 - a4 ¡¡8t: o @a.3.10.t):ll2. Determina¡ (a) el recorrido.b1 aprox.". tomamos el uolor mínimo de ¡ : 0. : 2.n "¡fa' = Í^" (.*l[#. (b) vigésima quint4 (c) septuagésima quinta percentilas para la distribución del Problema 3.? 5.33. Y CURTOSIS de (a) sesgo 3. Del hoblema 3.36.33 la media Desviación media ee lt : 1.19 tenemos 02 ll 25 It3 oo - 32 8?5 -0.cAP. (b) Por el Problema 3. Empleando el método del Problema 3.l0. Entonces E(lX = D. Entonces el recorrido es 3 . = - p|) = l_".35 los valores de la vigésima quinta y septuagésima quinta percentilae son 1. es decü 312. M. tomamoseluolor móximo de ¡: 3. : 1.33.r - pl f (n) dr = l"' l' . (o) Puesto que todos lós valores ¡ ) 3 tienen probabilidad cero. Por tanto Recorrido semi-intercuartflico = ?121 .o .-1998 0. En forma análoga puesto que todos los valores ¡ ( 0 tienen probabilidad cero..r :: . Por coneecuencia escogemos el punto medio del intervalo.33(b) tenemos (o) LadécimapercentilaeselvalordeoparaelcualP(X5o):0.37. Del Problema 3. OTRAS MEDIDAS DE DISPERSION 3.19.P(X=r):l12yP(X.68 aprox. Hallar el coeficiente y (b) curtosis para la distribución del Problema 3. :. (b) el recorrido semi-intercuartílico y (c) la desviación media para la distribución del Problema 3..35. .'"¡)a' = SESGO 0.33 hallamos que s : 0.3l ESPERANZA MATEMATICA 97 (b) Si¡escualquiervalorentrely2.Portantacualquie¡númeroentrel y 2 podrfa representar la mediana.l : 2.121 reepectivamente. (" . a (c) f.33.098 aprox.655 apror.L21 aprox.)[#'n . o sea ¿ 0. Por tanto el orden de las tres medidac es contrario al del hoblema 3.1253 3693 8750 (a) Coeficiente de sego -: o.")] d' + Í. (c) Del hoblema 3.0 : 3. Determinar los valores de la (c) décima.

{o) r/o Con frecuencia llamamos Q$..i)o ¡f. y la varianzaes 02 : M"(O)-ÍM'1O¡12.Iu-| é(o) E1er. la serie de Fourier se rernplaza por la integral de Fourier (véase página 81). .r i r)d (¿@ I ¿ir r 1.. .. es algo menos apunüeada que la 3€.. "" Entonces j f'= " -iia 4. tenemos remplazando r : L y r : 2. ú"r**:r. También la distribución distribución normal. yp¡ los coe¡icietttes tte iour¡"r. coS c do -e ':. pk 1 12= T.tlZ Se deduce que hay un sesgo moderado a la izquierda. (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 -.. .¿. como se indica en la Fig.1.. f tl' .Para una variable ¿leatoria continua.l l''. De (32).t_ | eú ..39 para obt€ner 14 distribución de probabilidad de una variable aleatoria X cuya función característica es O(<¿ ) : cos .. . = .(".página 80. X una variable aleatoria que toma los valores t n.. Del Problema 3. Sea p..l ¡rt" .40. remplazaudo j por h..n. 4¡ J../" .. ..39.98 ESPERANZA MATEMATICA lcAP. = I#+i:"-o 2¡ tt'' sr(....' '^'y'. .x¡ ¿ior¡ = - i -) r^." .38.. Qk¡).. - I zt._ . n2.u-¡ .> ]¡xeik.r-... o1_o o. PROBLEMAS DIVERSOS 3.¡ rru.rf t1o k+j k---j Por tanto rt ¡ P¡ ..j . . ti = M'(ol Entonces de (27) tL = M"(o) p = Iú'(0) 3.Z. = o" = M"(0) - lM'10¡12 1. ¿ k icr_. " t*''L i:. = 2¡p f -o --n . . respecto I @ desde 0 hasta 22.(ar tra -= k =S o*Ja " ¿i{r'. Utilizar el Problema 3.. J.3 (b) Coeficientedecurtosis = et :. .39 I pt. puesto que f_"n..1.1. f-ri". 3... .. Si M(tl es la función generatriz de momentos para una variable aleatoria X demostra¡ que la media €S g : M'(O. (b) Mulüiplicar ambos lados de la expresión (r) . que tiene una curtosis de 3.

= h Í. 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.\2/ {..8. Por ta¡¡to la va¡iable aleatoria ectá dada por X=) Comó una verificación vúas€ hoblema 3.2. Análogamente obtenemos ti = E(xr¡ = h fl= o.)21 = E(X2) = pí = ps = qllX -p){] = E(X4) = p'n -o2 'lt4-.20.41. Iülla¡ el coeficiente de (c) sesgo y (b) curtosis con densidad de la distribución defrnida por la curua normal. = Z Jo {i ./g\ = {.. 2 2'\2/ = .1"/l) = -{. {2¡ or. (. cientc de sesgo es cero. = E(xz¡ = -+ ¿l" l/2r -.2"-22/2¿¡ ¿u = + 'to f'sz¿-x'/z¿.si.1"/1) = r \/. # to' '"t2"-'d'o B L 4. con probabiüdad Ll2 con probabilidad Ll2 -r 3. "_. 3-? (b) Tenemos p. .k:-1hall¡mogp-r=*. \ Fig. 3-7. -f rz ¿.3l ESPERANZA MATEMATICA 99 Si&:lhallamosr'=$.= -z-rll) ." *.p.. Por tanto el coefi- La di¡tribución tiene I¿ apariencia de la Fig. (o) f(t)= l¿-"'" l/Zn- -co<n<e l!\ : llt = O y lt\:0.x2/2 ¿.'\2/ Entonces = EI(X. (r |. 3 Por tanto el coeficiente de curto¡i¡ e¡ -i-ó .Pa¡alo¡oEdvalore¡dektenemo¡p*=0./.cAP. Por simetrÍa.

Una variable aleatoria X tiene la función de den¡idad (e-' r>0 /(r) = {l0 ^ ¡(0 Hallar E(e2x/31.{) * -. + n?. (bl E(}X-21.46. 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). 1/3 por . Una variable aleatoria X se define | -2 prob. (cl E(X21. I 1 3. 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).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.zl \ 'xv\2 "i" "x/ --t-"i = ""*"1-o'*"=-0 ó *=1 '7ní queesequivalenteap2 < "'*"?.( ". (b) E(Xr). . Demosbar que -1 < s1 (véase página 82). = o?. Para cualquier constante real c tenemo¡ . (b) E(Xz *)a2).49. ¿Cuál es el número esperado de puntos que resultan en 3 lanzamienüos sucesivos de un dado honrado? ¿Parece razonable su solución? Explicar. / . 3.-".44.¡.3 3. g.s suplernent&rio s ESPERANZA DE VARHBLES ALEATORIAS 3. 9.zcEl(X. -2"":'\ -" -* \"r* ) -/ = oí+oil"-.Y El(Y _¡v)21 c(X - Px))21 = 0 / ol. I Problerna. 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).. 3. (c) E(XY).!\'Entonees el lado izquierdo puede escribirse El¡.42. Sea prob."Í\"-. (b) E(zX + 6). Hallar (a) E(XI.47.45. Sean X. * c2El(Xr ¡x)21 . ll2 .otr ___q__ .Y = ] 3 prob.x)(Y- pv)l = + c2al - 2co*.100 ESPERANZA MATEMATICA p [cAP.48. (c) E'l(X-1)21.

3.(zr+y) 0<r='I.54. E(Y\.. Sean X1 .0=tt<2 lr(t*u) l\x'a) = f deoüraforma 1o (b) E(Y). 3. Y va¡iables aleatorias con deneidad conjunta f(r'al = iat' Io o-<:us1' o<tl<1 de otra forma Hallar (o) E(X). Y va¡iables aleatorias con función de densidad conjunta Hallar (o)^E'(X).57. (b) E(.50. Xn n variables aleaüoria8 que están distribuidas idénticamente tal que | 1 Xt. 3. Y variable¡ aleatorias independientes tales que ^ vt || prob. ¿Se cumple que (o) E(X + Y) = E(X\ + Sean X. 3/4 prob. X2.2/3 v) | 2 i -a prob.0lyf 3. 1/3 \o prob. = I Z [ -_r Hallar (o) E(Xt+ prob. (b) E(Y).cAP. (x) = io x>-0 de otra forma Hallar (o) Var (X). en eI Problema 3. (c) E(X-rY). (ft E(xY).3l ESPERANZA MATEMATICA ¿Se cumple 101 3. (f. (b) "x. (d)E(XY). (d) E(XY). 1/4 Hallar (o) E(3X+2Y). 0f s<I. 3.XY\ 2 = E(X) E(Y\. . (b) E(2X2-Y2).66. 3.69.'.62.51. 3.55. . Sean X.58. ¿Se cumple que (c) E(X + Y) = EIX) + E(yl. . Si /(t. 3.E(X) E(Y).52? Explicar. tc)E(X+Y\. Hallar (o) la varianza y (b) la desviación típica del número de puntos que resultan en un EoIo lanzamiento de un d¡do honrado. 3. VARIAT{ZA Y DESVIACION TIPICA 3. (ó) E6?+ X'r+ . (b\ E(XY) : E(X) E'(Y). + Xn).49..7/2 prob. en el Problema 3. . en el Problema 3. (b) "x.50? Explicar. s) = ] : de otra forma |0 Y).48? Explicar.53. 1/6 Xzl . (cl E(XY). Sea X una variable aleatoria con función de densidad f (e-. * Xil. . 1/B prob. (d) E(X2t'). (b) E(Xy) -. Sean X. Sea X una va¡iable aleatoria con función de den¡idad (1/4 -2f x=2 l(rl = jo deotraforma Hallar (o) Var (X). que (o) D(X + Y) = E(X) + E(Y).

2\21 Si una va¡iable aleatoria X es tal que E[(X Demostrar el Teorema 3-1. 3.67 halla¡ los primeros cuatro momentos alrededor de la media.71. demostrar que el 3o.62. 3. 3. (b ) ox.6 hallar (a) E(X).69. E(X2 ) : 8.70. (á ) Problema 3. página 81. (a ) 3. Hallar el hésimo momento alrededor (a) del origer^.65. (b) de la media. 3.61.63. MOMENTOS Y FUNCIONES GENERATRICES DE MOMENTOS 3. (c) o¡. g Problema 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.r02 3.64. 3. momentos al¡ededor de la media están dados por = p1 - ItI"'(. Hallar (o ) Var (X ).60. (b) Var (X). Hallar la función carar:terística de la variable alcatoria X con función de densidad f¡): (x/2 io 05rtZ deotraforma . 1/2 -tn primeros cuatro momentos alrededor del origen. (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. página 77. y 4o. 3. En el Problema 3.. E(X): 2. 1/2 prob. Si X tiene función de densidad ¡t") : -i (l/(b-a\ O a'=r=b de otra forma. (b) Problema 3.'(0) ¡f..43. Demostra¡ el Teorema 3-11. Si M(ú) es la función generatriz F:t de momentos de la variable aleatoria X. p Prob' g=L-P Hallar la función característica de la variable aleatoria X que tiene función de densidad í'llZa f(r) = 1o 3.44.7 lxl I a deotraforma 4. Hallar los primeros cuatro momentos alrededor de la media en el Problema 3. 3. Halla¡ Ia función ca¡acterística de la variable aleatoria (a X = 7 ó I prob.66. (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. - 1)2] = L0.73. 3.43.44.68.(0) + 6M"(o)lM. Hallar (o) la función generatriz de momentos de la variable aléatoria x = y (b ) los ( U2 1 prob. 3.(0)]2 - 3[M'(0)]4 FUNCIONES CARACTERISTICAS 3.67.72. 3.01 - 3M"(0) ¡l'(0) + 2lM'(0\13 Ifrivr(Q) 4M. Ei6 - .

cAP. 3l

ESPERANZA MATEMATICA

103

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

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

aleatoriasindependienres(E=

t,2,...,n).

Demosrrarquelafun-

ción característica de la va¡iable aleatoria

x\+x2+...+x,
\n
es [cos (,,;/1ñ)]".

3.76. I)emostrar que

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

^ "-o2/2.

(Sugerencio:

COVARTANZA Y COEFICIENTE DE CORRELACION

3.71.

Sean

X, Y variables aleatorias con función de densidad conjunta
f

(r'a) =
(c)

(x rA 1o
(rt)

0.*1

r=1,0<U<L

de otra forma

Hhllar (o) Var (X), (ó) Var

(y),

o¡,

oy, (c¡ oy.., (t') p.

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

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

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

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

Hallar (o) Var (-Y),

1ür)

Vat Y, (c) o¡,

ftt) oy-, (e)

"xv,

(/) pt

para las variables aleatorias del Problema 2.5?.

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

3'81. 3'82.

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

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

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

-

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

ESPERANZA, VARIANZA Y MOMENTOS CONDICIONALES

3,83.

Si

X, 1l tienen función de densidad

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

=1
y

fr*u
o

0<¿=I,0ay<1
de otra forma

dada

3.g4.

Resolver el problema 3.g3 si

/(¡, y) (b ) X dada

.f,2e-

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

0

Io

de otra forma

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

) Y dada

{

y,

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

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

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

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

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

104
DESIGUALDAD DE CHEBYSHEV

ESPERANZA MATEMATICA

[cAP.3

g.g¿. Una variable 3.93.

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

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

1

3.95.

,

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

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

-1 <c<1
de otra forma

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

P{ ljl -\l
LEY DE LOS GRANDES NUMEROS

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

|
3ne2

3.96.

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

e interpretarla.

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

/ls-

I

\

=

1

3.9?. SeanX¡ (h:1, ...,n)

n variables aleatoria¡independientes tales que

| \o

(

orob. n prob. q

=L-P
¿qué interpretación

(o) Si X¡

representa

Puede darse

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

)

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

e

interpretar egte resultado.

"trx

"(

/1s.,o1= |

l;-

'

1=

\

o

g.g8.

Sean

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

cada una con función de densidad

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

-@<s<@

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

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

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

(b)

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

de una distribución para que lrr ley de loa gnndes

OTRAS MEDIDAS DE CENTRALIZACION

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

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

le-t {o

r¿0
deotraforma

cAP.3l 3.101. Resolver

ESPERANZA MATEMATICA
el Problema 3.100 si la función de densidad es

105

(at¡-¡z¡ l(r) = 1o ( 2

0<r<1
deotraforma

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

y compararlas con la media.

x = i -t

prob. 1/3 prob. 2/B

3.103. Hallar
media.

(o

) la mediana y

(b

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

la

PERCENTILAS

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

(b ) septuagésima

quinta percentilas para la variable aleatoria con

(2(l-r\ (rl = iu

0.1

x!-L

de otra forma

3,10-5. Hallar los valores de la

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

f

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

-1

.1

r{1

de otra forma

donde c es una coriatante apropiada.

3.106. Una variable aleatoria X tiene fr¡nción

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

(e-, 1n -ln
(1

rl:0
deotraforma
donde 0 = p

-p)

< l.

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

-@

<n ( o.flemostrarqueelvalor

3.108. Hallar (o)

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

!r va¡iable aleatoria

del Problema 3.104.

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

11. g.ll2.
3.1

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

Ll2ln

3.

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

S.1f

3.

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

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

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

3.115.

Sea

/(z) = I| ^ 0

(c(1

-¡t¡

-1 <r:'1

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

c es una constante apropiada, la función de densidad

de

la variable aleatoria

X. Halla¡

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

106

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

[cAP.

B

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

3.117.
3,118.

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

f(r)=1t
curto¡ii.

l"(1
Io

r/

l"l\ -;l

rl=a lr )a

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

3-1i9.

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

fk\={
PBOBLEMAS DTVERSOS

ftr¿-I¡ l0

r>0 ¡(0

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

el tercer momento alrededor de la media.

8.121. Re¡oh¡er

el hoblema 3.120 si

X tiene función de den¡idad

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

o(r(1
de otra forma

8.122.
8.129"

Se

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

(o )

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

Sca

X una variable ¡le¡tcia con función
f

de densidad

(r\ =

cr 1o
f

0=r<2
de otra forma

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

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

eeperado que llegarán al dest¡no

8.12ó.

X, ftienen función de den¡idad conjunta |

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

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

otn forma

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

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

f(r)
y rea

= {j

;;j;;"

Y:

X2. Halla¡ (a)

E(XI,

(b)

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

cAP.3l

ESPERANZA MATEMATICA
paxe

ro7

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

demo¡trar que podemos tener E(XY)

:

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

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

y) la función generatriz de momentot

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

|

|

,tz+ut

f(n,ü dr d.u

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

.

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

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

3.133. Un juego conriste

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

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

3.134.

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

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

entonces (a) K'(0)

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

= p = E(X),

(Ó) /<"(0)

=

o2

= Var (X).

37.

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

t:

0.

3.138. Obtener

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

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

lrl I

a

deotraforma

)

0. Hallar la función ca¡acterfetica de

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

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

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

Supóngase gue tenemos

probabi prueba
Sea

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

pruebas

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

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

f(r) :- p(X:n) = (])r,n"-, = ¡f_;¡

(r)

PIX=2) =

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

_

/r\=/1 'zÁ\!/ \, ¡o-z )

6:

lb
61

puesto que para

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

\q+p)'

= o"

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

+ pn

: á ('1'1r-,,,-,

(2\

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

AIÁI.JNA.S PROPIEDADES DE 4-L.

LA DISTRIBUCION BINOMIAL

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

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

desviación tÍpica es o

: y'jfbo¡rr¡}¡ :

g.

cAP.4l

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

109

!

'np

o2 .. tt'l¡q

o =

ytirytq

Coeficiente de

sesgo

_ q"
|LIft¡

p

v npq

Coeficiente de curt<¡sis Función generatriz de momenCos

l-6pq
y npq

=

ft¡

l- yter)n

Función característica

4,6) = (qIpe,.)"

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

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

Teorema

4-1

(Ley de alealoria proporci
ro positivo,

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

li,

:

Sea

así € es c

l'*"(l

{i_ rl ,.)

:

o

(3)

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

DISTRIBUCION NORMAL

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

f(x) :

-L-¿--r'-r'r2':'2 o¡/2-

-co <'t <

oo

(¿)

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

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

¿-'"-u''/b'd1)

(5)

Esto quiere decir P(-1<Z=L) = 0.68. 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 F(z) eú(z) = z-frÍr' e-u'd. Tenemos z de la variable tipificada el wlor tipificado. La función de distribución correspondiente está dáda por F(z) = P(Z < z) = I t/2" Í'-"-.9545. ert (z).Nl/s-> 96.8 yque3) las cuales rcn iguales aJ. P(-3< Z<3) = 0.6827.110 va¡ianza DIsrRIBucIoNEs DE IRoBABTLTDAD coN NoMBBE pRoplo [cAp. En este caso la función panZ puede obtenerseapartir de (4) alremplazar! = 0V o: 1. Si hacemos que Z sea la variable normalizada correspondiente a X..46%.73% Fig.27%. 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.. resultando de f(z) : le-"'" V2" . (r) Este resultado se conoce frecuentemente como la iunción o la distribución de densidad normal tipif!eada. du (s) se Algunas veces llamamos al valor encuentra relacionada con la función enor. 99. 4-1 se muestra una representación gráfica de la función de densidad (7). que es uno.73% del área total.99?3 (10) ¡$$.-. : . 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.z. En esta representación gráfica hemos indicado las áreas dentro de L. P(-Z=Z<2) = 0.96. 4 En este caso decirnos que la variable aleatoria X está normalmente distribuida con media g y l.". algunas veces conocida como la curva normal tipificda.z: + . du = + # fo' .u y F(z) : á['...2 y 3 desviacionestÍpicasde lamedia(esdecir entue z: -1y * L.-2y I2. *t(ft)] (e) En la Fig.

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

. (1 4) estoes. Entonces si S. Efectivamente esto sucede. Esto se ve comparando las Tablas 4-7 y 4-3.. ..2. .u d. Xr.t* Í"'" '2t't ¿. V2=. 4-2 (Teorema del límite central): Sean X.7/t/i "..1. .. (15) . .ladishibución de Poisson tiende aladistribución normal a medida que n or mal asi n tót i came n te..l-= ('".. 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¡ -.. entonces En la distribuci sucesoestácercad la práctica conside grande :1- es raro l'* "(" x-r 1A :j ¡r ) : . . (r¿ .r)/V. ya que al remplazartr:np.). El extraordinario teorema siguiente revela que realmente una gran clase de distribuciones tienen esta propiedad. se deduce que hay también una relación enhe las distribuciones de Poisson y normal.r)/V[ es la variable a]eatoria tipificada correspondiente. En tales casos l¿ distribución de Poisson (I3) con tr : np. T'¿orema .. '. .J.t..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. 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. Xrl-Xr -1. +X.TL2 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Tabla 4-3 Media Varianza lcAP.qN1-yp=OenlaTabla4-1 obtenemoslosresultadosdelaTabla4-3.ó (X. 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. TEOREMA DE¿ LIMITE CENTRAL l . va¡iables aleatorias independientes que están distribuidas idénticamente (es decir todas üenen la misma función de probabilidad en el caso discreto o función de densidad en el caso continuo) y tienen media p y vatianza u2 finitas. = n-ú \m P( \ a s" = -l'¿ o/?? = o) / = .'.

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

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

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

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

'IJná tabla que da tales valores en el caso z¿<0 grados de libertad se denotan por P : . r. Si v es grande (. por ejemplo ¡f o.> 2) (t*s¡ El teorema siguiente es importante en el estudio posterior.45) donde P: 0. vr.A. Puesto que la distribución es simétrica.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO LL7 t de Student...n. se dice que iiene la distribución Para la distribución ü tenemos p:0 Y "z:. Entonces la variable aleatoria 11- Y lzt. tr-o : -ún. . La media y la varianza están dadas respecüvamente por p?ra u. Entonces la variable aleatoria @a¡ tiene distribución f' con . 4-7: Sean Vt y V. gados variables aleatorias independientes con distribución chi-cuadrado y vf de libertad respectivamente. vr. ) 2) Y O-= (to¡ La distribución tiene una moda única en el valor (t'nt?)(#) Teorema (u... (4t) tiene la dishibución ú con .. DISTRIBUCION ¡ y v" grados de Una variable aleatoria liene distribución F (en memoria de R..>2) &r¡ Los teoremas siguientes son importantes en el estudio posterior. 4-2 (véase Problema 4.t y uz grados de libertad. "2 (r'. v. o sencillam (.. Teorema *6: Sean Y y Z variables aleatorias independientes.:1.161).gmdos de libertad.. > 30) la gráfica de f(¿) se aproxima estrechamente a la curva de la distribución normal como se indica e_n la Fig.j (.... o simplemente la dístribución t. o sencillamente ü..cAP. Los valol¡es de lis percentilas de la distribución f para v grados de libertad se denotan pot tr.95 Y P F... si se sobreerltiende p. Iibertad si su función de densidad está dada por u)0 Los valores de las Fp. donde Y está normalmente distribuida con media 0 y varianza L mientras que Z tiene distribución chi-cuadrado con v grados de libertad. Fisher) con v. Para una tabla que da tales valores véase el Apéndice D. con v grados de libertacl.

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

"(t.a resueltos DISTRIBUCION BINOMIAL 4. ccs. hay untotalde (2X2)(2)= g re¡ultados poeibles. Método 1. 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. (d) no más de un sello. es decir puntoc muesEalee.1.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 119 3. (b) 2 sellos y una cara. Hallar la probabilidad de que al lall.llo en el regundo y cara en el tercero.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 .zar una moneda honrada tres veces resulten (c) 3 caras. c.(r i) . Estoe lon ccc.+)] r >0 Í <0 5. 4. Si C denota "cara" y S denota 'rlellot' y derignamos CSC.'r(r / + |) - a-2. por ejemplo.b[. Por tanto (o) P(3 cetar) = P{CCC¡ = } (b. 1"1 ¿=j ( f(s) = rL o6*t-r {o 02 "-axt r<o * = o-'. f(r) lt= )o-l Problerna. Puesto que en ceda lenzamiento pueden ocu¡rir 2 posibilidedec (cara o rello).-t fi > O t'=. DishibuciónWeibull. (c) al menos 1 cara. para rignificar cara en el primcr lanzamiento.cAP. csg css. Distribución exponencial fkl = { lae-"' c)0 n=0 L0 M(t)= q. en el erpacio mue¡tral. Distribución Maxweü. ssq scq scq sss Para una moneda honrada a e¡to¡ re¡ultado¡ re ler asignan probabilidadee iguales de 1/8.

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

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

2.8)a = s.. Para una secuencia de n pruebas de Bernoulli definimos n /n\ '?n ('/tr"')'0"-' (a -l.0. determinar la probabiüdad de que de 4 tornillos escogidos aleatoriamente (a) 1. La probabilidad de un tornillo defectuoso e8 p :0.1.4 Número esperado de familias con 1 ó 2 niñas = tZOOOill) ' '\ 6 / \/ = 125 1250 (d) Nfrmero esperado de famiüas sin niñas = (2000)( i ) = 4./ ) _)p.l# = fr X que está distribuida Hallar la funCión generatiz de momentos de una variable aleatoria binomialmente.. HaIIar Ia probabilidad de obtener un total de 7 al menos una vez en tres lanzamientos dé un par de dados honrados.nba j-ésima si éxito en la prueba j-ésima U=1'2.8)r = ¡. 4.'(\*. de un tornillo no defectuoso va¡iable aleatoria X el nl¡mero de tornillos defectuosos. Sea la (o) P(X: t) = (rn )..7.46e6 ffi ? . Si el 20 % de los tornillos producidos por una máquina son defectuosos.pet¡" Xi ' |0 {[1 si fracaso en la prr. P(al menos un ? en tres lanzamientos) = | . = 1:)l+Y/q\' \"/ \"/ \6/ - r25 216 y 4.n" .rt't0.:: =:"0.q" . página49)..r. (b) 0. = = Método 2. Si X está'distribuida binomialmente... (ü) p(X = 0) = (c) P(x <e) = (fi)to.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.L22 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.6.p:0.n) .46e.6.8.. sean defectuosos.' (0. Médodo 1.. \r/ Entonces la función generatriz de momentos está dada por M(t) = E(etx¡ = )etxf(r'¡ n /n\ = ¡=0 .detalmodoquelaprobabilidaddenoTenunsololanzamientoesq:1-p:516. (c) menos de 2. Entonces es g : I . f (r) P(x = r) = (!\o.0.

i)'== .L52\.q Entonces o2 p:E(X)=E(X'\+E(X2)+"'+E(X")-np = Var(X) = Var(Xr) *Var(Xz) +. . entonces ¡.1 ):40.t/V6d.10.1. n.) Í+ó \l ?¿ -l = / = 0 El resultado también se deduce directaménte en el Teorema 3-19.n) (Q Entoncee por el Teorema 3-9.. tenemos. Demostrar el Teorema 4-7.." *Var(X) = npq donde hemos utilizado el Teorema 3-7 para o2 . con S.9. Por tanto la desviación tipifrcada o = y'56 = 6.38) o direetamente de la función de probabilidád (véace Problcma 4.la ley de los grandes números (en forma débil) pa¡a las pruebas de Bernoulli.'EBAS DE BERNOULLI 4..y (I)rc convierte En particular si X tiene distribución binomial o de Bernoulli. tt = flp.)l*. halla¡ (a) la media y (ó) la desviación tipiticada para el número de tornillos defectuosos de un total de 400 tornillos. si X es cualquier va¡iable aleatoria con media tas.) / \ 14 'l y tornando el límite cuando n -+ @ = 2+ ¡4r. = X. Pa¡a la función geraeratr:iz Mj(t) = stoqlettp .1 = . entonces F = P(lX. y1 E(X) = 0q*Ip = var (x.'* Xn.esdeciresperamolque40tornillosesténdefectuo¡os.) + (r - p)2p = i)".i . página 80. 4. ..e*pet M(t) = M tQ) LI2Q\' ' ' (i=1.. página 83.7 tenemos para/: L. de Los resultados anteriores también pueden obtenerse (pero con má¡ difrculüad) derivando la función genaetriz momentc (véaee Problema 3. (o) Medialt:np:(400)(0. li* Pll{-.9) : 36. :-.t y varianza 02 Íini- (r) en tol P(X-11 -ko\ flp. (b) l'Iananza o2 : npq: (400) (0. v (3 ) se convierte en P(lz -.8. o - {-npq. Por la desigualdad de Chebyshev.)(0. . Demostra¡ que la media y la varianza de una variable aleatoria distribuida binomialnente son p: np Y o2 : npg respectivamente.cAP.2.IMEROS PARA LAS PRI. Si la probabilidad de un tornillo defectuoso es 0. Procediendo como en el Método 2 del Problema 4.. o =. M"(t) - 'f pst¡n 4. págirra 84.1.lro.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L23 de momento¡ Entonces las X¡ son independientes y tenemos X: Xr * Xz *. 2.npl > k1/i-npq) < i ó (3) Si hacemos c = k \l T. LEY DE LOS GRANDES NT.. como se requiere.

rz¿u (c) ñ J" Area pedida .¿ ¿-uzr!¿u = -! Jfo \E = ___1__ -o. Por tanto . Por tanto P\0=z=r.81 = Z = L. 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. proceda a la derecha hasta la columna 8.68 "- u. 0.L (o) Utiüzando la tabla en el Apéndice.68 (por simetría).a'ley de los grandes números establece en este caso que la probabilidad de la proporción de los 3 en n lanzamientosdiferiendodel/6pormásquecualquiervalor€)0tiendeaceroamedidaquen-+€. P(-0. Entoncee.28.2) = | {u ¡rz Jo ¿r.81y z = L.46 y z : O) * (área ent¡e z : O y z : 2.4864 : 0.4964 | t/Zt Js \/2r Jo "-uz/z 1 (d) Area pedida : (área entre z : : E¡to es - (área entrez : 0.21.ildlt + _= |^2 ¿¡ = O. baje por la columna z basta alcanzar el valor 0.2517.94) O y z = 0.u + t/2" 'lo + ('"' "-u2tz 1¿4 2l 10.27.4738 - : 1.25f ? El área.2. \.C. ee el área pedida y representa la probabilid¡d de que Z eté entre -0.Luego proceda a la derecha h¡sta la columna marcada 0.2. (d) entre z: 0.12. Por üanto'. El resultado. Halla¡ el área bqio la curva normal tipiñcada (a\ enfte z: Q y z: 1.46 y 2.4 4.i77Z + 0. baje por la columna ma¡cada con z hasta alcanzar el valor /. represenüa la probabilidad de que Z eaté entre -0.46 y z: 2.2910 = 0.81 0.+e "-u2t2f.11. El recultado.0. = "-u!/t 0.. (e) a la derecha de z: - L.68 sz=o) = -! l'o {2¡ J = | r' -o. es el área pedida y representa la probabiüdad de que Z estÉ ent¡e O y 7.94.t _o.(área enhe z :-0.46 f ZÉ2.gg4g z=O .3849.2L) : (área entre z : O y z : 0. .211 = + (''" {2r .6636 e-ú'/! clu = 0.6.68 y z : 0.(b) entre z:-O.68 y 0.6636.L24 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. Por tanto P(-0.46 " 1 e-u. [.!772 + 0. 0. 4-3 (b) Area pedida : área entte z : O y z: *0.as 0.2I) : O. DISTRIBUCION NORMAL 4.46) * (área enbe z:0 y z : 2.941.1828 O yz ) lo mi¡mo que P(0. (c) entre z : -0.=12 Fig.

5 kg y la desviación tipiiicada es de 10 kg. (o) Los pesos registrados entre 48 y 7l kg pueden realmente tener cualquier valor entre 47. Caso 0. Entoncec la z pedida es 1.0. el valor 0'3?70 se encuentra a la derecha de la fila ma¡cada 1.3??0.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROP¡O Area pedida L26 (e) - (área entre z: -t.7O ?1.5."O.69.8621.5)/10 68.13.O2l7 : Entonces el á¡ea entre z). (c) el área enhe - 1.5: -2.:1Tí"11u (área entre 0 y O.5 y 0 ) .(área entre 0 y z) (área entre 0 y z) 0. z debe ser positiva.1 y bajo la columna 6.4332 :0. Area entre 0 y z es 0.4332- : 0. (b) más. El problema es equivalente a resolver para z la ecuación rfz G ).4549 y z: l'ig.3997 + 0. hallar el valor o los valores de z tales que (a) el área entre 0 y-z sea 0. o. (b) Puesto que el área es e-tt/2 du = 0'3770 mayor que 0.28'y z = O) T 1área a la derecha de z : 0) = 0.09.4332- Entonces el área entre 0 y z es cual e: -1. o. 4. Area entre z v -t'5: 9ü.30 47.5 kg.4332.O2l7 + 0. por tanto z debe ser negativa. z : -t.O2L7 : 0. 4.28).35.16.L6. suponiendo que se regis' han al valor de kg más próximo.5 y 0' (c) Si z fuera positiva el área sería mayor que el área entre que es 0. -1.5 y 71.5: 0.0277 (árca entre -1.0217.5: 0.5 )/10 .de 91 kg.5.5 y z : 0. Por simetría.4-ll -1. hdlar el número de estudiantes que pesan (a) entre 48 y 71 kg.5 y z sea 0.8997 Esto es lo mismo que P(Z > -1. con menos precisión. z : -1.4115 de lo 2: z es negativa pero a Ia izquierda de -1. Si "área" se refiere al área bajo la curva nonnal tipifrcada. (a) En la tabla en el Apéndice C. Caso 1: z es negativa pero a la derecha de -1. Por tanta z: + 1.3621.5:0.5 kg en unidades tipificadas : (71. (b) el área a la izquierda de e sea 0. de lo cual z:1.16 es otro valor de z. 0 y z esO.14.4332.8621 . Area entre -1.5 kg en unidades tipificadas 68. El peso medio de 500 estudiantes varones de una universidad es de 68.cAP. Suponiendo que los pesos están dishibuidos normdmente. : (47 .5.694 utilizando interpolación lineal.

Sin embargo para doe cifrar significativag los resultados son iguales.275)l O.295 cm.0125 cm.600 P(W -.5 .I. El propósito prira el cual se han diseñado las lavadoras permite una tolerancia máxima en el diámetro de I.4893 = 0. el resultado anterior se modifica ligeramente.(área entre z : O y z : 2.26 (1.30 = 600(0.5<W<71. .16.2 : -7.30) : (área entte z: -2.275 cm y la desviación típica es 0. 1-14 Obsérvese que si consideranros el intervalo L.0126: L.O]-25: -1.010?): $. r.9tOt 4.26 en unidades tipificadas 1.2 Por tanto el porcentaje de lavadoras defectuosaÁ es 10002 Fig.3849) = 0.5 Proporción pedida de estudiantes 91'5 kg en unidadee tipificadas: (91.29 .6000 Entonces el nfimero de estudiantes que pesa entre 48 y 7f 500(0.26 s 1.29 cm.4 Proporción pedida de estudiantes : : = (área entre z = -2.30 Entonces el número de estudiantes que pesa más de 91 kg Fig.2 L.600) kg.5)=0.7698 ó O yz : 77% -1.11.30) 0. suponiendo que los diámetros están dishibuidos normalmente.2 .2) . 4-r3 Si W denota el peso de un estudiante escogido aleatoriamente.(área bajo la curva normal entre z : L. (D) toe e¡tudiantes que pesan más de 91 kg deben pesar al menos 91. Determinar el porcentaje de lavado¡as defectuosas producidas por la máquina.26 a 1. = 300.2) yz Proporción de lavadoras no defectuosas .L26 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. d1) = "ut'<o2t2/2t (J-ú "-tr-ort" l/2" . (área a la derecha a.2 -77% = 23%.29 cm como representando realmente los diámeüros de¡de L. 4.0107 es 2. : Z. .5 - 0.91¡ = 6.266 a 1. etrt+oot-tu2/2.l.29 en unidades tipificadas : : (1. de otra forma las lavadoras se consideran defectuosas.1179 = kS ee 0. 1.68.(dos veces el área enhe z : = 2(0. La media del diámetro interior de una muesha de 200 lavadoras producidas por una máquina es 1.275')lO.300) 0. podemos resumir los resultados anteriores en términos de la probabilidad al escribir P(47.10 y z:0.SO) (área a la derecha de z : 0 ) .1.tt)lo: uenlaintegralde M(tl = -= | \/2r J-14q modo quer:¡¡+ dx: o d4 tenemor dt. Hallar la función generatrrz Tenemos de momentos para la distribución normal general.6)/10 : 2. M(tl = E(etx¡ = L= Remplazando (x ot/2r J -- (' ette-(t-tD2/2c2 dtr g.10 y z Ol * (área eítte z = O y z : 0.4821 + 0.

) ffi.5 a 6.58 y z : 0.¿*\ / = ewt+(ozt2/2) APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 4.7734 que se compara muy bien con el valor verdadero superiores de n. ro¡ Entonc.5 en unidades tipificadas : (2.5)/1.X.58. 4-r5 23{587E Nfrmero de caras Fig.)\. )\.e O.ó8 : -1.cAP.E \ /\2/ \2/ =5) = l.58: 0.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L27 Entonces sustituyendo u - ot: u hallamoc que ettt+(c2t2/2)( M(t) : + f\t/2" J-* "--.68 y z = O) * (área entre z : 0 y z : 0.3289 : 0. La precisión es aün mejor para valores . Entonces dadas por/r= np=10(4\= 5yo = {nw = y'(10)(+)(+) 2..* "á Ar P(X=A) /ro\/fY/r\'_ = \4 /\z/ \z/ P(X=6) = 106 stz /to\/r\o/r\n _ = (.5 en unidades tipificadas : (6.5 .95 Probabilidad pedida : : z: -1.es la probabilidad pedida es P(B=x<6) = #.#*¿%*# 03 = # = 0.6. 4-16 y puede aproximarse por el área bajo la correspondiente curva ncrmal.58 6. Hallar la probabilidad de obtener entre 3 y 6 caras inclusive m 10 lanzamientos de una moneda honrada utilizando (c) la distribución binomial. mostrada a trazos..4429 + 0.95) (área entre z :-1. 4-16 trata los datos como gi fueran continuog.5 caras.17.5)/1. (b) la aproximación normal a la distribución binomial.95) : O. se'deduce que 3 a 6 caras pueden considerarse como 2. Entonces p(x=B\ = P(x ('f)(. 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 4-16.7784 Probabilidad 2341678 Nfrmero de caras Fig.p94!l y la varianza para la distribución binomial están = 1. La probabilidad pedida es la suma de las áreas de los rectángulos sombreados en la Fig.7718 (área entre d. Cor¡siderando los datos como conünuoe. en la Fig. Tqqbié"r!g_.-o) l+Y 5 ll)' : . (o ) Sea X la variable aleatoria que da el número de carag en 10 lanzamientos.)'_ . obtenido en la parte (o).

3? (D) Procedemos como en ha parte (o)."p: ..94 260.. o si consideramos : (219.5 en unidades tipificadas : 1-0. empleamos la aproximaclón normal. = .250y11..OB tipificadas : -0.6 . Un dado se lanza1-2O veces.311 : (área ent¡e z: O y z: -5...5.18 : -2. Hallar la probabilidad de que el número de caras no difiera de 250 por (a) más de 10.5 en unidadee tipificadas :-5. entre 219. es decir etabacargoda 280.94 y z: 0.(área entre z : O Y z :-1. Entonces -0.)(+) = I 1. remplazando 18 por 14. .94):2(0. o si conslderamos los datos como continuos.7 3 280. l8 cuatros pueden tratarse como tt = ttp = Entonces 120( )l = ZO \o/ /t\ y q = 1/-n7tq . 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.1443: 0.5 a 18.5 cuatros.. podríamos considerar que la moneda no 4.35) : 0.O2 14.(.35) : (á¡ea entre z : O y z : -5.5 se 0.19. (b) por más de 30. un 4 debe apariecer 14 vece¡ o menos en aproximadamente la décima parte de estas muestras.73\ por más de 30.- -1. . ¡ rzo\1¡\''l5_\'o' r8 \.02 y 2 : -1.08 .18. suponiendo que el dado es honrado.18: . entre 239.5 -.0. : 4.5 en unidades tipificadas: (14.0885 Se deduce que si fuéramos a tomar muestras repetidas de 120 lanzamientos de un dado.5 .3557 -0.(lX*) : -5..37) -0.5 en unidades tipificadas : : (área bajo la curva normal entre z: -0. pbr (o) Deseamos la probabilidad del número de 4 entre 0 y 18.3264): 0.02) .18 (o) Necesitamo¡ la probabilidad de que el número de caras se encuentre enbe 240 y 260. Esta se encuentra exactamente ¡rzo\/f\"i 5\'o' .02) : : -(área enhe z O Y z : 0. Una moneda honrada se lanza 500 veces.OB pero debido a que el habajo involucrado en la computación es excesivo.5 en unidades tipificadas hobabiüdad pedida .4115 : 0.02y z: Probabilidad pedida -O.5 en unidades tipificadas : 2.L28 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP.. (rzo\/r\/!\'. t...mr.5 en unidades tipificadas 28O.94) : (dos veces el área enhe z: O y z :0.6 - 2O)l4. 219.0.b.5 en unidades : (área bajo la curva normal entre z: -5.' La probabilidad de que resulte un 4 es p: l16 y de que no reeulte esg : 5/6.0.'.20)14.94 ib) Necelitamoe la probabilidad de que el n(¡mero de caras la encuentre entre22O y datos como continuos.31-i Probabilidad pedida : (área bajo la curva normal enhe z : -5.6/ r7 \ /\6/ \6/ \ /\6/ Con¡idenndo los datos como continuos que 0 a También ..5 - 250 )/11. Hallar la probabilidad de que resulte 4 (c) 18 veces o menos y (b) 14 veces o menos.02 18. o \ i \6/ \6/ -{.5 y 260. 239.4 4.e z: O y z:2.5 y 280. .6528 = (239.(i) = 250 s '= \/ill = .7 3 Probabilidad pedida : (dos veces el á¡ea bajo : 2(0'4968): 0'9936 la eurva normal enb.

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

lioo ¡ln p¿tar liii¡ {ili ¡n .130 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. determinar la probabilidad de que de un total de 2000 individuos (c) exactamente 3. La variable tipificada para X es X* = (X . )r. es 0. Zze-21 -. (b) más de 2 individuos tengan reacción. es decir P(X:x\ -. Denótese por X el número de individuos que sufren una reacción. sultan defectuosas. tfi-oa = > ¡=0 |\_. Diez por ciento de las herramientas producidas en un proceso de fabricación determinado re.1e37 ó o. X tiene una distribución de Bernoulli. exactamente 2 estén defectuosas. (b) la aproximación de Poisson a la distribución binomial. 4.np)/l/nW y la función generatriz de momentos Eletx'¡ E(et<x-nú/t'/-nil¡ tnnr rliii g 1"txrl noÁ ¡ "" = e-tnpt.tr r/iñ 1o + per/ lliii tvr ll-nw 1n ¡pt e ' tnp.1. Denótese por X el número de herramientas defectuosas de las 10 escogidas.t ¡n = le(qe + pet. (o) La probabilidad de una herramienta defectuosa es p :0.1# ^:?¡p:(2000)(0.22.4 4. podemoa suponer que X tiene una distribución de Poisson..0"-' .r -Lót 1! ) = l-6e-z = 0. t ¡t qn.001) :2 _ 0. pero ya que las reacciones se suponen sucesos raros.(d) I¡¿-)\ donde p(x-Bt .r¡r1s./íil 2 o et't-(. Halla¡ la probabilidad de que en una muestra de 10 henamientas seleccionadas aleatoriamente.18 En general la aproximación es buena si p É 0..' .183e ó 0.- 6 P(X=2) = %: = 0. 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. _/1t\ para X* es ".323 Una evaluación exacta de las probabilidades empleando la distribución binomial requeiiría mucho más trabajo.23. Entonces de acue¡do con la distribución de Poisson I¡¿- P(x--x) .e¡' = \z/ 0.1) - 1.24.001..re = (10)(0. Entonces de acuerdo con la distribución binomial p(x:zl (b) Tenemos )\: np (tJ )10.2te-z --z! . e t. empleando (o) la distribución binomial. vC.180 (b) P(X>2) = 1-[P(X=0) *P(X:1) +P(X=2)] _ I fzo¿-z. TEOREMA DEL LIMITE CENTRAL 4.1 y \ = np 5 5. Si la probabilidad de que un individuo sufra una reacción por una inyección de un determinado suero./)(p".

se sigue el reeultado pedido. /.+.1 donde.Elet<xz-ú/"6). Var(S") = Var(X1)*Var(Xzl+" '*Va¡(X) Se deduce que la = noz variable aleatoria tipificada correspondiente a S. "' \ -. .?/ Pero a medida que n + e el lado a la derecha üiende a et2/2. Demostra¡ el teorema del límite central (Teorema 4-2.. tzqz .. debido a que las X¡ eon independienter. por el Teorema 3-10. et<x^-tJ/ol. 4.qte es la funci6n generatriz de momentos para la distribución normal tipifrcada. página 80. ... tq . e(x2-tt)/"G..) \ n Pero el límite de esta expresión a medida que n -+ @etet2/2. es sÍ La función generaEiz de momento¡ para .. Por tanto +X2+"'*Xr. Zo'n o\/n que .EntoncesXt.Elet<xt-. pig¡naLL2\. Elet<xr-u)ro{i1 . = .'. Así el resultado pedido se sigue por el Teorema 3-10. .Sl es s" -JP oVn E(etsi¡ - Efet<s^-nutror/i 1 .XntienenmediallyvarianTa ¿(s") = E(X)+E(X) + "'+ E(X. o\t z"Pq-r / '/"Ñoo(n-!-g\ * ..)/ot/.E(er. Por tanto. página 80.cAP.. hemos utilizado respectivamente los hechos de que las X¡ son independientes y que están di¡tribuida¡ idénticamente..) = nu y. = r++@++Gz)-. por una expansión en serie de Taylor..25.2..queeslafunción genetafrizde momentosdela función normal tipificada... t2 Portanto E(etx'l: (r*!+"')" \2.r[r + L t(xt _ p) tz(x-t.. Entonces.Elet<x"-Dta{..4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Entonces empleando la expansión 131 eL hallamoa = L*u* t+gl u2 uj +"' qe-to/. = {Eletrxr-utr"ñ1¡" . = r+fi+....f = Efet(xr-ülo6)..(t ) h+ m.tar I peta/tlnnf.r¡1*'-p)21 * .si¡ = / Iz (t*..n6r-É) n orJ + ft.tenemosSn:Xr o2. en los dos últimoe pasoa.-] + 2o2n + ovn J = de modo E'(1) + l.. Paran:L... p)2 ..Xz. = q+p+-'iroo : L+h+.

Método 1 (por fórmula). Halla¡ la probabilidad de que de 6 bolas seleccionadas de esta forma 3 sean rojas. Entonces la probabilidad de escoger 3 bolas rojas /5tl2\3 . 2 blancas y 1 azul en ese orden es /s\'/¿\'/rY \tll \. 2 brancas. La probabilidad de escoger cualquier bola roja es 5172. Se realiza un experimento en el cual se selecciona una bola aleatoriamente y se observa su color. ) Por tanto el número de mueshas y 2 rojas ".4 DISTRIBUCION MULTINOMIAL 4. 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.'. rc 2l .rt. i-paIpo)G donde p.+)' = ffi es es Método 2.27. En forma análoga la probabilidad de escoger 2 bolas blancas e (4ll2l2 y la de escoger 1 bola azul (3/12)t . pero no se remplaza la bola. Método 1.h(¡r)'(#)'(.i Entonces r azur) = . Entonces la probabilidad pedida es lr Método 3. 2 blancas y 1 azul.132 DISTRIBUCIONES DE PROBABILIDAD CON NQMBRE PROPIO lcAP.El número de formas diferentes de seleccionar las 2 bolas restantee de las diferenües que contienen 3 bolas blancas /a\ 4 rojas * (.\ [ . 12. y el número de estas formas diferentes 6l 3!2!1! como se expuso en el Capftulo 1. pb = 4/72. Una cqia contiene 5 bolas rojas. 6t In\"lt\-/:lY z!r!\itl/ \itl \rrl $/ La probabilidad pedida es el término 44p" en la expansión multinomial de (p.t \A/ Pero la misma selección puede realizarse en otros órdenes diferentes. Hallar la probabilidad de que después de 5 pruebas del experimento se hayan escogido 3 bolas blancas. /o\ /r'i \. El número de formas diferentes de selecciona¡ 3 bolas blancas de 6 blancas * \r/. lJna caja contiene 6 bolas blancas y 4 rojas. Po=' 3/12' Porexpansión se obtiene elresultado anterior.ri \z ) /ro\ \5.t i . Una bola se selecciona aleatoriamente de la caj4 se observa su color y luego se remplaza. 4 blancas y 3 azules. DISTRIBUCION HIPERGEOMETRICA 4. . P(roja en cualquier extracción) = # P(blanca en cualquier extracción) = h P(azul en cualquier extracción) p(B rojas. Por tanto Ia probabilidad de escoger 3 bolas rojas.26.

.páginallS. = firo_ot.#ruo. J-. 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.. = ffi= Yt+Y = Entonces la va¡ianza está dada por s2 = E[(X-u¡21 = E(Xzl-uz ry4y_ (+).30.laprobabilidadpedidaes . X con DISTRIBUCION DE CAUCHY 4.28. -> t!! I y la integral a la derecha diverge. Esto puede verse al notar por ejemplo que si r ¿ 0. PIX=S) DISTRIBUCION T.r! * la cual no existe si ú es real. 7+ azctr sin +-ai )-. = n# Í.159). Entonces por(I9).. (a) La función gerreratriz de momentos de X es -¿. Tenemos b 133 =6.cos or = . Demostrar que la media y la varianza de la dishibución uniforme (página 114) están dadas respectivamente por (¿) ¡. 4.'NIFORME 6 = \/4 }i|j.rr¡ r¡¿n' ("' 2o (" cosor r=. o > 0.dz T . r = 3. Puede demostrarse que la úlüima intcgral existe y es igual a e-aa (véase hoblema 4. E(erx¡ = g (" -J".' La función de densidad de @ es < j. = E(x) = E(xz\ l"'* = #:af" b2-a2 Z(b-a\ a*b 2 (b) Tenemos = I." = o 2 . r= 4.cAP. Sea @ una va¡iable aleatoria distribuida uniformemente en el intervalo -l=t trarque X: atan @.2+d2dr ' _ donde hemos utilizado el hecho de que los integrandos en el segundo renglón son funciones par e impar respectivamente. Oemos- /(a) = ! -L2- .29. Jo r.'f-+ = #tl. i J-6 x'' + a: ""'l' .l \ /10\ \5/ 4.. de. (b) o2 : Ll72(b -a)2. : Ll2(a + b).r-n '.' 7't|^ou" (b) La función característica de X es E(eiox) = g (¿. (a) t. . Í".modo que = r*tu*lfí*.@ 1x1*. ¿ > 0 e.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Método 2 (empleando la fórmula). tiene unadistribución Cauchy en. a f . n=6.

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

Efectuando el cambio de variable x : *t/T en la última integral.-rr/2e-.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 135 Entonces. y utilizar el hecho de que r(á) = V7.cAP. Puesto que Ia correspondenX y Y no es uno a uno no podemoe aplicar el Teorema 2-3 como está. a * v.la varianza es 02 = E(xz¡-l'(x)l= _(rro)'= cr6#T_Fn : (1.t2r(v/2)Jo " r-2t \r-2t/ : ll . grados de libertad.1 en la última integral hallamos M(tl = 2. Esta debe ser la distribución de Z. 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. grados de liberta u2 Z:Xt *X.34 que una distribución cuya funéión generatriz de momentos es (1 2t)-<vt+v2)/2 es la dishibución chi-cuad¡ado con v11. pero procedemos de :0. do ) función generatriz de momentoo de Z = X. Sean ¡t y X.B2. Pa¡a ( 0es lóglco que P(Y SU) y> 0 tenemoe P(Y<u): P(Xz<a) = P(-\/u=X<+\/a) +fr"-.2t)-.6. pá4ina 1-1. ! X.84.CUADRADO 4. Al generalizar los resultados anteriores obtenemos una demostración del Teorema 4-4.v2 gadosde übertad. cia entre Paray Deseamos hallar la distribución de la manera siguiente. utilizando el Problema 4. como se ve al página 116.r2. ea M(t) : Enet(xr+xü1 : E(etx.t Pero esta es una distribución chi-cuadrado con 1 grado de libertad.a una distribución normal para X. t : (1 - N¿¡-Qr+v2t/z (b) Se observa del Problema 4.'rz¿s (-fr"-.r2 Al remplazar (l - 2t)n/2 = 7.36. colocarz: 1 en (39).s(v-2)/2e-<L-2t>r/2 dr =J-r(v/2) )o 2. obtenemos P(Y < ú = -! fs rrrze-uz t/2r Jo d. por el Teorema B-18. Sea X una variable aleatoria distribuida normalmente con media 0 y varianza 1. página g1.34. Demostrar que X2 tiene distribución chi-cuadrado con 1 grado de libertad. 4. DISTRIBUCION CHI. Y: x2 dad./2dü (-.)Eqéx"¡ : 1l-2t¡-'r/2 1l-2t)-vz/2 utiüzando el koblema 4. . es con (¿ dA v.'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.ztl-v/2 fa u<v/z)-re-udu = (L-zt¡-'rz r'(v/z) )o 4.36.

(b) 28 y (c) 40 grados de UtÍIizando la tabla en el Apéndice E.831.35(b). 4-18 (o) Si el área sombreada a la derecha es 0. 4. Entonces.píryina 116. como puede observarse de la tabla.3correspondiente av:28. X. la cual es igual a 15..5.1 es el valor pedido de 12.2gs.O25 representa la percentila 2.01.01.99 y ¡22 representa la 4. Es de interés notar que los valores de la mediana están muy próximos al número de los grados de libertad' En efecüo.. u"mo.5. Hallar el valor de la mediana de libertad.7.¡ se deduce en la misma manera. y x? (c) Si el área sombreada a la izquierda es 0. búsquese el valor 5. El resultado general para todos los enteros positivos l.025. al menos se especifique lo contra¡io.tán distribuidas normalmente con media 0 y variánza 1.05.8.. (c) el área sombreada a la izquierda: 0. Por tanto los valores son 0.¡ (puesto que la mediana es la percentila 50 ) los valores: (o) S. x.10. Demostrarel Teorema 4-3. entonces el á¡ea a la izquierda de representa la nonagésima quinta percentila. .36 vemos que si X¡ y X2 es.¡2. Por ejemplo.05. si el á¡ea sombreada a la izquierda es 0..1. los valores: (a)25.3correspondiente^v :40.. escoger las dos áreas iguales.026. en este caso cada área:0.esr. 4-18. hallamos en la columna ¡. parav> 10 los valores de la mediana son iguales av . (b) el área total sombreada: 0.150. (b) 2I. La representación gráfica de la dishibución chi-cuadrado con 5 grados de libertad se muestra en la Fig. Entonces del Problema 4. el área sombreada a la derecha puede ser 0.025: 0.8.05. entonces X? V X3 tienen distribución chi-cuadrado con 1 grado de libertad cada una. y Si el área sombreada a la derecha es 0. Sin embargo.2-. X. (b) Puesto que la distribución no es simétrica.9?5 Análogamente.831 y 12.la cual del Apéndice E es 12. (c) S9. x. para v : Por el Problema 4. en la columna /. Hallar los valores de ¡2 para los cuales el área de la cola 15. a! es 0.61.4 4. (c) 67. El resultado 11.(b) 2T. lcAP.¡r. xl es (1 . Hallar los valores de xf. Entonces procédase hacia la derecha hasta la columna x%r.95 y xz2 Refiriéndose a la tabla en el Apéndice E. (c) 50' Utilizando la tabla en el Apéndice E hallamosenlacolumna ¡2er.? conespondiente a la derecha de la distribución ¡2 es 0.la cual es igual a 0. (d) el área sombreada a la derecha: 0. el átea a la izquierda de percentila 99. (d) Si el área sombreada a la derecha es 0.136 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 2.05.01. . se acostumbra.39. Véase Problema 4.37. hay muchos valores para los cuales el área totál sombreada : 0. x! por los cuales (a) el área sombreada a la derecha: 0. qi" Z = X?*X2" tiene distribución chi-cuadrado con 1 * 1:2gradosdelibertadsiXr y X2 son independientes. si el número de gndos de liberbad v es igual a (c) 15.025. (b) 32. ¡! que corresponde a (a) 9. (Véase las consideraciones sobre notación en la página 116).x?o¿s. el área sombreada a la izquierda de x3 es 1 ¡j iepresenta la percentila 9?.04 en tanto que el área a la izquierda es 0.40. Fig. xz:.05.10.5 correspondiente a z: 50.O.0.Ia cual es igual a 1.38.0. el área a la izquierda de x? es O.0 correspondientear: av:21. 4.34correspondienteav:9. xi representa la décima percentila.O5): 0.

.cAP.o 6 .41.64+rfss¡z =69.. podemoe ercribir.r/2.zl ztÍt + <t2 | v>r a")au ( " Susüituyendo F(r) = G. himero fijamor r z b = integramos con reepecto a y de¡de .@ hast¿ rl/z/r. Demostrar el Teorema 4-6. xlgs = \@.rzrl. '\ z / (.rf ¡"ffi "-r.. z ) La función de di¡tribución de I = Ylt/ffi e¡ F(u) = P(T=r) = P(Y=er/Zfi) = y@2. Por tanto tenemos Remplazando F(xl = ."^' + zo+"/2 Í"'=-* d.(' F(r) = _ tf Jr=-.t¡ e¡tl c¡¡i dbEibuido norm¡lmenüc con medie certr y varianza uno.0(v¡lorre¡l =L24. Debido a que Y y independientee ¡u función de den¡id¡d coqjunta er 6l producto de (I ) y (2). DE STUDENT 4.=o"r.er dccir z<v/z)_te_ :|-r+zr/2 para -o 1g 1lo./4 f ( 7<rrz>-r e-<yz+ztrz ¿.ss+rtrOool-t¡z = |(1./ .u\ .64+/199P = 124.tz¿ul¿" LJ":_-e A = urfi en la integral entre parénteais rectangulares hall¡mo¡ .locuale¡tÁde¡cuerdooonelvalor6?. #. / mayor que 30.#.es+ftool-t)2= +(1.3).z \f 2nz. 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. tn¡r( z\ Ju= -' .FA = zp I t/Ft x| = *(zo+tffj¡z (o) Si v=50.lt * T ) eeto puede eocribir¡e d. dud.6 = f. (b) Si r=100.(z.100 gados de libertad. -/.t' / 2 e... podemor utiliza¡ el hecho de que ({Tx2 . Entonca ti z..tzt'(vl2\ ).rr-r"-. zo/2)-re-z/21ffi e-uzzr2.u [f=.42. Hallar xlerpm (a) v : 60 y (b) y . .Lu€{p integrannr_conrespecto az de¡de 0ha¡t¡o.. página 117.Elrode donde t6=t = .y ¿2 # donde la integral ¡e toma ¡obre la región ( del pleno lz parn l¡ cr¡¡l g ut/ñ.\2/ r\ (l + u2¡'¡<'+t>rz .2.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPTO 13? 4. DISTRIBUCION ü x3s¡ dado en el Apéndice E. er la percentil¡ 10Op de l¡ di¡trlbución nornd tipilicada."a']au de acuerdo con lo pedido.= . oon un alüo grado de aprorimación.-j(* .. Para .va J"' {2r2. *^ I' = - *l Í": como z('' .tzl(vl7\ Jz=o = .

05 Refiriéndonos al Apéndice D.r) a\.01 es (e) -2.2 g(u. Por tanto el á¡ea a la izquierda de ú1 es (1 .l4\ -1- f 'pw\"rz'-' ID'-''-"e '"''o'-. (c) 200. ú.e0. (El último e¡ el valor que se obtendría utiüzando la cu¡va normal.O.005.er5.entoncesúl correspondealapercentilagO. Deimostrar el Teorema 4-?. Entonceg búequese la c.45.e. tenemoe | 1U) t.ú.1 ez(vt+ v2)/2 lQl/21 f (u2/2) <t | + ú2)' ri o. ¿. r / Ll+ lvt/v)).01.83 es el valor pedido de t (b) Si el área total ¡ombreada es 0.9?5 y úr reprecenta la percentila 9?.05.. entonces el área total sombreada es (1 .25.rl).olumna ¿. DISTRIBUCION 4.90. hallamos en la columna te. (c) Si el irea total sin eombrear ee 0. Halla¡ el valor de ú1 para el cual de Student con 9 grados de libertad se muesha : 0.025 por simetría.025): 0.0. De la tabla hallamos t. En el Apéndice B e¡te valoi corresponde a la enhada en la última fila ma¡cada ó). dada por 1 (.82.::l = l"*:" 'u':'" Denotando la densidad como función de u y w por g(u. t.82.5.01. La representación gráfica de la distribución (c) el área sombreada a la derecha en la Fig.lL=-=_rü=02 L"a/ ar t'2ú | vl1t2' . 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. Efectúe Ia transformación u 1/ v1 . La función de densidad conjunta de f '' V¡ y V2 etá. (c) el área total sin sombrea¡: 0. 4-19 tt (a) Si el á¡ea sombreada a la derecha es 0.0.u) = . ú es 0.44.'. ODt=r.75 correcpondienteay:16.01..) = 6"i._tr Fig.la/2.nD\]uJur0. Del Apéndice D hallamoe 2.05. t. (b\ 27.t u(v2/ 2) .quedelatablaes igual a 1.:"i = l::"'. entonc€s por simetría el área sombreada a la derecha es 0.43.:.[. . De la t¿bla t ss = 2.DZ=ü l1U7D Entonces el Jacobiano es i'.4 4.645 correepondiente a y: 200.95 y úr Refrriéndonos a la tabla en el Apéndice D. búsqueee en Ia columna y el valor 9. ) 0 y 0 de otra forma. a. Por tanto el área de t para el cual el área sombreada a la izquierda es 0.gg) = 0. entonced el área sombreada a la derecha es 0.138 DTSTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO ú [cAP. (d) el área sombreada a la izquierda : 0.99. 4.(b) 1. J z t . (d) Si el Área sombreada a la izquierda es 0.99. El resultado 1. -1)(v'\/2) "-.26 como el valor pedido de ú.90. losvalores: (o)L. (b) el área total sombreada: 0.70 correspondiente a v = 27i (c) 1. entonces el área a la izquierda de ú¡ es (1 repreeenta la percentila 95. sea 0.38.:: ::'.05. (e) el área a la izquierda de ü. Sielá¡eaalaizquierdadeú¡ es0.01 y el área sombreada a la derech¡ es 0.css = 3.05.es.O5): 0. vlW v2 . . ) 0.01/2 : 0.'') (?ñ rr^ o(vz/2) -| "-'. 4-19. t.

au d.n. 10.*r. /.l= *.0 = 4.-'1t'"tvp)-uvr\j-:. : (4. página 118. Apéndice A.s. hallamoa \-i.78)2.L5.ot.t .r.(vz/2) Jo -tL-!:j!::-:(I5). Verificar que (o) /.t e. etc..0g (d) Por el Teorema 4-8.. hallamos F. ( " *.18)2. rr. ir ua 0.\rt.48. donde vt -.71)2. hallar (¿) F..'rrr.cAP.2* .ut = t'(P) ap Jo da) ) 0 y 0 ei rt É 0.50¡2.ss : ".30.rt) - (¡'r +t2)/2 - .so. Demostrar que la distribución F es unimodal en el valol ¡v' ' La moda localiza e! valor máximo de la función de deneidad.ss : t?n (b) fl.4l si u DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 139 > 0.+v2't/2r-r = 0 Dividiendo Wt ut|ti2)-2(t2l t¡t)-[("\+t.326.e75.ul F'. (b) F . rs = 3.l¡.TZ) \ (-" se Utilizando el criterio de la segunda derivada podemos demoetra¡ que realmente trata de un máximo.46.1-2\/ /\.7L = (2.. hallamog ..47. donde. r¿ desde La función de densidad (marginal) de U puede encontraree integrando con recpecto a decir 0 ha¡ta €. Pero de Tenemoe (r h(u) / v2\vr/2 4Q 1/'' . (c) = 10.ob.. que es el reeultado pedido.rr.oc.1 -.80.1 = (3.o.t)- tyt ('4fa) (.'r2\ ) = 0 ó trt ry = /. RELACIONES ENTRE LAS DISTRIBUCIONES F. = # = 0...\z . Vemos que 18. (o) DeI Apéndice F. (a) Comparar ia¡ entradas en la columna de la tabla F.r' / 2(.96.\ z /.i/2)--t (v2:L vru)-(r. .\/2i-r.+t.. la función densidad de la di¡tribución F es r[(t. = 0.ee. /. es decir (r. u. A diferencia de una conetante. i \rn) - 2\ / v' \ si v.t r rz)tz Si tiene un máximo relativo se presentará cuando la derivada sea cero. (b) Del Apéndice F..... primera f.\i = /v' I vr\ ) si u ) 0 y 0 ¡i z¿ 5 0.257. 7. Utilizando la tabla para la dist¡ibución F en el Apéndice F..o.2* r. (c) Por el Teorema 4-8.- r1u)-¡(. =- 9. . ) 2' de (.. .5 L6l = (72.¿t.'.8 = 3. er hkt) = ei u (. F. ro. 4. (d) F.s. ro.. ¡2 y ú 4.F' gs.2\/2)-t e-tt+<v{/v2)t(o/2> z(tt ' u2)/2 t0t/21 l. 15.o5 en el Apéndice F con e¡a¡ en l¡ distribución ú bajo ú. \. > 0 y 0 de otra forma.r. \ : ¡.. página 118. 4. 11 . r.9.5. rr.io = F_¡ .o.rr.

.. que puede establecerse simplemente como F r-p = t? ott¡ l(4í).l.r(l +3!) t r-ru+l)/9 ) O.-. P(. I ^F. etc. vemos que el lado izquierdo de la última ecuación es igual a z.'. 34. Entonces y a. Por tanto ^\ F.2 -. 98. Entonces por la definición de un valor de percentila.5 = (9.rtF. Re¡olviendo.92)2.48.'.9 " / +1\ -t'* "" t / vv/21l-12v-(.l / +z\-r¡ \ '/ ¡=. tenemos P(T=+tlrno¡ = t -Pi .4 (b) Comparar la¡ enhadas en la primera columna de la tabla F. Sea 11 .r¡ n'(.4*)___\-. P. 21. Vemos que 4050 : (63.66)2. Demostrar el Teorema 4-9..sí generalizar los resultados del Problema 4. Por tanto t-P 2 = Pp<T:.'.49.*rr.1 = (5. pfuina 116.ee en el Apéndice F conegarenladistribución ú bajo ú.0 <'T = *t/Ft_o) ú donde ? es una variable aleatoria con distribución de Student con u grados de libertad.eer.140 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP.84)2.Ft-o) f(u): 0 para ¿ < 0. \ : {".)" \/ Com¡rarando con (42).es el nhmero tal = 7- * t\ "/" ./" + r\ \ / l+1) "/ \-(!¡!'/'l tru = } -p En la integral efectf¡e el cambio de variable t=t t/-u: r)r'rl '\ J -'(f+-¡ dt = t-p 2-r 2. '\2/'\2/ "11\ "/r\ t -/.r( .u/2¿-r/2(y + ul-(r1tr/2 ^/.)" . y que P(U 5 . página 118.t. t { l'-'u-r.(. + r\ r( ol -r- ./ para u /_u_r.+tfttur¡ = P(T s +VFt-p) .60)2..-¡l r.o) r\ \ '/ ll '=2 | '\ . v2 = v en la funeión de densidad para la distribución F f (ul = .página 11?]. .P(f 0) = = P(T=+\E|-+ donde hemo¡ usado la simetría de la distribución ú. 4.(4.

Sean X. página 118..'.r"?ll--+"-. y) dada por (49) debe para todos los valoxes de x.8t (b) -.¡ !. 3.52. entonces la función de densidad normal bidimensional (49).Por tanto la probabiüdad de obtener un 3 en el quinto lanzamiento es 1/6. tt tt¡/z.7 2. Análogamente la probabilidad de no obtener un 3 en el segundo lanzamiento ee 5/6.+..¡ es el número üal que P(T=tt. La probabiüdad de no obtener un 3 en el primer lanzamiento es 5/6. Comparar las entradas en la última fila de la tabla . Entonces vemos que a r': ó) con etc.. que era lo que se querfa demostrar.25 77i6 . r por una función solamente en y para todos ser el Inversamente. K (r(r . lotll.(p/z\\ = l-?. 3.145.02 = #. Méüodo 1. Ll .95 y (b) p : 0. Hallar la probabilidad que en lanzamientos sucesivos de un dado honrado resulte un 3 por primera vez en el quinto lanzamiento. si X.il = (4 . en el Apéndice E. Demostrar que X.4!¡ 4 2. La prueba general del Teorema 4-10 se deduce tomando el límite cuando U2 la prfuina 117. Véase Problema 4. ya que la función de densidad de Ia distribución positiva. etc.s2 T r.1.21 . s. la probabilidad pedida es Y/r\ \6i \6/ / s c. lo cual provee la verificación requerida.CAP.99. Y son independientes. s.. para (a\ p : a1 0. Por tanto ú es estrictamente +\/F. f(x. 4.F e. Entonces vemos que 6.51... = tt-(p/zt ó Fr-p : tl2t'-tptz'.ú los valores de = t-+o-.78 = #.. Si el coeficiente de correlación p = 0. Verificar el Teorema 4-10.. Y son independientes solo si su coeficiente de correlación es cero. Y son independientes. _ 9. 4. se convierte en l@. DISTRIBUCIONES DIVERSAS 4.. etc. lo cual provee la verificación requerida.:\/2= en .. er el Apéndice F (correspondientes las enhadas bajo x:nn en el Apéndice E. por definición.'. producto de una función solaménte en.. Y variables aleatórias cuya función de densidad conjunta es la distribución normal bidimensional.94 3.4] DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L4t Pero.... + * en la distribución F en DISTRIBUCION NORMAL BIDIMENSIONAL 4.00 =.r y una función solamente en y. = @) con = "'13. )Lo. (c) Comparar las entradas en Ia última fila de la tabla F o= en el Apéndice F (correspondientes las entradas bajo ¡.60 -. Entonces la probabilidad de no obtener un 3 en lo¡ primeros cuaho lanzamientos es (5/6)(5/6)(5/6X5/6): (5/6)4.50.r'il ) y y puesto que este es un producto de una función solamente r. página 118. 't7 2. y se deduce que X.L . -. Esto es posible sólo si p : 6. y este nfimero se determina finicamente.GB a ¡'.

977?6. alf hay 6 . de la distribución Weibull. 1 en el primer dado y 2 en el regundo dado. (b) uno.ra evaluar la (ü) E(Xz¡ = fo- oOro*r¿-oto¡lg r "b ('/z\r*ttro> e-!:u(t/b)-t = o"o )o \.q:616.oJs u.""tb)-t a-ub I ur/be-! du Jo a_. 6 = 36 forma¡ en las cuales ambo¡ dadoe pueden caer. : atb pa. (a) P(ninguno ee gradúe) = 5Cs(0. Verifrcar las expresiones dadas para la (a) media. ó aprorimando 0.6)r : 9.55. i7't6 4. \i)"-".4)0(0.2692. pedida er pRopro [cAp.08 (D) P(re gradúe uno) = 5Cr(0. La probabilidad de que un estudia¡rte que ingrese a la universidad se gradúees 0.be-! = o-2/br\t + a) Entonce¡ / o\ ¿u 02 = El(X-u¡21 = E(Xz)-uz = PROBLEMAS DIVERSOS o-".63. etc. eon p: Ll6.r I ú ). se gradúe.64. (c) al menos uno. 4 Utilizando la di¡tribución geoméhica..26 (c) P(al menos uno re gradúe) = 1 -P(ninguno se gradúe) :0-92224. i) integral. etc. 11.L42 . página 118. DISTRIBUcIoNEs DE rRoBABTLTDAD coN NoMBRE Método 2 (utilizando fótmula).tbr donde hemo¡ ütilizado Lr ¡ustitución u f@ ab ('/"\ du /' (r.¡ :6 Gzl vemo¡ que la probabilidad /t\/o\' _ \6/ \6 / página 119. . - f.4.4)1(0.92. 4. (o) t' = E(X) = JO f abrb e-o"o d. 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. E¡ta¡ ¡on 1 cn el grimer dado y 1 en el regundo dado.of ¡(1 + 3) b/ L\ . ó aproximando 0. Determinar la probabilidad de que de 5 estudiantes (a) ninguno. (b) la variarrza./ du (' = o-r. 2¡.p(\ t + +)-l ó/J 4. (D) al menos dos veces en 6 ¿ead¡¿o¡ por (1. ó aproximando O. ¿Cuál es la probabilidad de obtener un total de 9 (o) dos lanzamientos de r¡n pa¡ de dados? en veces.6)4 = 0.

1. ^ /r\'/e\'. . (D) Varianza : npe: (40OXO.56.5 en unidader tipificadar : 5.17 z: -1 y z:-4. Por tanto la de¡üación tfpica = /56 = 6.2:{)./ * '"'(. dependiendo del número de respuestas conectamente solucionadas de un total de 10. Suponiendo que las calificaciones están distribuidas normalmente.6 (área entte 0. 4.1): 40. ^ /r\ta.17 z: -1 y 277o z: O) 0.6.2 = -'1. es decir podemoselpemr que 40 tornillo¡ esüén defectuosos. 4. Véase Fig.5 en unidadee tipificadar hoporción pedida: á¡ea entre : : .ó6. 5). P(al menoe 9 doa veco) : 1 - P(9 cero vecer) - P(9 una vez) : .-"^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. Para aplicar : 6. (b) la calificación máxima del L0% más bajc de la clase."'\g/ ' ^/rY/s\u.2788: .\0/ \e/ \s/ ^/l\'/q\' ffitZü 7268s 4. determinar (c) el porcentaje de estudiantes con 6 puntos.5 puntoe.7)1L. 6).-.. la distribución está sesgada a la derecha. 4-20. 3).? y la desviación típica fue 1.133 coeficienüedecu¡tosis: l. un total de 9 ocurte en 4 cqlos¡ (3. (a) Media : np :400(0. == vnpq H = 0. (4.5gr 441 * ss1 441 . 10 puntos. Si la probabilidad de un tornillo defectuoso es 0. Por tanto una calificación de 6 puntos ¡e cor¡sidera como 5.5Bt 441 = 531 441 441 Otro método. (a) la di¡tribución normal a datos discetoe. Las calificaciones de un parcial corto en biología fueron 0. (a) (b) Coeficientedeeeego= Puesto que es positivo.5 . 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. hallar (c) la media y (b) la desviación típica para la distribución de tornillos defectuosos de un total de 400.7)1L.3418 - y e = 0) (áre¡ entre z :{.0 (6.0676 : O. ^/r\'/a\'.1XO. (o) P(9 do¡ veces en seis lanzamientos¡ = 6"'\t/ /q\t-' . . (5.6u.cAP. Halla¡ los coeficientes de (a) sesgo y (b) curtosis de la distribución en el Problema 4.2. .9): 36. 4). (6. La calificación media fue 6./ \ó/ * '"'foi ó * '''Gi 72689 1 10240 960 48 61 = 681 440 65f ¿¿T . ^ /r\u = 'c'(o/ \é/ * '"'(.4I DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 143 De estas 86 forma¡ todar igualmente factibles ¡i los dados ¡on honrado¡./r\'/e\a.er)*P(9cincovecer)*P .58.17 (5. L. eb necesario con¡idcrar los datoe como si fueran continuoe.a di¡tribución ee s+l---^6:q : 3+ff1-6(0'1X0'9) = nuq 3'01 ligeramente má¡ apuntada que la distribución normal.6 a 6. (c) la calificación mínima delL0% más dto de la clase.2.6../ \.5?.

I -0. La probabilidad de que se cuente una parüfcula en el tiempo Af ee proport t tatr cion¡l a At y puede eecribir¡e como l.7)17. La Fig.4-22 o ran si AÍ es pequeño. la probabiüdad de no cuenta en el tiempo t Entonces Po (ú + At) es la probabilidad de no cuenta en el üiempo ú + Aú. Entonces (x2 - 6. Por tanto.40 : -L.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. Si se suponen lar llegadae de lae partícula¡ sucegos independientes.L14 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP. Si (b).4-20 Fig.r2 la calificación mínima pedida zz =L.4 . 4. Por tanto la probabilidad de no contar en el tiempo At ec 1 .I At.x2:8.2 u 8 aproximando al entero má¡ cercano. zt Enüonces zt = (xt . 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. exiatirán término¡ adicionalecqueincluyen a (Aú)'y órdene¡ ruperiores.7)lt. Refi¡iéndose al Problem^ 4.2 ! 22 Eu equivalente en unidades tipificadas. 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. Máe precisamente.28 (aproximadamente).28y Ír:6. Entoncee tendremos una cuenta en el tiempo f * Af en lor riguientee dos ca¡o¡ mutuamente excluyenter: (i) 1 cuenta en el tiempo f y 0 cuentar en el tiempo At (ii ) 0 cuenta¡ en el tiempo ú y 1 cuenta en el tiempo Aú . 4-22 repteeenta el eje de tiempo c.28. por tanto área. At.on O como el origen.69 halla¡ la probabilidad de exactamente una cuenta en el tiempo t. 4-21 (b) Sea r ¡ la calificación máxima pedida ] z¡ !u equivalente en unidadec tipificadas. rin considerar los términoe que incluyen (Aú)2 y término¡ cuperiores. (c) Sea .26 6 aproximando y al entero má¡ cercano. = 0.P6(0): c e¡ la probabiüdad de no cuenta¡ en elüiempoGrro. Por tanüo c = I y l¡ probabilidad pedida ee (11 Po(¿) = ¿-^t 4.69. por simetría : L. a Area entre zt y O: 0.17 I'ig.10. Halla¡ la probabilidad de que en un tiempo f no se cuenten partículas.que lógicamente e¡ 1.Z:-t. pero no se consideSea P6 (ú) r-----]--l Fig. tenemoS (r) De (I ) obüenemos (2) Po(ú+a¿) = lú Ps(Ú)[1 -IAú] = -IPo (¿) At+0 lim Po(¿-f a¿) - PoQ\ e¡ decir (. Un contador Geiger se emplea para contar la llegada de partículas radioactivas. 4-2L el la izquierda de z¡ eo LOT.60. De la Fig.28.6.

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

608 pul.23 y z sea O.79. 4. (c) coeficiente de sesgo. haltar (a) P(Z = -1. (c) solament e 2. Demostrar que si una dishibución binomial con n : 100 es siméhica. -0. (b) menos que o iguales a 1.r)af(rl para la distribución binomial.(b)z=I. su coeficiente de curtosie es 2. Interpretar los resultados.85V 4.81' 4.2 o. (D) mayor que 0.79' 4. Z está distribuida normalmente con media 0 y varianza 1. (b) a la izquierda de z:0.45. (b) por fuera del recorrido ¡t ! 1.?0 m? cm. (c) Si las estaturas de 300 estudiantes están distribuidas normalmente c\on media 1. (b) menos que p . ¿cuántos estudiantes tienen estaturas (o) ¡nayores que 1. Calcular la (o) media.76. Si X está distribuida normalmente con media 5 y desviación tipificada 2. Hallar la probabilidad de que en 30 años (o) Ias 5.5 o? 4'83.75.82. (ó) el área a la izquierda de z sea -0.8{. 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. ¿qué porcentaje de esas mediciones diferirá de la media por (o ) más de media desviación típica.71.72.0314. 4.4 respectivamente.7O. (d) correspondientea z>:2.96 =_ Z < t. En un examen la media fue 78 y la desüación típica 10. todas de edad idéntica y con buena salud.50. (c) a la derecha d.4O.61? pul. Demostrar las fórmulas en la página 109 para los coeficienües de seego y curtosis. (e) el áiea en¡e-z y z 4. (a)Determinarlas calificacionestipificadasdedog estudiantes cuyos puntajes fueron 93 y 62 respectivamente.64).610 y 0.? y n : 60.69. Hallarz¡ si P(Z-21)= 0. Si (c) P(lzl > r).!6. (c) el área entre de z tales que (a) el área a la derecha de z sea 0.74. determinar el porcentaje de los cojinetes de municiones con diámetros (a) entre 0.615 pul.O?30. (e)correcpondientea-0. lt!aosea . La calificación media de un examen final fue 72 y la derviación típica g. (d) igual a 1. (d) iguales a 0. Hallar el área bajo la curva normal (o) a la izquierda de z : -1.5722. (dl al menos I persona esté viva.77. (b) desviación típica.2266. (/)ala izquierda de z:-2. DISTRIBUCION NORMAL 4.oo ¿ea 22c/a.80< z< !. Evaluar (o) ) (c - p\3 f (r) v (b) > (r .58.55 m.4 4.b superior de los estudiantes recibirán una calificación A (excelente). hallar P(X > S). 4. EnelProblema4. (c ) mayor que g 1.86. 4.59 y 1.78: Hallar los valores sea 0.L46 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.2O y z --2. (b) P(-1. (b ) al menos 3.68.9.t ! 2 o.900.96). (d) coeficiente de curto¡is para una dishibución binomial en la cualp : 0. (b) menos de hes cuartos de desviación típica? Si ¡'t es la media y o la desviación típica de un conjunto de mediciones que están distribuidas normalmente. z:-I.82.56. dondeZestádistribuidanor¡nalmenteconmedia0yvarianzal.85- 4.6140 pul y desviación tipificada 0.80' 4.6 y 1. (c)z:-2. ¿Cuál es la cslificación mínima que debe obiener un estudiante para recibir una A ? Si un conjunto de mediciories está distribuido normalmente.gShallarlacon¡tanteatalqueelporcentajedelo¡casos(o)dentrodelrecorrido 7 í'. entre 1.6 Hallar (o) la media y (b) la desviación tfpica de un examen en el cual los puntajes de ?0 y 88 corresponden a calificaciones tipificadas de -0.El m inclusive.2 respectivamente. 4. (c) menores que 0.e z: -1.52 y a la derecha de z: 1.t'c. El l}'.83.0025 pul. 4. 0.618 pul inclusive.85 m. 4.15 y z *aO.?8.23yz:1. (b) Determinar los puntajes de dos estudiantes cuyas calificaciones tipificadas fueron y 1. llallar el área bajo la curva normal z: 0. 4.?O m y desviación típica 10 Si los diámetros de los cojinetes de municiones están normalmente distribuidos con media 0. entre (o) 4. (d) el áreaentre 1. ¿qué porcentaje de las medicione¡ están (o) dentro del recorrido I.84. Un agente de una compañía de reguros vende pólizas a 5 personas. 4.

9!. página 113. Demostrar el teorema del lfmite central para el caso en q rre X ¡. Halla¡ la probabilidad de que el resultado sea: (o ) 1 "uno". 4.2. ( t 3 ). (b) 7.1 t\.(Sugeren- cia: Utiliz. Demostrar el resultado (l 7). 4.96.97. (c) menos de 85 o más de 116 caras.90. 3 . . 4. (c)2. TEOREMA DEL LIMITE CENTRAL 4.(d)8.87.(c)6.t9. Education and Welfare. (c) menos de. hallar la probabilidad de que en 8 de tales extracciones se seleccione una bola roja 3 veces. 4. Generalizar el resultado a n variables. Xz. ( L 1 prob. Entonces se coloca la bola en el talego. (bl 24 o más de 40 preguntas en un examen tipo verdadero-falso.92.10O.(n5lámparar sean defectuosas. Un talego contiene una bola roja y siete blancas. 4. 4.99. f. Se extrae una bola y se obsen'a su color.97.(b)2.ar la función generatriz de momentos). (d) 55 o más.101. .entoncesXr+X2 tieneunadistribucióndePoissonconparámetro). (d) exactamente 100 cara¡. el promedio de ahogados en accidentes por año es 3.95. -'. Si 3% de las lámparas eléctricas producidas por una compañía son defectuosas. Explicar por qué se podría esperar que el teorema üengan la distribución de Cauchy. p pr. (d) 3. Según Ia National Office of Vital Statistics of the U. hallar la probabilidad de que (of rnís de 5. (b) menos que 90 caras. Hallar la probabilidad de obtener más de 25 "sietes" en 100 lanzamientos de un par de dados honradoe. Xz. . Demostra¡ el teorema del límite central para las variables independientes xk = 4.(e)entre4y8. Se lanza un dado honrado 6 r¡ece¡.93. <x< @ 4. . 4.(f)menosdeS ahogados por año.91. hallar la probabilidad de que en una muestra de 100 lámparas eléctricas (a) 0. 4.0 de cada 100 000 personas. del límite central no sea válido en el caso que X¡ . (b) cada ca¡a una vez.cAP. En el Problema 4. Demostrar que si respectivostrr X1 ¡l X2 son variables independientes con distribuciones de Poisson con parámetros ytrz. . Utilizando (o) la distribución binomial y (b) la aproximación de Poisson a la distribución binomial. arí generalizando el Problema 4. (e) 4. (b) entre 1 y 3.94. Hallar la probabilidad de que en 200 lanzamientos de una moneda resulten (a) entre 80 y 120 caras inclusive. de loe tornillos sean defectuosos. r¡ : L - p. Halla¡ la probabilidad de que 4. Department of Health. son independientes y están distribuidas idénticamente con la distribución de Poisson. (b)entre 30y 60. (c)entre y 46. 1/2 prob.88. página I 1 1 .b. Una máquina produce tornillos. "heses". Hallar la probabilidad de que en un muestreoaleatorio de 400 tor4illos producidos por estamáquina (a)máximo 30. f(r) =. 4l DISTRIBUCIONES DTSTRTBUCTONES DE PROBABTLTDAD CON NOMBRE PROPTO PROBABILIDAD PROPIO I47 L47 APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 1. 2 "doses" y . S.98. . DISTRIBUCION DE POISSON 4. enunaciudadcuyapoblaciónesde200000ocurran(a)0. o 2lámparas eléctricas sean defectuosas. Hallar la probabilidad de que un estudiante pueda acertar eorrectamente lasrespuestas a(a)12 o más de 20. 36 LO"/o de los cuales son defectuosos. 1/2 -r -t Demostrar el teorema del límite central para las variables independientes 'Yk donde g = | | 1 prob.#Tf DISTRIBUCION MULTINOMIAL 4.

106 y e¡tudia¡ la precisión 4. entoncel su mdia 4.148 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cA¡. (b) ninguna sea figura. De 60 aspirantes a una universidad 40 son del oriente. Si se seleccionan 13 cartas aleatoriamente (sin remplazamiento) de una baraja de 62 cartas. 4.119. Demostrar directamente que (22). y (b) la función caracterfstica de la di¡tribución gamma . Y son independientes y ambas eetán distribuidas uniformemente en el intervalo de 0 a 1. 4.103. Si Xt y Xz son independientes y distribuidas de Cauchy. Hallar la función generatriz de momentos para la di¡tribución uniforme. (b) todas sean blancas. Determinar el coeficiente de (a) > ll 6/. página 115.con < 2). blancas.z 114.111. (b) P(Xz > r2).4 4. hallar la probabili4.págrna114. dad de que (a) 6 sean figuras.116. Suponga que X tiene una distribución de Cauchydeacuerdocon(29). ó (24\ se para resolver el Problema 4. 4. tl¡llar(o) P(X= 1). azules y amarillas en la proporciün 4t 3z 2: L. página 108.107. Hallar la probabilidad de que de 10 bolasextraída¡: (o) 4 rean rojas. Demostrar que el recorrido semi-intercua¡tílico para la di¡tribución de Cauchyeeo. Demostrar que si X1 y X2 son independientes y tienen la misma distribución {e Cauchy.Hallat(a) P(X i. 4.121.106. Generaliza¡ el resultado del Problema i. ¿Porqué en este caso el 4. Una variablealeatoriaX tiene una distribución gamma conQ:3.113.(b)8 sean rojas y 2 amarillas.fl DISTRIBUCION DE CAUCHY 4. Una caja contiene una gran cantidad de bolas rojas. (c) al menos una sea roja.108.11E. Hallar la probabilidad de no obte4er un 1.110. (b) no más de 2. Verificar que (31 ). 2 ó 3 en cuatro lanzamientoe de un dado honrado. 4. Emplear la aproximación binomial (18) obtenida. Hallar (a) el tercero y (D) el cuarto momento alrededor de la media de una dishibución uniforme. cuando N ' e. sean del oriente.112. o:2. Si X. 4.págin. recorrido gemi-intercuartílico es un eustituto de la desviación tfpica? aritmética también tiene esta distribución. 4. normalmente con media 0 y varianza l Demostra¡r que Y: Xt lXz tiene una distribución DISTRIBUCTON GAMMA 4. es una función de densidad. SiXestádistribuidauniformemente en-2< x=2. (b) P(lX-11 = +).9: 4.114. Si se seleccionan 8 bola¡aleatoriamente (sinremplazamienüo) determinar la probabilidad de que (a) 4 sean rojar. Una caja contiene 5 bolas rojas 5l l0 blancas.105.120. S blrncar.102. sesgo y (b) curtosis de una di¡tribución uniforme. DISTRIBUCION UNIFORME reduce a (I ). Si se seleccionan 20 aspirantes aleatoriamente. 4.Hallar(al P(X <1). Determinar los valore¡ modales de la distribución gamma. 4. 2 zzulee y l amarilla.109. hallar la probabilidad de que (o) 10. 4. página 116. DISTRIBUCION HIPEBGEOMETRICA 4. (t) P(l = X=2).122.11?.115.104. hallar P(lX . Yerificar la (a) función generatriz de momentos dadas por (33 ).116. Z. 4.

(d) el área a la derecha de ú1 sea 0.139.¡.98.ss. (o) llaltar x! y x? tales que el área bajo la distribución x2 correspondiente a v -. (d) 40. (b) 12.142.(c)eláreaaladerechadeú1 eea0. y x! tales que (a) P(U > x?rl = 0'025..(b)eláreaalaizquierdadetlsea0. f f.rz. (e) el área entre -f1 f f1 sea 0.10'(d)el sea 0. hallar el valor de ú¡tal que (a) el área a Ia derechadeú1 seaO.95. Si una variable Utiene una distribución de Student con ¡.z¿i (d) F. Demostrar que la distribución beta tiene una moda l¡nica en DISTRIBUCION CHI-CUADBADO r: (a - l)/(a P(lX-+l = +).132.páSrrra 115.13E. Verificar que la integral desde u lsugerencía: Hágase a : 0 hasta e v2u).01. los valo-res de x? y x! no son únicos' 4.55 ! 4. hallar el valor ie .90. (c) 28. Hallar 4.%t con y :7. área combinada a la derecha de ú1 y a la izquierda de -f1 4.or. / una buena aprorimación para percentila (100p) de la distribución normal tipificada.99.9¡' P(U>c)= 4.i) 4. Para una distribución chi-cuadrado con 12 grados de libertad. (d ) 60. \b\ Yar (7zl -.12?. (b) el área a la izquierda de xi sea 0. er igual a 1.123. (c) el á¡ea a la derecha de xl sea 0.eo. (d) P(U 2 c) = Q.50. Resolver el Problemz 4. + p . (c) F.rzo.124. (ó) y (b) x. si el número de 4.131.zoi (. 4.oo.01. 4. Verificrü que (34).ss.01.donde zo hra una distribución f de Student con 15 grados de libertad. Hallar (a) es la x. (c ) 25.126.' dada Por r * .05.02'5yv=20'(c)eláxea 16. Halla¡ los valores de ¡2 para los cualec el área de la cola derecha de la dietribución x2 de grados de übertad z ec igual a (o) 8. (D) P(-a= U 3 c) :0. ¡2o egtá x?ozs y (b) xizs para'r = 4. Demostrar que para grandes valores de 4. hallar x2.¡' 4. grados de libertad DISTRIBUCION x ./(.05. (c) P(x?< U < x2z) = 0.130. - 2). lJnavariablealeatoriaXtieneunadistribuciónbet¿cono:3. 250. (b) Demostrar que si la suposición de áreae iguales en la parte (o ) no se cumple.90yy:25t (b)eláreaalaizquierdade-ü1 sea0. (b) F.4l DISTRIBUCION BETA DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO t49 4.ti ti¡l gue (o) el área a derecha de ¡l sea 0. v: -f1 sea 0.13?.20 91tt: 1i Y_4_.gc. (b) 19.128..125.025.cAP.1 de la función de densidad (45'¡.129.141.or'so'lr-.01. si el r.134. 4.01 y ¡.727 si el área de la cola derecha es 0.? 9:?^5: suponiendo ireae'ig. Halla¡ (o) 4.95.rúmero e.9:2. ee la 0.os. = t2ul(v1* .g. Demostrar que (a) E(xz) = DISTRIBUCION ú DE STUDENT 4. pígirn 117.140. : 6. Demostrar que la va¡ianza de la distribución t de Student con t. v ) 2.valores de grados de libertad I ú para los cuales el á¡ea de la cola derecha de es igual z (a) 4.136. hallarlaconstantec talque (a\ 0. v. 4. la distribución ú es 0.133. Q) F.:10. Si la variable U tiene distribución chi-puadrado P(u < x?) : 0. 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.2gs para r = 150. Hallar los .rales a la derecha de xB y a la izquierda de x!. 4.136. es una función de densidad. Hallar el valor de: (a) F. Demostrar que para 1 grado de libertad la distribución ú es una distribución de Cauchy.05. (c) P(U = cl = 0'20.2.ol/l'.2\' 4. (e ) 150.rs.

¿Puede deducirse la ley de los grandes números en forma débil del teorema del límite central? JuEtificar su solución. 4. ¿tiene X2 una distribución chi-cuadrado con 1 X1. Si X.143.156.0. Halia¡ el valor aproximado de (t3o).15E. b. prfuina 118. Demostrarque k=l ) X* tiene distribución de Pascal 118).150.144. k=1.n.. Completar la demostración de la ecuación (8) del Problema 4.. c.. página LL8.145. 4. Demostrar el resultado (46)..155.^h. (Sugerencia: Ilaga la transformación u : 1/u)..159. de 4. 4. página I44. página 116. demostrardirectamentelosresulta- 4. Demostrar el Teorema 4-10. 4.o2)a(0. RELACIONES ENTRE LAS DISTRIBUCIONES CHI-CUADRADO.1 o2 .4 4.0r. son independientes pero no necesaria.0. rj +n'r l¡ = ¡'oof 4. Suponer que X. Demostrar que 2u (.153.X. Si Xr. 4. Hallar la función generatriz de momentos de la di¡tribución hipergeométrica.Porevaluacióndelasseries dos del Problema (") 4. constantes y b2 < ¿c. demostrar que e8t6n distribuidas marginal- "? y oi respectivamente.36.8. página 118.14E.. 4.A) = ke-(!¡z+2bra+"v'l donde a. mente con varianzas h aon 4. Demostrar el Teorema 4-5. É^ ¡=o .146. 4.. Demostrar el Teorema 4-8. (véase página cada unacondistribucióngeométrica..e8¡zsa \z /' * (tlu)to.. Verificar que estas constantes son l¿¡s dadas en (19).7ffi1.X. página 114.. Y mnjuntamente tienen la distribución bidimensional (19). libertad respectivamente. Sean las variables independientes n X¡.37 demost¡ando que si buidas normalmente con media 0 grados de 4.. 4. PROBLEMAS DIVERSOS 4.149. Demostrar los resultados (20) y (23).prgradoe X¡ + . . Generalizar el Problema 4.147. ento'nces ) Xf ti"tt" 51.162.....16O.. hallar la función de distribución de lonva¡iablesaleatoúasindependientescon di¡tribuciónchi-cuadradoypr..6O.' o) 4. mente tienen una distribución idéntica.. Demostrar que cuando v "> @ la distribución f de Student tiende a la distribución normal tipificada. k=l son variablee aleatoria¡ independiente¡ disürluna distribución chi-cuadrado con y libertad.150 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. Y tienen la función de densidad conjunta f(r.pfuinal77. .161.r. . + Xn. .r.e8)2ez \3 /' y dar una interpretación de probabiüdad. y varianza 1. Demosha¡ el teorema del límite central para el caso donde Xt. (ó) io ". 4. Si X está distribuida normalmente con media g y variznza grado de libertad? Véase Problema 4. DISTBIBUCION NORMAL BIDIMENSIONAL 4.157. . Xz. .. (a > o' o .154.c<ts -.I Y T' 4..

(b) v = 2. .4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 4. (b ) la velocidad media. (c) v1* 4. página 119. (d) la velocidad efectiva(rme.cAP.F' f. Comparar sus resultados con l¡ entrada 5. (c) la velocidad más probable. Estudiar qué le sucede a la media ¡i (o) r = . y varianza de la distribución gas para loc casos (o) (b\ v2= 4. Estudiar qué le sucede a la varianza de l¿ distribución t 4.162. 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.164.163. Determinar (a ) la conetante c.esdecirlarafzcuadradade la velocidad media al cuadrado).

.

Farte tl ESTADIST¡CA .

.

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

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

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

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

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

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

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

n 1 grados de libertad. Para n '. (1) .ra : 3o4 . Nótese que (2) se reduce a (1) cuando ¡.t normal. /. la curtosis. d .. Sr respectivamente.o con gran aproxima- O. (r/ I lo 't/tt l1(t1 que es casi igual a o2para valores deir trr j . Proporciones oP \ ^7ett " ¡ !.i Las notas para desviaciones típicas sqn igualmente aplicables aquí. etc. la media poblacional en todos los casos.t o \/n muest¡al de medias se ájusta mucho a una normal (normal asintóticamente) para n = 30 incluso para poblaciones no normales. ttp .p en todos los casos son dn¡crr Medianas - "!t. (l) Desviaciones típicas o" Os !t/ 2n población oq está dada por (1) solamente cuando es normal (o aproximadamente (r) normal).t62 Teorema TEORIA DE MUESTREO [cAP. OTROS ESTADISTICOS Muchos otros estadísticos además de la media y la varianza o desviación típica pueden definirse para muestras.Sl. lo que se cumple para poblaciones normales...: nSj/('n 1)or.. los momentos.j respectivamente.5 5.¿s ción.!!1.-8: Si se extraen dos muestras aleatorias independientes de tamaño m y n respectivamente de dos poblaciones normales con valianzas oi. el estadís_ tico F lr^ -_ '1.100.?/.ac\ \{r/ tiene la distribución F con ffi 7. Enlonces si las varianzas de las muestras aleatorias están dadas por .Í . r.1.-_.puede utilizarse (2 ). La distribución Medias o. EI teorema también puede aplicarse en el caso de que las distribuciones de población no sean normales pero tengan forma de campana.1 ) en caso de que la población sea Va¡ianzas (-') O. Si la población noesnormal. la moda.: ir. 6n Las notas anteriores para medias igualmente aplicables aqu í. Por ejemplo la mediana.2533 0 \/n Para n = 30 la distribución muestral de la mediana es muy próxima a una normal. Para n =) 100 la distribución muestral de la S es muy próxima a una normal.!f S. el sesgo. Los resultados dados son válidos solamente si la población es normal o aproximadamente normal. Nótese que (2) se convierte en (. 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. u.

5-1 ercepto que el eje vertical es frecuencia relativa en cambio de frecuencia. Puesto que 5 estudiantes tienen estáturas casoc:62. por ejemplo.5-62.:) riri {l¡ ¡ lii 12 o ilr -71 27 8 . o por un polígono de frecuencios uniendo los puntos medios de los techos del histograma. Es interesante observar que Ia gráfica parece indicar que la muestra se extrajo de una población de alturas normalmente distribuida.5. inciicadas por 6G-62.'RECUENCTA Si una muestra (o una población) es grande.5:3. DISTRIBUCIONES DE F. que puede tomarse como representativo de la clase.) de tro estudiantes É tr-r (::i t'.l .Por e¡emplo. el resultado sería una distribucíón de frecuenciarelatiua oporcentual. Por esta razón es útil organízar o agrupar los dofos. etc. conjuntamente con los dados. En este La primera clase o categoría.5--65. El histograma correspondiente es entonces semejante al de la Fig.5. se ¡nuestqan en la tabla anterior.5 los números 59. es Ia diferencia entre el límite real superior e inferior.-r-l correspondientes a esta clase Ia correspondiente frecuencia de clase es 5. o al menos sus medias y desviaciones típicas (errores típicos). puecen enct-¡ntrarse con frecuencia. . etc.'J ir z 61 64 6t- l0 ?3 76 (pulgadas) Estatura (p [:ig.5 pulgadas mientras que unaregistrada como 62 pulgadas realmente está entre 61. EI punto medio del intervalo de clase. Orden3mos los datos en clases o categortbs y determinamos el número de individuos que pertenecen a cada clase. podríamos haber registrado el intervaIo de clase como 59.5-62.cAP. La ordenación resultante. se conoce como d¿süribución de frecuencia o tablade frecuencia. El ancho del intervalo de clase 7-ésimo. Tabla 5-2. Si en la Tabla 5-2 registramos la frecuencia relativa o porcentual en cambio del número de . denotado por c¡r que comúnmente es el mismo para todas las clases (en cuyo caso se denota por c). es difícil observar las diferentes características o computal estadísticos tales como la media. DISTRIBUCIONES DE FRECUENCIA RELATIVA Y OJIVAS estudiantes err cada clase. EI siguiente intervalo de clase sería entonces 62. Como ilustración suponga que una muestra consiste de las estaturas de 100 estudiantes de la univelsidad XYZ. desviación típica. Ya que una estatura registrada tromo 60 pulgadas realmente está entre 59. Tabla 5-2 ESTATURAS DE 1OO ESTUDIANTES DE LA UNIVERSIDAD XYZ o H o 10 (pulgadas) fir) Estatnra i Número -f.5 y 62. Io que se llama uninterualo de clase.5 se conocen como límites reqles de clsse.. la frecuencia relativa o porcentual correspondiente a la clase 63-56 es 18/100 ó 18'i. denominada la frecuencia de clase. 5l TEORIA DE iúUESTREO 163 definiciones son análogas a esas dadas para poblaciones en el Capítulo 3. se llama marca de clase. Algunos de estos.5 y 60.5 y 62. 5-1. 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. La suma de ias áreas es 1 ó l-00'. En el intervalo de clase 59. 60-62 es 61. consiste de estaturas desde 60 hasta 62 pulgadas.5-59. como se muestra sombreado en la Fig.5 pulgadas. Distribuciones muestrales para estos estadísticos.

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

(tr l cr- de tal modo que obtenemos de (3I ) las fórmulas claves 0 = c2(XIi-M'l) l1tt = cj(Mi. Si escribimos il. 6. 3. (30) Las dos clases de momentos están relacionados por ?ll1 Q tnz -: 1n:.U (b) . 11. De una manera semejante otros estadísticos como el sesgo.gWiMí + 2M'r3) lnt = cl(xIi. : t: hl . la curtosis. It.. es decir. Pero 'rrr : >("j)l lln = /tlr = n¿z )'/[(a + c¿r) -. /l¿¿ tni (s 1) etc. (c) la media de la distribución muestral de medias. el error típico de medias.fi l-''' n * f rt'i' 4JÁ s f.\3 t)t1 mimit+ün\2ntí-Bn{ra f. 8.29.r 11. pueden hallarse Probletna. para muestras.(ir.cAP. Considerar todas las muestras posibles de tamaño dos que puedan extraerse con remplazamiento de esta población.s resueltos DTSTRIBUCION MUESTRAL DE MEDIAS 5.gM'r") (32) etc.1.i7-- xIi- f /¿¿' n entonces las relaciones (3f ) también son válidas para las M. . (a) r o2 = 12___i_E_l_e_ll J :l --. ((i _1 (8.tt¿'i2 ntlt . _ l(.-'(i)r ¡) ri 5b *rt-f. 5l TEORIA DE MUESTREO 165 y al origen respectivamente están dados por ¡'rt .^. etc. l¿ I' . (b) la desviación típica de la población. Halla¡ (a) la media de Ia población. (d) la desviación típica de la distribución muestral de medias.Snt\mí + 2tn.utiui+ 6It[i'M3 . Lógicamente la segunda ecuación de (32) es igual a la (28).. Itt Fórmulas semejantes existen p¿üa momentos superiores.ll ---- 30 Lr. . '1 9 + 0 c + 41'21 - 10. Así los momentos r con respecto a la media rl n (2e) .8 y o = 8. Una población se compone de los cinco números 2. r !11 0.

11) La selección (2.D 6."2*= o2/r.3) (6.5 1 4. 8).0 6.0). 8).. 2) (8.8) (6. ¡r: 6 y o2 :10. 5.2t (3. éstas son (2.0¡:: -f -' .40. ) "l . 7.r ) 4.8) (8.0 poniendo de manifiesto el hecho de que tÍ - (d) La varianza.1. 6) (8. elevando al cuadrado cada diferencia.166 TEORIA DE MUESTREO lcAP. Estas so r (2.0 : itO + 6.5.5 11.5 ¿" (l 8..11) (8. o: 3.?..0 -i.29. (2.o2/ N .2) (6. (3.8).\ N _irl.8) \3. sumando los 25 números así obtenidos y dividiendo por 25. l'I1!11-q9-"'-lgl-99'":'I9't3ls 25 comprobándose que ) 150 tt - o'' t{' -.to oue el sesundo miembro ^^ .0 8.11) (6. El resultado final es .8/2 = 5.11) (3. 5.f.2.0)2 = 4.0 7.5 (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 5.5.0 y la media de la distribución muestral de medias .1-¡ .11) 4.5. 8. 4.0 es 8. nuesto que segundo -:^-L-^ "" (.6) \2.. 3) (rl.0 (2.40 = 2'32 Esto pone de manifiesto el hecho de que para poblaciones finitas en las que se efectúa muestreo con remplazamiento (o poblaciones infinitas).0 5.0 + 7. Para una demostración general véase Problema 5. (2.* 2. 5. rj).5 + 9.8. Lo mismo que en el Problema 5. 6) (3.5 + 10 /r. 6.5 .5 7.3) 111. or". ll ). Para una demostración general de este resultado véase hoblema I .3).5 7.47.0. 10'8/5 . (3.. de tamaño dos que pueden extraerse sin remplazamiento (esto significa que se extraerá un número y después otro número diferente del primero) de la población.8) (11.6. y la media de la distribución muestral de medias es 9.6.1¡ muestras (2. de la distribución muestral de medias se obtiene restando el valor de la media 6 de c¿da número de (1 ).!lr_115.11) (1r.0 O. (o) y (ó) como en el Problema 5.0. 11).-.5.b - 6. 3) (3.6) (tt.05 Y ox r. ¡'.8. 3) (2.2) 12.2\ Esto pone de manifiestrque '' .5 6.O. _Í ) .2). (3.6).5 9. (d) I'a varianza o{.6) (6..* . 7.5. que es el valor obtenido anteriormente.40 de modo que o.2) (11. 4.r' = 16. Las correspondientes medias muestrales son 2.5 + 4.05.5 I.5 = 6.0r 6.8) Las correspondientes medias muestrales son 2. 11). (6. + (9. (8.2. + l:1.5+ 5.0 9.0 -('25-10 - c. (6. 4 135 : -.0 otr 3.U t< (.01. de la distribución muestral de medias x es 6.4. por ejemplo. 5.puestoqueel segundo miembro es 10."\.0 4. 7. (c) Hay iC-.0.0 5. de acuerdo con el valor anterior. Para una demostración general véase Problema 5.3). se considera la misma que (8.1 para el caso de muestreo sin remplazamiento.

8 en unidades tipificadas 68.0038 -2 A7 Entonces el nhmero de mueshas esperado es : (80)(0.0pulgadas o vn N-n _3 N-1 \/% .4 - 68.02 onzas.0 pulgadas.6687 Entonces el número de muestras esperado es (80)(0. sino solamente una distribución muestral experimenú¿1. (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.5l TEORIA DE MUESTREO r67 5. (b) de más de 510 Pa¡a La distribución muestral de medias ox- o yn !* = p = N-n N-1 5. la media y desviación típica esperadas serán muy próximas a las de la distribución teórica.5 Proporción de muestras con medias entre 66. que son muchas más de 80.67 0. : (área bajo la curva normal entre z : -2.67 Proporción de muestras con medias menores de 66.0 pulgadas y desviación típica 0.02 onzas y una desviación típica de 0.(área entre z : 0.4962 : -2.4 en unidades tipificadas: (66.3 pulg.0)/0. (b) 66.6 pulgadas.5\ :(áreaentree:-2yz:O) * (área entre z : O y z : 0.6 (68.0 pulgadas y Yox=- ox = o=3 \/n {zs = 0.6 pulgadas y puede. (b) menor de 66. pues.4 pulgadas? ¿En cuántas muestras del Problema 5.4.8 y 68.0)/0. Supóngase que las estaturas de 3000 estudiantes de una universidad se distribuyen normalmente con media 68. puesto que el número de muestras es grande.8 y 68. De aquí que con 80 no se obtenga realmente una distribución muestral de medias.5 - 0. cojinetes de bolas tienen un peso medio de 5.25 -1 que es ligeramente menor que 0.3.67) : : (área a la izquierda de z : 0) y z : O) .4 pulgadas .304 o cero.0)/0.1915 : 0. Fig.6 : -2. 0.6682) ó 59.6 pulgadas 3000 3000 (b) p* = p - 68.0098): 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.5.8 .4772 + 0.30 onzas. por tanto. para todo propósito práctico. Por ello.3 cabría esperar una media (o) entre 66. Quinientos onzas. cabría esperar que la distribución muestral experimental de medias se distribuya aproximadamente normal con media 68.0 : 0.68.3 en unidades tipificadas : : (66. 5. = tL = 68.3 . habría mucha aproximación entre las dos disbibuciones muestrales. Así. pulgadas.68.02 ? . 5-3 5.(área a la izquierda de z : -2.cAP. ¿cuál será la media y'la desviación típica esperada de la distribución muestral de medias resultante si el muestreo se hizo (o) con remplazamiento. \a) p*. Sin embargo.0 y z : O.30 500 /ioo 500-1 - 100 0. Así se tiene.6 : -2.0 pulgadas y dewiación típica 3.6 (o) 66.0 0. Si se toman 80 muestras de 25 estudiantes cada una.3 La media X de una muestra en unidades tipificadas viene dada por Z X-p* aX X-68. considerarse la misma que en el muestreo con remplazamiento.5) : O.

96 Probabilidad pedida : 2..+ "' + -' Entonces puesto que X¡.027 5.ruo2. Demostrar el Teorema 5-2. Puesto que el número de caras es una variable discreta. Puesto que X1. la cual tiene media ¡1.02)lO.96\ (área a la derecha de z:0) . solamente se darán 3 casos cada 2000 de obtener una muestra de 100 cojinetes con un peso total superior a 510 onzas.+-\1L tenemos como se requiere l E(X) = ]lEtX.5-5 5.O2\10. tenemos por los Teoremas 3-5 y Var (X) -f vu. se pide Ia probabilidad de que el número de caras se encuentre entre 47...0015 : (área a la derecha de z Así. X2.00 - 5. En esta población la probabilidad de cara es p : I12 y la probabilidad de sello es C :1P : l12.. mediante la aproxlmación normal a la binomial. página 158.7.0.6.7 4) (áre^ entte z : -2.22 y z : -0. 3-7 " x.8.) - . (x1) r rI (x.96) :0.O27 : 2. 4. Tenemos .2704 : 0.(área entre z : -4. 5. '1-. 6 72.5-4 (ó) El peso total excederá de 510 onzas si el peso medio de los 100 cpjinetes sobrepasa las 5. X. tenemos l¿-12 E(X¡) = * Entonces ya que la media muestral se define como -Y='' x.t - . F'ie. Se procede como en el Capítulo 4.48(i8 .5 se encuentra entre 4.7 4 y z : O) = 0.pues. Se 1-2O.22 : --0. son ina"p"nl'i"nt".(área entre z : O y z = 2.5 .(.O27 : -2.02)lO.5.+"'") =..ttr rr"rr"n Var uuri^X. Demostrar el Teorema 5-1. página 158.. (b) sea 5/8 o más del número de lanzamientos. son variables aleatorias que tienen la misma distribución que la población.168 (o TEORIA DE MUESTREO lcAP.7 4 : -2... .216-1 (área entre z : : 222 -074 Fie.96 en unidades tipificadas: (4.10 en unidades tipificadas: (5.00 onzas.22 y z : O\ .0.E6)) = L(rr\ = t! 6.5.10 .96 5. y 6Ol/" de l2O.4985: 0.10 onzas.96 ) El peso total se éncontra¡á entre 496 y 500 onzas si la media de los 100 cojinetes y 5. Hallar la probabilidad de que en 120lanzanientos de una moneda el número de ca¡as (o) esté comprendido entre el 40% y el60%.5 y 72.00 en unidades Probabilidad pedida tipificadas : (5. Se consideran los 120 lanzamientos de la moneda como una muestra da la población infinita de todos los posibles lanzamientos de la moneda. DISTRIBUCION MUESTRAL DE PROPORCIONES 5. (a) ' pide ra probabilidad de que el número de caras en los 12Q lanzamientos se encuentre ent¡e 4O(/o de 6 48.

00417) y (0. Así pues. = .4887 ) : O.fn ficadas son.6250.9.I9 : -2.0r56 - 0.40 0. (b) 518 o más de sus lanzamientos resulten cara? Este problema está estrechamente ligado al Problema 5. puesto que 5/8: - 0. de 0.60+0.5 en unidades tipificadas = - 60 72.1.5 5.5 en unidades tipificadas = 72.28 que concuerda con lo obtenido por el primer método.idad pedida = 2.0456 40Vo enunidades tipificadas 60o1c -2.s los posiblea l¿nzamientos de una moneda.48 . puesto que no se ha utilizado el hecho de que la proporción es realmente una r¡ariable discreta.74% de ellas con porcentaje de ca¡as entte AOVI y el .I9 en unidades tipificadx: ffip z sí la probabilidad pedida es el área bajo la curva normal entre 0. i:abe esperar el encontrar un97.5 .60.00417) corresponden a las proporciones 47.50 = _2.977 4 ttp=P:i=o. de la población infinita de todo. - 0.60 5. puesto que L1240: 0.cAP. Aquí se consideran S00muestras.86 : (área bajo la curya normal a la derecha de z : 2. que 0'00417 0. Cada persona de un grupo de 500 lanza una moneda 120 veces.28y2:2.(áreaentre z : 0 y z : 2.40 y se Buma .8 se ha obtenido que todas las posibles muestras de 120 lanZamientos de una moneda.0.117 l1 a 0.40 72. 0.6250 - 0. Teniendo esto en cuenta se resta 11 Z" = Al¡.0041?-0.65\ : (área a la derecha de z : 0) .0'60 = 2. (o) En el apartado (o) del Problema 5.=1p= ^FY = 120 = 0. 5l TEORIA DE MUESTREO ¡r: núrnero de ca¡ae esperado .50 0.0456 (0. ¿En cuántos individuos cabe esperar que (o) el númoro de caras se encuentre entre eI 40% y el 60% desuslanzamientos.5 .t9 yz : 2. (área bajo la curva normal entrez=-2.19 : 2(0. = 2. las proporciones pedidas en unidades tip! 0.8.28 _ y 0.28) 2(área errtre z : O y z : 2.4857) : Aunquees:cresultadotiene dos cifras significativas.4960 : 0.65) : 0.28 : : : Otro método.detamaño 120 cada una.5/120 y (b) Empleando el segundo método de (o) se tiene.00417) en unidades tipificadas Probabilidad pedida .00. Adviértase que (0.48 Probai¡ .0456 = 2.0041 7.28) 2(O.uo ".np = rzo(!) = oo o= 47 \/"pq 47.0040 -_ 0'6250 5.971. no concuerda exactamente.60 + 0.51720 del primer método.

s (o) 3% o más. se concluye que en (500X0.26): 0.oo125)enunidadestipificadas=W=|.0714 se : O.50 + 0.8 : - 1.0..21 (área bajo la curva nonnal a la derecha de z : l. Otro méüodo.98) v = 400 _ 0. Este tipo de error es un rresgo que se presenta siempre que se trata con probabilidades.02 (o) y oP=tE= : 1/ 0. ¿Cuál es la probabilidad de que en una partida de 400 piezas sean defectuosa.5000.8)12. Es interesante advertir que en 500 .1131 .-' 0.170 TEORIA DE MUESTREO lcAP.. (2()'o de 400) = 3 Entonces 11. hubiese obtenido 0.4G y ".18) 0.0'02 -: 0.5/200 = 0. (a) Puesüo que I. Tales individuos pueden razonablemente sospechar que sus monedas no están bien hechas aunque sí lo estén.489 : 1I individuos cabe esper:ü que su número de caras no se encuentre entre el 4O% y el 6O% de los lanzamientos. p0.0025 : 0.007 Mediante la corrección para variables discretas.14 = 20 0. 12 o más significa 11.={-= . (b) 1000 individuos elegidos aI azarde entre la población votante se hubiese obtenido una mayoría de votos para dicho candidato.5 o más. (b) Razonando como en (o).7 4% de 500. También puede utilizarse el aegundo 5.25 y como antes la probabilidad pedida (b) {0. : 2 personas se esperará que los 5/8 o más 5. Los resultados de una elección demostraron que un cierto candidato obtuvo el 46% de los votos.5000 - 0. L/2tt.00125) en unidades tipificadas 0'02 r 010q1?5 .25 hobabilidad pedida : (área bajo la cu¡va normal a la derecha de z : I.0362: 1.o3_o. En concepto continuo.10.5 y'1+oo)1onz)¡rsg : 2. Se sigue que en 489 individuos se esperaría que su número de caras se encontras€ entre eI 4O% y el 6O%.46)/0. (Esta proporción puede también obtenerse dándose cuenta que 101 o más indica mayoría.5 en unidades tipificadas : " : {"w : (11. En ó00 muestras se puede esperar 97 .) Entonces. 1/800 0.57L4 Si no se hubiese aplicado la corrección.0352 L12n: ll40O: 0.1056.5025 Probabilidad pedida : . una mayoría se obtendría en la muestra si la proporción en favor del candidato fuese 0.5000 + 0.0025. Se ha encontrado que el 2% de las piezas producidas por cierta máquina son defectuosas. (3% de 400 ) : 12 piezas defectuosas.3869 :0.0764.5025. sería 100.00125. ó 489 muestras con esta propiedad. Determinar la probabilidad de que de (a) 200.a es .2t) : 0.18 Probabilidad pedida : : (área bajo la curra normal a La izguierda de z 0. se tiene (o. pero ésta.0040) de sus lanzamientos sean caras.p = :p = 0.5 y así la proporción sería 100. método del apartado (o).02(0.5025 o más.11.1056 Si no se hubiese aplicado la conección se hubiese obtenido 0.5 6OVo. (b) 2% o menos? PP'=P=0. como variable continua.02 I 0. 0.5025 en unidades tipificadas : (0.

6 r¿. = mediadelapoblaciónU.-(e) ou". = (2-3)2 * (4-3)2 =l ó ou"= l.cAP. Sea Ut la variable de los elementos de la población 3.._ri. ofi.0158._u". 8 y U2 lavariable de los elementos de lapoblaciín2.6l (b) pp TEORIA DEMUESTREO = p: 0.' Éiinz.7 g .) nu. y 0.) o (e) . Si se toman muestras al aza¡ de 125 bombillas de-cada fabricante.. (f) n'u r- u" = mrianza de la población (U 1- U 2) (1-3¡z + (5-3)2 + Oo. [. ou.12..e + ll = La población consistente en las diferencl¡e de cualquier término de U¡ y cualquiera de (J2 ea 3-2 3-4 Entonces 7-2 7-4 media de 8-2 8-1 (U1.. 7. ¿cuál es la probabilidad de que las bombillas deA tengan una du¡ación media que sea al menos (a) 160 horas.Ur) Fur-u.6g) = 0.= \Ej7r-.' ¡ecado dc 5.46@Ba)/1000= 0.4964 DISTRIBUCIONES MT. (d) V @ ). = varianzadelzpoblación U. rnientras que las de otro fabricante B tienen una duración media de 1200 horas con una desviación típica de 100 horas. (b\ pu. sacado de (o) esto concuerda con el resultado general FLtr_uz= y (b).13._u. (o) (b) (c) Éy. (t) vr.4.46. Las bombillas eléctricas de ün fabricante á tienen una duración Lned. = varianza de la población I/' (3-6)2 + (7-6)2 + (8-6)z _ 33 a2u..0036 = 2. = media de La ]{S*?*8) = l. (f.j ut-v2 (6-3)21(-.... o.. 14 (d.. @). -3)2 + (3-3)2 + (4-3'¡z b L7 3 Eeto concuerda con el reeulüado general para muestras independient"" ou.ia de 1400 horas con una desviación típica de 2OO horas.]ESTRALES DE DIFERENCIAS Y SUMAS 5. = població n lJn = f.69 Probabiliüd pedida : (área bajo la curva normal a la derech¿ de z = 2.m=!T.a demostración del resultado general se deduce del Teorema g-7 . = t/f.5025 en unidades tipificadas = ff*s : 0. Calcular (a) *u. (b) 250 hóras más que las bombilhjde B? .iu.q/n = y'd.5000 - 0. = FLrt = 4Lrr.

L72
Denótense por

TEoRTA DE

MUEsTREo
1200

[cAp.

5

*n y )(o las duraciones

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

É*¿-*¡ -

- ttxn
ofr

1400

-

=

200 horas

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

=

1/(1qo]'

v 125-

gry = 2o horas 125
xrr\
20

La variable tipifieada para la diferencia de media es

(X,+-

Xil

-

0'x

(x^-

o.(.,

-

200

*o ss:
(160

mucho a una distribución normal.

(o)

La diferencia de 160 horas en unidades tipificadas

Probabilidad pedida

: : : :

-

2OO)\2O:

-2.

(área bajo la curva normal a la derecha de z

0.5000 +

0.4772:

: -2)

O.9772

(b)

La diferencia de 250 horas en unidades tipificadas

es:

(250

-

2OOll2O: 2.50.

Probabilidad pedida

(área bajo la curva normal a la derecha de z

:

2.50)

0.5000

-

0.4938

:

0.0062

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

/¿x,-*o = trx, /r¡o o*,

0.50

-

0.50

-

0

-,t,

=

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

ffif

.ffif

=

o.ooo8eb

P(z>-2.23

ó 2=-2.23) = P(Z>2.23)+P(z=-2.2:t) =

2(0.5000-0.4871) :0.0258

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

hechas, la probabilidad de ca¡a es p

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

-

1-12.

Entoncer, ApA 4I,B =

!t',r. pn -

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

f

q|li-t t¡

Z = lP¡- PB-

0)/0.10.

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

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

:0.9

que

es

0.5000

-

0.3159

:

0.1841.

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

cAP. 5l

TEORIA DE MUESTREO

173

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


r,,

y D2, se tiene

, '

t,D,) r¡" :
oD,t

trnr*

po, =
-

27.3

*

15.6

=

42'9 pulgadas

= t/7,, + 4,
trD,

\Á¡:i6FJT¡8)t =
27.3

0.l8pu[adas

(b)

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

I tro,

- 15.6 =

11.7 pulgadas

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

(0.08),

=

0.18pulgadas

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

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

1500

+

1500

+ 1500 =
2G0

4500 horas

- {t.!ffi.,
(5000

-

\mbO)t =
= I.92.

horas

(o

)

5000 horas en unidades tipificadas

: Probabilidad pedida : :

4500)/260

(área bajo la curva normal a la derecha de

z: t'92)

(b)

4200 horas en unldades tipificadas

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

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

: -1'15

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

(o)

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

0
0.25 4.00 9.00

0.25

4.00

9.00

20.25 16.00 6.25 2.25

0
2.25 6.25

2.25 6.25 1.00 0 1.00 0
6.25
es

20.2t:
/,.s2

16.00

2.25

La media de la distribución niuestral de varianza

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

b..ro

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

2 y o2

:10.8

lvéase

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

3, = ;= (b) La íarianza

52, puesto que se seguiría que 4.q,

o2. (véanse

también las notas de la página 160)'

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

t74

TEORIA DE MUESTREO

[cAP.6

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

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

l0

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

=

o.7ó

t\ p.r = / N \ /" : \ñ=/\T)"

[ecuación (re), página 160], como

se

N:

5,

n:

2

y

o2

10.8 el segundo miembro pasa a ser rs,

: (f )({)(10.8) :

6.75.

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

5.20. Demostrar que

E'(S')

= |c
se

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

define en

Teneno¡

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

r)(Xr

- tl - (Xz- ti -

.. .

- (xn- p\)

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

ceror por tanto se

E[(Xr- *¡21 = #U"-

L)2

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

d2)

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

=

I

fr{("-L)znz

* o2 * ... I

o2l

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

=

= ;nt<Xr-

1-

X)2

+ . .' + (X"-

X\21

Método z.
Tenemos

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

¿-1 o-) "l = n-L " -o'
p\(*

^

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

p)2

- 2(x¡-

- r) + {i -

,,¡z

v

(r)
donde lá su¡na es desCe

)1x,-i¡, = )(x¡j: t

p)2

- z(X-p))1x¡-r)

+.)1x-u¡z

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

cAP.5l
(2)

'"O*'O

DE MUESTREO

t76
u¡z

)tx,-xlz
>

j

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

- 2n(X- ü2 + n(*p)2 - n(*-p)z
ti2 -l

puesto que

6¡-

¡r)

=

el Problema 5.7 hallamos

Sv - np -"(X t-

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

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

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

i
o'

-

(n_

7)o2

¿'(S'z)

n
n

L

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

vzrianza 02, entonces su función

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

* Xz* . .. *

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

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

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

_

xt +x"l-...
n

1x,
t/2
02

es

Éx(") = t( ;)

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

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

/n, y el resultado

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

l',,. donde

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

r' - l'-ú: rt = o2--,

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

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

(X;-

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

(a)

Tenemos

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

7.2, tenemos

176

TEORIA DE MUESTREO

lcAP.

5

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

1

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

0.2b

(b)

resultados son iguales.

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

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

I'-'+, olln

Y-"

- nS2 z =ff,

| = fl-1.

Entoncespuesüoquelas X¡eetÁndistribuidasnormalmenteconmedia¡r

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

-

Se

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

f =
tiene la distribución
ú

,/u,

)'

= -!-P

s/\/;=

x-P
Snla

con n - 1 grados de libertad.

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

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

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

-1.0 -0.33 0.11
Realmente hay

-;;

-1"'

-1.0 -0.20 0.25

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

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

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

Yl

,..,, Y¡

reopectivamente. Entonces las

si = * -J tx, - x¡', sj
donde X,

at'¡

=

; -) rr', - i'r,

Ii ¡on las medias muestrale¡.

-

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

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

tiene la distribución F con m

-

1, tr

-

cAP.5l

TEORIA DE MUESTREO

r77

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

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

3e

. Por tanto

F '

-

1.85---iJá

s?

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

DISTRIBUCION DE FRECUENCIA

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

Tabla 5-4

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

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

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

:

11 aproximadamente.
Peso
1

Tabla 5-5

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

(libras)

Cuenta

Frecuencia

18- 0r/

I tl
'ft|+ I
Tfl+
,.

102

r28I DD-

I

3848A'1-

I AD 1

I
1

1
1

586373-

(;8- nt/

27 :t2 37 42 47 52 67 62 67

ll il/t

2
4 o 8

'l|lJ

lll

ilil ll /il
TOTAL

A

2
D

1

1

77 lt

I 40

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

Tabl¡ 6-6
Peso (libras)

Cuenta

Frecuencia
3

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

El histograma y el polígono de frecuencias para

cada

uno de los dos casos considerados en el Problema 5.28

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

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

5
q

12
D

4
2

40

178

TEORIA DE MUESTREO

lcAP.5

:¡T¡83:ETg!E['
Peso (libras)

f3¡

r40

14? t58

187 t76

165

Peso (libras)
F

Iris.

5-?

ig. 5-8

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

Tabla 5-7

Nfimero de
Número de
caras
0
1

lanzamientos

(frecuencia)
38

t4.t
342
287

2

(o)

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

164 25 1000

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

5

TOTAL

ta

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

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

es la frecuencia

total 1000.

de frecuencia se están tratan-

o

É o)
E N É
o

o

350 300

ú o
d
É
N

^-^ óou
soo
250 200

zso zoo
150

ñ
(d tt

lcu
roo
50

9

roo
50 0

h
!a

z

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

1231
Número de caras Fig.5-10

(b)

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

4.75.4. L48. La Fig. Cuatro grupos de estudiantes. 5-12 Fig.6.3 + 4 + 5+ 4 + 8 1 2+ 5+ 4 20 =ñ:n'" Método 2. 2x It 5 qA +3 | fi + 5 + 4 + 5 + 2 + 8 + 6+ 5+ 4 + 8l.2.8 5.23 caras.0 o o É o C t{0 6 N^^ Eou o O . Método l.3. Hallar la media aritmética de los números 5. 153 y 140 libras.5. Nótese que las Figs. 1. 5-11 o en la Fig.(6)(5) +(2)(3) +(2)(6) + r5)(4) I (2)(2) +(3)(8) 6+21-2+5+2+3 96 20 = 4.10 Hzo o lzo A 0123456 Número de caras 6 0123.5. CALCULO DE LA MEDIA. respectivamente.5-ll (c) La representación gráfica puede indicarse como en la Fig. dos 2 y tres 8.1 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?. 5.6. formados por 76.2 52. La Fig.4.6. . 5-11 y 5-12 corresponden a las Figs.5 100. cinco 4.4. 5-12 muestra el polígono de frecuencias acumuladas u ojiva de los datos y los trata como si en esencia fuesen continuos.4.8..8 18. 5-9 y 5-10 de la parte (a). de modo que eI mismo porcentaje l8. Entonces _ )/¡ n . dos 6.10 N-^ EOU G' o :! . 20. 5-11 es Ia más lógica para representar datos discretos.1 Número de caras Fig.8.4 81 . así por ejemplo.2ol. Hallar el peso medio de todos los estudiantes.56 ó 1.8.32.aparece para todos estos valores (indicado por la línea horizontal). el porcentaje de lanzamientos en los que haya menos de 2 caras es igual aI porcentaje en las que haya menos de 1.3. Hay seis 5.0 3.31.2.10 y 18 individuos registran una media de pesos de 162.TEORIA DE MUESTREO Nfimero de lanzamientos Nfrmero de caras (frecuencia acumulada ) 0 Porcentaje de lanzamientos (frecuencias acumuladas porcentuales) 0.5. VARIANZA Y MOMENTOS PARA MUESTRAS 5. dos 3. 5-12.

alcú" 2f¡u. pígina 163. Derivar la fórmula clave (27). etc. -..34 para hallar la estatura media de los 100 estudiantes de la Universidad XYZ (véase Problema 5-33). etc. T abla 5-lO 5.)" = 67+ (i%). se consideran como teniendo estaturasde 61.64. Utilizar la distribución de frecuencias de estaturas en la Tabla 5-2. La media está dada por fi _ 2f¡r¡ = = nnnn.35.35.. xj . 67. pulgadas.o. Adviértase que todos los estudiantes con estaturas de 60--62 pulgadas.página 164. )/'(o*crr¡) = o>f. Denótese la clave de marca j-ésima por . Entonces la desviación de.45 pulgadas Los cálculos involucrados pueden conveitirse en tediosos. Véase Problema 5. Tabla 5-9 Estatura (pulgadas) Ma¡ca de clase (c) 61 Frecuencia (/) 5 fr 305 60-62 63-65 66-68 69--71 64 67 70 18 AO rt52 28t4 r890 584 27 8 72-7 4 ¿-)/-100 2 fr = 6745 2lr >/ - + .. 18 tienen una estatura de 64 pulgadas. La solución puede ordenarse como se indica en la Tabla 5-10. por ejemplo.33. El método se denomina el método claue y debe emplearse siempre que sea posible.¡ (tambiénescrito brevementecomor =a I cui. para la media aritmética. XYZ.34. es decir r¡ -o:cltj óx¡: a *cu. si 5 tienen una estatura de 61 pulgadas. la es La solución se indica en la Tabla 5-9.180 sfn TEORIA DE MUESTREO lcAP. )fu = l5 u = "*(?t.45 pulgadas . Elproblema entonces se reduce a encontrar la estatura media de 100 estudiantes.. etc.r¡ con respec[o a alguna marca de clase determinada a. 5. para hallar tatura media de los 100 estudiantes de la Universidad.rj. 5 = 150 libras 5. especialmente para los casos en los que los números son grandes y hay muchas clases. Técnicas breves se encuentran disponibles para disminuir el trabajo en tales casos.ffiq = 6?.t yaque n=2f¡. 63-65 pulgadas. = a*c! )/'rr' . es igual al tamaño de intervalo de clase c multiplicado por algún entero u¡. Utilizar la fórmula clave del Problema 5.

DO'O 64 67 70 73 -3.45 4t. = a*cú' t¿ . Hallar la desviación típica de las estaturas de los 100 estudiantes de la Universidad XYZ Véase Problema 5.11 Estatura (pulgadas) Ma¡ca de clase 61 r r- r-r = 67.4200 n=)/=100 2 2f(r-ñlz= 852.9025 208. Hallar (c) la varianza y (b\ la desviación típica para los números en el Problema 5.a solución puede ordenarse como se indica en la Tabla 5'11.38. " 2f(r-r\2 _ n 6(5 . 5.0L25 214.45 pr.Do 18 42 27 8 0. Como en el Problema 5.92 pulgadas 5. (o) Método 1.2460 8.20 .20 20 2.33.45 2.4.7500 f(r TL n\z 852.6025 11. 5l TEORIA DE MUESTREO 181 5. Como en el Problema 5. = +:q = 65'6 en unidades libras cuad¡adas o (libras)2 .36. Entonces n20 _ 59.cAP.39.8)2 _ (b) De (o\.32.8. página 164.34 tenemos ri = a + cui y ft = a*c'" 2f. HaIIar Ia desviación típica de los pesos de los estudiantes del Problema 5. .31 tenemos ú = 4. donde hemos utilizado el hecho de que las 5.z - 2 f(r . 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. Del Problema 5.u.7500 100 = {dEfB = 2.36.45 -0.37.2025 6.rlgadas.55 o.10 libras.31.6 (libras)2 : \6bS libras : 8. s2 = 59.8025 72-74 246.45 lr - fr)¿ Frecuencia 5 / f(r ñ\2 60-62 63-65 66-68 69-71 -6.96 y "-rfzs6=1.8):¿ + 3(8 - 4. : y'Gb. para lavarianza. aír 20 Méüodo 2.5025 30. Derivar la fórmula clave (28).8)2 = 2QA (2_20 4. x: 67.33.r\2 n 15(162.5050 I¡D.

/¡¿)'l = ¿21¿ .40.az¡ n \n /l = ta)'f-re? / rs Vl = Ltoo-\t*/J ^ ó'b-275 y s: 2.41."? -'#2 2ú2c2 r¡u. La solución puede ordenarse como se indica en ta Tabla 6:12. 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.{r.\t 't t l = = ".1"u.> f .u? -t t - C2[ /2f._ "o¡.40 obtenemos la Tabla 5-13.L82 Entonces s2 TEoBTADEMUEsTREo [cAp.'r". De la frltima columna tenemos ¡ como en el Problema a2 = "rfL>l!'.o. : }> f .f!n'LN c2[u2 (. + tlz) 2xt = *2 : t.u.35.<"? . = ¿2.33.39 para hallar la dewiación típica de las estaturas en el Problema 5. 2 't t f.33.f ¡@.92 pulgadas.jú. + c2úz *> r.u? = ¿2 ¿2 * .- o¡. b = f. Tabla 5-13 fi u f o 18 42 27 8 Íu -10 -18 0 fu2 fux fua 80 18 0 6t 64 67 70 73 -2 -1 0 1 '20 18 0 -40 -18 0 27 16 27 32 27 64 27 2 L28 2 fu+ z= )/: 100 2fu=16 2fu2:97 I/aa:33 -- 253 . 2lu=75 )fqz = 97 lalEr lo-s primeros del Problema 5.'1 \fu/J _ ú2]l 5. cr¡atro momentos con respecto a la media para la distribución de estatu¡as Continuando el método del Problema 5. Esto nos permite halla¡ 6. Utilizat la fórmula clave del Problema 5.-a¡z i) = "i 2 ¡ .

PROBLEMAS DIVERSOS 5. que tomamos como 67 pulgadas (la marca de elase). 02.9? .15)41 : 199.15 ML=Zy = o.5275)3 (b) Del Problema 5..53-4(0. explicando cualquier discrepancia. .5275 Entonces mB = -2. (o) Emplear dos dígitoe para numerar a cada uno de los 100 estudianües: 00.6982 . De (D) yemos que e8 menoc apuntada que la dishibución normal (que tiene un coeficiente de curtosir: 3). los 18 eetudiantes con estaturas 63-65 pulgadas se numeran 05-22. (pulgadae ) Frecuencia 5 muestral 60-62 63-65 66-68 69-71 72-74 00-04 18 42 27 8 05-22 23-64 65-91 92-99 27. (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.41.6l Entoncee. . Del primer renglón hallamos la secuencia 5I..14 m+ Entonces = 199. En forma semejante 77. 7'1.33.15)(0. Cada Nf¡mero Estatura n(rmero de estudiantes se denomina número'muestral.97) -3(0.42. que tomamos como n(¡meros muestrales aleatorios.1b)B] = -2. 46 resultan en'estatu¡as de 70. (c) Comparar los resultados de (b) con los valores teóricos. 46. 67.4MiML+ 6M'r2ML- BMin) 81[2. tenemoe 183 M] = >fu n = 0.EO notación de la página 165. (o) DeI Problema 5. -0.cAP.1s)2] = ca(ML-gLI|Mi+ zM'Lz) = 2?[0. cada uno de los cuales determina la estatu¡a de un eetudiante determinado.nL¡ = ca(M't. Hallar los coeficientes de (o) sesgo y (b) curtosis para la dishibución de estaturas del Problema 5.BB Mí= >fu2 n y de (32). Asf los 5 estudiantes con esüaturas 60-{2 Tabl¡ 6-14 pulgadas s€ numeran 00-{4. Entonces extraeremo8 nl¡meros muestrales de la tabl¡ de nf¡meros aleaüorios (Apéndice I).5275 rttt Coeficiente de cu¡tosis as=E = : 199..3?59 5.15X0.3759 qa-szrgy _ 6 al = z't+ De (o) vemos que la distribución está modetadamente sesgada a la izquierda. etc.9?) + z(0. fflg = p: { (8. utilizando La TEORIA DE MUESTB.6275 B(0.(0.53 M'r') = 9[0.88 "z1ML- 8. ffi2=s2=8. 27.43. 99 (véase Tabla 5-14).33) + 6(0. lttt = ffi2= ffi3= 0 0. etc.67 pulgadas respectivamente.97 M. 40.. OL.3759 ffiz:s2=8.^=>+=2.41.6932 a3 Coeficiente de eesgo = a. Así 51 conesponde a un estudiante con estatura 66-68 pulgadas.15)2(0. (b) Hallar la media y la desviación típica de la distribución muestral de medias en (o).

42.28. 61.184 TEORIA DE MUESTREO lcAP. 06. 70.25 67. 55.50 1.25 70. Esta ee una distribución mucet¡al de mediu. 21.69.54. 67 70. 03.99 23.73. 45. 58 70. 10.6L. 93. 19. 67.96. 53.6r. 05. 67 70. 67.75 69. 67. 11.5 Por eete proceso obtencmo¡ l¡ T¡blr Fló quc rnue¡tra lo¡ n(¡mcro¡ mue¡trale¡ extrafdor.50 65. T¡bh 6-ró Nf¡meros muesFale¡ Est¡twr¡ o- E¡la+ Nfrmeros muestralea extrafdo¡ rrcqrondieatcc 67.73 73.41 pulgadar .'7L. 33 m. 70. 67. 12 3.25 68. 64. 96. 67.44.24 64. 58. 21.75 69.79 70.02.83.00 66. 1t. 73. 70.00 70.00 (0'75)(23\ = * 'ñ- 67'58 Pulgadaa 2fuz />1"\' n -\ i " (0. 67. 70. 67. 70 64. 67. 67. 59.25 69.25 65. 65.76) = 1. 70 64.74.91.70 Trbl¡ 6-16 Media muestral 64.50 69. L2.50 66'.91.93 14. 07.25 69.74. 67 67.64 73.f = n 30 4 ).64. 67.75 68. 67 64.25 67. 20. 60. 19. 70.32 8. 81. 43 1f. 67. 70.62 4.67 64.79.25 69. 67.23. 87 fl. 75.25 64.00 66. 67.75 66.97.67.87 26.50 66. 64. 67. 73.00 68.73 67.64. 68. 67 Ír¡f¡f media 66.27. 15.50 67. 98. 73. 73 67.00 67.50 79. 3 14 16 4 I l.93 5.04.84 64. 67. 67 64.00 67. tt. 73 67.42. Medi¡ = a*cú Derviación = o*c2fu típicr = = e - 6?. 64.24. 73. 64 67.50 68.ón dc l¡ trbl¡ de nl¡rncro¡ dcatoiio¡ h¡brfrmo¡ podido inici¡¡ en eualquier parte y escoger cualquicr patrón dctetmindo.75 65. g8 25. 31. 39 13. 07. 45. 67. 6? 15.70. 40. 70 67. 51.70.64. 67. 13. 46 2.93 27.46.93.31. 67 67. 76. 67 70. 67 29.52 13.54 2:2.70 7.50 68.25 66.70.58 9. 67 23. 64.30 58.57.75 67. 64 67. 67 . 67. 56. 64.25 67. 67.0L. 56.00 64.82.28.2L. 10. 30. 6L. = 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). l.36 08. 70 6L. 67 70.96.64.91.97 24.77. 67.64.60 67.58.33.98. 70. 64 70.00 extnfdo¡ Estatr¡¡as corespondientec 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. 70.67 67.64. 64. 86 6.03. 67.2L 10.00 -4 -3 -2 -1 0 1 -4 0 -4 -6 0 0 4 / 28 45 16 23 d D .70 medi¡ 67. 51. 34.09. 70.08 12. 67. 16. 67. ?1.50 68.fu.41. 67. 70 73.64. 56.50 68.25 Cl¡enta Í 1 u fu fu2 16 0 8 6 0 2 ñ( /t/t )#{ 6 4 A a+67.70 70. 18 70. 63. 73.25 68. 90.22.08.70. 70. L¡ medi¡ y la derviación tfpica ee obtienen como es usual por los métodos claves delcrito¡ anterbrmeuüe. 73. 64.

4.cAP.8libras? La distribución mueetral de desviaciones típicas es aproximadamente normal con media 10. (a) : 11.5 .50Ib v400 5.t.8%.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. Entonces la probabilidad de que las primeras 4 sean rnayores que ü y las 2 últimas 6ean menores que u es decir - nc.10.con el valor de 67.44 tendrían dewiaciones típicas (o) mayores que 11.?d L -r. Hallar (c) la media y (b) la dewiación típica de la distribución muestral de las dewiaciones típicas. Se escogen muestras de 200 estudiantes de esta población y se calculan las dewiaciones típicas de las estaturas de cada muestra. Una muestra de Por 6 observaciones se hace aleatoriamente de una población.0228. dada por o*. La desviación típica teórica (error típico) de la distribución muestral de medias..r. 5. estamos de acuerdo con el valor de 1. La desviación típica de los pesos de una población muy grande de estudiantes es de 10. es ig¡ual.46 pulgadas.0 libras y desviación típica 0.5 .0.l' ra. (b) menores que 8.41 pulgadas de la parte (b). esto es Q\ (r) f" sean .".. ) ea el producto de (1 ) y (2). Ia probabilidad de que 3 de las primerae 4 observaciones sean mayores a u mientras que la cua¡ta obsenación se encuentre entre u y u I du e¡tá dada (1) .4 es (0..r . /(r) tr.g2/fi = 1. 5. por tanto el porcentaje pedido es 2.0y0.50 : 2.4772) = 0.) ps: o = ts=-' o 10.50 libras.33).50 : -2.10. Puesto que o/t6':2.4918) : 0. de (b) 8.92 pulgadas (véase hoblema 6.8 .46.0082.45 pulgadas (vóase hoblema 5. ¿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. Í:-lÍ.0)/0.a a. ¿Qué porcentaje de las muestras del Problema 6.3'/'.0 libra¡ en unidades típicas: (11.58 pulgadas de la parte (b).1 aJ. tenemos: ( ¿[.5l (c TEORIA DE MUESTREO 185 ) es t a media teórica de la distribución muestral de medias. . por tanto el porcentaje pedido ec 0.0.0. El área bajo la curva normal a la derecha de z 2.0 lb ( lr) \/2" + = 0. ¡1r)drl'z I J € e É la probabilidad total de que las 2 últimac'ob¡ervacione¡ Puesto que u puede tomar valores entre menores que las primeras 4 es la integral de (3 ) desde o hasta €. El área bajo la curva normal a la izquierda z : -2.8 libras en unidades típicas : (8.) au .t J.0 libras.45.0 .f 'LJ" f t@ta*l'/t.' ¡p¡ a*)"lJ'"-r. De la Tabla 5-1. de acuerdo. donde la dewiación típica poblacional o = 2. pfuina 162. dada por a¡. es igual a o/y'[.0 libras. Las discrepancias se deben a que solamente 30 muestras fueron seleccionadae y el tamaño de la muestra fue pequeño.0 es (0. Podemos considera¡ que el muestreo es o de una población infinita o con remplazamiento de una población finita.a la media poblacional ¡r que 67.44.40) y el tamaño de la muestra n : 4.

2.X): -"21(N -L). l+v:l _ ("^-pl(o. oN}. X¡= ar) = P(X¡: a^) P(X¡ = a. (b) Cov (X¡. xj= prob.a probabilüad no depende de la dist¡ibución de probabilidad f(r).. Por tanto convierte en F(B) cus t1 (' Jo f(4) ¿z(t-¿)titp = 4=6-a = G I que es la probabilidad pedida.pXxr NN = +("+)^á.a¡) = p)l ¡J. Es intere¡ant¿ notar que l. t(or-¡.n) X¡ Sin embargo.Xyl ). .o . .s. 5..r" o' Entonces (6) d.186 Para evalua¡ esta erpreeión hacemos (5) TEORIA DE MUESTREO lcAP. . cuando está dada por i*h. Entoncee.5 1. prob. Este es un ejemplo del eat¿dístico no parométrico puesto que no ae necesita oonocer ningún ¡rarámetro poblacional. u r-o = !"'nO* (4 ) se Cuando u : - u : 1 y cuando u =- = 0.. 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").: lt# \=y a¡) v dondelyzvaríande1aN. que correqronden a todas las parejas poN N ) = I=1 ("^-t'\2 +.la distribución conjunta de X1 y P(Xr= a¡. N (o) (b) Qov E(xi\ (X¡.). (or-r)(o'-r) - 1) términos. Suponer que la población con¡i¡üe del conjunto de números {dt. donde las c no son neceesriamente di¡tintas. x2 una población finita de tamaño N. Eato quiere decir que las XJ eetán dishibuidas idénticamente.. Sea xn} una muestra aleatoria de tamaño n extraída sin remplazamiento de {xr.-p) .: I ) a¡P(X¡ . ez.)I(oz-p)+'. Demostrar que si la media y varianza poblacional son ¡J y o2 entonces (a) E(Xi) = ¡r. l/N l/N (i = 1.47. y z deaiguale. En verdad. : !l_ . por álgebra elemental. I X¡= a¡) au I = *4."0 = X.*(or-p)12 . donde la (rltim¿ suma contiene un total de N(N sibles de l...* = tN P EIX:.f(u)itu @. no son mutua¡nente independientes.

Por tanto I+v:l Cov (X¡.." +a¡v = a N 02. Considerar toda¡ lae posibleamuestrasde tamaño dos que pueden extraers€ de esta población con remplazamiento.f x"\ D p (. (d) la dewiación típica de la distribución muestral de media¡. ¿en cuántae de lag mue¡tras aleatoria¡ cabe ecperar que sus medias (a) ertén enl'l.x¡)] = #ú* *. Una población est6 formada por los cuatro nfrmeros 3. (b ) sin 6. Hallar (o ) la media poblacional.LL.51. Si se erüraen 300 mueetras de tamaño 36 de e¡üa población.N-1J '¿\N-1/ Problern DISTRIBUCION MUESTRAL DE MEDIAS a.. el lado izquierdo e8 cero.. Demostrar que (c) la media y (b) la varianza de la media muestral del Problema6.iE(x)+"'+E(x")l 1 =1 n (p -r "'+p) donde hemoe empleado el Problema 6. (b ) la dewiación típica poblacional. y el Problema 6-4?.rlo s 6.¡ = .62.(.Ét ".Ét suplernenta. 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. obtenemos var(x) = Sv^. (b) sean rnayor de 22. . En el Problema 5.51 si la población 5e compone de 22 cojineter.N-1 ^' .50.48.49 si el muestreo fuese sin remplazamiento.49.048 onza¡.' " ) = .47 están dadas respectivamente por t*= (o) E6) = "1 =*"(x=) /X' +. (c) la media de la digtribución mueshal de medias.p) = -Noz r \ -2 'r' X¡) = . Encontrar (c) v (d) directamente de (c) y (b) mediante las fórmula¡ 5. (d) ¡ean menor de 22.1'". (c) sean menor de 22. g (o¡ - p)(o. cov(x¡.51.4L onzas? y 22.á.40 onzas y dearriación tfpica 0. adecu¡das. = p (b) Uüilizando loe Teoremar 3-5 y 3-16 (generalizadoe). Loa peeos de 1600 cojinetes de bolas se distribuyen normalmente con medla 22.37 onzaa.cAP.e 22.42 onzae.N\N-rl' 't/ 5. ó. remplirzamiento. ya que por definición a1 187 -la2+'. 15. 5.7.(-r¿_ i)] = Lfr-"-rf = 4(N-"\ nl.(n_'.38 o mayor de 22.) = #[. Resolver el Problema 6.53. Resolver el Problema 5.a7 @).( rr-:--r l(-.á var(X¡) * .39 onzas.6l TEORIA DE MUESTREO En esta ecuación. NÉ y la primera suma en el lado derecho er igual por definición.4L .

Se extraen dos cotecciones de 30 bolas cada una con remplazamiento y s€ anotan sus colores. Hallar la probabilidad de que en dos muestras aleatorias compuesta cada una de 200 votantec. (d) enhe ??0 y 830 horas.57. Si U¡ y U2 son los co¡r¡\ntos de nhmeros del Problema 5.65.6?. Los resultados de una elección mostraron que un cierto candidato recibió el 65% de los votos. ¿en cuántas cabe esperar (a) igual número de bolas rojas y blancas.59.el 4Oi'o sean niños. llallar Ia probabilidad de que de los próximos 200 niños nacidoe (o ) menos d. ¿en cuántas cabe esperar que (o) menos del 4OVo sean niños.64. respectivamente. sacadas de la urna con rempliazamiento. (b) 98 o más bombillas buenas? 5. 5. ¿Cuál es la probabilidad de que las dos coleccionee difieran en 8 o más bolag Resolver el Problema 5.nedias a larotura de 4000 y 4500 libras con desviaciones típicas de 300 y 200 libras.54 si la muestra extraída ee de 64 tubos. En lugar de bolas rojas y blancas. (c) más del 640/o sean niños.66. formados de 28 y 36 eetudiantes.61.56.62. ¿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. haya una diferencia superior al1^o"k en las proporciones que votaron por dicho candidato. ¿en cuántos lotes cabe esperar (o) menos de g0 bombillas buenas.188 TEORIA DE MUESTREO lcAP. Supónganse iguales las probabilidades de nacimientoe de niño y niña. tomada de entre ellos tenga una duración media de (a) entre 790 y 810 horas. Un fabricante despacha 1000 DISTRIBUCIONES MUESTRALES DE DIFERENCIAS Y ST'MAS 5. (ó) al menos 450 libras más que A? 5. ¿Cuáles son las probabilidades del Problema 5. rojas? 5.69. 5. A y B fabticzn dos tipos de cables. ¿Qué enores pueden introducirse al utilizar dos conjuntos diferentes de monedas? lotes de 100 bombillas cada uno. Los pesgs de los paquetes recibidos én un departamento de almacenamiento tienen una media de 300 libras y una desviación típica de 5O libras. 5. (c ) el 63"h o más sean niñas? Resolver el Problema 5.60.66 si las exüracciones son sin remplazamiento al obtener cada colección. difieran en su puntuación media en (o) 3 o más puntos. sob¡e las que se escrriba la inicial .63. Lo mismo del Problema 5. (b) 6 o más puntos.54. (b) menor de 785. se pueden usar hojas de papel. (c) entre 2 y 5 Una urna tiene 60 bolas rojas y 40 blancas. (d) 10 o más bolas blancas? Dseña¡ un experimento que ponga de manifiesto los resultadoe del Problema 5. (c) mayor de 820 horas. que tienén unas registencias . 5. que es de 8200 libras? DISTRTBUCION MUESTRAL DE PROPORCIONES 5.' ¿Cuál es la probabilidad de que dos grupos de estudiantes. Explica¡ la diferencia. (b ) entre el 4O% y el 60% sean niñas. comprobar que . 6.60.55. En una prueba de aptitud puntos? la puntuación media de lo¡ estudiantes es de ?2 puntos y la dewiación típica de 8 puntos.5t.63 si se comprueban 100 cables de cada fabricante? Explicar las diferencias. 6. Hallar la probabilidad de que una muestra aleatoria de 16 tubos. 5. (b) l2 bolas rojas y 8 blancas. Ciertos tubos fabricados por una compañía tienen una duración media de 800 horas y una dewiaeión típica de 60 horas. (ó ) entre el 43% y el 57% sean niñas.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.6 6. 5.12.R o I en las proporciones adecuadas. Si normalmente el 6Vo de las bombillas es defectuoso. y explic. 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. De un total de 1000 muestras de 200 niños cada una. respectivamente. 5. (c) 8 bolas rojas y 12 blancas. 5.6t.57 si se consideran 100 en lugar de 200 niños resultados.

70.49 se confi¡man utilizando (a) P(-1 < f < 1) = 0. donde ? tiene.399 400 .46 y 0.48.35.49.75.3?6 < ? 1. (c) Marca de clase de la séptima clase. (b) mayores que 20. TOTAL 400 . referencia al Problema 6. Verificar si los resultados del Problema 5. Con 6. Se pesan tres cantidades dando 20. De acuerdo con la tabla de distribución ú de Student para 1 grado de libertad (Apéndice D) tenemos P(-1 < 1) : 0.21. Verificar si los resultados del Problema 5. (b) Límite inferior de la octava clase. ó. (g) Flecuencia relatir¡a de la sexta clase.499 500 .78. La duración parz A tiene una desviación de 40 horas la duración de B tiene una desviación típica de 50 horas. ¿qué porcentaje puede tener varianzas (a) menores que 10.74. Si se extraen muestrae de tamaño 5 de esta población.799 800 .tubos aleatoriamente hallar la probabilidad de que la dewiación tfpica muestral (o) no exceda a 50 horas.54 libras. (b) ambas b0 horas. una distribución ú de Student con r.50. página 161.97 y 62. para diseñar una tabla de distribución f de Student como la dada en el Apéndice D.8 o másvoltios? DISTRIBUCION MUESTRAL DE VARIANZAS 6.01. Hallar (o ) la media y (b ) la desviación típica de la suma de las cantidades. 5. El voltaje medio de una baterfa e¡ de 15. Con referencia a esta tabla determinar: (¿) f 'ímite superior de la quinta clase. Número de tubos L4 46 58 76 68 62 48 22 6 Solueionar el Problema 5.54 libras con dewiacionee típicar de 0. (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. Reeolver el Problema 6. (ó) P(1. A y B fabrican bombillas.50. (b) 7. Dos muestras de tamaños 4 y 8 se extraen de una población distribuida normalmente.5I TEORIA DE IIIUESTREO ttur2 189 (a) 4. 6.i se confirman por este valor y explicar cualquier diferencia. (b) ou1+ur = \Grtr. DISTRIBUCION DE FRECUENCIA 5. o menor que 0.0 voltios y la dewiación tfpica 0.73.71. (e) Tamaño del intervalo de clase.72 ei el muestreo es sin remplazamiento. Explicar cómo podría utilizar el Teorema 5-7. 6 Frecuencia de Ia cua¡ta clase.77.05. (b) se encuentre enüre 50 y 70 horas.8f . (h) Porcentaje de tubos cuya duración no sobrepasa .01? Dos compañías.999 300 1000-1099 1100-1199 las 600 horas. respectivamente. Una en tanto que muestra de 8 bombillas se toma de A y 16 de 8.699 700 . = 1. hallar (o) Ia media de la distribución muestral de varianzas. 6. ?s 6.cAP.5 veces la otra mayor que 0.2 voltios.2 veces. y Se halla que CASO DONDE SE DESCONOCE LA VARIANZA POBLACTONAL 5.05 y 0.82. I 6.80 si las desviaciones típicas de las duraciones son (o) ambas 40 horas. (d) Límites reales de la última clase.0. Una población normal tiene una vari¿nza de 15. Tabla 5-17 Duración (horas) 5. entie 0. ¿Cuál er la probabilidad de que cuatro de estas baterfas conectadae en serie tengan un voltaje conjunto de 60.tr*Lrr: ru.599 600 . La Tabla 5-17 rmuestra una distribución de frecuencias de la duración de 400 tubos de radio comprobados en la L & M Tube Company. Si se seleccionan 10 . = 5.72. DISTRIBUCION MUESTRAL DE RELACIONES DE VARIANZAS 5. la de la segunda. (b) el error tfpico de varianzas.79.899 900 .60.376) .0. ¿Es la probabilidad de que una ttarianza sea mayor que 1. Determinar la probabilidad de que la varianza de la primera muestra sea mayor que (o) dos veces.E0.?6.

729 0. Estimar el porcentaje de tubos del Problema 5.92. Tles profesore¡ de economfa regieünron una ealificación media en sus eiámenes de 79. CALCULO DE LA MEDIA. (f) una distribución de frecuencias acumuladas. (b) una distribución acumulada relativa o porcentual. nueve 9 y diez 10.82 construir (o ) una distribución de frecuencias reliativas o porcentual. Resolve¡ el Problema 5.728 0. (d) un histograma de frecuenoias relativas. siete 7.732 0.5 5.737 0. (c ) un polígono de frecuencia¡ relativas. (c) los límite¡ de clase.729 0. Porcenüaje de tubos cuya duración es al menos de 500 horae pero menor de 1000 horas.734 0. 5-18 niuestra los diámetros en pulgadae de una muestra de 60 cojinetes de bolas fabricados por una compañía.735 0. Los tiempos de reacción de un individuo a determinadoe estímulos fueron 0. y 0.744 0. respectivamente.91. Las calificacione¡ de un estudiante en cinco aeignaturaa fueron 85.738 0.734 0. ó.88. Construir (a) un histograma y (á) un polígono de frecuenciae ciaa del hoblema 5. Deüerminar el tiempo medio de reacción del individuo a los estÍmu- 6. O. Si las marcas de clase de gna distribución de fiecuenciaa de estoe diámetros vienen dadas en pulgadas por los números 0.735 0.?38 pulgadar. (b) un polígono de frecuencias. 0.82. 93.74 y 82.742 0.386.(a) el tamaño de intervalo de clase.0.95. (d) una ojiva porcentual.321. Comparar estos resultados con los obtenidos directamente de la colección de datos de la Tabla á-18.94.?30 0. 82 y 96. Con log resultados del Problema 5.741 0. (b) no superioree a 0.739 0. (c) una ojiva. (c) Si las ponderaciones asignadas a cada asignatura rcn 2.740 una 5.737 0.?30 y 0.93.89 para los dato¡ del hoblema 5. 6. ¿Cuál es ¡u media Las calificaciones de un estudiante en las tres asignaturas del curso fueron 77.735 0.740 0.87.746 0.734 0.732 0. (c) entre 0. 0.736 0.725 0.89 determinar el porcentaje de cojinetes de bolas que tienen diámetros (o) superiores a 0. (i) una ojiva porcentual.732 0. (b un ) histograma de frecuencias relativas.86. ?6. hallar.746 0.730 0. ocho 8. (c) entre 620 y 890 horas. ó.735 0. ¿cuál es el promedio adecuado para sus calificaciones? (b ) ¿Cuál sería si todas las ponderaciones son iguales? 6.83.731 0.735 0.735 0. (e) un polígono de frecuencias relativas.727 0.55 segundos.?36 0.50. (h) una ojiva.E5' Para los datos del Problema 5.732 pulgadas. 5. "de"*- Tabla 5-18 0. correspondientes a la distribución de frecuen- 5.724 0.739 0.735 0.333 y 0. Construir una distribución de frecuencias de los diámetros utilizando intervalos de clase 5.0. 0.732 0.731 0.82 construir (o) una distribución de frecuenci¿s acr¡muladas.738 0.90.?30 0. 5.78 y 89. 0.737 0. horas.736 0. 0.96. lcAP.44 los.52.733 0.733 0.743 0.736 0.46. Hallar la media a¡itmética de dichas calificaciones. DESVIACION TIPICA Y MOMENTOS PARA MUESTRAS 6.736 0.740 0. (c) di¡tribución de frecuencias relativas.732 0. 4 y 6.88 consüruir (o) un histograma. sue clasee .128 0.63.72t 0.63.741 0.738 0. respectivamente.736 0.190 (i) (j) TEoRTA DE MUEsTREo Porcentaje de tubos cuya duración es mayor o igual a 900 horas. (g) una distribución acumuhdá porcentual.330.89.735 0.726 0. (b) 9?0 o mág Los diámetros interiores de las arandelas producidas por una compañÍa pueden medirse con aproximación de milésimas de pulgada.t4.324. Para los datos del Problema 5.733 0.734 0. (b) los límites reales de clase. La Tabla dos.?36 pulgadas.327. Con los datos del Problema 5.82 con duraciones de (o) menos de 560 horas. 0.742 0.?39 0.49. 5.0. ee¡ie de nfimeros está formada a¡itmética ? por seis 6.82. Una 6.

7 .5.7271-0.7247-0.2. 2. ' 164.2. tlalla¡ la dewiación üípica para las distribuciones del (o) hoblema 6.g?.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. L. El salario medio anual pagado a todos los empleados de una compañía fue de $6000. 1' 1' 5. 1. 19. (c) 0.7279 0. Log salarios medios anuales pagados a hombies y mujeres de la compañía fueron $á200 y $4200.7.4.6 se obtiene la s€rie 8.99.4.9. 25 las clases. ó. . pero diferentes medias.7253-0.3- 9. 11 .6. TEORIA DEMUESTREO 191 y 11 estudiantes. Tabla 5-21 60 ó.7268-0. ¿Cómo están relacionadas las medias? (b) Multiplicandocadaunodelosnúmeros3. .0.8-10. Calcular la media de los datos de la Tabla 6'22.102. 5.6por2ydespuéssumando6seobtienelaseriell. (o) Sumando 5 a cada uno de los nl¡meros de la serie 3.7277-0.6. para los daüos de la Tabla 6'20 empleando (o) el "méüodo largo".2 624 2 462 480 498 516 534 552 570 588 606 12.100.7.0.262-0.98' (b) 6.7252 0. Tabla 6-19 Carga móxima Nl¡mero de cableg (toneladas cortas) 9. L7.0.98.2 10.7. .5l estaban formadas por 32.. (b) 3.6.0.106. 6.cAP. Determinar lacalific¿ciónmediaparatoda8 5.4.7 L2. 10. 15.5.7265-0.7256-0. Determinar la media de la carga máxima empleando (a) el "método latgo".2.7250-0.7267 0.3-11.104. Halla¡ i 9. 7.7270 0.7259-0.1273 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.22. (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. (b) el méto' do clave.7249 0. 10' L6.7 10. 12.7255 0.1.8-11. La Tabla 5-21 mue¡tra Ia distribución de los diámetros de las cabezas de los remaches fabricadoe por una Tabla 6-22 Freeuencia I 6 8 Diámetro (pulgadas) 0.7 t2 17 l4 6 3 1 Tabla 6-2O fr 11.3-L2.7264 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 0.726L 0.6.101.7. respectivamente.7280-0.103.6.8-r2. 1.2 TOTAL Í 98 75 56 42 30 21 15 11 6 compañía.2.99.2.7258 0.8.?276 0. Determinar el porcentaje de hombres y mujeres empleados en la compañía. Hallar la desviación típica de los número¡: (a) 3. Demostrar que ¡as dos series tienen lae mismas desviaciones tfpicas.2 11. Calcular el diámetro medio.3-10.8-L3. (b) el método clave. Hallar la dewiación típica de la serie de nl¡meros de la progreeión a¡iümética 4.7274-0. i) 5.

111. - ?n: - 1m'rm! * l}m'r2nt!.113.-Btnini l2m'rs. = nt. 3. 8.30explicandoelsignificado 5.+.1. @¡. l. Hallar el coeficiente de (o) sesgo.127.109.126 son 230y 780 respectivamente. ¿cuál es la media? 5.0.126. (c) lrq . (D ) Derivar una fórmula análoga par^rns. (c) tercero y (d) cuarto orden con respecto los números del Problema 5.114. 5. teóiicos esperados. Si el momento de primer orden con respecto al punto 2 es igual a 5. (f) s. De un total de n números.121. 5'112. Hallarelcoeficientede(c)sesgo. Tabla 5-23 f t2 t4 16 18 5. 30 5.r5.1!2.98. @') mt y (d) ma para los números. y comentar las diferencias observadas.1o6. ¿Qué distribución se aproxima más a la distribución normal desde el punto de vista de (a) apuntamiento.(b)curtosisparaladistribucióndelProblema5. (o) Hallar la desviación típica s de los diámetros de los remaches del Problema b.. Hallar (a) la media y (b) la desviación típicaparaladistribucióndelProblema de los resultados obtenidos.-2bybO. Hallarloscuatroprimerosmomentosconrespectoalamediadelosnúmeros0. comprobar las relaciones entre momentos (a) mi2..120.lOO.8 respectivamente.. Calcular los primeros cuatro momentos con respecto a la media para la distribución de la Tabla 5-23. Hallar los momentos de (a) primero. (b) curtosis para la distribución del Problema 5. (b) asimetría? . Si loscuatroprimerosmomentosdeunaseriedenúmerosrespectoalpunto3sonigualesa-2. y (i) (i+ rFpara 5.f 07.llE. 11. (b) ¿eué porcentaje de diámetros se encuentra entre (r1 .10..102(c). 5. Los momentos de cuarto orden respecto a la media de las dos distribuciones del Problema6.f f O. 5.722. la distribución del Problema 5. (b) respecto al punto 5. (b típica.117. (c) tercero y (d) cuarto orden respecto al punto ? para los números del Problema 5. 5. la fracciónp son unos mient:'as que la fracción q : 1 -p son ceros. (b) mz. Hallar los cuatro primeros momentos con respecto a la media de los números de la progresión aritmética 2. (l). . (t t 2s). (b) segundo.123. (b) segundo. 14. Véase Problema 5. 1. si la distribución fuese normal. I 4 o 10 7 5.L92 TEORIA DE MUESTREO lcAP.2_ Bm. 5'121. 20 22 2 AI. k) ¡¡.119. l. 17. Los momentos de segundo orden con respecto a la media de dos distribuciones son g y 16.gg. Calcular los cuatro primeros momentos con respecto a la media para la distribución del Prol¡lema 5.g.101. tlallar los momentos de (o) primero.111. ) Construir una distribución de frecuencias para los datos y hallar la desviación (c) Comparar el resultado de (b) con el de (a). mientras que los momentos de tercer orden con respecto a la media son -8.2g. 5. "on 5. 5.116. Hallar los momentos de (o) primero.124. Lo mismo del Problema 5..1 y -12.108. Comparar con el problema b. (a) De un total de n números. 5. - l}rnlstn" * 4n. 6.98. (a) Demostrar que .1 . 5 5. (b) rr.nl_ thnirni+6ml2rn. la fracción p son unos mientras que la fracción q : 1 p son ceros.g.11g.5. tt. (b) segundo. Aplicar el resultado de (o) al Problema b. determinar los correspondientes momentos (o) respecto a Ia media. Hallar (a) ntr.mt. Hallar (o) m t . 5.r5 1. (c) respecto al origen. (a) Hallar la media y desviación típica para los datos del problema 5. (b) m.111 y 5.111.108 para los datos del problema 5. (c) tercero y (d) cuarto orden de los números 4. 5.t s).125. S.li. (t l3s)? (c) Comparar los porcettajes'de (b) lo. 5. t¡l F. Demostrar que la desviación típica de La serie de números es fi.l F. ¿Qué distribución está más sesgada a la izquierda? 6. Con los resultados de los hoblemas 5.¡nz = ml- 5'115. a la media de 5. (c) nt3.0.L22.

6. mt = 0..22.+(n-l\z=fn(n-Il(2n-1).al2d. son independientes.135. (b) Hallar la probabilidad de que en una muestra aleatoria de 100 eetudianües la calificación mínima del 2O% superior Eea menor que 76. ¿en cuántos lotes cabe eErerar que la mediana de duración exceda a 910 horaa? Comparar ¡u solución con el hoblema 5.. mz = i.132. En el Problema 5.1 (b)Emplear(a)enel 6. página 175. Demostrar el resultado (I9).. fSugerencia: 14+24 +34+' .1)a = $n(n-l)(2n-ll8n2-Bn1 ). 5. halla¡ la media de la distribución muestral de varianzae si el muestreo ee (o) con remplazamiento.. 5. Determinado¡ tubos producidos por una compañfa tienen una duración de 900 horar y una dewiación típica de 80 horas.. ¿En cuántos lotee cabe esperar que (o) la duración exceda 910 horar. Una población de 7 números tiene una media de 40 y una desviación típica de 3.'*(n-1)=in(n-1). 1z+22+32+".6l PBOBLEMAS DIVEBSOS TEORIA DE MUESTREO 193 5.aI progresión aritmética con primer término o y raz6n d) erlt6 dada por tl1-2 (n2 Dd2 .@z-L)dz.134. 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. (n-1)d (eadecirun¿ 6.136.130..cAP. a * 2d. (a) Demostrarquelarvarianzasdelconjuntoden nfrmerol a.128. hoblema 6. Una mueetra de 8 obeervacione¡ se hace aleatoriamente de una población. a * d. pfuina 160.129 si la medi¿na de duración es de 900 horas.129.fsugerencio: Utilizar - l+2+3+.a*d.129(o) y explicar ous reeultados.. En un exarnen las calificaciones fueron normalmente disüribuidas con media 72 y dewiación típica 8. tno = ñ(n2-l\3n2-7'td4 CompararconelProblema 5. ¿Cuál es la probabilidad de que lae primeras tres obgervaciones sean mayores que las'últimas cinco? ó. Demoetrar que Vt y Vz definidas en el hoblema 5. . (b) la dewirrción tfpica de la duración exceda 96 hora¡? ¿Qué ruporicioner deben hacerse? 6..131.1 5...a|(n-l)dson 11 ffit = 0. Demoshar que los primeros cuatfo momentos con respecto a la media de progresión a¡itmética a.133.115. (o) Hallar la calificación mfnim¿ del 2O% superior de los eetudianües. (b) sin remplazamiento.* (n .104.

s*o. cabe esperar que el estadísticoSseencuentreenlosintervalos&s o^s8Í. La distribución muestral de la media y la mediana. utilizan estimas sesgadas o no eficientes. respectivaménte. EJEMPLO 6. Si las distribuciones muestrales de dos estadísticos tienen la misma media.r--Bo. €l 68. EJEMPLO 6. por la relativa facilidad con que algunas de ESTIMAS POR PUNTOS Y ESTIMAS POR INTERVALOS.Capítulo 6 rF I | . u-¡r"* 3o" . Entonces. &s-2o"EFsl%a'" ó ¡r.27 % ..3. la media provee una estima más eficiente que la mediana.46% y 99. se está dando una estima de intervalo. la media poblacional' Sin embargo. La media X y la varianza 3' d"finid". el estadístico con la menor varianza se llama estimador eficiente de la media. La precisión o conocimiento del error de una estima se conoce también como su seguridad. es decir. la distancia real se encuentra entre 5. puesto que E'(X) = u.28 pies. en las páginas 157 y 160 son estimadores insesgados de la media poblacional ¡r y de la varianza poblacional 02. EJEMPLO 6.31 pies.2. eonq de esttmocton : . 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.73% de las veces. Lógicamente se prefiere tener estimas que sean eficientes e insesgadas.l parámetro. ya que en general Z(3) + o. página 162. 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. S realmente es un estimador sesgado de o.2_5 y 5. si la distribución muestral de S es aproximadamente normal (lo que se ha visto-.95.1. Si.. L94 . ambas tienen la misma media. Si se dice que una distancia viene dada por 5.que es cierto para muchos estadísticos. El valor correspondiente del estadístico eficiente se llama estima eficiente. Los valo^res i y 3 z se llaman estimas insesgadas. En la práctica se ellas pueden obtenerse. la va¡ianza de Ia distribución muestral de medias es más pequeña que la distribución muestral de medianas.s. Por tanto. se está dando una estima de punto. por otra parte.ACIONALES Sean ¡rs y o" la media y la desviación típica (error tÍpico) de la distribución muestral de un estadístico S. U 13 t) = o2. El valor correspondiente del estadístico se llama estima insesgada del parámetro. ESTIMAS POR INTERVALOS DE CONFIANZA. se dice que la distancia es 5. pero esto no siempre es posible.28 + 0. si el tamaño de muestra es n > 30). DE PARAMETROS POBI. Véase Tabla 5-1. SEGURIDAD La estima de un parámetro poblacional dada por un número se llama estima de punto de. Sin embargo.03 pies.

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.respectivamenllama¡ a estoé intervalos los interualos de confianza del68.00 2.46%y99. Poi estos se 99.96 o. Los números extremos de estos intervalos (S i o5. S +. obtenidos en el Capítulo 5.05 2. de modo que para obtener los límites de confianza anteriores. INTERVALOS DE CONFIANZA PARA MEDIAS 1. Tabla 6-1 Nivel de confianza zc e9.27%. se puede ver que los límites de confianza para la media póblacional vienen dados por Xtz"* vn N-tt.r. los valores de z" pueden sacarse de las tablas de la cuwa normal en el Apéndice C. como otras veces sé conocen.28 1.46% y 99. Para niveles de confianza que no se encuentran en Ia tabla. Los números 1.27% 60% 3.Grandes muestras (n > 30). 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.00 0. El porcentaje áe confianza se"llama también nivel de confíanza.6% del área se encuentra en cada "cola" de la distribución ü. si el muestreo es sin remplazamiento én una población 2.6l TEORIA DE ESTIMACION 195 Análogaménte cabe esperar o se puede confiar en encontrar.46% 95% 90% 80% 68. a S * o' delasveces. t 6 .00 1.96 1.9q -V 0.73% o. entonces un intervalo de confianza para ? está dado por (véase pagina 161) (N -t. de los límites de confianza se llaman coeficientes de confianza o ualores críticos y se denotan por zc. Por ejemplo si -t.27 %. $ I 3or) son llamados los límites de confianza del 68. entonces los límites de confianza d'el95% y 99% para la estimación de la media poblacional ¡. En la Tabla 6-1 se dan los valores de z" que corresponden a distintos niveles de confianza utilizados en la práctica. . De los niveles de confianza se pueden obtener los coeficientes de confianza y recíprocamente. 95.645 r.szs y ú. S-2o" a S+2o" ó S-3o. 2. En general.F') se hacen fácilmente modificaciones apropiadas para obtener los intervalos de confianza.1.96. Más generalmente. Iímites fiduciales. vienen dados por X r. son los límites de confianza del96% V 99% (ó 0.27%. la desviación típica poblacional o es desconoc^ida.99) para p". & S*Sorenel 68.33 2.68. Utilizando los valores de o.6746 En los casos donde un estadístico tiene una distribución muestral que es diferente de la distribución normal (como chi-cuadrado.96 o7 Y X + 2. y S -r 2.45%y te.srs . en el caso de un S insesgado)..73% "pueden Análogamente.73% para la estima de ¡rs (es decir. ps er los intervalos S . etn. para estima¡ el parámetro poblacional.1.cAP..o.szs son los valores de ? para los que el 2. Pequeñas muestras (z < 30). se utiliza la estima muestral S o S. En este caso utilizamos la distribución t para obtener los niveles de confianza.68 2..95. Si el estadístico S es la media muestral X.73% s9% s8% s6% s5.58 o.58 ox respectivamente. S -+ 2o."\\ñ s (3) .96.

s2 : S. Para calcular estos límites de confianza puede utilizarse la estima muestral P para p. N-n N-1 (7) si el muestreo es sin remplazamiento en una población finih rre hmaño N. z" y t" son realmente iguales. la probabilidad de éxito). dondeP es la proporción de éxitos en la muestra de tamaño n.tS L 975---= vn (t') con el 95% de confianza.. los límites de confianza para la diferencia de dos medias poblacionales. . Obsérvese que estos resultados se obtienen de (I) y (2) remplazando X por P y o por Vpq. los límites de confianza para la diferencia de los parámetros poblacionales correspondientes a Sr y 52 vienen dados por S.s2 con tal de que las muestras sean independientes. 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. o con remplazamignto en una población finita.-. r"1474. 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. 2. es decir. vienen dados por \ T. Con los valores obtenidos en el Capítulo 5 de op. 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 ).Sr! z"{fl--}s. Comparando (5) con (I) se observa que para pequeñas muestras remplazamoszc por t". Debe anotarse que una ventaja de la teoría de pequeñas muestra. (10) "r. 51 +52 Sl + 52 t (e) Por ejemplo.o.. .196 13ORIA DE ESTIMACION lcAP. t . Análogamente los límites de confianza son .s (que lógicamente puede emplearse para grandes muestras. en el caso de que las poblaciones sean infinitas."1pmás exacto se da en el Problema 6.27. t . Un método INTERVALOS DE CONFIANZA PARA DIFERENCIAS Y SUMAS Si Sr V S: son dos estadísticos mueshales con distribuciones muestrales aproximadamente normales.Patan > 30. (8) mientras que los límites de confianza p^ra la suma de los parámetros poblacionales son ""nrr*."rr* a < ¡r ( X+ vn . los límites de confianza para p vienen dados porP ! z"op. - S. "".6 de lo que se deduce que p se encuentra en el intervalo X-t. 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.".

n2 son las respectivas medias.975 o de manera equivalente -. desviaciones típicas y tamaños de las dos muestras extraídas de las poblaciones.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. (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. S$ si. los límites de confianza paÍa la diferencia de dos proporciones poblacionales. = . Así por ejemplo si denotamos por F. Si se extraen de'dos poblaciones distribuidas normalmente respectivamente. . como las distribuciones normal y ü. El proceso se ilustra en el Problema 6. INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS y n con varianzas Sí.entonces con98% deconfianzatenemos F. siendo las poblaciones infinitas. p$na 161. W*"í-üt z"orr_r.ss los valores de F para los cuales 1% del área se encuentra en cada "cola" de la distribución. extraídas de las poblaciones. entonces un intewalo de confianzadel95% es v2 nS2 ^. flt! nz son los tamaños P. : P. como la distribución chi-cuadrado puede ser deseable ajustar las áreas en las colas de tal manera que se obtenga el intervalo más pequeño."1=.szs (1 5) con confianza de g5%.6l TEORIA DE ESTIMACION L97 'donde Xpopnr y X2. están dados por Análogamente. para distribuciones no simétricas.P.F.o2. vimos que si dos muestras aleatorias independientes de tamaños m de vatianzas ol. En forma semejante ohos intervalos de confianza pueden encontrarse. Porejemplosi x%rry X?szs sonlos valores de ¡2 para los cuales 2. entonces la variable aleatoria En el Capítulo 5.2 X!.6% del área se encuentra en cada "cola" de la distribución. n - L gndos de libertad.ozs = (13) De esto vemos que o puede estimarse que se encuentra en el intervalo S\n X. (17) . Generalmente es deseable que la amplitud del intervalo de confianza sea tan pequeño como posible. - Pr.S. esto se consigue utilizando colas de áreas iguales.28./4 s?/a s7/"7 A tiene una dishibución F con fr . *'T donde Pt y Pz son las dos proporciones muestrales..02S o2 (12) ^. Para estadísticos con distribuciones muestrales simétricas. of.ozs (1t ) S{n-7 X. y Pt V Pz).I.cAP. g 4 Fo.ot y tr'. Sin embargo.

los igualamos a cero y resolvemos las ecuaciones resultantes simultáneamente.6 Adviértase que F. de acuerdo con el Teorema 4-8. (c) fa desviación típica muestral g la desviación típica modificada .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. semi-intercuartílico son cr¡atro de tales ejemplos. El valor de F. f(r". que se va a estimar por un estadístico L . Por tanto. (¿) La media muestral X y Ia varianz. (c) sesgados y no eficientes.01 "'+ fl*. la función de densidad puede denotarse por f (x. puesto que la media de sus dishibuciones muestrales es la media poblacional. Esto vendría dado por r F.1.0) (1e) que se llama la uerosimilitud. debida a Fisher.ss . Sin embargo ambo¡ no son eficientes si se les compara con X.. d ). donde Qr y @¡ ¡on las cuartilas muestrale¡ inferior y superior. empleamos una técnica conocida como el estímador de móxima uerosimilifud.31 $z o-n o-t - I' . . página 118.or €s el inverso de . De esta manera hallamos f@.F. Suponiendo que hay n obsen¡aciones independientes x1 . Así para el caso donde existan varios parámetros tomamos las derivadas parciales con respecto a cada uno de los parámetros. por ejemplo g. --LtSz son dos de tales ejemplos.zmuestral modificadas f eficientes. Pa¡a obtener el "mejor" de tales estimadores. (b) insesgados y 3t = . La¡ruíxima uerosimilitud puede obtenerse tomando la derivada deZ con respecto a 0 e igualándola a cero. El método puede generalizarse. (b) La mediana muestral y el estadístico muegtral *(Qt + Qs).ss se obtiene de la tabla del Apéndice F. Los dos son estimadores insesgadoe de la media poblacio- nal.198 TEORIA DE ESTMACION lcAP.e\ffi = o (20) De aquí podemos obtener 0 en términos de r¡. Para este propósito es conveniente tomar primero el logaritmo y luego la derivada.f(r¡?\ f(n2. . . . De una manera semejante podríamos hallar un inten¡alo de confianza del g0% empleando la tabla apropiada en el Apéndice F. h desviación media y el reconido . la función de densidad conjunta para estas obsen¡aciones es un parámetro poblacional. Para ilustrar el método suponemos que la población tiene una función de densidad que contiene d-eterminado. . Problerna.0).. xn.3.s resueltos ESTIMAS INSESGADAS Y EFICIENTES 6. son dos de talee ejemplos.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.

45 ! 1.02 pulgadas es.95. 6.6136 : y. de la media poblacional). Una muestra de cinco medidas del diámetro de una esfera se registraron como 6.02. 2. JC = .88 < tt<68.saa = tln ! 2.45 -- 0.88 < p < ti8. los lí¡nites de confianza son 6?. ESTIMAS POR INTERVALOS DE CONFIANZA PARA MEDIAS (GRANDES MUESTRAS} 6. pues.6l TEORIA DE ESTIMACION 199 6.38: Estima insesgada y eficiente de la verdaderava¡ianza media: t : 67.36 cm. el intervalo de confianza del 95% para la media poblacional ¡t es 66.35)2 F (6. 6.45 ! 0. de la varianza poblacional).6136 s2 Así .5275) = 8.2.88 y 68.88 y 68.45 pulgad.96(2.iroentre s yG.96"/\f.as y i : 2. (o ) Estima insesgada y eficiente de la verdadera media (es decir. no hay esencialmente diferencia entre 6. por tanto. = S tr. Así.336.37 centímetros.96.3.36. 6.023 es una estima de la verdadera desviación típica pero esta estima no ni eficiente. 6. (a) Los límites de confianza del 95% son X t I. Determinar unas estimas insesgadas y eficientes de (o) la verdadera media. Determinar unas estimas insesgadas y eficientes de (c) la verdadera media.4. que puede denotarse por 66. En símbolos se escribirá P(66. 4er.36-6. y no eficiente del verdadero diámetro medio de la esfera del La r¡ediana es un ejemplo de una estima insesgada y no eficiente de la media poblacional.02 pulgadas.58o/tñ.57 pulgadas.35)2+ (6.02): 0. 95Vc ó 0.88 a 68.93/V100) ó 67.3?-6. Dar una estima insesgada Problema 6.02 pulgadas.35)2 + (6. = i2 = . Para la muestra dada 67. n-1" (6. Se puede.3?-6. (o) Del Problema (b) ó.46 pulgadas.JDani (b) Estima insesgada y eficiente de la verdadera varianza (es decir.TG pulgadas . Adviértase que puesto que n es grande. Para las cinco medidas puestas en orden de magnitud la mediana es 6.45 ¡ + z.3).33.35)2 5-1 0.35)2 2(n-ñ\2 - n-l = = es insesgada + (6. - iT $. 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.!1t. (b) Los lfmites de confianza del 99% son X 2.? = /8. decir que ia probabilidad de que la estatura media de la población se encuentre entre 66. = n .33: Estima insesgada y eficiente dé la verdadera altura Del Problema 5. 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.00055 cm2 Nótese que 0 = /0"00055 = 0.ó.32 6. 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.cAP. Utilizando n : 67.3.93 pr¡]Éadas como una estima de o (véase Problema 6..93.2. (b) la verdadera varianza.37.32 y 6. (b) la verdaderavarianza.58-?+ = V100 67.

es total. (o ) Los límites de confianza del g5% son 6 (b) x t 1. Los límites de confianza d. (a) " lok. (b) 9O% y (c'¡ 99.824 t 0. los límites de confianza anteriores se convie:rten en 67.824t0. son xtz. srn embargo.ss9 = 0.824tSL93 = \/zoo .= vn Vn V200 ó 0.. puee.6-l (b) S" busca z" tal que el á¡ea desde z : entonces z.824 * 2.21 pulgadas.0069 pulgadas Fig. de modo gue no 6?. v (bl99% para el diámetro medio de todos los cojinetes. 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.49.el 99o/.45 t utiliza¡lo. se puede considerar el factor es necesario = 0.sa| = r*z. los límites de confianza del90ak son n!I.gg9!9 = \/zo0 0. de modo que el área sombreada eselgSVo del área Sea z tal que el área bajo la curva normal a Ia derecha de z : z. Si se utiliza. : O es Asi pues. el área desde z eE 0. Oa z : zc ea O. : t. el área a la izquierda de z:-zce8 también lVo. z:zc Puesüo que el área total bajo la curva es 1.00b8 pulgadas Los límites de confianza d.semana dieron una mdia de 0. Lad medidas de los diámehos de una muestra de 200 cojinetes de bolas hechos por una determinada máquina durante una.824 t 1.96ry = \/200 0.g6a = Vn 0-824:t 0.0049oulgadas t/-zoo sn 0. ñ!3+ \ñ - 0.69 a 68.73V.645.00??putgadas t 0.7.' o^. r.824:r0. lugar de Para y muestreo sin remplazamiento.96? como 1. Para obtener los intervalos de confianza.0U89pulgadas. los cojinetes del Problema Hallar los límites de confianza del (a) 98%. el intervalo de confianza del 997o para la media poblacional ¡r e¡ 66.006 Pulgadas .73% para el diámetro medio de G. que puede denotarse por 66.b6 y 0.6. Adviértase que se ha supuesto que la desviación típica dada es la desviación típiez modific¿d¿ i Si la desviación típica dada fuese S.824 pulgadas y uná desviación típica de O.824! 0.O42 pulgadas.645a (c) . respectivamente.008 pulgadas.E8y. de aquí que z":2.so! = Vn 0.69 (¡¡ < 68. los límites de confianz¿ del 98% son r ! 23g+ = \/7i Asi 0.21.33.Hallar los límites de confianza del (o) 55"1. 6.45 1 0.4í.200 TEORIA DE ESTIMACION lcAP.G. para n > 30 se puede asumir que s y 3 son prácticamente iguales.el 99. pues.0.73 pulgadas.824 ! 0.6 Asf.82¿!L.6450'942 = 0. Entonces por simetría.824=z.i :.{ñ= 0. 6.824 0. En general. se habría empleado ?: \/n/@4s = y'200[99s que puede tomarse como i para todos los propósitos prácticos. se utilizaría t.

01 : 9. Los coeficientes de confianza del 96Vo ("d. Entonces (2.2910.051/\/n = 0.e?'. Fig.cAP. de aquf que el grado de confianza pedido *162(O. (ó) +2. Halla¡ los límites de confianza para el diámetro verdadero del (o) 96% y (b) 99%.682ó ESTIMAS POR INTERVALOS DE CONFTANZA PARA MEDTAS (PEQUEñAS MITESTRAS) 6. (c) v : 30. (b) Loe límite¡ de confianza del 99% son X t 2.9Tolfi. (d) t= 60? Pa¡a los coeficientes de confi¡nza del 96% ("doble cola") el área total en la Fig.7I 6.01.10(c)].23 zc h¡estoqueestodebeserigualaTSll.Entonce¡ utilizando ¡ : 4.06 pulgadas.9. = * t1. Para lo¡ valores de v dados egtos son (a) t Z.04.00. Una muestra aleatoria de 50 calificaciones de matemáticas de un total de 200.38 pulgadas y una desviación típica s : 0. Entonces los lfmite¡ de confianza del 964o eon . (d) =2.0452 pulgadaa . 6.81.96.11.01 soliamente ¡i n es 167 o mayor.58o/{i.10.05 segundos.09.4 60 límitee de confianza pueden repreaentarse por Ítz"ox deede z 68. (c'¡ t2.58')(0.oble cola") para la distribución normal vienen dados por i1.01 ¡i n e¡ 97 o mayor.*.r.05 segundoe. 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. AsÍ. Asf el área ¡ombreada en la col¿ derecha es 0.96)(0.Ze. 1fi = (1.X+r"L .t = t.05.8.i=r.26 &- Vlo-1 = 4.026 y el valor crítico correepondiente es ú.:n-L:10-1:g..6 : 0. se tiene que el error ser6 igual a 0.Tomando o = la estima eerá menor de 0.81 es 0.29lO):0.gzs:2.05)/\.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. debe emplearse la fórroul¿ para poblaciones finitas con muestreo sin remplazamiento. ¿Cuáles son los coeficientes correspondientes pala la distribución úsi (a) v = 9.8 ó n : 96.goo*.setienequel. ¿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 0.2S z"=L6 z"=0.g6ol{n. Aef.01 si (1. er decir.06.4.orr.hallamoat. .n r1s/t/Á¡. pues.f I l.01. <í n.06)/0.21o.38 t 2. (b). Eláreabajolacurvanormal : O t z: 0. (o) ¿Cuáles sonloslímitesdeconfianzadel9Ú% para la estima de la media de las 200 calificaciones? (b) ¿Con qué grado de confianza poüá . 6-8 debe ser 0. lo¡ límitee de confianza del96% pedidos eon 4.96X0.26fvéaeet¿mbiénProblema6.r¿ -. un sicólogo estima que la dewiación típica del mismo (c) . : 166.q'-: 200 v50 200-1 = 75 + 1.Entonces los coeficientes de confianza pedidos son tú.38 + 0. arrojó una media de 75 y una desviación típica de 10.96+ v50 (10) 200 .50 2oo-L = 76!2. pues. TEORIA DE ESTIMACION 20L es de Al medir el tiempo de reacción.04. Puegtoque¡.01 segundos? 0.9df (b) tos vn N-n A¡-1 = N-n N-1 75 t 1. 6-3 6.38 y c : 0.siendo 0. : 20. 8e tiene la confianza del99% de que el error de la e¡tima eerá menor de 0. (o) Los llmitee de confianza delglovo están dados por. Una muestra de 10 medidas del diámetro de una esfera dio una media ñ: 4.

335 pulgadas y 4.55 para estimarp. tenemoe 0. (c) 6.88 + g.O37pulgadas ? donde se ha utilizado la desviación típica muestral 0.58)(0.88 r 1. (b) Los límites de confianza del99% parap son 0.73% para la proporción de todos los votantes que estaban a favor de este candidato. ¿Qr'é tamaño de muestra debe toma¡se en el Problema 6.55 y la estima p : 0.55 del Problema 6.06) /\t1./e(l -p) ¡? V = 0.049 pulgadas.11 suponiendo válidos los métodos de la teoría de muestras.13 para que la confianza de que el candidato sea elegido sea del g5% z El candidato se elige si p ) 0.06/y'10 .315 a 4.50. los límites de confianza del 99% son 4.15.38 + 0.96.55 + 0. J_.-'\ r1/pg-p)/n / rB I l-r'-tt'/z¿y t/2. obtenidos mediante ios métodos de pequeñas muestras o teoría exacta del muestreo son más anchos que los obtenidos por los métodoe de grandes muestras.13. 0.55 t 0.L2..0 = 4.= v-n 4.426 pulgadas.25.38 4. (b) Comparar los resulüados de los dos métodos.38 * (2.88 i g. véase Problema 6.el95o/o para la población p son P : l.55.14.6a5y'i6lBB)Io-75j7i : 0.88 + 0.96-9.58ú6:5EXb:¡BtTdd = Los lfmites de confianza del 99.l = 4.045 TEORIA DE ESTIMACION lcAP.b0 Entonces.pV" es normal asintóticamente. (b) En cada caso."-.l)6or.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. Puesto que (P .ssr(S/tñ-l.se5 - (b) Para v = 9.06b0 pulgadas y el inüervalo de confianza del99% e¡ 4. - ó Prob(p > e-Bt/p6-ffi¡ = + J(t t/2r -.50) Prob( que hob / J--ct t)_p . los intervalos de confianza mues¡ras.55 '^^ I(0'55)(0'45) :r 1'e6!ff : = 0.27.73% parap son 0.18.1.50 ó n= 27r .Z5(0. 0D > 0.55 2.202 Asf. = P t 1.446 pr'lgadas.qq /lo - 4. y para tener una confianza del g5% de su elección necesitamos : 0. (b) 99%y (c) 99. t. indicó que el 55% de ellos estaban a favor de un determinado candidato. 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. Análogamente.2/z¿y L645 Al comparar con Prob(p > 0.38 t 0. Para hacer este problema de una fo¡ma más exacta.96-0-.55 = o'55t0'10 donde se ha tomado la proporción muestral 0. Entonces loe límites de confianza del 99lo rcn i t ú. (a) Soluciona¡ el hoblema 6. Hallar los límites de confianza del (a) 95%.13. 6. = 3. (a ) Los límites de confianza d.045 : 4.9ó utilizando el Apéndice C indica que e-Bt/fi-fl/n:0.p')/\/p(l .06 como estima de o.95. pues.f) = 4. t 3ú058)16:¡8 10d 0. utilizando P donde B = : 0.50): 0. (a grandes ) Mediante loe métodos de Ia teoría de grandes muestras los límites de confianza del 95% son X t 1.

(a) Al nivel del g5o.6. Hallar los límites de confianza del (a) 95% y 99% para la diferencia de las vidas medias de las poblaciones A y B.15.23. se puede encuentre entre 0. Mediante la fórmula aproximada p = P + 0. ae confianza que Ia diferencia'de las medias de las poblrcionee (b) Los límites de confianza d.83. z" = 1.50 ! Pz : 100/400 : 0.cAP.Zb + 1. pues. el intervalo 0.el 99Vo que la verdadera diferencia de proporciones . Así.el 96% que diferencia de proporciones (ó) Los límites de confianza d. 95"/o de = 200 t 24.25 = 0.4 y B son dados por (a) *o.tr 7. se puede esperar con confianza d./i120)r/15¡+-G0)r400 = 200 + 82.il3li.06. se puede esperar con el 994n de confianza que la diferencia de las medias de las poblaciones se encuentre entre 167 y 233 horas.el 99% son: 1400 - 1200 12. -loi*o'o -"1/"o-"" Los límites de confianza del 9b7o son: 1400 1200 . se puede esperar con el encuentre entre 175 y 225 horas.?4 y el INTERVALOS DE CONFIANZA PARA DIFERENCIAS Y SUMAS 6. Una muestra de 150 bombillas del fabricante A dieron una vida media de 1400 horas yuna desviación típica de 120 horas.73% como 0.AquíPr:300/600:0.0g.. SustituyendolosvaloresP:24140 = 0. dando el intervalo 0.. se obtuvieron 24 ca¡as. [-os límites de confianza para la diferencia de medias de. gt= Ptz" t z¡/F(=ffi.17 y 0. z" = 3.. pues.73% para la proporción de caras que se obtendrían en un ilimitado número de lanzamientos de la moneda.16. se tienep : 0.58\. En una muestra aleatoria de 400 adultos y 600 adolescentes que veían un cierto programa de televisión. PzQz el - O. se Así.19 y 0.respectivamente.el ggVoson 0.6V n:40 enlafórmula \tF(l=A/. Hallar los límites de confianza d9l (c) 96% y (b) 99.50 - 0.BZ a 0./.27 da el intervalo de confianza del 95'ib como 0.45 a 0.75.96 La verdadera = 0.5B = 0.25 = 0.g.50 encuentre entre 0. se As( pues. esperar con confianza d.?9.Xn-. 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. 100 adultos y 300 adolescentes dijeron que lei gustaba. (a) Los lÍmites de eonfianza del 95Va son 0.37 a 0. se tienep = 0.6l TEORIA DE ESTMACION 203 6.25 son las proporciones respectivas de adolescentes y adultos a quienes les gusta programa.96. 6. Una muestra de 100 bombillas del fabricante B dieron una vida media de 1200 horas y una desviación típica de 80 horas.45 a 0. dando. (b) Al nivel del 99. Los límites de confianza para la diferencia de proporciones de los dos grupoe están dados por 'll1 1t2 dondelossubíndicesly2serefierenaadolescentesyadultos.t 1. intervalo de confianza del 99.25 ! Z. PtQt .31. pues.33.60 La fórmula más exacta del Problema 6.60 + 15. En 40 lanzamientos de una moneda.96/il2OtG0I80)2/100 Así. pues.

4 + 2.4:t0. En este caso se aplica la teoría de grandee muestras.4O pulgadas. = 45. pues.el 95Vo que la desviación típica de la población se encuentre ) Al nivel del 99% los límites de confianza son: 100 * 2.= lr'.4 t = 180. 5O%son:180. La desviación típica de las estaturas de 16 estudiantes seleccionados aleatoriamente en un colegio de 1000 estudiantes es 2.20. (c) 99.19 deberá tomarse para que con confianza del 99.58(100)/r/Zbd = 100 r 12.204 TEORIA DE ESTIMACION [cm..f8. Se utiliza la dewiación típica muestral para estima¡ o.73% con: 180.58(0.r+r 2+Er+84 = .21 voltios.o/yEi.08) 0. INTERVALOS DE CONFIANZA PARA VARIANZAS 6. El valor de 0.e75 y st/n/x.16 voltios.9 horas. entonces n : = 10.x {2n 300//t = 5. donde 2.. (a) Loslímites de confianza delgSv" están dados por sy'7/x. utilizando s como una estima de o. (b d. el tamaño de la muestra deberá ser 450 o más. Si Er. 6.24 ) Los lfmites (c) Loc lÍmites (d) toslfmitesdeconfianzadel voltios. Entonceg el error porcentual de la desviación es 3s/t/-at (¿) Si 300 _ = s.4i0. se tiene ltlt+Ez+at+¿o = Fu. 0.4 t 3(0. Hallar los límites de confranza del (c) 95% y (b) 99"/. Así. Así. Hall¿rr los límites de confianza del (a) 95% y (b) 99% para la desviación típica de la población de tales bombillas.1 V y la desviación típica 0./nloslímitesdeconfianzason:100 11.96(100)i/200 = 100:tg. Es y Eq representan los voltajes de las 4 baterías.8 horas. 46O. pues.ozs. ee puede esperar con confianza del 99'y'" que la deerüeión típica de la población se encuentre entre 87. Así.0b4voltios.96(0.19. Entonces. 82.4 (o) (b Los límites de confianza del95% son: 180.1 voltioE y dc.2L.. o 6.73% la verdadera desviación típica de la población ::o difiera de la desviación típica muestral en más del (c) 6%.2 y 109. Por tanto (véase Tabla 5-1. oE. .4 t de confi¿nza del 99.4 + 1.. entonces n 1800. el tamaño de la muestra deberá ser 1800 o más.[4: "'rJ o'r.08)=180.t+ti. (b)LO%? De igual forma que en el Problema 6. pues. 6.1 y 112. Y t¡. = 1la1ffiy : 0.* o".08) = 180. puesto que /¿rr = lLEt lr'. se puede esperar con confianz¿ entre 90. indica el nivel de confianza. página 162)loslímites de confianza para la dewiación típica de la población son dados por S * z. La desviación típica de las duraciones de una muestra de 200 bombillas fue de 100 horas.g. ¿Qué tamaño de muestra en el Problema 6.73% y (d) 5O% para el voltaje total.08 ÉEr+nz+E¡+Eo = 4(45.1) = 180.9.4 V r de confianza del 99% son: 180. (o) Alniveldel 95". los límites de confianza del 99. (b) Si }OO/\E : Aei pues.r Bo/l-zn Ss/\/Zn. (b) 99%. = orr. FfJ voltaje medio de las baterías producidas por una compañía es de 45. hallar lós límites de confianladel (a) g5%.6?45(0.04 V.04 volüios.19. osr* Ez+t:.73"/o para o son S . 0. = 0. * l'a. * uotr* l'a.r-= oE. Si se conectan 4 baterías en serie.08) = 180.054 voltios se llama error probable. de la desviación típica para todos los estudiantes del colegio.

: 200 - 1 : 199 g¡ados de libertad.2 y 111.= r\ri= (f.oos = 72.50.92)2 = 253 lL6.ozs l-l Vz(rssl -r)z = itt. s! = 20. (o) Los límites de confianza d. Este resultado debe compararse con el del Problema 6. hallamos como en el Problema 4.oe5=5.23.!75= 5.cAP.68 y 4.o75 = |{zsrr. 1.60 ó y.40\f-I6/5.8 ó ¡.2.9 y 115.9212 : 239 161 = olz02s+V2(199)-1)e =.)rto = \/ 2o.n25 = 2. están dados por Sy'-nlx ors y Sl-n/y.68 y 4. Entonces los límites de confianza del 99% son 100/Eñ6 de donde X sq¡ INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6.t. Paray:16-1:lSgradosdelibertad.SO+19.40Vf 6 /1.15.5 = 91'2 y 100y'200/12'1 = 111'3 horas respectivamente.r+l/Z[I6Ef-T¡z = jtz. rz = 10.49 pulgadas. Entonces los límites de confianza del 997o son 2.19 utilizando la teoría de pequeñas muestras.26 6 7. x?szs = 27. Por tanto se tiene la confianza del 95% de que la dewiación típica poblacional se encuentra entre 1.50.7.24 y 2..o .sa+19._.9 y 1001800/t2. = 15. Por tanto se tiene la confianza del 99/o de que la dewiación típica poblacion¡l se encuentra entre 1. Entonces los límites de confianza del 95% son 2.¡]oor=32. it.ee5 Para v y Sy/i/7.40\f-16/2. x1.¡¡5.5 y Entonces los límites de confianza del 95o/.6l Para o TEORIA DE ESTIMACION 206 x?ozs = 16- 1 = 15 gradoode libertad./x Para v : sr.9 horas respectivamente." x%os 1_l . Si se encuentra que sus varianzas son 24 y (b\ 90% para la relación de varianzas.9 y x.11. . X. 200 .83 y 3'84 pulgadas..14.24 y = 6. 6. pfuina 137' x. 3? = t=r"i = (lf)rznl = "? = 18 de modo qrre 26.19(b).t-t.el99% están dados por Sy'-nl¡. Este resultado debe compararse con eI del Problema 6.sor-79.40\R/2. y St/T/x.22. Por tanto se tiene la confianza del 95% de que la desviación típica poblacional se encuentra entre 91.14. x2nzs de donde ¡¡..92)2 = : \2.oos:4.g = 88.el95')h están dados por Sy'-n. Solucionar el Problema 6. ee decir.84 pulgadas.73 y 2.83 y 3.?3 y xz.2= 115. y 18 respectivamente halla¡ los límites (o) Tenemos nt = l(t.s¡5=2.9 horas.ozs.5 6 x. Por tanto se tiene la confianza del 99% de gue la desviación típica poblacional se encuentra entre 88.2 a.1 : 199 grados de libertad.s¡5..49 pulgadas.n.19(a).3 horas. (b) tos lÍmites de confianza del 99\i..' son 100y'2b-0 115. (b) Los lÍmites de confianza d. Dos muestras de tamaños 16 y 10 respectivamente de confianza del (c) 98% se extraen aleatoriamente de dos poblacio- nes normales. 1. esto es.

89..) Obsérvese que el intervalo de confianza del9O% e¡ mucho más pequeño que el intervalo de eonfianza del 98Vo.206 IEORIA DE ESTIMACION [cAP. También del Problema 4.6 Del Problema 4. gue tenemos (I) Puesto Por tanto l(rx. v Q) 90% para la relación de las desviaciones de las desigualdades del Problema 6. hallrrmoe para el intervalo de confianza del 98%.89 de modo que l/F. pfui¡1g 19?. tenemos F ge = 4. Entonce¡ utilizando (171.23 hallamos los lfmitec de confianza para el (¿) (ó) ESTIMAS DE MAXIMA VEROSIMILITUD o.os : 1t2.eo = ".84 V F. pl = (2to2)-tt2¿-zbk-r)2t2o2 (z') (r) Fijando íLldp = 0 t¡L = a -f.'or¡ g.25. reculta . 6. = (b) Como en (o) hallamos del Apéndice F que confianza del g0% es F.4437 oí = * ('z'6'g)(?q¿.e5 2. Si n obsewaciones Xr & se toman de una población distribuida normalmente de la cual se desconoce la media y se conoce la varianza. pl" 'f (r. Al tomar la raíz cuadrada 98% v el9o%.zt oz 0. Halla¡ la estima de máxima verosimilitud de la media. 6.96 parapl : 16 1 : 15 ! U2 =LO-1 =9 grados de libertad. como lógicamente era de eryerarse.47(b). Por tanto el intervalo de #(ffi) s += 6 0.eg oz 6. (#)(ffi3) o.tn1z. ü = \/2ro2 -J- r-<x¡-ü2rzoz L = f(nt. Hallar los límites de confianza del (al 98% típicas del hoblema.6?=1=r. 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.24.sg<!=z. tenemos pataUl: 15 y ez:9 grado¡ de libertad f or : 1/3.e¡ = 3. página 13p.(ffi) 4.47(d). .#>@t-pl2 Tomando Ia derivada parcial con re4ecto raL 1:' fr.z8a =# : = rsee. = 3)@*-Pl reeulta Q.59.0.23.

. se tiene P-P Elevando al cuadrado los dos miembros.26. (c) Mostrar que p¿üa grandes valores de n la fórmula de (c) se reduce a p=P¡2" \FF -nn.cAP. La proporción muestral P en unidades tipificadas .25 ha¡ta la ecuación (2) aplica. Si en el Problema 6.0 hallamos Vé¿se Problema 6.27. b--(2nP+"7) y c=nP2. donde z" deüermins el nivel de confianza. (a) como la utilizada en el Problema 6. halla¡ la estima de máxima verosimilitud de la va¡ia¡rza. todo lo efectuado en el hoblem¡ 6.25 se conoce la media pero se desconoce la varianza.) Dividiendo numerador y denominador por 2n.e f(x¡. por tanto. = -fi+ uár> @t-r)2 02= 2 (rr - pl2 PROBLEMAS DIVERSOS 6. estaecuaciónsereduceaafi*bp*c:0.6l TEORIA DE ESTMACION 207 6. z7 n -4ü r+4 n o P (b) Utilizar la fórmula de (¿) para obtener los límites de confianzadel99.p oP = -1. zi n -4nz | +! .L n - pl pz-2pp*p2: (nI nes para zp\p2 "?P# z?lp Multiplicando los dos miembros por ¿ y simplificando.13. queda. tenemos ee i'# Fijando aLl0o2 .p).P)/n Los valores mayor y menor de esüa variable tipificada son tzc. Entonces tomando la derivada parcial con reqrecto a 02. Si escribimos f (rx.13. - (2nP I * nPz = 0 Si o=n+z!. {P(L = *2" p(.63."2) en cambio d.cuyassoluciop son dadas por La fórmula cuadráti.ca p= _6 + 1/@=lo" 2a z"P+27=W 2(n* z7\ 2nP I 22" * ""t/6F(L1VlT7" 2(nI zf. 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) .TS% delProblema 6. (a) Si P es la proporción observada de éxitos en una muesha de tamaño n. En estos valores extremos. se tiene e+ flt "" P(L-PI .

.98) están dadas por 11.O a 110. Hallar los límites de confianza del (o ) 99%.Es posible haltar otros límitee de confianza escogiendo valores críticos de X2 gar. de forma 6.z.32 92. y 0. respectivamente. (o) Solucionar el Problema 6.r De la tabla se observa que un intervalo del95%.8.7. X.2 19. La media y la desviación típica de las cargas máximas soportadas por 60 cables (véase Problema 5./Anz que se obtiene la fórmula pedida.¡amente 19. 8.e4 91.8.6 = 12. Determinar estimae insesgadas y eficientee de (o) la media de la población v (b) la varianza de la población. X 032 y X 1¡2.ge = 15.TSVo. 2g.30. se tienep : 0.=B.44.6. horas Una muestra de 10 tubos de televisión producidoe por una compañía. empleando t¡alores críticos tales como justifica el trabajo involucrado.72642 pulgadas y 0.100).42 a a 111.o¡r y x e8l.00058 pulgadas.s2=12.8 ¡.7 7.69 en acuerdo con el problema 6. 10.09 ton.?3 20.54 ¡. ó 0.Entonces.7s7=15. 10. Hallar los límites de confianza del (o) 951/. entonces zf. (c) Comparar la desviación típica muestral con la desviación típicÁ de la población estimada. pero de tal manera que las áreas en cada cola no sean iguales.32.a los cuales la suma de las áreas en l¡as colas sea61./zn. cuya amplitud sea menor que la del Problema 6. (b) 98Vo.3 91. Valores Crítico¡ Tabl¡ 6-2 Intervelo de confianza d. etc.$=12'76.8 89.s sr¡plernenta. lcAP.e6 : 15.9 110. 6'33.22(a) fueron obtenidos escogiendo valores críticos de y2 de tal manera que las áreas en cada cola fueran 2.7 a Lt3. g.31. Las medidas de pesos de una muestra fueron registradas como 8. respectivamente.4 libras.13(a).el 95"tb Ampütud 2r.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 6.4 20.55yn:100enlafórmula y 22"/nson despreciables y pueden sustituirsepor cero.0 a 110. Estimar (o) la media y (b) la desviación tÍpica de la población de todos los tubos de televisión producidos por esta compañía. zf.utilizando de (a).. (c) Si n es gtande.30 si se obtienen los mismos resultados para 30.8. La media y la desviación típica de los diámetros de una muestra de 250 remaches fabricados per una compañía gon O.rlos ESTIMAS INSESGADAS Y EFICIENTES 6.9 7. y (b)99dto para la media de las cargas máximas de todos los cables producidos por la compañía.28.29.8. 6.208 TEORIA DE ESTIMACION (b) Paraloslímitesdeconfianzadelgg.'.6 p=0. Sin embargo. respectivamente (véase Problema 5. de amplitud sol. es de g1.85. Un intervalo con amplitud af¡n menor puede hallaree continuando el mismo método de aproximación x. en general.64.40 y 0.0 = 12. 50 y 100 tubos de televisión muestreados' (b) ¿Qué se puede deducü de la relación entre las desviaciones típicas muestrales y las estimas de las desviaciones típicas de la población para los diferentes tamaños de mueetra? ESTIMAS POR INTERVALO DE CONFIANZA DE MEDIAS (GRANDES MÜESTBAS) 6. En la Tabla 6-2 se indican varios valores críticos y los conespondientes intetwalos de confianza del 95%.6%. dieron una du¡ación media de 1200 y una desviación típica de 100 horas.. la disminueión en el intervalo que 8e obtiene es comúnmente despreciable y no Probletn.?3 ton.05. (c) 95% y (d) 90% para el dirimetro medio de todos los remaches fabricados por la compañía. 6.2 y 9.a.. ¡es=15.

¿Cuál será el número mínimo de voranües que se deberá mue\trear para quelaeonfianza sea del (a) 8O%.2[horas.30 horas. (b)g|%t (c)997oV @)59. INTEBVALOS DE CONFIANZA PARA VARIANZAS Y DESVIACIONES TIPICAS 6. respectivamente. dio el 7O% de bolas rojas.7g% para la proporción real de bolas rojas en la urna. 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. Una r¡rna contiene una proporción desconocida de bolas rojas y blancas.44. 6.41.638 libras y una desviación típica de y (b) del 99Vo pata los pesos de lotes de 100 cojinetes cada uno.gg.41. Una muestra de 200 cerrojos producidos por una máquina mostró que 15 eran defectuosos.36 si el error en la duración media estimada superar las 10 horas? ESTTMAS POR INTERVALO DE CONTIANZA DE MEDIAS (PEQUEÑAS MUESTRAS) 6. HaIIar los límites de confianza del (o) g5%. Hallar los límites de confiánza (a) del 95% Una compañía fabrica cojinetes de bolas que tienen un peso medio de 0. (b\ 99% y G\ gg.7 Bdn pá.86.24 onzze. Se cree que una elección resultará muy reñida entre dos candidatos.42.40 verdadera no difiera de la proporción muestral en más del 6Vo sea (a) del 95Vo.g?.2?.33.cAP.76 y 0. respectivamente.3g.6l' TEORIA DE ESTIMACION límites de confianza del 5O% 209 6.g1 sfoundos. al primero le fue dado un nuevo tipo de somnífero y al segundo un tipo convencional. 6. (b ) del 99%. Hallar eI error probable de la desviación típica del Problema 6'46' . 6.46.73% 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.(b\95%'(c\99% deladecisiónen favor de uno de los candidatos? INTERVALOS DE CONFIANZA PARA DfFERENCIAS Y SUMAS 6. (b)gg%y (c)99J37" para la dewiación típica de todoslos cables producidos por la compañía. Hallar grandes muestras y comparar Solucionar el problema 6. 0.ParalosdelgrupoB fueron 6. mientras que de 100 cerrojos de otra máquina 12 eran defectuosos. Una muestra aleatoriade 60 bolas extraídas con remplazamiento de la urna. Si la desviación típica de la duración de los tubos de televisión se estima en 100 horas.g9. (c) del 99. De dos grupos análogos de enfermos A y B formados de 50 y 100 individuos.g5.80. Cinco medidas del tiempo de reacción de un individuo a un cierto estímulo fueron registradas real de 0.45. ¿qué tamaño de muestra deberá tomarse puüa que sea del (a\96%.40. 6. 6.3? suponiendo aplicables los métodos de la teoría de los resultados obtenidos. Hallar los límites de confianza del (a) 95% y (bl99% para el tiempo reacción. Dar los resultados utilizando la fórmula aproximada y la más exacta del Problema 6'27.43. 0.73V"? 6. ESTIMAS POR INTERVALO DE CONFIANZA PARA PROPORCIONES 6.82 con una desviación típica deO. o.38 onzas los límites de confianza del (c) 95% y (b) 997o para la resistencia real' desviación típica de 1. como 0'28. 6.a h diferencü de proporciones de cerrojos defrctuosos de las dos máquinas' Estudiar los resultados obtenidos.012 libras. Para los pacientes del primer grupo el número medio de horas de sueño fue 7. Hallar los límites de confianza del (c) g5%. y (b) el error probable para la media de los diámetros del 6. para que la confianza de que la proporción ¿Qué tamaño de muestra se debería tomar en el Problema 6. Hallar los límites de confianza del (a) 95%' (b)99o/oy (c) gg . La desviación típica de resistencia a la rotura de 100 cables producidos por una compañía fue de 180 libras. y una Una muestra de 12 medias de resistencia a la rotura de hebras de algodón dio una media de 7. 6. 0.94" Hallar (¿) los Problema 6.

54. .51.25 y 6. .2to 6.62.54 fueron extraídas de la misma población? Justificar su solución. 6. -t 1 r ( -. PBOBLEMAS DIVERSOS 6. 6. hallar la estim-a de máxima verosimilitud de z. .6 ¿Qué tamaño de muestra deberá tomarse para que la confianza sea del (a) 95%.(b)v:12. 02 desconocidas. INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6. Hallar el estiniador de máxima verosimilitud de ). Si se toman n observaciones. . . X¡. ESTIMAS DE MAXIMA VEROSIMILITUD 6. Comparar los resultados con los obtenidos empleando la distribución normal. Xn de una población distribuida normalmente con media ¡l y varianza ¿Pueden determinarse estimas de máxima verosimilitud de ¡t y o2 en términos d. .49. Solucionar el Problema 6. Xn se toman de una distribución de Poisson con parámetro tr desconocido. (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. 6. . Si Xr. Xn de esta población. En una prueba de 40 cables seleccionados aleatoriamente resulta una media de la resistencia de rotura d.7T% de que la desviación típica de una población no difiera de la desviación típica muestral en más del 2%? 6. La desviación típica compañía. .57. X1. (b) gg% y (c) gg.042 cm y 0. [(A'+t)st 0<¡:<1 de otra forma Xn de esta población hallar la estima de máxima verosimilitud de h.51 que tiene la menor amplitud? 6. Los coeficientes de confianza del 999á ("doble cola") para la distribución normal están dados por 12. Si n observaciones 6. Hallar Ios intervalos de confianza del (a) 98% y (b) 90% para la relación de Ias varianzas. ¿Cuáles son los coeficientes correspondientes para la distribución f si (o) v = 4. .52. . límites de confianza del (o) 96'/o y (b)99Eb pa¡a la desviación típica de todas las bombillas fabricadas Solucionar el Problema 6. 6.58. hoblema 6.035 cm respectivamente.58.60. Hallar los igr la 6.(c)v:25.56. . Las desviaciones típicas de los diárnetros de los cojinetes de bolas producidos por dos máquinas son 0. .54 si las muestras tienen tamaño 120 cada una.e 11. 6.59.. del Problema 6.61. de la du¡ación de 10 bombillas fabricadas por una compañía es 120 horas.55. Hallar los intervalos de confianza del (o) 98% y (b)907.e 24OO libras y una dewiación típica de 150 libras. Una población tiene una función de densidad dada por i@l = 2rt/r/" ¡2s-v*. . . .49 utilizando la distribuciíny2 si una muestra de 100 bombillas tiene la misma desviación típica de 120 horas. 6. . TEORIA DE ESTIMACION [cAP. Solucionar el (o) Problema 6. Una población tiene una función de densidad dada por 8e toman n observaciones l(r) = l^0 [ Si se toman n observaciones X1 . . ¿Considera que las dos muestras del hoblema 6. 6. para la relación de las varianzas de las poblaciones de donde se exhajeron.(d)v : 30' (¿) v: 40? Una compañía tiene 500 cables.50. r. basados en muestras de tamaño 10 cada una. 6.52 y (b) Problema 6.53.26? Explicar.48..63. Determinar los intervalos de confianza del (o) 98%v @\gOVapara larelacióndelasdesviacionestípicasdel Dos muestras de tamaños 6 y E respectivamente tienen la misma varianza.49 si 25 bombillas tienen la misma desviación tÍpica de 120 horas. . . .62.? ¿Son lc mismos a los dados en los hoblemas 6. .

Si por el contrario. lo son sobre las distribuciones de probabilidad de las poblaciones. si una moneda determinada está o no cargada. se formula la hipótesisde que la moneda est. se puede querer decidir a partir de los datos del muestreo. si un suero nuevo es realmente efectivo para la cura de una enfermedad. Por ejemplo. ENSAYOS DE HIPOTESIS Y SIGNIFICACION evidencia obtenida).5.5. En muchos casos se formulan las hipótesis estadísticas con el solo propósito de rechazarlas o invalidarlas. si se quiere decidir si una moneda está cargada.7. HIPOTESIS NULA Para llegar a tomar decisiones. ensoyos de significación o reglas de decisión. en general. si se quiere decidir sobre si un procedimiento es mejor que otro. ERRORES DE TIPO Si en el supuesto de que una hipótesis determinada es cierta. 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. partiendo de la información muestral de las mismas. conviene hacer determinados supuestos o conjeturas acerca de las poblaciones que se estudian. se dice que se comete un 277 . en la práctica se tienen que tomar decisiones sobre poblaciones. donde p es la probabilidad de cara. Si se rechaza una hipótesis cuando debería ser aceptada.56p>0. HIPOTESIS ESTADISTICAS. es decir. Tales decisiones se llaman decisiones estadísticag Por ejemplo. hipótesis se llaman también hipótests fluctuaciones en el muestreo de la misma po y se denotan por flo . 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 /.á bien. aunque sería posible que fuese un rechazamiento enóneo. nulns Cualquier hipótesis quedifiera de una hipótesis dada se llamahipótesis alternatiuc. si en 20 lanzamientos de una moneda se obtienen 16 caras. si un sistema educacional es mejor que otro.p#O. se formula la hipótesis de que no hay encia observada se debe meramente a diferencia entre ios procedimientos (es decir. Análogamente.5. 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. Tales supuestos que pueden ser o no ciertos se llaman hipótesis estadísticas y.Capítulo 7 Ensoyo de hipótesis y srgnlllc(Iclon DECISIONES ESTADISTICAS t cJo . se estaría inclinado a rechazar la hipótesis de que la moneda est:á bien. a Muy a menudo. siunahipótesis-esp:'0. etc.hipótesisalternativassonp:O.Unahipótesis alternativa de la hipótesis nula se denota por Ilt . se dice que se comete vn error del Tipo se acepta una hipótesis que debería ser rechazada. Por ejemplo. p : 0. Por ejemplo.

entonces hay aproximadamente 5 ocasiones en 100 en que se rechazaría la hipótesis cuando debería ser aceptada.96 podía entonces llama¡se región de aceptación de h hipótesis o región de no significación. generalmente se fija antes de la extracción de las muestras.1. En tal caso se dice que la hipótesis ha sido rechazada aI niuel de significación del O. la distribución muestral de un estadístico S es una distribución normal con media p" y desviación típica o". lo cual puede ser o no ser posible.96 y 1. se está con un 95% de confianza de que se toma la decisión adecuada. 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.)/o. Esta probabilidad se denota frecuentemente por o. se dice que la hipótesis se rechaza al niuel de significación del0.05. por ejemplo se elige un nivel de significación del O.El conjunto de lasz que se encuentran dentro del recorrido . En la práctica.212 error del Tipo da.96 a 1. Entonces puede decirse que esta z difiere signifícatiuamente de la que cabía esperar bajo esta hipótesis y se estaría inclinado a rechazar la hipótesis.96 a 1. es una normal tipificada (media 0.05. 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.01.1. aunque igualmente pueden emplearse otros valores. . un intento de disminuir un tipo de error.05 si la z obtenida para el estadístico S se encuentra fuera del recorrido .05 ó 0. z > I. De acuerdo con lo dicho hasta ahora.96 a 1..96 (es decir.05 es el nivel de significación del ensayo. varianza 1) y se muestra en la Fig. 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. ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. Así pues. de modo que los resultados obtenidos no influyen en la elección. al diseñar un ensayo de hipótesis. lo que quiere decir que es un suceso con probabilidad de solamente 0.96 ó z 1.96).96 a 1.96 constituyen lo que se llama región crítica o región de rechace de Ia hipótes¡'s o región de significación. Si. Como se indica en la figura.96 (puesto que el área bajo la curva normal entre estos valores es 0. Esto no es tah sencillo como pueda parecer puesto que para un tamaño de muestra dado. El área total sombreada 0..7-l Sin embargo. la probabilidad de cometer error del Tipo I. el valor de e obtenido de una muestra real para el estadístico S se encontrará entre 1. si la hipótesis es cierta. si al elegir una muestra aleatoria se encuentra que z para ese estadístico se halla fuera del recorrido .. 7-1. debe diseñarse de forma que minimice los errores de decisión. ENSAYOS REFERENTES A LA DISTRIBUCION NORMAL Pa¡a aclarar las ideas anteriores.1.lo que significa que se puede cometer error con una probabilidad de 0. supóngase que con una hipótesis dada. En la práctica se acostumbra a utilizar niveles de significación del 0.O5. ¡--lglj . va generalmente acompañádo por un incremento en el otro tipo de error.95). Representa la probabilidad de rumeter error al recbazar la hipótesis es decir. es decir.1. un tipo de error puede tener más importancia que el otro.=lD6 I'ig. ? II. Entonces la distribución de la variable tipificada dada por Z : (S ¡.96.05 6 6"/.05 (área sombreada de la figura) si la hipótesis fuese verdadera.05 o que la z obtenida del estadístico muestral dado es significatiua al niuel de significación del 0. 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. se puede estar con el 957o de confianza de que.O6El conjunto de las z que se encuentran fuera del rango -1.

Tales ensayos se llaman ensayos de una cola o ensayos unilaterales.i: ¡t.58 2. Valores críticos de z para otros nivelei de significación. Por ejemplo. La Tabla 7-1. tss =.88 y -1. La variable tipificada viene dada por Aquí S : X.cAP.002 ó -t.8I -3. si se utilizase el nivel del 0.58 2. con área igual al nivel de significación. tales ensayos se llaman ensayos de dos colns o ensayos bilaterales. Ia región crítica es una región a un lado de la distribución. media muestral. Por esta raz6n. puesto que la suma del nivel de significación y el nivel de confianza es L00%. La Tabla 6-1.la X-. página 195.645 1.-: ú1V11. = op: o/1/i. 1. con frecuencia se puede estar solamente interesado en los valores extremos a un solo lado de Iá media. es decir.88 2. 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.81 2. será de utitidad para propósitos de referencia.58 (véase Tabla 7-L).28 1.01 se sustituiría 1. como por ejemplo. los resultados son para poblaciones infinitas o para muestreo con remplazamiento' Para muestreo sin remplazamiento de poblaciones finitas los resultados deberán modificarse. que da los valores críticos de z para ensayos de una y dos colas a distintos niveles de significación. Tabla 7-1 Nivel de significación o Valores críticos de z para ensayos unilaterales Valores críticos de z para ensayos bilaterales 0. en las dos "colas" de la distribución. Entonces. Para ensayar la hipótesis nula (f) co (I ). utilizando un ensayo de dos colas. Debe ponerse de manifiesto que puedgn igualmente emplearse otros niveles de significación.645 y 1. Cuando es necesário se utiliza la desviación muestral observada s (ó G).645 cí 2.05 001 45 0. 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). donde o es la desviación típica poblacional y n es el tamaño de la muestra.33 -2.08 ENSAYOS ESPECIALES DE SIGNIFICACION PARA GRANDES MUESTRAS Para muestras grandes.28 ó -1. Los co. o. En tales casos.10 0.96 1. Véanse páginas 158 y 160.08 y 3.58 y -2.58 ó -2. puede también emplearse.96 y -2.6 1. se pueden encontrar utilizando la tabla que da las áreas bajo la curva normal. aceptaríamos -EI6 de que la media poblacional es p : o utiliza¡íamos el estadísti-EÍe (o al menos no lo . 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. media poblacional.005 0. En cada caso.. para estimar o. en una "cola" de la distribución.7l / ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2L3 (b) Se acepta Ia hipótesis (o si se desea no se toma decisión alguna) en caso conhario. Z = -. Si4 embargo. Medias.33 ó -2.96 en todo lo visto anteriormente por 2.. es decir.

Entonces. Con la variable tipificada dada por X. '\ l x2 (7) ¡ donde se puede.De (//).EIo al nivel 0. ¡r" : ltp : p.= X/n.*r_*.2I4 ENSAYoS DE HIPoTESIs Y sIGNIFIcAcIoN lcAP.r.05 si ry olVn ríamos.-'. de éxitos en la población (4) Aquí S : P. aceptaríamos Ilo (o al menos no la rechazaríamos) al nivel 0. donde p es la proporción y n es el tamaño de la muestrsi o" : o. la proporción de "éxitos" en una muestra. (5) se convierte (6) Z= X-np \nLPrI Consideraciones semejantes a las hechas anteriormente para medias pueden hacerse. ? rechazaríamos) al nivel 0. utilizar las desviaciones típicas muestrales sr V sz (ó 0t y 3.-X2-0 z _:. 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. Para otros niveles de significación cambiaríamos (2) apropiadamente.. donde e : ! . 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. 3. utilizando un ensayo de una cola.e6 y lo rechazaríamos por el contrario. Considérese la hipótesis nula de que no hay diferencia entre las medias poblacionales. como estimas de or y 02. = 0 O:. Proporciones.. : ltulln._ = Xr-X" \. es decir... página 159. . donde X en es el P-p \/pql" (5) número real de éxitos en una muestra.. lt : !z. La variable tipificada viene dada por z: En el caso de que P . haciendo gr : Irz s€ ve que la distribución muestral de la diferencia de medias se distribuye aproximadamente como una normal con media y desviación típica dadas por . Diferencias de medias.p.05 si (véase Tabla 7-1). Para ensay¿ü la hipótesis de que la media poblacional es menor que a acepta- iñ 2.05 si p¿üa una muestra específica de tamaño n con media r (2) -1. 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 = "ñ+ = 1. si es necesario.

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

Varianzas. 4. Relaciones de varianzas. fuera tal que nsz t2 y aceptaríamos IIo (o al menos no la rechazaríamos) de otra forma. s2. En algunos problemas deseamos decidir si dos muestras de tamaños m y n respectivamente. 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. cuyas varianzas medidas son sl y sr2. (/8) y lo rechazaríamos en el caso contrario. combinada obtenida al donde ^31 t . primero anotamos que F en (16) tiene la distribución F con fr .t n. en el nivel 0.1 grados de libertad. Entonces si una muestra aleatoria de tamaño n tiene varianza s2 aceptaríamos flo . provienen o no de la misma población normal. (rz' . es correcta) si la varianza muestral específi- ca. por ejemplo. y después utilizar como estima de o2 la media ponderada (n.05 si X. página 159. Bajo esta hipótesis (16) se convierte en "! F::-l q2 q2 \. -2 gradosde'libertad. pero entonces emplearíamos un ensayo de una cola. Un resultado otro nivel. .2L6 ENsAyos DE HrporEsrs y srcNrFrcAcroN / Se'tt..05 (y por tanto concluiríamos que f/. de que la varíanza poblacional es mayor que o2 emplearíamos la hipótesis rilo .1)^ii + fn.01 u y la rechazaríamos de otra forma.1. basados en el ensayo de dos colas. Por tanto rechazaríamos Hs.t.) (17) Para ensayar esta hipótesis al nivel 0. aceptaríamos.0.s'. (o al menos no la rechazaríamos) en el nivel 0. Para ensayar la hipótesis H.. sí sí = F'o. utilizando un ensayo de dos colas.J)9j 1) + (nz -1)-- l' n. .1 grados de libertad. Entonces. * n. y o!. es decir = o3. El empleo de (12) está plenamente justificado al hacer o.EIo (o no la rechazarí4mos) en el nivel 0.s? + + n.3¿ son estimas insesgadas de oi combinar los datos. En este caso utilizamos el estadístico (véase página 161) F= donde (16) fi.oz : o en(12).. Esta es la uarianza 3. Si ¡/o denota la hipótesis nula de que no hay diferencia entre las varianzas poblacionales. . n . t La distribución de ? es una distribución de Student conv: n. fi son las varianzas de las dos poblaciones normales de donde se extraen las muestras.'oz¡ o<nsz< (14) semejante puede obtenerse para el nivel 0.10 si Fo. 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 . .

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

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

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

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

tp = 1oo(.10) 7.5 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.I de la regla de decisión y la probabilidad de cometer este error es igual a 0. 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. Por esta razón. ambos inclusive.. Hallar la probabilidad de obtener entre 40 y 60 caras inclusive en 100 lanzamientos de una moneda. se acepta la hipótesis.-210 caras) FiE.0358. cuando debería aceptarse q el error del Tipo. 53 (o) (b) Por el Problema 7.0358 en este casc..5 y 60. 7-2.0358.1.0. entre 40 y 60 caras inclusive es lo mismo que entre 39.L0 y 210. Para ensayar (c) Hallar la probabilidad de rechazar la hipótesis. \ql .) =.5 - 50 = 2. de otro modo se rechaza y se decide que la moneda no está bien hecha.5 .1. la hipótesis de que una moneda está bien hecha.58%.I0 Probabilidad pedida : : área bajo la curva normal e¡tíe z: 2(áreaentre z: O y z: -2. está representado por el área total sombreada de Ia figura. En una escala continua.5 en unidades tipificadas = q9'5-:-E 60. 39./lY' (.5. la probabilidad pedida es /1\'t0 'oocoo( i) /r \6r' .'lóJ /1Yo . cuando en realidad es cierta.2. (b) Interpretar gráficamente la regla de decisión y el resultado del apartado (c).10 y nq son ambas mayores de 5.lO 2. Región de recbace ? El error que se puede cometer de rechazar la hipótesis (39.e la regla de decisión y es igual a 0. ./ 1" (. puede utilizarse para la er¡aluación de la suma anteriqr la aproximación normal a la distribución binomial.CAP. /1Y. La regla de decisión se ve gráficamente en la Fig.1O y z: 2.9642 : 0. se dirá que esta z difiere significatiuamente de lia que cabría esperar si la hipótesis fuese cierta. uo Pueeto que np o-{ffi=['r{ffi=' = _2. (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. Según la distribución binomial. pues se habla de rechazar la hipótesis a un nivel de significación de 0.0358 6 3.5 caras. Entonces la probabilidad de rechazar la hipótesis cuando es correcta : 0. se rechaza.7-2 z (60. la probabilidad de no obtener entre 40 y 60 caras inclusive si la moneda está bien hecha 1 . .s resueltos ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NORMALES 7.que muestra la distribución de probabilidad de caras en 100 Ianzamientos de una moneda bien hecha. Así.. probabilidad de error del Tipo I) se llama níuel de significación d. (2) de otro modo. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 22r Problema.0358 del apartado (o).'| rrx'ti'\r/ /tY' \-/ \-/ \-/ \-/ \-/ La media y la desvi¿ción típica del nf¡mero de ca¡as en 100 hnzamientos vienen dadas por t.en unidadee tipificadas = 60. -. Si en una serie de 100 lanzamientos sg obtiene una z entre -2..) +'noc. el área total sombreada (es decir.

96 < z < 1.96(4)< (x6 32.68 y Bz + Entonces la repla de decisión sería: (l) Aceptar la hipótesis si el nfrmero de caras se encuentra entre 22 y 42 inclusive.025 por simetría.96.32 y o -= t/iw = y'6llos)(05) = = (X p)/o 4 bajo Ia hipótesis de que la moneda está bien hecha. ? (c) Según la regla de decisión.96.96.99 .4950 ! zt = 2. Estopuedetambién - el número de ca¡as se encontrará entre lr 2. (d) Si.96yñpq lleva a Ia regla de decisión anterior. el número de ca¡as se encontrará entre ¡¡ decir.7-B 2r Los valores críticos la Tabla 7-1- -1.84.96(4).05 y (b) 0.966X=24. nótese que la media y la desviación típica de la distribución binomial exacta de caras están dadas por ! . Se puede aceptar la hipótesis cuando realmente debería rechazarse como. .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. es decir.5.que también conducea ) obtenerse de la Tabla ?-1. una posible regla de decisión es: (I ) Aceptar la hipótesis de que la moneda est:á bien hecha si Z está entre -1.(X-32)14:-1.25.96 <(x-gz)l¿. Para mayor discusión véanse Problemas 7 rechazarse ea error del Tipo 1I de la .96 equivale a . Diseñar una regla de decisión para ensayar la hipótesis de que una moneda est.16<X< 39. el área entre 0 y zr es 0. por ejemplo.O. Entonces el área entre 0 y zr = 0.0050 :0.58o.222 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. Si el nivel de signilicación es 0.1.(X-32)l¿:1-96óX:39.96(4): 1. Entonces. en ambos casos se aceptaría la hipótesis de que la moneda está bien hecha.575). (o) Primer método: Si el nivel de significación es 0.84.1.96_ (2) Rechazar la hipótesis en cualquier otro caso.np: 64(0. (i ) Se acepta la hipótesis de que la moneda está bien hecha si el número de 24.005. El error que se comete al aceptar la hipótesis cuando debería decisión.bg (másexacüarnente 2.96. 89.96 y 1. Tercer método: y np+1.96 y 1. 7.960. np.1.3.84. pues. g2-2. 7-3 es 0.t6. (2) Rechazarla en cualquier otro caso.01 . se ve que con probabilidad 0.1.23-7. cada área sombreada en la figura anterior es 0.58(4):21.Asípues.5) . Esto es lo que se debe afrontar cuando para tomar decisiones se toma cualquier línea de división. es decir. -zr Fis.16 y 39.58(4\: 42. Siguiendo el mismo procedimiento del método segundo del apartado (o ).05. 2.2.? en lugar de 0.5000 0.O25O : O-4750.84que 32) < 1. es decir. 24.96(4) la regla de decisión anüerior. caras se encuentra entre (2) es Se rechazá la hipótesis en caso contrario.01.95.960 y ¡J + l. se habría rechazado la hipótesis.5i2:-1.96(4) :24. entre 25 y 39 ambos inclusive.96(4)< X< 32 + 1.32. sería el caso cuando la probabilidad de cara fuese realmente 0. Entonces Z la regla de decisión resulta: = (X - 32\14. (b -1. Entonces.y z¡ : 1. SiZ:1.76y 32+ -1. Así. Se puede argüir que con solo una cara más que se hubiese obtenido.58o y pt*.< 1.á bien hecha si en una muestra de 64lanzamientos de la moneda se toma un nivel de significación de {c) 0. Segundo método: Con probabilidad 0.5000 . cada6rea sombreada en la Fig.96{npq o entre 32 - 1.

98 es mayor que 1.01.5 üiene un valor tipificado de (31.6. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 223 7. Fig.84) que es menor que 2.P.S.33.4. no significativos al nivel del 0. .05 pero no al nivel del 0. mientras que los resulüados significativos a niveles superriores al 0.np = 50(0.05.645. Se elige un ensayo de una cola. los resultados significativos al nivel del 0.4900Y2r:2.5 V el sujeto está simplemente adivinando.645. p es la ptobabilidad de que el sujeto elija conectamente el color de una catta. 7. Sin embargo.4500.5. Para evitar este etlor. la decisión rnantiene es decir. En un experimento sobre percepción extrasensorial (E. entonces se tiene que decidir entre las dos hipótesis siguientes: Si Hoi p: 0. se concluye que al nivel del 0. Una completa discusión de tales casos requiere l¿ consideración de errores del fipo II (véanee hoblem¿s 7.P.25\15.26').5 y el sujeto tiene fuerza de E.) 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.Puestoque32(ó 31.01 son probablemente significotiuos.26)13.ar la hipótesis si el número de caras se encuentra e¡fte 22 y 42 inclusive. la regla de decisión del Problema 7.3(b) serfa: (I ) (2) No recltzz. Algunos estadísticos adoptan la terminología de que lios resultados significativos al nivel del 0. se concluye que los resultados del experimento anterior wn probablemente significatiuos.cAP.01. lo que efnificarfa que ee rehuaa cualquier decisión en este caso. Es desconocido-para el zujeto cuántas cartas rojas o azules hay en el lote. se deduce que los reeultado¡ no son significaüuos al nivel de 0. puesüo que 32 en una eecala continua está entre 31-5 y 32.S.645.33.98 (ó 1. la media y la desviación tfpica del número de cartas identificad¿c correcüamente 3. Si el zujeto identifica conectamente 32 cartas' determinar si los resultados son significativos al nivel de significación de (c) 0.54 p=. lo que se hace es simplemente no rechazarla. es decir.01. Rechazar Ia hipótesis en ca6o contraúo.84 llegándose a Ia misma conclusión anterio¡.05 el individuo tiene fuerza de E.omete al aceptar una hipótesis que debería ser rectrazada. Así por ejemplo. Esto puede también eacarse de la Tabla 7-1.5 .645 los resultados Be deben a la casualidad. en lugar de aceptar la hipótesis.05.23-7.S. los resultado¡ son totalmente casuales Ht: p ) 0. los resultados son significativos al nivel del 0. Seglrn la üerminologfa. zl (2) Si z es menor de 1. Asfrpues. sino en la facultad de obtener aciertos numerooos. es decir. Entonces el área enüre O y zt = 0. en muchos ejemplos prácticos es importante decidir si una hipótesis debe eer aceptada o rech¡zada.06 son no significatiws.64: 1.05 y el indiüduo tiene fue¡za de E. (D) Sielniveldesignificaciónes0. Si la hipótesis está dado por ff6 es cierta.P. de modo que posteriores investigaciones del fenómeno están probablemente justificadas. la regla de decisión o enaayo de significación es: (f ) Si la z observada es mayor que 1.05 y (b) 0.06 se debe elegit z1 en la Pig. ¿Cómo se podría diseña¡ una regla de decisión en el Problema ?. 7-4 Puesto que 32 unidades tipifrcadas (32 .01 ¡on altomente significatiuos. (I) ee Adüértase que tealmente debería aplicarse una conección de continuidad. puesto que no se está interesado en la facultad de obtener valoree bajos. Sin embargo.5) = zb ! o=\/wq = /86(05)(-05) = ¡/Es = (a) Para un ensayo de una cola al nivel de significación de 0. 31.5) en unidades tipificadas es 1.entonceseláreaent¡eOyzt:0.S. Y zr : 1. 7-4 de modo que el área sombreada en la región crítica de r¡alores alüos sea 0.3 que evite el enor del Tipo T? El error del Tipo I[ se c.64:1.P.

84):0.224 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. Por ejemplo.7. con una desviación típica de 120 horas.S. se llama a veces niuel de significación erperimental o descriptiuo. La distribución muestral de X tiene una media r¿x-Éyunades.96 a 1. que es mucho menor de -2. por un período de 8 horas. Entonces tre las dos hipótesis: se debe decidir Ho: p: 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. 7-5 toma como regla de decisión: (1) La aseveración no es legítima si Z es menor de -2.01 .9 y la aseveración Se elige un ensayo unilateral. (2) En caso contrario.Ossetienelasiguienteregladedecisión: (/) Se rec}raza 116 si la z de la media muestral está fuera del rango . Determinar si la aseveiación del fabricante es cierta.l8O)14.01.viacióntípicaop:s/1/i. Se tiene que decidir entre las dos hipótesis: Ho. la aseveración es legítima y los resultados obtenidos se deben a la casualidad (en cuyo caso Si se acepta 116 ). en este problemapuesto quep(Z > 1. El estadístico bajo consideración es la media muestral X. 7-5 es 0. Si ¡.05 y (b) 0. Si se toma el nivel de significación del 0. es sobre el 3 por 100. 3. es decir.33. comprobar la hipótesis ¡¡ : 1600 horas contra la hipótesis altemativa r¡ # 1600 horas con un nivel de significación de (a) 0.23: -4.r es la duración media de todos los tubos producidos por la compañía. Asípues. lt:1600 hora. mediante la simetría de la curva.r¡ = a. La duración media de una muestra de 100 tubos fluorescentesproducidosporuna compañía resulta ser 15?0 horas. Ahora 16O en unidades tipificadas (160 . (a) Paraunensayobilateralalniveldesignificaciónde0. o de la Tabla 7-1.1.6. puesto que Ee esüá interesado en determinar si la proporción de gente aliviada por la medicina es demasiado baja. ta probabilidad citada en-este caso 0.96.33.dondegvoscnlamediayladesviacióntípicadelapoblación de todos los tubos producidos por la compañía. H1: ¡t* 1600horas Un ensayo bilateral debe utilizarse aquí puesto que g * 1600 incluye valores mayores y menores de 1600.5).P. ..$) : 1AO y " - 7. .0322. entoncegz¡ : -2. El fabricante de una patente médica sostiene qu€ la misma tien'e un 9O% de efectividad en el alivio de una aler_gia.5(b). Se zl Fig. si el área sombreada en la Fig. (2) Se acepta l/6 (o no se toma decisión alguna) en caso contrario. \/"pq = /?2ooxo. 7 Puesto que los niveles de significación sirven de guía en la toma de decisiones.9 y la aseveración es correcta es falsa Hy: p10. algunos estadísticos citan las probabilidades reales inherentes.9)(o.33 (en cuyo caso se rechaza H¡). como puede deducirse del koblema 7.01.s. 7.En una muestra de 200 individuos que tenían la alergia la medicina suministrada alivió a 160 personas.23. altamente significatiuos (véase final del Problema ?. Denótese porp la posibilidad de obtener alivio de la alergia utilizando la medicina.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.

T-Stieneunáreade0. se rechaza pues.645. . se rechaza /16 al nivel de significación del 0. puesto que se ensaya I/6 conha una alternativa diferente en cada caso.7.58.33 los resultados son significativos al nivel de 0. (2) S. Las decisiones concernientes a hipótesis'lfe dadas. acepta H6 (o no se toma ninguna decisión) en caso contrario. (a) Sielniveldesignificaciónes0.8.96 a 1 . Para ensayar esta aspiración. Se ¡ecltaza 7 .9. en efecto. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 226 eneuentra fuera del rango Bajo la hipótesis I/6. (a). 7-5). utilizando la desviación típica muestral como una estima de o. se tiene g : 1600 y o* = a/t/n = 120/\/L00 = 12. ) (2) Se acepta. ' (b) Si el nivel de significación es 0.05.9 6.7(b) mediante un ensayo bilateral. Como en el Problema 7.7(a) mediante un ensayo bilateral.1600)/12 : (L570 .05. Adviértase que esta decisión es la misma que la obtenida en el Problema 7.01 la regla de decisión es: ) Si eI valor de z es mayor que 2. Entonces.oo loo/v5o que es mayor de 2. 7.33.01.01. el rango -1. basadas en ensayos de una o dos colas.50 se encuentra dentro de este rango. Adviértase que esta decisión es idéntica a la obtenida en el Problema 7. ensayar la hipótesis p : 1600 hora.01 eI valor de z1 en la Fig.33. En el Problema 7. y realmente no hay cambio en la resistencia 1800 libras. que es menor de -2. se ensaya una muestra de 50 cables y se encuentra que su resistencia media es de 1850 libras. Debe aquí utilizarse un ens¿ryo unilateral (véase Fig. no están siempre en concordancia. fle al nivel (b) Si el nivel de significación es de 0.0Sysetieneque zt : Se adopta.s frente a la alternativa horas.F/0 (2) De otro modo. el valor de z es -2. se tiene X-p ol\n 1850 . De aquí que se adopte la regla de decisión: (I ) Se rechaza H¡ si Z es menor de -2.05 y (b) 0. Ilo es aceptada (o no se toma decisión alguna).50.96 en la regla de decisión del apartado (c) se sustituye por -2. Al nivel de significación del 0. De aquí se deduce que los resultados son olúamente significatiuos y Ia aspiración de mejora debe ser admitida. Esto cabe. II1: ¡t{ 1600 horas.01 y.05. que es menor de -1 .cAP.01? Se tiene que decidir entre las dos hipótesis: Ho: lJ: Ht: lt > 1800 libras.33. naturalmente esperarse. laregiónsombreadadelaFig. ¡. Se debe < 1600 decidir entre las dos hipótesis: Ho: lJ: 1600 horas. puesto que z -2.7(a).645.¿ 7. hay un aumento de resistencia al nivel de significación del 0. 7-4). (1 Hs si Z es menor de -1. 7-5 es -2.50 se -l . ¿Puede mantenerse que.645. con los niveles de significación de (¿) 0. por tanto la regla de decisión: -L. Mediante una nueva técnica en el proceso de fabricación se aspira a que esta resistencia pueda ser incrementada.7 Como en el Problema de significación del 0. La resistencia a la rotura de los cables producidos por un fabricante tienen una media de 1800 libras y una desviación típica de 100 libras.96 a 1. se rechaza pues.01.1600y12 : -2.50.58 a 2. Puesto que / : (X . I/e es cierta. se acepta Ile (o no se toma ninguna decisión) al nivel de sfinificación del 0. y hay un cambio en la resistencia Aquí debe emplearse un ensayo unilateral (véase Fig.33. el valor de e es -2. /ls al nivel de significación del 0.Ff6 (o no se toma ninguna decisión) en caso contrario.01. Bajo la hipótesis de que (I es rechazada.1800 -------------ó.

de acuerdo con la terminología utilizada al final del Problema 7.226 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [g. n2 = 0. !40*50 = 1. =o n*r-rr"= "? .hay una diferencia significativa entre las dos clases la hipótesis lls.5 pulgadas.lp. I vez cada 10.-*. De aquí se deduce que al nivel de 0.645. "Z= l8r. Entonces z= (a) (ó) Pata un ensayo bilaüeral. se deduce que los resultados son probablementesignificatiuos.10.. mientras que 50 estudiantes que no mostraban interés en tal participación tenían una estatura media de 67.2 pulgadas con desviación típica d. es decir.10 si se está dispuesto a correr el riesgo de tomar una decisión errónea con una probabilidad de 0.e 2.4s Puesto que los resultados scin significativos al nivel de 0. se rechaza la hipótesis lls si el valor de z fuese mayor de 1.05 pero no al de 0. La estatura media de 50 estudiantes de un colegio que tomaban parte en las pruebas atléticas fue de 68.05. De aquí se deduce que al nivel de 0. ?.58.05 si Z se encuentra fuera del recorrido -1. p2 . z ENSAYOS RELACIONADOS CON DIFERENCIAS DE MEDIAS Y PROPORCIONES 7.11.96 a 1.01 no hay diferencias significativas entre ambas clases. Se debe decidir entre las hipótesis: Ho: llt : H t: Ft ) Bajo la hipótesis. Así pues.la estatura media del primer gtupo ^o hay diferencia entre las estaturas mediases mayor que la del segundo ur?.10.01.606 donde se han utilizado las desviaciones típicas muestrales como estimas d.0ó hay una diferencia significativa entre las dos clases y la segunda es probablemente mejor. = 1# = -2.5. = o n*r-'^" = !t-". mientras que en la segunda clase la puntuación media fue de 78 con una desviación típica de 7.05. . ! la diferencia se debe simplemente al azar H t : Pt * ¡t2 .5 pulgadas con desviación típica de 2. Se hizo un examen p dos clases formadas por 40 y 50 estudiantes respectivamente. Debe sin embargo ponerse de manifiesto que la hipótesis puede rechazarse al nivel de 0. Enton- Bajo ferencia de medias están dadas por Ho: ltt : llz. (b) 0. los resultados son significativos al nivel de 0.8 pulgadas. La media y la desviación típica de la di- uir-i. 7.e o1 y o2. En la primera clase la puntuáción media fue de 74 con una desviación típica de 8. no se puede rechazar la hipótesis a este nivel de significación. los resultados son significativos al nivel de 0. ambas clases provienen de la misma población. - l"? .El6 . ¿Hay una diferencia significativa entre el restfltado de las dos ciases al nivel de significación de (a) 0. ltz .96.01 si Z se encuentra fuera del iritervalo -2.01? ces. Para un ensayo bilateral. se tiene que Supóngase que las dos clases provienen de dos poblaciones que tienen de medias respectivas decidir entre las hipótesis: l\ y tJz. Ensayar la hipótesis de que los estudiantes que participan en las pruebas atléticas son más altos que los otros. = o*r-fr.58 y 2.53 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. ft1 "8.

. Se debe r! p2.7 observada en las estaturas medias se tiene xt . el suero no es efecüivo Ho: Pt : Pz.05. Entonces.5 ó t57 n>1b? 50 De aquí que se debería incrementar cada muestra en al menos : lO7 .y el suero es efectivo Bajo la hipótesis 116. 7.28. Se administra un suero al grupo A.05.r. De donde se deduce que a este nivel tambiénlas diferencias se deben al azgt.01 si : 28 al menos.645.L2. (b) 0./" Para la diferencia de 0. (a) o.10 se rechazaría f/e solamente si el valor de z fuese superior a 1.75 y 65 individuos. 14. deberá incrementarse el tamaño de cada grupo en ?8 será significativa al nivel de 0.05.. Ensayar la hipótesis de que el suero ayuda a curar la enfermedad al nivel de significación del (a) 0. respectivamente las proporciones poblacionales curadas ( I ) utilizando el suero ._P" orr. se debe deducir que los resultados se deben al azar a este nivel de significación. Dos grupos A y B fo¡mados cada uno de 100 individuos.54. ¿En cuánto deberíán incrementarse los tamaños de muestra de cada uno de los dos grupos en el Problema 7. = o o. = p de curas 0.05 si Yif-t'uou (b) La diferencia observada ó 1/-n=8.?50 - = 1. Se encuentra que en los grupos Ay 8. se rechazaría la hipótesis IIs solamente si z fuese mayor de 1.70 y donde q : 1 p : 0.7 3. ui'!!=r. se r*}lrazaría lahipótesis1116 solamente si z fuese mayor de 2.5¡z ¡ ". 0.75/\n 0.o*r-*.0648 donde se ha utilizado como estima de la proporción 65)1200 : 0.33.10.13."2 nn (2.54 (c) De acuerdo con un ensayo unilateral al nivel de significación del 0. (ó) De acuerdo con un ensayo unilateral (c) Si se utilizase un ensayo unilateral al nivel de significación de 0.01.30. (2 ) sin decidir entre las dos hipótesis: es decir. (c) 0:10. respectivamente se han recuperado de la enfermedad.zorro. Denótese por P utiliza¡ suero. Entonces ry- en los dos grupos muestrales el valor (?5 * P.01? Supóngase que el tamaño muestral de cada grupo eB n y qLe las desviaciones típicas manecen iguales a las de antes. se tiene . bajo la hipótesis tiI6.ebr(-#. = 0 V p".ir_*."io" dos grupos per- o*r- *.tt d \/a>r2. urr-r'. al nivel de significación del 0.CAP. Puesto que el valor de z es 1. H t : pt ) pz.l las diferencias observadas son debidas al az. = o?.r-r. siendo en todo lo demás los dos grupos tratados idénticamente. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 227 7.7 pulgadas en las estaturas medias sea significativa al nivel de significación (o) 0. se deduciría que el suero es efectivo al nivel de significación de 0.0648 ro.09 3.01.8 í¡ n>78 50 Así pues.zt.xz 4 .7\n 3'75 La diferencia observada será significativa al nivel de 0. (b) 0. Puesto que esta condición es satisfecha.II para que la diferencia observada de 0. pero no al grupo B (que se llama gtupo control).75 n .#) = 0.650 0.t. padecen una enfermedad.

(¿) Si solamente se desea determinar si hay 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. estaban a favor de un candidato dado.70 utiliza como estima dep.01 de equivocación.195y600:0." 0. Bajo la hipótesis (Ho: pt:pr ) se tiene l¡. _ 1. ?.228 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.05.472. Puesto que éste es el caso. . Esto muestra cómo al incrementarse el tamaño de la muestra aumenta la seguridad de las decisiones. se puede proceder a dar el'suero a grandes grrlpos de gente solamente para obtener entonces que realmente es inefectivo. se debe decidir entre la hipótesis (Ho : P t : pz\ y (Ht : P t * pz). z=ñ= - = 2.Puesto queZ:1.528 l'75 y 1-0. que se estudia con un ensayo unilateral. Solucionar el Problema 7.zt y 195 del grupo B. es decir.560 dondesehautilizadocomoestimadepyqlosvalores +(0.67 es puesto que el valor de z es mayor de 2. = ú(¡D=@=00456 f(0.750 = ro.48)(200)l/500:0.t 0. Una muestra de 300 votant€s del distrito A y 2O0 del distrito B mostró que el 66% y el 48% respectivamente. Co¡r un ensayo unilateral y al nivel de significación del 0. se rechazaría Hs si Z estuviese fuera del in' tervalo-1 .-P. Por otro lado. (b) el candidato sea preferido en el distrito A.sol( r*-L * r*-L ) : 0.0.. Este es un riesgo que nb siempre deseamos suponer. Al nivel de significación del 0.?S. . que se estudia con un ensayo bilateralCon un ensayo bilateral y al nivel de significación del 0. respectivamente.0374 . Sin embargo. que son las mismas del problema anterior. 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. se puede rechazar la hipótesis al nivel de significación del 0. decir.96. en muchos casos es imposible el aumentar el tamaño de la muestra. que están a favor del candidat<¡.05 se rechaza H¡ si Z fuese mayor de 1.zol ro.-t'r= se ú'G. se compone de 300 individuos y si se curan 225 i* : 0.33. En tales casos. Entonces = 0 or.528 = z - P.. se está forzado a toma¡ decisiones en acuerdo con la información utilizable y asÍ se tendrá que correr mayor riesgo de tomar decisiones erróneas..15. l'pr-pz = donde (225 0 ú¡'.P" = rrar.645.0374 P.6b0 respectivamente. Denótese por pr y p2 las proporciones de todos los votantes de los distritos A y B.96a1.650 0.13 si cada grupo dividuos del Grupo.01.56)(300) 0. Si los resultados se deben realmente aL azar y se toma la decisión de que son debidos al suero (error del Tipo I). Bajo la hipótesis ^FIe. se debe decidir entre la hipótesis (f/e ).05 ensayir la hipótesis de que (o) haya diferencia entre los distritos. z Adüértase que las conclusiones anteriores dependen de lo que se esté dispuesto a arriesgar de tomar una decisión erróneá. se deduce que el suero es efectivo con solo una probabilidad de 0. se rechaza É16 a este nivel y se deduce que el candidato es preferido en el dis' trito A . Entonces 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 .480 = -0^0456== nivel.14.

Ya que se rechaza lls al nivel 0.Efs al nivel 0.25. . I/6 al nivel de 0. Puesto que ? -B . Ensayar la hipótesis de que la máquina está en buenas condiciones de producción al nivel de significación del (o) 0.050 pulgadas.F/6 eri caso contrario.05.25 a 3.36.un. que para 10-1 tad es el intervalo -3. se acepta.4!9 ú0 -t -_.05.17.05 .05 pero no al nivel 0. = 4---f. : ) Para un ensayo unilateral al nivel de significación del 0. y la máquina de modo que se requiere un ensayo bilateral. y la máquina Ht: P + 0. se adopta Ia regla de decisión (l) (2) (b Seacepta116 si ?esmayorde -ú.cAP.26 a 2.o.g.01 . En el pasado una máquina ha producido arandelas con un grosor de 0. -t/n- t = 9!$-.050.F/s. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Ú ENSAYOS RELACIONADOS CON LA DISTRIBUCION DE STUDENT 7.00. (b) 0.86. (b) 0. Se rechaza -1 :9 gradosde lls en caso contrario. se rechaza . que para 6 Se rechaza. que resulta tener un grosor medio de 0.6). Para un ensayo bilateral aI nivel de significación del 0. se encuentra en buenas condiciones no se encuentra en buenas condiciones Bajo la hipótesis (o H¡ se tiene . : 9 grados de liber- Puesto que ?: 3.L7¡"- 1= ?l|'!-_99rnJ . Se deduce que la afirmación del fabricante es extremadamente improbable que esté justificada.01? Se tiene que decidir entre las hipótesis Ho:. ABI sería aconsejable comprobar la máquina o al menos toma¡ otra muesha. .. Se desea decidir entre las hipótesis Ho: lt:0.01. H lJ: 8000 libras. 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. Bajo la hipótesisae se tiene (o .ee5.053 pulgadas y una desviación típica de 0.00.050. 7. se rechaza ffs .F/e en caso contrario. : ) Para un et¡sayo unilateral al nivel de significación del 0. -1:5 gradosdelibertad da ?) -2.i6= = -8.003 pulgadas.26.É16 elr cáso contrario. Para determinar si la máquina sigue en buenas condiciones de producción. ¿Se puede admitir la afirmación del fabricante aI nivel de significación del (a) 0.16.05.01.86. Se rechaza. Puesto que T = -3.01 . se adopta la regla de decisión (1) (2) Se acepta f/¡ : si ? es mayor de -f.01. ) Para un ens¿ryo bilateral al nivel de significación del 0. lo cual para 10 libertad es eI intervalo -2.f. y la afirmación del fabricante está justificada es falsa 1 : ¡t 1 8000 libras. á ú.01 se adopta Ia regla de decisión: (I ) (9) Se acepta .86 .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. que para 5 grados de libertad da 7') -3. se dice que lamuestraresultaproboblemente significatiua (véaee la terminología del final del Problema 7 . y la afirmación del fabricante de modo que se requiere un ensayo unilateral.00. Se rechaza.F/6 si ? se encuentra dentro del intervalo --f. se toma una muestra de 10 arandelas. se rechaza Puesto que ?: 3.ee.

01.16 + 74 .Ef6 al nivel de significación del 0.85 Con un ensayo unilateral aI nivel de significación del 0.01.ctsa ú e75. no se puede rechazar. Así pues.2 : 22gradosde libertad es 2. mientras que la media en las parcelas tratadas fue de 5.1 fanegadas con una desviación típica de 0. ¿Hay diferencia significativa entre el I. donde nrsl + n252. Para ello. se eligieron 24 parcelas de terreno de igual superficie. El I.19. hay diferencia significativa entre el I.05. respectivamente.76. T= Entonces xt- X.01. eue para n¡ I nz . y (b) 0. La media de trigo conseguida en las parcelas no tratadas fue de 4. se rechazará la hipótesisl{6 si ?se encuentra fuera del recorrido --t r¡g¡.44\/ l/16 + l/t4 = 1.y hay diferencia esencial entre los grupos Bajo la hipótesis lls.1 - 4. Q.ee. "t/U"t+ Y"2 donde o - n.18.ee5.ffi + 12(0-36)2 t/".45 (¿) Con r¡n ensayo bilateral al nivel de significación del 0.?6 a 2. Q. de los estudiantes de las dos zonas. ¿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. no se puede rechazar Se deduce que no 116 al nivel de significación del 0. se tiene que Ho: lt : ltz ! no hay diferencia esencial entre los grupos Hti ltt =* tlr. (cociente de inteligencia) de 16 estudiantes de una zona de una ciudad dio una media de 107 con una desviación típica de 10. 7.40 fanegadas. (b) Con un ensayo bilateral aI nivel de significación del 0.8 fanegadas con una desviación típica de 0.O5 a 2.y el fertilizante incrementa la producción Bajo la hipótesis I/6. ? ?.01. Q.05? Si se denota por ¡l-.. de los dos grupos. tiene que decidir entre las hipótesis se Ho: lt : ltz. a ú.51.2 : 72 + t2 .44 y T= ltz - t07 9. eue para 28 grados de libertad es el recorrido -2. sé rechazará Ia hipótesis f16 si ? fuese mayor que ú. En una estación agrícola se deseaba ensayar el efecto deun determinado fertilizantn sobrela producción de trigo. se rechazará Hs si T se encuentra fuera del recorrido -t.y la diferencia se debe al azar H t: pt ) tt1. la mitad de ellas fueron tratadas con el fertilizante y la otra mitad no (grupo control).2: 28 grados de libertad es el recorrido -2. mientras que el L Q.S! + nrS! n1 -ln2-2 Entonces t6+L4-2 =9. . de 14 estudiantes de otrazona de la ciudad dio una media de 112 con desviación típica de 8. Así pues.ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. n1*n2-2 "=!ffi (a) I 12(0. Todas las demás condiciones fueron las mismas.8 0.2:. lo cualpara n1 * nz .4012 =o'397 v T= 5.05. de los dos grupos al nivel de significación del (o) 0.01.36 fanegadas.3s7\n/12 + Urz = 1. T- xt-x. "tf. Así pues.05. Q. no se puede rechazar É16 al nivel de significación del 0. y ¡r2 las medias poblacionales del decidir entre las hipótesis I.

.Ffs al nivel de significación del 0. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 237 (ü) Conunensayounilateralalniveldesignificacióndel 0.ee : 2.8g.É16 al ni- Se deduce que la variabilitlad se ha. Entonces.oz.v2 = 24 tenemos del Apéndice F.serechazarálahipótesisfl6si?fuesemayor que ú. 9tt" 4'rn.LL para 15. se rechazará. y cualquier va¡iabilidad observada se debe al azol Íi1: o1>. Así puee. F.4.25 onzas.25 onzas.01 si el valor muestral de pues.32 on?T.05 y (b) 0. se rechaza . sr g. vemos que tampoco podemos rechazar. (b) 0.01? Hay que decidir entre las dos hipótesis: Ho: o :0.EIe al nivel de vel de significación del 0. Se deduce que el incremento en la producción de trigo alttilizar el fertilizante es probablemente significoúiuo. y la variabilidad se ha incrementado El valot de 12 para la muestra €8 X2 : nsz/sz :20(0. f ( F. empleando eubíndices 1 y 2 para las clasee A y B respectivamente. que es igual a 30.ltle al nivel 0.EI6 al nivel de significación del 0.Por tanto . Sin embargo antes de sacar conclusiones definitivas referentes a la conveniencia del fertilizante. no se rechaza. ¡12 fuese mayor- Mediante un enaayo unilateral. aunque no hubo diferencia significativa en medias de las calificaciones. LaclaseA tiene lGestudiantes en tanto que la clase B tiene 25 estudiantei. lo cual para22 grados de libertad esL._Lr'? = if Itr¡ (e)2 = 86.!4 = '*rrrr'= 1Eo Hay que decidi¡ entre las dos hipótesis : o ¡ = o2.er:z.05. llenados por una.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.74 eí Entonces. que ás igual a 36.01 paraZ¡ = L5.Alnivel 0.nn no podemos techazar ff6 al nivel 0.01.32)2/(O. y los resultado¡ observados se deben alazar H 1 : o > O .8. ENSAYOS RELACIONADOS CON LA DISTRIBUCION CHI-CUADRADO 7.la clase A tuvo una desviaóión típica de 9 en tanto que la clase B tuvo una desviación típica de1'2. se rechaza ^Ef6 al nivel de significación del 0. A y B.05 Si el valor de X2 muestral fuese mayor 9ue x?gs. (b) Ya que f'. muestras en cuestión. ¿Es el aparente incremento de va¡iabilidadsignificativa al nivel de signifióación del (a) 0.1 : 19 grados de libertad. en una asignatura específica.?0. Así. ya que Ad F( F .05. ¿Podemos concluir al nivel d-e significación del (c) 0.06. Una muestra aleatoria de 20 paquetes dio una desviación tipica de 0. En el pasado la desviación típica de los pesos de ciertos paquetes de 40.2 para 19 grados sig de I O.72. (o) (b) Mediante un ensayo unilateral.1 para v : 20 . pues. En el mismo examen. = E = *n@ = r.01. 4 = .25 onzas.0 onzas. probablemente incrementado.tá h.e5.cAP.01. 24 grados de libertad (véase Apéndice F).05 que la variabilidad de la clase B es mayor que la de la clase A? (o) Tenemos. sz :12 de modo -que G? = . Un instructor tiene dos clases. p.máqlLlina era de 0. El número de grados de libertad para las clases son respectivamente rr¡ :16-1:lb.05. Vz:26-L=24.sr. Y deberá efectua¡se una revisión en la máquina.Z5l2 = 82. ENSAYOS RELACIONADOS CON LA DISTRIBUCION ¡' 7-2L. se rechaza. sería deseable tener alguna prueba más..

58 tipificadas = üipificadas - = = : -2.Efs cuando realmente p : 0.7 39 5 caras 60.90 4. está dada por el área rayada p de la iigura. En la práctica se pue' den presentar otras dos posibilidades: (I ) Se decide sobre c (tal como O.jo la curva normal de La izquierda en la Fig. con la regla de decisión dada hay muy poco riesgo de aceptar la hipótesis de que la moneda eetd bien hecha.5 p=o.6)(0.4) = 4. Solucionar el Problema 7.O1). probabilidad de error del Tipo I) viene: dada por el área toüd c de la región sombreada ba. es igual a 0.? tiene una media y una desviación típica que Bon dadas por p=np=(100)(0.2L si existe una diferencia significativaenla media de las calificaciones de las clases? Justificar su solución.24. ?.2L no inüeiresa su¡ valoree. esta á¡ea d.2 es decir.6. La probabilidad de rechazar Ffe cuando debería aceptarse (es decir. Para calcular esta área se obeerva que la distribución bajo la hipótesisp : 0.07 -6.5 en unidades 39.? .99 60.9' (d) P : O-4.5 en unidades tipificadas = 39. Esto es de esperarse ya que no estamos tratando de decidi¡ si hay una diferencia en las medias de las calificaciones.3) = 4.23 si (a)p:0.6. Adviértase que en este problema se tenía la regla de decisión de la que se obtenfa c y p. ¿cu6l es la probabilidad de aceptar la hipótesis de que la mohecha cuando la probabilidad real de ca¡a es p : Q.7)=70 60. entonces la distribución de carag en 100 lanzamientos eetá representada por la curva normal de la derecha en la Fig.8.23.5405 Asi pues.ó y 60. sino solamente si hay una variabilidad en las calificaciones.O5 ó O. se acepta cuando el p = 0. con la regla de decisión dada hay un gran riesgo de aceptar la hipótesis de que la moneda está bien hecha cuando realmente P : 0.0192 Así.J? neda está bien La hipótesis ff6 de que la moneda está bien hecha.22. pues. cuando realmente P : 0.7 7. En el diagtama se ve claramente que la probabilidad de acepLr . Con referencia al Problema 7 .7 (es decir.tO2: 0. (b)p : 0.90 V(100)(0.5.6.18 Entonces 9: área bajo la curva normal entre z : -4. ¿Canbiarían sus conclusiones en eI ProblemaT.232 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.102 -4.2(ol.5 en unidades tipificadas = - 60 60 = = 0. y después se calcula p. probabilidad de error del Tipo II). que representa el nivel de significación del ensayo de lfe. ?-6.7-6 Si la probabilidad de cara es p : 0.0358.58 = 70 y'6oo)(oJ)(0.5 4.5 caras Fig. Puesto que la media real de las calificaciones no se usó para nada en el Problema 7 .7. 7-6. (c)p :0.¡O tn Entonces I: áteabajo la curva normal entre z --6'66 y z -2-O7 : 0. (a) Sip : 0. CURVAS CARACTERISTICAS DE OPERACION 7.5 39.6)=60 ú = lnpq = 60. .5 4. número de caras en 100 lanzamienüos se encuentra entre 39. llegando a una regla de decigión (2) Se decide sobre Q y P y después se llega a una regla de decisión.5 en unidades ' = : r/"pq 60. la media y la desviación típica de la distribución de caras vienen dadas por !=np=(100X0.66 to'l.18 yz : O. rOalculada en el Problema 7.6 p-0.

0000 0.enüoncea p=np = (100)(0.4 da el miemo valor deÉq.09ó8 al nivel de significa- En general.9 1.88 = 0. Representar gráficamente los resultados de los Problemas 7. Nótese que p representa la probabilidad de aceptar la hipótesis p : 0.p:0.5405 0. Be ve que sip = 9. 1c) Comparando con (b) o por cálculo.eedecir.8.6.6 0.9 0. (b) Sip=0.2 0.7 0.6 0. 7-z (o) El gráfico p.0 0.25.. La Tabla 7-3 muestra los valores de p correspondientes a valores dados dep.3 0. .1 06 0{ 0. blemas7./nW= 60.0358 :0.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION y'(100X0-S)(0¿) 233 =¿.0000 la Tabla 7-3. 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. Sin embargo.12 y z -4.23y7.0000 0.6 0. (b) ( 1 p ) y p. el apuntamiento mayor de la curva OC es la mejor regla de decisión pa¡a techazar hipótesis que no son válidas.6 en unidadeb tipificadas Entonces = ry = q9? : = = -4.8 0.5 cuando realmente p tiene un valor distinto a 0.9642 y ha eido introducida en - L-p 1. si realmente'p : 0.8) = 80 y o=.? 0. 7.cAP.3 02 0. 7-1.3 0. comolorobtenidosenlosProTabla 7-3 p B 0.0192 0.23y 7.5 0.1 0 0 (a) (D) Fig.t"p:0.5405 0.5405.8 0.4 0.12 p: área bajo la curva normal entre z : -10.9: 0 pa¡a todos los propóeitos prácticoe.5.se gla de la decisión o enoayo de hipótesis.9.0 0. (d) Porsimetríap = 0.24 construyendo un gráfico cuyos ejes sean (a\ I y p.24.2 0.0000 0.5 en unidades tipificadaa 39.(a). Esta probabilidad es igual a 1 0.8 0.9 0.88 -10.4 0.0192 0.1 0.6 0.9642 0. p ee muestra en la Fig. Interpreta¡ los gráficos obtenidos.0000 muy aproximadamenüe.5 se puede interpretar p como la probabilidad de acepoar p : 0'5 cuando debiera ser aceptado.

310 libras? Supóngase que la desviación típica se mantiene en z4libras.33) =30?.158?.27. Esta es Ia probabilidad de aceptar Ho: ! : 300 libras cuando realmente es la probabilidad de comeüer error del Tipo II.33. ? ) E gráfico (1 . ¿cuál es la probabilidad de aceptar el proceso primitivo cuando en efecto el nuevo proceso incremente la resistencia media a.P). que debieran ser rechazadas. Razonando análogamente a como se hizo en el Problem¿ 7. y el nuevo p¡oceso es mejor que el primitivo se un ensayo unilateral d nivel de significación del 0. (2) Se'aceptqlfq pue¡to 'que z = cessi Z>2. Si ción (a) ! es la resistencia media. de aquí que A - 310)/3 = Fig.26. 7 -7 (b). Esta curva ae obtiene ¡encillamente invirtiendo la curva OC. Una compañía fabúca cuerdas cuyas resistencias a la rotura tienen un valor medio de 300 li bry" y una desviación típica de 24libras. ae quiere decidir enhe las hipótesis: Ho: U: Ht: ! ) Pa¡a 300 libra¡.234 (D ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. tiene la siguiente regla de decigión (referenüe eon la Fig. 7-9. se puede hdla¡ p para loe caeor en que el . X>300+3(2. puesto que indica la aptitud o potencb de un ensyo para rechazar hipóüesie que son falsas.310 libras es cierta.01. la regla de decisión anterior se convierte en: (I ) (2) (ó) Se rechaza 116 si la reeistencia media de 64 cuerdae excede a 30?. i 800 *sz. Para hallar su valor nótese que 307.9qo. 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.33.0 lb.01 si se pone dé manifiesto qu¿ debe rechazarse al ensayar 64 cuerdas. es 7. *r.26. respectivamente con las distribuciones normales de la izquierda y de la derecha de la Fig. (c) Diseñar una regla de decisión para rechazar el proceso primitivo al nivel de significación del 0. y (Ht: tt: 310 libras). de modo que realmente ambos gráficoe aon equivalenüee. La cantidad p se llama tambiénfunción caructerístico de operoción de un ensayo. I¡ cantidad (l .Enton= "lr/ñ 24/\/u Así.00.0 libras en unidade¡ tipificadas : 300 (307.7-9 = iren. Considérense las doe hipótesis (Ho: bras) Las distribuciones de las resistencias medias correspondiente¡ a estas dos hipóteeis se repreeentan. y el nuevo proceso es igud que el primitivo 300 libras. p ¡e muestra en la Fig. Se cree que mediante un nuevo proceso de fabrica- puede inc¡ementarse la resistencia media. Constmir (a) una curva OC v (b) una cun¡a de potencira para ei Problema 7. 7-9. bajo la curva normal de la derecha a la izquierda de z dect.0 tb 307 tb 3r0 lb -1. H t : ! -.J = 't. (b) Bajo la regla de decisión adoptada en (a).0 libras.e potencia.26(br. suponiendo que la desviación típica de las ¡esistencias se mantiene en z4libras. 7. ¡e llama curua de potencio de la regla de decición o ensayo de hipótesis. ?-8): (t ) Se rechaza lle si la e de la media de resistencia muest¡al es riayor que 2. : -1.p) ¡e llama a menudo función d. Se acepta ^Éfs en caeo contra¡io. en caso contrario.00 = 0. es decir.

7-10(b).9 0.28. Por ejemplo. Tabla 7-4 tt 290 1.5. 7. AquÍ y Tipo II.05.05.305y9 = 0. se desea imponer las siguientes restricciones: (A) la probabilidad de rechazar la hipótesis cuando sea realmente conecta debe ser a lo sumo 0. es piácticamente.5) mediante un número de lanzamientos de la moneda.8 o. etc. en- 9: i¡ea bajo la curva normal de la derech¡ a la izquienda de z :0. ?-10(o).0000 p 0. p > 0.1 o más (es decir. ri ¡r tonces 307. si el nuevo da una resistencia menor de 300 librar.0 libra¡ en unidades tipificadas: (307.0038 320 0. 7-11 se tiene: .1687 316 0.1 p (lb) 300 300 3to 3t5 (o) (ó) Fig.7486 3r0 0. mientras que la restricción (B) requiere que la probabilidad de error del Tipo II eea a lo sumo 0 : 0.. Determinar el tama¡1o mínimo de muestra necesario y enunciar la regla de decisión resultante.05.cAP.5 en 0. La eituación planüeada se ve gtáficamente en la Fig. y de aquí - 396 librae. se ha puesto Denótese por n el tamaño de muestra pedido y por ¡ el número de caras en los n lanzamientos.05. En esta curva 6e ve que la probabilidad de seguir con el proce' so primitivo.?4Eo De esüa forma se obtiene la Tabla 7-4. sepuedenobtenerdeellalaomismasinterpretacionesque de la curva OC.6? : 0. Para ensayar la hipótesis de que una moneda está bien hecha (es decir.¡ o.5 0.2 0. De la Fig.7 0. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 235 nuevo proceco da un¡ resistencia media ¡r igual a 306 librar.6 6 p f 0. límite al riesgo de error del Tipo I Por ejemplo.9900 L1. p : 0. (b) La curva de potencia se ve en la Fig. de modo que no hay probabilidad de aeguir con el proceeo primitivo cuando la media de resistencia es mayor de 316 libras.0 .1 0.7-r0 (¿) La curva OC se muestra en la Fig.0000 296 1.01 cuando el nuevo proceeo da una media de 800 librar).0 B 0.4) debe ser á lo sumo 0. la restricción (A) impuesta requiere que la probabilidad de error del Tipo I sea a lo sumo c : 0.6 0.7-11. (¡) U probabilidad de aceptar la hipótesis cuando realmentep difiera de 0.6?.l (excepto para el nivel de significación del 0. ya que lae dog curvag eon esencialmente equivalentes.0000 300 305 0. Eeepués. la curva baia ró- pidamente hacia cero. 315 librae. por encima del cual se rechaza la hipótesis de que p : 0.

enfte 742 y 177 si el número de carac en Slg lanzamientos está dentro del recorrido 159.n: 318.29. y se obsen¡a el diámetro medio de la muestra. Sin embargo.5 en caso contrario. Se construye una máquina que pr-oducfuá cojinet€s de bolas teniendo un diámetro medio de una desviación típica de 0.4 a 0.seeigueque I se encontrará entre (0.645 ó (t) o.4s 1/A 0.O\4\'\/E) o Con confianza del 99 .008 pulgadas. Cada vez que se observa una media muestral se representá por un punto en el gráfico. (b) S€ rechaza la hipótesis + 17 . la máquina (b) Un registro de las medias no s€rú adecuada y habrá que buscar la razón de su ineptitud..49\/n n = o. pueden igualmente determlnarse otros lfmiües de confianza.5. el procelo está bajo control. es 0.584 pulgadasi ee supone que la máquina es a- (2) De otro modo.6 r¿ * 0. hay la posibilidad de que falle algo y se precisa una invesüigación del posible fallo. .4r rtñ- (n. dentro del intervalo 0.ít/n Vnpq= "- :0.0'6n Realmente el área entre -f.5.574 .008yn=6.9801fa- e'¡ 9-. (2) es una cantidad muy aproximada.49{n vnpq = '--. automáticamente tomarÍamos como 0.el 95V".6 n Y x - 0.. = 0.5\/n De 0.674.) Eláreabajolacurvanorrnalp:0. ? (f.6. (b) Mostrar cómo se.0.6n 0. L7 . La elección en cada caso depende de la¡ circunetancias particulares del tnismo. la moneda al menos B1g veces.524 * Puestoque De aquí que la regla de decición eea como sigue: (l ) Si la media muestral decuada para el trabajo pedido. que representan la probabilidad de error del tipo II.7 3% se puede decir que la media muestral X debe estar denüro del intervalo (p¡ entre cae a m p ¡t:0. Para determinar si la máquina esconstruida para el fin que se destina.5.05 o menoa.0.98.9É!= -r.llamado grófico de control de colidad.236 ENsAyos DE Hrpornsls y sIGNIFrcAcroN lcAP. Cuando un punt'o se rale de estoe límite¡ control (tal como en la tercera muestra tomada el jueves).Haciendo n : 319 en (3) o (4). GRAFICOS DE CONTROL DE CALIDAD 7.7 BVo o brevemente lfmite¡ 3o. se adopta la riguiente regla de decisión: (o) Se acepta la hipótesiep:0. e¡ decir.r) - 0. p = 0.05.564 a 0. se debe lanzar p - 0. (o ) 3o¡) a (p¡*3o¡) con el 9€.014l\/6\ y (0. (o) Diseñar una.6 a la izquierda ae es 0.05 o menos cuando p tiene cualquier otro valor por fuera del recorrido 0. Para decir. Así pues. Obeérvese que tomando la probabilidad de aceptación como De(/) x .05 en el "peor de loc casos".o:0.5 : .6 n- 0.73% de O. es 0. Por tanto un promedio ponderado de todas estas probabilidades.564 y 0.Saladerecha a" 7 (9) El área bajo la curva normalp 09" O. tales como los límitee d'el 99% o d. también s€rá 0. Los límites de control determinadog anteriormente se llaman límites de confianza del gg.05.6. muestrales puede tlevarse por medio de un gráfico tal como ee muestra én la Fig. se toma una muestra de 6 cojinetes ejemplo.re'presentaría grárticamente la regla de decisión de (a). 7'l2.806y'-n es De (3) y (4). En tanto que los punüoe se encuentran entre los límites 0. ¡- np :1-77 - 159.5n = 1.025. 7 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.. .584 pulgadas.5.x :177. Se sigue que el tamaño de la muestra debe ser al menos 31g.96 r ó (Sl u.

7 ó 309 150.43. Para la distribución de frecuencias observada. La bondad del ajuste se estudia en eI ProblemaT.30. Ajustar una distribución binomial pectivas de cara a los datos del Problema 5.47 rooo Igualando las medias teóricas y real se tiene 5p da viene dada por /(r) = . la distribución binomial ajusta- En la Tabla 7-5 se han obtenido estas probabilidades así como las f¡ecuencias esperadas (teóricas) y las observadag. x F a os74 a a a t I a : o 0 s64 o Fis..¿94)¡(0.2 ó 316 308.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 297 Lunes Martes Miércoles Jueves Viernes $ € bD osal 1} a a t ü {. .3087 2 3 ^ 0. Tabla 7-5 Número de caras (r caras) Frecuencia esperada Frecuencia observada 38 0 1 0.1619 0.47 6 p :0.(0.cAP. Utilizar papel gráfico de probabilidad para determinar si la dist¡ibución de frecuencias de la Tabla 5-2.506)5-¡.31.2 t44 342 287 164 25 7.494.0332 0. la media del número de caras es 2fr_ / _2470=2.0294 5 6 33 161.1: np : 6p.4 6 29 33.7 ó 151 29. La media del número de caras es ¡.C. 7-12 AJUSTE DE DATOS A DISTRIBUCIONES TÉORICAS 7. El ajuste se observa que es bueno. página 178.30.1507 0. : 2. página 163 puede ajustarse a una distribución normal. dondep y q son las probabilidades resy sello en un solo lanzamiento de la moneda. Así pues.3162 0. Se tiene P(x caras en una serie de 5 lanzamientos) : f(¡) = sCrprqs-".9 ó 162 316.

Y se pone de manifiesto que ee ajuetan ba¡tante bien con las frecuencias observadas realmente.6 menor que 67.6 menor que 73. dadas en la quinta columna. Multiplicando lo¡ valores de la quinta columna (que representan las frecuencias relativas) por la frecuencia total n (en e¡te ceso n = 100). La "bondad {el ajuste" de la distribución qe congidera en el Problema ?. como se ve en la Fig.46 pulgadar.35 y 5. 7. donde la media i y la desviación típica 6 se han obtenido en los Problemas 5. El grado en que los puntoe así dibujados ee encuentran sobre una lÍnea recta. La¡az6¡ de esto se ve claramente con un diagrama.6 74. ?-r3 hoblema ?. como se muestra en la Tabla 7-6. en un papel.39 2.5 7¡. caicular e de los límites reales de clase. Par:a.6 68. Ajustar una cunra nonnal a los datos de la Tabla 5-2.44.0 23.0 92. Estas se obtienen restando las á¡eas sucesivas de la cuarta columna cuando las correspondientesz tienen igual signo y sumándolas cuando üienen aigno contrario (lo cual solo ocurre una vez en la tabla).5 7t. Después.36 1.32.72 -1.a -2.6 &tatura (pulgada¡) Fis.E 50 40 30 20 Primero.6 Rcl¡tiv¡¡ Acumulada¡ (%) 6. son pasadas sobre los límites reales superiores de clase.5 7L. que da las áreas bajo la curva normal de 0 a z se obtiene con la tabla del Apéndice C.92 ó 39 27.40 respectiva- La cua¡ta columna. = 61. se observa que hay una distribución normal que se ajusta e¡trechamente a los daüos.43 ít 7 4.z z = . las frecuencias relativa¡ acumuladas expreeadar en porcentajes.5 66.70 -0. anotadas en la última eolumna.tlls. 7-13.41 0.6? 0.grófico de probabilidad eepecial.4920 0.68 6 2l 38.5 menor que 70. .5 oD.0 65. página 163. se obtienen lae frecuencias esperadas de la sexta columna.2771 0.32. s = 2. Por lo anterior.7L 6 28 7.3892 0. se rutiliz. ? 76 Frecuenei¡¡ Estatun (pulgad¡¡) menor que 61. 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 59.5 62.0743 72-74 6 4 20.0 100. De aquÍ se sacan las áreas bajo la curva normal entre los valores sucesivos de ¿.238 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla [cAP.6 ¡¡+ 0.6 menor que 64.0 Io a E ql € ó a () 95 90 80 70 Q0 a (t 6 . la distribución de frecuencia¡ dada se convierte en una di¡tribución de frecuencia¡ relativas acumuladas.92 pulgadas (x mente El trabajo puede organiza¡se como en la Tabla 7 -7 .0413 0.4177 0. Véase o a I É to 5 o a d E 62. determina la bondad de ajuste de la distribución dada a la distribución normal.2068 6L65 6&68 69-71 68.t3 D 18 42 27 8 ñ.

rj días.v: + (85:!00)2 = 100 h 4.'12 ¡ 85. En 200 lanzamientos de una moneda se obsen'aron 115 caral¡ y 85 sellos. np2 : tOO. Para una verdadera distribución de Poisson. de acuerdo con la distribución de Poisson. Las frecuencias de caras y sellos observadas son.CAP. Entonces y eeüos esperadas si la moneda está bien hecha son np : 100. respecti- xz = (o) El valor crítico (b @t:lptlz -(rz:. puesto que 4.. 100 sellos) es h:2.0111 4 6 6 ó Nótese que el ajuste de los datos dados a una distribución de Poiseon es bueno. .9?.56 6 ó 20 18 8 2 1 0. 313 {11 = Iq"+ill En l¿ T¿ble ?-9 aparecen lae probabilidadee para 0.50 pótesis de que la moneda está bien hecha al nivel de significaeión del 0. la varianza d : L.1647 espeado 20.2.60 hipótesis de que la moneda está bien hecha al nivel de significación del 0. El cálculo de la varianza de la distribución da' da.0494 0. da 0.01. durante los cuales r autos tuvieron accidentes en una ciudad.7:2 -L = l. Entonces.np)z npt npz - (115__100)2 Pueeto que el número de categorías o clases (caras. la euarta columna que da los números de días observados se ha repetido. véaee método 1 del Pro" blema 7.50 .90 hallado.3 y 4 accidentes de esta distribución de Poisson. Ajustar los datos a una distribución de Poisson.33.63. El número medio de accidentes es Número de I Número de accidentes.* : P(r accidentes) 1118 2 7 o.84.36.34. Ensayar la hipótesis de que la moneda está bien hecha con un nivel de significación del (c) 0. Comparando con el valor de \ : 0. blemente bíen heclu.o loe números teóricos de días en los que ee presentarán ¡ accidentes (obtenidos multiplicando las correspondientes probabilidades por 50).47 0. 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. La Tabla 7-8 muestra el número de días f durante un período de 50 días.CUADRADO ?. LA PRUEBA CHI. respectivamente rr = 115. > 3.63. Para conveniencia de la comparación.1.eo Entonces.30 8. < 6.4066 0.f 0l2r + : (21)(0) '50 (18X1) + (7X2) + (?liQ_l q)(a) = . 0 r N(rmero de dÍasr Número de días obsen¡ado 2L 18 7 3 1 {r accidentes) 0. hi' la ) El valor crítico xlso para 1 grado de libertad = 6. ?] ENSAYOS DE HTPOTbSIS Y SIGNIFTCACION Tabla 239 7-t 7.84. puesto que 4.01.33 I 2 3 18. se rechaza la xlo¡ para 1 grado de libertad es 3.05. Las frecuencias de caras vamente. (b) 0. Entonces.24 2. Tabla 7-9 Número de accidentes.3659 0. puede ser esto un indicio de la adaptabilidad de la distribución de Poison a la muestra de datos.05. a¡í com.

de nuevo en consecuencia del Problema 4. es el mismo valor de X2 obtenido en el probl. (23-20)2 +--lO . 115 o más caras equivale a 114.s)z = 100_ 100 tt q^< 4. Método 2.5) =100yo=1fipq=/IZOO¡O. Pa¡a una comparación con los métodos a4teriores. puesto que 5.86.5 .5)2 . Con un nivel de 0.npr o _ (rt-np)2 .07 :2.86.05 y un ensayo bilateral.4.84 y 4.-nps)2 (ra-npe)2 < 11.01 el intervalo sería -2.96.34' Esto Con un nivel de significación del 0.63 se deducen las mismas conclusiones que en el Problema ?. Véase Problema 4.20.36. Nótese que el cuadrado de este valor. 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)2.05.07.35.1. Esto se cumple siempre que la prueba de chiruadrado eomprende dos categorías y se aplica la corrección de Yates. solucionar el Problema 7.5.05 pero no al de 0.O7 : 2. Entonces 114.5)z _ . El valor crítico a2e5 para 5 gados de libertad es 11. (rt-nptl2 .S¡(0f)--7. Se sigue como en el Problema 7. (16_20¡z _ *--lO-+ +ñ=5.1. 7.34 mediante la aproximación normal respectivamente.g.7OO)17 . ? 7.58.01. 7.zvb Puesto que 4'205 > 3.93_4)' _(15-20\2 .96 a 1. ^-------::-:-.15. (rz-npzl2 .00 la hipótesis de que el dado está bien hecho.05)2 7 -37. (rr. véase método 2 del Problema 2.240 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.0. De ello se sigue que la concordancia entre ambas frecuencias no es tan buena como para no dudar de Io deducido. la media y la desviación tÍpica del número de caras espe- : (l1b -lOO)t7.84. Con la corrección para la continuidad. si el valor de z está fuera del intervato -1. Solucionar el Problema 7. x2 (conegida) = = (lzt - nptl nPt 1001 0'5)z + !1""- np2l npz - 0'5\2 (1115 - 100 _ 0. Entonces.b8 a2.34 que la hipótesis se rechaza al nivel de 0. (2. se rechaza la hipótesis de que la moneda eetá bien hecha.86. (185 _ __ 1001 Í4. Esto conduce a las mismas conclusiones que por el primer método.35. (rs-np¡. (ZJ2)2 : 4. Nótese que el cuadrado del valor anterior.15. es igual al valor de ¡2 corregido con la corrección de Yates p¡ra la continuidad del Problema7.34 utilizando la corrección de yates.00 20-+ n 20 Puestoqueelnúmerodecategoríasoclases(carasl. dades tipifica¿¿5 : 4.ema se cumple siempre que la prueba de chi-cuadrado comprende dos categoiías. .2o5 < 6.5 o más caras. 115 caras en unidades tipificadas Bajo la hipótesis de que la moneda está bien hecha.5)z = _100 )_ (L[.00 > 1.60.6)esh:6. a la distribución binomial.L2.5 en uni: (114. no se puede rechazar Para 5 grados de libertad x%s: 1. La Tabla 7-10 muestra las frecuencias observadas y esperadas allanzat un dado 120 veces. radasen200 lanzamientosdelamonedason¡r=np=(200)(0.v:h-1-:6-1:b. de modo que X2 : 5. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación del 0. (24-20\2.)z . Método 1.2.06.

Bajo la hipótesie de que la urna contiene proporciones iguales de los cuatro colores.zS lisos y verdes Struol = frtssol 104.cAP. que la Nótese que para 3 gtados de libertad.. .01. 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. la aproximación de chi-cuadrado será errónea.26 rugosos y amarilloe B4. . En los erperimentos de Mendel con guisantes.38.76\2 3t2.81. x?ss: 11. loe resultados obtenidoe están sujetoe a unh razonable influencia de error muestral. x2. De acuerdo con su teoría.76 *W = 0. Ensayar la hipótesis de que la urna contenga proporciones iguales de los diferentes colores. amari'llo y verde. de modo que no se puede rechazar la teoría al nivel de 0. De modo que aunque el acuerdo es bueno.75lisosy amarillos tol. Una tabla de números aleatorios de 250 dígitos mostró la distribución delosdígitos 0.7. teoría y los reeultados del experimento están de acuerdo. Para evitar esto se agrupan las categorías de modo que los núme¡os esperados en cada categoría sea al menos 5.3. ¡$5: 0.470 Puestoquehaycuatrocategorías.352 y X2 :0. Una uma contiene un gran número de bolas de cuatro eolores dife¡entes: rojo.39. Una muestra de 12 bolas extraída aleatoriamente de la urna dio 2 rojas. naranja.g El valor crítico d" x. obseryó 315 lisos y amarillos. Puesto que eetos números esperados Bon menores de 5. .40. 9 que se da en la Tabla 7-11. .352. 7.2.05. ¿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.'nr parav: h -1:9 gradosdelibertad es21-. 4 amarillas y 1 verde..ss= = 3.se esperarían fttssel = -- 312. ¿Hay alguna evidencia que permitadudarde su teoría al nivel de significación del (a) 0. (b) 0. estos números deberían presentarse en la proporción 9:3:3:1. ?.zb rugosoe y verdes ft Entonces tssol = x2= (o) (b) Para v Para v (3L5 3L2.Qe-2512 try+ .7I ENSAYOS DE HIPOTESIS Y SIGNIFICACION 241 7. Se deduce pues.h=4yelnúmerodegradosdelibertadesv=4-1=3.05? El número total de guisantes es 315 + 108 + 101 + 32:556. Se deduce que cabe sospechar alguna tendencia no aleatoria en dicha tabla de números. . 108lisos y verdes.L.3 >2!3 sededucequeladistribución observada dífiere significativamente de la esperada al nivel de significación del 0.01. de modo que no se puede rechazar la teoría al nivel de 0. 5 naranjas. : 3.4?O > 0.como 23.01. r ry = 2s. ?. cabría esperar 3 bolas de cada clase en la muestra de 12 bola¡.

Un par de dados puede caer de 36 formas. l)na encuesta sobre 320 familias con 5 niños dio la distribución que aparece en la Tabla ?-12. se tiene (174 (correglda.:?. no se rechazaría la hipótesis al nivel de 0. De otro modo.ces P("siete") : 1/6(360):60 veces 6/36 : 1/6 y P("once") :2136: 1/18.42.0?>3.05.10). = - 60l 60 - . Sin embargo.Asínosepuedetechazrlahipótesisalniveldesignificacióndel 0. (24-20\2 .242 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.) x2 _ = -6-. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación de 0. aun Otro método: Utilizando la corrección de Yates.84. Esto se consigue en nuestro caso considerando las categorías "roja o verde" y "naranja o amarilla". Esto cabía esperarse puesto que la corrección de Yates Debe ponerse de manifiesto que si se emplea la aproximación de siado pequeñas.-ss:3.0. = siempre reduce el valor de ¡2 . = ry. x' _ (1 -3¡:r ooo Puestoqueparav=4-1:3. se observaron 74 veces "siete" y 24 veces "once". para grandes muestras tales como las de aquí. se duda acerca de la decisión que se debe tomar. (5-e)z . empleando la corrección de Yates.. puesto que incluso el valor corregido de y2 se encuentra cerca del valor crítico. .5)2 (124 - 2ol - 0.:-:_+r::__-::_:sis de que los dados estén X¿ 4. 7. En general.x2l)s==3.5)2 #-g*): = 3.tz.puestoque4.(ig:lf-!éE.84seestaríainclinandoarechazarlahipótebien. pues con la X2 corregida.81 sellegaríaalasmismasconclusionesqueantes.Entonces. Ento¡-. En 360 lanzamientos de un par de dados.05. (4--3)2 .rP. respectivamente. se agrupan las categorías de forma que la evidencia en contra de Ia hipótesis se muestre claramente. los resultados que se obtienen utilizando la correc- ción de Yates son más dignos de confianza que los resultados no corregidos.07 Parav:2-1:7. Puesto que el número esperado en cada categoría bajo la hipótesis de iguales proporciones es 6.xjr¡. para las que la muestra dio 3 y 9 bolas.41. 7. "Siete" se puede presentar de 6 formas y "once" de 2 formas. 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.ü. se tiene (9 ^cuando las proporciones de los colores sean iguales. en 360 lanzamientos cabría esperar "siete" y 1/18(360):20 veces "once". ? Si se desea rechazar la hipótesis. Los resultados observados pueden imaginablemente deberse al azar.84. se obtendría ¡2 a pesar de que las frecuencias sean dema- (2-3¡z .10).r que conduce a las mismas conclusiones anteriores. la aproximación ¡' para frecuencias pequeñas es pobre. - e¡z -9 Parav:2-l:1. se tiene x: = 0qj:_6Fo. ¿Es el resultado consistente con la hipótesis de que el nacimiento de varón y hembra son igualmente probables? . En tales casos.Desgraciadamente. Así pues.05(aunque sí se puede al nivel de 0. Sin embargo. z.65 De acuerdo.1.05. de modo que (74-60)2 . de aquí que cuando no sea aconsejable agrupar frecuencias se debe recurrir a los métodos exactos de probabilidad incluyendo la distribución multinomial. se rechazaría la hipótesis a algún otro nivel (tal como 0.

= (s8_33. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla ?.L .212.Entonpiobabilidadee de (5 niños). Bajo la hipóteeis nula lfq de que el suero no tie' ne efecto. Pa¡a rr = 2.1 .959 7.. 2..1 . 50.os:0. . (4 niños y 1 niña).05.1 para y:61:6gtadosdelibertad. x.412_ -58:t-- . v = k . Adviértaoe que ¡fo es equiyalente a afirma¡ que la recuperación eeindependie¿úe del empleo del suero.2 : 2.9)2 .44. puesto que X2 = 0.13 utilizando la prueba chi-cuadrado.13 *(18-2-0:68)2 *(a2:^-39=92\2-(27:3ft7rl2 *(8:?'j13)z:0. .yg:1-p:probabilidaddenacimientodehembra. x.cA¡. Seap:probabilidaddenacimientodevarón. De aquf queel ajuste de creerse. pectivas probabilidades anteriores por 320. "!ü Puesto que el número de parámetros utilizados para estimar las frecuencias esperads e8 m metro p de la dietribución binomial).959 > 0. Asf'puesto que X2 = 7 .(L44_161.1 : 4. y los reaultados son 10. TABLAS DE CONTINGENCIA 7. Se deduce que el ajuste de los datos es muy bueno.(287_308. x2. Para y : 4.12 243 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 . (110_100)2.4.64 > O.-El: .---r¡If. como 8e indica en la Tabla ?-14. Así se deduce que los reeultados son probablemente significativos y el nacimiento de varón y hembra no son probablemente iguales. 100.. es decir.30. De aquí (8_10)2 _.:z . Determina¡ la bondad de ajuste de los datos del Problema 7. BONDAD DE AJUSTE ?.2)2 . cabría esperar que 70 individuos de cada uno de los grupos Be recuperase y 30 en cada grupo no se recuperase. 100. el ajuste no es "demaiido bueno".45. (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:t12.99. X?ss = 9.i". .?11.?11. Entonces.sss:15.103.^ _ (18_10)2 (56_60)2. .-.103.01. 7. (88_100)2."..--_-16-_¡&. Para V 1 (que er el pará- los datos es muy bueno. Utilizar la pmeba chi-cuad¡ado para determinar la bondad de ajuste de los datos del Problema 7. Solucionar el Problema 7.?)2.3.1 y x.=--_a6---_Eñ-----Jó¡-----i6b--_-Ed. Para v : 2 (que son la me- = 2.(26-29.serechazarálahipótesisalnivel de significación del 0.os= 5. pero no al 0. (164-150.68 38. lag cla¡ificaciones 8on independientes.m : 6 .1y0 niño¡seobtienemultiplicandolasres' (40-50)2. xL¡s:0.43.--I¡Ié- . .!. 10. .--lóo:t- .. 50.m : 5 .49. .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.---T08J.1 .92 27.U Puesto que x:e5:11. v : k .(342_316. La¡ condiciones del problema se presentan en la Tabla ?-13.?)2 .z = 6 4.-r3)2 .43 20.7t 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).32. el ajuate no es tan bueno como pudiera = 4.x2.

De modo que hay un grado de libertad. que es igual a la¡ dos dadas anteriormente.gs. ya que. Sr.5)2 .10 uüilizando z.45 son también válidas aquí. pueeto que una vez hecho esto loq números de las restantes casiüas vienen obligados por los üotales ya indicados. (35-301 -0.54. 200 140 30)2 o _ (75 x-1rc-?o70)2 - 70)2 . Está claro que solamente se tiene libertad lara colocar un número en una de las cuatro casillas vacías.47. En general. ? Tabl¡ 7-14 FRECUENCTAS ESPEBADAS BAJO Ho Se re. Esto podría haberse visto rápidamente. obtenido en el Problema ?. 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. Tabla ?-16 FRECUENCIAS OBSIERVADAS Sr.38 < 3. Solucionar el Problema 7. Se No ¡e recuperan recuperan TOTAL 100 100 Grupo. x2)x2ss correrpondea x>x. como en la página 215 (véase Problema ?.84 para 1 grado de libertad y puesto que ¡2 = 2.--.5)r .46. ^.244 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla 7.84.A Grupo B TOTAL 140 60 200 Puesto eue X. drado Cel valor de z.51).-. Asf pues.38 es el cuadrado del valor de z : 1.5)2 * ----?O- (i65-701 -0. porejemplo.No ee recuperan cupetan TOTAL [cAP. 7. Z.!t_. or^_. se deduce que lob resultados no son significativos al nivel de 0.^se sigue que X er lo mismo que z en este caso. conaidérese la Tabla 7-15.30\2 (36 *ffi = 2'38 Tabla 7-16 Para determinar el número de grados de libertad. Y 47 L4 61 Sr.05. ya que la corrección de Yates siempre disminuye el valor de ¡¿". Nótese que X2 : 2. (125-301 -0. habrían suspendido 27 lL80 : Iíc/o de los estudiantes y DO .13.13 FRECUENCIAS OBSERVADAS Se re. No se está así en condiciones de rechazar Il¡ a este nivel y se deduce o que el suero no es efectivo o se deja sin tomar decisión en espera de posteriores ensayos.profesores son iguales.5)2 * ----TO* ?O S0 _ . X Sr.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.e5óx{-x.¡.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.45 aplicando la corrección de Yates. pero en la que solamente se han puesto los totales.ss : 3.05 utilizando X" equivale a rechazar esta hipótesis con un ensayo unilateral al nivel de 0. Y y Sr.Xz egelcua- Nótese también que yn ensayo unilateral utiliaando ¡12 equivale a un enEayo bilateral utilizando. X. En la Tabla 7-16 se indican los estudiantes aprobados y suspendidos por 3 profesores: Sr. Ensayar la hipótesis de que las proporciones de estudiantes suspendidos por los tres .Puestoqueparalastablas2Xz. 7. = I. _ ¡¡ (corre(rda) = (i75 -70\.vó Obteniéndose que las conclusiones del Problema 7. al rechaza¡ una hipótesis al nivel de 0.0.

Hay h (fz > 1.05.gina 22O .5135-547ó-----d25 9J5 --.40 : Aprobados Suapen- Suspen._ (50-46.ecuencias teóiicas. 7. que es igual que la Tabla 7-L7 pero en la que solamente se han puesto los totales. X ¿IO Tabla 7-18 Sr. Y St.n"n¡ln\z' nrnn/n ntftl. Tabla 7-17 ITRECUENCIAS ESPERADAS RAJO Sr.85)2 (56-54.15)2 (8-9. Z TOTAL 153 27 Aprobair¡c didos TOTAL 85% de 55 : 6l 4G. Puesto que x. Las frecuencias esperadas bajo FI¡ se muestran en la Tabla 7-17.1Xk .25 OD : didos TOTAL 55 61 9. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION habrían aprobado el 86Vo de los estudiantes. Así pues. Entonce8 *.49. considérese la Tabla 7-18. solamente se está en libertad de poner al azat un número en una de las easillas de la primera columna y ot¡o en una de las casillas de la segunda o tercera columna.L5% de 55 : I5% de 6t 9.r"/" a1b2 (o. todos los números restantes vienen obligados por lo8 totales.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. Z TOTAI. que puesto que x:eg : 4.75 = = 51. los resultados esperados bajo la hipótesis nula aparecen en la Tabla 7-20.48. 153 qn X Sr.60 64 180 64 180 Entonces o x-. (47. hay en este caso dos grados de libertad. Nótese que este resultado es válido si se conocen los parámetros poblacionales necegarios para obtener las fr.60)2 4175 -. Se deduce que el número de gtados de libertad hk . Sr. 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. sin embargo.25)2 . 7. de otra forma se necesitan ajustes como los descritos en ( b ). Í4-9. . Mostrar que para una tabla de contingenciah X h tad es (h .1). at__n_ = -nrrxJn (ór nrnsln)2 (b2.51. no se puede rechazar I/e al nivel de 0. pá. Y 85% de S¡. después de lo cual.61.ó+ Pa¡a determinar el número de grados de libertad.-.10 si se está dispuesto a correr el riesgo de estar equivocado 1 vez de cada 10. * ó1)(o1 * o2) o1*óq*a21b2 n a2b.60-=4.85 85V" d.e 64 54. k > 1) el número de grados de libereg * & - 1 totales independientes de un total hÉ. se puede rechazar lfs aI nivel de 0.n2nslnl2 . Pero : (ar- nrnn/n)z (a".75\2 .99.CAP.15 61 15% de 64 8.zs¡ : 5. Está claro que como cada fila y cada columna han decumplir con loü totales.núnR/n "r'.(h+Ic-l) = (h-lx/ú- 1) como se requería.40)2 (5-8. Nótese.

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. ^ (t) n /otbr-ozbt\2 n lotbr.. n2:60. de modo que (r) (4) ú1 = nlPy az = nzPz.tn)z = 200il(?5x35) 2.P)2 que es el cuadrado del estadístico Z.P)2 nWtPrA$ . (/ ) se remplaza por (21 "rr"r"^"" : nL2 nrnznAnB x2 (conegida¡ n(ltl. Halla¡ el coeficiente de contingencia para los datos de la tabla de contingencia del Problema 7. ns = ür*ó2. Con referencia al Pro- (r) (2') P.bq - aqb'12 donde A:&tbz-azbt. dado en (IO) en la página 215.52. C= vra = {*#fu : r/d'6112e = 0'1084 . ¡e tiene del Problema 7. da x' : D'- n(a. bz = nz(l- Pz) tlg = flq Utilizando (3) y (4). f. = #.azbtl . entonces riI ) del Problema 7.51.n2P2n{l .. . ns = 100. P.38 : Empleando la corrección de Yates. COEFICIENTE DE CONTINGENCIA ?. n1=at*b¡ nz=a2*b2. el resulüado eg el mismo que en el Problema 7. bz:35.=&r*a2*b1*b2. Or--m arb2 = - a2b.49 x2= n(ap2. se tiene p la proporción poblacional.10012 = 1. -flg L-p l-P2 = bc -= = q = -.49 paralos datos del Problem^I. nt=140.49 da x2 = n(1aft2. Demostrar que una prueba chi-cuadrado que se refiera a dos proporciones muestrales es equivalente a un ensayo de significación de diferencia de proporciones utilizando la aproximación normal (véase pagina 215). a1 =75. a2=26. r¿¡ = 100. Dr = 65.246 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. Ilustrar el resultado del Problema 7. EnelProblemaT. 7 Análogamenta Así. se puede escribir az-ry = ur-ry = Í2fts ..46 ¡2 (corregida) = ---ñ^"" - = - (25X65)l (140)(60X100X100) . - O2 l¿z' fL¡ tl' ó.4S.45.93 7. ür : 'tL¡ = flP.Prl .50. Denótese por P1 y P2 las dos proporciones muestrales y blema 7.49. r¿r(1 - Pr).a2b)2 -T nrn2nAnB nrn2(Pr. frA=úr*az. 1-Pr . yn:2OO.=. Sise aplica la corrección de Yates.45.Pr)]2 nrnínpnq = nfri\+LlllrJ (Ya que n = nt+tt2l (Pt.

". C.5 cuando realmente (a) p : 0. (a) Sip : 0.4) + 10010(0.= (100 zw En general..3. Para ensaya¡ la hipótesis de que el estudiante acierte por car¡udidad.3)10] = 0. en la gue el número de fil¡s y columnas eon ambas iguales a &.---80. el e¡tudiante acierta alazar). hallar la probabilidad de aceptar la hipótesis p P : 0. = 0. donde g =L- p.". La probabilidad de conteetar correctamenté Bajo la hipótesisp r pregunta¡ de las 10 será rcCrqqto-'.ro)¿ . las únicas frecuenci¡¡ de casillas que no Eon cero aparecen en la diagonal que baja de izquierda a derecha de la tabla.3)2+ r0Ca(0. P(7 o más correctas) : P(7 correctas) * P(8 conectas) + P(9 corectae) * P(10 correctae) = .? Bajo la hipótesis p P(menoc de 7 corectas) : - 1 -P(7 o mác conectas) 1 .. . = 1/@-ffi.¡* .7)e(0..6.(. PROBLEMAS DIVERSOS 7..5 (ee decir. do¡ clasificaciones son perfectamente dependiente¡ o a¡ociadas. Nótees la probabilidad de error del fipo I.64.(iX.4)2+ ro0a(0.. Hallar la probabilidad de rechazar la hipótesis cuando es corTecta. Seap la probabilidad de que una pregunta sea contestada correctamente.55. Hallar el valor máximo de C para la tabla 2X 2 del Problema 7.?1e Asi ee que ésta pues.6)?(0.a 7.X.13.6)101 = 0.o. (f) p : 0. Para taleo ca¡os. 7l ENSAYOS DE HIPOTESIS Y STGNIFICACION 24V 7. suponiendo independencia total.9. todor loe que tomen el suero 8e recuperarán y todor lor que no se lo tomen no Be recuperarán.. (Véase Problema 7 ./Zt(xz + n'l = t/ñl@6T 2oo-) = 0. (ii) en caso contrario.(g)p : O. (100 .?0?1.3)3+ r0Cs(0.60)2 50 . para la dependencia total en uua tabla de conüingencia.6 la probabilidad pedida será 1 - [P(? conectas) * P(8 correctas) + P(9 cotrectas) + P(10 correctas)] =|- ho0?(0.0o)z (0 .5 cuando realmente = O'7' : O.t.ueno) TOTAL 100 (irupo ó 0 100 100 100 100 200 .(á) = 0.-60 . En el Problema 7. (b)P : 0..21 valor máximo de C ee presenta cuando la¡ Se recuperan No se recuperan 0 TOTAL 100 GrupoA (utilizando auero) (no utilizando . el estudiante está adivinando.". En el problema 7.1?19.6)e(0.54.7)8(0.3) + r0Cr0(0. (d) p : O.53.6)8(0.cAP. D Tabl.4)3+ roOs(0. Pueeto que las frecueneias eeperadas.i .7)7(0. ee 0. Un instructor hace un cuestionario forurado por 10 preguntas falso-verdadero. son todas igualea a 50. 7.3504 7.2.L27).----80Entonceg el valor máximo de C e¡ .". (c)p : 0.4. " x. adopta la siguiente regla de decisión: (i) si 7 o más respuestas son acertadas el estudiante no las acierta por casualidad. En tal caso.618 . (e) p : 0.56.8. Esta tabla de contingencia aparece en la Tabla 7-21.50)2 (0 . la probabiüdad de decidi¡ que el eetudiante no reeponde al aza¡ cuando es que si. hallar la probabilidad de aceptar la hipótesisp = 0.(+Xá) * .[roOi(0.54.

por #.2 0. 7. caraa en 6 f(x\ = P(x lanzamientos) = Entonces lae probabilidsdes de 0.¡qn.05 ó 0. se habría obtenido la curvo de potencia de la regla de decisión.989 0. .000 0.01662 y P(6 ó 6 carad) = * +-# : 0. (c).06.59.64. 3.121 0.618 0.1094. 0. **.05 ó 0.01.0. 0.6) y (Ht: p > 0. 7.6 0.01 (es decir.68. ¿Puede deducirse que al nivel de significación (c) 0. 4. 2.8 0. como se muestra gráficamente en la di¡tribución de probabilidad de la Fig.58. pero no d 0.2188. p + 0. Una moneda que se lanza 6 veces da 6 veces cara.trf6 llnivelde .54. .7 0.01).01. $oluciona¡ el Problema 7.57. Se ha irrcluido también el valor para p : 0. ee puede rechazar ñfe Ensayo bilateral: al nivel 0.5 cuando realmente p > 0.Ele al nivel 0.05. Puesto que P(0 ó 6 carar): t'o+* = 0. (g) pueden hallar¡e análogamente y se indican en la Tabla 7-22 junto con el valor correspondiente a p : 4.1.05 y (b) 0.4 0.013 0 828 7. se puede rechazar.65.945 0.5).ó) y (Ht:. Pueeto que P(6 ó 6 earar): * + # = éa:0. 7-15. pero no al 0.t v i.5). .!¡. 1. . +i. respectivamente. 03 02 0. ? Loa resultados de (b).5)(ee decir. Tabl¡ ?-22 p B 01 1. Sea p la probabilidad de ca¡a en un solo lanzamiento de la moneda.9 0.350 0. Ensayo u¡ilateral. Ad- la curva OC del 06 Si se hubiese dibujado (1 -p) yp. Bajo la hipótesis (Ho: p: 0.7 hallado en el Problema 7 .03125. Puesto queP(0 ó no ee puede rec}ntzar H¡ al nivel de 1ó 5 ó 6 caras) = 2(t) = 0. 7-14.3 0.8.t+. la moneda está bien hecha). no se puederechazar.828 del Problema 7. l0 09 08 0? El gráfico pedido es el de la Fig.1 El grafico indica que la regla de decisión dada ee muy odecuado para rechazat p:0.5 dado por p : 1 .01 la moneda no está bien hecha? Considerar ensayos de una y dos colas. Aquí se desea decidir entre la¡ hipótesir (Ho: p : 0. Ensayo bilateral.6 y 6 caras son dadas.1?19 : 0.248 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. Utilizar el Problema 7.05. si en la moneda sale 5 veces cara.Puesto queP(6 caras): f¡ :0.999 0.01.56 para construir el gráfico de É y p obteniendo así la cun¡a característica de operación de la regla de decisión del Problema. Ensayo unilateral: Aquí se deeea decidi¡ entre las hipótesis (Ho: p: 0. pero no al 0. Nótese que la probabilidad se denota por p (probabilidad de error del Tipo II). el resultado observbdo es significativo al nivel 0.5 0.1094. viértase la semejanza con Problema 7-27.

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

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

Esüo provee Problernas suplem. 7. Recientemente. 7.entarios ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NOBMALES ?'63.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.e y azules.01? Se lanza un par de dado¡ 100 veces y se observa que un total de ('siete" apa¡sce 23 veces. Un fabricante sostiené que al menos el 95% de los equipos que Euministra a una fábrica eetá de acuerdo con las especificaciones requeridas.65. En una escuela determinada con 200 estudiantes el mismo examen dio una puntuación media de 75.69.Of O. En un examen dado a un gtan número de estudiantes de muchas escuelas distintas.OO.e) = p(lWl < e) - e4(0)(Z€) = 7. Para ensayar la hipóteeis de proporciones iguales de e¡to¡ colores. + {pt Zt. yos.66. Una urna contiene bolar roja. normal (puesto que e8 una combinación lineal de la¡ variablee Z normaies e independientee). Var (W) = pr(l) * pz$) * . una muestra de 36 piezas de hilo dieron una resistencia media de 8.05.67.93 onzas.9.ebolac rojas que de azules.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 26L Para evaluar el denominador de (5) notamos que la variable aleato¡ia W = lptZl * es l-p222 + . Comentar la significación de este resultado al nivel de 0... * p¡(1) = de den¡idad paraW es p(rr) : (Zr)-r/2e-u2/2. proporción d.01..(o¡ : 1 s Por tanto la función . Solucionar el Problema 7. la puntuación medi¡ fue de 74. Enaayar la hipóteaie de que los dados esüén bien hechos. . ¿Se puede deducir al nivel de signüicación del (o) 0.01 que el es ahora peor? hilo 7 .1 y la desviación típica fue 8..trLtroyo uniiateral y un nivel de significación del 0. se adoptarÍa en el Problema 7.cAP. La "demostración" anterior (que puede hacerse rigurosa) muestra incidentalmente que cada restricción lineal colocada alas Z. no cargados. Supóngase que en el Problema ?. es decir.1i¡ ee rechaza en caso co¡rtra¡io. y que E\W\ = VE(O) + \/p2(o)+ . se quiere un nivel de significación del 0.0ó? (d) ¿Cuál sería la regla de decisión si el nivel de significación fuera del 0. Ensayar la afirmación del fabricante al nivel de aignificación del (o) O.. + V!f. 7. (o) ¿Qué regla de decisión ?.66 ei el nivel de significación es del 0.01? (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. 7'68.05 y (ó) 0.05 desde el punto de vista de (o) un ensayo unilateral y (b) un ensayo bilateral. Un examen sobre una muegtra de 200 de talee equipos reveló que 18 eran defectuosos.63 se desea eneayar la hipóüeeis de que hay moyo. erplicando las conclusiones sacadas con estos ensa- .7 o. (ó) Interpretar gráficamente la regla de decisión y el resultado obtenido en (o).. y Denominado¡ (. (Zr)-t/2(ze) Al dividir (8) por (9) obtenemos el resultado deseado. donde z : h - las bases para las reglas dadas en la página 219. 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.64..0. (o) Hallar la probabilidad de rechazar la hipótesis cuando en realidad aea correcta. ee decir. mediante (of un ensayobilateralyla¡.05? 7.63 si ee quisiera que la probabitidad de rechazar la hipótesis siendo realmente conecta sea a lo sumo 0. (¿) ¿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.01.40 onzas. y por tanto a la¡ Y o a las X reduce el número de grados de libertaá en X2 en 1. Discutir las razones de las posibles preferencias de uno de estoe ensayos sobre el otro.

me- 7. Mediante unniveldesignificación del 0. ENSAYOS EN RELACION CON LA DISTRIBUCION ú DE STUDENT 7. El nuevo fertilizante se aplicó a 30 de estos cuadrados y el antiguo fertilizante a los restantes. respectivamente. ¿Se contradicen los resultados con los del problema anterior? En un examen de ortografía en una escuela elemental.05.01? En el Problema 7 .05 que el producto presenta las especificaciones requeridas? ?./o con una desviación típica de 0.01.70 si el nivel de significación es del 0.024.7 4. ¿Hay diferencias entre las duraciones medias de las bombillas de los dos fabricantes al nivel de significación del (o) 0. Unamuestrade 10 análisis dio una media de contenido en cobre de 23. Un experto efieiente mantiene que introduciendo un nuevo tipo de maquinaria en un proceso de producción se puede disminuir sustancialmente el tiempo de producción.05 y (b) 0.7L. El número medio de fanegadas de trigo cosechadas por cuadrado en los que se utilizó el fertilizante nuevo fue de 18. 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. ?.01. (b) 0. Con un nivel de significación del (a) 0. mientras que 15 estudiantes de otra clase tuvieron una puntuación media de 74 con una des- .76.8f En el Problema 7. Una muestra de 75 bombillas de otro fabricante B dio una duración media de 1230 horas con una desviación típica de 120 horas.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. ¿Puede deducirse al nivel de significación del (c) 0. Para ensayar los efectos de un nuevo fertilizante sobre la producción de trigo.01 y (b) 0.72.83. A causa de lo costoso del mantenimiento de estas máquinas resulta que a menos que el tiempo 4e producción ee disminuyaen un8. 0.52 con una desviación típica de 0. < 1-t2O horas.7 7 ensayar la hipótesis ¡¡ : 1120 horas contra la hipótesis alternativa tt diante un nivel de significación del (o) 0.01. ENSAYOS REFERENTES A DIFERENCIAS DEMEDIAS Y PROPORCIONES 7.05 y (b) 0. 7.7 8. Las especificaciones para Ia producción de una cierta aleación piden el 23. Dos tipos de soluciones químicas. 7 . En el Problem a 7 .79 ensayar la hipótesis de que el contenido medio de cobre sea más alto que el que marcan las especificaciones.76. Ensayar la hipótesis de que (o) las dos máquinas tengan diferente calidad de fabricación y (b) la máquina B sea mejor que A.05. .01. [. determinar si los dos tipos de soluciones tienen diferentes valores de pH. En un examen de psicología de 12 estudiantes de una clase hubo una puntuación media de 78 con una desvia- 7. 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. la puntuación media de 32 niños fue de 72 con una desviación típica de 8. Utilizar el nivel de significación del 7.a2.54 fanegadas. 7.a media y desviación tfpica correspondientes a los otros cuadrados fueron 17.49 con una desviación típica de 0. con los niveles de significación de (o) 0.05 y (b) del 0.80. una parcela de terreno se dividió en 60 cuadrados de áreas iguales. Ensayar la hipótesis de que la duración media de las bombillas no ha cambiado.73.8 y 0. ? 7.01.01 y (ó) 0. exposción a la luz del sol.19. Una muestra de 100 bombillas de un fabricante A dio una duración media de 1190 horas y una desviación típica de 90 horas.252 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Solucionar el Problema 7.5% y una desviación típica de 0.01 las niñastengan mejor ortografía que los niños. Análisis de 6 muestras de A dieron un pH medio de 7. Ensayar la hipótesis de que a los niveles de significación (a) del 0. mediante un nivel de significación del (a) 0. Análisis de 5 muestras de B dieron un pH medio de ?.05 y (b) 0. Una muestra de 8 bombillasdelaproducciónactualdiouna du¡aciónmedia de 10?0 horas.24%. lcAP.4a. ción típica de 6.63 fanegadas. A y B fueron ensayadas pa¡a ver su pH (grado de acidez de la solución). En seis pruebas de este tipo se obtuvo un decrecimiento en eI tiempo de producciónde 8.77. etc. 7.05 y (b) 0. todos ellos tenían idénticas características de suelo.05.01 V (b) 0.05.032. Explicar las diferencias entre esto y lo que se pedía en el problema anterior.32%. Utilizando un nivel de significación del (a) 0.O7o laintroducciónde tales máquinas en eI proceso resulta antieconómico. ensayar la hipótesis de que el nuevo fertilizante sea mejor que el antiguo.05 ensayar la hipótesis de que las máquinas deben ser introducidas. mientras que la puntuación media de 36 niñas fue de 75 con una desviación tÍpica de 6.2 con una desviación típica de 0. 1 .2% de cobre. respectivamente.

¿Concluiría que esto no es común? Explicar. .05.85. Ensayar la hipótesis de que la primera varianza poblacional es mayor que la de la segunda a un nivel de significación del (o ) 0. Determinar los Iímites de control del (a ) 99% y (b)95% pam el número de tuercas defectuosas de cada muestra. se toma una muestra cada 4 horas de 200 de las tuercas producidas. (b) 0.87 si las dos mueetras con¡i¡ten de 60 y 120 observaciones respectivamente. Construir (a) unacurva OC y (ó) .89. En el Problema 7.92. Representar gráficamente los resultados del Problema ?.CUADRADO 7.ores.28 onzas. Alrededor del lVo de las tuercas producidas por una compañía son defectuosas. (c) 0.27 GBAFICOS DE CONTROL DE CALIDAD 7.0f .05 determinar si el primer grupo do. En el Problema 7.05. ENSAYOS EN RELACION CON 7 LA DISTBIBUCION F . durante los 15 últimos años.63. Para mantener esta calidad de producción. (o ) Solucionar los Problemas 7 . Ia desviación típica de las temperaturas anuales fue calculada como de 10o Fahrenheit. (d) 0.27 si se eru¡ayan 400 cuerdas.05 y (b ) 0. al nivel de significación del (a) 0. determinar Ia probabilidad de aceptar la hipótesis de que haya igual proporción de bolas rojas y azules.90.94. un cierto tipo de hilo producido por un fabricante tenía una resistencia media de roüura de 8. tienen varianzas dadas por s? : 16 y s2 : 8 respectivamente.93.64 onzas y una desviación típica de 1. (b ) 0. La resistencia a la rotura de una muestra de 8 cables dio una desviación típica de 300 libras. La desviación típica de resistencia a la rotura de ciertos cables producidos por una compañía viene dada por 240 libras. (b) 99% sobre un gráfico de control de calidad y explicar sus aplicac¡o- nes.81 .cAP. desviación típica de las temperatwas anu¡legde una ciudad en un período de 100 años fue de 16" Fahrenheit.9. (e ) 0. Investigar la significación del aparente incremento enla variabilidad.95.77 una muestra de 20 bombilta¡ reveló una desviación típica en la duración de 150 horas. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION es 263 superior al segun- viación típica de 8. se toma cada 3 horas una muestra de 16 piezas de hilo y se determina la resistencia media.84.01.86. ?. Dos muestras consisten de 21 y 9 observaciones. Para determinar si el producto está de acuerdo a estas normas. En relación con el Problema 7. Solucionar el Problema 7. Después de introducir un cambio en el proceso de producción de estos cables.6. ¿podemos concluir que hay una diferencia significativa en la variabilidad de los valores del pH para las dos soluciones al nivel de significación del 0.90 construyendo un gráfico de (c)p V p.7. mediante un nivel de significación del (a ) 0. cuando la proporción real p de bolas rojas sea (o) 0. Con la temperatura media del día 15 de cada mes. (b ) 0.26 y 7 . Comparar estos gráficos con los del Problema ?. Hallar los límites de control del (a) 99. En el pasado.82. t¿ ?.731o ó 3o.65. ?. ?.25 considerando Ia analogía de bolas rojas y azules con caras y sellos respectivamente.01? CUBVAS CARACTERISTICAS DE OPEBACION ?. una curva de potencia correspondientes al Problema 7. ?. Con un nivel de significación del 0. Comparar estas curvas con las del ProblenaT . ?. (b ) ¿Qué conclusiones pueden sacarse de acuerdo con Ios riesgos de error del Tipo II cuando se incrementan los támaños muestrales? 7 . Ensayar la hipótesis de que las temperaturas en esta ciudad presentan ahora menos variabilidad que en el pasado.3. ENSAYOS EN RELACION CON LA DISTBIBI'CION CHI. 7.E8.8. Adviértase que en esüe caso solo son necesarios los límiúes de control super.91.01 . (b) (1 -p) y p.

3. En 10 unidades del ejército prusiano y en un período de 20 años 1875-1894.gg. 7.99. El número de libros sacados de una biblioteca pública durante una semana determinada viene dado en la Tabla ?-22. Número de libros sacados Tabla 7 -27 Lun. Determinar si existe entre las máquinas una diferencia significativa al nivel dc significación del 0.05 si el profesor nuevo sigue las mismas nornns de puntuación que los otros. Ajustar una distribución normal a los datos del problema 5.^ 30 Frecuencia esperada )0 90 3() ?. 7. . 10. 9.100. Ajustar una distribución de Poiss<¡n a los datos.0r . (b ) 0. El número de defectuosas ""d" fueron 2.05. Juev. utilizar papel gráfico 30 62 16 l0 .05.g8 pueden ser aproximados estrechamente a una distribución normal.103.96. Se Tabla 7-28 0 rojo 2 blanco 1 rojo 1 blanco 53 si los extraen aleatoriamente dos bolas de la urna. Un profesor nr¡evo da durante dos se_ mestres 22 A. 7. 114 Vier. Se eligieron aleatoriamente tuercas de la producción de . 7.66 C' 16 D y 12 F. Delerminar al nivel de significación de 0. 7.107. 7. 7 '97 Ajustar una distribución binomial a los datos dela Tabla 7 _24.105. el número de muertos por unidad y año debido a coz de caballo se dan en la Tabla ?-2b.1'04. Ensayar la hipótesis de que el número de libros sacados no dependa del día de la semana. 6l ?.LB% B. 3 4 . se anota su color y se vuelven a la urna. Mar.l 1 cara 108 bien hechas. Ajustar una distribución de poisson a los datos del hoblema 2. Se lanzaron tres monedas un total de 240 vese observó cada vez el número de caras obtenido.100. 7 z AJUSTE DE DATOS A DISTRIBUCIONES TEORICAS -24 2 7. 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.Lg?o D y 12% F. Ajustar una distribución normal a los datos del problema 5. las puntuaciones dadas por un grupo de profesores en un determinado curso dieron un promedio d. (á) 0. (o) Determinar las frecuencias esperadas.34 8.106.r02 utirizando la corrección de yates.0b. 108 Mierc. de probabilidad para determinar si los datos del Problema 5. resultados obtenidos son consistentes (. solucionar el Problema 7.se muestran en la Tabla ?-2g.05.05 2 rojo 0 blanco Número de extracciones con Ios esperados.40% C.01.CUADRADO 7'102' En 60 lanzamientos de una moneda se observaron 37 caras y 23 sellos.98.96 y comparar con el ajuste obtenido utilizando la distribución binomial. 146 t20 7.254 ENSAYOS DE HIPOTESTS Y SIGNIFICACION Tabla f 0 [car.e 12% A. Una urna contienc 6 bolas rojas y B blancas. Durante un largo período de tiempo. Este proceso se repite un total de 120 veces y los resultados obtenidos. Ensayar esta hipótesis al nivel de significación del 0. I 65 22 a l 10!¡ I LA PRUEBA CHI.rrru de 4 máquinas. . (b) Determinar al nivel de significación del 0.108. con un nivel de significación del (o ) 0. Ensayar la hipótesis de que la moneda está bien hecha utilizando un nivel de significación del (o) 0. Tabla 0 ? -25 I ?-101.

114.116.01 ensayarlahipóteaisdequeelnúmerodeaccidentes es independiente de la edad del conductor.01 y (b) 0. (b) Problema 7. IA Tabla 7 -29 muestra el resultado de un erperimenüo para investigar el efecto de vacunación de animales de laboraüorio contra una determinada enfermedad. medianüe un nivel de significación del (o) 0.05 y en cada caso determinar si el ajuste es "bastante bue. es decir.06. ¿Es consistente el resultado de (o ) con el del problema 7 . A un nivel de significación de (a) 0. De un grupo de enfermos que se quejaban de que no dormían bien. Tabla 7. (b)hoblema 7.ensayarlahipóteois de que no hay diferencia entre ambos partidos en lo que a esta decisión se refiere.111.05 y (b) 0.99.L17.118. a unos se les dio pfldoraspa¡adormi¡. mientras que a otros se les dio píldoras de azúcar (aunque todoselloscreíonque suspíldoraseranparadormir).115.31 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. se Ies preguntó si las pastillas habían surtido efecto o no. Utilizar el nivel de significación del 0. Mediante un nivel de significación del (o) 0. la vacunación y esta enfermedad son independientes.05 v (b) 0. Ensayar la hipótesis de que las notas de física sean independientes de lás obtenidas en matemáticas.110. 7.ensayarlahipótesis de que no hay diferencia entre las píldoras de dormir y las de aziucar al nivel de significación del 0. Posteriormente. (a) Utiliza¡ la prueba chi-cuadrado para determinar la bondad de ajuste de los datos del Problema?. ¿Qué poeiblee dificultades en las t&nicas de muestreo como en otras consideraciones pueden afect¿r las conclusiones? . Tabla ?-30 Aprobados Clase 7. 7l BONDAD DE AJUSTE ENSAYOS DE HIPOTESIS Y SIGNIFICACION 265 7.f09.98. Solucionar el Problema 7.113.112. 7. Mediante un nivel de significación del (o) 0. tiene su efecto en el número de accidentes de automóvil (incluyendo todo tipo de accidentes) se indican en la Tabla 7-34.LOg? TABLAS DE CONTINGENCIA 7 Tabla 7-29 Se . Mediante la prueba chi+uadrado determinar la bondad de ajuste de los datosde (o)Problem¡ 7.(b) ¿Es el ajuste "bastante bueno"? Emplear el nivel de significación del 0.06. El resultado de sus respuestas se muestra en la Tabla 7-31. Los resultados de una encuesta hecha para determinar si la edad de los conducüores a partir de los 21 añoe.101.05. las dos claees.96. Suponiendo que todos los pacientes dijeron la verdad.01. La Tabla ?-30 muestra el número de estudiantes de cada una de dos clases didos A y B que aprobó y suspendió un examen dado a ambos grupos. Mediante la prueba chicuadrado determinar la bondad de ajuste de los datos de (c) Problema ?. 7. los votos de los demócratas y republicanos registraron los resultados que se observan en.01 y (b)0. Dott.01. Ia Tabla 7-33 da la relación entre las notas de los estudiantes en matemáticas y física. Hacer el problema con y sin la corrección de Yates. ensayar la hipótesis de que no haya diferencia entre. Sobre una decisión de importancia nacional.cAP. enfer No se maron 'enferma¡on Vacun¡dos No Vacunados I L7 42 28 ?. A 72 64 t7 23 Clase B 7.100.112 introduciendo la corrección de Yates. 7. N nivel de significación del (a)0.0ó.la Tabla 7-32. ensayar la hipótesis de que no haya diferencia entre los grupos vacunados y no vacunados.05 V (b) 0.

la suma de frecuencias en la fila ¡ y en la columna j de una tabla de contingencia (frecuencias marginales). 20. Si nI y n! denotan.1L2 y (b) Problema 7.126. ( sin y con coeficiente de n de yates.121.127.) 7./n. COEFICIENTE DE CONTINGENCIA 7. ?. mostrar que la frecuencia esperada para la casilla perteneciente a la fila i y a la columna j es n¡n. Xu) r¡ñY Azules No azules 49 30 8-ó 7. diantes. señalando las posibles aplicaciones que pueden_tener. (o) Demostrar eu€ ¡2 = 2@l/np.266 ENSAYOS DE HIPOTESIS Y SIGNIFICACIOD¡ Tabla 7-33 lcAP.49. Demostrar que el coeficiente de contingencia máximo para una tabla fr X k es 1/1t¡ PROBLEMAS DTVERSOS . donde n es la frecuencia total de todas las casillas. 7. Hallar el coefieiente de contingencia para los datos del Problema ?.¡¡¡.125. (b) el coeficiente COLOR DE PELO Rubio No rubio 25 96 7.119. 7'. respecüivamente. pero se desconocen las proporciones de boias rojas y blancas en cada una de las urnas. Por similitud con las ideas desanolladas para tablas de contingencia h X &. se toma una muestra de 50 bolas con remplazamiento de cada una de las urnas.8165aproximada- 7. (b) Con el resultado de (c) hacer el Problema 7. 7. Dos urnas A y I contienen igual número de bolas.117.LL4. donde n és la frecuencia total de todas las casillag.11?. ? 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. discutir las tablas de contingencia h X k X I. es JUS:0.128.122. .L23.?r para toda tabla de contingencia.121. Demostrar el resultado (2) det Problema 7. Demostrar que el coeficiente de contingencia máximo para una tabla 3 X 3 mente.1 . Hallar el coeficiente de contingencia sin y con la corrección de Yates para los datos de (o) problema 7. La Tabla 7-35 muestra la relación entre el color del pelo y los ojos de una müestra de 200 estu- Tabla ?-36 resultado contingencia.

Mediante un nivel de significación del 0. Utiliza¡ el resultado del Problema 12 para el Problema ?.05. (b) 0'01. es ahora 8. Construir gráficos análogos a los del Problema 7. Con otra marca B.136.142. ¿Se puede rechazar la hipótesis de que la moneda está bien hecha al nivel de significación del (o) 0. 7. ?.cAP.132 empleando un ensayo unilateral.129.133.0ó. Comentar los resultados.140. En eI Problema ?. Con una determinada marca A de gasolina. Explicar cómo podría definir interualos de confianza unilateroles y dar una posible aplicación. (c) 0.05.134. Una moneda se lanza 8 veces y se obtienen ? caras. Solucionar el Problema 7. Comentar cómo puede utilizarse la teoría del muestreo para investigar las proporciones de diferentes tipos de pescado presentes en un lago.01? Utilizar un ensayo bilateral.138 ¿hay mayor variabilidad en millas por galón utilizando la marca B que utilizando la marca A? Explicar.64-7.6 con una desviación típica de 0.55. el número medio de millas por galón consumido en 5 automóviles análogos bajo idénticas condiciones fue de 22. Al nivel de significacióndel 0. 7 n¡ ng üt fl1 b2 .54 ?. 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. Generalizar el resultado del Problema 7.0Sinvestigarsila marca A realmente es mejor que B proporcionando mayor recorrido por galón. (c) 0.4?.140. Demostrar que para la Tabla ?-36 y2 " n = o(l+ú+"?\ * 2a (u" +ú+ rt2 'tL2 ns/ rr o?) ns ¡\ ?t I \t¿r / -.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 8.06 de que el estudiante no está contestando al azar. A B Tabla 7-36 I &1 II A2 III dg ó3 'tLg TOTALES ?.132 si salen 6 caras.141. ?.130.54.13?.138. ?.48.56 si el 7 en la regla de decisión del Problema 7. (b) 0.131. Solucionar el Problema 7.54. ?.4 con una desviación típica de 0.001' (d) 0.01. ?.132.135. Durante un período particular hubo 40 calificaciones A en un grupo de 300 estudiantes. (b) 0. Solucionar los Problemas 7.13g. el número medio fue de 21. Con referencia al Problema ?.10. ?.23 pzra el Problema 7. El porcentaje de calificaciones A dadas en un curso de física en una universidad determinada durante mucho tiempo fte L0%. ?.l4O para obtener el valor de TOTALES lr2 n . 7. Ensayar la significación de este resultado a un nivel de (a) 0. 2. ?. 7.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 267 dando la de A 32 bolas rojas y la de B 23 bolas rojas.

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

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

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

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

8 REGRESION MULTIPLE Las una ces busc hay ás variables. x.s curvas de regreéión posible. con a y b dados por (4). n¿viértase qúe pueden obtenerse formalmente de (20) multiplicando por L. incluyendo ecuaciones lineales y no lineales conducentes a s¿. obtenido de la curva de regresión de y sobre r. (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..' : f"(L-r') Í l.c)y2 (21) tado de aplicar una definición análoga a la de la página 2sg. z. se hacán fácilmente. entón".: que se llama el error típico de pleó en la definición de la págin mínimos cuadrados tiene el más En el caso de una recta de regresión lest > (g/ n u". la cun¡a de o de la estima. por la recta de mínimos cuadrados en términos de la varianza v del coeficiente de correlación como s?. ' Estas ecuaciones. = 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. si construimos p¿ües de rectas paralelas a la recta de iegresión de y sobre r a distancias vertióales te. REGRESION Y CORRELACTON lcAP. tenemos (23) (24) También podemos expres¿u s. Por ejemplo. : a* br. si creemos que dos variables inaependi"áfus y. debemos hallar si n es lo suficientemente grande para que estén rectas alrededor del 68%. y. por ejemplo. como se emtodas la. Si r es la variable dependiente una ecuación semejante se llamarú ecuación de regresión de x sobre y. entonces una medida de la dispersión con respecto a la curva de regresión está suministrada por la cantidad sg. llamadas las ecuaciones normales correspondientes a (20). c en (20) de modo que que (20) lz = tmtb)r+ "2a 2*. se obtienen como resul- ERROR TIPICO DE LA ESTIMA Si. esto es -1 < r < 1.-' perficies de regresión en espacios tridimensionales y superiores. .r €l valor estimado de y para un valor dado de ¡.denotamos por U". Genetalizaciones a más variables.262 CURVA DE AruSTE."t)z = 2¿2. ó. representa un plano en un sistema de coordenadas rectangulares tridimensional __Puesto se llama con frecuencia plano de regresión Pa¡a hallar el plano de regresión de mínimos cuadrados determinamos o. puesto que >(A U. y respectivamente y sumando.23.2.96% y 97% de los puntos muestrales res.r)2 (22) r.

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

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

8l CURVA DE AJUSTE. y). de dos variables aleatoX. REGRESION Y CORRELACION 266 INTERPRETACION PROBABILISTICA DE LA REGRESION Un diagrama de dispersión. y). entonces existe una curua de regesión de mínimos cuadrados de Y sobre X con la propiedad (37). y respectivamente.r. Y pueden representar las estaturas y pesos de adultos en una población de la cual se extraen las muestras. Por ejemplo X. Lasdoscurvasderegresióny=g(rl. y). 8-7: Si Anotaciones análogas pueden hacerse para u¡ra curua de regresión de mínimoe ctndradoe de sobre Y. es una representación gnífica de los puntos de datos para una muestra particular. un diagrama de dispenión algo diferente se obtenüía generalmente. La dispersión de puntos alrededor de una recta o curva de regresión indican gue para un valor particular de r hay realmente varios valores de y dist¡ibu¡dos drededor de la recta o curva Esta idea de distribución nos eonduce naturalmente a la realización de que hay una conexión entre curva de ajuste y probabilidad.s(Xl)'} = un mÍnimo (sr) Una cun¡a con ecuación y : g(r) con la propiedad(37) se lla¡na curua de regresión de mínimoa cuadrados de Y eobre X. Cada diagrama de dispersión resultaría en una recta o curva de regresión diferente. y son variables aleatorias con la distribución normal bidimensional. . Entonces tenemos el teorema siguiente: Teo¡eru 8-2: Si X. f(x. (40'¡ . como se define en ia página 83. es lógico de las anotaciones anteriores preguntar si hay una función g(X) táI que E{ÍY . aunque esperamos que las düe¡encias no sean significantes si las muestras se extraen de la misma población. Y que toman log diferentes valores muestrales r. fÁgna 118. 8-1. 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. Tenemos el teorema siguiente: Teoreru Nótese & y son variables aleatorias con función de densidad conjunta o función de probabilidad f(x. según si se consideran discretas o continuas. /(. f tengan una varianza finita. o aumentar la original.h(Yll'l = un mínimo y(SS) seremplaza porr = h(y)-. como el de la Fig. dada por (88) u = s(n) = E(Y lX=c) siempre y cu-ando X. Y tienen una función de probabilidad conjunta o función de densidad. Y.cAP.¡= h(y)son Un caso interesante se presenta cuando ta aistribución conjunta es la distribución normal bidimensional dada por (491. Entonces se supone que X. En tal caso (37) se remplaza por X E{ÍX diferentes en general. Del concepto de cun'a de ajuste en muestras pasamos al de curva de ajuste para la población de donde se tomaron las muestras. Al escoger una muestra diferente. La conerión se implementa introduciendo las variables aleatorias X.E(XIY = y). 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. . 1. oy. y) podemos aún emplear el criterio (37) para obtener cun¡as de regresión de aproximación para la poÉlación. donde : g(X) V Y : E(Y)._ I'y. El(Y total . Análogamente sig(r) =a*Br*Tc2podemos obtener una parábola de regresión de míniinos cuádrados. píg¡na262. y intercambiadas].266 CURVA DE AJUSTE.En cry9 d9 que no se conozca f(x. sig(¡) se determinapor (37).zl8x (40¡ . Por ejemplo. p."t i)'l = E[(v . * pr.)'] * E[(Y*t -Y\'] se uda y expliuda respectivamente. Resultados análogos a (31)-Q$ pueden escribirse para el caso de una población y regresión lineal. donde a v g vienen daáas en términos de los parámehos (desconocidos) /r¡. entonces ación poblacional debe da¡ ajusta a los datos poblacioen una muestra se-aplican a Qrr) EÍg donde Y.x que debe compararse con (25). Véase Problema 8. 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 . Por ejemplo. 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. etC. = "'¡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. Estos resultados deben compararse con los correspondientes en la página 261. Todas las anotaciones previamente enuncia la población. Las tres cantidades en (44) llaman las tnriaciones total. Ensayo de la hipótesis 0 : b. Esto conduce a la definición del coeficiente de cotehción poblacional p.paralapoblacióndela cual s9 extrajo la muestra. EI resultado (45) también se empleapara definir p en ól caso - (ts¡ TEORIA MT. Los siguientes son algunos ensayós relacionados con una-población normal.39. no expli- ' no lineal. 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. En general todas las anotaciones de las páginas 259 a 264 para muestras se amplían fácilmente a la población. REGRESION Y CORRELACION lcAP. Por ejemplo.'ESTRAL DE LA REGRESION La ecuación de regresión y : a I bx se obtiene basados en los datos muestrales. r". 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.Y"".B-b t/n-2 Sy. si suponemos'que g(¡) : a I px obtenemos Ia recta de regresión de mínimos cuad¡ados (39).if1 Y)rl Para el caso lineal. (45) se reduce a (40). x. que también resulta ser una recta [dada por (39) con X. p - ------------------- r¡ariación explicada variacion Eí(Y*. Con frecuencia estamos interesados en la correspondiente ecuación de regresión !: q.

= ffi - (51) Z de Fish.43 y 8. Denótese por Jo eI valor predicho de y correspondiente o. Aquí utilizamos el hecho de que el estadístico f = rl/n-z \/fr (+s¡ tiene distribución de Student con n - 2 grados de libertad. lo = a * bxs. Véase Problema 8. Ensayo de la hipótesis p = 0.(i#J aproximadamente tiene una distribución normal con media y desviación típica dadas por (50) -Zt" /1+p\ *. Ensayo de hipótesis para valores predichos. 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.47 y 8. En el caso de que p = O esta distribución es simétrica y se puede utiliza¡ un estadístico con distribución de Student. Entonces el estadístico t- ú- ru. La transformación (60) se llama transformación /1+p\ I o/' ". Denótese Por Jp el valor predicho de y conespondiente 2. es decir. = 1. Véase Problema 8.cAP. REGRESION Y COBRELACION 267 tiene una distribución de Student con n . Denótese por üp elvalormedb predichodey correspondiente a x = Ío para la población [esto es. Véanse Problemas 8. En ese caso una transformación debida a Fisher produce un estadístico que aproximadamente tiene una dishibución normal. Aquí utilizamos el hecho de que el estadístico z =*r"(i+) = r.2 grados de libertad. 1. 2.m (ao- úor\Ñ @a¡ tiene una distribución de Student con n .8 : to estimado de la ecuación de regresión muestral.2 grados de libertad. fo = E(YIX = co)]. es decir. Véanse Problemas 8.49 y 8.1618"".45. Entonces el estadístico t- su. De esta ecuación se pueden ha' llar límites de confianza para valores de población predichos.48. De aquí pueden hallarse los tes de confianza para valores medios poblacionales predichos. . 3.'\[+Fi. Para p + Ola distribución es sesgada. 2.ffi @o- a"\{n-2 Urr¡ tiene una distribución de Student con n . lo : a * bxs.46. Véanse Problemas 8. Denótese por ¡lo el valor predicho de y conespondiente i f : ts estimado de la ecu¡ción de regtesión muestral.Para este propósito debemos conocer la distribución muestral de r.2 grados de libertad.8l CURVA DE A'USTE.er.. (i=/ : 1'1513 tos'o(1 Estos hechos pueden también utilizarse para hallar los límites de confianza para los coeficientes de correlación. Esto también puede utiliza¡se para hallar inten¡alos de confianza p¿ua coeficientes de regresión poblacionales de los valores muestrales.50.. Ensayo de hipótesis para valores medios predichos. Los ensayos siguientes resumen los procedimientos involucrados.44. Í : Ís para la población. Ensayo de la hipótesis p * 0.

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

tales como P y 8. (3.2. dn = a*bxn-yn Fis. aFlab = 0. 6). (b) Para obtener la ecuación de la recta construida en (o).2 utilizando a (c) variable independiente.rfnSOn a*bry albr2.1 .. 8) y (14. es decir. Ya que # = >f.61. Derivar las ecuaciones nonnales (4). escójarrse dos puntoe cualesquiera sobre la recta. dz: albr2-9". I 4 8 I Una rect¿ que se aproxime a los datoc se dibuja a mono olzada en la figura. Puede demostrarse que eetas realmente resultan en un mínimo. 2). (11.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. (b) Í como variable dependiente...os valores de y sobre la. 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. r como .3. Las coordenadas de e¡tos puntoa tomadoc de la gráfica eon aproximadamente (0. (6. (8. vé¡ee Problema 8'4 que emplea el método de mfnimos cuadrados.(4. 9) sobre un ¡istema de coordena' das rectangulares corno se muesha en l¡ Fig. Una condición ó mfnimo (o un máximo) es necesaria para que esto sea un que aFlaa = O. f. 8. . F(a.642r.4.7 . Refiriéndonoa a la Fig.1 ) y (72. CURVA DE AJUSTE. para la recta de mínimps cuadrados. 12. 8-6.rA' ")t)'6"' Fig.b) = l(o * br . Para un método que eümine la ne' eecidad de juicio individual. 2ra = a2r*b2r2 como 8e pedfa. (b) Hallar una ecuación para esta recta.tl' a-r =ffiO-l.. (9. 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.4\.8l 8.cAP. 8.. 7).g¡2. por ejemplo. 4). recta de mínimos cuadrados conespondientes a 11. (o) Dibujar loe puntos (1. 8-?. albnn Las dewi¡¡ciones verticales correapondientes son dt = a*br1-yt. 6 y-l=0. 3 2 4 6 4 891114 o a t). 8-6 . Ajustar una recta de mínimos cuadrados a los datos del Problema 8. página 260.542r ó¡ U=l+0. Entonces el Problema 8..

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 ó0.50.636.()r)()ry) = (40)(524\ . yla rectade mínimoecuadradoopedida es S t + lrx 6 U = 0. las ecuacionee normales se convie¡ten en dedonde c=-* ó -0.2 utiPuesto que hay 8 pares de valores de. Aunque la última columna no se necesita para esta parte del problema. 8c*40d = 56 40ci256d = 364 Estos valoree también pueden obtenerse de ()rx)sz¡ .545.546 + 0.60 . se ha agregado a la tabla para emplearla en la parte (b).(56X364) lt ó0'545 = 6 --lE f8-i6 g=w =qffiffiá#l )c = cnld)y = frao.50. t¿s ecuaciones normalee son )Y: 2ru: an*b)r a)r*b).8 (o) La ecuación de la recta es y : o * b¡. d=9 ó 1. b=+ ó0.oso (b) Si se considera a r como la variable dependiente y a y como la variable independienüe.Ga)(. Nótese que esta no es la recta obtenida en el hoblema 8.sz El trabajo involucrado en el crilculo de las sumas puede ordenarse como ae indica en lá Tabla 8-2.636 r. REGRESION Y CORRELACION [cAP. Otro método. y.)ru) c=ffi==-0.CURVA DE AJUSTE.r. n lizando el método a mano alzadt.50 d- - = 1. a = ()y)()r2) . la ecuación de la la recta de mínimos cuadrados es ¡ : c * dy. las ecuaciones normales son 2ru = c2y*d2a2 Entonces utilizando la Tabla 8-2.

60+1. (b) Estimar el valor de y cuando x: L2.7. - 0.4 intersectan en el punto (. La recta obtenida en la parte (b) se llama la recto de regreeión de x eobre y. ¡ ¡=-0. lo cual es un¡ indicación de que los datos están muy bien descritos po¡ una relación lineal. Lar gróficas de l¡s dos rectat.8-8 8.! :5.50y. = tllu-úl Nótese que en general.636¡. y E=-t+*y.fi).60y t2 10 = y= e. [¡secuacionee delaedosrectassona= llamos 8.6)seencuenhasobrelarerfar=-++$y. 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 ).66? r 8 6 1 u= 0. (c) Estimar el valor de ¡ cuan' doY: 3' -2a40 a=T=¡-=o Luego el punto (6. b por c.60 * 1.636 r o.6. (b) Al remplazar x.Í.5). 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. r-ñ f). remplazando las constantes o.ú).333 * 0. Ot¡o método. 6) se encuentra en la recta U = 0. la recta de mínimos cuadrados puede escribirse como Q) Caso que muestra que la recta pas¿ por el punto (á.pue¡üoque7=-*+*(6).500*1.546 * 0.cAP. se indican en la Fig.546 + 0. Representar gráficamente las dos rectas obtenidas en el hoblema 8.: L2 en la recta de regresión de y sobre n. y.50(3) = {. U = 0'646 + 0'636(12) = g'Z' (c) Al remplazary:3 enlarectaderegresiónde¡ sobre a. Nótese quelas dos rectas en e¡te caso prácüicamente coinciden. se utiliza para estimar r para valores dados de y.333 + 0'667 ¡' que no ee l¡ mi¡m¡ rect¡ 8.9. y es la varirrble independiente.ha*+É. (o) El punto (?.8l CURVA DE AJUSTE. más exactamente.60 y.60 + 1. ¡ = 7 .Resolviendoeimultánesmente. U = &* Lrrr. 0. . ú). {. Nótese que al solucionar esta ecuación para y obtenemos y obtenida en la parte (o). Por üanto la¡ rectas se interceptan en el punto (?.636 ¡ 2 0 6tl012 Fig. d respectiremen' üe.. mfnimos cuadrados puede eecribirs€ como hocediendo como en el c¿¡o 1 intercambiando r.6.E.úr. pero ¡e intergectan en (a. REGRESION Y CORRELACION Por tanto la ecuación pedida de la recta de mínimos cuadrados es r = 0.4. hallamos que la recta de (5) que indica que la recta pasa por el punto (4. las rectas (¿) V (S) no coinciden.6). ¡ es la variable independiente. 2. (o) Demostrar que las dos rectas de mínimos cuadrados obtenidas en el Problema 8. pueeto eue6=*+t(?). es (7.8. Caso 1.Elpunto(?.546 f 0. F = -0. ti). llamedo el centroide. Demostrar que una recta de mínimos cuadrados siempre pasa por el punto (i. y : 0.

tenemos .9.9. ¿ = ñ.n2r'a' .nEú (I¡X)z) ¿ru . U .(2r)(2r'l n2r. g 8. re rigue intercambiando D - >(z::elfu. = n8ru-(2rl()ü _ n2xz _ (2r)z Entonces ti ú = út I h. h = f.10 Si en el Problema 8.al r.t).12). u=u'*k. Ir 2(a .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.y.(>.úl = 2(rs-i:y-ir*efrl 2ra-ñ2u-ú2n1'2eú 2rU-nEú-nfrE*nitfi .e¡z demo¡tración de (12).Demosharque .t¡z = - t )(>x)2 |ín2rz . REORESION Y CORRELACION Demostr^ar que la tecta de regresión de mínimos cuadrados de y sobre forma (8). u=7+tc Por üanto . y (véa¡e problema g.pdgina 261. j[n2ra Por tanto (I ) oe conüerte cn 2rU t (>¿X>y)] de donde ¡e obtie¡e el resultado (S ). 8.=7+h.7 . 8. pdgina 260.=-Ep=Ts¡t Del Problem¡ 8.(2rlz 2(¡z-2nr*12) 2r2-2ñ2r*2i:z 2r2-2n82 lniz 2s2 .(2r. U - g.n8z 2r2 I Entonces . página 260..1 -ñF-trú.-. demostrar que D--i# . sean c = d *h.272 CT'RVA DE AJUSTE.)(2g. + k. Problema 8. tenemos D_ 2(r n2xy . . r puede escribirse en la (l).(2x')(2y'l n)s'2 .8.()¿X)y) n)¡z . Tónemo¡ de 11) [eAP.8 tenemos f.(Ic)z¡ También >(r - t)(v .ú = b(x. h_ v- dondeh n2uU yk son constantes. y. De la segunda ecuación en (5).

L07 de donde hallamoe o : 36.a recta de regresión de y sobre r está dada por y = a + b*.476x. 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.ae sumas se muestran en la Tabla 8.cAF.418 Zny = 54.4.82 + O.086/___V (b) f. REGRESION Y CORRELACION 273 Se deduce inmediatamente del Problema 8. 6t E-9 ?0 72 Estatura del padro (pulgadas) Tabla E-4 g t)o a 68 66 68 65 69 66 68 65 t2 4225 3969 4489 4096 üa 4420 4158 4624 4356 63 67 64 68 62 70 66 68 67 69 7L 4566 4160 4624 4225 4624 3844 4900 4356 4624 4489 4761 6041 4692 4092 4760 476L 4356 4624 4226 6041 4489 4290 4828 4489 7l 67 68 70 4692 4970 4624 4900 )c = 800 ly=8u lcz = 63. 62 62 6{ 66 Fig. La gráfica de esta ecuación ¡e muest¡a en la Fig. y ) sobre un sistema de coordenadas rectangulares como se muestra en la Fig. . donde o y b se obtienen resolyiendo las ecuaciones normales.476.197 )92 = 64./ €70 6 !a 2a'= an * ólr 2ra . de modo que lae ecuaciones normales se convierten en 9oe 2? 666 864 É¡ E 12o*800ó:811 800o*63. &11 La Tabla 8-3 muestra las respectivas estaturas lc.8l CURVA DE AJUSTE. (c) Hallar la ¡ecta de regresión de mínimos cuadrados de r sobre y. 72 de dispersión se obtiene dibujando los r = _8. 8-9.y deuna muestra de L2 padres y sus hijos mayores.849 .9 ya que 2fr' = l(c-t) y análogamente = 2r-nñ = 0 ly' = 6. de modo que y :96.418b = 64. (c) Construir un diagrama de dispersión. (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r.82 y b = 0. 8-9.88+r.a2n*b2n2 [.

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).L07 E1lc#54. = delascualeshallamosc:-3.849d muestr¿ en la Fig.07) 6 ecueción de regreeión pedida de y sobre x ea a .68 = 0.6?. De una manera análoga podemos obtener l¡ ecuación de regreaión de r sobre y.12. = ñ . se convierten en -f SLld = 800 64.68.11. - (>¡XI=y2l.12s¡z _ _s.(lyX>ay) n2yz .()y)2 1. esto ee a = 36. ¿ = n>r!: (>!)l?nl = n2a2 . y. Réstese un valor apropiado.11 utilizando el método del Problema 8.Iagráficadeestaecuaciónse Otro método. - 68 tenemos r.d=1.5) - (10)z = 0.086 8.asfque¡:-3.ú de acuerdo con el Problema 8.9.036.38. (12X106) (-16)f. aparte de los enores de redondeo. por ejemplo 68.á). CURVA DE AJUSTE.67.82. u =7*68 = -**68 = IZ-LZ = b(u.86 * 0.476 También ya que &' = ú . = ú - 68. Esto nos conduce a la Tabla 8-5. b = dada por ry# = 0. de r. 8-9.38*1. y ( los números restados de r tee). . Solucionar el Problema 8.036y.2y 2uY = c2Y*d2Y2 L2c Utilizando las sumae en la Tabla 8-4.g8.58 n I¡ =7*68 = -**68 = 66. Por tanto 6?.68.274 Otro método.476u u .dondecydseobtienensolucionandolas 2a = cntd.4?6 Larectaderegresión x:c* dy. .476(n-66. REGRESION Y CORRELACION lcAP. 8 "= (c) ecuaciones normales I]4ff de¡ sobrey viene = 85.

0350 3. n. la última ecuación puede escribirse (r) U = oibr donde¿:logC.4Ou. obtenemos un punto que se dibuja en el popel log-log construido especialmente como se muestra en la Fig.6 194.2833 1.0095 3.074L 2.6953 (o) Puestoqueo=4.0997 3. P de Ia Tabla 8-6 y también indica los (l ) son 2a = on*ü)¡ de las cuales 2ry .40(21 =1.ffi¡af'=-1. 8-10.8l CURVA DE AruSTE. C=1.20.b:-'1. Entonces P=antilog1.2 t9.4 37.2878 2. 8. Solucionar el Problema 8. . De acuerdo con los principios de la termodinámica una relación de la forma PV. y y= logP=4.()rX>u) 6=-ffi.2976 )r = 11. a = ()y)()rz)-(>rX:g¿l _ n2"2-1>n\z .3019 6.0043 12 ra 3.20=logCy (b) Pvt.66L7 2.cAP. Tabl¿ 8-7 s = logV L.4 118.9479 2.4685 3.8 49.60X104 y y=1.2ry .7348 1. La Tabla 8-? da los valores ¡.000.log P : y.859? A = logP 1. donde y y C son constantes.2077 3. Tabla 8-6 Volumen V (pul3 ) 54.20-1.2 PVt = C.9294 2.6946 1.5 72.40.0 pulgadas cúbicas.7910 1.0 10.8309 t.20-l.2340 2.8543 =-1. debe existir entre las variables. (c) Hallar elvalorde y y C.7858 1.(b) Escribirlasecuacidnes que¡elacionan aPy V. y conespondientes a los valores de V.6 88. (c) EstimarPcuando V = 100.7 28.13 dibujando los datos en un papel logJog.1 Presión P (lb/pul2 ) Ya que 6r. (c) CuandoT=100.7943 4.40= lb/pulg2.13. REGRESION Y CORRELACION 276 ECUACIONES NO LINEALES REDUCIBLES A FORMA LINEAL 8. Para cada pareja de valoree de la presión P y el volumen V en la Tabla 8-6.40.40=-y.1 lu = 8'7975 b )12 = 23.6762 1. La tabla 8-6 da valores experimentales de la presión P de una masa de gas dada correspondiente a varios valores del volumen V.3 61.4533 1. = C.a2r*b2r2 4. Las ecuaciones normales qorrespondientes a la recta de mínimos cuadrados logP = logC-ylogV logC ó logP*ylogV: Tomando log I/: x.40 Luego Y = 4. r=logV:2 25.to = 16.14. tenemos tomando logaritmos de base 10 cálculos involucrados en eI cómputo de la recta de mínimos cuadrados (l ).0059 2xa - 16.

REOBESION Y COBRELACION [cAP. Deriva¡ las ecuaciones nomales (I9). m 60 so r00 Volumen Y '{l Fig. para la parábola de mínimos cu¿dradoo.8 l0 ú' 3o {0 ü.8-r0 150 ¡00 ú t00 También ¡e indica un¡ rect¿r (dibujada a mano alzada) que re aprorima a eeto¡ puntos.276 CURVA DE AJUSTE. [¡ medida en este e¡¡o indica que D = -1. . .4 logV = 4. (nn. . . Entoncee lo¡ veloree de y ¡ob¡e moc cr¡¡dr¿dor cotrec¡rondieatet a a1. y PVtl = 16O00 PARABOLA DE MINIMOS CUAI)BAI)OS E. Enton4.4.1rn ¡on olbr¡lcu!. . Ir grifflca re¡ult¡¡te muerb¡ que hay una relación li¡eal entre log P y log V que puede repreeentarre por l¡ ecu¡ción logP .4 los100 = l. Por ejemplo cua¡do V: 100.... P: 26 de la g¡lfic¿. .a)(2) = de modo que logP* 1.!nl. logPTlle .a*(1.2 a = logP-ülog7 = lo926*1. .o*blogV ó g = o*bn Ie pendiente D. U = a*ba*crz l¡ pa¡óbol¡ de mfni- Se¡n lo¡ puntos mue¡t¡alec (a¡Ittl.. e2. prigina 261.¡ U¡ ertfa dadar por dt = qtbx¡Ic¡.?"-al' dc = o*bu21-cú-!2.) d^ = o*üc"lorl-t^ y lrr ruma de lo¡ cuadrado¡ de le¡ de¡viacionee eotá dada por )¿t = )(o+ bxlca2-t)1 . of bur*wl l¡¡ de¡vir¡cionee de.16. Pa¡a obtener ¿ ¡e nece¡it¿ un punto sobre ce8 l¡ recta. que er negatlva en e¡te ce!o.Ut U2.2.4. . Por t¡nto albn2*ct/. . (r*uzl.2. re de numéric¡rnente por l¡ relación-de la longitud AB a le longitud AC.

O.8 2.20 o + 2276.82 4t.92c : 1449.8l E¡t¡ ec CURVA DE A¡UsTE.1 t€ 14 a 4.41 73.83 29.7 7.2Ob+2275.79 s32.2ll0rt .8 3.7 4.36 5?6.8r 2n2g I¿= 42.9 9.8 4.48 19.61 24.08 10.2 1.8 r87.65 185.2 6.42 - - 1449.6 5.22 rzy 6.66 259.19 36?.588 de mfnimoq cuadrado¡ pedida tiene l¡ ecr¡¡- .0 7.20 c = 48.93 342.20 18.' 7.6 2A = an*óI¡*c2n2 [¡s (r) ecuacionec normales son 2ry = o)¡*b2r9*c2rs 2n2a = o.49 92.19 2. ? = )f. 8.28 38.92 230.6 2.00 Puecto que n (2) Reolviendo.36c = 230.73 5.9 7.971.58 4.4 2r2 - Ic3 = 2276.44 3.49 60.t=o' *=o Enüonces # = ).2 )u= 46.06 941.8 4.42 291. c.4E 1065. REGRESION Y CORRELACION función de o.00 2.1 : 8.066.L6 6470.62 21.36 2ua = Zxu 291.5 6.16.cAP. lar ecurciorÉ¡ norm¡ler (I ) rc convierten en 8a I 42.96 96.24 9.8 7.46 254t.28 233.27 1.0 ?.2110¡ arí la parábola 2. o ción = 8.7 4.1 12.04 1. b.12 67. págin¡ 261.6 9.t2 9223. e¡ decir 277 F(o.70 26.ólcs*clra H trabajn involucrado en computa¡ la¡ ¡uma¡ puede ordenarce qomo 8e mue¡ha en la Tabla 8-9.360 + 18971.75 117.o3to*óc*cr2-a)2 = )2(o+br*crr-a) k = )*a{o*br]-cnz-u)2 = 2Zr(a*brtcü2-a) aF :d.cl = )(o I Para minimizar esta función debemo¡ tener bx * cx2 - U)z Ti=o' . Tabl¡ u 1. Ajustar una parábola de mínimos cuadrados de la forma ! Tabla 8-8.8 3.2a*2SL.8 7. = + 2.2 1.OI 32.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). c = {).70 38.7 12 n3 xy 6.2 6.1 8.2r2]. b = : 2.9 5.065 t .91 636.6 a I bx * cr2 a los datos de la t€ D.9 7.40 10.688.2b + 291. T¡bb ü u 1.04 48.b.

(rn.2)2 = 4. c e igualando las derivadas parciales con respecto za. Tabl¡ 8-10 Uest 4.962 7.278 CURVA DE AJUSTE. . y puede escribirse z: albnlcy Las ecuaciones normales (21).56L 2.8 8.2110(I. b.7 u REGRESION MULTIPLE 8. y por medio de una ecuación de regresión de a ! bx * cy.621 5. lcAP.zn\.8 7. Entonces los valores de z sobre el plano de regresión de mínimos cuadrados correspondientes a (r1. c de modo que satisfaga (21. ala pulgada más cercana y las edades y al año más cercano de 12 muchachos. b. (b) Determina¡ los valores estimados de e de los valores dados de r. 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. 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. all. z. .065(1.8 4. .os resultados se muestran en la Tbbla 8-10 junto con los valores reales de y.762 4.2) .762.613 6. vienen dadas por (f) 2z = na*b2r*c2y 2rz : a2a * b2r2 * c2rg 2gz : a2y * b2rg -f c2yz El trabajo involucrádo en computar las sumas puede otdenarse como se indica en la Tabla 8-12. Se desea estimar una variable z de las variables : Sean los puntos muestrales (ryUyzr). (c) Estimar el peso de un muchacho de 9 años y 54 pulgadas de estatura.. REGRESION Y CORRELACION la. las estaturas x.0 7..16 para estimarlos valores de y de los valores dados de r.19.9 6. y.página 262.2 6. pág¡na 262. Demostrar que la ecuación de regresión de mínimos cuadrados se obtiene al determinar a.zt. Análogamente se obtienen otros valores estimados..z¡ dt = a* br1 * cUt.503 7. (c) Hallar la ecuación de regresión de mínimos cuadrados de z sobre x.. Utilizar parábola de mínimos cuadrados del Problema 8.588 + 2.17. las ecuaciones normales pedidas (21) en la página 262 se obtienen.741 4. Pata r = 1.640 7. .18 la forma z r. b y c a cero. vienen dadas por a*bnr*cyn dn = a* bnr* cUr. [. La Tabla 8-11 muestra los pesos z ala libra más cercana. Ue"¡ = 2. .0. 8. ..5 5.Un.2.An) son respectivamenüe a*br1*ey¡ Por tanto las desviaciones de z¡. (ün.5 2.). y. . .

880 106o*67?9b+976o Rerolviendo. ü = 0."r)2 2afu 2fu-o-brlz o. a = 6796 = 3.6068.4t4 69.cAP.920 64 7l 63 67 DD 68 77 67 66 61 76 68 (c) Remplazando ¡ : 54.286 66.664 78.682 ?8.136 64.b2r(u -a-br) .8436 * 6779c = 40.= v.r=n= = 2(a-a. 4096 5041 2809 4489 3026 3364 6929 12 y2 64 100 36 uz 3648 4189 uz nu 466 690 3249 3481 5t2 710 318 787 7l 53 67 OD 2401 3844 2601 2500 3026 2697 4L64 2805 2900 4296 254 682 408 :t50 Lzl 64 49 100 81 100 36 8 7 10 440 406 770 613 58 77 67 66 61 60 oo 48 62 42 61 67 ó60 492 620 I 10 6 3249 3136 2601 2304 2704 2756 2St2 660 306 t764 3721 8245 2t42 4686 8876 262 732 618 76 68 t2 9 6776 4624 t44 81 912 6L2 2z= ?53 )c= 643 )?= 106 222 = 2a2 = 2az = 9?6 2rz = 40.¡ €stá dado por r viene dada por ! : a * b*.2(Ufl -a. la ecuación de regrerión pedida es (t) (b z = 3.8l CT¡RVA DE AruSTE.86? 65. Utilizando la ecu¿ción de regreción (3) obtenemos log valores egtimados de z. denoüado8 pot valoreg Tabl¡ 8-13 2est 2 64.843 Utilizando esta tabla.356. Si la recta de regtesión de mínimos cuadrados de y sobre que el error típico de la estima sy.865r+1.20. c = 1.! : 9 en (3).6612. 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¡.8646. y.206 69.830 2yz = 6796 2uy = 6779 48. o aprorimadamente 63 lb.225 68.168 48. Ír. ERROR TIPICO DE LA ESTIMA 8. Entonces ^.e resultado¡ ¡e dan en la Tabla 8-18 junto con lo¡ mueshaleg de z.606u zesb al susti- ) tui¡ los valores correspondientes de x.139 34. REGRESION Y CORRELACION Tabla t-12 fi 64 Df 59 49 62 51 a 8 10 6 11 z.7r7 68.926 66.. =í. las ecuaciones normales (I ) ee convierüen en l2a1-643b *106c (2) 643¿ = 769 * 34.66+0. demos- s'?.-brl - o-bu) .

28 -1. Método 2.28 pulgadac.28 68 69 68.62 0.!* e!\ = 2a'2 + 2y29' * nú2 .b2(r.¡ Método 1.20 N3' = 2u2-o'2a-b2xy = 2(a' + ú)2 .. que corteeponde a empezar con l--o+bryremplazando:oporcero.y. güe ¡e neceaitan para el cálculo de oy.x = lTiltr= 1.al@ .b2rtgt * nú(ú . = 2a@-a-bt\ nll 2a2-a2a-b2ra Este ¡esultado puede extender¡e a ecuaciones de regresión no lineal. 8. También ¡e indican lor valorea y - Uest.2O puede escribirse como ^z üu.b2r'Y' = 2(a . como se obtienen de la recta de regresión.a2r * = b2u2 Entonces sí. (1.11.66 >(u-u.66 7l 70 69. g = A'+ ú.280 Pero CURvA DE AJUSTE.24 -0. I üyt * r.bnü! = 2U'2 + nú2 .19 67 68 67.2¡ pará Del hoblema 8. Sabemo¡ que la recta de regreeión puede eecribiroe oomo blem¿ 8.bñl = 2O'' .bn.81 62 66 66.€2 + O. 8 2(A-a-bn) . Tabl¡ t.11(b ) la recta de regresión de y cobre x ea ! : 36.33 0.76 L.81 0.29 -1. REGREsIoN Y coRRELAcIoN lcAP.71 69 68 68. Erto demueetra el resultado pedido.71 -0.úl donde hemooutilizadolo¡re¡ultedot2r'=0. Entonce¡ del hoblema 8. E.ana .14 66 65 67.ó)(a .76.Cuandoeehacenestoeremplazo¡enelProlos datos del Problema 8.14 ü a Uesl 65 68 66. En la Tbbla 8-14 ee listan los valores reales de y (de la Tabla 8-3) y los valorec estimado¡ de y.24 68 67 67 67.47 6r.2na-o.24)2+(0.xpot¿-á. Por ejemplo.19 2.14 -2.22.81 U - Aest 0.24 63 66 65.b2(r' * ñl@' * úl = 2(y'2*2ytfi*¡z¡ .a(2U.o2(g' * fil . Catcular el error típico de la estima¡ 8¡.bt2y' . Demostrar que el resultado del Problema 8.19 0.82 + 0.ú = 2u'2 .6? 70 68 69.ú)'- b)(c n - ¡)(u - ú'l Si ¡ = r' * A.38 7l 68.2r-b2rz = 2A = on * ó)c 0 puesüo que de las ecuaciones normales 2ru .98)2 12 = L64z . / .r9)z:l-.b2t'g' .20 se obtiene el re¡ult¿do pedido.ú = b(r .b2r'g' .o.UpotA-ú.+(0. cotrespondiendo a ¡ = 65 tenemotgest:36.21." y 8t..á). 2(a .*nú') .7L 64 66 66.a)2 .476(66) : 66.. denotados por lresr.r.bi2r' . 2u'=0 y ú = o*bt (que re deducen aldiüdiramboslado¡ de l¡ ecuación normal 2A = an * b)r por n¡.")z = "1.anÚ .2y-an-óIr = 0 2r(a-a-br) .

82 -t. :: :. = 1.56 -0. Calcular (a) la variación explicada.24. ts.77 )(U". Si los puntos están distribuidos normalmente respecto a la recta de regresión.?0.brt Q. (b) la variación no explicada y (c) la variación total para los datos del Problema 8. ya qve ú la Thbla 8-14 podemos construir la Tabla 8-15. Tenemos Uest de ú : 67 . En el caso de regresión lineal )(v - Y'"'¡)(v" "r .25. = tpiLo (1. ya que es cero. + (2.r 0. = 1/@ se tomaron las estaturas vie- COEFICIENTE DE CORRELACION LINEAL 8.28 y 1. de datos.. '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.23. Este hubiera sido el caso aproximado si el tamaño fuera más grande.11. Il . 2r(u . (¿) Construir dos rectas paralelas a la recta de regresión del Problema 8.)(y-uu. = )(U . se encüentra entre -1. Uir examen poste- 66 6l 62 Otro método.:: .40 pulgadas. tenemos 2(u-ú)2 . 8. Demostrar que >(g Elevando al cuadrado A"'r)'* 2(U*r.61 0. Tabla.82¡z+.13 -1.'.30 0.58).abn) a .::... Entonces el porcentaje pedido es 9l12 : 7 5d.28) = 1..58 del Problema 8... (b) Determinar el porcentaje de puntos de datos que se encuentren enhe estas dos rectas.t-ti) - A)" = 2(A - El resultado pedido se deduce si podemos mostrar que la última suma este es eI caso.11 a una distancia vertical sy.13 1.22..476¡ obtenida en el hoblema 8..22)..cAP.25 1.11 se muestra sólida en la Fig. 8-11. Las dos rectas paralelas.0t¡z . .ne?.82 * 0.12 (o de la Tbbla 8-4..rr.U""t)2 . (o) ta recta de regresión y : 35. 8l CURVA DE AJUSTE. NOTA: Una mejor estima del error tfpico de Ia estima de la población de la cual so. Utilizando los valores - a -0.el 6812 de los puntos se encuentra entre las rectas.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.[t = (y .A)'.y""t) * (Uost .a) = =Q :y. Entonces el porcentaje pedido es 9lL2: 7 5%. 8-11..28 (es decir.rn. ú>@ - a - bn) puesto que de las ecuaciones normales 2(a = 0.04 (a) Variación explicada = (b) Variación no explicada -ú)2 = (-0.34 0. = 19.) para 9 puntos (¡. del Problema 8.08 2.61 -2. REGRESION Y CORRELACION 28L 8. Del último renglón de la Tabla 8-14. la teoría predice que alrededor d.un"J(v.28 (véase hoblema 8. se muestrana trazos en la Fig. y).. parecen estar sobre las rectas. cada una a una distancia vertical su. y-gfo".S-15 Uest : 8]-LlL2: 67. ne dada por 6r.g) sumando.:'.t)2* )(yn"t-ú)2+ z>fu.nrr.

42 -1. (D) coeficiente de conelación = r : tVñ7d58.7 -3.)z \/ñtrW Sin embargo. prágina263. 8.z b22r.89 0.32 7t 0.7 0. pero negativa cuando /est disminuye a medida que r.aumenta. REGRESION Y CORRELACION lcAP.4 a'= tr'2 2. derivarel resultado (34).26.34 2a'2 = 38.7 1.' .l2at2.69 u'a' a'2 0.70 = 38.3 4..16 o.3 -1.11.L2 7. E.7 1.49 -2.6 3.68 2trtg'= 40. la expresión para r tiene automáticamente el signo conecüo asociado.69 0. Puesto que la varirable yn".96 2.66 -0.))' l) n'\ ¡ \) '\il t' jó -0. La recüa de regreeión de mínimos cuadrado¡ de y sobrer puedeescribfuse 1lest= b = 2r.92 = 67. obtener el coeficiente de correlación lineal para los datos del Problema 8.02 1.18 0.68 5.29 1.92 0.= !0.16 6. Entonces 2r'a' 40.09 5.11.76 1. página 264.6 0.7027.-0v t'. El trabajo involucrado en la computación puede organizarse como se indica en la Tabla 8-16.4 0. puesto que la'gt'es positiva cuando 3/ss¡ autnentá a medida que r aumenta.) asír--*2r'a' ffi (2x.y = EP. en el caso de regresión lineal.27.3 0. del Problema 8. aumenta a medida que r aumenta.7 3.:800/lZ = 66.4 ' 0.16 2.7027 o con dos cifrar significativas r : 0.76 11. 8.[bb tt 62 70 66 68 67 69 -4.7 )y = 811 a = 8LUl2 2rt2 = 84.09 10. A partir del resultado general (30).34 \/G.69 22. Utiliza¡ los resultados del Problema 8.282 CURVA DE AJUSTE.donde ¡2= variación explicada va¡iación no explicada 2b2r.y. . = y -f.?0.4 -0.4F7q de acuerdo con el Problema 8.3 -2. Entoncee.56 0.24. utilizando A. la conelación ec poeitiva y por tanto escribimo¡ r : O.A)z = 19.62 1. /i84s8)?58-3t Tabla E-16 = 0.= EF. (a) coeficientededetermir¡ación = t = '1Hi1iáf*1"io" =m= 0.4e88.6 0.f.92 10.89 13.8 (c) Variación total : 2(a . para el coeficiente de conelación.82 7. ¡o )¿ = 800 i. Utilizando la fórmula producto-momento.32 1. trt =r- E.49 1..92.6 0.82 4.3 a-v 0.'.22 + 19.6 L.25. Por tanto se sigue el reeultado pedido.o.3 2.7027 u 65 63 67 B4 a 68 66 68 66 69 66 68 66 r-t -t. y Ulst = U.16 6. Halla¡ (o) el coeficiente de determinación y (b) el coeficiente de correlación pa¡a los datos del Problema 8.6 .= \Eá/ /rorl = \r¡.09 7.A. (la fórmula producto momento).4 7l 67 68 70 -0.36 68 il 'l .2 /?r.29 18.66 0. tenemoa &*br 6 Ulr¡= bx.3 -2.s¿.26(b).4 2.28. Los resultados (b) y (c) pueden obtenerse por cálculo di¡ecto de la suma de los cuadrados.4 .

donde ¿=? rz r sobre y er =a*ilu 8y Entonces b¿t = 1g\ 1g) = \c"/\oy.cAP.30.26(D) y 8.29.>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 . págrna 261.8l CURVA DE A. la recta de regresión de donde A=?I.28.| ¿gl\/¿e¿\ 6 =(iiot/\al/ ' ¡=o'7o27 que está de acuerdo con lo¡ Problemae 8.476 d=ffi =1. [. Demostrar el resultado (17)./ 8.11. 8. Demostrar que el coeficiente de correlación lineal viene dado por f= En el hoblema 8.31.(>aXIY) n :E Puesto que = (2rlln V'ú = (2Alln" Arúlogamente. Utilizar el resultado del hoblema 8.036 Enroncec rz = bd.2ñ2r 4 ntz (2112 2(2nl' ()r)2 = 2rz = 2r2 . Del Problema 8.29 para halla¡ el coeficiente de correlación lineal para los datos del hoblema 8.11 (b) y 8.11(c) respectivamente 484 ' ó=10fr=0. . REGRESION Y CORRELACION 288 8. 2(a-nlz = 2(rz-2rt*r2) = 2s2 .TUSTE.a recta de regresión de y aobre r es u=olbx Análogamente.nnn* v Entonces (I ) ee convierte en r(a-üz = 2a2 r : .

7027 como en los P¡oblemas 8. variación no explicada va¡iación total (d) = l-r2 = L-0. i = (2U)/n = (46.80.ú)2 = 21.26(b).4O De la Tabla 8-10 Por tanto t-= = l(g""t-Al2 = 2l. 8.218 6 o. Hallar (a) s.30. COEFICIENTE DE CORRELACION GENERALTZADO 8.16. Sin embargo. Utilizando (a) y el Problema 8.40 8 = 1. De la Tabla 8-4 r= n2ru .Oz variación explicada .L071 = 0. REGRESION Y CORBELACION [cAP. (c) Explicar la diferencia entre los coeficientes de correlación obtenidos en (c) y (b). hay una muy buena relación no lineal dada por la parábola del hoblema 8.52) - (40.16.n¡zi = -0. Entonces la desviación típica de y es 8u= 2(u - ú\2 21.64 (á) Primer método.2z . I del Problema 8..4'.()¡X)z) (8oo)(811) (r2)(54. (b) Hallar el coeficiente de correlación no lineal entre estas variables." = ss\/T=F = 1. y (b) sr.33 (b). y.16.2g y g. Entonces variación total = 2(A .284 CURVA DE AJUSTE.636 ó 1.31 para obtener el coeficiente de correlación lineal para los datos del Problema 8.ilz = variación explicada 21. 8 8.34.636y'i-(0.33 (b).01?g Por tanto 7. paralos datos del Problema 8.42) [(8)(2e1.62. y? (a ) Utilizando los cálculos de la Tabla 8-9 y agregando que 2tt2 = 290.32.) (42.16.20) - (42. hallamos r= n2ru - ()¡X)r¿) (8X230.n parabólic a entre x.9922 = 0. como lo indica el hecho de que el coeficiente de conelación en (b) está muy cercano a 1.33.3743 indica prácticamente ninguna relación lineal entre r.3?43 (b) De Ia Tabla 8-9. y r =0'9911 var6eió. (o) Del Problema 8. el error típico de la estima de y sobre I es B!. (c) Hallar el coeficiente de correlación lineal entre las variables r.11.21(46. 8. supóniendo la relación parabólica obtenida en eI Problema 8.78%de la variación total permanece no explicada. Esto puede deberse a fluctuaciones aleatorias o a una variable adicional que no se ha considerado. Ubtlizar la fórmula del Problema 8..tal =ffi=0'9822 (c) El hecho de que la parte (a) muestra un coeficienüe de correlación de solo 4.4)/8 = 5.1 ¡. 2(A .40.99r1)2 = 0.2)r][(8X2e0. (d) ¿Qué porcentaje de la variación total permanece como no explicada por la suposición de la relacii.

36.22 Tercer méüodo.l'ciñexptñat. = 12-82 = 12+22*. Explicar córno determina¡ía un coeficiente de correlación múltiple para las variables en el Problema 8. AquÍ estamos considerando n valores de r (por ejemplo pesos) y n valores correspondientes de y (por ejem.8l Segundo método.cAP.@ "" = 0'8418 = !ffi = thffia Debe mencionarse que si fuéramos a considera¡ la regresión de eobre y. Sea rr: el grado dado al j{simo valor de x.os grados son enteros de 1 a n.22 8.88 = 629. z gería en general diferente del valor anterior.37 Coeficiente de correlación múltiple de z sobre x. pág¡na 264. la mediaú ylavarianzasf sonigualesa(n l)12 y (n2 L)ll2 respectivamente.76)z = 888'26 = 888. la varianza de las desviaciones. dada en térrninos de e2r. y I va. el coeficiente de correlación de ¡ CORRELACION GRADUAL 8.19 Variación no explicada = 2(z - zo"tl2 (64-64.218 ó 0. [¿ media de r.33' variación no explicada = 0.. Derivar la fórmula de correlación gradual de Spearman (36)..88 Va¡iación total 2(z-2\2 .19.35. z.I i son las desviaciones entre las graduaciones.L2(62. esbturas). Análogamenüe.pl.*n @l_ryz n*l En = mientras que la varianza es sf. REGRESION Y CORRELACION 286 Utilizando el Problema 8. Entonces si d¡ : r i . tenemos 2a2-a2a-b2ra-c2n2a = 0.16 y el cálculo adicional 2gz 8y.-. ss t+2+.a = = 299. al y el coeficiente de correlación entre grados por * - s2¿. CURVA DE AJUSTE.52.218 6 0. viene a3: s?+r?-2rs¡ads"sv . *n2 n n(n*r)(2n*11/6 2 n2-l t2 utilizando los reeultados 1 y 2 del Apéndice A. que Para obtenerlo. ¡ sobre y.25 Variación explicada Enüonces - 258.4L4\2 + "'+(68-65'920)2 = 258.222-n22 48. y estamos interesados en el coeficiente de cor¡elaeíón múltiple de z sobre x. vemos del Problema 8.139 . ! ¡ el grado dado al j'ésimo valor de y ' [. y. Ya que z se determina de ¡. Utilizando el Problema 8.

5.6.6.8s45 indicando que hay una relación entre el rendimiento en laboratorio y teorfa. 1¡ (t) y (2).7. 66. a los lugares 8 y 9 ae les asigna el orden 8.6 3. a las e¡tatura¡ de loe padres ee les aaigna los órdenes (2) (3) dio de 7 . 11.6 11 .6 3 8.6 t2 5 7.5.6 1.7. 6.6.5 l. Hallar el coeficiente de correlación gradual. 69.5.6. 8 (r) h¡ecüo que 7 = fgrad = eZ+sT-af. 8. 1.11 y compararfos rezultados con el coeficiente de correlación obtenido por otros métodos.37. las estatura¡ de los padres eon (r) 62. AsÍ. 69.66.6.l\ltZ . 66.6. 69.6. 9. ordenadas en forma a¡cendenüe de magnitud. 10. 70. 9. %. Análogamente. lac estaüuras de loe hijos ordenadas en gentido creciente son 66.5. 7l y puesto que los lugares 6. 6g. Tbmbién se incluyen dz y 2dz. les asignamo¿ w orden meg [(6 + z + + 9) / 4 . 70. 6g. d d2 -1 -2 -1 1 1-1 I 1 3 I I I 2-L 4 1 -1 1 4 2d.6.7.6 7. 10.(2d2)/n = L-nfu2] 8. 69. Calcular el coeficiente de correlación gradual para los datos del Problema 8. 66. REeRESIoN y coRRELAcIoN lcAP. 66. 6.6. 3.6 10 t2 7. por tanto las estatu¡as de los hijos quedan ordenadas @ Con las correspondencias 1. 71 Puesto que en esta ordenación loe lugares sexto y r*éptimo represenüan la misma estatura (6? pulgadas). 6.6 1. 6?.6 7. 63. 12 De igual forma.2 24 = Entonces rgrad= t-#!T = t-ir#?u = 0. 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. 11.5.c asignamos a estos doe lugares un orden medío de 6. 69.38. 7.(J) y (4). 66.s" 0.6 10 3. 3. 6. Tabla 8-18 Diferencias de puntuacionee. 2.286 Entoncee cuRvA DE AJUsrE. 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. 64. 3. 67. tor \-"rttd- "3 - e¿.rz)/n y (l ) ge convierte en 7')/12 W @2 - * (nz 6>d2 . le. ?. la Tabla 8-B se convierte en Tabla E-19 Graduación del padre Graduación del hijo 4 2 6. 69. 4. 8 y 9 repreeentan la migma estatura (68 pulgadas). 6?.6 1 11 6 8.

25 1. ) La función de densidad marginal de X es f{r) = [.5 -1. con la correspondiente para muestras. utilizando esperanzas. Tabla 8-20 -3.7027 obtenido en el Problema 8.zBEl(X-pi(Y -¡.25 6. lo cud es una condición necesa¡ia para que F(q.F) sea un mínimo.v)l + Gv-Ft'x-o)2 = "? * F2oI . E(Y . 20.rv) = 0. íE = dF Denotando la última expresión por F(c.px) * (pv .5 1.P¡x.39.ú2 E(X .6 -3.6 2.25 2.26 L2. 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 . utilizando sumas.Fpx.8l CURVA DE AJUSTE.9px."l Igualando estas ecuaciones a cero.26 12.pvl .?466 que concuerda muy bien con el valor r = 0.-ffi!\ = 0.o*t¡ .5 3.0. En general.40.00 2.P(X . Y es l\r'a) : (a | f.a* pr entonces A .26 1.r.0 1.Fpx.26 6. (b) X sobre Y.6 -1.Fy = p(r .(r+2y) 0<n<7.0=Y<L {o deotraforma Hallar la curva de regtesión de (c) Y sobre X. INTERPRETACION PROBABILISTICA DE REGRESION Y CORRELACION 8. Derivar (39) a partir de (37).25 2.}j'2l. .px) .25 2.a) ó Fok = o*v a-tly="4tr-u*) A-Py - /'. los resultados para muestras tienen resultados análo- gos para poblaciones e inversamenüe.2Boyy r (py .dlz} = El(y -pv)21 + BzEl(X-r. los cómputos de d2 y I¡ )d se mue¡tran en la Tabla 8-20.60 rgrad = t-#!T: . lo+zo¡a.5 -2.0 ü 12.ol.cAP. p) tenemos AF u = mos -2(pv zBoi - 2oxv - 2px(pv .5 -1.6 3.26(b). .px\ ^t u\ox) | Debe notarse la semejanza de la demostraeión anterior para poblaciones.6 1. = f.26 L2. REGRESION Y CORRELACION diferencia en graduacionec d.00 d Entonces 2iP = 72. halla- tv = ol Ftx Por tanto si g . 8. La función de densidad conjunta de las variables aleatorias X.

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

REGRESION Y CORRELACION 289 (e) xY = Entonces Í..2 : 10 grados de libertad. ot : ".o1f.. Hallar los límites de confianza del 95'.- = .8I 6.9b Con un ensayo unilateral de Ia flistribucirin de Student a un nivel 0.q\I a.136 y 0. hallar los límites de confianza d-ei 95'7.11 se halló que la ecuación de regresión de y sobre x eray: 35.476x.47G :t ' +('!!) t" / = 0.2 = l0 grados de libertad) vienen dados por 95?iparap(obteni. r8fl .4?6 t Vlo\' t/tz.28 (calculcda en el Problem a 8.11).nfi162\/28/Bz4 -0.los Ií¡:rites de conftanza del 95oy' para --j:lq--.43)' y n: !2 1 r/o t r--- . (b) X sobre Y para el Problema 8. 8. sx: 2.o+zul)arav =1 3 .82 + O.r: L. Loslímitesdeconfianzadcl F = b-+f+) ' \ñ4\82 I para 12 . = {". ¡rara ias estaturas yos padres tienen unas estaturas de (o) 65.45.0 pulgadas' puesto qu€ t s7. se está en la ryHt\ = 0..Of Ae que el coeficiente de regtesión de la ecuación de regtesión poblacional es tan bajo como 0..40. 0.43.- 2..e5: 1.2g para 12 . Escribir las rectas de regresión de mínimos cuadrados de (a) Y sobre X.'lW\" . 1/ .2\ o.66 del Problema 8'11' 8.0818 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.B4o confianza del 95% de que 6 se encuentra entre 0. (¿) La recta de regresión de Y sobre X es + oXY "+@ .44. sr. Por tanto no podemos rechazar la hiPótesis.losaleolocar t=lt.t / ó (b) La recta de regresión de.r: L.23 h es decir. Y ltr-2 donde 37e : 85.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. .28. Ensayar la hipótgsis al nivel d-e significación del O.2: LO grados de libertad.0 y lb) 70.xY p = n-xÍ oxY oxoy = *-(s)(i*) = = - 1 162 0 -l/162 .42. de los hijos cuyp son 8.cAP.szs=!2.81 para L2 ..:2. En el Problema 8..4?6 r6 (Problema 8.lrv1l_z=-.11.á para el coeficiente de regresión del Problema 8. En eI Problema 8.'=o Í"'=o.22)y 1.66 (Problema 8.82 + 0.11 = -l/162/. (+) ó a -i : - ür I x) ó -.43.42.-- .180. 8l CURVA DE AJUSTE.2U'L66 0'19916¡= = ya que eo.-.180 si ú ) ú.05 rechazaríamos Ia hipótesis de que el coeficiente es tan bajo como 0.476B-b t=r.

o¡ para n - 2 grados de libertad .11.0 y (b) ?0. 35.Estoconcuerdaconlosresultados aproximados mencionados en la página 262.?6 pulgadas. se puede estar en la confianza de| g6% de que la egtatura media de todos los hi jos cuyas estaturas de Ios padres son 70.05 y (b) 0. ¿Cuál es el tamaño mínimo tal de una muestra para que podamos concluir que un coeficiente de correlación de 0.Bb Sobre la base de un ensayo unilateral de la distribución de Student a un nivel 0.6 pulgadas úo 0. Ya que t.elgbVo de que las estaturas de los hijos están entre 64.66. Un coeficiente de correlación basado en una muestra de tamaño 18 resultó ser 0.80 pulgadas (b) Si 16 : 70. es decir. rechazaríamosI/e si ú ) ú.45(ó)] los límites de confianza del 95%.16 :65. ' (b) Si re :70. También (x¡ .07 pulgadas.11.96sy.8 los límites (o) Si 16 : 65. hallamos [comparar con el hoblema 8. Tarnbién.0.46. = t. es decir.11).ss :7. 7. Porlo +1.23 para 1 0 grados de libertad.14 + 5. o. ¿Puede concluirse a un nivel de significación del (a) 0. se puede esta¡ en la confianza d.sz).Los métodos de este problema son válidos independiente del tamaño de n ó to .05? A un nivel 0.05.09 pulgadas. hallar los límites de confianza del96% para las estaturas'medias de los hijos cuyas estaturas de los padres son (a) 65.? y 6?. Entonces 66. los límites de conñanza del 95% están dados aproximadamente 8.1 y 7 4. el valor mÍnimo de n debe ser 032{n - 2 r/i -to.rcontalquero -ñnoseademasiadogrande.48).78.s1t : 2.i¡z : (?O. Entonces los límites de confianza del 96Vo so¡ 69.6 pulgadas.0.66 (Problema 8.14 f es decir.1/l-z = = . (o) (ó) Puesto que no podemos rechazar ) 0).47.476 r6 (Problema 8./i=@0.14 pulgadas.0 pulgadas.?6 t 3.290 CURVA DE AJUSTE.2óy6!2so. En el problema 8.8OOtl2r2 : 2. los métodos muestrales son exactos para una población normal. ciertamente no podemos rechazarla al nivel 0. TEORIA MUESTRAL DE LA CORRELACION 8. es decir.82 + 0.0 pulgadas se encontrarán entre 65.t)2 : (65 . y¡ : 66.23 donde y¡ : ffisv.sz\/ra-z : p l.0. los límites de confianza del 95% para Uo fo son = 2.0. /e : 69.69. Nótese que para grandes valores de n.E. REGRESION Y CORRELACION lcAP.za\ = 66. (o) Si.45 pulgadas.": 2.8 pulgadas. de confianza del g5% son (ro . se puede tener confianza de 95Vo que la estatura media de todos los hijos cuyas estaturas de los padres son 65.05.32 sea considerablemente mayor que cero al nivel 0. t/6 al nivel 0.SOO112)2 : 11. Por tanto no podemosrechaza¡I/6 al nivel 0.01 que el coeficiente de corréhción poblacional es apreciablemente mayor que cero? Deseamos decidir entre las hipótesis (Ho: g :0) y (llr t = .?6 a 2'23 es decir.05.' sr.01 8.45(c)] los límites de confianza delg1l".48.05 utilizando un ensayo unilateral de la distribución que de Student.32.7 y 70.75 para 18 -2: L6 grados de libertad.0 y ?0.O .2 pulgadas. hallamos [comparar con el Problema 8.76 1 1. se puede estar en la confianza del 96Vo de que las estaturas de los hijos están entre 63.0 pulgadas se encontra¡án entre 67.

80.5493y2:(0.60. pa¡a n=2g.0.rrro. v =24. Dos coeficientes de correlación obtenidos de muestras de tamaños nt : 28Y rtz:35 se cdcularon como rr : 0. si Si pz Fz /r +"\ = l.6.sz\/rLtt/l-(u32Y = 1.2182 = 1.r5tz'""(+l-&. (b) Sip:0.30 respectivamente. ú.Hallarloslímitesdeconfianzadel96% paraeste coeficiente.80 y n = 21. t=0.2182:L. z = t.9730-0.r6r3t"" o.e155.72.60.49.0e86 10.B0eb #*#= Fzrl. Un coeficiente de correlación basado en una muestra de tamaño 24 se calculó era r : 0. para n=27. El coeficiente de correlación entre las calificaciones finales de fÍsica y matemáticas para un grupo de27 estudiantes se calculó era0.266e = 0. t.64.49 y 0./ = 0.?1.6932 0.7L.=L. t.s0(-/l1 \ \y'n_B/ = 1. n=26.!613*(=.50. t--032\r26^tr=@ = 1.75.05. (b) p : 0.4904- = 1.69. (Hs p2r= Fzrl I (Hi Fzr* . 8.51.rsr3 loc\t -.5606.64 y por tanto n: 25.50.16131og(++*) /r r-\ \r-'l / *t.unrr. a un nivel de significación del 0. = Deseamos decidir entre las hipótesis = 0.5366 a 1. Por tanto los límites de confianza del 95Vo para p son 0.05 utilizando un ensayo unilateral de la distribución normal rechazaría' mos la hipótesis solamente si z fuera mayor a 1. t .7L.94.s5=1.s|= 1. ¿Podemos rechazrir la hipótesis de que el coeficiente de conelación poblacional sea tan pequeño como (a) p (o) : 0.5366' p = = L. Por tanto no podemos rechaza¡ la hipótesie de que el coeficiente de correlación sea tan pequeño como 0./ 0.5606.L6rt*(=. los límites de confianza d.9730 0.5493)/O.CURVA DE AruSTE.s|= l.50 a un nivel de significación del 0.96oz = 1.Portantopodemos rechazar la hipótesis de que el coeficiente de correlación poblacional sea üan pequeño como p: 0.tJ2:1. 8.el 95Vo püa pz vienen dados por Z=L. Puesto que r : 0.9r : 1. L {zt - = Z-pz oZ 0.05? zr = r. ¿Hay una diferencia considerable entre los dos coeficientes a un nivel de 0.50. p : 0.:) = oz= La variable tipificada ee Fz = r. REGRESION Y CORRELACION Para un número Pa¡a infinito de grados de libertad.o. v =26.b4es.05? o.4620 Entonces ¡t2 tiene el intervalo de confianza del9SVo.(-) \r P.) 0. zz: r. t.s2\/ñ/\Flfu2p. 8.50 y tz : 0.r¡rlb*'.28z (ff3*3) = o. Entonces el tamaño mínimo de la mueetra ean:28.92.66.) nzr-2.L613 logS:0.28 A un nivel de significación del 0. v=26.

292
Bajo la hipótesis IIq,

CURVA DE AJUSTE, REGRESION Y CORRELACION

lcAP.

8

Z,

-

Zz - Qtzr- ttzrl ozr- z,

0.5493-0.3095-0
0.2669

:

0.8986

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

PROBLEMAS DIVERSOS

8.52. Demostrar la fórmula (25),

párytna 262.

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

Pero por definición,

2(u-ú12 _
¡¿ -

"l!

-z

2(r-¡:)(a-ú\ _ ---i-

o"v

y, por (6) en la página 260,

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

8.53. Demostrar que E[(y
Tenemos Entonces

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

y así

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

cero.

(o)

Para regresión lineal,

I"., = a* PX. Entonces

El(v -Y",tXY"¡r-

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

Bxz¡

porque las ecuaciones normales

E(Y
(comparar con el hoblema 8.3).

- a-

FXI

- 0,

E(XY

-

aX

-

PX2)

-

o

(b)

Para regresión parabóIica, Ycsr

= d + pX + 7X2. Entoncea

El(v -Yest)(Y"st-

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

yxz)]

cAP. 8l

CURVA DE AruSTE, REGRESION Y CORRELACION

293

debido a las ecuaciones normales

E(Y-a-pX-'tX2)

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

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

0

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

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

p2
y el resultado

='##

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

n?.*

se deduce inmediatamente.

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

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

(f)
Pero dado que Y

= a*

BX,

(21
Entonces

E[(a + pX

- Yr2l =
=
or*,

Elp26

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

BLE\(X

-

X)21

oi -;-

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

(l

) se

convierte en

(3)

p2 =

44

o

p-r*

oxY

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

oyv).

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

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

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

1950 161.1

25.2 31.4 39.8 60.2 62.9 76.0 92.0 105.7

122.8 131.7

Fuente: Bureau of the Census

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

ese año respectivamente. La ecuación de la

(f)

A = a*bx*crz

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

294

CURVA DE AJUSTE, REGRESTON Y CORRELACION

[cAP.

8

2U = on*ó)c*c2rz
(2)

2s2U

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

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

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

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

11o*110c =
110ó

886.8

=

1429.8

l10o*1958c =

9209.0

b:

13.00; de la primera

y

tercera ecuaciones,

a:76.64,c:0.8974.

(1)
donde el origen,

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

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

a
23.2

13

u4

ra
-116.0

fiz,u

-5 -4 -3 -2

si.4
39.8 50.2 62.9 76.0 92.0

I
4

-l
0
1

I
0

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

625 256
81 16
1

580.0 502.4 358.2 200.8 62.9
0

-r25.6
-119.4 -100.4

-62.9
0

0
1

I
4 o

92.0

92.0 422.8

2
3

105.7

16 81

21t.4
368.4 526.8 roD.o

t22.8
131.7 161.1

27 64

1105.2 2L07.2
3777.6

4
o

16 26

266 625

t26

)r=0
(ó)

2a=
886.8

2r2 =
110

)¿s=0

2a4

=

2aa

1958

1429.8

-

>r2a =
9209.0

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

4, 5 en (4) se mues-

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

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

g=l
1910

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

2r.6
29.2

4t.2
39.8

90.0
92.0

1r9.2 136.0 161.6

Valor real

106.7 t22.8

tlt.7

161.1

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

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

cAP.8l

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

(e)

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

se

ajusta

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

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

L952
41.85

1953 43.23

1964

1955 53.29

1956 54.L4

1957 49.12

1958
40.71

1969

hecio promedio

de

acciones (dólares) Precio promedio de obligaciones (dólares)

35.22

40.06

oo.lD

r02.48

100.93

97.43

97.81

98.32

100.07

97.08

9r.59

94.86

94.65

Fuente: New York Stock Exchange
(o

)

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

Denotando por

r,

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

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

r-r
-10.04

a-a
4.91 3.41

a'=

tr'2

%'a'

100.80 29.05 11.63

-49.30 -18.38
0.31

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

-5.39
-3.41

-0.09
0.29 0.80

-2.03
-5.20
8.03 ú.4ú 3.86

4.t2
27.04 64.48 78.85 14.90 20.70 97.81

-0.59 -4.16
20.48

2.56

-0.44

-3.91 -22.89

49.r2 40.7t

-4.55
9.89

-5.93 -2.67 -2.87

t2.t5
-28.38

oo.lo

94.65

)¿

452.64 45.26

--

2a=
975.16

2u'2 =
449.38

2t'y'=
-94.67

2a'2 =
93.69

a:
97.52

Entonces por la fórmula producto-momento,

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

=

-0.4614

(b)

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

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

296

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

[cAP.

8

t952
D

1953
6

1954
3

1

955
8

1956
q

1957
a

1958 4

1959 10
.,

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

I
10

I

I
-T

5

6

7

8

4

1

3

Diferencia de
graduación d

-9
81

0

0

-4
16

0

D

6

I

8

49

0

0

0

25

36

I

64

>d2

-

272

Entonces
Esto
se

rsrad

= ,-#!t

= t--ffi;\

=

-0.6485

compara favorablemente con el resultado del primer método.

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

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

es-

(h

o
90-99

4G49

50-59

60-69

70-79
I

8(H9
4
6 8 2

90-99
+
D

TOTALES
10

lt

,o

f¡¡
an

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

I
o

4

l6
24
2L L7

z o
C)

rf]

10
o

I

I
6 4

o t\
Fl

3 3

6

2

4t)-49 TOTALES

o 15

L2 23 20
10

7

25

100

(o

)

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

80-89 (cali-

(b)

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

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

:

47

ltOO:

47Vo,

cAP. 8l

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

297
de la

(c)

*

5

+ 2 +.4 t
(t)

LO

= 22.
Tabla 8'99

tt)
f¡¡

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

z

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

z o

o

70-79
2

?*
E2 Fl Ei
<
(d)
C)Q
f¡l

I
D

4

70-79

a2 Ftk < fr¡ oo

?x oií

50-59
6
D

ó

10

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

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

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

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

n2fru
(1)

-

(2f

"r)(2luu)

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

-

(2 |

"u,l

(2

| oun)

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

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

llama

298

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

lcAP.8

Glificaciones de matemáticas, c

r
a

44.6

64.5

64.6

74.6

84.6

94.5

Suma de

\% ¿y\
2

ft -2
-1
0
1

los núme
f vuv

fuuS

2

3

ros esqulnados en

c¡da fila
10 20 40 44

94.5 d a !

2

4

4

84.6

1

1

4

6

D

16

16

16

3l
0

Ei

I
E

74.6

0

o

10

8

I

24

0

0

r{
¡i

64.6

-1

I
3

4

I
6

D

2

2L

-2L
-34

2l
d8

-3
20

A

64.6

-2
-3

6

2

L7

Íii
3
fn ,

r͡
D

t4

44.6

t2
23 20 10

t-l
16

-36

108

33

t,
Ítut

26

2f

n=2f y )f yuy =¿=100 = -66
2f ,u"

)fyu?

2furuo

=

263

=

L26

-t4
28

-15
16

0

23

40

30

=64
2f ,ul

f"u?
Sum¡ de los
númelos cada

0

23

80

90

= =

286

{

32

3l

0

colur¡a

-1

24

39

2fu,uo
L25

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

r=

n2fu,uo

-

(2f

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

(100)(125)

-

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

=

0.7686

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

8x=cx

}f"u? /2f ,ú"\2
n \n/
uuuY

10=

13.966

(ó)

sy=a!

>fuui /2f

" -\ "

i

"\m_m

=t4.e25
,60.20

(c)

".n

=

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

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

9 = 8.9) -69.63.62.5¿8 8.v ts. en tanto que su covari¡nza es 160.60.hallar(o)losvalore$deycuenda x=6. 0. Calcular los ertores típicos de la estima (c) er. 8y r-70. = L4.64.. página 261 .0=A+##€?!)@-70.. r a 3 6 6 8 911 234668 8.7t9(u-69.61 a. = 13.2. (a) (bl Ey. De la Tabla 8-30 tenemos.61.966. REGRESION Y CORRELACION 299 Por tanto las desviaciones típicas de las calificaciones de matemáticas y fÍsica son 14. (b) Í sobre y para los datos rr+qW = 64.e Ge. 8xv 160.gZfy'f - (OfOg6P = = 9. s!. = ¿yt/Ti-rz = = a"t/T7rz = f¿.5+E#9 = ú . para los datos del Problema 8. a y-6e.64.64.rlos RECTA DE MINIMOS CUADRADOS Tabla 8-31 8. Escribir las ecuaciones de las rectas de regtesión de (c) y sobre del Problema 8.x=L2. ParalosdatosdelProblemaS.66 8. Tenemoe 8"".0=q9ff##q(v-6e.. para obtener las ecuaciones de las rectas de regtesión (¿) ó a-u='!w-nt.0).65 utiliza¡rdo el resultado de la parte (c)' . (b) sr. Utilizar los resultados del Problema 8. 8l CURVA DE AruSTE.s6oy'1:107686)á Problerrra. Representar gráficamente los datos y las rectas de mínimos cuadrados utilizando el mismq conjunto de ejes coordenados.(b) elvalordexparay:7' (o) Utilizar el método a mano alzada para obtener Ia ecuación para una recta de ajuste de los datos del Problema 8..60.o 8. E.20 G&r'-áiÉfutB = o'7686 que concuerda con r hallado en el Problema 8.?686.0 y 14.934 s.66.60.9 respectivamente.cAP. Ajustar una recta de mínimos cuadrados a los datos de la Tabla 8-31 utilizando a (a\ x como la variable independiente. (b) SolucionarelProblema 8.e).a guplementa.0) x-?0.0 = (b) 6 r-ü='?o-o¡. (b ) r como Ia va¡i¿ble dependiente.uo+qY: 145+q'qfrEq = u= De los resulüado¡ del Problema ?o.821(o-70.. Entonces utilizamos ( I 6 ). 0.926 y r = 0. r.

(b) Hallar la recta de regresión de mínimos cuadrados de y sobre r. Escribir las ecueciones normales para la curr¡a cúbica de mínimos cuadrados dada por dx3 . z.I 3. ¿cuál es su puntuación esperada en física? (e) Si un estudiante obtiene una puntuación de 95 en físice.72. (D) Hallar la recta de mínimos cuadrados que se ajuste. 8 t. (c) Hallar la recta de regresión de írínimos cuadrados de ¡ sobre y. (o) Representar gráficamente los datoe. 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. (b) Ajustar una parábola de mínimoscuadradosdelaformad:oIbu*cuzalosdatos.?1. [. I : o t bx * cx2 I Tabla 8-37 REGRESION MULTIPLE E.ID 80 ?8 93 86 65 72 87 91 7L 98 95 68 84 89 tt 82 80 72 74 E.t--10.70. REGRESION Y CORRELACION [cAP. (d) Representar gráfioamente las dos recta¡ de regresión de (b) y (c) sobre el diagrama de dispersión de (o).71 rrcstrar c6mo una gráfica en papel semilogarítmico puede utilizarse para obtener la ecuación pedida sin emplear el método de los mínimos cuadrados. y.300 CURVA DE AJUSTE. (d) Si un estudiante obtiene una calificación de ?5 en álgebra. En el Problema 8.9 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. Con referencia a Ia Tabla 8-33. y.8?.6 21.u. (b\ Estimar z cuando a to 90 10 72 . (d) Estimar el valor de y cuando r : J.73. 54 42 30 . (o) Representa¡ loe datos en papel semi-Iogaritmo. con Ia escala logarítmica para yr la escala ariü- méticaparar.(b)Ajustarunacurvademínimoscuadradosdelaforma !=abxalosdatosyexplicarporqué esta ecuación específica da buenos resultados. (a) Representar gráficamente d.y:6.3 14. (o) Hallar la ecuación de regresión lineal de mínimos cuadrados de e sobre x. Tabla 8-36 Velocidad. (c) Hallar la recta de mínimos cuadradoe que se ajuste a los daüos. u (mi/h) Distancia de parada d(p) 20 54 30 40 138 50 60 70 90 206 292 396 E. (o) Construir un diagrama de díspersión.a los datos.a Tabla 8-37 muestra los 3 6 o n 8 t? o t4 valores correspondientes de tres variables x. El número y de bacterias por unidad de volumen pres€ntes en un cultivo después de ¡ horas viene dado en la Tabla 8-36. 12 . 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.2 5.68. utilizando a r como la variable independiente. o^ 2. ¿cuál es su puntuación eeperada en álgebra? Tabla 8-32 Algebra (c) Física (y) . fabla 8-33 Calificación en el primer examen C¡lificación en el segundo examen 6 ü D 8 8 10 a 76104 D 8106 Tabla 8-34 q 8 il CURVAS DE REGBESION DE MINIMOS CUADRADOS 8:69. (c) Comparar los valores de y obtenidos de esta ecuación con los valores reales.74. y : t 8. utilizando a y como la variable independiente. o + bx r a 0 1 2 ó A 5 t) ¿x?alos datos de Ia Tabla 8-3¡t. t.6 9.(c)Estimardcuandou:45mi/hy80mi/h. Alustar una parábola de mínimog cuadrados.

7 7 a(r-¿l+b(u-úl o.7t.68 (a) dircctamente. ballar las ecuaciones de la recta de regresión de (o) y sobre x. (c) Estimar la pre- sión sanguínea de una mujer de 45 años. Multiplicar todos los valores de y por 3 y restarles 15. sr:2.50. Hallar (o) sy ".88.= E.68.90.68(b) v (c ).68. Calcular (o) sv. ¿Hay al' t.81 u 8.74.r.cAP. REGRESION Y CORRELACION 301 8. (b) Multiplicar todos los valores de ¡ por 2 y sumarles 6. .8?.68. (o) Calcular el coeficiente de correlación entre los valores correspondientes de r.38 lación entre muestra las edades r y la presión sanguínea y d. E.! . Tabla 8-39 x a 2 4 5 6 811 18t210875 . (b) la va¡iación no explicada datos del Problema 8. 8. (ó) Determinar la recta de regtesión de mínimos cuadradoe de y sobre r.86.¡. y.75 para solucionar el Problema 8.68 utilizando la fórtnula producto-momento y comparar con el resultado del Problema 8. (o) Hallar elcoef¡cientede correlación entre E. y dados en la Tabla 8-39. (b) Problema 8.76. y obtener exptesiones para los coeficientes de regresión de mfnimos cuadradoe el resultado del hoblema 8. 8. Hallar el coeficiente de correlación entre los dos nuevos conjuntos de valores. en E.y para los datos del Problema 8. (b) utilizando la fórmula s¡s = rs¡sÍ y el resultado del Problema 8.80 para hallar el coeficiente de correlación entre los dos conjuntos de calificaciones de los exámenes del Problema 8.82. Si el coeficiente de correlación entre. 8. Calcular (a) la variación total en y. ú=20.81.76. 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.Sis"=1.EO. (b) sr.60.85. los dos conjuntos de calificaciones de los exámenes del Problema 8. 8.= 3y ss : 5. halla¡ r.i=10. Demostrer que la ecuación para regresión lineal de z sobre r. yesr:0. explicar por qué se obüiene o no el mismo resultado que en la parte (a). Hallar los coeficientesde correlación para los datos del (o) Problema 8. " para los datos en el Problema 8. Tabla 8.3E 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. y puede escribirse como z-2.64.Br * Ca I Dr2 * Ery * Fyz Obtener las ecuaciones normales para los eoeficientes de regresión de mínimos cuadrados. Hallar la covarianza para los datos del Problema 8. y.. ¿qué porcenüaje de la varfación total pennanece no explicada por la ecuación de regresión? 8. D.eL2 mujeres. 8l CURVA DE AJUSTE. La Tabla 8.00.86. (o) Hallar el coeficiente de corre' r.z . r. Utilizar 8. El 8.89. (b) r sobre y. Si sv. (c) la variación explicada en y para los 8.67.79. y es 0. coeficiente de correlaciónentredos variables¡. (b) $.8f . (b) Obtener eI coeficiente de correlación directamente de las pendientes de las rectas de regresíón del Problema 8.t3. y tiene la form¿ z = A 1.E4.E2. Utilizar los resultados del Problema 8. ERROR TIPICO DE LA ESTIMA Y COEFICIENTE DE CORRELACION LTNEAL E.60.

y\.99. el coeficiente de correlación gradual para loa datos del (a) Problema 8.rOO.99.92. (b) X cobre Y para Ios datos del hoblema 2. t. estudiar una posible deeventaja del método de conelación gradual.lo6' función de densidad conjunta (o función de probabilidad conjuñta) f(x. D.99.302 CURVA DE AJUSTE. ¿Ocurren algunae simplificaciones en la¡ curvas de regresión Ce Y sobre X ó X sobre Y para el caso de varia- .97. Il¡llar t. ble¡ aleatoriac independientes? Explicar.(D)larvariacionee explicaday no erplicada.paraelca¡odeunaauperficiederegresiónlinealparazsobrer.84.gus observaciones en (o). t.94. (o) Calcular el coeficiente de conelación múltiple pars los datos del hoblema 8. Hallar el error típico de la estima de z ¡obre ¡. H¿ll¡rlacurvaderegreeiónde(a)YsobreX.s.y. (b) X eobre y.68 v (b) Problema 8. t. E. REGRESION Y CORRELACION [cAP. Obtener el coeficiente de correlación lineal para el hoblema 8. Halla¡ la recüa de regesión de mínimoe cuadrados de (a) Y sobre X.96gina 52. lo¡ resultados se mueshan en la Tabla 8140. La función de den¡idad conjunta de las variables aleatorias X. COBRELACION GRADUAL E. página t. I COEFICIENTE DE CORBELACION GENEBALIZADO E'91. t. t.90. Doa juecec en una competencia debían clasifica¡ a 8 candidato¿ A.página 263.8. t. G. Da¡ un ejemplo para demostrarcómo hallaría (a) el error típico de leestima. Hallar el coeficiente 264. Mostra¡ cómo se puede diseñar un coeficiente de correlación múltiple.(b)XaobreYparalosdatosdelhoblema2.74. (b) De. Halla¡ el coeficiente de conelación gradual y decidir eobre el acuerdo de loe jueces en su8 eleccioneg. y para lo¡ daüo¡ del Problema 8. B.5g ufilizando el resultado (35).lOS. tls[a¡ la recta de régresión de mínimos cuadrados de (a) Y robre X.¡ 8. Tabl. en el ca¡o de do¡ variablee aleatorias X. (c) el coeficiente de conelación generalizado.8.4O 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. t.102. H de acuerdo con sus preferencias. C.págirra52. de conelación para las variabie¡ en el hoblem" g. INTERPBETACION PROBABILTSTICA DE LA REGRESION Y LA CORRELACION E. Hallar el coeficiente de conel¡ción lineal para la¡ variableg aleatoria¡ del Problema 2.96.106.lol.93.104.96. Y con E. Y viene dada por f(r.98. variación toüal es erplicada por la ruperficie de regreeión? (b) ¿Quéporcenüajedela Demostra¡elresultado (27). (D) X eobre Y para el hoblema 8. 8.74. página 52.a) = [2r+3a Io o(c(L'o<Y<2 de otra form¡ Ilalla¡ la curva de regresión de (a) Y sobre X. 8. F. (o) Hallar el coef¡ciente de correlabión gradual para los datos del Problema 8.

40.01. y'es eI mismo que el entre.60.11?.118. y).121.211Ú 8. Demostrar que el cóeficiente de correlación - g.123.(b)99%paralamedia'detodoslosvaloresde y correspondientesa¡ = 6. es (o) tan bajo como 8.01.114.00. Sobre la base de una muestra de tamaño 27 se encontró que la ecuación de regresión de y sobre r era t = 25. página 260. 8. 8.84.(b\99% pra el coeficiente de regresión. E. ¿Podemos concluir a un nivel de significación del (o) 0. 8l CURVA DE AJUSTE. Si sr. (b) 0.I22.c2 soll constantes arbitrarias.05.95 respectivamente.30.114 si el tamaño de Ia muestra es 52. Las rectas de regresión muestrales de mínimos cuadrados para un conjunto de datos involucrando X. Hallar los límites de confianza del (a) 957o.S4. En el Problema 8.tu] tan-'L rfti + si) -l E.cAP. 8. a un nivel de significación del 0. Demostrar que el ángulo entre dos rectas de regresión muestrales de mínimos cuadrados viene dado por . (c) la media de lae presioñes sanguíneas de las mujeres de 45 años.109.50.60 de una muestra de tamaño 28.?0. Yvie' nen dadas por 2:r .00. Hallar los límites de confianza d.\ es independiente de Ia elección del origen de las variables o de Ias unidades en que se expresan. para la recta de mlnimos cuadrados. ¿Podemos concluir a un nivel del (o) 0. demuestre que el coeficiente de correlación entre r'.108. 8. 5r .05. donde r¡¡ !/6¡ cl¡.10? ensayar la hipótesis de que el coeficiente de regresión poblacional 1.el(o)95%.l19. . (Sugerencia: Suponga quer' = noi c1r. Hallar el coeficiente de correlación lineal. Un coeficiente de correlación basado sobre una muestra de tamaño 35 se calculó como 0.112.f-(1 -r2)s.50' ¿Podemosre' chazar la hipótesis de que eI coeficiente de correlación poblacional es (o) tan pequeño como p : 0. TEORIA MUESTRAL DE LA CORRELACION 8.110.113.* : 8.8. 8. Verificar los coeficientes (5). 8. En el Problema 8. (b) 0.01.20.hallarloslímitesdeconfianzadel 9fleparafo)elcoeficientederegresiónde y sobre r.ypuedeexpresarsecomo il2 -:. Solucionar el Problema 8. ConreferenciaalProblema8.10? hallar los lÍmites de confianza del (o) 957o.70.el 95% para el coeficiente de correlación calculado en el hoblema 8.!l = 2.80 y 0.(b\ 99% para y cuando ¡ : 6.d'. (b) tan alto como 2.116. 8." = 1. que hay una diferencia significativa en' tre los dos coeficientes? RESULTADOS DryERSOS 8.(b)997oparu un coeficiente de correlación que se calculócomo 0. REGRESION Y CORRELACION 303 TEORIA MUESTRAL DE LA REGRESTON 8.111. EnelProblemaS.10?. (b) ta presión sanguínea de las mujeres de 45 años. Un coeficiente de correlación basado sobre una muestra de tamaño 27 se calculó como 0.115.tes t?.5a = 3. utilizando un nivel de significación del 0'05? 8.00 y ñ = 7.sx = 3. Demostrarqueelcoeficientedecorrelaciónentre¡. . A' = llo * c2y.00 ¡. que el correspondiente coeficiente de correlación poblacional es considerablemente mayor que cero? E.l0?hallarloslímitesdeconfianza d. Dos coeficientes de correlación obtenidos de muestras de tamaños 23 y 28 se calcula¡on como 0. DemostrarqueparaelcasoderegresiónlinealelvalormÍnimodeE'{[]'-(o*¡lX)lz. (b) tan grande como p : 0.1 "l$- c2) 20.0 + 2. hallar los límites de confianza del (c) 95%.

3 I 10.304 CURVA DE AJUSTE.5 por mayor 103. Hallar los límites de confianza del 96% pára el coeficiente de correlación calculado en el hoblema 8.l2S. 8. (d) Predecir el Índice de precio para la asistencia médic¿ durante 1958 y compararlo con el valor verdadero (L44.6 I 10.r.8 111.8 8.4 I14.126. 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. (ó) Hallar la recta de mínimos cuadrados que se ajusta a los datos y construir su gráfica. (o)HallarlarectaderegrecióndemínimoscuadradosdeysobrerparalosdatosdelProblemaS. REGRESION Y CORRELACION [cAP.4).130.L25. 19 5 o (t) e. 210-225 I . 8. 8ü 8É ¿Es el resultado válido para regresión no lineal? 8. Hallar (o) s".6 L19. Ilalla¡ el coeficiente de correlación entre las estaturas y pesos de 300 adultos dados en la tabla de frecuencias siguiente.L24.127. 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 . Tabla 8. (b) Br.5 r14.8 111.y para loa daios del hoblema 8.r (pulgadas) 59-62 63-66 1 67-70 71-74 75-78 9L109 110-129 !e 2 n 8 2 ! p ql 130-149 150-169 170-189 190-209 o 15 L2 4 22 63 28 10 I 1 h tt) .2 Fuente: Bureau of Labor Statistics 8.41 ESTATURAS . (e) ¿En qué año podemos esperar que el índice de costos médicos doble el del 194?1949.2 t23.7 114.2 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 101.8 102. El período base es de L94? 1949 : 100.1 25. - Tabla 8-42 Año Indice de precios al consumidor Indice de precios al 99.125.0 113.128.129. (c) Calcular los valores de tendencia y compararlos con los valores reales. E.1 114.5 116.8 114.3 1r 7.2 r20. Con referencia a la Tabla 8-43: (o) Representar gráficamente los datos.1 t 10. Demostrar que para regresión lineal 4 = +. 8.(ó)Estimar los pesos de doe hombres cuyas estaturas son 64 y ?2 pulgadas respectivamente. f¡¡ 32 20 t2 q .

Demostrar el Teorema 8-2. página 265.8l CURVA DE AJUSTE. REGRESION Y CORRELACION 305 8.¿(r) es cualquier función de r para el cual estas esperanzas existen.134. Demostrar que si 9(r) = E(Y \ X = c) entonces EUY - É(x)1'!) = E{LI'- o(xl¡z¡ + Ells(x) - q(x)l.cAP.132). Education 8.6 23. Tabla 8-44 Año Natalidad por cada 1000 habitantes 1915 1920 7925 25. 8.página265. Demostrar el Teorema 8-1. Y variables a|s3fs¡i¡s con función de densidad conjunta (o función de probabilidad) f(x. E. (a) Representar gráficamente los datos. (c) Calcular los valores de tendencia y compararlos con los valores reales.¿) donde .133. ¿es g(r) única? Explicar.0 1030 18.6 Fuentet Department of Health.l35. . Sean X.9 Welfaie 19.9 17.9 ¿ind 1935 1940 1945 1950 1955 24. Con referencia a la Tbbla 8-44.3 16.7 21. y). (Sugerencia.132.132 para variaciones explicadas y no explicadas. En el Teorema 8-1. del Problema 8. Estudiar la relación. (d) Explicar por qué la ecuación en (b) no es útil para propósitos de extrapolación.131.5 23. si Ia hay. (b) Hallar la parábola de mÍnimos cuadrados que se ajuste a Ios datos.136.' Utilizar el Problema 8. 8. 8.

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

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

.T L¡r Los A. puedentomarsecomo variables aleatorias independientes (relativas ai y h).r--Lr}. entonces tenemos de = '"+. . . . Sin embargo. La hipótesis nula de que todas las medias de tratamiento son iguales viene dada por (Ifo: ot= 0. .El6 escierta..? (23) .y u de acuerdo con las definiciones (8).7o "b .o1o en forma equivalente por (I1o: Fi= pi i =t. 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. b) puede expresarse como la (14\ X.Efo es cierta o no. distribuidas normalmentp con media cero y varianza o2.. si .. ai k : l. VALORES ESPERADOS DE LAS VARIACIONES La variación entre tratamientos V6 . (7\ y (3). Cada una de las X¡n suma de su valor esperado y un término de "error": (h: L. de (I6) V (/8) vemos que sólo si. y la variación total V son va¡iables aleatorias que respectivamente toman los valores t)b..19) ' De (17) se deduce que E(Vt) = (a-l-)o2 + b> E(V. .2. Íjb respectivamente. 2.E[6 no es cierta.. i=1. X. . . De otra parte. Si. .l)o2 E(V'.308 x¡1 ANALI$S DE VARIANZA [cAP. mutuamente independientes con medias pi y varianza común l.) = a(b .) : (ab-l)o2 + "1 (16) (17) b> a? (r8) (. Esto equivale a suponer que las X* (i : L.19) de modo que (20) es siempre la mejor estima (insesgada) de I independiente de si..*= p*a.. Podemos demostrar que (véase Problema 9. que por suposición son normáles. Por tanto solamente hay una población de tratamiento y todos los tratamientos son estad ísticamente idénticos.18).a-l ¿'(Si) v ab-L (I6) (22) proveerá estimas insesgadas de o2. b) son va¡iables normales.9).. la variación dentro de tratamientos V.2. tienen una media común como también una varianza común. =O (15). _ o?r. Definamos la constante ¡r por tL 1s. .É[s es cierta tendremos ^/ I¡u E\fr)\ = J de modo que solamente en ese caso n(ffi)= a Qr- (21) Qz. Entonces (I4) puede escribirse como (véase Problema 9.n = F.¡.ta¡¡ donde P". e ...2.2. x¡2. t). las poblaciones de tratamiento.

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

tt ) denota la suma sobre k desde t hastan¡ y luegosobreidesde thasta ú.k donde .i')2 = 5'. pero lógicamente podríamos simplemente referirnos a ellos como factor 1.1. factor 2. etn. . es la suma de todos los valores en el tratamiento j y > es la suma desde j : t hasta c.. . La tabla de análisis de varianza para este caso viene dada en la Tabla 9-3. número tot¿I de observaciones en todos los tratamientos."t"t '.l)u : i'k s 2 j.. con una variedad diferente de trigo cultivado en cada parcela dent¡o de un bloque. fl= -2t (25) @6) 1. EJEMPLO 9-2. En el caso de que los tratamientos 1. a tengan números diferentes de observaciones iguales los resultados anteriores se modifican fácilmente. Por üanto se necesita¡án 5 bloques. . etc.-i. 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.r)2 (r¡x (24) : 1 .. fto respectivamente.'j* -1i tL f..)2 con c-1..: *)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. . ' es la suma de todas las obsen aciones..310 ANALISIS DE VARIANZA lcAP.). En este caso hay dos clasificaciones o factores. e MODIFICACIONES PARA NUMEROS DESIGUALES DE OBSERVACIONES ? ftt. 'ú ='vt.2 con frecuencia nos referimos a las dos clasificacioneJ o factores en un experimento como tratamientos y bloques. Dentro de tratam n -c grados de libertad Total. por ejemplo 4 parcelas en un bloque. Es conveniente en tal caso combinar las parcelas en bloques.+'l)rt = ) 1rr. .. donde cada va¡iedad se cultiva en 5 parcelas diferentes. Luego se necesita un total de (4) (5) : ZO parcelas. . ?r. .i)' ) n¡@¡. Tabla 9-3 Entre tratamientos. . . o¡ = ) n¡@'¡. Por tanto obtene- mos s . Por analogía con el experimento agrícola del Ejemplo 9.. . . Ilustramos el procedimiento para clasificación doble o experimentos de doe factores. Supóngase que un experimento agrícola consiste en examinar los rendimienüos por acre de 4 variedades diferentes de trigo. .* (d'.

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

t es la gran media poblacional.r es la parte de X¡e debida aJ.s) (++l Los teoremas siguientes son semejantes a los Teoremas 9-1 Teorema y g-2... serán estimas insesgadas de o2 .. sin te- . Bajo suposiciones apropiadas de las medias de X¡¡ te- nemos )'. H32' 0. = 0..o cuyos valores son los r¡r pueden expresarse como X* = ¡tla. 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. /"t tiene la distribución chi-cuadrado con (a ner en cuenta a H[rt' or H[. o¡ es la parte de X¡n debida a los dierentes tratamientos (algunas veces denominados efectos de tratamientos). de(37) y (38) respectivamente E(s:) E'(S:) = d+¿!-. = ¿-1.2). entonces Qz_ D." nosonciertas.2"i = "' + #> Pí U. pe es la parte de Xi¡ debida a los diferentes bloques (algunas veces denominados efectos de bloque) y a.¿-1' 6':D.la mejor estima (insesgada) de o2 viene dada por es 3: : ---J:^'" . . si la hipótesis I1[."& H[2)son ciertas.aleatorias independientes normalmente distribuidas con media cero y varianza a2. 8133¡ = o' v (41) También.): (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.. decir.+Bk+Ajk Aquí (35) ¡. i = L. . 9-1: V. k = 7.3L2 ANALISIS DE VARIANZA lcAP. Ht".azar o enor..*t uo lk podemos demostrar que (37).a es decir ll. Todas las medias de tratamientos (filas) son iguales. de modo que las X¡e son también variables aleatorias independientes normalmente distribuidas con varianza o2 . - 1) (b - 1) grados de libertad. Si ¡1á') v' A" DZ -= v" .tenemos. Como antes podemos tomar los ajkcomo variables-.. Todas las medias de bloques (columnas) son iguales. sin tener en cuenta a H[t\6 .b decir oj : Vemos de (39) que. : o )É*: o (36) de donde ..= eb-l (t z¡ y H. . Correspondiendo = 1)E(X.(a-lxb-. .

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

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

9-1 por cuadrados. Il[r) no puede rechazarse. Por esta razón muchos estadísticos recomiendan que se ensayen I/é'. 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 es oj = 0 I{2): Todas las medias de bloque (columna) son iguales.F' de 3?/S3 de la Tabla 9. indicados por . En este caso podemos concluir que las interacciones no son muy g¡ánAes. Pa¡a üseña¡ tal experimento podríamos dividir el teneno en 4 X 4 = L6 parcelas (indicadas en la Fig. En lo que sigue damos algunos ejemplos importantes de diseño de experimentos.F de 33/0? V GfBi en cambio de esas dadas en la Tabla 9-6.r A B c A C B A c C" Dr Au B6 Cuadrado Compleüa aleatoliedad Bloquee aleato¡ios Cuadrado latino Fis. En este caso podemos concluir que las interacciones son considerabtemente grandes. para ganar tanta información como sea posible. página 306. Las diferencias en los factores serían impgrtantes solamente si fueran grandes comparadas con tales interacciones.6. DISEÑO E)GERIMENTAL Las técnicas de análisis de varianza discutidas anterionnente se emplean despuós de que se han obtenido los resultados de un experimento. Luego podemos ensay4r H. a cuatro bloques escogidos completamente al aza¡.cAP. El propósito de la aleatoriedad es la de eliminar varias fuentes de enor tal como fertilidad del suelo.9-l Fig.j'z) utilizando las relaciones . El procedimiento se ilustra en el Problema 9-tr3.9-l . Caso I. Esto se denomina a veces como diseíw del experimento. C.o) y-H<2. aunque físicamente cualquier forma puede utilizarse) y asignar cada tratamiento. Supóngase que tenemos un experimento agrícola como en el Ejemplo 9. B. y l/.1. Completa aleatoriedad. D.1) (b . Il[3) puede rechazarse.1). esto es l3*= 0 I{:}): No hay interacciones entre tratamientos y bloques.l) + ab(c .4. y utilizando este valor para remplazar el denominador 3! en el ensayo F. utilizando hs íelaciones F de G?liZ v 3:63 reópectivamente como se muestra enlaTabla9-6. 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.9-3 grecoJatino Fig. 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 . Esto produce una tabla factor dos con valores singulares.los detalles de un experimento deben planearse cuidadosamente con anterioridad. Dos casos poóibles se presentan. 1. que pueden analiza¡se como en la Tabla 9-5.2 Fig. el Las relaciones tr'en la nulas ANALISIS DE VARIANZA 31ó las hipóteeis ütima columna de la Tabla 9-6 pueden utiliza¡se para ensayar I/[t): Todas las medias de tratamiento (fila) son iguales. Caso II. 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. Utilizaremos este procedimiento alterno. Sin embargo. etc. (a . 9.

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

Hallar (c) el rendimiento medio para los diferentes tratamientos.18 49 48 50 49 51 50 .t) = )(¡. (c) la va¡iación total.3.ijk+ñ2\ = i. B.k )(rji-zx.4. : abñ.k . )1rc = ))*r* r = abt 9. Utilizar el método largo. riedad de trigo cultivado en un tipo particular de suelo tratado con químicos A.2x)r¡¡ I i.It - 1'b' Tabla 9-? 9.k 2r@br\ aü*: )"'n = j.k = )rr¡..2(b) en el tercer renglón y el Problema 9. )r¡.. .zr>ti. + abú2 i. (d) la variación entre tratamientos y (e) la va¡iación dentro de tratamientos. el ANALISIS DE VARIANZA 317 g. Verificarque(o) (d) r: úbÍt(b)..utilízandolanotaciónenlapágina307.2(o) en el tercero y último renglones anteriores.k abúz )"i = j.'*\ u u. (b) (c) Puesto que 7j. Verificar las fórmulas cortas (10)-(12).].(c) ?'. Tenemos página 307.oi-ziri+ñ2) utilizando el Problema 9.18 49 50 47 19 . i'k f¡*" . La Tabla 9-7 muestra los rendimientos en hl/ha de una cierta va- A B C . (b) la gran media para todos los tratamientos.) r:r tenemos K por Ia parte (c). -'#(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.=brj.2(o) en el último renglón.j=lk=l 'i ) )'¿r.r-r): i.k . Análogamente = )(¿. o C.¡.2.D6 I ab¡z s-? -4 ab =.-¿)t )¿i = i.r b bI 1.-!+abEz -* í.u ó un -.k / r'\2 rl rS/rl-zrJ. . = 't)61't).cAP.

= !4(B+4+ 5+4. de todos los datos sin afectar los valoree de las variaciones.¡.g)r + (4.4¡:: * (3 .u = 14-8 = 6 (cl. = ) @¡¡-E¡.26.)2 t. de significación del (c) 0. = b)) (é) Variacióndentrodetratamientos Otro método.96podemos techazar la hipóüesis nula de medias iguales al nivel 0.4)! + (3 . [cAP.05. C (b) (c) .¿): + (4 -4):¿ + (6-4)2 + (5.@ir-E)2 = (3-4)r + (4-4)x + (6-¿)¿ + (4.yemosqueF. Tabla 9-E e (a) por Las medias de tratamiento (fila) para la Tabla 9-8 vienen dados respectivamente rr. (b) 0. Por tanto los rendimientos medios. = lae+A+3*B) = 5 3. 48 y 50 hl/ha para A..:l = = r'.01? Tenemos con-o Con referencia al hoblema 9. obtenidog al sumar 45 a éstos. =. por ejemplo 45.4): + (5-4¡: =14 ((l ) Variaciónentretratamientos = tr. 4l(4 .4)2 + (2 .05.5.4. 1 = 4. 3 0. -¿). . i.Tabla 9-8.f B+4+6+b+b¡ = Así la gran media para el conjunto original de datos es 45 * 4 : 49 hl/ha.4)'.¿.41-B.k = (3.4)2 + (5 -. hallar una estima insesgada de la varianza poblacional oz de (c) la variación entre tratamientos bajo la hipótesis nula de igual medias de hatamiento.4)2 + (4- + (2 -3)2 + (4-3)2 + (:J-U + (5-4¡r + (4-4): 3)2 + (3 . (a) (b) ? 3 9.: i(4+6+5*5) = respectivamente. (b) la variación dentro de tratamientos. Con referencia al Problema 9. eon 49. (o) ConreferenciaalApéndiceF.¡.. Entonces obtenemoe los datos de la. = o.4.1): 3(4-1) : I grados delibertad.95:4.6. = i(B+4-f b+4+2t. ¿podemos rechazar la hipótesis nula de medias iguales al nivel - 1 : F=$=h = 3 6 - L : 2ya(b . ¡r.318 ANALrsrs DE vARTANZA Para simplificar la aritmética podemos restar algún número apropiado.Puesüoque^F :6)F.4)2 + (4-4): + (3 .conut:2yu2:9. B.5)r + (d--5)! -l (5-5)r + (5-5)r 412 9. Variacióntotal 4 =.

. = 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. (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"?--# : .vemoaqueF. . = 3+4+6*4 = 16 tz.cAP.6 ¡e muestran en la Tabla 9-9.02.Pue8toqucF=6(F. el ANALIS$ DE VARIANZA 319 (b) ConreferenciaalApéndiceF.4-9.O1..=2+4+3*3:12 rt.9no podemos techazar la hipótesir nula de medias iguales al nivel 0.n) = : 2oo 6 _ tg2 = E (c) D-Qb:14-8 . I¿ tabla de aDáli¡is de va¡ianza para loe hoblemss 9.2/3 n con 2.4 ba'i ab 1 i062+t22+202) 0w: (^8\: te.4.a&-6 .conur:2!uz:9.06-S8t = (b) Los totdes de las filas ¡on 206-rsz = 14 También rl.= Dentro de t¡ata 0w=0-0b a -63 ^' .6:8.?. Tabla 9-9 Gg=f.9 o(b-1)=(3)(3)=9 gradoe de =14-8=6 libertad 9.

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

i = Gran 8 media = 84 1t En esta tabla hemos indicado los totales de fila.. el Formamosla Tabla 9-13.2lIl I ab-I=24 I W = tz...108 406 408 un número apropiado. 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 (5X4) t: Pata 4. Por tanto no podemos rechazar la hipótesis nula a un nivel 0. .1456 =ZO I | =.fti'k ¿rr.01.18-512: rl¡--5rr . Tabla 9-13 Entre tratamientos.ru r También podémos obtener 72 -- 36 .u¡. Tabla 9-15 Total Muestra 1 Media 9 7trI 4 27 8 5 2 Muestra 2 Muestra 3 6 25 32 5 10868 .(10 8r: I í8 __ 8)r -i rG 8): -1. (b) 0. MODIFICACIONES PARA NUMEROS DESIGUALES DE OBSERVACIONES 9.)rr¡(.(8 _ 8l: - .l-5rr -.ss: 2. Entonces tenemos .1 .-i. las medias de grupo o muestrales y la gran media.¡r . directamente observando que es igual a (7--9):r-(11.9. Es conveniente restar Tabla 9-14 Muestra 1 .01 si hay una diferencia en los tres tipos. ". por ejemplg 400. lógicamente tampoco la podemos rechazar al'nivel 0.102 410 .)(r.u-1) = 5(4) rA = I l "u ?'. 7):+(11 -?)2+.-¡.r..)! ¿'. y obtener la Tabla 9-15.-+(8-7)z = 5): 72 -= J'K )(t.r (2 5):r -l. u.f)r!-i tÍf -f)): r t. . ?t¡ = 655 tratamientos..-i)z -3(9 ' - 7\2 36 ! 5(7 + 4(8 -- 7)! = 36 . Utilizando el método largo.(i -5r2 . ANALISIS DE VARIANZA 321.05. ensayar al nivel de significación del (c) 0.cAP.^.87 .t0i Muestra 2 Muestra 3 11 409 401 406 408 405 .".05.. 20 grados de libertad tenemos F .

11. I 5. so:. La Tabla 9-17 muestra los rendimientos por acre de cuatro go.:25. ¡=84 = + iL2 + .6 7. (b) hay una diferencia significativa en rendimiento por acre debido a las cosechas.99 : 8.4 uru so'- 18 = 36 G1=?9=4 = 4. n=12.5 Enüonces para 2 y 9 grados de übertad hallamos del Apéndice F que F. ensayar al nivel de significación de 0.10. 12. 9.9.9 6.26. F. como se indica en la Tabla 9-18. Por tanto ! = n2=5. 72 t1.7 45 8.. = = 36 (27)2. Tabla 9-16 [cAP.02.01.8 9. rg.2 Calculamos los totales de fila y medias de fila. 12t nB=4. las medias de columna y la gran media. Utilizando el método lartivadas en Cosecha I Fertilizante A Fertilizante B Fertilizante C u Cosecha III Cosecha IV 6. Soluciona¡ eI Problema 9.2 7.0 5. Rt=3.05 pero no al nivel 0. CLASIFICACION DOBLE O EXPERIMENTOS DE DOS FACTORES 9. . + 62 +8r-Q|2 = 72 a6 = ?t-. Tabla 9-1? Cosecha cosechas de plantas diferentes culparcelas tratadas con tres tipos diferentes de fertilizantes.96 : 4..(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 9.2 ñ"¡'.(25)2.=27.4 7. como también los totales de columna.322 ANALISIS DE VARIANZA f. Tabla 9-16. Por tanto podemos rechaza¡ la hipótesis de medias iguales (esto es. e Variación Grados de libertad Media de cuadrados F D¡=36 a-7=2 n-a=9 io. (25) V Q6l.os datos pueden resumirse en la tabla de análisis de varianza.8 o.01 si (a) hay una diferencia significativa en rendimiento por acre debida a los fertilizantes. De la Tabla 9-15.?. ninguna diferencia en los tres tipos de tubos) al nivel 0.9 utilizando las fórmulas cortas incluidas en (24).=32. = 19= 1g 5.8 6.-.

8)2 + (5.9 columna Medias de 19.5 6.6.6.r.6 ¡'=0"2/i3=0.6. .8)2 + (?. 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.2 8. Tabla 9-19 6.3 Gran media 6.6 7.4¡z a (6.8 Media de fila 6.8)2 -1 (9.zt gl: 2.2 2t.8¡r+ (7.8)2 = 23.14.4 7. Fq.9 68 5.cAP.2 Fertilizante A Fertilizante B Fertiüzante C Totales de 4.3-6.8)z] = 2.6 oi = t.7 8. : Esto conduce al análisis de varianza en la Thbla 9-19.6.yaque 6.6 5.ocz Al nivel de significación de 0.32 U: Va¡iación total (4. .24> 5.8)2 + (6.5 6.6.14.6 grados de libertad.2 6.7 5.8)2 + (6.05 hay una diferencia significaüiva en el rendimienüo debida a los fstilizantes.8 : Variación de medias de fila con respecto a la gran media = 4U6.podemos rechazar la hipótesis de que las medias de fila son iguales y concluir que al nivel 0.2 -6.8)2 + (8.4-6.0 7. Entonces. el ANALISIS DE VARIANZA Tabla 9-18 Cosecha 323 I Cosecha II Cosecha III losecha IV Totales de fila 24.9 .2-6.9 -6.:5.8)2 + (8.8 -6.7 -6.6 .6.5 -6.8)2 + (5.4¡z * (7. 64 7.2 .0 Gran total 22.8 7.8)21 = 13.S¡z a (7.8)2 + (5.r.6 columna u.3 5.8)2 + (6.5 18.5-6.8)2 + (5.05 con 2.3 .9 = = 81.0 .08 ue : Variación aleatoria = Lt .6.8 9.8 .2 23. (7.68 u" : Variación de medias de columna con respecto a la gran media = 3[(6.86 gl: 3.8 .58 F =G?/C?: a.S12 -'.7-6.0-6.0 33.4-6.

324 ANALISIS DE VARIANZA las fórmulas cortas para obtener los resultados del Problema 9. Los resultados se indican en la Tabla 9-20. Un productor desea determinar la efectividad de cuatro tipos de máquinas A.2)2 ¡ + (33.2+23.6 = (4.96 S-z Sro (24. 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.96 bj'j.82 = 6. : lcAP. 554. (b) una diferencia en los turnos.2)2 81.88 2.(23.ut - bb4. D en la producción de tornillos. En esta tabla se indican los dos factores principales. móquina y lurno. + 24.10 Entonces s-2 j* tt'r^ 12 ab = vr 1s-r-t' 577.9)2 = 1673.n¡z (5. Los días de la semana se pueden considerar conro réplicas o repeticiones del rendimiento de cada máquina para los dos turnos. .k )"i T a .88 = = 18.8+33.5)2 + (18.08 = uc Lnezln. e 9.2)2 (27-O'¡z r.11.05 si hay (c) una diferencia en las máquinas.82 11 = = 23.68 .. B.08 de acuerdo con el Problema 9.6)¿ = 2274. - 13. 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 9-21.58 EXPERTMENTOS DE DOS FACTORES CON REPETICION 9.88 ab = 23.G8 = *>t-"ti = |trozs.S¡z a (6.11.. Efectuar un análisis de varianza para ensayar al nivel de significación del 0.24 ¡ (22.13.2.2¡z (19.6 : 577.zu 'üc bb4.t2.rol rt . Nótese que para cada máquina se han indicado dos turnos. Utlizar Tenemos de la Tabla 9-18 i. C.

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 [.?_1?e5.S .)' + qq -ld.0 'tt" = --ñ. viene dada por -. (44)2.6-51. _124)2.1 Si reetamos de la variación subtotal u.6 rov = 8. 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 - 1?9b. (32)2.4 Para considera¡ los dos factores principales.6 La variación enhe filas üene dada por (zee¡z 40 a' = (54)2 (85)2t' (6. Esta viene dada por * u" ) obtenemos la 0i = 0"-D¡.0-8. (31)2.5 . ZO - (126\2.2 . Estos se ordenan en la Tabla 9-22. + 72 +L02-W = 1946- 1?95. (119)r_eqq\2 ? 40 - _ 180s. (38)2 ""--6-5 . la suma de las variaciones entre filas y columnas (u.. concentremos nuestra atención al üotal de los valores de repetición correspondiente a cada combinación de factores.¡2912.1 = 6.3.S .. que es una tabla de dos factores con valores simples.-.cAP.6 : 66. (30)2.4 variación total para la Tabla g-22. móquino y turno.ro ro 10 La va¡iación entre columnas viene dada por (zgq)' 40 = 1846.(41)2..6 = 51.b --5 . que llamaremos variación subtotal u".5 = 1861.6 = 1b0.b . variación debida alasinteroccion¿s entre las filas y columnas.1795.0c = 65.

06 no hay diferencia iignificativa entre turnos. 0' = 51'0 i? = tt. Siguiendo lae reglas de la página 315.: 4. Aef. vemos que F para las fila¡ e¿ 6.tr ¿" que lar fila¡ tienen ¡¡sdi¡¡ igualee. Para l.:6. Po¡ tanto el total de gtadoe de libertad es 8 I : 7. se halla reetando la suma de variaciones füa. Por tanüo los grados de libertad debidos a l¡ va¡iación residual o aleatoria ee 39 7 : 32. ce debe a interacción. B2 grados de libertad podemos rechazar la hipóüesis ll.06.326 ANALISIS DE VARIANZA lcAP.Ya que hay 40 valores en la üabla original 9-2i el total de gradoe de libertad es 40 1 = 39.8 : 91. lo cual indica que la interacción no ee significante. I¡iabla también da el número de grados de Tabla 9-23 Filas (mÁquinas).8 1 grado de liberüad. 7 (3 + 1): 3. De la Tabla 9-23 vemos que pa¡a interacción F : 0. filas y columnas de la Tabla 9-22). u¡ = 6.6 + 84.F nl: 2. e Finalmente la variación reaidual. el reeto. D" = 84'8 Total. 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). u= 150.61. 0c = 8'1 Interacción.o Columnas (turnos). podemos rechaza¡ |a hipótesis flllr ¿" la pógina 315.65 para el denominador de F en la Tbbla 9-23 no afectan las conclusiones alcanzadas anteriormente. Eeto resulta en a" = Q-(or*o"*o¡l = 7). que conduce a unava¡ianzacombinadade gL. Para hallar loe grados de übertad debidos a la interacción obeervamoe que hay 8 valores en la Tabla 9-22.6 : 84. Esto es equivalente a decir que al nivel 0.3 y 3 + 32: 36 respectivamenüe. Si decidimos analizar los resultados combinando las variaciones residual e interacción como lo recomiendan algunos estadísticos. Tabla 9-23. Puesto que 3 de esos 8e deben a filas y 1 a columna¡. Al usar este valor en cambio de 2.4 Para continuar debemos determinar primero si hay alguna inüeracción significaüiva entre los facüores básicos (es decir.16. 32 grados de liberüad Fn.. Puesto que . Entoncee ya que F calcul¡do para lascolumna¡es 8.o" : 150. no podemos techazt la hipóteeio l/[zt ¿" que las columna¡ tengan medias igualee. ya que hay 4 filas en la Tabla g-22La variación debida a l¡s fila¡ tiene 4 . eeto es.4-65. - libertad cottespondientes a cada tipo de variación.90 para B. columna e interacción (ee decir.42. Esto esequivalenüe a decir que al nivel 0. hallamos para la va¡iación combinada y grados de libertad combinados u¡* u.81?. . la va¡iación subtotal) ¿L U variaóiOn tot¿l u.! : Sgradosdelibertad.05 podemos conclui¡ que las-máquinas no son igualmente efectivas.5 G? = zltt Aleatoda o residual.entantoquelavarirrcióndebidaalae 2columnastiene 2-L= Estas va¡iacionee se indican en el análisis de varianza.SfSe:2.

4 .5439.01.l cAP.19 - 5439. También obtenemos el total de rendimientos para cada uno de loe fertilizantes como g€ muestra en la Tabla 9-26. 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. CUADRADOS LATINOS Tabla 9-24 9. concluimos que al nivel 0.94 Variación entre filas . C.Ia variación üotal y las va¡i¡ciones para filas.13 si se utiliza el nivel 0. 29.At-ril.06 : 329.05 y (b) 0. A este nivel aún no hay interacción apreciable.t: 4.26 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. donde los números indican rendimientos en dkl por unidad de área.51 para 1.01 las máquinas no 6on igualmente efectivas.47 para 3.14. Ya que F .25 *9'{ -(fftr = 284.r. Ya que ¡'.lá.75 .. 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. columnas y üratamientos se obtienen común y corrienüe.1)¡ ff +ff + ff -5468.e0 = 7. 4 : 5443. 32 grados oe libertad y puesto que F para filas es 6.25 + ry .15.49.69 16 variaciónenrretratamienros = . podemos concluir que aún al nivel 0.01.06 = 4. = T*ry*ry 5723. B. Para eliminar fuentes de enor debidas a la variabilidad en la fertilidad del suelo emplea los fertilizantes en una distribución de un cuadrado latino como s€ indica en la Tabla 9-24.01 no hay diferencia significativa en los turnos.' + (10¡z * (lT2 -@5Y 16 5769 - 6439.05. Un hacendado desea ensaya¡ los efectos de cuatro fertilizantes A.19 (2eS1z - 5439. D en el rendimiento de trigo.4 -. Hdlamos Va¡iacióntotal : o= (18)? + (21)2 + (25)2+'. de modo que podemos proceder más al.06 : va¡iación entre (77\2 (74\2 (78\2 (71\2 columru lS=?rc= 4 .06 . el ANALISIS DE VARIANZA 327 9. Solucionar el Problema 9.

8? (o) Puesto que F er. Supóngase que los diferentes autos se representan por las filas y los diferentes conduetores por las columnas. Sin embargo.0 : 9.lJtiliza¡ el análisis de varianza para determinar si hay alguna diferencia significativa al nivel 0. 29. 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). D. B. conductores. CUADRADOS GRECO. C. Se deduce que al nivel 0. i I}¡ 9.78.r. Diseñar un experimento utilizando cuatro conductores.19 Columnas. 6. de modo que cada letra apatezca solamente una vez en cada fila y solamente una vez en cada columna. 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. C. 4. 11. autos y caminos podemos emplear un cuadrado grecolotino. concluimos que no hay diferencia en la fertilidad del suelo en las columnas.328 ANALISIS DE VARIANZA El análisis de va¡ianza s€ muestra en la Tabla 9-27. como se indica en la Tabla 9-28. podemos aceptar la hipótesis que no hay diferencia enla fertilidad del suelo en las filas (o las columnas) al nivel de significación del 0..19 Residuales. Tabla 9-28 CONDUCTORES 1234 B. rechazamos al nivel 0. Es de interés determinar si hay alguna diferencia en el kilometraje por galón entre las gasolinas A. debemosconcluirquehay una diferencia entre fertilizantes al nivel 0.05. p. Ya que el valor de. Puesto que se incluye igual número (cuatro) de gasolinas. denotados por o.' I A.¡. e Filas. Asignamos aleatoriamente los cuatro caminos que van a emplearse. cuatro autos y cuatro caminos diferentes.. Tabla 9-2? lcAP. 4. Asignamos las diferentes gasolinas A.76.9 > 4. 284.o :4.05Ia hipótesis de que hay medias de fila iguales. Un aneglo posible es el dado en la Tabla 9-28.01. (b) Ya que Fgo. sujetos a los mismos requisitos impuestos a las letras latinas.16.F para tratamientos es 4?.01. LATTNOS 9. D aleatoriamente a filas y columnas.76.69 Tlatamientos.05 hay diferencia en la fertilidad del suelo de una fila a orra. Así cada conductor tendrá la oportunidad de conducir a lo largo de cada uno de los caminos.17. B. 7. podemos concluir que hay diferencia entre fertilizantes. . Puesto que el valor F para columnas es menor que 1.

(61)2 . (63)2 .00 de modo que la variación debida al e¡ror e¡ 148. el ANALISIS DE VARIANZA 329 Prirpero obtenemos totdes fila y columna como ¡e indica en la Tabla 9-30.4-T 4 . 4 - (70)2 (256\2 16 Q6A)z 16 QAA¡z = 4112. (61)2 4-4-4-4-16 4102.50 La variación total ee (1S¡z * (le¡z + "' + (16)2 + (2s\2 -e66\2 =' 'I | \-vt 16 16.60 Columnas: . E número total de gados de übertad es n2 .6o-40e6 = ?. (62\2 -.cAP. (68)2 4 .50 4244-4096 = 148.60 (A.4 . (52)2 .Ennueetro . -1--4(n-1)=(n-lXn-3). utilizando el método corto. Dl Caminos: (o' P.60 = 6.00 deliberüad.00 - 6-50 - 11r. columnaE. Tabla 9-31. leüras laüinas y letras griegas cada una tienern 1 grados : 4. (81)2 .Portantolosgradosdelibertadparaelerroresn2 caso n f. (59)2 . como eigue: Atotal: 15+16+15+16 = Btotal: 19+18+2I+ 23 = Ototal: . B.60 -4096 = 111.os resultados se mueshan en el análi¡i¡ de varianza.50 - 7. Las filas. 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. Filas: a----l---4 (64)2 .60 I 4096 6. 7. 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 - 4096 = = 16.1 para un cuadrado de n X n. C. ó) Ga¡olinas: (62)2 4267.60 ry*ff+ff+ry-ry 4 (16)'z = 4ros.

= 9.60 Gasolinas. (4.tz = b j=r |Lo rEr' " ' ) = ¿!s? j=1 d. (o) Poi definición tenemos v. Derivar (c) la ecuación (17). El tratamiento medias de la población viene dado por p¡ Por tanto ac = 9.a:9.or.50 Caminos (o' É' 7. Entonces..= .01. 7. de Ia página 308.s : 29.} . página 308].l)oz - . (b) la ecuación (I6).*-i. 6.C. 111.3u*3" = op+\'¡ t=L i=l !:t' = (2p)/a.D). 5u. Se deduce que t=L )¡t* )"t j:r ' donde hemos utilizado la definición p )a.) = bj¿E(Si) utilizando (I6) del Capftulo 5..28 V F.500 :?*33=t.s.-*. Por tanto podemos rqchazar lahipótesisdequelasgasolinasson igualee al nivel 0.so. b 3 (¿'-1"'\ -i---t\ b / = a(b . Demostrar que > oj = 0 [(15). Capítulo 5.".26 Tenemos F. 6). B.-¡b-l ¡ es la varianza muestral para el tratamiento jr como que el tamaño de la muestra es b.r.330 ANATISIS DE VARIANZA Tabla 9-31 lcAP.19. PROBLEMAS DIVERSOS 9.18. J=r - =. donde Sf é define por (15). ya E(v.5.50 2. e Columnas (conductores). = F* e¡.05 pero no al nivel 0.¡z > + ) (x..

üenemos E(val = b>86?) var(i¡.Enloncex. Demostt'ar el Teorema $1. = 84.1 gradoe de libotad. el ANALISIS DE VARIANZA Por 331 (b) definición vt' = a ) 1*r.+auxz l=r t=L ya que (f) (21 (. P¡ra hallar la variación debida a larepeticiónutilizamoslostoüalegdecolumna cn la Thbla 9-21..bgQ7z) Entoncee para cualquier variable aleaüoria U.) (d) (7) E(Xj. En el Problema 9.) / \ // /\/ ' = b>*?. bSJ/o2 tiene drado con b . Por tanto lv(x.01? Si existe alguna variación debida a las repeticionee se incluye en lo que ae llama el ertor re¡idual o aleatorio.cAP.-x¡z t=r aa a o = b>*i-2bx)x. + > al - ob¡P (c--t)62 * b ) a.) = pj = p+ai Utilizando los resultsdos (2>(7).21. en la Tabla 9-23.18. más el reeulüado dd hoblema 9. puesto que las varianza¡ S! bn indep el Teorema 4-4. omitiendo el fndice de la euma.) + a.p6gitn 116. página 158: ( tr) var (5) =r Var(X) = # E(X) = p (i¡..19(o). página 309. Entonceo. E(U2) = Var (U) + lE(U)12. los diferentes días de la semana. con medias ¡t¡ y varianza común 02. Por el Teorema 5-6. esto es. . obteniendo u" .-ab*z j=1 a. que V-/o2 tiene dishibución chi-cuaüado cón o(b - 1) 9. tenemos dd Teoreme 6-4.+*i):-l -"ufLab J !+rr) " '' ) -LD aoz * b ) (p+ a¡)2 - o2 - s'b. 3S:1 v-=a!q 6 += llt J=r o2 donde S! e¡ la v¡rianza mueshal para muestras de tamaño b exüraídas de la población de tratamiento j. ¿Podemos sostener esta conclusión al nivel de signifi cación del (c) 0.05.8. Como ¡e indica en el Problema 9.2 9.\12 lBlx¡12 E(xil : E(Xz) = Var (Í) + Pero ya que las poblaciones de traüamiento son normales.13 supusimos que no existían diferencias significativas en las repeticiones. (b) 0.20.t) X = ( )It. ¡úgina 161.P = (a-l)o2 * abp2 + zbp> ". en (I ) tenemos E(va) = b>[+*(¡.

los días de la semana no eon significativos. l---g 6. Describir cómo se pueden utilizar las técnicas de análisis de varianza para clasificación triple o experimentos con los tres factores (con factores simples). o.01) debi- da a las repeticiones. . como se indica en la Tabla 9-33.7! parz 4.06 (y por tanto al nivel 0.827 = 73. Ias conclusiones reliacionando máquinas y turnos son las mismas a las obtenida¡ en el Problema 9.2g grados de libertad.4 De la tabla vemos que el F calculado para repeticiones es 1.4)2 . El valor f..0g.22.C". 9.1795.8 114: ?8.6 = 11.u¡6.. La tabla final de análisis de varianza. g - (268)2 40 = 1807 . Reproduzca la tabla de análisis de varianza a emplearse en tal caso. Las otras variaciones son las mismas a las de la Tabla 9-23.18.. = 8'1 Repeticiones (días de la semana). Pero ya que Fe5: 2. es la media de valores para las clases Il y C cuando Ar es constante."o = 11.86. Suponemos que la clasificación se hace en A grupos.. Finalmente d Existirá una uarioción total dada por (l) 1) = t.rpor denota la gran media.767 | -=0.8¡r. 0' = 0c 51'0 Columnas (turnos).. La interacción entre todas las clases se denomina como antes la uariación aleotoria o residuol. T. es la Tabla 9-32. Sigñificados análógos se dan a E¡ ¡ ! r .ú¡n< . .4 3 Aleatoria o residual a'" | 2. .. .C{luposdenotadosporC¡. es decir.EIvalorenA¡. Tabla 9. denotadospor ejemplo.k..332 ANALISIS DE VARIANZA [cAP.. I-a variación residual después de restar la variación debida a la repetición ea ue : 84.32 Filas (máquinas). Las siete variaciones en las que se puede dividir (1 ) vienen dadas por u = DA+ürJ+uc lTIAB *.4 Puesto que hay 5 repeticiones.Elvalorú¡¡. Estas variaciones son entre clases del mismo tipo y entre clases de diferentes tipos (inúerccciones). teniendo en cuenta las repeticiones.. denota la media de valores en la clase C cuando A¡ y B:p se maitienen fijos. e 1t=-+'re¡ (57\2 g (51)2 g . Ao) Barupos.¡r.*ucA-. sedenotaporxjkl. 8r.4. el número de grados de libertad asociados con esta variación es b 1 : 4. (47)2 (50¡z -. C. denotados pot 41.t 2 @¡rt- ú)z que puede dividirse en siete variaciones.. podetnos concluir que no hay variación significativa al nivel de 0.

ñ.+ ¿. ? (E¡. determinar si hay una diferencia significativa en rendimientos a los niveles de significación del (a) 0.ByC) u (total) (o-1)(ó-l)(c-1) abc-7 9?.ñ.k.r+ ñ)z !ct = b > (ñ¡t..ri. ce' ) (¿.r..n\r..4ñ s gl t.23.ú. Q¡n rB = = ..rlos CLASIFICACION STMPLE O EXPERIMENTOS DE UN FACTOR Tabla 9-34 A B C 9.1Xó - l)(c - 1) gl os (entre grupos B) ó-1 c Ao og s "B ..BlSA.2r@i*t.rt. (a - 1Xó - 1)(c - 1) gl trac (entre gru- posByC) o¿ =o=ffi= (c-1X¿-1) acA .(a-1Xb-lXc-1) AÓ.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 .'uc c-1.+ i)\2 E)2 aABc = .n.BC gl 0¡s (entre grupos AvB) (o-1)(b-1) (b-lXc-1) (o - 1)(b - L). B..cAP.- ñ¡.(a-1)(b-1Xc-1) Añ.kc (b - 1)(c - 1). variedad y los rendimientos (en hl/ha) son los mostrados en la Tabla 9.% (c 1)(a 1).új.J- er" (ñ¡¡1. D.34.-.. C. E.A^o 8ó^tsA. Suponiendo que las parcelas eon de fertilidad semejante y que las variedades se asignan aleatoriamente a las parcelas.¿).* ñ. el donde U¡ ANALISIS DE VARIANZA 333 - ."" a a-l - 7. (fr. .k. Se efectúa un experimento para determinar el rendimiento de 5 variedades de trigo A.ñ. Dc ñ\2 : ab 2 @.Bc b-r. (b) 0.c (entre grupos C) -'l Añ "c .ó I Dg n rA^ Ét s^.tt+ ñt.. (o 1)(b 1)(c 1) gl 1) ¡ A.." = uesc (o-l)(ü-lXc-1) Probletna.+ 0nc = ".. (o - 1)(b - 1)(c - 1) sl u¿ (entre gr¡r- posCyA) (entre grupos (c - 1)(o .4ñ sA. (a.c)i.c .s suplernerirta.ñ j*.05.ñ.01.I ót s.t .rTabla 9-3$ Media de cuadrados r¡ Ao -q¿=-A o-l Varíación o¿ (entre grupos A) Grados de libertad F ?1..Bzcl.t.

Durante un semestre un estudiante obtuvo las calificaciones indicadas en Ia Tabl. Para lleva¡lo a cabo.24. vienen dadas (en miles de millae) en l¡ Tabla 9-36. (b) 0. II1.06. II. e 9. Tabla 9-37 I\[atca. tres grupos de 5 estudiantes se escogen aleatoriamente.334 ANALISIS DE VARTANZA [cAP.05.05. (b) entre máquinas. (D) O. El fabricante desea determinar ei hay una düerencia (o) entre operarior. Determinar al nivel de (o) 0. Un profesor desea eneayar treg métodos de en¡eñanza I.os a¡tículo¡ fabricados por una compañfa se producen por 3 operarios utilizando 3 máquinas diferente¡.O1 si hay una diierencia significativa en sus calificaciones entre Ssas asignaturas. B.25. página 310. prÁgina 311.28. [. (b) 0.81.85 Tabla 9-86 9.29. donde cada tipo ¡e ha tratado en 6 automóviles semejantes asignando los neumÁtico¡ aleatoriamente. Demo¡tra¡ el resultado (30). Ensayar a loe niveleg de (o) 0. 9. Demostrar los resultadoe (24). 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. y a cada grupo se le enseña por un método diferente. (b) 0. C. determinada de sus fibras. Luego se da el mismo examen a todoe los estudiantes y oe obtienen las calificacionee indicadae en la Tabla 9-36. (25) V Q6). D. página 311. I'z duración de log neum6ticor. Tabla 9. Dar la informaci6n deseada utilizando un nivel de oignifi' cación del 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. Ensayar al nivel de (o) 0. diferentes.06. 9.06. loa resultados se dan en la Tabla 9-39.27.26. Tabla 9-39 Operario Máquina A Máquina 23 34 28 1 Operario 2 Operatio 3 24 28 27 I I\láquina C 27 30 25 .30.a 9-38. Ensayar a loe niveles (o) 0. para el caso en que los 4úmeror de oba¿rvaciones dean CLASIFICACTON DOBLE O EXPERIMENTOS DE DOS FACTOBES 9.01 si hay una diferencia significativa en los métodos de enseñanza.01 si hay diferencia en lo¡ neumáticos.01 si hay alguna diferencia significativa en las marcas. Demostra¡ la¡ fórmulas cortae (3I fl34). Se efectúa un erperimento para determinar el número de artículos diarios producidoe por cada operario utilizando cada una de lac máquinas. 9. La Tabla 9-37 da los números de mill¡s al galón obtenido por autornóviles semejantes utilizando 5 ma¡cas de gasolinas. Una compañfa deeea ensayar 4 tipos de neumáticoe A.

01.38. 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. Analizar el ex' pelinojo rubio Alto Mediano Pequeño 76 81 73 78 76 castaño 80 79 perimento al nivel de 0. (b) las máquinas. B C 16 18 20 15 L7 16 2l 19 18 23 19 2l 23 20 D 9. (b) las diferencias en el tipo de maí2. SLOQUpS C D E IIIUIIV t2 15 15 19 L4 18 11 16 16 l7 10 t2 16 L2 11 14 11 12 16.g2. 9.12. lo 77 9.05.01. (b) la localización. varfan significati- aleatoriamen' 5 .01.05 ¡i lo¡ rendirnienüos en bla 9-40.01. Suponer que en el Problema 9. 9. g.06 si hay diferrencia en (o) los tipos de neumáticos. (b ) en los planteles. y así sucesiva-E mente.05 si hay diferencias signifiéativas en (c) loe operarios. E 18 22 2L l7 18 24 g.24ltprirnera observación para cada tipo de neumático se hace empleando una claee espeiífica de automóvil.cAP. Solucionar el hoblema 9. c Semill¡s de 5 tipos de mafz ee siembran en 5 bloques' Cada ue se asignan 0. Tabla 9'4O TIPOS DE MAIZ bloque te a los hl/ha. Ensayqr la hipótesis al nivel 0.33 utilizando el nivel de significación del 0'01. Solucionar el Problema 9-31 utilizando el nivel de significación del 0. a ^ B {amente con (o) las diferencias del terreno (esdecir.41. ts Tabla 9-43 da el número de artículos produeidos por 4 operarios diferentes trabajando en dos tipoe de máquinas.8?. dUrante díae diferentee.3ó r¡tilizando el nivel de significación del 0. en tanto que en un experimento semejante efectuado en el oe¡te da los resultados en la Tabla 9'42. Solucionar el hoblema 9. (b) las clases de automóviles. / y II. doñde los números in' dican 10 en el tope de los graduados. Ios réeultados se dan en la Tabla 9'41.g6.26 el primer valor para cada método de enseñanza corresponde a un estudiante de un plantel especffico.39. Tabla 9-41 9.34. Determinar al nivel de 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 . la eegunda observación empleando una segunda clase especffica. roy"t al nivel de 0.40. 9.23 se lleva a cabo en el suroes' te de un pale y que las columnas de la Tabla 9-34 indican 4 tipoc diferentes de fertilizante. y así sucesivamente. Suponer que en el Prpblema g. los bloques). Soluoiona¡ el Problema 9. Ensayar al nivel 0.40 utilizando un nivel 0. EXPERIMENTOS DE DOS FACTORES CON BEPETICION T¡bla 9-42 A 9. el segundo a un estudiante de otro planüel.06 de que hay diferencia en (a ) d método de en¡eñanza. \4 9. el ANALISIS DE VARIANZA 335 g. Suponer que el experimentg del hoblema 9.38 al nivel 0.06 ¡i hay una diferencia en (o) lor ferüilizantes.36.33. Solucionar el hoblema 9.

Cz. 4 cantidades diferentes de dos compuestoc químicos se agregan a los ingredientes bási co¡. 7. D usando cuatro máquinas diferentes. respectivamente. B7 At4 Tabla 9-4ó c12 adicironal dando la sección donde naci6 el estudiante Eete. Ensayar la hipótesis a un nivel del 0. T3 T4 c6 t7l D.47.45. [. Efectu¡r un análisis de la varianza del experimento al nivel de significación del 0. . Oes: te. Con referencia al Problema 9. Tabla 9. Wz. como se muestra en la Tabla g-46.43 utilizando un nivel 0. donde lo¡ números indican rendimiento de maÍz por unidail de á¡ea.01 si hay una diferencia significativa en los tratamientoc. Tabla 9-44 efectúa un experimento para ensayar el efecto sobre el rendiniiento de 4 tratamientoe de fertilizanües A.Tz. q D. w2 BB6 Dog ws Ao5 9. y de variaciones del teneno en dos direcciones perpendiculares. T¡¡ fq¡talezas promedio obtenidas se dan en el cuadrado greco-latino de la Tabla 9-4?.6 . W¡ . B.1. Det¿rmina¡ a un nivel de 0.336 CUADRADOS LATINOS ANALTSIS DE VARIANZA IcAP.05. C.Cuatro operarior A. o. (D) lae variaciones del terreno. e 9.38 euponer que introducimos un factor 876 c81 o73 Tabla 9-46 o78 E'76 c80 o79 c76 877 w4 CUADRADOS GRECO. 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. (b) colo¡ de pelo. B. eetableciendo cualquier conclusión a que pueda llegaree. Cuatrotiposdecable?¡. C. 9.S4 Sr. 6.44. Tabla 9. ?a sefabricanporcadaunadecuatrocompañfas.05. É.44. (ó) 0.C1 . Tr AB 164 c2 Bf 181 c3 ca Ay 193 193 207 166 c4 D6 160 T. B o C. B. Para producir un tipo superior de alimenüo pnra pollos.Ct. BoG Dy l0 Ap8 c6 10 cialee. D y las del cegundo por ü. (c) lugar de nacimiento. Sz S¡.LATINOS wr ^S.43. Tabla 9-4t Alto Pequeño Mediano 110 95 Tabl¡ 9.r 198 D.46.05.05 ¡i hay una diferencia significaüiva en rendimiento académico de los e¡rudiantes debida.05.48.a diferencias en (o) ertatura. 9. t¡ Tabla 9-48 contiene los datos sobre el moho acumulado en hierro tratado con químicos A. Wc y 4 especies d-iferentes . miden las fortaleza¡ de los cable¡. Ca. c16 9. Determinar al nivel (o) 0. St. Wt. Centro. Soluciona¡ el hoblema 9. eetableciendo cualquier conclueión a que pueda llegarse.as cantidades diferentes del primer compuecto se indican por A. L62 BB L45 cB 2t2 A6 112 86 Do An 188 Bq 167 c7 136 PROBLEMAS DIVERSOS 9. Efectua¡ un análisiÉ de varianza al nivel Q. El aumento en peso por unidad de tiempo 6e da en el cuadrado greco-latino de la Tabla 9-46. Se obtiene el cuadrado latino.49 105 103 118 A B 3544 4233 6465 Lt2 10? 90 115 c 108 lr2 93 104 96 L02 .Tc.01 de que no hay diferenci¿ en (o) los fertilizanSe C8 At4 D10 Á10 c12 BL4 D16 D12 B11 811 Dt5 Á10 tee.4? c.

cAP. página 309. Demostrar el Teorema 9-2.54 al nivel 0.05 si hay una diferencia en los puntajes debido a diferencias en (o) el estado veterano. Tabla A B C 9-52 Tabla 9'53 5463 3423 5746 AltT 14 18 Bl20 10 20 cl18 Dlt2 ¿'ll5 15 16 11 11 12 19 12 15 L7 11 14 9. Determinar eI nivel de 0. ¿puede determinar si hay una diferencia significativa en el número de artículos producidos en los diferentes días de la semana? Explicar. Norte y centro 80 ¡D 79 g. página 309. Demostrar (o)la ecuación (39). Derivar los resultados 9. Los resultados se indican en la Tabla 9-49. Se realiza un examen para determinar si los veteranos o los no veteranos de diferentes I. En los cálculos de análisis de varianza se sabe que puede sumarse o restarse una constante apropiada dp cada valor sin afectar las conclusiones. en tanto que los resultados correspondientes para el oeste se dan en la Tabla 9-52.5?. Tabla 9-50 Alto I. (b)la ecuación@0).05.50. 9.Q. . Determina¡ al nivel de 0.52 utilizando un nivel 0'01. 70 En el Problema 9-42. 70 9. Con referencia a los Problemas 9.5E.Q. (b) la ecuación (38). (b) la localización. (b) los tres lugares.01 si hay alguna diferencia significativa en los I. Demostrar el Teorema 9-3.53. medias y pequeñas. (3) y ( ).Q.01.51. Determinar al nivel (o) 0.59.54.Q' 9. ¿Es ésto cierto si cada valor se multiplica o divide por una constante apro' piada? Justificar su resPuesta. (b) 0.05 si hay diferencia en (o) fertilizantes. 9. Solucionar el Problema 9.62. Este Oeste Sur 88 84 86 Medio 80 78 82 Bajo 72 ¿o 9. Demostra¡ (o) la ecuación (37).55.Q.61.05 y establecer sus conclusiones.05 si hay diferencias debido a (o) los químicos. relativo a diferencia de estaturas. de estudiantes adultos de estaturas altas. 9.ó6. página 372. 9. Analizar la tabla al nivel de 0. Tabla 9-51 Alto 9. Suponer que los resultados en la Tabla 9-48 del Problema 9-48 son válidos para el noroeste. Ensayar al nivel 0. página 312.62.Q. Bajo I. página 312. Veterano No veterano 90 85 Medio ril 78 I.Q. rinden mejor' Los puntajes obtenidos se muestran en la Thbla 9-50. el ANALISIS DE VARIANZA 337 g. 9. Un experimento mide el L Q. 9.4g.60.40 suponer que un experimento adicional realizado en el noroeste produce los resultados de Ia Tabla 9-53. t¿ Tabla 9-51 muestra los puntajes para una muestra de estudiantes universitarios de diferentes partes del país con diferentes I. (b) I. Solucionar el koblema 9.23 y 9.

e 9. 9.13? Justificar sus conclusione¡. 2X 2? (D) ¿un cuadrado greco-latino de 3 X 3? . Haga el montai dc un erpcrimenüo que conduzca al cuadrado latino Tabl¡ 9-64 FACTOR 1 de la Tabla 9-54.69. 9. En ln práctica. lcAP. 9.66.62 utilizando un niyol 0. 816 FACTOB 2 c2r 823 416 AL8 ct4 Bt2 ct5 l á18 9.7 16 D66 Br7 Haga el montaje de un experimento que conduzca al cuadrado greco-latino de la Tbbla 9-55.01.05 y eetablecer conclusiones.338 ANALISIS DE VARTANZA Solucion¡¡ el hoblema 9. Montar y solucionar un problema que iluetre el procedimiento en el Problema 9. De¡cribir cómo emplear las técnica¡ de análisi¡ de varianza para experimentos de tres factore¡ con repetición.06 y establecer conclusione8.63. 9.65. ¿Deberíen modific¡r¡e la¡ conclu¡iones obtenidas en el hoblema 9. es decir. Efectuar un análisig de va¡ianza en el cuadrado greco-latino de la Tabla 9-65 a un nivel 0.71. 9. 9.21 hallamos una diferencia significaüiva en los días de la semana. las repeticionec.67. 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. Suponer que en el hobleme 9. 0. Efectua¡ un análisis de va4ianza en el cu¿drado latino de la Tabla 9-64 a un nivel 0.69. ¿es¡rer¡rf¡ encont¡ar un (o) curdrado latino de Explicar.64.68.

Apéndices .

.

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

Í. Por esta taz6n ción gamma es que (8) l(n) se cohoce como la.a ¿)0 . e-o'" cosbr d.' Í.n) . a)0 -/m + l\ ¡m¿-orzfu='\ 2 I zL<m+r)/2 11. denotada por B(m. Si n es un entero positivo.fu. entonces r(n+l) = nr.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 .342 La fórmula de recurrencio viene dada por APENDICE A f(ra+l) = donde (2).yffin"¿-" (d) donde el signo .r = L#"-b2/4o = a+E 13. ¿-o" cos br d.' a)0.indica que la relación de los dos lados tiende a 1 cuando n -+ @. m) -L a)O 12. se define como B(m. (4) da "(l) = u" Para valores grandes de n tenem os la fórmula asintótica de (5) r(n +1) . n) 0 (8) Está relacionada a la función gamma por B(m. una buena aproximación para n! viene dada por n7 LA FUNCION BETA = 1finnne-n (7) La función beta. n). Una propiedad importante de la fun- r(P)r(1 -P) Parap : *. nr(n) (2) f (i) : 1.Í.n) INTEGRALES ESPECIALES - (e) Las siguientes son algunas integrales que se presentan en probabilidad y estadística. En el caso de que n sea un entero positivo grande. stirling: (4) : ll2. función factoriat.

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

156 .1 7.0043 .0004 .3144 I .3503 .0047 .327L .0001 .0694 .0017 .0067 .0018 .2295 .3448 .3352 .0011 .0ri56 .0003 .3876 .1.1582 .0596 .2920 .2897 .1626 .1315 .l 2.0005 .3332 .3989 .0246 .0113 .2 0.0.3011 .0004 .3867 .0002 .0909 .0303 .000? .0012 .0003 .0099 .0028 .0009 .I942 .0387 .1758 .331 2 3 4 D 6 7 8 o 0.0023 .0110 .0016 .1.0005 .0014 .6 o.3712 .3230 .0001 344 .3951 .0086 .0189 .2709 .3683 .0003 .3056 .u077 .0252 .0332 .0957 .0 1.0325 .0040 .2036 .3802 .3589 .2780 .0032 .3 IA .0005 .6 ¿.2685 .0681 .0015 .1771 . ¡ .0039 .0055 .3932 .Dl éo .0002 .0878 .2396 .058.0075 .1 .0008 .0006 0004 .0468 .0002 .00I7 .0224 .016:l .010? .3 0.140 .0005 .0044 .0004 .0006 .3989 .0002 3.225I .0084 .0003 .0833 .3209 .28i1 .o024 .3939 .1 .1781 .1354 1.3986 .1334 .0009 .0540 .3521 .3725 .0005 .3697 .0002 .3391 .3621 .0051 .3778 .3956 .9 .0031 3.0508 .2 .0258 .2317 .2 1.1 109 092 1.5 2.0002 .0002 .0042 .0007 .0065 .0355 .1435 .0006 .3292 .0i21 .0551 1.1895 .0069 .0003 .1 804 .0004 .0519 2.0422 .5 0.0488 .0020 .0007 .3034 .0003 .0003 .r1f)7 691 .0003 .1219 .0761 .3970 .1 .3467 .0940 .1145 .1 .0015 .39?3 .0171 .0235 .1006 .3372 .0071 .2203 .l lJf]4 .3605 .2083 .0848 .3847 .254r .0431 .1989 .0034 .9 2.2989 .2732 .0010 .0004 .381 4 .0310 .0498 200 .0203 .0002 .0r 36 .2444 .13 .0297 .16'17 .6 2.0180 .0073 .0989 .2850 .0002 .l 163 .1872 .3485 .0132 .0036 .¡ 3.72i6 .24G8 .2513 .0003 .0002 .2756 .0063 .3251 .3429 .0620 .0096 .0818 .oI47 .:1825 .3752 .24!r2 .3187 .0061 .3910 .0036 .2323 .0734 .0058 .0184 .1 .0010 .3982 .2516 .3790 .01?5 .0022 .0025 .22i5 .0167 .1415 38 .1 561 604 .0008 .3079 .0707 .1 tQ .2059 .1826 .2827 .0104 .0363 .2t07 .3637 .3988 .0449 .9 3.8 2.1965 .4 0.3965 .0002 .0413 .1518 .1736 .0091 .3857 .3572 .0037 .0027 .0371 .0154 .0219 .2613 .10?4 .0013 .0046 .0632 .0264 .8 0.1849 .0775 .0562 .0213 .0283 .0119 .0009 .266I .1040 .0208 .0079 .3977 .0053 .06{4 .7 2.0007 .Apéndice B Ordenadas (E) de la curva normal t ipif icada enz 0 I .0790 .0008 .9 .3538 .0006 .0573 .0608 .0030 -0022 .2803 .0198 .0317 .0529 .2966 .0101 .0290 .0008 .0973 .0126 .3739 .3 DA .7257 .2589 .0194 .0025 .3961 .3918 .0002 .0478 .3984 .12 .3902 .0925 .0012 .3980 .0129 .0669 .0019 .3925 .0038 .0270 .2 3.0020 .3945 .1 .0014 .0893 .1 0.2637 .1669 .0151 .2227 .5 3.0048 .3410 .óooó .0804 .3101 .0339 oe OA .8 3.3668 .0 3.237r .0029 .8 I.2420 .7 0.3885 .0122 .0010 .0081 .0404 .0093 .0379 .01.0 0.0396 .0 .1539 .0277 .0026 .3555 .6 l.8 .0459 .3836 .0004 .1127 .0018 .2072 .3894 .0088 .0050 .0056 2.07.2t31 .0863 .r295 .00r1 .1057 .0005 .3?65 .5 1.0012 .2565 .1919 .3166 .2t55 .0016 .0033 .0013 .0002 .r023 .3989 .002I .034? .0229 .r374 .0158 .0139 .0241 .0060 .1182 .0116 .

4986 .3944 .4998 .0517 .4117 .0398 .4997 .1985 .4965 .4474 .497L .4842 .4996 .2 1.4974 .0987 .0438 .4932 .2642 .3106 .4911 .4953 .4997 .26L2 .4864 .4049 .3790 .1406 .4986 .4999 .4943 .4920 .4990 .4997 .1141 .5000 .4999 .4981 .4868 .476t .4993 .5000 .4994 .3749 .4991 .3508 .4962 .4999 .3869 .4319 .4906 .4591 .1987 .7 1.4983 .2088 .4999 .5000 .4916 .1 0.4778 .4998 .1808 .4798 .4999 .487L .3186 .4808 .3315 .4082 ..4649 .4964 .4990 .4992 .4988 .3708 .4992 .1368 .4207 .4929 .2794 .4996 .4394 .4961 .4999 .3078 .4987 .5000 .{o9t .4995 .1480 .48(.4131 .4966 .4994 .0 1.4955 .2764 .4980 .4994 .4265 .1293 .0793 .4977 .3129 .4452 .4429 .2224 .4525 .2486 .4834 .4977 .1628 .4998 .4 0.7 0.4936 .4484 .1915 .4608 .4306 .4998 .4382 .2 0.tzt7 .4878 .3389 .4345 .45L5 .444L .4960 .9 346 .3926 .0832 .229r .4999 .4838 .4984 .4994 .4699 .1331 .1960 .3170 .4989 .4927 .3643 .0199 .4999 .3997 .4987 .4222 .5000 .9 2.2580 .3238 .48L2 .4846 .4909 .4988 .4693 .4625 .4995 .0239 .4997 .4738 .9 1.1664 .4998 .4998 .2357 .25t8 .4616 .4940 .4881 .8 .4967 .4032 .4999 .0359 .1 .485? .3980 .8 1.3272 .4989 .0279 .4948 .4941 .2 ¿-D .4999 .4970 .3907 .2t23 .3485 .4t47 .4998 .4999 .1?00 .3 0.4535 .8 3.2967 .0910 .4505 .4963 4973 .4997 .4279 .1L62 .4986 .4995 .8 0.() 3.4975 .4974 .4945 .4999 .07L4 .4998 .)( 2.3365 .4995 .3023 .2190 .4999 .4968 .4999 .4999 .4884 .5 0.6 L.4998 .1ts26 .4913 .4767 .4998 .t443 .2454 .4545 :4633 .3438 .4990 .4925 .4998 .2852 .2823 .4997 .4817 .4922 .4982 .4554 .3686 .4999 .1879 .4599 .1772 .7 2.5000 .4901 .4357 .4999 .2910 .4999 .3340 .2064 .4956 .4999 .3461 .4976 .1103 .4656 .2 D') 2.43?0 .3554 .4756 .4991 .3849 .4981 .1179 .3577 .4 .0120 .4898 .4993 .4896 .3413 .4887 .4890 .0478 .0319 .4972 .0636 .4962 .2939 .0948 .2389 .066? .4969 .4995 .3r 59 .4332 .4463 .2734 .4793 .3665 .44t8 .4934 .4992 .4978 .4788 .1844 .4984 .4904 .4999 .2t57 .6000 .0871 .4999 .3531 .0160 .4997 .4991 .4996 .4773 .3621 .4678 .2549 .2704 .4995 .4993 .4686 .467L .4783 .5000 3.0 3.0080 .4998 .6 2.0754 .4994 .4949 .4099 r.3888 .4830 .4993 .4997 .4938 .4854 .4236 .4982 .3133 .4292 A25L .4996 .4979 .4772 .3599 .0 2.1736 .4750 .4996 .4495 .6 3.4979 .4985 .1026 .4999 .4946 .4951 .3051 .4803 .0675 .4726 .3962 .4582 .4989 .L265 .4115 .0696 .5 1.0000 .7 3.4918 .4999 .2881 .4992 .4 .4875 .4997 .4719 .2673 .4999 .4850 .6 0.2324 .3289 .4066 .5 3.1 .4999 .4573 .1554 .4967 .4706 .1517 .1064 .4998 .4664 .4015 .4959 .4406 1.0 0.4999 .4999 .4732 .5000 .1 .3264 .2258 .4744 .1591 .4931 2.3 1.1 1 2 3 4 6 6 7 8 I .Apéndice C Areas baio la curva normal tipificada de0az 0 0.4999 .4997 .3810 .3830 .2019 .0040 .6000 3.2422 .4192 .4564 .2996 .4821 .4893 .4996 .

64 2.09 2.684 .?8 .86 1.126 .876 .08 2.98 2.534 .256 .32 2l 22 23 24 25 26 oa 28 29 30 40 60 .18 2.70 1.54 3.92 2. Edinburgh).37 1.137 .42 1.L28 .258 .79 2.48 2.532 .854 .81 1.Apéndice D Percentilrr de (tr) l¡ di¡tribsción f de Student con z grador de libertad v úss ¿oo t.48 úes t.82 2.692 .864 .36 3.325 .zo t. Fistrer y F.32 1.627 1.77 2.t2s .259 .531 .14 .96 I7 18 19 .861 .71 L.689 .128 .08 1.128 .90 2.257 16 2.34 1.00 2.727 .546 .L27 .86 2.04 2.68 L.t6 2.78 2.62 2.267 2.70 1.256 .73 1.687 .A.26 2.978 .L28 .s.73 1.262 .63 1.01 2.130 .696 .49 2.257 .06 3.18 63.L0 2.40 1.60 2.856 .t27 .89 1.76 1.863 6.530 .07 2.94 1.14 3.258 .50 3.76 3.66 1.76 2.27L .691 .50 2.865 .584 .256 .33 .06 2.263 .690 .869 .46 2.669 .539 .130 .35 1.84 4.L32 .684 .857 .L26 .31 .535 .000 .44 1.?l 1.03 3.71 t.77 1.266 .32 L.626 .06 2.30 L.889 .20 2.846 20 I.33 1.72 2.31 1.532 .74 1.643 1.47 2.266 .82 2.256 .532 .76 2.80 2.r3 2.858 .534 .75 L.131 .896 ..3?6 1.38 1.szs tse 31.32 1. Yate.30 3.L27 .36 3.134 .11 2.04 2.64 1.688 .3L 2.t26 .674 .36 1.31 1.630 . con permieo dé lo¡ autores y editorea.23 2.83 2.36 2.90 1.862 .906 .645 t.563 .56 2.256 .81 2.883 .83 1.569 .706 .32 L.02 1.t42 .33 8 9 .28 t20 € .17 3.536 .681 .42 2.873 .62 2.842 Fuente: R.255 .703 .98 1.90 2.t3 2.683 .727 .47 2.711 .856 .256 .29 L.76 2.11 3.686 .t2 2.256 .66 t.684 .879 .L27 .72 1.58 2.r27 . Stotistícal T¿bles for Bíological.46 2.677 2.254 .39 2.34 1.624 .66 9.260 t.8?0 .70 1.5L 2.92 6.45 2.683 .05 2.92 2.66 2.36 t2.32 L.96 4.L26 .277 .700 .868 .531 .34 1.688 .258 r.255 .96 2.78 2.88 2.848 .6?9 .L27 .t27 .257 .07 2.82 6.61? .128 . AgriculturalondMedícol Recearch.76 L.84 2.263 .858 .36 1. .70 2.r28 .856 .62 2.ongman Group Ltd.?18 .L27 .L27 .533 t2 13 14 15 .260 .70 1.67 2.7L 1. publicado por l.74L .540 .542 .866 .48 2.06 2.32 L.76 2.694 4 6 6 .67 1.72 1.261 . (previamente pubücado por Oliver y Boyd.00 1.257 .256 .941 .t27 .061 .630 .71 3.531 t.68 .531 .68 2.53 2.06 2.856 .30 1.57 2.633 .72 2.538 .25 3.686 .L27 .33 1.158 .727 .649 .L27 .685 .920 .629 .860 .861 .765 .697 .sgs I .60 4.686 .02 2.289 . 3 .683 .254 .31 1.31 2.257 .r29 .80 1.537 .L29 10 11 .09 2.zs üeo tso 3.66 2.7L 4.816 1.

7 14.0 r 7.7 22.67 3.0 26.1 16.5 20.1 DD.0506 .3 11.3 t6.57 t.7 38.36 4.4 32.4 37.3 16.0 36.4 63.0000 .3 13.6 47.3 16..0 L07 6.1 10.6 92.872 L.6 66rB 56.3 61.6 48.484 .3 99.3 12.O.4 85.3 49.1 31.70 3.9 11.3 26.3 14.9 11.23 5.24 1.7 37.38 9.4 69.03 t.01 5.7 73.3 13.7 34.3 46.3 16. con permieo de lol autore¡ y editoree.6 56.5 16.8 20.3 20.3 49.6 12.5 96.35 6.1 8.9 26.0010 .0201 .6 r3.t7 4.0 104 116 l4 16 16 to.7 23.0 17.57 4.9 L6.60 5.24 1.1 37.1 27.77 4.4 42.L 30.9 2t.6 109 1r8 130 t28 140 t24 149 Fuente: E.2 61.6 40.04 7.09 2.6 54.3 23.472 .9 20.5 34.6 19.2 62.4 23.6 43..8 24.3 17.7 12.0? 5.6 2L.7 2.66 8.11 5.3 96.6 61.9 34. xlo.r7 2.92 2.9 43.63 6.0 20.207 .8 32:0 33.3 59.35 5.7 99.4 16.L4 6.8 14.7 16.06 3.67 9.7 28.81 9.89 6.2 67.0 33.2 '19.8 9.7 7L.66 2. t3.3 . 3 4 o I .2 36.3 18.1 12.6 23 24 25 26 27 28 29 30 40 60 60 70 80 90 100 41.45 4.8 43.7 76.6 14.7 25.37 3.0 16.6 41.2 46.6 25.3 32.26 3.7r 4.102 .58 8.6 28.6 46.8 48.6 17.61 2.6 28. x?o".6 88.39 10.07 4. .41 ?.26 6.6 16.2 35.6 L2.0 71.90 27.0 27.7 29. páginas 187 y 188.20 2. x'.6 .8 14.8 13.8 13.4 100 t2.34 10.7 60.7 7.57 6.91 9.4 34.1 .1 ttz r26 13? 64.9 30.0 19.8 44.7 26.2 16.07 3.3 26.831 .455 1.34 1.66 5.L 80.362 l.4 12.7 37.4 86.3 18.3 29.8 16.2 12.7 18.1 t2.4 29.74 7.7 28.3 29.2 66.554 .6 4.2 18.2 29..33 3.l 22.8 14.2 29.0 4L.2 26.1 90.6 14.69 2.86 11.5 43.3 5.63 8.1 16.3 22.6 13.3 82.91 7.6 32.23 5.30 r6.2 11.1 10.24 10.7 26.3 61.31 10.6 32.7 66.6 31.8 30.1 27.8 55.6 108 118 8.3 r6.02 7.3 2L.9 40.3 79.? 37.56 9..8 34.0 23.4 35.44 9.9 t8.2 28.07L7 .0 62.9 29.6 43.96 8 I 10 11 4.O tt.84 9.6 46.6?6 ..8 40.9 13.5 33.0 22.684 1.06 1.64 9. Biomelr:iha Tobles fo¡ Stotitticíane.3 49.5 24.3 67.8 36.6 15.2oo¡ xlo.89 10.3 15.8 18.gg x?rn y2 ^-00e . Vol.3 X.3 22.3 45.1 45.3 39.4 32.3 24.32 2.3 2L.3 89.0158 . 1(1966)' Tabla 8.0002 .103 x?.4 40.0 13.73 3.? 42.9 39.L6 2.0100 .6t 6.39 6.7 14.6 61.6 36.6 24.3 53.9 23.3 35.49 11.o 22.6 tt.8 38.26 7.1 13.3 69.E 42.6 36.S.0 t2 13 18.6 30.8 63.4 40.9 18.8 16.4 20.8 45.9 40.1 37.2 88.9 19.3 32.23 8.6 33.7 47.9 12.3 69.6 21.4 L02 113 rt2 t24 136 98.3 23.49 2.2 59.0 69.26 8.82 4.O' X.3 42.3 71.57 7.35 7.54 L0.2tL .3 49.6 46.1 40.3 28.8 26.2 44.Apéndice E Percontilas (¡f) de l¡ di¡tribución chi-cuadrado con u grados de libertad v x.2 14.6 24.0 x2ot x'"0 .88 10.64 .34 9.L 2l.26 9.3 18.58 6.6 38.3 19.8 67.6 50.6 24.6 79.9 48.3 30.7 2t.2 11.90 6.4 13.E4 6 .5 16.2 t3.0 44. x?no X.6 36.8 t7.1 12.01 7.989 1.0 11.4 3.7 23.6 20.6 74.6 32..2 24.9 1t.0 27.D'ID r.1 41.2t 11.6 26.7Ll 1.18 2.3 27.34 8.6 12.7 16.4 16.94 4.6 29.1 39.25 5.84 5.1 52.t 31.8 12.8 t7 18 19 20 2L 8.6 22.4 31.8 26.6 19.81 6.8 70.8 28.7 33. Pear¡on y H.3 17.60 3.3 10.70 6.40 6.2 74.83 3.8 14.2 94.2 38.1 19.87 6.30 7.9 68.25 7.4 83.99 7.15 1.2L6 .tl 4.1 28.291 .0039 .3 27.8 79.2 11.3 73.9 63.3 I 1.3 13.2 6t.39 2.8 t9.2 10.0 14.3 61.26 6..5 20.8 67.7 18.6 90.7 46.04 10.73 2.2L 1.0 48.9 35.1 13.59 10.43 8.78 9.6 9.0 17.4 43.79 t4.1 77.7 39.9 34. 347 .63 ?.116 . Hartley.6 22.2 37.63 7.56 3.8 24.9 17.2 31.8 20.

25 2.85 1.0Q 2.9L 2.29 3.77 4.60 2.96 1.80 a.68 4.2r 2.74 2.28 2.93 1.84 4.11 3.39 2.42 2.LL 2.43 1.74 8.1 7.18 3.74 1.35 2.4E 2.81 8.66 2.69 1.99 1.35 3.01 1.91 3.44 3.04 6.83 2.20 4.22 3.L2 9.20 2.06 4.46 1.L0 2.02 1.76 2.00 I.40 4.40 2.53 2.8z r.03 4.09 2.62 2.85 2.34 2.00 5.42 2.r8 2. con perrniro de los autoreo y eütorea.86 5.22 2.85 6.L5 2.67 4.L2 3.57 3.26 6.4 19.21 4.80 2.t6 2.96 2.60 2.83 t.93 5.91 1.46 4.01 4.92 1.97 3.DD 1.10 4.27 2.20 2.94 1.22 3.74 2.90 2.L6 2.84 2.08 4.77 t.90 1.67 2.06 t.5 19.95 1.64 2. l'.02 2.06 2.52 j 3.98 1.09 2.42 2.47 2.40 2.84 1.62 8.71 3.69 3.64 3.39 t.24 2.01 1.71 2.62 2.96 1.56 2.42 2.60 2.94 1.84 3.91 5.63 3.44 3.65 2.73 4.34 2.4 19.50 3.rL 2.57 2.32 2.93 1.43 2.68 2.48 2.22 1.25 2.70 2.75 4.37 2.07 2.14 3.35 2.t9 2.Apéndice F Porcentila 95 (nivele¡ 0.7l 2.54 4.27 3.76 1.76 2.L3 2.82 t.46 2.44 3.79 2.66 1.39 4.79 3.35 2.87 2.23 2.18 3.38 2. Eiom etriho Toblec for Stotíaticianc.07 3.30 L2 13 14 15 16 L7 18 19 20 2.91 1.01 2.75 1.66 8.62 2.4 19.95 2.L9 2.85 2.64 8.49 2.30 2.19 2.7 4 2:28 2.70 I 2.46 2.78 2.40 2.59 5.37 2.61 I.0r I | 4.29 2.tl 2.65 2.75 1.09 6.98 2.40 2.96 1. .6? 3.81 t.70 2.84 1.60 2.0s 1.87 1.61 19.90 2.22 2.47 1.25 2.04 1.10 2. I 2 3 1 2 s 2L6 4 b 6 7 8 9 10 L2 16 20 24 30 40 60 t20 @ 161 225 230 234 237 239 24L 242 244 246 248 249 250 26t 252 253 254 18. O.51 3.31 2.86 1.50 4.46 2.43 4.83 2.46 2.01 2.44 2.01 2.96 4.01 2.99 2.8L 2.96 t.92 1.53 3.45 2.06 2.49 2.63 6.95 2.33 2.48 3.48 3.83 2.58 2.87 3:70 3.05 2.12 2.09 3.r7 2.3 19.4 19.20 2.90 2.r7 4.38 2.30 3.38 3.34 2.23 2.?9 r.75 1.96 2.53 r.7r 2.01 8.69 4.69 5.79 L.04 1.32 2.49 2.84 3.06 2.57 2.27 2.93 2.87 3.16 2.58 2.30 2. página 178.53 2.79 3.49 3.74 4.84 1.18 2.50 1.84 40 60 t20 t.04 3.76 1.98 2.55 2.63 5.96 4.34 2.01 1.49 4.03 1.37 2.81 3.05 4.24 2.0L 1.74 4.99 5.07 3.r2 2.27 2.42 2.?0 1.64 1.61 2.72 5.07 3.00 3.46 2.16 6.38 2.88 1.94 1.05 2.43 2.5 19.85 2.47 2.3 4 o 6 I 19.30 4.79 2.r3 2.39 2.6 10.4 19.76 1.92 3.41 2.41 3.07 3.62 4.87 3.92 2.?3 3.94 2.6L 2.07 1.L5 2.94 8.93 2.37 2.46 2.2q 3.?0 8.96 5.90 2.86 2.16 2.82 2.54 2.t2 4.36 2.35 3.82 4.38 3.15 4.28 9.41 3.68 2.57 r. Hartley.24 3. Tabla 5.28 3.49 2.7l 1.97 1.59 8.67 t.71 2.49 2.53 2.36 3.77 L.78 2.77 2.66 2.51 2.2L 2.69 1.07 2.35 4.19 4.23 2.08 2.32 2.61 2.09 2.7L 6.14 3.41 5.90 1.(}51.39 3.89 1.34 2.60 3.37 3.23 4.59 1.91 1.45 8 I l0 11 5.77 2.90 1.45 2.94 1.7L 2.45 2.31 2.57 2.5 19.01 2.L8 2.21 4.r9 2.00 3.4 19.66 2.66 2.98 2.84 2.08 2.18 2.33 2.68 t.57 8.01 1.99 1.33 3.84 1.5 19.65 1.28 3.04 1.5 19.15 3.53 2.62 2.18 2.53 2.96 2.rL 2.56 4.36 2.6L 2.32 4.54 2.64 2.88 4.53 4.46 2.35 2.88 4.2r 2.23 3.r5 2.81 1.2 19.24 2.63 2.t0 | 4.25 2.5L 2.25 2.85 1.98 1.99 1.87 t.55 2.23 2.37 2.35 7.08 3.66 5.24 2.60 4.45 2.07 4.03 1.89 1.92 1.26 2.76 4.13 2.28 4.78 t.94 3.l I D.89 1.13 3.20 2.17 3.66 2.32 1.28 2.97 r.92 4.89 2.96 1. ¡O 5.64 2.29 2.92 1.85 8.80 t.76 2.t5 2. Vol.5L 2.75 2.1L 2.03 ¿.70 2.81 2.59 2.L0 2.34 3.61 2.30 2.2 19.89 8.59 3.84 1.64 2.69 3.97 2.93 1.32 2.77 2.29 2.80 2.62 1.39 6.06 2.27 2.34 3.lL 2.22 2.25 2.73 1.29 3.58 1.76 2.42 2.4 19.L2 2.56 2.t0 2.92 2.26 2. S.86 3.L8 2.41 3.12 3.84 3.85 2.16 2.05 4.28 2.6? 2.02 r.88 1.55 8.5 9.95 1.26 3.35 2I 22 23 24 25 26 27 28 29 30 3.84 1.79 1 a^ 1.53 2. (1972).27 2.38 2.34 2.10 2.58 3.59 2.47 3.79 t.54 2.74 2. Pear¡on y H.03 2.15 2.12 2.87 r.g¡.31 2.42 3.59 6.73 2.54 2.00 2 Fuente: E.20 3.20 2.70 1.69 2.68 3.3L 2.26 3.95 4. parr le di¡tribución F u1 grados de libertad en el numerador /2 gfados de libertad en el denominador ><.79 8.4e 3.11 2.

97 6.70 3.75 2.2 9.21 2.96 4.83 3.93 2.17 3.07 6.38 9.91 6. Biomeúiho Toblec for Statbücbnc.se.88 2.23.36 2.20 4.64 3.41 3.3L 2.37 2.65 9.39 4.72 7.00 2.42 6.02 6.78 3.94 1.2L 3.4 9.9 9.18 3.45 s.51 3.66 2.39 6.20 4.47 6.4 99.8 99.10 6.48 3.t4 5.66 99.01 .69 3.46 2.13 3. 2 (1972).40 2.65 6 .74 2.76 4.30 3.60 '7.28 4.?0 1.51 3.29 2.18 5.22 3.56 5.67 9.5 26.07 2.78 9.72 5..23 3.84 6.5 26.19 2.58 4.59 3.L7 4.35 4.3 L2.07 5.3 10.60 4.4 13.64 6.2L 6.83 2.44 4.18 3.85 4.59 6.35 3.19 11.53 3.93 z.58' 2.17 3.07 3.4 11.89 4.15 2.5 14.0 10.12 3.03 2. 3 4 o 6 .98 6.81 6.41 9.94 3.3L 6.4.42 3.59 3.67 3.26 2.78 3.06 2.52 3.39 4. Pearron y H.o J 2. 3 4 o oot 28.16 3.77 4.46 5.29 3.66 3.89 7.4 27.99 b.70 6.0s 1.4 27.16 3.28 4.80 5.40 4.36 3.9 99.61 o.56 3.86 8.ó9 3.86 4.68 99.01 3.65 3.90 3.00 2.31 3.63 3.26 3.63 4.85 7.64 7.1 a.01 1.60 3.13 3.66 2.0 30.03 5.66 4.99 2.85 2.25 4.8 99.5 10.09 3.17 4.43 3.33 4.2 14.46 7.89 3.1 13.5 9.56 6.94 4.65 3.31 4.99 5.oo 7.72 4.49 2.99 3.7 13.00 2.32 5.APENDTCE F 349 Percentila 99 (niveles 0.19 5.71 3.47 t4.86 3.4r 5.7 99.94 3.89 3.30 3.61 4.26 6.33 8.70 3.50 4.87 6.68 2.16 3.63 4.56 6.41 2.02 3.26 4.46 3.21 3.23 2.02 7.69 2.02 7.5 26.63 3.10 L2 16 20 24 30 40 60 L20 @ 4062 6000 5403 6625 5764 5859 99.42 2.67 4.89 4.üb D.10 8.47 2.52 4.6 9.54 3.55 7.S.40 3.49 12 13 6.0 16.78 3.70 8.87 2.75 3.4 99.03 3.86 1.88 7.38 2.6 14.02 2.36 6.94 3.52 2.54 4.0 9.56 4.46 2.64 3.91 5.66 4.86 6.62 3.?5 8.68 7.30 4.67 5.54 3.7 10.34 4.59 1.70 2.7 10.80 6.73 7.56 2.r3 2.36 3.66 6.0 15.54 20 9.37 5.51 s.82 4.44 2.5 34.31 4.62 2.78 3.04 3.70 2.64 2.41 3.49 2.74 4.21 3.76 2.7? 7.46 6.43 3.96 I 10 11 .sz 2.86 3.66 2.r 26.8 10.L4 5.33 3.43 4.00 3.82 4.25 3.57 t2.16 5.Ll 2.84 2.9 99.26 3.12 3.42 5.2 29.68 3.22 5.72 7.13 2.20 4.94 2. .95 5.89 3. 3.tL 3.31 2l 22 23 24 26 26 27 28 29 30 40 fó 4.68 8.07 4.61 6.80 3.84 9.40 4.61 6339 6366 99.60 2.19 l0 99.57 2.45 7.93 4.68 4.88 5.10 3.08 3.03 3.63 2.L4 4.40 8.86 2.23 6.79 60 2.36 3.2'.10 4.50 2. con permirc de lo¡ autoree y editoree.08 3.93 3.011.87 4.96 3.2r 5.67 2.87 3.62 5.5 13.00 2.81 4.03 2. 8.26 3.46 3.66 2.42 3.92 2.16 3.60 4.10 2.17 3.72 2. Vol.5 26.38 1. Tbbla 6.18 8.40 6.29 6.06 4.69 3.99 5.31 9.72 2.12 4.04 4.L2 1.3 14.54 t7 18 19 4.6 13.22 4.02 7.4L 2.51 3.74 6.88 2.32 2.32 3.78 3.44 4.15 8.86 3.l 11.49 5.30 3.01 5.59 3.?9 3.90 2.00 3.00 t20 Fuente: E.74 4.33 2.7 16.29 8.54 2.08 6.75 2.0 9.43 3.46 3.63 8.78 2.03 2.09 3. para ls di¡tribución F v.3 13.47 3.84 2.65 8.1 7.35 4.72 5.O.2 99.96 2.81 3.60 3.20 2.2 9.04 3.31 7.3? 3.64 4.l 8 I 99.11 2t.37 3.7 14.11 6..7r 4. página 180.06 4.7 27.29 7.36 2.30 3.92 2.47 5. l4 15 16 4. Hartley.26 4.30 7.63 5.3 8.36 4.5 26.r7 3.94 3.54 5.45 3.82 4.2 ?.03 1.76 1.1 6.95 7.78 2.ó 16.31 3.06 6.63 6.09 3.91 .89 4.4 27.3? 3.55 3.10 3.2 16.62 4.t7 2.80 2.60 6.3 28.55 8.95 4.67 6.11 6.L2 2. gFados de libertad en el numerador v2 grados de libertad en el denominador x1 I 98.39 3.23 5.80 3.oD 8 ?.18 3.93 6.76 3.37 4.b8 2.31 3.09 2.84 2.72 6.4 26.25 4.66 2.t4 4. F.71 3.99 6.26 4.52 3.32 4.82 7.2 18.07 4.92 2.35 2.2 13.50 4.60 1.10 4.39 2.20 2.65 2.86 4.56 4.96 2.6 5981 6023 6066 6106 615? 6209 6235 6261 6287 99.95 1.98 2.62 4.29 2.3 27.64 4.18 4.42 4.01 6.42 2.6? 3.6 10.01 3.67 2.4L 4.34 3.

Apéndice G
Logaritmor dpcimale¡ con cuatro c¡fra¡

N
10

0

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

2

3

4

5

6

I

8

v

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

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

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

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

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

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

Partee hoporcior¡ales

22 23 24 26 26 27 28 29

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

4728 4742 4757

30
31

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

82
33

84 35 36 37 38 39 40

4829 4969 5105 5237 5366 5490 5611 5729 5843 5955

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

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

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

81114L7202226 81113L6L82L24

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

81113151719 81012141618 810t2L415L7 7 911131517 7 911121416

7 7 6 6 6 6 6 5 5 5

910121415 810111315 8 9111314 8 9111214 ? 9101213

7 ? 7 6 6

9101113 8101112 8 91112 8 91012 8 91011

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

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

4l
42 43 44 46 46 47 48 49 60

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

65/'2 6551 6561

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

5l
62 63 64

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

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

7tt8

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

N

2

D

6

I

350

APENDICE G

351

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

N
55 56 57 58 59 60
61

0

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

2

ó

A

D

6

7

8

I
1474

L23456789

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

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

7435 7513 7689 7664 7738

7443 7520 7597 7672 7745 7818 7889 7959 8028 8096

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

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

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

7

62 63
64

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

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

6 6
6

65 66

ot
68 69 70
7L

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

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

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

6 6 6
6

6 5 5 5

72
73

14

to
16 '/ó
79

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

8791 8797 8848 8854 8904 8910 8960 8965 9015 9020

5 6 5 5

80
81

82 83 84 85 86 87 88 89 90
91

9036 9090 9143 9196 9248 9299 9350 9400 9450 9499

9042 9096 9149 9207 9253

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

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

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

6
5 5 6

6

9304 9309 9355 9360 9405 9410 Q455 9460 9504 9509

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

o9 93 94 95 96 97 98 99

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

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

344

9786 9832 987? 9921 9965
I

9791 9836 9881 9926 9969

9?95 9841 9886 9930 9974
4

9805 9850 9894 9939 9983
6

9809. 9814 9818

9854 9899 9943 998?
n

9859 9903 9948 9991
8

9863 9908 9952 9996
a

3 3

4

N

Valorc¡ de e-^

(0<r<1)
}'
0

I

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

3

4

5

6

7

8

I
.9139

0.0
0,1

0.2 0.3 0.4 0.6 0.6 0.? 0.8 0.9

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

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

.9608 .8694 .7866 .7118 .6440

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

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

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

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

.8270
.7483

.677t
.6126 .5543

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

.5827

.5273
.477L .43L7
.3906

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

.Eore
.4538

.4107
.3?16

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

lo¡ valores

de

e-r

para otroe valore¡ de

I,
=

emplear lar leyes de los exponentes.
.03081.

Ejemplo:

-¿-3.48

=

(e-3oo)(¿-0.r8¡

=

(.0a929)(.6188)

Apéndice

I
Números aleatorios
74640 2349L
601 73

51772 24033
45939 30586 03585 64937
1

42331 83587

29044
06568

4662I
21960
1

62898 2L387 55870 86707 85659
551 89
41

93582 76105

04186 10863

52078
75797
81

25424 45406 82322 20790
98527 30277 60710 06829

1645

02133 79353 03355

31041 96799 65304

56974 12973
36081

37428
171 69

938

50884

19640 97453 93507 88116 14070 rL822 24434 41982 16159 35683

8?056 90581

94271

42t87
74950
15804

95863 51135 57683

5630

64759
56301

09448
21 631

62586 94623
5229A 87843

889

00745 25439
68829 48653 27279

65253
88036 06652
71

67283

85418 16835

49t59

9tt57
17480

7733L

590

t4676
47280

91097

294t4

28L95

47162

362

Respuestos o problemqs suplementqrios
CAPITULO
1

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

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

(c) {5i (d) t5}

k) @ (/) {3}

@) {2,6,3}
(¡¿) {6}

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

(d) {4} (¿) {3} (/) {3,4}

5/36

(c)

0.e8, (d) 2/9

(e) 7/8

) ) (c )
(o

(b

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

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

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

(e) 4/5

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

(e) IL/t6 (Í) L/5

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

(i\ (i)

6/26

52/225

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

(e) Lr/L5 U) r/5

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

1.86.

(a)

3/10

(b)

1/10

(c)

315

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

r.106.
1.107.

(¿)

32,805

(ó) 11,664

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

1260

1.108. (a)

120 10
6

(b) (b)

72

(c) L2 (c) 45

r.r09.
1.110.

(o)
tt.

70

.

1.96. 113 1.9?. t4/57
1.100.

=

1.111.210

8 12
(b)

1.112.

840 ?000

1.101. (a)
r-LO2.

2620

(c\

720

1.113. (a) 42,000 (b)

n:5 60
5040
(b)

lJla.

(a)

L20 150

(b) 2620 (b)

1.103.

1.115. (¿)

46

(c) 100

1.104. (o)

120

(c)

240

1.116. (¿) 1? (b) 163 1.117. (o)

1.105. (r¡) 8400 (b)

2520

20

(ó)

330

(c) t4199

353

354
1.118. (a)
16

RESPUESTAS A PROBLEMAS SUPLEMENTARIOS

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

6rys

¡

ya

1.119.2016

L.r22. (a) 5/L8 (ü) 11/36 (c)

1/36

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

44

(b)

2r

4

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

4152CB

r.127.

(6Ca)(aCz\/MCs

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

Ql

QCz. ¡¡'Ct

*

a'.Csl,l12cs

4(r3Oa\hgC+)/szCss 1025

r.l3E.

(o)

120

(ó)

60

(c) 72

1.131. 2.95 x 1.133. 0.8%

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

aproximadamente - 3

1.f40.

3L26/46,656

1.13ó. vT1
L.146. (a)

l.l4t.

(a)

4

(b) 14

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

4/52C5

r.t47.

2/243

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

126 462 3/32

(ó) , +,- rCn(b) (b)

r

,-tCn-t

1/16 (cl r/32

(d) 1/8
prob. empate

1,151. prob .4 gane

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

=

L26/216

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

2
0

2.38.

(¿)

I
3/8

o

3

2.39.

(a)

0

I
t6/28

.)

f(r)

r/8

3/8

t/8
t

f(r)

3/28

6/14

2.4o.

(a)

t

0

1

f(r)

9/64

r5/32

25164

RESPUESTAS A PROBLEMAS SI'PLEMENTARIOS

365

2.42.

(a)

r
f(r)

0 194,580

1

2 6768

3

4

270,726

69,184 270,725

r92
270,725

270,726

2.43.

(o)

r
F(n)

0

I
U2

2

3

L/8

7/8

I
4

2.46.

(o)

r
f(n)

I
L/8

2

3

(b) 3/4

(c\

7/8

(d)

3/8

(el 718

u4

3/8

U4

2.47.
2"48.

(o)

3

(ó) e-B

- e-6

(c)

e-s kll | -

e-s

F(r)

=

2.49. (al

6l2s

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

2.50. F'(c) =

2.6t.

(a) r/27

(r2/9 0<¡(3 de oha forma l0

(c) 26/27

(dl rls

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

fo

2.66. 2.67. 2.ó8. 2.60.

(¿)

(a)

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

(ó)

/r(u)

= {o

(Ale A = l'2'3
orra u

(d\

6116

(¿)

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

(ó)

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

tl1

*

al

o<a=l v=l

a=0

(a) (ó)

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

2.61

.

(a)

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

t)

=

rÍl'

0

5

Y

=

1

otra

r' O=A=I
0

(b)

l(r+ull@+l) 0 < ¿-< l, = 1o o<rsl,

=Y = otray

1

356

RESPUESTAS A PROBLEMAS SUPLEMENTABIOS

; i . ¡

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

0<rrl'

0=v<1

;
i |

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

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

,=o,u<0

A¿O

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

de oha forma

0 de otra forma

2.72. (o) c(u) =

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

(D) c(ut

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

i:i::
de otra forma

o

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

0 de otra forma

=

" {; '' 1"1í,""1.",t
I

2.82. c@)

=

{í'"-''u

:::

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

2.E3. l/4

-" ;: ;

2.s4.

s6/2*g

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

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

-

7e-o

2.89.

(a) c = (a)

1

(ó) 8e-2 c2=

,

2.9L. 2.s3.

cr=2,

I

- e-4 (ó) 9e-2-lAe-s L0

-

ze-r

(c)

4e-s-4c-?

(iI)

e-z-¿-t {ó

(el 4c-s

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

2's6' (a)

{r-^''
-rn2)

1"t"r0.".,-" (ó)
(r)
o1+

{;t'-"
zlrn

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

2.e0. (b) ;(1

lrnz

(¿)

2

,

2.e8. s(?)

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

2.ee.

(b)

7/L8

2JoE. \/r/z

3/2 n (b) -2e/6 Lla !4 3. p3 =-L2lll60.83'. pí= 2. 10. 3.74. 3.5e.54. 3.77. o*=1/t5/ZO 4 (b) 2 (c) .57.\klzk+t(k+ll I qeiab co)/ao 3.46. pá: t6/5. 3. pz=7-.45. p¿=35 (b) pr = 0.43.61. 1e/10 (¡t') 6/6 a/3 @ 1 \Ng 3.78.60.(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) \.48.7 3. 3. 3.ó6. i¿l p4=230718960 2a 3.72. 7/0 (ó) 6/5 3. nx=lE (al (a\ (ü) Var(X)=3/80.E0.64. 3.68. yí= 6. Fz:5. 3. 3./m/L8 (d' \rzssñ8 (e) -9L/32a (Í) -sr/235 4 tb) 4/\/35 -t/tst¿.62. ú= (a) h=0. pi= Al=0.66. (o) (a) 1 (b) I (c) rla (c) 3. pí=0. 3.E1. 3.E4. (o) (f + 2te2t .82.69. 3.5 3 (b) r3n/6 (a) 35112 @\ (ü \Elm. 3.\ +(et/2+e-t/2) = cosht (ó) p=0. (a\ l/2 parae>O (b) lParay>0 . pn=33 (c) (bk+r'st<+r)/(k* 1Xb-o) peiaa (sen (ó) [1+(-1)k](ó -a.44. (a) (a) 2/3 (b) 2/3 G) aB 7/a (c) @\ Als 3. pi= 2.67. Fz:3/80. 3.62.ezt\/zt2 (D) p = 4/3. (a) 1 lb) 7 (c) 6 3.47. 3/2 (bl 3e/4 (a.'PLEMENTARIOS CAPITULO 3 3.79. pí=1.55. (c) 1/(1¿). ps: -5. 3. 3. <1 (ó) p = l./3s12 3.50. (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. (a) (3r +2\/(6r*3)para0 5 ¡<i t¿l lsu+Z)/(6u*3)para 0 = a = | 3. (e2ia-Zie2ia-ll/"2 (a) (¿) (¿) Lr/144 (bl rr/L44 1c¡ t/iJttz (¿) (¿t) \/-LUr2 (e\ -L/L4a 0 -!rr 1 . 3. 3. (c) 315 3. 3. 3. pl:L L6/3 3.6E. (o) 1 (b) (o) Var(X)=5. Ft=2.RESPUESTAS A PIOBLEMAS SI.65.

91. (a) r 2 0 (ó) 8(21/2-r)/L6 (D \. (bl 3614 (1 @l atg (b) 2/e L (c) * 2te2t - e2')/2t2 (el -2\/fr/r6 (d) -(1 + zibe2ia .127.109.120. 3. (o) (a) 3.e2. (o) 1 3. (¿) 1/y'5 3. (o) (ó) ln 2 (D) I 3.85. (a) 3.###parao < nr 5r 3. (o) 1 I (ü) (ó) (y'3.114.o)/6 (a) -7/27 (c) 2(et-l-t¡¡¿z -Z(e--l-ü¡¡"2 (e) r/136 3. (b) 2415o (ü) e (al (a) (b) 6/e (b) 1/18 (c) (et * 2e2t + Sezt)16 (d) (d) (eto + 2e2to + 3e3.8/2 (ü) 1/3 (c) 0 .124.100.119. (a) (b) r/4 (b) 0. (o) no eriste (ó) (c) 3 -1 (c) e-z *0 3.ze-t (D) no existe (al 2(\F-Ll/3 (b) L6t7 2 0 2 7/3 r/3 2t/2 (b) e 3.116.89. (o) 3.121 .L22.105.r/r-tsnflo) (ó) \F@i @ tlfr.1or.118.113. (o) 3. ffiParao rle (b) 1 6x2*6n*L s r:< I .05r 3.90. 3.. (al 3.5 02.f 6/9 7lr2 o 3.358 RESPUESTA"S A PROBLEMAS SUPLEMENTARIOS 3.10E. (a) 3.126. (o) 0. (¿) 3.[o ) 3. t"l . (o) (c) 3 (ü) 3 3. (a) x Var (Y lX) 0 5/S I 416 2 (ó) Y Var (X I Y) 0 I 2S/36 2 24t49 3.103. (a\ L 3. (o) (c) 8/16 1-+y'3 (bl v2 3. (d) 1- (1/\.10a. (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 3.1)/4 (c) 16/81 3.94.123. .17 (c) 0.125.eziarlznl u) 12/6 3.

62.64.0089 (o) (o) 0. (a') pl (b'l npq(l - 6ps\ * 3n2p2q2 -1.s27 1. 57/6a Q\ 2r/32 (b) (ó) 4. 4. 4.91. 4.6826 4.4% (bt 23.66.G¿s 4.0838 (b) 0.1008 (c) o.E6. (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.t9. 4.626 ó 0.726t (/) 0.049?e (ó) 0.76. 84 (bl 8.0687 0.0% (c\ 93.68.7123 0.4232 (o) 0.86 (c) 2.8?67 (b) 0.5.85. (c) (p) 0.E3. (al93% 4.61.4 (¿) 0.2241 (d) 0.7% (al e5.03?5 0.74.78.87. 4.9495 (b) (ó) 0.77 (a) npq(q (o) 1.76. (o) 0. 4. 4. 0.84.2511 (b) 0.0154 (e\ 0.1494 0.90.90 75.05610 (b) 0. 11/16 (dl 518 (a\ r7lL62 (a\ (a) 5/16 (c) 4.0286 (d) 0.2991 (c) (o) 0.224r (e) 0. 4. L93t5t2 (a\ @) 32/243 (bl re2l243 k\ a01243 (dl 2421243 42 (b) 3.5976 (c) 0.9198 (c) 0. 4. 4.03eb . 4.1342 0.93.9962 (b) 0.1127 (dl2.0658 4.82.3% (a) (o) (a) (o) 1.73.80. 4.7t. 4. -0. 641243 25 (c) 500 4.I RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS .6 (b) e (b) 72.15 (b) 0.1680 (/) 0. 4.E1.t"/o 0.63. 359 CAPITULO 4 4. 4.66.a7% 4.0567 (b) 0. 4.7% (b\ 54.550 (c) -0.89.75 (b) -1. (a'¡ 6L.995 0.849 (e) tt.9500 0.77 (c) 0.06131 . 4.0079 0.67.69.6404 (d) 0.e265 (d) 0.0668 (a\ 20 (b) 36 (cl 227 (cl (d) 40 @) 15% 4.E8.0?86 (c) 0.92. 4. 4.08 (d) r.

(a) 0 4..r03.13?.53.94.s? 4.L29.84 (d) 4.81 (bl2. oi : 6. @) 2.34 2.000948 (ó) 0. (a) 0.008 oz oz (ó) (b) pX pX = 22.160? (d) 0. o* = 0.2 zr.40 oz.r?r. 22. (a) (ile)/Q?) . (a) 237 22. o* = 0.? 3/4 16.128 (d) -1.136.2 2s6.tr2. (a) 0.2 (c) (c) (c) 2B.47 (c) e.s a8.130..00248 (b) 0.b9 84.L27.73 -0. 0.1? v 7!r= !4.111.48 4.04462 (c) 0.L32.3/8 4.8164 (ó) 0. - 2. (o) e. (a) 4.5 (b\ 4.0 (d) 8.ro2. (a) ?0/429 (b) l/143 (c\ L42|L4B 4105 (. ¡2. (o) 5/3888 (b) 5/324 4.L4L.35 L7e.4O 0.BB (d) -0. (Q 4.49. (a) (d) (el 2.829 1. (a) 1.gs (e) z.136.0 (d\ 2.71 (ó) (b) (b) 1.2 (c) suponiendo áreas iguales en las dos colas. (a) 4.1b82 (c) 0.0e (c) (c) (c) (c) 1. (a) e.o rí.128. (a) L22.40 oz. ('f) (l?)/(l?) (iSX?SXtt) sla 0 (b) (ó) (ó) (ü) l(¿ocoxzoc2ol+(4oc'l(nctsl* (qoc)(ncnl)taoczo 4.L26.B 4.r y 26.58 5.1033 (c) 0.47 (c) 9.005? (b) 2 (c) ninguna (dl 24 6.l 86. (a) 201.1 4.360 RESPUESTAS A PROBLEMAS SUPLEIVTANTARIOS 4.64.000295 4.0918 (d) 0.8 68.03 (¿tl 2.40 o¡ ligeramente menor que 0.00J8 (d) 1.t : 5.75 1.4972 (ó) 0.7 (b\ 4.55. @\ 4.62 (b) CAPITULO 5 (c) 0.9544 5.s 20.50.0000 .62. (¿) 4. (c) p.0 (b) (b) 4.76 1.0620 4.166 6.16 5.3 (d) (d) 55.138. (o) sx = 22.60 3. (a) 0.LB 4. (o) B0.101.4 ft\ *e-tn -1"-.68 2.rr3.00g oz oz oz.2 4l. Ll4 aJLa.8b2 (e) 0.0 (b\ 4. (a) 2.861 (.0228 (c) 0. (o) 0.75 2.ro9.) 4'106' (c) 4.Lo4.008 = oz.s5 z. (a\ 3/4 .51. 82S\fe (b) (ü) (b) 2(b-al4/6 e/5 113 6.r2o.0 (b) 4.6e64 (/) 0. (a) 9. (a) r 4.

72642 pulgadas 26. (o) 5.113. 5.36 (ü) (ü) 0'17 0. (o) (o) (ó) (ó) 11.3204.?4 lb I 2 (d) 126 0.6.326.82.0019 (ó) 0.0028 (b) 0.10 5.86 (ó) (c) -e1 (d) 63 .47 (ó) e = 5.33? 6. 6.. (a) 5.66. 501.3196.81.00?? (ó) 0.1o9.01 (b) menor que 0.01 (c) menor que 0.50?. (a) 2 6 6 (b) 996 (b) (c) 218 12 5.33?6 pulg. 5.108. .49 0.t7.o% 78. (o) 10.8869 28.68. (o) 0.1%. 0.111. (a\ 2. 0. (@) 0.06 pero máe cerca a 0.33f0.E6.8 lb.26 5.3265. 5. (¿) 0. . (ó) 38.7349 pulg.92.0064 (c) 0'4504 5. 11.67 0. 6.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 5. 0.72.90 5..01 y 0. (c) 0. 6 0 -1 (ü) 40 4 6 (c) (c) 288 (d) (d) 2188 (b) 0 26.3%' 99. . 12.00 6.101. (a) ?99 (ü) 1000 (e) (c) 949. 5.91?2 6.105.01 (b) entre 0.56.0% 76 5.100. 5.09 tons.60 1'.0006?6 pulgadas (b) 72.76. 5. (o) 0. 5. (ó) 0. 0.93.322. (b) 0. .76% S.6% (il 0't ts.49 (c) 0'28 5.1841 (cl (o) 118.65.9 lb 5. O. 46 (@) 0. 80Eo.96.00496 pulg. (a) 82 6Jo2.60 5. (al 4018 6.9596 (c) 0'1161 .94.8664 (c) 0..e5.7o. 0.9t.99.0 s ?9 5.0.59.106.01?9 5.2160 (b) 0.326-0:328.104. (¿) (o) (¿) (b) (b) 0. 5.63.?9 0'0228 lb (b) 0.6 (fl @) a6% 100 (horas) (s) 62/a00 (h) 25.11 5. 5. (a) 24% (b\ rL% 5.0482 .01.a84 5.tO. 6. (o) 0.6 (d) 10995. (o) 0.3226. (a) menor que 0.166 ó 16.0.62. 8.003 pulg.7L.6% = 0. (o) ñ = 2. (c) 146.20% ton.97.1.73. (c) 0. 0.LL2.t1 5.2 6. 86 5. 1199.?33 (c) 0.0316 5.60. 78 á.L6 (ü) 0. .5E.323-0. (c) 0.0136 0.60 0. 5. .0026 6.74. 99.

(b) -4.428 24. 6. (¿) ffiz: 0.128.07 t 6.53743.123.09 t 0. m1 = 0. ó. 42 5. 26.2344. (o) (b) 105.241 7. 101.¡'TARTOS 5. 6.62 r 0.7.88.0696 r¡¿o 560 (c\ r.124.38 (a) ?.129. 0.28 (b) (s) ?8e.72642 + 0.09 t 0.38.546 2.97. 0. 0.2464 (b) 52.L2.29.5 horas.045 6.18. (o) 0. (a) 6.22 0.049 segundoe 6.0586.122.0ab t 0. 7 RESPUESTAS A PROBLEMAS ST'PLEMEI.43. (o) 1.000072 pulg.e5 5.000095 pulg. (o) ?8.118.36. = -3.117.5 lb (b) 0. 0. (d) 032642 a 0.?8 y 0. (a) 5. 0.38 384 (b) al menos 221 (c) al menos 666 (d) al menos a 1.33.09? (c) 0.1 ó. 0. (a) 0.40.2 (b) 0. 0.84914 6. 1193.127.0 y 100.?0 * o.r5 (c) 0. (a) 1200 hr 6. 6.16 onzas 0.112 .6.115. (c) 0.u (o) al menos 323 hr (b) al menos 560 (c) al menos ?66 (b) 1.?3 onzas onzae (ó) Z. (o) 0.4 hr Las estimas de las desviacionee típicas de la población para los tamaños de muestra 30.126. 6. -1r7. L9.86 lb reepectivamente 6.82.25. 6.3?.72642 + 0. m1- 89. rn2= 5. (o) al menos 96 (ó) al menos 68 (c) al menos 16? (d) al menos 225 900 (o) al menos (o) 7.20 (f) 7. Las estimas de las media¡ de la población son 1200 hora¡ en todos los casos.9?.12t.073 i 0.11 (ó) 0. (q') (c) e2.0090 CAPITULO 6 e.2 (d) 7158.24 lb2 (c) 0.7.94 Laprimeradistribución (a) la aegunda (b) la primera 5.Se (ó) ?.4 4 (i) (il 706. (o) 0. tb9 5.?0 r 0. 6. (o) 0.38 I (a) 0.2 106 (ü) (b) 8. 0.82 0.000060 pulg.34.116.24 tons. (a) 0.68 a 0.298 t 0. (b) 0. 2.62 6.362 ó.96 onzas t t I 0.72642 t 0. -0.000025 pulC.39.22. 60 y 100 tuboc son respectivamenüe. m1 :0. (o) 9. (a) 11.493e (b) 5.18 tons.35 (e) 26.72ti42 t 0. ms = 0. n4= 0 -0. 6.130.70 t 6.74 5.30.045 0. 101.36.69 I 0.030 eegundoa (D) 0.0? (b) 0.36206.. (bl 0.00002b pulg. 0.41.38 (hl 22.131.000085 pulg.09 t 0. 5. (ó) 11.298 0.41.31.125.12 hr t 0.tu. 6.

1 a 288. .Bb 6.5).. (o) t¿.65. (a) 63. (a) 1800 t 6.6 horas 2400 ! 59 libree (b) 87. r = .4 horas hora¡ horas (b) 78.06? a 1. (a) (IIe: p=0..99. (a) 6. y se acepta en ceso contrario (o no se toma ninguna decisión). I _ ()rr)/r¿ 6.9 1?0.5 a CAPITULO 7 7.06 (c) t2.01 en (o) ni en (b).ó4.70 (b) 0.259 a 5.45.8 horas 6.9 6.17. .(b)0.r. 2400 t 45 librs¡.58 e 2. 7.62.2606 7.5 horas (b) 88.79 kl) t2. 86 lb (b) 1800 t 328 lb (c) 1800 t S82 lb 6. 7. (Hi p> 0.61. (c) 106.6 ¡ a 1g0.1 horas 6. 7 No se puede rechaza¡ la hipóteric al nivel de 0. Se puede rechazer la afirmación a ambos nivele¡ mediante un enaayo unilateral.7O. 6. mediante un ensayo unilateral en ambos caso8.46. k = -lln - (ct.519 a 7. Sí. 6.31 onzas 6.69. en ambos nivelea.8 t 0.lre 24 y 40. kt') 0.1 a 140.67. (o) No se puede rechaza¡ Ia hipótesis al nivel de 0. (c) Rechazar 116 si se extraen más de 39 bolasrojasy acept:ula en caso contrario (o no tomar decisión alguna).51.58.673 a 2.63.5 (ü) 102. ?. (b) Se puede rechazar la hipótesis d nivel de 0. 6.00 (ó) 13.9a1 a 2. El re¡ulüado significativo al nivel de 0. (b) Ensayo unilateral.0 4802 (ó) al menos 8321 (c) al menos 11. (d) Rechazar lfe ei se extraen más de 41 bolasrojas. (a) 0. (c) Aceptar la hipóterie ¡i las bola¡ rojac extrafdas esüán ent.14 (a) 0.05 en ambos en!¡ayos..63.69.269 (o) 0.70 6.458 a 4.138 a 10. 7.1 a 148.68. 1. 139.654 a 1. (a) al menos 87.944 (b) 0.50.250 6.05.56.20.8 (b) 0.15 6.ó2.64.5).58.52.05.6% 105. -= 3' 2tritl "'+r3l 6.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 363 6. (a) Aceptarlahipóteeissilasbolasrojarextrafdasestánent¡e22y42 rcchazarlaencasocontrario. es 7.02 (a) 0.60.78 (b) 0.) (e) t2. 0.66.24 249 onzas lb (ó) 63. (o) a 230.8 l: 0.4E. rechazarla en caso contrario.49. (a) 95.?41 a l.

79. (o) Un ensayo bilateral indica que no hay diferencia en la calidad de fabricación al nivel de 0. Un ensayo bilateral a ambos niveles muertra que el producto no cumple con las especificaciones. f (x) = T. 49. pero no lo e¡ con un ensayo bilateral. (a) 0.06.4.1O0. Las frecuenciae esperadac 8on 1.7 respectivamente.RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS 7. bilate¡al muestra que no hay eúdencia s ni¡guno de los do¡ nivdes de que la duración media haya 7.3rL2 8. 12.2.0.98. 13.20. 7.6.86. al eegundo.63 onzas 7. 7 . 60. 43.72.64 1 0.96 onzas (D) 8. 7.64 (ü) 0. (b) Un ensayo unilateral muestra que I no ee mejor que A al nivel de 0. 7.76.6t)l-r.6.2.01. 5.05.1.78. Podemos conclui¡ que la primera varianza es mayor que la regunda a ambos niveles.E3. 53. 39. 13 y 2 respectivamente.1. 3. Concluirfamos que el resultado no común al nivel 0. Mediante un ensayo unilateral al nivel de eignificación de 0.A1 \¡¿ - lar frecuencias esperadas con 108.5.81 ln 7.05.7 y 0.7 respectivamente. f (r) = aC"(0. 7. 4.05. 9.01. Un ensayo cambisdo. pero no al nivel 0. E resultado es significativo a este nivel con un enar¡yo unilateral.?.96.E5.tO. No podemos concluir que la primera varianza 8e¡ mayor que la segunda a ningún nivel. [.83 onzae (c) 8.e5.6.7ó. Mediante un ensayo bilateral al nivel de aignificación de 0. 21.99.1.06. 7 (a) si (ó) no . (o) t 0.0. es ?.7.32)r(0.4.05 pero lo es al nivel 0. 23. no ¡e deduce que haya diferencia de acidez. 7.0 respectivamente. es 7. pero debe introducirse si el nivel de eignificación adoptado e¡ 0. 66.El' 7 Un ensayo unilateral muestra que el proceso no debe inhoduci¡se si el nivel de significación adoptado es 0.71. concluimos que el primer grupo no es superior . 0.64 + 0. El aparente incremento en la vai'iabilidad no es significativo a ninguno de loe dos niveles. la¡ frecuenciae esperadar son 32. Un enrayo unilateral indica que no disminuye la media a ninguno de loo do¡ niveles.84. 7.0118 (c) 0 (d) 0 (e) 0. 7.77. 7. 7. 11.94. 15.?. 7.6 respectiVamente.9. ?.e0.36. ?.01 .9. 7.4. no 7.8E. Las frecuenciae eeperadas son 41.01.82. E aparente decrecimiento significativo al nivel 0.1 y 1. 14.05 pero no al nivel 0.0118 7.87. Un ensayo unilateral rnuestra que a ambos niveles el contenido -nedio en cobre es más alto que el señalado en las especificaciones. 7. 4. 50. Un enrayo unilatetal a ar¡bos niveles de aignificación muesha que la marca B es superior a la marca A.7 Un ensayo unilaüeral muegtra quc la diferencirr e eignifrcaüive eB al nivel 0.05.3. 7. y 4.2.l0l.t9.7. .73.0.ae frecuenciae esperadas eon 1.2. 7.1 y 0.6.34. (o) 6 (D) 4 7. Un ensayo unilateral muestra que el nuevo fertiliz¡¡¡¿ superior a ambos niveles de significación.

103. .124. La hipótesis puede rechaza¡se a ambos niveles. el re¡ultado er significativo al nivel 0.L23.114.3179 (con conección de Yatea) 7 . (o) 7. (o) El ajuste 7. La hipótesis no puede rechazar¡e al nivel 0. 7. ?.138. ?.05 pero no al nivel 0.132.06 pero no al nivel 0'01.139.11f es es significante al nivel 0. La hipótesis no puede rechaza¡se a ninguno de lo¡ nivdes. No hay razón para rechazar la hipóteeis a ningún nivel.L72.05. El proferor nuevo no sigue las miemas nortnas que los otroe. ?. La hipótesis no puede rechazarse a ningfin nivel. (a) (b) (c) no ?. (a) 0.1L7 . ?. La diferencia ?. (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).116.10? . (a) Un ensayo bilateral al nivel 0.0738 (corregida) 7.115. 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 0.06.06. La conclusión es la misma. (a) 0. 7.LO2. sea mejor que la B d nivel 0. (b) El ajuste es bueno pero no "muy bueno".465t 7 .133. La hipótesis no puede rechaza¡se a ninguno de los niveles. No hay razón para rechazar la hipótesis de que las monedas ¡ean hon¡adas.129. No al nivel 0.108.01' 7.RESPUESTAS A PROBLEMAS SI'PLEMENTARIOS 365 7.1985 (conegida) (D) 0. (o) El ajuste es muy pobre al nivel 0.113. ) Un ensayo unilateial al nivel 0.109.05.0872. 0.05 indica que á tiene una mayor proporción de bolas rojas que B.2205.05.105.106.t25: 0. (c) si no si no (c) no (c) no ?. La hipótesis puede rechazarse al nivel 0. (b) (b) 7.728.134. bueno (b) no (o) El ajuste es "muy bueno".05 no rechaza la hipóteris (b de proporcioneo igudes. La hipótesis puede rechaza¡se a ambog niveles. Puesüo que la dietribuciónbinomialdaunbuenajustedelosdaüos. ? . 7. .13?. 7. 60. 1.110. (o ) 10. No puede concluirse que la marca A 7.109. 7 .05. (b) El ajuste es pobre al nivel 0. tul e no (b) 10 si (c) 10 (d) 8 7. 7. esto es consistente con el Problema ?. Mediante un ensayo unilateral.104. 0. Igual conclusión.0.05. 7.3863.118. 7 .

79.60 8.0 a (b) B?. (c) 37.8. (a) 0.8861 1 t.21r*O.?600 y 0.427Y 61. (a) 8.13 + 0.0 t 5. -0.661¡ (c) r = -14.90.08?86 o¿ (ó) (c) t?0 ft. (a\ u=-i+í" 6 u=. (a\ 0.8961 (b) u = 8.szos 8. (bl u = 4. (a) 0.rz 8.) 1.366 CAPITULO 8 RESPUESTAS A PROBLEMAS SUPLEMENTARTOS 15o 8.20(r-B) +0.408 + 0.88.69. B.6606 (ü) 0.87.2 (c\ 182.71.91¿6 y y 0.?3S(n-B)2 6 41.111.96. (o) (ü) t.60 (ó) 17. 75/p 8. E.00 8.?8 + 1.6633 1.112.0 8.81.9818 8.096 o * 0.7l4r (b) "=t*lu 10.66r * 2.96.r1y (d) 7g 95 t.s72 80.138 t a 0. (a) 3. (o) 1.21 0.64. 2. 0.968 (b.85.40 6 A:32. (cr.0 t 8.gBB+o.89.109.24 (b) 8.448 8.00*1. Mediante un ensayo unilateral no puede rechazarse la hipótesie. (a) z = 3.80 E.9?. 37.14(10)0.92.60 (ó) 1.151{" ¿O ó U -92.29y 8.64y 8.24. (b) a = 29.67.?961 y (ó) 0.20 E.6t-t.r3. =0. 0.ss56' 8.s912 (ó) 0. ft (d) Bg? (b') A=32.6tly E.99.126s 'y 0.84.00 (c) ?. (¿) t 3.Z.6 1.28 (o) (ó) Mediante un er¡rayo unilateral puede rechazaree la hipóteaia.398 (ó) 192. r¡o¿ = fi -o.68.oooo t 0. (o) (ó) 2.188 ¡ (c) r32 8.108.14(L.8r*12 (b) r= 0.115.?801 y .E0. - 1.5t*3.r10.0 4.107. (o) 1. (o) 0.IBB72 616 8.89 * L. u = 6.5 (b) (ó) g?.6 E. (o) v=0.00 6 r= (¿) 1.46¡r*l 8. (o) E.74.14¿0.E6.00 t _1.113.304 (ü) 1.9 2. (o) 8.0 a 19. (¿) 0.500a (cl r = 2.000 + 0.2928 y 0.9927 8. (b) d 8.4 si no no si E.1 E.77 y -.70.1r4. (a) 0.66. (a) 24.

128. llay 9. No hay diferencia significativa en operarios o máquinas.66. tlay 9. No hay diferencia significativa en neumáüicos a ningún nivel. 9.39.6158 E.01 . 9.deenerode1954. 9.9653 (D) 8.9*4.42. 0.35.43.116. (a\ 20. Igual al hoblema 9. No hay diferencia significativa en el color del pelo o estatura.126.34. Hay una diferencia significativa en los sitios pero no en los fertilizantes aI nivel 0.01.33 r .43.05.125.26. una diferencia significativa en marcas al nivel 0. No hay diferencia significativa en los métodos de enseñanza o plantelesal nivel 0.01. una diferencia significativa en sus calificaciones a ambos niveles.25.9254 y 0.01. una diferencia significativa en operarios pero no en máquinas.129.7096 y 0.0. No hay diferencia significativa en el tipo demaíz o suelosal nivel 0. 9.7 y 173.33. No hay diferencia significativa en los sitios o fertilizantes al nivel 0.lgxsilaunidadxesLl2añoyelorigenesel ¡ es un año y el origen es el 1o.38. CAPITULO 9 9.(b)y:722.4 libras 8. 9.05. llay una diferencia significativa en neumáticos y automóviles al nivel 0. de julio de 1950 (d) 142.7 (e)1977 1o.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 367 8.¡es5añosconorigenen julio de 1935. 415 8.05 pero no al nivel 0. (o) u = 3. 9. 9.4 (b) 116.38x E.130. Ilay 9.38. 9. 9.4547 8.dondeyeslanatalidadpor1000habitantes. No hay diferencia significativa en fertilizantes o suelos.36 lb 3.24. (b)y:18.23. No hay diferencia significativa en operarios o máquinas.01.3?.05.11?. 9.oy:107.16-0. 9.40: No hay diferencia significativa en neumáticos o automóüles al nivel 0. 0.4653¡z. (c) si no (ó) 8.l31. una diferencia significativa en rendimiento a ambos niveles.27. flay 9. 9.1083¡*0.30 pulg. . 8.6402 si la unidad 8.05.31.42*2.44.120.36. Igual al hoblema 9.32. Hay una diferencia significativa en el tipo de maíz pero no en los suelos al nivel 0. 9.L27. Flay una diferencia significativa en los métodos de enseñanza al nivel 0-05 pero no al nivel 0. 0.4f. 9.

No hay diferencias significativas debido a los químicos o s¡tios.52.64. 9. llay diferencias 9. máquinas o fortaleza de cables. No hay diferencias significativas debido a sitios o fertilizantes. No hafl diferencias significativas debidas a los factores o tratamientos.45.55.46.61. 9. 9. fuual al hoblema 9.49.54. . FIay diferencias significativas debidas al factor 1 pero no al factor 2 o tratamienLos A. pero no otras dife- ' ltray diferencias significativas en tipos de cables pero no en operarios. 9. 9.368 RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 9.63.Q.66. color del pelo o Iugar de nacimiento. significativas en los puntajes de los exámenes debido al estado veterano y al I. 9. 9. ltray diferencias signifrcatiyas en especies renciag signif icat ivas.Q. sílo son.ó. No hay diferencia significativa en los puntajes de I. Al nivel 0.47 No hay una diferencia significativa en rendimiento escolástico debido a diferencias en estatura.3. al nivel 0. significativas debido a los sitios pero no a los fertilizantes.05.4E. pero las debidas al LQ.54. llay diferencias 9. 9. 9.Q. 9. No ha! diferencias significativas en los puntajes de los estudiantes de diferentes partes del país.01 las diferencias en los puntajes del examen debidas al estado veterano no son significativas. No hay diferencia significatirra en tratamientos a cualquier nivel. B. 9. C.62. pero hay diferencias debidas al I. y canüidades del primer compuesüo químico.

269 ensyo chi-cuadrado Pua la. 11.297 teo¡ía muest¡al de. conelación y reg¡esión üneal perfecta. 115. 112 clasificación simple o experimentos de un factor.112. 116. 266. 25-2 7 análisis de v xianza. 1O8. 61 disÉibución beta. 2L7. 216. 244 264. 2 constante de Boltzmann. 89 282 diagramas á¡bol. 6O. ' dife¡encia de conjuntos. Só. 306-338 fórmulas cortas en el. 21 diagramas de Venn.78. dewiación. 56-60 pua el caso continuo. 345 ordenadas de la. 234. 248 curuas de aproximación.L28 relación de la a la distribución de Poisson.244 cuwa nomal.112 219. 46. 2ó8 94. 316 diseño experimental. L24. completa. 84 ajuste dé datos por la.243.3f6 bloques aleatorios. 116.244 conelación. 264. 9.2 conjunto universal. 224. 306- continua a la derecha. 297 distribución de Bernoulli (uéose distribución binomial) distribución de Cauchy. 34ó cu¡va normal tipificada. 177. 246 muestral. 217. 295. 100. 22O. 109 de la distribución de Poison. 94. 333 cociente de inteligencia. 47. 316 püa de tres factores. 316.263 covuianza. 316 27 distribución binomial negativa. 306. 109. 248 decisiones estadlsticas. 183 de la distribución binomial. 92- curua cuadrática. 118. I29 aproximación normal a la. 263. 9. 78 diseño de experimentos. 117. 28L-284 ensayo de tripótesis y significación para el. 225 análisis combinato¡io. 13 2. 116 reJación de la a la dist¡ibución normal. 284. Bernoulli. 92-94 teoremas sobre la.2A2. 344 curua parabólica. 217. 311.322 para experimentos de dos factotes. 316 bondad del ajuste. 3f6-321 clasificación tríp¡e o factor tres expedmentos. 217. 263. 246. 21 1 desigualdad de Chebyshev. 115. 115. 268. 8ó decisión. 177.315. 258. 112 de Ia distribución normal. 247 332. 112. James. 1 conjuntos disjuntos 3. 1 77 combinaciones. 115.324 cuadrados ortogonales. 30. número desigual de obseryaciones en 312-315 experimentos conjuntos. 46. principio fundameotal de.269 cunas de regresión no lineal.294 generalización del. 29G 292 correlación gradual. 217 convoluciones. 81. 345 tipificada. 85. 163 decilas. 239 propiedades de la. 267. 267. 1 51 contado¡ Geiger. 3 264. 142 relación de la con la binomiál negativa. 108.320. 111 r34 distribución de Pascal.246 Datos agrupados. 26 4 coeficientes de confianza. 88. reglas de. 1 (uéos¿ también conjuntos) clases y frecuencias de clase. 133 . lO9 (véase tomb i¿n distribución no¡mal) distribución geomét¡ica. 23A. 265-267 coeficiente de correlación lineal. 6 conección de Yates para la continuidad. 221-226. 12. 11. problema. 31 curtosis. 317. 47 para el caso disc¡eto. 23. 263. 46 casillas. 82. 85. 1 17 moda de la. ó conjuntos iguales.316-321 aproxirración de Stirling a nl. 138. 268 r23 aproximación de la dist¡ibución de interl¡retación probabilfstica de la. 135 teoremas sob¡e la. 296 Poisson a la. 112. 6 conjunto nulo. 316. 33O cuadrados latinos. 258 relación de la a la distribución norrnaI. 139'141 teoremas sobre la. 291 26r. 266 (véose tom' bi¿n conelación y reg¡esión) curva de potencia.97-99. 26 4. 168.311 aleatorios. 99 (uéase tombién distri' bución normal) áreas bajo la.324 el. 25 coeficiente de conelacion. 11O á¡eas bajo la. 24O.2L6 área bajo la. 342 axiomas de probabilidad.237-239 aleatoriedad. 197. 11. 130. cuenteo. 295. 2.242. 134 cuilas cdacterÍsticas de operación. l. 264. 97 también varianza) dewiación tÍpica.135-137. 332. 112 relación de la a la distribución binomial. 139. 78. L28. coeficientes de. 344. 264. 198. 349 distribuciones gamma. 135 distribución bimodal. 319. 3O7. 118 distribución de Poisson. cumplemos. 230 coeflcientes binomiales. 11O. r97. 47. 254. colección. 119 distribución ¡'. 220. 164. 316. 232-236.86. 11. 31O. 328. lO. 237 dispe¡sión. 127.118 distribución hipergeométrica. 82 cuadrados greco-latinos. 1 18 distribución chi-cuadrado. 259 típica (uéose desviación tíPica) desiación media. 26+ 246 püa datos agrupados. 7L.28l-244 fórmula p¡oducto-momento para el.348. 297 poblacioml. 117. 219.118 propiedades de la. 26O clase. E4. 268 generalizando. 117. 129. 31ó álgeb¡a de sucesos.145 ajuste de datos por.163 centroide o centro de gravedad de los datos. 133. 118. 321. 116 cuenta. 347 como caso especial de la distribución gamma. 108 bloques. 119- 310.169 negativa. 144 cont¡ngencia. 82.11-13 teoremas sobre. 309 media y varimza de la. | (uéase también conjuntos) columna de conteo. 118.293.37 Cambio de variables.97 dist¡ibución binomial. distribución gaussiana. 136. 213.26l múltiple. 118. L27. 143. coeficiente de. 2a5'247. 1 conjuntos medibles. 114. 83.310. 19ó coeficientes de correlación múltiple. 3 dimensiones o unidades. 134. 315. 24 complemento de un conjunto. 1 13. 258-3O5 gradual. 5 completa aleatorledad. 3 1 5 altamente significativos. 118 valores de Ias percentilas de Ia. 184 categorías. 83. 2a6-2a7 . 13 conjuntos bien definidos. 2ll. 232-236.129 distribución exponencial. 218. 1O9 relación de la a la distribución normal.125. 4 conjunto vacÍo o nulo. 263. 9. 2 (uéose deteminación.333 para experimentos de un factor.lndice Ajuste de datos po¡ distribuciones üeóricar. 163. 117 ¡elación con la chi-cuad¡ado y t.213 Bridae. 27. 161. curua de ajuste. 296 independencia y.281-289 tabla. 40 control de caüdad. 321. 315. 10. 1l uti¡izando p¡obabilidad. 264 curyas OC.

45 función de densidad conjunta. 194 estimas po¡ puntos. 117. 2ó9. 1Og de la distribución de Poisson. 346 media y vaianza de la. 41 conjunta. 341 fracaso. 306-31O. 164 distribuciones de fiecuencia acumulada. 118. 157 función de densidad normal tipificada. 160. 324-327 variaciones pa¡a.293. 206. definicid¡ de la. 194 estimas sesgadas. 164 acumulada.171173 de medias. 142 distribuciones condicionales. 4 46. 39 (uéase tambíén funciones de distribución) función de distribución conjunte.226-22a mediaate la distribución chi<uadrado. 2L4. 44. 199 insesgada (u¿ose estima iDsesgada) estimas de máxlma verosimilitud. 6. 13ó función de densidad para la. 42. 4O.177 enfoque de la frecuencia relativa de 308. óó estatura de padres e hijos. 314. 222 escalera flor. 5 enfoque uiomático de ptobabiüdad. 212. 220. estadfstica. 36 E.. 194 estimas por intenralos. 306 Fistre¡. 260 elementos o miemb¡os de los conjuntos. 61-63 distribuciones co¡iuntas. 296 derivación de la. 161. 1ó chi-cuadrado y. 215. 212. 198. 262. principio de.201 esti¡nas insesgadas. experimentos de dos faetores. 14. en téminos de varimzas y del coeficiente de conelación. 279 efectos de bloques.267 formas igualmente factibles. 261. 113 experirnentos aleatorios. 156. 4 esperanzar 76. 285. 110 espermza matemática. 236 mediante la distribución normal. ó1.370 media y vaxi^nza de la. 157. (pe¡cepción ext¡as€nsorizlr.318 de vuianzas. 163.312. 86-E8 condicionel.61. 5.178.294 fómulm de Euler.2A6 224 espacio muestral. 194 estimas. l6 3 frecuencia relativa. 44. 81. 159. 158. 1?3-176 de varios estadísticos. 76. 262. 162.A. mediante la disúribuclón F. 168- de ¡elaciones de vuiauas. 273. 25. 295. 194-210 eficiente. 41 de funcit¡nes de vadables aleatorias. 138. 278. 156. 213 para va.216. 198. 113. 77 (uéose dos. 26ó también esperanza) estadfstica Bose-Einstein. 2L9.pua el coeficiente de correlación. 4 espacios muestrales no disretos.2t6 ¡elación con la teorÍa de estimación. 186 estadlsticos muestra¡es. 213. 260. 1ó7. 196. ?7 muginal. 194. 43-46. 39. 111 teo¡ema de la unicidad para le. 84 distribución multinomial. 114. 1O8 expansión binomial. 117 disribución trimodal. 36 función aleatoria (uécse vuiable aleatoria) función beta. 41 distribuciones de probabilidad discret¿. 194 e¡aor tfpico de la estima. 83. 231.4. 114 relación de la a la disEibución binomial.S. 28t. 312 efectos de lnteracción. 287. 199. fó8. 216 para coeficientes de regresión. 54 de sumas de variables aleatorias. 94. 84 distibución uniforme. 3O8 error tfpico. I76.47 disc¡etas. 6 fórmula de inve¡sión. 48. 164. 160. 38. 266 para vrimzas. 94. 263. 111 distribución nomal bidimensional. 116. 81 fórmula de Spe¡man pa¡a la cor¡elación gradual. 115. 198. 38. 91. 3 Ecuaciones norraales pua la recta de mfnimos cuad¡ados. 1O8 expamión multinomial. 297 e¡rb¡ o residuo. 289. estadfstica (uéose estadís- tica Bose-Einstein) e1e x. L4l 11 8.244. 77 espermza condiciona!. 267 3-2L5.) distribución porcentual de frecuencias.266. Futl. 290 estima. t7l enfoque a posteriori de Drobabilidad. t¡ansformación Z de. óo conti¡uas. 119 distribución muestral.279- 164. 164 f¡ecuencias elementales. 263.263. probabilidad de. 63. 138. 16ó.139-141 ¡elación de la a la distribución normal. 17?179 acumulada. 43 teoremas sobre la. 3 7 Fisher. 163. 162. 16G162. 311 distribución t Student) 163 acumulada. 267. 119.226-228 mediante diferencias de proporciones. traslación de. 44. R. 261. ó3. 4. 265 77 38. 109 propiedades de Ia. 99 de la distribución binomial. 311 notación paa. 162 distribución multimodal. 77. 161.214 püa pequeñs muestras. 179 relativa. 343 función de densidad. 276. 43. 164 acumulada. 52 distribuciones de probabilidad condicional. 1ó espacio muest¡a] finito. 164 distribuciones de probabilidad. 310. distribución de 2t6. 1O8 . 132. 342 función característica. 2I9. 16-321 225 la.249 distribución nonnalr 109-1 11.277 para el plaao de regreslón de mfnimos cuadrados. 289. 194 (uéate estimas insesgadas) toñbién mediante diferencias de medias. ó2 de funciones de vuiables aleatorias. 293. 137. 27 O. 260 ejes. 159. 290 . 133 distribución Weibuü. 117 teoremas sobre la. áreas bajo mediante relaciones de varianzas. distribución f de Stud. 299 er¡ores del tipo I y del tipo II. 4 espacios muestrales inflDitos contables. 81 ble. 117 relación de la a la chl-cuadrado y F. 83. 297.6 286. error típico de la (véose ettot tfpico de la estima) estimación. 184 de medianas. 259 estimador insesgado. 286 fórmula producto-momento para el coeficiente de cor¡elación lineal. 2L9.294 pa¡a la püábola de mlnimos cuad¡a- teoremas sobre. 47 interpretación gráfica de la. 194-2LO. 217 ensayos de dos colas. 2 interacción en el. 2t6. 1 de proporciones. 178 (uéo¿e 213 mediante la distribución f de Student.196.215. 237. pua variables aleatorias contfuruas. 218. 80. 162 INDICE efectos de tratarniento. 266. zLl. 326 función de distribución acumulada. 269. 31 1 experimentos de Mendel. 113.179 distribuciones de frecuencia ¡elativa. 141 probabilidad. 44 va¡ianza pa¡a. 44 . 92. 2r9. 223. 35 estadfstico no puamétrico.lores medios predichos.¡ecuencia marginal. 4 espacios muesfales discretos. 241 3 mediante medias. 113 distribución Maxwell. 6 enfoque a priori de p¡obabilidad. 40. 231 experimentos de clasificación doble (uCose experimentos de dos facúores.2La. 267 pua valores predlchos. éxito. 6 enfoque clásico de probabilidad. 163. 218 frecuencia porcentual. 221-226 mediante proporciones. 266. 4ó para valiables aleatorias dlscrets. 214. 4 espacids muestrales continuos. 82 distribuciones de frecuencias. 211267 estimas no eficientes.ent. 92. 6 ensayo chi-cuadrado para bondad del ajuste. 286-287 .P. 2L6.268 pua grar¡des muestras. 118. 262. 22L- experimentos de un factor. 29A espacios muestrales infiniio no conta- fumión complementaria de error. probabilidad de. 124-127 ajuste de datos por la. 213 ensayos de una cola. 312 Einstein-Bose. 49. 16ó-168.22L. 243 ensayo de bipótesis y significación. 8l totales.274. 44 dis¡etas. 163.160. 64 293. 5. 313-315. 157 de dewiaciones típicas. 238 bidimensional. 117.282. 98. 216. 198. 297 f¡ecuencia observada.229-231 2L con repeticiooes. 112 de la distribución normal. 216 Fermi-Di¡ac. 4ó. 178. 264.39. 52-56 continuas. 162 de difetencias y sumas. 162. 81. dualidad. 14.

123 de la distribución chi-cuadrado. grupo control. L22. 96. 217 gráficos de control de caüdad. 313 polÍgono de frecuencias 179.165. 195 lÍmites fiduciales. 186. 11 método de mínimos cuadrados. 11ó. 2 lntcnalos de confianza. 111 21 E inte¡ralo semi-intercuütÍlico. 46. 2t3.45. 96. 37 Poisson. 6 muestras. 79 momentos condicionales. 155 población binonial. 15ó. invuianza baio üanstotmacióD. poker. 81. 342. 84. 3.219. 26L. 196 muestras aleatorias. 4O función factorial.313 ? probabilidad. 184 teorÍa de correlación y regresión. 2+2. 155. para la convolución. 214 histograma. 163. 13ó de la distribución d€ Poisson. 117. 164. 311. 96. L21 Jacobiano. 18O- población normal. 1ló de la distribución F. 350.179183 momelltos centüales. f 56 alrededor de la media. f16. 113. 156. para datos agru- Gas ideal. ó6. 1O9. 227. 156 tamaño de la. 112 la distribución F.2O3 para relaciones de vuianzas. 292. 194. 48 probabilidad de causas (uéos(f teorema teoremas de la. 95 para las pruebas de Bernoulli. 162 no unicidad de la.266 pe¡mutaciones. gran media. 48. 198 dist¡ibución de muestreo de la. 342 fórmula de recunencia ptala. 83. 47. 40.237. para el análisis de la varianza. 163. 1 polÍgono de frecuencia. 241 tabla de.S. 89-91. 224 niveles de significación. 309. 312. L78 I paradoja de Russell. 3Oo funciones de distribución marginal. 117 modelo matemático lineal pua el análisis de va¡ianza. 61-63 conjunta. 183. 8O función monotónicamente creciente. 199.234 pare propo¡ciones. 159. 259 ir¡tetcepto. 126. 32 parámetros poblacionales. 351 loterm. 45. 1ó8.¡los abierto y cetrado. 2O2. 221 experimental o descdptivo. 342 función gamma. 41. 112 de la distribución normal. 197. 306. 179 acumuladas. 243 pua paábolas. 42 para variables aleatorias discretas. ó8. 171. 63 función de Drobabilldad coqiuDts. aproximación de Sti¡ling a.. 158. 3. para la convolución. 136 gráficos de control.312 ordenadas. 5ó. 76. 1^O. 49. 97 medidas de dispersión. 2 núme¡os ¡eales. 89'91. 55. 47 para conjuntos. 164. 1ó1 grados de libe¡tad. 84. 1ól momentosr 79. 1 56 partículas radioactivas. 206 semi-cerra2dO. 1O función paso. 197. 266. 11? de un conjunto de números. ensayos de. 3 ¡ey conmutativa. 277. 99 pe¡cepción extransesorial (udase E. 156 196 Ley asociativa. 2. 157 media total. 196.44. 86. 2 pea vErian¿as. 17? niedia. 43. I 55 integrales de Fourier. 158 I. 164. 79 condicional. 6. 1á6 con o sin remPlazamiento. S. 40. funciones de densidad marginal.5ó marginal. 2 logúitmos comunesr tabla de.23O Herencia. 94 función escalera. 343 central. 163.97 (véase tanrbién esperanza) pados. 84.166. 6 suma de los pa¡a la distribución chicuad¡ado. t71. 156. 3 inteivalo de clase. 1O9. 171. 3. 2O4. 44 g¡andes muestras. (uéqs¿ rectas de mÍnitnos cuadrados) método y fórmula clave. 3O6 de de de de medias de grupo.22O. acumulado. 39 condicional. 177 muestreo. 44 371 molécula de gas ideal. 23O inferencia estadística. 196. 177.INDICE función de probabilidad. ll. potencia de un ensayo. 266- 4t. LS7.297 miembros o elementos de un coqiunto. pea conjuntos.221 experimental o descriptiva. 156 población multinomial. 342 fórmula asintótica de Stirling pa¡a la. 80 teoremas sob¡e la. 206 modelos matemáticos. para la convolución. 80. \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.Q. 98 integr¿les especiales. 164. 342 27. 44. 39. 13 en los zucesos. 8 3O7. 212. 1 método de expansión. 159 normal. teorema de la unicidad pea la. 38 marginal. 76. lnteÁ.342 función gene¡atriz de momentos. 2.) mÍniinos cuadrados. 306. 211. 114. 97 mejor cuwa o recta de ajuste. lO9.5 probabilidad condicional. 47. 6r 3 ley de los grandes números. 155 aleatorias. 1. 97. 311 mediana. 184. 177. 85. 165. ó4. 196 población finita. 21 hipótesis. 163. 199-201 grupo. 94 moneda cargada. 178 moda. 6 moneda b-omada. 159.272 función error. 203. 198. 1 7-2O función de la. 54. 85. 45 funciones de distribución. 224 tabla de. Ojivas. 268 para vuiables aleatorias continuas. ó3 niveles de confianza. 47 Pata conjuntos. lf l.297 198 para rectas. 312 g¡an total. 205. 269.293 medidas de centralización. 117 la distribución normal. 111 de la distribución ú o de Student. 195. 83. 96. 1ó5. 43 4O 268. 84. 84 (véose también media) media muestral. 195 (uéose tambíén lÍmites de confianza) IÍmites reales de clase. 13 lÍmites de confianza. 86 Marca de clase.179 ojivas porcentuales. 79 intenalos geml-abiertos o dos.249-292 n factorial. 204 para medias. r23.P. 3O6 medias de tratamiento. (cociente de inteligencia). á1 lÍnea real. 163. 211 (uéase tombián ensayos de hipótesis y significación) hipótesis nulas. 308. 264. ró9 población infinita. 1 56 independientes. 21?. 341. 12. 217 259 236. 276. 76 de una muestra. 1óó.D. 85. 123 la distribución de Poisson. 26.241 hipótesis estadísticas. .164. 1r6. 110 eomplementaria. 1ó6. 3O7. 76. 84. 213 números rleato¡ios. 217. 156. 194-206 para diferenciás y sumasr 196. 1 44 pe¡centil¿s o valores percentüa. 259 método de comprensión. 164 operaciones de coniuntos. 45.49. 44. 8O.268 funciones de probabilidad marginrl. 13 Iey distributiva. 27-23 población. 157 media ditmética. 166-167.84 Papel gráfico de curya normal. 259 para curvas. 1 (véase también conjuntos) prábola. débil ros) (ué¿se muestras independientes. 19ó nivel de significación. 269. 97 medias de fila. 79 alrededor del origen. l2 computación de la.312. 27 . 183. 1ó8. 39.50. f96-202 L44. 69 para datos agrupados. 26O intetsección de cotiuntos. 200 número. 19ó. 96 de la dist¡ibución beta. 308. 352 números complejos. 179-183 la distribución binomial. 36. 8.98 de la dist¡ibución binomial. 84. 156 parámetros de la.

123. 254. 158 de la distribución no¡mal. 29. 306. 1 I O región crltica. 2O1 t¡ansformación de Fourie¡. 50 papel gráfico. 284. 7. 3O7. 242. 29. 260 variaciones. 161.78. para un conjunto de números. 264. 49. 3O7 para . 25 Unidades o dimensiones. 281. invarianza bajo. 26I intersección de. 165. 81 transformación Z de Fishe¡. 50 dist¡ibuidas unifomemente. 1?9-183 vriable independiente. 27 I relación fineal. 266. 114 1ó8. 259. 151 teorema de unicidad. 289. 1 14 independientes.239 problema de la aguja de Buffon.262 vüiación explicada. 4. 198 rectas de mÍnimos cuadrados. 64 probabilidades. 48.159. explicadas y no explicadas.294 vaianza. 269. 266. problema de la. 26? traslación de ejes. 23a como una función de valor real. 262. 311. 45. 30. 7. 183 de la distribución binomial. 243246 tablas de frecuencia (uéose ta¡nbién distribuciones de frecuencia) variables aleatorim distribuidas binomia¡mente.111. 269 vdiables-transf o¡madas. I 18 tablas y distribuciones de frecwncias de doble v&iación. 5O con distribución dg Poisson. 22O tablas de con¿ingencia. ó2-56. 37 subconjuntos. 258 punto muestral. 79. 67. 30. 2AL. 45.6O teorema del límite central. f91. 164. 113.2O2 interpretación probabilística de. 262. 131. 266. 213 región de rechace. 78 va¡ianza combinada. 78 unidades tipificadas. 38 variables aleatorias de la distribución de Bernoulli. 1 subconjuntos p¡oFiós. 219. 195 valo¡es de tendencia. 85. 258. 263.116 función (uéose función de probabilidad) geométrica. 1O9. 151 82 seguridad. 46. tabla de. aleatorias) 2 2 241.273 en términos de varianza muestral v teoría de muestreo exacto. 38. 260.115 variables aleatoiias con distribución chi- ta. 263. grados de libertad 311 métodos cortos paa obtener las.110 vüiables dependientes. 49 ¡éplicas. 164 probabilidad geométrica. 1O8 vuiables aleatorias distribuidas de a- cuerdo con la dist¡ibución Poisson. 48 función de densidad de. 111 vuiable estocástica (véase vuiables valores exponenciales. 29O curva.115 vtianza poblacional. problema de los. entre columnas o bloques. 3O9 regresión múltiple. 279 unión de conjuntos. 46.98 serie de Taylor. 48. 266.266.272 318 grados de libertad para.124 las. 1 ilceso imposible. 81 transfomación. 266. 5. 269. 143.3il1 Taylor. 311. va. 83. pda la función generat¡iz tos. plano. 6.lores esperados de las. 160 esperanza de Ia.2a5 vaiación no explicada. 117 de la distribución muestral de medias.245 en análisis de varianza. 52-56. 89. 85. 341 ¡elación con las dist¡ibuciones t y F va¡iables aleatorias con dist¡ibución Gamma. 22O. 216 var\anza muestral. variación total. ó sucesos. 41 INDICE sobres. 195 desconoce la. 31O. 3 significación. 14.244 representación gráfica. 78.114. Valores críticos. 266. 212 ensayos de. pa¡a la función ca- vaiables aleatorias independientes. 26O. (véase v atianza muesüral) continuas. 322-327 tabla de c. 3O8. 79. 212. 2t9. 242.2a5 vatiación residual o aleatoria. 85 sesgo. 4. 79. 79 tipificadas de. 8.27l uperf icies. 58. 63.lasificación simple. 264-27 4. probabilidad empírica. región de. 79 pados. 123 de la distribución de Poisson. 297 tammo de la muestra.86. 270 va¡iables aleatorias. 264. 1O8 variables aleatorias dependientes (uéose variables aleatorias independieDtes) vaiables aleatorias discretas. 97-99. 27 8. 26A. 263. 262. 15 utilizando el análisis combinatorio. 6 algunos teoremas importantes sobre la. 237 . 112 de la distribución f'. 311. ? sucesos independientes. 1Og de la distribución de Poisson. 117 muestral. 262. 212 regla de Leibniz para la de¡ivación de una integral. 261.249 computación de la. S2 sin dimensiones. 64 gráfica.285 recta. 112. 292-294 cov^rianza. 2a9. 79 vriables aleatorias con distribución Be- serie".317. 26O.49. 158. 289. 5 condicional. 26 2 teoría muestral de. 216 como segundo momento. 89. 352 293. 219 en anáUsis de varianzas. 82 veiables aleatorias normales asintótica- ley de los grandes números paa 109.82 de momen- mente. 130. 11O v&iables aleato¡ias dist¡ibuidas uniformemente. 195. 259.260 pua vriables aleato¡ias distribuidas binomialmente. 3O9. 271 referencias tipificadas. 6.318 múltiple. 161. 289 ecuación. para datos agrucondicional.2a4.85. 291) universo del discurso. 1ó8.81.158. 9. 3f 3-3f 5.89 combinada.94 de la distribución binomial. 324-321 residuo.39 vaiables aleatorias continuas. 46 scesos mutuamente excluyentes.284. 3Og pua las. 108.4 Recorrido.2a4.287-289 transformada inversa de Fourier. LIL. 265. 115 cuadrado. 266. 242. 217. 81. 21 variación. 15 sucesos elementales. 223. l94 sÍmbolos de inclusión. 1lO va¡iables aleatorias adimensionales. ó. 176 velocidad efectiva (¡ms). 79 distribución de las. 39. 38. 15-17 p¡obablemente significativos. 8O sesgada a Ia derecha o a la izquierda. I7 -2O. 63. I 1 O pila distribuciones conjuntas.97 semi-intercuartr-lico.372 o ¡egla de Bayes) concepto de la.38 discretas. 111 de la dist¡ibución t. Tabla de probabilidad coniunta. 26-27 231. 112 de la dist¡ibución normal.37. 262.284 relaciones no lineales. 38. 281. 8O dist¡ibuidas binomialmente. I O8 distribuidas normalmente. 20. 196 tigmpo de reacción. 11 1. 37 serie de Fourier. 259.81.63 vüiables aleatorias no relacionadas. 156 temperatura Kelvin. 226 . asignación de las. 317. 2ll (véase tombién ensayos de hipótesis y significación) vaiables aleatorias con dist¡ibución Cauchy. 9. 194. 49. 2ó9 Sec¡etaria. 266. 311 tratamientos.259. 131 prueba del. 3O7.2ó9 coeficiente. 249 de vaiables aleatorias distribuidas normalmente. 108 pruebas de Bernoulü. 263. 68 proporciones. 3O9 ent¡e filas o tratamienúos. 8 cálculo de las.2a2. 43 t¿blas de clasificaclón doble.161 veiables aleatorir nomalizadas. 131 teorema o ¡egla de Bayes. 326 diag¡ama.161:171 prueba de Bernoulli. 97. 17-2O. 63 no conelacionadas.88.262 27 a. caso donde s . 8O ¡acte¡Ística.experimentos de dos factores. 3O6 triángulo de Pascal. 42. 312 regresión. 264. 2a7. ó-7 sumas es¡reciales. 6 suceso seguro. 31 1 entre y dentro de tratamientos. dist¡ibución muestral de. 13O. 164 dist¡ibuciones de la.

.

.

l .

.

.

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

Sign up to vote on this title
UsefulNot useful