P. 1
760 problemas resueltos probabilidad y estadistica

760 problemas resueltos probabilidad y estadistica

|Views: 489|Likes:

More info:

Published by: Nelson Chico Rodriguez on Feb 17, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

07/30/2013

pdf

text

original

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.

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

Parte I PROBABILIDAD .

.

i. y un elemento por una leha minúsculao.Para que un conjunto seabiendefínido.6.1. es decir si B. SiA C B pero A + B llamamos aA un subconjunto propio EJEMPLO 1. EJEMPLO 1. _ Si un elemento a pertenece a un conjunto C escribimos a€ C. Sinónimos de conjunto son c/cse.6\. debemos estar capacitados para determinar si un objeto específico pertenece o no al conjunto. describiendo alguna propiedad conservada por todos los miembros y por los no miembros. escribimos de B. EJEMPLO 1.2. Un conjunto puede definirse haciendo una lista de sus elementos o. i. El conjunto de las vocales en el alfabeto puede definirse por el método de extensión como { a. de {o.3. u}. llamados míembros o elernentos del conjunto. 4.4. EJEMPLO 1. e. o. pero no un subconjunto propio.5. grupo y colección. uloporelmétododecomprensióncomo{rlreeunavocal}. EJEMPLO 1. Se sigue que para todos los conjuntos exactamente los mismos elementos. SUBCONJUNTOS Si cada elemento de un conjunto A también pertenece a un conjunto B llamamos a A un subconjuntodeB. Un conjunto puede considerarse como una colección de objetos. 5. I a. 3. Al lanza¡ un dado los resultados posibles cuando el resultado es "par" son elementos del conjunto {2. Si Ac B y B CAllamamosa A y B iguales y escribimos A : B. 4.escritoAcB6B:Ayleído"AestácontenidoenB"o"BcontieneaA" respectivamente. 3. i. 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. A tenemos A C A.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. o.b. e } es un subconjunto. mientras no se especifique lo contrario. 2.4. como siempre lo supondremos.5.6}. Si o y b pertenecen aC escribimos a. si esto no es posible. En este caso AyB tienen A+ Si A no es igual a B. o. el cual es un subconjunto (propio) del conjunto de todos los resultados posibles {L. puesto que los dos conjuntos son iguales. B._l 'Cupítulo Coniuntos y probqbilidqd EL CONCEPTO DE CONJUNTO 7 El concepto d. Obsérvese que la sola redistribución de los elementos no cambia el conjunto. ¡ |¡ es un triángulo en un plano ) es el conjunto de los triángulos en un plano. El primero se denomina el método de extensión y el segundo el método de comprensión. 6). a. El conjunto { Obsérvese que el método de extensión no puede utilizarse aquí. denotamos un conjunto por una letra mayúscula A. léase"elconjuntodeloselementos¡talesque¡es una vocal" donde la línea vertical I se lee "tal que" o "dado que". C.2. u}. A y B no tienen exactamente los mismos elementos. Sic noperteneceaC escribimos a é C. u. EJEMPLO 1. i. En general. { 4 o. e. b e C. . e.

T. Tales diagramas denominados diagramas de Venn. . EJEMPLO 1. l -2 Fig. En tal caso los subconjuntos de zt (como A y B indicados y sombreados en la Fig. se llamala unión deA yB y se escribe Au B (región sombreada en la Fig. 1-2). DIAGRAMAS DE VENN Un r¡niverso u puede representarse geométricamente por el conjunto de puntos dentro de un rectángulo. 5. 1-1) se representan por conjuntos de puntos dentro de los círculos.JNTO VACI( Para muchos propósitos restringimos nuestra d fico denominado el uniuerso del discurso. 1-3). 6}1. 1 El teorema siguiente es verdadero para cualesq Teorema I-I. Si lanzamos un dado. l-3 Fig. Intersección. 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. o simp espacio uniuersal y se denota por u. es un EJEMPLO 1. sirven para da¡nos una intuición geométrica respecto a las posibles relaciones entre conjuntos. el conjunto de todoe los resultados posibles es el universo {L.8. Si AC B y B CC. CONJUNTO UNIVERSAL Y CONJI. Unión. 1-4 2. entonces AC C. EJEMPLO 1.a CONJUNTOS Y PROBABILTDAD lcAP. 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 .3. El conjunto de todos los elementos (o puntos) que pertenecen a A o a B.7.9. Los elemenr Es útil considerar un conjunto que no tiene r uacío o el conjunto nulo y se denota por p. 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 conjunto de todos los números reale¡ nulo o vacío ya que no hay nfimeros reales cuyos cua números complejoe el conjunto no es vacfo. Fig.4.2. o tanto como aB.

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

. si lanzamos una moneda dos veces y utilizamos 0 para represenmr sellos y l para representar caras el espacio muestral (véase Ejemplo 1.SC. simbolizadaporc(ó1). Así cuando se produce un tornillo será un miembro del conjunto {defectuoso. Si elemental o simple. Obsérvesé que eJ córresponde al conjunto universal.en tanto que uno que es infinito no contable'se llama espacio muestral continuo o no discretoSUCESOS posibles. etc. es decir es un conjunto de resultados el resultado'de un experimento es un elemento de A decimos que el suceso A ha ocunido. 3. (0.esdecirunodeloselementosdelconjuntóíqs)(ó{0. o una "cara". 2.13. 1)). Tales experimentos se denominan experimentos aleatorios. Si tenemos una máquina que produce tornillos. .1 0. EJEMPLO 1. por ejemplo.6). donde suponemos que ninguna lámpara eléctrica dura más de 4000 horas. 4.16. EJEMPLO1. 'EJEMPLO 5.or . 1. si lanzamos un dado el resultado del experimento es uno de los números en el conjunto {L.15. Si lanzamos un dado. Un principio fundamental es que si efectuamos tales experimentos repetidamenle bajo condiciones aproximadamente idénticas obtenemos resultados que son esencialmente los mismos. Los siguientes son aLgunos ejemplos. entonces el resultado del experimento es el tiempo f en horas que se encuentra en algún intervalo. es lógico que el último no sería adecuado pan determinar.3. hay experimentos en los cuales los resultados no son esencialmente los mismos a pesar de que las condiciones sean aproximadamente idénticas.2.2.5. por ejemplo. EJEMPLO 1. simbolizado por S ( ó 0 ). Silanzamosunamonedadosveces.16. Unespacio muestral que es finito o infinito contable frecuentemente se denomina espacio muestral discreto. Si lanzamos una moneda eI resultado del experimento es un "sello".dsdecirdos EJEMPLO 1. l-? tos como números naturales 1. si un resultado es divisible por 3. 1 EXPERIMENTOS ALEATORIOS Todos estamos familiarizados con Ia importancia de los experimentos en la ciencia y en la ingeniería. . como en el Ejemplo 1. Frecuentemente es útil dibuja-r un espacio muestral gráficamente.CONJUNTOS Y PROBABILIDAD [cAP.CS.. se denomina espacio muestral infinito contable. Si tiene tantos puntos como hay en algún intervalo en elejer.12. 1-7 donde. EJ EMPLO 1 . cara la primera y sello la segunda.12) puede dibujarse por puntos en la Fig. el resultado del experimento es que algunos pueden estar defectuosos. 0 ú :: 4000.1 ) representaselloen el primer Ianzamiento y cara en el segundo lanzamien[tr. = ESPACIOS MUESTRALES Un conjunto oj que consiste en todos los resultados de un experimento aleatorio se llama un espacio muestral y cada uno de los resultados se denomina punto muestral. Si tiene tantos punl'ig.elresultadopuedeindicarsepor{CC. por ejempio.SS) caras. Un suceso es un subconjunto A del espacio muestral. 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. Si un experimento consiste en medir "la vida" de las lámparas eléctricas producidas por una compañía. 6 | en tanto que otro es lpar.tal como 0 f r: S 1. impar) Sin embargo. un espacio o conjunto muestral de todos los resultados posibles se da por {1.14. 4. Un suceso que consiste de un solo punto de cJ frecuentemente se llama un sueeso . Si un espacio muestrdl tiene un número finito de puntos. Sin embargo.se denomina espacio muestral finito. g. es decir SC. EJEMPLO 1.11. no defectuoso}. . sedenominaespacio muestral infinito no contable. En tal caso es deseable utilizar números en cambio de letras siempre y cuando sea posible.

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

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

A..2. Si asignamosprobabilidades iguales a lospuntos muestrales.An (1+) P(Ai + P(Az) + .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.]) . si suponemos probabilidades iguales para todos los sucesos simples.B\ Generalizando... si A (10) t. En particular. Se lanza solo un dado. Ar.. entonces P(A¿: '!y si A es k=1.21. entonces 1 6 ..cAP. Véase Problema 1..3.. Podríamos lógicamente emplear otros procedimientos para asignar probabilidades.+P(4") = 1 (e) 1-19: Si A y B son dos sucesos cualesquier4 entonces P(AuB) = P(A) + P(B) .P(A. á3 son tres sucesos cualesquiera..2.P(AsnA) (rr) + P(Lt\AzñAs) También pueden hacerse generalizaciones a n sucesos. como el de la frecuencia relativa de la página 6. 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.6}.5. Az. + P(ánA") (rr) ASIGNACION DE PROBABILIDADES entonces por el Teorema 1-18 Si un espacio muestral el' consiste únicamente de los sucesos elementales Ar. esdecir si suponemos que el dado es honrado.. Hallar la probabilidad de que resulte 2 ó 5.) + P(Ar) + P(As\ . + 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)... EJEMPLO 1..P(üñAz\ - P(A|¡A..4.4...entonces P(A) = P(AnAi + P(AñAz) *'. El espacio muestral es e-I: {1.. Az.79. 1l CONJUNTOS Y PROBABILTDAD P(Ar) Teorema +P(A2)+.. entonces P(A:U AzU ¿") : P(. 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.

(b) se da que el lanzamiento resultó en un número impar. . ilamamos a P(B I A\laprobabilidad condicio¡wl de B dada A. A. A3 tenemos P(AtñAzt\ás) = P(A) P(A2l At) P(Asl Atn Az\ (1e) En palabras.Ya queB es la unión de los sucesos 1-18 que 7. entonces P(A'. 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 . 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. Puesto que se sabe que A ha ocurrido. se convierte en el nuevo espacio muestral remplazando el original e-I.á PROBABILIDAD CONDICIONAL = t 1 Sean A yB dos sucesos (Fig. . Fácilmente se demuestra que la probabilidad condicional satisface los axiomas en la página 6.CONJUNTOS Y PROBABILIDAD El ¡uceso que resulte 2 ó 5 ee [cAP. TambiénP(AñBr:216:1/3. . + p(A")P(AlA") (20) .) excluyentes á1. es decir la probabilidad de que B ocrura dado que A ha ocu¡rido. 1-9) tales que P(A)> 0. . Por tanto P(2u5) = P(2)+P(51 = *.. (b)SiAeselsuceso{númeroimpar}observamosqueP(á):316= Entonces 1/2. (o) Si B denota el suceso {menor que 4). (o) no se da ninguna otra información. Hallar la probabilidad de que en un sólo l¿nzamiento de un dado requlte un número menorque 4.) + p(A)P(Al Azl + . AnB Fig. r-9 EJEMPLO 1. . 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. Denotamos por P(BiA) la probabilidad de B dado que A ha ocurrido.2 6 g observamos por el teorema P(Bl = P(r) + P(2) + P(3') = -+-+-= 6662 1l1l suponiendo probabilidades iguales para los puntoc muestrale¡.22. El resultado se generaliza fácilmente a n sucesos. = P(A)P(A|A. el saber que el resultado del lanzarniento es un número iinpar aumenta la probabilidad de Ll2 a 213.41 ha ocurido tantas veces la probabilidad de que A3 ocura dado que At y Az han ocurido. A2. TEOREMAS SOBRE PROBABILIDAD CONDICIONAL Teotema 1-22: Para tres sucesos cualesquieraAl. 1 indica por 2 U 5. P(BIA\:"+#=#=? Por tanto. Teorema 7-23: Si un suceso A debe resultar en uno de los sucesos mutua[iente Ar.

¡ maneras diferentes.a de contar. 1-10).cAP. llamado diagrama órbol debido a su apariencia (Fig. . 1l SUCESOS INDEPENDIENTES CONJUNTOS Y PROBABILIDAD Si P(B lA) = P(B). es decir la probabilidad de que B ocuna no está afectada por la ocurrencia o no ocurrencia de á.k=t. surgen problemas cuando la cuenta directa se convierte en una imposibiüdad práctica En tales casos se ernplea el anólisís combinntorio. La generclización a más de tres sucesos se hace fácilmen- TEOREMA O REGLA DE BAYES Supóngase que . como se deduce Algunas propiedades de la independencia están dadas en los Problemas 1. An son sucesos mutuamente excluyentes cuya unión es elespacio muestral ef.A1. ¡ealiza¡se EJEMPLO 1. 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 . Esto es equivalente a entonces A y B son independientes.91 y 1.92.. . . . Ar.. . entonces decimos que á y B son sucesos independicnües.23. ??¡ rn?D€rds diferentes.. Az.en n2 maneras diferentes. se emplea frecuente' mente en conexión con el principio anterior. . . P(A¡nAx) = P(á)P(A*) j+lc donde j. ANALISIS COMBINATORIO la enumeración o cuenta directa de los puntos del muestreo necesa¡ios para obtener las probabili dades no es difícil. Entonces si A es cualquier suceso tenemos el siguiente teorema importante : Teorema 1-24 (re$ade Bayes): P(AklA\ = P(Ah) P(AlAx) (2t\ ) P(ár) P(AlAn) Esto nos permite hallar las probabilidades de los diferentes sucesos Ar. Inversanente. An que pueden causar la ocunencia de á. 2' 4 : 8 maneras de eacoger una cami¡a Un diagrama. Si P(AnBl = P(A)P(B) de (I8). = P(A)P(Az)P(A) (qsl Ni (22) ni (23) son sufrcientes por sí solo. entonces todas las fr cosas pueden realizarse en el orden especüicado en nr rr2 . es decir uno de los sucesos debe ocurrir. Si un hombre tiene 2 cami¡as y 4 corbaüac enüoncee tiene y luego una corbata. . Sin embargo. .3 (221 'y también debemos tener P(ArñAzñAr) te. V finalmente una k-ésima cosa puede realiza¡se Qr fl. As son independientes entonces deben ser independientes por parejas. que podría llamarse una forma sofisticad. PRINCIPIO FUNDAMENTAL DE CUENTA.. si se cumple (2I) (21) Ar.. Ar. Por esta razón con frecuencia se hace referencia al teorema fle Bayes como el teorema sobre laprobabilidad de causs.2. .

34. . G es ¡P:t = fi. . C. = . B. .s de escoger el primer objeto. Para el caso particular cuando r: . Así el núm&o de permutaciones diferentes (28) Véase Problema 1.l)(n .. . Dichas selecciones se llaman combinah misma combinación. y luego de hacer esto n de . 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. Así abc es di o lo Sin embargo. El número de permutaciones diferentes de las 11 leüras de la palabra u M/SS/SSIPP. (n . lógi tos es Sup n conjunto que consiste de n objetos de los cuales nr son de un nguir entre sí). clr no se Aquí. .. EI número de ordenaciones o permutaciones diferentes que consisten de 3 letras cada una y que pueden forma¡se de las ? letras A. . = n(n. . en muchos problemas estamos interesados solamenos sin inteiesar su orden. 52 y las corbatas por ?1. D. n2 son de un segundo tipo. (25) se conüerte en = n(n-l)(n-z). Llamamos a . rr.7 manerias r * escoger ét segunaoiU¡e_ to-.r + l\ donde se observa que el producto tiene r factores. 43 y 2p EJEMPLO 1. que rt4t4l't COMBINACIONES 11! = 34 650 una te e cion En una perrnutación estamos interesados en el orden de-la distribución de los objetos..5 = 210 . I 2 1 Fig. F.10 CONJUNTOS Y PROBABILIDAD [cAP. Tt. l-10 (25) . ?a.P. .P.1 : nt (26) que se denomina n factorial.. son del hnr + nz + . .l.. elnúmero de permutaciones de n objetos lomados de r en r.26. y finalmente n 1 formas dó escoger-el r-ésimo objeto. o permutaciones diferentes como generalmente se les Uarnc está dado { 5 6 8 por Fig. E. . l-10.24. . . Si las camisas se representan por S¡. + . n. -se deduce por el principio fundarnlntal de cuenta que el número de ordenácionás.2). 41.6. Tz. consiste de LM. 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.to.

\s/ .71828. Indique cómo describir a.r/\) \r/ \n EJEMPLO 1.)" (n) Tienen mucha. @-l (:. Para un estudio más detallado de la fórmula de Stirüng véase el A¡Éndice A.'6 = .36) ln\ \"/:nt¿r=rl@=T. Por esta raz6n decimos que el I unaexpansión asíntótica del lado izquierdo.yEñn"e-n donde e : 2.-5). U (n Tenemos (véase Problema 1. ._.podemosesaibir A: {5. Véase Problema 1. .r'2 :25".r.s resrreltoa CONJTINTOS 1.1.48. EI n(¡mero de manera¡ en lae cuales cartas diferentes es nU.(t)**. + . . EJEMPLO 1.e¡decirA .4 por (c) el método de comprensión y (b) el método de extensión.27. (a) A:kl* elementos. En tales casos se utiliza la fórmula (38) nl . r! (30) /n\ ( J=( /n '. Sea A el conjunto de todos los números reales cuyos cuadrados son iguales a 25.s! COEFICIENTES BINOMIALES 56 Los númerós de (29) se les llama frecuentemente los coeficientes binomiales puesto que provienen de laexpansión binomiat (r 1- u)^ : * .28. 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.. (l)* = APROXIMACION DE STIRLING A r¿ ! xa+ 4x3y!oxzyz *4xy3 +ya Cuando n es muy grande la evaluación de aproximada n! no es práctica. es la base de los logaritmos naturales.cAP. :25)que se lee"el conjunto de todosloselementosde¡ talesque.en (33) signifrca que la relación del al lado derecho se aproximá a 1 a medida eü€ /l + o. se. escogerse o ¡elecciona¡¡e de un (91') 3 ca¡t¿s pueden total de 8 sc¡ = lt) = 8'J.s propiedades interesantes. (|)*-lt * (i)*"-. que también puede escribirse como (2e\ ("\ \r/ Fácilmente se demuestra que n(n-L\".(t¡*" . . y)t = r:{ * (Í)".(n-r-rr\ r! ó nP.:nC.describé dando sus (D) Puesto que t2 :25parar:5y x:-S. Problenra. El símbolo . .

ee deci¡ ¡ € A. Demostra¡ que si Ac B y B cC.4} utilizando el re¡ultado de (b).-tf2. r. B: {x I x2 -8r+.6.5.0}n {5.-fr}. DIAGRAMAS DE VENN Y TEOREMAS SOBRE CONJT..-r/2. OPERACIONES ENTRE CONJUNTOS."áÁ y porüantoBC 1. aA. puesto que {9} es un conjunto no voclo que conriste del conjunto vacío.".+.0.o.o} u {5._\E}. Sea r cualquier elemenüo de á. es deeir B ee un subconjunto de A. pertenecen á.+.5.-¿}. ".Demostrarque BcA. (b) "A es el conjunto de ¡ tal que 12 : 4 y ¡ ) 9'. = {0. (e) A .t. 1 L.. Si A = {r l r2=4. (c) (AUB)nC. n]. 0. Por el Teorema 1-8.enconhar(a) AnB. r>g} y B: {fr | r<l}.-4}n{+. se sigue queA: @. 5.4 u n = {-fr. (d) B' : conjunto de los elementos en t/ quenoestánen g = {0. Determinar cuáles de las proposiciones siguientes son verdaderas y cor¡egir las que son falsas.u C. tenemosque¡ € C.r} {*. {*.-4} = t-\ñ} (D) .-4} (c) (AuB) n C = {-{2. -4} = {+.5.6.pueotoqueloe elementos 3 y 5 son enterosimpares. (o) (b) (o {rln+ü} -.0|.+.6}. (s) (AnC) e (Bne.-rt.-4} = Entonces (BnC\' = {0. entonces B) A. Otro método._\E} . (/) (Bn C).. tenemos x€ B. C' : conjunto de los elementos en 'll que no están en C : {0.15:0).5)=0 sólosi x:B6x:6. (e) A-8.-.-4} = {-18.'NT\OS 1. Asf.r). (d) B'u C'. Puestoque el conjuntovacloesunsubconjuntodecualquierconjunto. es decir cada elemento de A eetá en 8.-4}n{0. Puesto quetambiénBCC.-qyC = {+. Un conjunto oomo {2} que consiste únic¿mente de un elemenüo algunas veces ae llzna conjunto singulo o unitaio y debe distinguirse del elemento que contiene. -4} y los subconjuntos de u están dados por A : {-\n.-{r).6. ¿Es cierto que {2} : 2? No.L2 CONJUNTOS Y PROBABILIDAD lcAP.{0. AsícadaelementodeB perten.r. +.r.0.2.5.sededucequeACB6B)Aylrrpropocición Obaérvese que esto se lee es verdadera- 1. Puesto que no hay un númeror tal que x2 :416x:2. (a) AnB = {-12. Yaque x2 -8x * 15:0 ó (r -3)(¡. 2 es wn número re¿l mientras que {2} esw conjunto que consiste del número real 2. (b) AUB.0.. El error radica en escribi¡ {@} por @.B: eonjunto de elementos en A que no están en B : [0. si el universo 'u = {}.+.-2ly * )9.o} u {0. . Entonces {x I x * x} : e. r. el conjunto vacfo.5.--4} n {+.-fr.r.8 = {6. üenemoe A-B = AñB'= (f) BñC = {6. ) La proposición es falsa.2. no hay objeto que no sea igual a sí mismo.-4}.lQ}.o. entonces AcC. -rt.3.üenemosB:{g.r} = {0. 1.-{2. Aeícadaelemenüodeá esunelemento de C y por tanto A C C.o. seaA={rl*esunenteroimpar). Entonces B.4. Cualquier objeto particular se supone ee igual a sf mismo. Entonces ya que AC B.5. página 3.

B n C = {}.7. Región sombreada = (AUB)' Región doblemente ¡ÜEÉru¡r qvvrs¡¡¡E¡¡w rayada ]_"7.@. En Ia Fig. Demostra¡ laprimeraley distributiva. Ao(BuCl = = = = = l r€A. y se observa que esta región es igual a la región sombreada de la Fig. sirve para euminishar relaciones posibles entre conjuntos que luego pueden probaree por métodos similaree al dado en (o ). página3:Tenemoo An(Bu C) = (AnB)U(AnC). Entonces A n (BuB') A r.8.reB 6 r€A. (o) Tenemoe págrna 3: (A u Bl : A' n B'.8') A = (AnB)u(AnB') El resultado puede generalizane (véase Problema 1. elconjuntovacío.-4} Entonces t. (A¡C\ u(BnC) : @u {*. .-¿l = {+.74).cAP.neB\ = {r I neA'. Sea C:8' en el Problem¿ 1. Sin embargo.al : (ArtB) u (A^B') : (AñB') u (A¡.69).9. Teorema !-L?tt. (b) Ilus- har el resultado de la parüe (c) empleando un diagtama de Venn. Luego At ñ f|' se representa por la región doblemente rayada en donde se encuentran ambos conjuntos de líneas. (AnB) u(AnB') A : {r I reA) = {. Teorema 1-6. (AuB)' = {r I r4Ar-tB} = {" I rCA.0} n {*. 1-11. Demostra¡ que para cualquier conjunto A y B tenemos A Método 1. l reA¡B 6 neAnB'} M6todo 2. {r {" (AnB) u (A nC) 1.-¿} [Vóase pa¡te (f)]. En el diagrama de Venn de la Fig.8.nn. 1-12. (c) Demostrar la primera ley De Morgan.-ll . 1. = (AnB) u (AñB'). (sl AnC = {-\/-2.r€B') (b) = A' ^B' El resultado puede extenderse a cualquier número finito de conjuntos (véase Problema 1.2.reBuC} I re A. página 3. 1-11 la región sombreada representa (A U B)'. l-ll Fig.reC) @ | reA"'B 6 xeAnC\ {. 1l CONJUNTOS Y PROBABILIDAD Obsérvese que este re¡ultado conjuntamente con Tborema 1-12b.xeB 6 reC} I s€A. A'se indica por líneas diagonales paralelas construidas de izquierda a derecha en tanto que It se indica por líneas diagonales paralelas consüruidae de derecha a izquierda. 13 el de la parte (d) ilustra la segunda ley De Morgan. l-12 Obsérveee que un diagrama de Venn no suministra una prueba como la dada en la parte (o). Fig.

También puede considera¡se observando que (A ñ B) U (A n B') : A.B. 1-13 para describi¡ los s sucesos (a). (e) A-8. 1.4 el suceso {se extrae un rey} o sencillamente {rey} y B el suceso (se extrae un trébol} o sencillamente {trébol}. (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 ). (f) A. .1-14. es deci¡ rey (ó) 4 n I : {rey y trébol} : {rey de trébol) de trébol)) (c) Puesto que B Luego A U Bt = {trébol}. (o) Si no tenemos en cuenta los pdos el eepacio muestral consiste de as. 1 EXPERIMENTOS ALEATORIOS.{rey y no trébol}. pica}. . B. . Se extrae una carta aleatoriamente de una baraja de 52 cartas. dos. diez. jota. de Teorema 1 era simila¡ todos lo¡ obeervarse de la Fig.n(8. . diamantes y héboles respectivamente por l. diamanües y tréboles. picar. de acu gamas Fig. picas. . (e) A. (o) A U B = {o rey o trébol (o ambos.4. 2. . B': {no trébol} : {corazón.).12.11 com ^ B' . Describir el espacio mueshal (o) no se tiene en consideración el palo (b) si se tiene en cuenta el palo. (q AnB. .2). 3. si . = A... (n A'-3' :{no rey y no "no trébol") : {no rey y trébot}: (cualquier trébol excepto el rey).. puede indicarse como {1. . 13}. (d) A.A. diamante. y (b) Si tenemos en cuenta los paloc el espacio muestral cronsiste del as de corazón. por ejemplo. 1.10 sea.4 u B. 2.10. 1-13. . (E) @ nB) U (A ñ B'):{(rey y trébol) o (rey y no trébol)): irey}. podemos indica¡ una jota de picas por (11.. rey. : (rey o corazón o diamante o pica). .).L4 .nB. Describir los sucesos (a) AUB. . Denotando corazones.B -{reyperono trébol} Es lo mismo que A ñ B' .CONJUNTOS Y PROBABILIDAD [cAP. Luego el espacio muestral consiste de 52 puntoo indicados en la Fig. reina. Refiriéndose al experimento del Problema 1. ESPACIOS MUESTRALES Y SUCESOS 1. I diagrama eden de indicarse A U B. @) AUB'.-8. Emplear la Fig.UB. También puede considera¡se observando que A. . diamantes y tréboles. rey de corazones.(g) (AnqU (AnB.11. picae. (b\ A' se 1.

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. 1l TEOREMAS SOBRE PROBABILIDAI) 1. Fig. (b) Con anterioridad sabemos que P(A) > 0 por el Arioma 1. también ee rigre queP(.41 y Az .42 . P(Az. página 6.A¡ ) en donde . (b) Teorema 1-15.cAP.Puesto que P(eJ) sfnp = Q se sigue del Axioma P({)) 3 que s = P(d)+P(Q) 6 = 1. Para demostrar que observamos que A C et.^^'rl i' r"u r--' resultado (l ) puede establecerse directarne¡rte (véase Problema 1.Ar ) - 0 por el Axioma 1. ñ A' : Qtenemog 1 es decir PIAJA') = P(ó) 6 P(A)*P(A') = P(A') = l-P(A) (b) Tenemos el diagrama de Venn de la Fig.At) = P(Azl . Demostrar (a) el Teorema 1-17 y (b) el Teorema 1-19. (o) Tenemoe Az : At U (Az . Demostra¡ el (c) Teorema 1-14.13.77). Una carta se extrae aleatoriamente de una barqia de 52 cartas. página 6. asr que Entonces por el P(42\ = P(ár) * P(A2. (c) Teorema 1-16. página 6. tenemos usando el Axioma 3 y el Teorema 1-14: P (A u B) | i'.P(Ar) Puesto que P(.B) son mutuamente excluyentee.14. (o) Tenemos AV A' :s[. Aunque hemos utilizado el diagrama de Venn el i rlu^') ". l-15 (An CALCULO DE PROBABILIDADES 1. 1-15 (1) AUB: AUIB -(.4n8)l Entonces puesto que los conjuntos A y B .At son mutuamente excluyentee. Encontrar la probabiüdad de . Entonceepuesto gue.Ar.(A ñ .42 ) = P(Al ).

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

También i"-or usado P(.::"fl'"".H 10 2 6+4 6+4+5 .42 ocurren.R ) : 6/15 : 215. un total de factibles. Entonces si asignamos probabili' dades iguales Ll15 a cada punto muestral observamos que P(.6:36 maneras. Método 1. que P(nuB):P(R) +P(B):?*# = ? PROBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES 1. debido a que hay 6 puntos muestrales que corresponden a "bola rojatt. Método 2. . B y A los sucesos de extraer una bola roja.t""i: . Entonces P(ArnAzl .J. Luego estamos buscando P(Ar ñ A2).1?. Un dado honesto se Ianza dos veces.3ó 4 son 4resultadosdelasGprobabilida' des igualmente factibles). 4: 12 maneras en que tanto A1 como . 1l CONJUNTOS Y PROBABILIDAD Método 1. página 6..5 o blanca También puede resolverse l¡tilizando el espacio muestral como en la parte (c). respectivamenüe. . 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. Puesto que los sucesos R y B son mutuamente excluyentes se deduce de (4).l+)l+) = I \6/\6/ 3 Hemos empleado aquí el hecho de que el resultado del segundo lanzamiento esindependiente del primero así que p(ArlAr): pier).2. blanca y azul. --6+4+5=1b=s 662 Nuestro espacio muestral corisiste de 6 * 4I 6:15 puntos muestrales.364en elsegundo lanzamiento". 2. . Entonees L1 (o) P(n)= Mótodo 2.) '!' . Denótese por R.P(At)P(A. P(AroAr) = P(At)P(A2lAr\ -. Hallar la probabilidad de obtener 4. 5 ó 6 son 3 resultados de las 6 probabilidadés igualmente factibles) y P(Az): ltO (ya que 7.cAP. P(roja o blanca) : P(R u r) : -"""'. Método 2.15 . ' SeanAl elsuceso "4rS ó 6 enelprimerlanzamiento" y Az elsuceso "7r2. r(RUB)=P(A'): 1-P(A): I . norparte(c). de las 6 maneras en que cae en el segundo lanzamiento.'"::.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. 19 1 .á = | Método 3.3 6 4 en el segundo lanzamiento. . 6 6 6 en el primer lanzamiento V 1. Cada una de las 6 maneras en las cuales un dado cae en el primer lanzamiento puede asociarse con cada una 6.

todas igualmente factibles.3) (3.6) I (¿.2 a (6. Hallar la probabilidad de que ases si la ca¡ta (c) se remplaza. 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. 6) a 1. . 6) ({. Entonces estamos (o) Puesto que para la primera extracción hay 4 ases en las 52 cartas.tp(A2 A¡\ = (52")(*) = .18 coNJUNTos y pRoBABILTDAD lcAP. \. Así que ambas cartas pueden extraerse en (52)(52) maneras. (b) no ambar¡ sean se remplaza.19.6) (2. /. Entonces P(ArnA. 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. = las 51 cartas restantes. Así ambas cartas pueden extraerse en (52 ) ( 51 ) maneras. a (2. puesto que también hay 4 ases en las ó2 ca¡tas para la segunda extracción. oaa (3.2) a a aa (5. Encontrar la probabilidad de no obtener un total de 7 u 11 en ningunó de los dos lanzamientos de un par de dados honrados. I a a aa (r.)(á) = P(ArP\A2l (2. Se extraen dos cartas.3) (4. r'(A.2gara indica¡ y 2o.3) (8. r) (2.42 suoeso "as en la segunda P(Arñ A2): P(A1) P(A2l A t). l) (1.azamiento la segunda ca¡ta también puede extraerse en una de las 52 maneras posibles. extracción".P(Al -- L 27 -::99 1o. Puesto que los dados son honestos y hay 36 puntos muestrales asignamos la probabilidad 1/36 para cada uno. También."t (ol La primera carta puede extraerse en una de las 52 maner:u¡ posibles y ya que hay rempl.2. si la carta se remplaza para la segunda extracción. Sea A1 buscando suceso ttas en la primera extracciónt' y . Método 1. todas igualmente factibles."A) = P(A) P(A.nA") =+:(. l-17 Utiüzando subíndices t. p(A. 6) El espacio muestral para cada lanzamiento de los (r.) = (b) Como en la parte (o). 1-17. entonces P(A2 | A r) : 4152. l) (3. Por ejemplo (5.6) a (3.' ( #)l#) == # r\ P(A1l:4152.2l a a (6. de una baraja de 52 cartas. Entonces P(A.18. aa {) (6.3) Si A es el suceso "7 u 11" entonces A se indica por Ia porción sombreada en la Fig. 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.1) a Se deduce que la probabiüdad de no dada por ? u 11 está 345 Primer dado P1A'¡ '= | . .2) signitica que el resultado del primer dado es b y el del segundo 2. 1-17. Puesto que se incluyen 8 puntos tenemos que P(A ): 8/36 : 219. 1.l Método 2. l'ig. A. 1 Esto indica directamente que A 1 y A2 son independientes puesto que . (2. P(A¡): 4152. {) (5.

Si Rl . Se extraen tres bolas sucesivamente de la caja del Problema 1. 4 Az 1.Rr n 82 ñ At):p(.P(A'rnA'"\ = | . llallar la probabilidad de que se extraigan en el orden roja. : guCe¡o (o) Si cada bola se remplaza.Rr ) p(82 lnr )p(A3 In. P(al menos un 4) Entonces P(al menos un 4) P (ningún 4) = 1 : 1 . Hallar la-probabilidad de obtener al menos un 4 en dos lanzamientos de un dado honrado. Sea A I: suceso "4 en el primer lanzamiento" y : suceso "4 en el segundo lanzamiento".P(ningún 4) : 1 -P(no 4 en 1er.21. A3 "azul en la tercera extracción". Los sucesos A t I Az no son mutuamente excluyentes.P(ALñ42) = P(A) + P(A!) .J requerimos A2: : suceso "4 en el prirner lanzamiento o 4 en el segundo lanzamiento o ambos" suceso t'al menos un 4" A2). por (1Ol V QI ) = 6'u-\ui\u/ * = * Método 2.A2 ocurra pero : no At : 5 5 número de maneras en las que tanto A 1 como .P(A')P(A'2| = '! -(8X*) = *" Método 3.20.6 : 36.P(At) P(Az\ 1 r /t\/t\ rr Por üanto. lanzamiento y no 4 en el 2o. Nfrmero total de maneras igualmente factibles en las que ambos dados pueden caer También. (b) no se remplazan. : 6.cAP. P(ArU Método 1. blanca y azul si las bolas (a) se remplazan. 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). Requerimos P(Rl ñ 82 n A!\. Así la probabilidad pedida es (4X3) (52)(51) I 2 1. número de maneras en las que A 1 ocurra pero no Az nf¡mero de maneras en las que . P(A'tuA) = P(A) + P(A) . pero Bon independientes. Así Art. I}2 : süc€so "blanca en la segunda extracción". lanzamiento) = | . entonces los sucesos son independientes y p(.16. 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+ \=.suceso "roja en la primera extracción".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.

23.22. (c) una sea blanca y una negra. Extensiones para valores mayores de n se obtienen fácilmente.píryina9).) . Hallar Ia probabilidad de sacar una bola roja.I. I|2 : süc€so "bola blanca del segundo talego".41 U Az): 11/36. (b) ambas sean negras. Por tanto P(.23) Ay A2. Demostrar el Teorema 1-23.. Si se obtiene cara se saca una bola de la caja. . 1 : Ar ó A2 ocurraes- 5 +5+ 1 L. fcAP.. si se obtiene sello se saca una bola de la caja /I. Así la probabilidad de sacar una bola roja P(Rt - P(nP@ Il+P\II\P(RIII¡ = /t\/ I \ /r\/ z (. página t. Demostrar el teorema de Bayes (Teorema L-24..23 con A: R. Si el suceso . Si se extrae una bola de cada talego. La contiene 3 bolas rojas y 2 azules en tanto que la caja II contiene 2 bolas rojas y 8 azules. Puesto queA resulta en uno de lossucesos mutuamenüe excluyentes 1-22 (Problema 1. Az entonces A = (AnAr)u(A¡42) PeroA ñAt y Añ Az son mutuamente excluyentes puesto que A1 y A2 lo son.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. Puesto que una bola roja puede resultar al escoger cualquiera de las cajas podemos em. SeaB¡ : suceso "bola blanca del primer talego".2/ 5 z TEOREMA DE BAYES L25. Demostramos el teorema para el c¡¡so n : 2.O*' P(A\'Aki \ P1A¡ A¡ = P(A) P(A I Ak) P\Ak^A) = --PÁt ) P(A¡l P(A' Akl 1. (d) P(BtnBil:P(Br )P(B2lBt):P(Br )P(B) = lt!")/-=) + 5/ = I 4 \4 + 2/ \3 P(B'tñnb:pelp@.26. 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. Se lanza una moneda honrada. plear los resultados del Problema 1.. An tenemos por el Teorema P(A) = P(AI)P(A Ar) + ' " + P(A.\P(A:A. Un talego contiene 4 bolas blancas y 2 bolas negras. Asípor P(A) = P(AIA)+P(A^AI') = P(A) P(A i A) + P(42\ P(A I A2) 8. página 8. Az: II. hallar la probabilidad de que (¿) ambas sean blancas. otro contiene 3 bolas blancas y 5 bolas negras..20 CONJUNTOS Y PROBABILIDAD Luego el número de manera¡ en l¡as cuales por lo menos uno de los sucesos 11. pero revela que se sacó una bola .24.4 debe resultar en uno de los dos sucesos mutuamente excluyentes At. At : I. Supóngase en el Problema 7. j Dor tanto ".)("+-ri-r:ri ---r:\ \2/\2+8/ \-/\-.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). Axioma 3 empleando (I8).

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

Se quieren sentar 5 hombres puede asociarse con cada ordenación de las mujeres.1. 3. S para ocupar el tercero y 7 para ocuparel cuarto. ¿De cuántas formas pueden sentarse? Los hombrcs pueden sentarse de 5P5 formas y las mujeres de 4Pa formas. ¿Cuántosnúmerosdecuatrocifraspuedenformarseconlosl0dÍgitos0.22 CONJUNTOS Y PROBABILIDAD [cA?.7: 4536son los númerosque pueden formarse. Cada ordenación de los hombres Elnúmerodeordenacionespedidoes = "Pr..29. nPr. = e 15 (d) ¡P¡ = 3.32. Así pues.6 . 7 : 4586 sonlos númerosque puedenforma¡se.r * l) Esto se conoce como el número de permutaciones de n objetos diferentes tomados de r en r y se denota por P. La segunda. tercera y cuarüa pueden ser cualquiera de las 10. I . La primera posición puede ocuparse por cualquiera de las cinco bolas. . (o) La primera puede ser cualquiera entre g (el 0 no). cuando esto está hecho. (¿) aP¡ = 8. ¿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. Entonces I ' 10 ' 10 ' l0 : 9000 son los números que pueden formarse.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 .3 = 860 (c) .3. persona!¡ tomadasde 4en 4es = tC. . puestos). 1. 8. Halla¡elvalorde (a) .28. 4. = r¡ ! como en el Problem a 1. por tlnto: El número de ordenacionesde lag 5 bolasen una filaes En general.. (d) rPr.31.8. (c) tsPt. L = b! =. (n . 1.8. hay 9 formas para ocupar el segundo puesto. La segunda puede ser cualquiera entre 9 (no puede ser la que ocupó el primer puesto). Entonces 9' sPs : I . Luego hay 3 maneras de llena¡ la tercera posición. ...2. g.7. á maneras de llenar la cuarta posición. es decir hay cinco maneras de llenar la primera posición.30.2. Por tanto: El número de ordenacionesde 10 En general.Pr.. (b) si los números no pueden rcpetirse. 1 Debemos ordena¡ 5 bolas en 5 posiciones así -.T = - 5040 El número de ordenaciones de n objetos diferentes tomados de r en r ea n = n(n 1) ..5.rP. Cuando esto se haya hechó hay 4 maneras de llenar la segunda posición.. 9 .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.oPo = 514! = (lZO)\24) 2gg0 1. puestos).4.1 = 6 1. El primer número puede ser cualquiera entre 9 y los tres restantes pueden elegirse de gPa formas. 2. y finalmente sólo 1 manera de llena¡ la última poeición. (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). Obsérvese que cuando | = tr. y 4 mujeres en una fila de modo que las mujeres ocupen los sitios pares. Otro métod<¡. (b) uPo. 120 Elnhmerodeordenacionesdenobjetosdiferentesenunafilaes=n(n-l)(n-2\.. = 5. l.9si(c)los números pueden repetirse.

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

(c\ eC+ 7. 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).2 = 6.38..C. n. si (c) puede pertenecer a él cualquier matemático y físico. En general el número de grupos distintos de r objetos que 8e pueden formar con. ¿Cuánt¿s ensaladas pueden preparañ¡e con lechuga. oCz = 10 . 3 físicos de un total de 7 pueden elegirse de zCs formas. 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. Pero las 2s forma¡ incluyen el ca¡o de no seleccionar ninguna verdura. 6 uCt=oC1 =6' 5ú ff (c) +Ca es el número de grupos de 4 objetos que se pueden formar con 4 objetoa. lo que es evidentemente 1.37. ¿De cuántas formas puede elegirse una comisión de 5 personas de entre 9 personas? /g) = ^c. (b) un físico determinado debe pertenecer al comité. el número de formas de considerar lias cinco verduras es 25 formas. ae llamanúmerodecorñbinacionesdelosnobjetostomadosderenrysedenotapor.b = 126 1. 2 matemáticos de un total de 5 pueden elegirse de sCz formas. 15 = 150 (c) 2 matemáticoe de un total de 3 pueden elegirse de sCz formas.Olf/Vvienedadopor ^ n"r nl /"\ \r / . (c) dos matemáticos determinados no pueden estar en el comité? (a) 2 matemáticos de un total de 5 pueden elegirse de sCz formas..4O. Nfimero total de selecciones posibles = sCz' zCs = l0'35 = 350 (b). beno y achicoria? Cada verdura puede tratarse de 2 formas. como si se escoge o como si se rechaza. Número toüal de selecciones posibles = sCz. escarola.Entonceselnúmerorequerido de ensaladas es -. Hallar el valor de (a) zCq (b) aCs. ¿De cuántas formas puede formarse. no teniendo en cuenta el orden de los objetos dentro del grupo. 5. se forma un corúité de 2 matemáticos y 3 físicos. endibia. 3 físicos de un total de 7 dan 7C3 formas. 1..SdelasSverduras. Entonces tC+:I.5.6.4!B! = 7. Por tanto El número de ensaladas Otro método. De un total de 5 matemáticos y 7 físicos.4 = l4..6.1 = o'' --ll (b) oCs = 6 ! = 6. b! ?.6.objetos dados. _ e! _ \s/-sws-BJ]T- e.rl(n-rll n(n-11"'(n-r+1) r! ..39.CL-l tC2+5Ca+ sC4+ scs : 5 *10+ 10* 6* 1 : 31 . es:25 - 1 : 31 Puedeseleccionarseldelassverduras.5 71 ^ (ol .2delasSverduras. Número total de selecciones posibles = tCz'tCs = 3'35 = 105 L.8.5. 2 físicos restantes de un total de 6 puedtn elegirse de eCz formas.24 CONJUNTOS Y PROBABILIDAD lcAP. 4.ur . = #h = I si se define Nótese que formalmente aCa 0! = l.rl nP' 1.

3 vocales) pueden ordena¡¡e entre sf de zPz : ?! forma¡.1l CONJUNTOS Y PROBABILIDAD 26 nCn Engeneral. $ \k /' 3 \& /'.t) + f" .*-. 2. obtenemoa Ia distribución conocida como el trióngulo de Poscal: n=l n=2 n=3 n:4 n=5 n=6 et¿.11)"-..+!\". 1b:10 * 6.r e =4e6 .= xau /rz)'. 'xl (**!\" = r-:o (1?). ee 1. 1. De acuerdo al teorema del binomio *'\. Halla¡ el término constan6 en h exDansión de 1r. ! = 2r-1.1r . Con 7 consonanps y 5-vogaJes diferentes. .42. ee decir k = 4. de 1. r0.eüc. lss 3 vocsles de s0g formac consonantes..1¡¡ 1" .r)'! r! (n .z.43. Demostrar q"" Tenemos que 11) \r/ = l" . ¡raracualquier enteropositivo n.B. 4.Cs+ -.!2 = 0. Entonces: El nhmero de palabrae y las ? letra¡resultantee (4 q 7C1 ' óCa ' ?! : 35 . La¡ 4 coneonantes pueáen elegirse (!e lC+ formas.. Si escribimos lo¡ coeficientes de la expaneión binomial de (c * U)" púa n :0. . \ r / \r-1l' (n-r*r)(n-1)! r! (n . que consten 4 consonantes y 3 vocales? No es necesario que las patabras tengan significado..cAP."¡ /¿-r\ /"-r\ \ " )-\"-t) El resultado tiene la siguiente aplicación interesante.*. n0r+ ncz+.r)l (n-r)(n-L)l * r(¿-1)! r! (n .tFV=fr .' \"/ ü/ \ El término conetante corresponde a aquel para el cual 3& .1).11.y por tanto eetá dado por /12\ _ \n/= 12.r)l (¿-l)! (¿-1)! . 10 ' 6040 : 1 ?64 000 COEFICIENTES BINOMIALES 1. ¿cuántas palabras pueden formarse. .41. 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. Aeí10:4I6.

(d) un 9. t'bol. (cl P(2 bolar rojar y 1 blanca) = (gupoc de 2 entre 8 bol¡¡ rojar)(grupoo de 1 entre 3 bola¡ blancas) afir. (d) al menos 1 eea blanca. Una cqia contiene 8 bolas rojas. @) pedc) = (b') W# = # = u¡fuo P(4eroylrey) = ry .er orden. Bz. (e) 3 de un palo y 2 de otro.B1nR2) . jota. . rerpectivarnente. blanco. ezut) . Halla¡ la probabilidad de extraet (a) 4 ases. Si se extraen 3 bolas aleatoriamente sin renplazamiento.Rt n .B Probabiüdadp€did¡: (D) Empleando el re¡undo método i¡dicado en la parte (o). roja en L¡ te¡cer¡ ettracciónt'. 10. reinq rey en cualqui. 1 PROBABILIDAD T. =t-# =# = !9lff9 = *g (f) P(ertraer l¡¡ bola¡ en o¡den rojo. =g=i| zocs t9. Rc lol auceecr "bola roja en la primera erhaccióntt. (c) 2 sean rojas y 1 blanca. P(Rr g l/lg\ = fr' 6\96/ urando (e) ^ Bz ñá¡) : 4R¡) P(B? | 8r ) P(Ar I Rr n82) = f /s\/s\/e\ \*i\*/\r8/ = s e5 .. (c) 3 dieces y 2 jotas.44.TTEIZA}TDO ANALISIS COMBINATORIO 1./e\/ z\/o\ \20l\i0l\18/ Método 2. P(almenol blance) (¿) P(tdecadacolor. azul. P(8rnP2nBJ = P(Fr) P(^R2 | A1) P(¿s l. (e) se extraiga una de cada color. 14 Za. De e¡ta mar¡era tenemo¡ Sean i¡.a roja en la aegunda extracción". blanco. 3 blancas y 9 azules. Eotoo"". (li) 4 ases y un rey. A¡f .= 1140 = zous j_ 296 P(3 bolú blurcas) ' Tambión puede utilizarre el priraer m6todo indic¡do en la parta (o).45. (o) Método 1.ocro de ¡rupoe de 3 bola¡ entre 20 =-=-zocs (d) P(ningu¡ablanca) = (¡CzX¡Cr) 7 96 #= ff. Se extraen 6 cartas de r¡na barqia de 62 cartas. (b) las 3 bolas sean blancas. (f) al menos 1 as.[l2 ñ R3 reprerenta el guceso "la¡ 3 "bola bola¡ exhafda¡ con rojEr". determinar la probabüdad de que (c) las 3 bolas sean rojas. (f) las bolas sean extraídas en el orden rojo.26 CONruNTOS Y PROBABILTDAD [cAP.* "O de cada color) = Ot¡o método.

LuegoP(al menoa un ar) 1. un dado honrado. diez.lf{| = 'ffi.4E. n7 . Supongamos que lo¡ 3 libro¡ determin¡do¡ de m¡temática¡ ee remplazan por 1.p"en-' = (n\o'o'-' sip: P(A) y q:1--p:P(A'\. rey) x4crx4crxrcr) (rcr) szCs 64 162 496 (e) P(3 de un palo. etc.\o/ \o/ para todc lo¡ oEo¡ resultado¡ en los cuale¡ ocuren hec 6 y dos no 6. Los libros pueden ordenar¡e éntre ef de roPro = 10! formar. Asf logN = los(/lofi¡o5o¿-50) 1f = i los100 I |losr * 60 log60 - 50 log¿ .6ó. Cada eopacio tendr6 lo¡ ¡uce¡oc 6 o 6. Por ejemplo. Un estante tiene 6 übros de matemáticas y 4 de física.{fi. Por tanto la probabilidad pedida e¡ p(666. = .* = (il'eu)' : 10 de ertor nrceeor y pueeto que suponemoe que lor ¡uoesos ron independientee.. Detenninar la probabilidad de tres seises en 5 lanzamientos de Represéntense los lanzamiento¡ del dado por cinco eepacioe no 6 (6').por elmiamorazonamientoanüeriorlaprobabiüdaddeobtener r vece¡A en n enaayos independientes ea \n/ 1.66. Por tanto aot-t/ffi5oso¿-so:N Para evalua¡ N uüilizamoe logaritmoe de ba¡e 10.\6/ \o/ BITT\6i \6i 8888 nc. Pero a su vez io¡ 3 libro¡ de matemótica¡ pueden cden¡r¡e enhe ¡f de 3P3 = 3 ! form¡¡. reina. Pero hay rCa son mutua¡nente ercluyentes. Arf tenemo¡ un üotd de 8 libroe que pueden orden¡¡se enhe ¡f dc 6Ps = 8 ! formas.46./L\'/qY . u (c) (d) P(3 diece¡ y 2 jot¡¡) CONruNTOS Y PROBABILIDAD QCslQCzl 1 szcs 108 290 (4cr P(nueve. jota.cAP. Halla¡ la probabiüdad determinados de matemáticas estén juntos. L¿ probabilidad pedida está dada por 8!3! 10! - 1 15 APROXIMACION DE STIRLING A z! 1. Hallar el valor de 50! Para n muy grande. (/) P(ningrn *) = # = m.ó En generd.á á *. eractamenüe 66. 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(6.66. de que S libros . 2 de otro) = q#@ = ffi = t -. puesto que hay 4 form¡¡ de eecoger el primer palo y 3 foim¡s de ercoger el regundo.p(6)p(6') .á.4?. Análogamente '" ./r\3/s\2 = =*é)t1l)'= = I 't 'v.n"¿-¡.

de2tablasenBpartidases(réase Problema 1. .i :. Az. Denótese por A B t.'J?fi '. un nfimero que tiene 6b dígitos. (b) dos partidas terminen en tablas. (ó) quien lanza segundo los dados gane. luego B. I|3 los sucesos "B gana" la 1a.6990) - 50(0.04 x 100r. 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. y 3a..50 A y B juegan lanzando alternativamente un par de dados. es 1/6 como se determinó en el Problema 1.P(B no gane ninguna partida) t . partida respectivamente. luego A o B gane. luego B) == ".) . supuestamente honradoe. t. -/¿\/a\1¿\ = le ^ \3/\3/\3/ 27 1.4972) + 50(1. lanzamiento. A pierde en el ler..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.. lallar la probabilidad de que (o) quien lanza primero los dados gane. 1 = ¿los100 | ¡lor3142 + 11 = i(zl * de donde 50 1og50 - 50 log2?18 . Quien obtenga primero un total de 7 q^? el juego. Hallar la piobabiüdad de que (o) A gane las tres partidas. 2a. PROBLEMAS DIVERSOS 1.:.10. (c) A y B ganen altemativamenie. (o ) La probabilidad de obtener 7 en un sólo lanzamiento de una pareja de dados. lanzamiento.':. A y B juegan 12 partidas de ajedrez de las cuales A gana 6.) suponiendo que los resultados de cada partida son independientes de los resultados de la¡ ohas.4343) = 64.Asílaprobabilidad.28 11 CONJUNTOS Y PROBABILIDAD lcAP.. luego pierde B. 1á¡ n gane al menos una partida.) P@. (Esta suposición no sería justificable si un jugador fuera influenciad. 1-17. B gana 4 y 2 tnrmrnan 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) = (. Probabiüdad = {¿)(f )($).P(B') P(B. luego A.4836 N= 3.46) 5 /s\ " \í)o'n'-' = t(.'.Xt(.íll 36 (d) P(B gane al menos una partida) : 1 . Probabiüdad : 1 /6. A 3 los sucesos " A gana" la 1."u j /t\/r\/t\ * /r\/r \/r\ = \r/\5/\r/ \¡i \zi \¡i 5 .^.:.18 y Fig..49. Acuerdan jugar un torneo consistente en 3 partidas. luego gana A.z. partida respectivamenüe. y 3a. \a) = n /r\2/<\ (c) P(A y B ganen alternaüvamente) : P(A gane. Bz.P(B'roBj¡B'r) L . 2a..

53.*/q\'*/q)'* \o/\e/t_' \o/'. el 3'/o 6 360 son defectuosos y 11 640 no lo son. gana A. Hallar la probabilidad de que de 600 tornillos seleccionados aleatoriamente 12 sean defectuosos.152. : 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) . I|2 son los suceoos "blanca en la primera extracción". 1l CONJUNTOS Y PROBABILIDAD 29 (3) A pierde en el ler. De 12 000 tornillos. P(W) : 0. Prqbabilidad = (áX8X8X8X+). Las probabilidades de que un esposo y una esposa estén vivos dentro de 20 años están dadas por 0.(5/6)2 11 . pierde B. estamos buscando P(Br lB2). gane es /t\ /s\/s\/r\ . "blanca en la segunda extracción". (b) ninguno viva.9) = 032 (ó) P(ningunoviva) = P(H'nW') = P(H'\P(W') = (0. (c) al menos uno viva. Se extraen dos bolas sucesivamente de la caja sin remplazamiento y se observa.1) = 0. Hallar la probabilidad de que en 20 años (a) ambos vivan.9 respectivamente.02 .F/ y la esposa. respectivamente. ¿Cuál es la probabilidad de que la primera también sea blanca? Método 1./s\/¡\/o\/s\/r\ * \6/-\6i \6/\u/ \6i \6/\Bi \u/\6i 1l-. Una caja contiene 5 bolas rojas y 4 blancas. pierde B. estén vivos en 20 años. lanzamiento. Una rnáquina produce un total deL2 000 tomillos diarios de los cuales en promedio elSVo son defectuosos.2)(0. Bl.8.52. P(H): (o) P(ambosüvan) = P(H1W) = P(H)P(W) : (0.tJ es cero ya Así iríamos 6 a 5 a que el primero que liance gana.cAP. Puesto que se sabe que la segunda bola es blanca solamente hay 3 formas de las restantes 8 para que la primera sea blanca. l|/ los sucesos que el esposo 0.151 y 1. lo cual puede ser o no razonable./l)/q)lq\It\ \6/\6. Véanse Problemas 1.51. de tal manera que la probabilidad es 3/8. Así la probabilidad de que g.9. 1.\6/ =5136=5 1 . respectivamente. pierde A. que la segunda es blanca. Entonces y lI/ son sucesos independientes.8 y 0. Sean ÁI. Este resultado se obtiene así Si P(BJB)='+#=elwq=* Método 2. Así Probabiüdad pedida = -H*-P 1.' \6/\6/\6/\6/ * = /q\/r\T. Suponemos que . Nótese que la probabiüdad de un empate que 11 ' 6-5 11 1 Esto no serfa verdadero si el juego fuera limitado. 1.8)(0.

.1) .ñA2t : p(At\p(A2lAt\ = (*)("=) aProPi"ao ü.30 CONJUNTOS Y PROBABILIDAD [cAP. A partir de la generalización de los resultados (10\ y (1 l).4¡ U AzU'. cegunda. Una secretaria ineficiente coloca ncartasdiferentes en n sobres con destinos diferentes aleatopiada..i/ ..\ /"\/t\/ I = (l)(t)-l:)/l)l \.0.6321. . E P(A¡ ñ Ar) es la suma de probabilidadesdeA¡ñA¡conjyhdeedelhastanyh)j..=t \/ . El resultado ee a¡ombroso ya que la probabilidad permanececasi constante para n ) 10.42. ='-('-+r.1/ =.) "1 ó 1....u) las es la ¡uma de las probabilidades de A¡ desde t hasta n. .79) tenemo¡ (1) donde E P(A¡) + )P(AinAinAk) P(áruAru. Entonce¡ el ¡uceso al menos una carta en el sobre conecto es. 'á P(4 ñ A¡ ñ que tienen ) = "r"términos el valor dado por (4)... Por üanto. (véase Problema 1. Tbmbién (E) p(A. Esto quiere decir Se deduce que ai n es grande la probabilidad pedida es aprorimadamente 1 -e que hay urra buena probabilidad de que al menos una carta llegue al destino apropiado.i1-:.". -r/\n-2/ (+) = + \. .\ri )\" " ' " + (-r)^-'l'\l+) = r-fr+i-"'+1-t¡"-'I cz \z/!t!/ Del cálculo sabemoe que (véare Apéndice A) = lf ¡*#. finalmenrte . Por tanto la probabilidad pedida es p(ApAzu-.etc.98 1.\t/\. .nA2n./\..) Ap) hay ( (+)l=+) \lr/\tt .. lo¡ sucelo¡ primera..ri./\ .1/ nl (5) Entonces en la suma > Análogamente en E p(A."uAn) = )r(¿*) -)e6'tnl'r) "' * (-t¡"-t P(At^A2¡ " n.C2 términos que tienen el valor dado por (3).xt"1B"""ntJfi::::i*il'ff.(+ll-+ll=+) \.Tenemosporejemplolosiguiente: (z) P(A)=+ yanálogamente PlAr¡=L ya que de lo¡ n sobres rolamente 1 tendrá la dirección apropiada. 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. aefqueparar:-l e-. Hallar la probabilidad de que al menos una de las cartas llegue a la destinación aproDenótensepor A¡. U A. página 7.nA) = ''-n' P(A¡ñ A¡ ) hay (.lAtnAr) y así aucesivamente..i \.f'.U An y deeeamos hallar P(A¡ U A2V. riamente...02 = 0.r) .A.#. n-ésima carta ¡e encuentra en el gobre correcto.54.sobre "nto"o' *to '' de los rectantes n- 1 sobres estará (4) p(AtnAzr1A¡) = p(Á..* r-e-l I : 0..). 1 (c) P(al menoc und üYa): 1 -P(ninguno viva): 1 .vAn¡ 1\ t.) p\AztAttp(A.-.

debe ocurrir en uno de los otros 364 dlas.cAP.. Sea A eI conjunto de los números natwales entre 5 y 15 que son pares. tnp = .. Suponemos que solamente hay 365 días en el año y que todos loe días de cumpleaños son igualmente probables." . .693 6 ln 2 = 6 (n . fótmula 7) que -r) -= --c - T- 3 así que (I ) puede escribirse como = ft+z+ : 2.58.. (b) método de comprensión.-k).865 ) de 1. Problema.-*(n-1)2 - n(n .865)"'\'. 12+22 i-. Determinar cuántas personas se necesitan en el Problema 1. D = {t I 12<16).). "'+rn(t-#) ln(1 Pero sabemos de cálculo (Apéndice A.-4\ . Análoga' mente la probabilidad de que l¿ üerce¡a persona üenga un cumpleaños diferente de las dos primetas es 863/365..(. 1l CONJUNTOS Y PROBABILIDAD 31 1. Así la probabilidad de que la segunda persona tenga un cumpleaños diferente de la primera es 364/365.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.^" --!. Por tanto tenemos n. si Ia segünda persona tiene un cumpleaños diferente.693.55. el segundo término y los términos superiores a la ae 1S¡ son dlespreciables comparados con el primer término.l.z\. por ejemplo n ( 30. la probabilidad de que la n-ésima persona tenga un cumpl'e¡ñoe diferent¿ de las otras n * 1)/365.. 3..55 para que la probabiüdad cumpleaños distintos sea menor que U2.' (Apéndice A' fórmulas 1 y 2) (Ir\ I+2+ "'*(n-1) = @. Denotando la probabiüdad dada por p y tomando logaritmos naturales hallamos (r) @\ (3) lnp tnp =t"(r-#) -r'"(.DeterminarsiACB o no."' . asf que una buena aproximación en este Pa¡a (7) p : L12. Enipleando los hechos de que para n .23)(n'l 22) = g asf que n : 23. Por tanto tenemos es (365 - P(n cumpleaños diferentes) = #* # ffi = \'- ' 365 :-l! + 1 1\/'.0.s supletnentarios CONJUNTOS 1. . Describir A de acuerdo al (o) método de extensión. Halla¡ Ia probabilidad de que n personas (n < 365) seleccionadas aleatoriamente tengan n días de cumpleaños diferentes. Finalmente.67.1\:{. suposiciones que no se cumplen genetalmente en la realidad. 1. SeaA = {r r2-3r*2=0}. Por tanto nuestra conclusión es que si n es mayor gue 23 podemos decir con mayor seguridad que al menos dos personas cumplen años el mismo dfa.165/\'.2 -r¿-506 = 0 = 0. Entonces.ln p r¿(rr : - -- 1) ?30 .56.r)(Zn -r) 6 obtenemos para (3) (5) *::":: 16) rnp = -!!+ñ! .

6?. =y.9.uC'). . (fllanzat una moneda y un dado. formule en palabras el (a't A'. (Véase Problema 1.68. en un grupo de 600 hombre¡. (d') A-8.69' 1.ruNTOS. (c) lanzar un¡ moneda hasta que aparezc¿ un sello.62. (d) el númer. Demo¡harque .?f .5\ yrupóngarequeloerubconjuntoede'll son A:{1.(B. Emplear un diagrama de Venn para dibujar ceda uno de loo conjuntoo eiguientec: (¿) A n (Bucl (ü) . Sea'tl el conjunto de todos loi enteros no negativos y conaidérenee loe nrbconjuntoc A = {xl¡e¡unente¡ope¡.?0. L. B. x>y O i Demostra¡ que cualquier aubconjunto del conjunto vacfo debe ser el conjunto vacfo. B. Generdiza¡ las primen y eegunda leyec De Morgan a cualquier número de conjuntos. de loe siguientes experimentos aleatorios: (o) 3 lanzamientos de 1. (c) A'nB'.(AuC). 1.0(¡=4) Encontra¡ (a) AvB.1. Tborema 1-120.69. (e\ B-A. Demostra¡el (a) Teorema l-2. De¡cribir un espacio muestral para cada uno una moneda. 0 @uB) .3.4. (ü) Teorema l-8. 1. (c) Teorema 1-4. 1. (c) A'uB. (ü) B'. EXPEBTMENTOS ALEATOBIOS.. (o) Si A y B eon dos conjunüos cuáleequiena. y (D) ilustra¡la utilizando un diagrama de Venn. 1. E¡tudiar la verdad o entonces A CB. entonce¿A = B. (d\ (AnBlu(AnC). ei ¿[e como I Sea ci éeeI' o cl¿se de todos loe conjunüoc que no 8on elementos de eUos mi¡mo¡.t B = IA-(AnB)] u ÍB-UnB)l 1. ¿EE (A - B)' : A' .73.nC. Ilustrar el principio de dudidad haciendo referencie a losteoremas de la pfuina 3. 1.B'? Ju¡tificar l¡ ¡olución.p6gina 3.64. (d) AnB'. (e) el número de partícular nucleare¡ que enhan a un contador Geiger. (e) A-8.2}.31.7 o negar: Si A u (Ar\B) eilusha¡loporundiagramadeVenn.} ! B = {rlreounnfimeroprimo. ESPACIOS MUESTBALES Y SUCESOS L. (s) (AnC)' u B. 1 1. I-a paradoja descrita se conoce Rusell. 1. (c) Añ(BuC).76. Demo¡trarque (á -A)UA =á ¡ólo srBC A e ilugtrarlo utilizando un diagramade Venn.?).).61.32 CONJUNTOS Y PROBABILIDAD Demoeürar que para cualquier conjunto [cAP. C = {4.66. - .72.o de llamadas recibida¡ en une ce¡ttrat telefónica.A r. DIAGBAMAS DE VENN y TEOREMAS SOBBE CONJUNTOS 1. 1. Seaununiver¡o 'Ll:{L. 1.60. 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. (e) A.6 A: falredad de las propoeiciones siguientce. (c) A)8. página 3. 1.68.2. (fl (A-B) u (B-A).66. (bl AnB. (ñ) A . Generaliza¡ el recultado del Problema 1. 15¡(6. B={2. página (o) Eemortrar la segunda ley De Morgan. (ó) Sir yy son do¡ númeroereales sr¡alesquierq entonces x1y.Encontrar (a) Av(BuCl. (Ó) el nhmero de fum¡dore. signifrcadodecadaunadelasoperacionessiguienüee: (f) B A.4 u (BnC\ (c) A' n (BuC)' (rt) A . A)8. (b) (AuB)uC. Un erperimento consiste en el lanzamiento de una moneda y un dado.5. entoncq cJeeJ. oPEBACIONES E¡ITBE CON.5}. (o) Demostrar que (b) Demoetrar que ri p-f Ge[.76. A tenemo¡ A C A.(BnC) (e) A' - (BuC)' 1. Afirmar -B = @. 1. página B.ñ(B.

y A3 el suceso "rey en la tercera extracción".83. 1. as.54. Demostrar el resultado (1 1). 1. 1. (b) ni roja ni azul.91. (i) la primera sea blanca pero la segunda no. Si aI menos un hijo en una famiüa con dos hijos es un niño ¿cuál es la probabilidad de que ambos hijos sean niños? Demostrar que la probabilidad condicional definida por (17). B'. Hallar la probabilidad de que sea (c) naranja o roja. pfuina ?.90. PBOBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES f .42 el suceso "rey en la segunda extracción". (c) ninguna sea naranja. Resolver el Problema 1.?9. Halla¡ la probabilidad de que (a) ambas sean blancas. (d) blanca. Hallar la probabilidad de que si dos bolas se extraen aleatoriamenremplazamiento) (o) ambas sean azules.tA'r). .82. B.P(A¡B).80.página 8.77. (e) Al menos aparezca una cara en tres lanzamientos de una moneda honrada. @) p(A'rr. (c) no azul.1.83.86. Explicar el significado de cada una de las siguientes: (a\ P(AroA!r).92. (b\ p(AluA2\.(A ñ B) son mutuamente excluyentes. blanca 1.84 si no hay remplazamiento después de cada extracción. (b ) A' es independiente de A es independiente de B demostrar que (o ) A es independiente de B . CALCULO DE PROBABILTDADES 1. (¿) roja. Se exürae una bola aleatoriamente de un caja que contiene 10 bolas rojas.4 ). Se extraen dos bolas sucesivamente de la caja del Problema 1. 30 blancas.14(b) demostrando (sin emplear el diagrama de Venn) que AUB = AOIB-(AOB)I donde A y B . .85. (e) pl(A1nAr) u (A"nAr)]. (b) la primera sea roja ylasegunda sea blanca. (¿) p(A1^A'2ñA\). Demostrar que si P(A ) >P(B ) entonces P(A I B) Si > P(. (D ) si las cartas (o) se no se remplazan. üe (sin Una caja contidne 2 bolas rojas y 3 azules. satisface los axiomas de probabilidad en la página 6 y por tanto todos los teoremas sobre probabilidad. p6gina Generalizar los resultados (I0 ) 30. cartzs 1.cAP. 12 defectuosos. Completar la demostración en el Problema 1.8t. 1. y (I I ). (b) La suma 8 agatezca en un solo lanzamiento de un par de dados honrados. 1..87. remplazando la bola extraída después de cada extracción. SiA. pfuina Demostrar que P(A'uB') = 1 . (h) máximo una sea roja. 1. Csonsucesosindependientes.t4.t1. 1. (b)AyBñC. 7. o un estimador de ella. (b) ambas sean rojas. (c) AyBUC. (c)A y B-C. Sea A1 el suceso "reyen la primera extracción". 1. (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.8 I . 20 azules y l5 naranjas. jota de tréboles o reina de diamantes al extraer una sola carta de una baraja común de 52 ca¡tas. Un experimento consiste en la sucesiva extracción de tres cartas de una baraja. y así demostrar eI resultado (l ) del Problema 7. (c) una sea roja y la otra azul.7t. Determinar la probabilidad p. L. o azul. Hallar la probabilidad de extraer 3 ases aleatoriamente de una ba¡aja de 62 remplazan.demostrarque pendientes. son inde- . (¡) solamente una sea roja. (e) la segunda no sea azul. (d) sean rojas o blancas o de ambos colores (roja y blanca). 1. (g) al menos una sea azul. para cada uno de Ios sucesos siguientes: (c) La aparición de un rey.89. ll CONJUNTOS Y PROBABILIDAD 33 TEOREMAS SOBRE PROBABTLIDAD 1.

104.106.1O?. .ent¿nüoquelacajalfcontiene4bola¡rojasy2blancas. Hallar la probabiüdad de haber escogido la urna I.1OO. Demostrar que A¡ .93. (b) ¡C¡. Una caja contiene 3 bolas azules y 2 rojas mienüras que otra caja contiene 2 bola¡ azulee y 5 rojas. en tanto que en el oho hay un reloj de piata Si seleccionamos un joyero aleatoriamente. En cada compartimiento del primer joyero hay un reloj de oro. 2. ¿De cuántas formas pueden 5 personas sentarse en un sofá si tiene sol¿mente tres asientos? 1. Utiliza¡ un diagrama árbol para determin¡r la¡ diferentes poribilidades que pueden suceder. abrimos uno de los compartimientoa y hallamos un reloj de plaüa. I monedae diferentes en 2 posiciones diferentes? PERMUTACIONES 1. A3 lon independientes pero que 1. En el tercer joyero eñ un compartimiento hay un reloj de oro.106. . Hallar el valor de (a) rC3. AziA2. . (¿) roP¡.96. A ¡: auceao At. . 1. 1. ANALTSIS COMBINATORIO.34 CONJUNTOS Y PROBABILIDAD Sea lcAP.94.96. suceso "número impar en el primer dado". 3. Hallarelvalor de(a) oP2. ¿Cuántos números diferentes de 3 cifra¡ pueden formar¡e con 3 cuaEog. 4 blancae y I nggra. 3 blancas y 4 negras.¿Guál es la probabilidad de haberla exbaído de la primera caja? Ttes joyeros idénticos tienen dos compartimiento¡. ¿Para qué valor de n es . ¿De cuántas maneraa pueden coloca¡se l. 1 1. La urna I tiene 2 bola¡ blanca¡ y 3 negras. ¿De cuántas formas pueden 3 hombres y I mujerec sentarse alrededor de una meea ei (o) no se impone ninguna resüricción. ¿Cuánto¡ números de cinco cifras pueden formarse con los dÍgitos L. . (b) doe mujerer determinadas no deben centar¡e juntar. ¿De cuántas forma¡ pueden ordena¡se 7 libros en un eEtanüe ei (a) er posible cualquier ordenación. L. A2 = BuG€so "núme¡o impar en el segundo dado".cajas reeulta azul. (c) cada mujer debe eetarentre dos hombres? COMBINACIONES 1. Se selecciona una urna aleatoriamente la urna II.101.lO2. y lrr urna ffl. 1. caja / contiene 3 bolasrojasy Sblancas. 1. . 9 ¡i impares. Se lanza una moneda tres veces.109. ¿cuál es la pobabilidad de que el otro compartimiento tenga un reloj de oro? 1. á3 : "total impa¡ en ambos dados". Atl At. 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. Luego ee extrae una bola de la segunda caja.98.10t. Az.+tPt = nPtl.9?. La escoge una bola aleatoriamente de la primera caja y se coloca en la s€gunda c¿ja sin ob¡ervar su color. (c) 2 libros deüerminados deben ocupar lo¡ exüremos? (o ) 1. (ó) zPs. Se TEOREMA O REGLA DE BAYES 1. (b) las primeras dos cifras de cada número son pa¡es? lor números deben ser 1. Se extraen tres cartas aleaüoriamente (sin remplazarniento) de una baraja de 62 ca¡tas. Resolver el problema anterior si la8 cifreÁ de los números pueden estar repetidas. CUENTA Y DTAGNAMAI¡ ARBOL 1. (D) 3 libros determinados deben estar juntos. Hallar la probabilidad de que sea blanca.43 no son independientec. (¿) roC¡.99.1O3. y una bola ertraída aleatoriamente e¡ blanca. Una bola extrafda aleatoriamenüe de una de las. En cada compartimiento del Begundo joyero hay un reloj de plata.4 doeee y 2 tres€s? 1.

¿f). reina' rey).t24. (b) j=t (-1).. 1l 1. 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. par.(b)almenoe dos lanzamientos de un par de dados honradoe. (b) /11 \ (r-a)4. (d) (rz*21t.114. (b) dos estadistas determinados deben estar en el comité. j=1 = n. (ó) ( ). ¿De cuántas formas pueden seleccionarse 4 niños y 5 niñas si (o) no determinados? 2 hombres.122.rnda carta no sea una figura dadoque la primera eí lo es.-tj(. Demostrar que (c) (b) \r¿l \o/ \r / + 1") * '.118.. \ r/ 1. (c) un economista determinado no debe estar en el comité? 1. t"l kCz\QC¿)/DC.. ¿Para qué CONruNTOS Y PROBABILIDAD valor de n s€ cumple que 35 3' n+rC¡ : 7' nCzl. (c) eC¡. Hallar el coeficiente de ¡ en lt * ¿)t.) = 0. Halla¡ el número de (o) combinacionee y (D) permuüaciones de cuatro letras cada una quepuedenformarse con las letras de la palabra Tennessee.111.. 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.+ r-''i" 2/ \l )=o \o/ \r/ /"\ * /"\ I 1.110. Hallarlaprobabilidaddeobtenerunasumade?puntos(o)unavez. 3 y 2 personas? y 3 personas./"\ . ¿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. Si s€ extraen 3 tiquetes de la caja uno a uno' hallar la probabilidad de que alternativamente s€an impar.e cuántas formas puede un grupo de 10 personas dividirse en (o) dos grupos de 7 grupos de 5.f 23. (b) la primera ca¡ta sea un aÁ pero la eegunda no. +/"\ \2 / /"\ . 3 corazones y 1 pica. (h) las cartar son frguras o picas o ambas. (g) la seg.125. (e) no más que una carta sea figura (jota. 2 héboles. PROBABILIDAD UTILIZANDO ANALISIS COMBINATORIO 1.126. Calcular.113. \4 / 1.121. (b) deben seleccionarse un hombre y una mujer 1. lJna caja contiene 9 tiquetes numerados del 1 al 9.117. (b) tres 1. (c) (t-r t)s.( ") . COEFICIENTES BINOMTALES 1. unavez'(c)dosveces'en 1.115. (d) las cartas no sean del mismo palo. .C. Demostrar que (o) É .2n-1.cAP. 1. impar o par' impar' par.119. (c) al menos una carta sea un diamante.4 mujeres. s€ impone ninguna restricción. Expandir (o) (o+y)6. (f) la seErnda carta no sea una figura. (b) un palo completo. Con 5 estadistas y 6 economistas quiere formarse un comité de 3 estadistas y 2 economistas. (b) en contra de A de perder los prir4eros dos juegos? 1.116."". La¡ apuestas en favor de A de ganar un juego de ajedrez contraB son 3:2. 1.120. En un juego de naipee ee reparte a cada uno de loe 4 jugadores 13 cartas de una baraja de 52 cartae. 3 niños y 3 niñas con 6 hombres. 1.8 mujeres. Se extraen dos cartas sucesivamente de una baraja de 52 eartas... Halla¡ la probabilidad de que uno de loe jugadores obtenga (o) ? diamantea.

Demostrarque 1.127.132.. An P(ArvA"u. 12.142.'.3.reina. Demostrar que para cualesquiera sucesos Ar.13?.141. 1. . ¿Cuántas palabras pueden formaree con 5 letras si (o) lae letras son diferentes. . (d) 4 ases.143.129. Un espacio muestral consiste de 3 puntos muestrales con probabilidadeg a¡ociadas dadas gor 2p. ¿Podríamos asignar probabilidadee de 1/11 a cada uno de esos puntos? Explicar. (D) 2 letras son idénticas.jota. .I's probabilidad de que un tirador dé en el blanco eede 213. Se extraen cinco bolas aleatoriamente sin remplazamiento.. +P(Á") 1. 1.135. .) + P(A)+ . Hallar la probabilidad de que un jugador tenga de 13 cartas g de un mismo palo.140.51.134. (b) máximo dqs sean igualee. PROBLEMAS DIVERSOS 1. (b)al menos dos sean ages.95? 1. etc. Supóngaae que al lanzar una moneda 500 veces hay una secuenci¡ de2(lsnzanientosqueresulüan"carast'. A-(A nf¡: AñB'. 1.12E. (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. (b) tn full que consiste en 3 cartas de un valor y 2 de otro (por ejemplo 3 diecer y 2 jotas. rey y as del mismo palo. 1. Az.96? 1.5. 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. ¿Cuál es el menor número de lanzamientos necesarios en el hoblema 1. (b) 0. APROXIMACION DE STIRLING A n! 1..140 para que la probabiüdad de obtener 11 por primera vez sea mayor que (a) 0. Halla¡ la probabilidad de que (o) las cartas eean de un palo.130.uAn) < P(4.146.131. Un par de dados se lanzan repetidamente. Se extraen 3 ca¡üas de una baraja de 52.145. Demostrar que aproximadamente 2nCn - 22"1\/ñ. . . ¿Puede considera¡ee la moneda cómo honrada? Expücar.136. 1. Hallar la probabilidad de que ocurta 11 por primera vez en el sexto lanzamiento. Obüener una aproximación al resultado del Problema 1.138. 1 1. p2 y 4p Halla¡ el valor de p. l. 1. Halla¡ la probabilidad de que 3 sean rojas y 2 azules.133. 1. ¿De cuántas formas pueden selecciona¡se 30 individuos de un total de 100? 1.139. (c) ca¡tas diferentes. Hallar porcentaje de enor en la fórmula de Stirling para n : 10. 1. Enunjuegodepókerhallarlaprobabiüdaddeobtener(o)unaescaleraflor. - L.36 CONruNTOS Y PROBABILIDAD lcAP. Al lanzar un par de dados la suma puede ser 2. 1. 1. (b) ¿Cuántos lanzamientos se necesitan para quela probabilidad en (o) eea mayor que 0.queconsistedediez. (o) Hallar la probabilidad de obtener la suma 7 en al menos uno de tres lanzamientos de un par de dador honrados.). Cuatro enteros se eligen aleatoriamente entre 0 y 9 inclusive. hallar la probabilidad de que necesiüe 6 disparos.l47. Si diepara al blanco hastaqueledal¡primera vez. Demosürarque siACB' entonces AnB:Q.144. 1. ¡rara valores de n grandes.

una interpretáción combinatoria.rtimientos separados. 1.156. . . 1. Demostrar l") . (ü) tres jugadores. (b) dos cincos. ¿Cuál es la probabilidad de que obtenga el 5 suponiendo que los oüro¡ tres jugadores en conjunto tienen (a) un cinco._ \r/ (1 + r¡t (1 + o¡"-t y hallar el coeficiente de ¡j en el producto).)va".155.149.151. (a) Un estante contiene 6 compartimientos separados. Este üipo de problema se presenta en física en conexión eonlaestadística Bose-Einstein. CONJUNTOS Y PROBABILIDAD 37 (c) Un estanque contiene 6 compa. 3.148. u¿ fi.cAP.152. (c) trer cincoe.\¡/(. Generaliza¡ el resultado del Problema 1.ISrí"r"ncia. demostrar que p"(a) = 1 fipn-o (0) y luego emplear el resultado del Problema 1.154. Resolver el Problema 1.:).' Denoüando la probabilidad deseada comopñ (a).6. . Demostrar que /"\ = ! 1t'¡¡" .54 obtenga exacüamente I ¿-c / r\k sobres correctos ". 4.1ó3. Este tipo de problema se presenta en física en conexión con l¡a es tad ísüca Fermi-Diroc.11)'-* 1i)'-l \"/ \o/ \t/ . Hallar la probabilidad de que en un juego de bridge (o) dos jugadores. ¿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.t't . Un jugador de póker tiene las cartas 2.151.¿De cuántas maneras pueden colocarse 4 bolas idénticas en los compartimientos? (b) Resolver el problema si hay n compartimientos y r bolas. "dar ¿ letras en los 1. 1. que (Sugerencia: Consi¿s¡ar 1. 1l 1.150. 1.50 si el juego se ümita a B lanzamientos. (d) ningfrn 5? ¿Puede resolverse el problema sin saber el número de cincos que tienen los otros jugadores? Expücar. 1. Demostrar que la probabiüdad para que la secretaria del Problema 1.(i)' una interpretación combinatoria.541. Desea descartar el 8 y remplazarla por otra carüa que espera sea un 5 (err ese caso obtendrá una "escalera"). (c) los cuatro jugadores tengan un palo completo. 1.8.

Esta función se llama wriable aleatoria (o uariable estocastiea) o función más precisamente función aleatoria (función estocástica). Con cada punüo muestral podemoe arcciar un nfrme¡o para X como se muesha en la Tabla 2-1.. Supóngase también que los dados por rr . f(¡) : 0. Repreoénteee por X el número de ca¡as que pueden resultar.2. f(a) > o 2. definida por r) = l(a) si Para¡ : nr (2) se reduce a (l) en tanto que para otros valores de r. Comúnmente se denota por una leha mayúscula como X 6 Y. 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. (I) de (2) Es conveniente introduct la funcíón de probabilidad. Supóngase que a cada punto de EJEMPLO 21. Se concluye que X eo una variable aleatorir..>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...Capítulo 2 Voriobles qleqtorios y distribuciones de probobilidod VARIABLES ALEATORIAS un espacio muestral asignamos un número. por ejemplo el cuadredo del n(rmero de carac. Supóngase que se lanza una moned¿ dos veces de tal forma que el espacio muestral es ¡f : {Cq Cg Sq SS). Así en el caso de CC'(es decir 2 carae) X :2 e¡ tanto que para SC (1 cara) X = 1. x2. también conocida como la distríbución probabiliM. geométrico u otro. etc. Í! valores se asumen con probabilidades dadas por P(X=ryl=f(rx\ P(X = k=L. En general una variable aleatoria tiene algún signifrcado físico. el nl¡mero de caras men(x el número de eelloa. 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. En general f(¡) es una función de probabilidad 1. Así definimos una en el espacio muestral.

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

(o) Halar representación gráfica. 1. 2-3 frecuentemente se le llama función escalera o función paso. la función de distribución para la va¡iable aleatoria X del Ejemplo 2. 2-1. 2. 1. así el valor en 1 es 314 y no Ll4. 714 corresponden exactanrente a las ordenadas en la Fig. Si se selecciona aleatoriamente un individuo de un grupo numeroso de hornbres adultos. 2-3.n (6) . 2.3. por ejemplo.2. f(r\ > 2.40 EJEMPLO VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD lcAP. nos conducen f(r) tal que o a poshrlar la existencia de una función 1. Por tanto no podemos definir una función de probabilidad en la misma forma que para una va¡iable aleatoria discreta (págrna 38). El valor de la función én un entero se obtiene del paso superior. deben notan¡e.4. 2 son LlA. . tomando valores desde 0 hasta 1. Debido a esto se dice que es vnafunción monotónicamente creciente. Entonces definimos la probabilidad de que X se encuentre entre ¿ y b como P(a<X<b) : Í"' f (n) d. que son verdaderos en general. A medida que procedemos de izquieida a derecha (es decir subiendo la escalera) la función de distribución permanece igual o aumenta.@ e -. Esto se expresa matemáticamente estableciendo que la función de distribución es continua por la derecha en 0. pagjna 38. 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. Debido a la apariencia de la gráfica de la Fig. 3. (b) Obtener (a) f'a función de distribución es lo F(r) = ll ln la ln [1 I -o(¡(0 0<r--l l<r12 2<r1de (D) Larepresentación gráfica tra en la Fig.2 su 2. DISTRIBUCION DE PROBABILIDAD Si X es una variable aleatoria continu4 la probabilidad de que X tome un valor determinado generalmente es cero. F(r) se mues- Los aspectos siguientes acerca de la función de distribución anterior. 712. la probabilidad de que su estatura X sea precisamente 147 centímetros sería cero. Estas ideas y la analogía de las Propiedades 1 y 2.)I__ f(r\dx=r donde la segunda es una proposición matemática del hecho que una variable aleatoria de valor real debe ciertamente encontra¡se entre . Las magnitudes de los saltos en 0" 1. Sin embargo hay una probabilidad mayor que cero de que X esté entre 145 y 150 centímetros. EJEMPLO 2. Este hecho permite obtener la función de probabilidad a paftir de la función de distribución.

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

r. : f(x) Si f(r) Fig. az y F se suponen derivables con respecto a. es deci¡ P(a 1 X < b).6.' T*0" + F(az(a). se representa por el área sombreada de laFig. 2-4.2 (ó) Tenemoa P(r<x<2) P(X=21 - P(X=1) f(2) - F(1) n-n como en el Ejemplo 2.'.F@t(n). 2s137 n La probabilidad de que X se encuentr€ entre r yxt Ax está dada por (8) p(r= xtn+ta) así que si = . (10) es la /(¡) es continu4 es decir la derivada de función de distribución REGLA DE LEIBNIZ Pa¡a obtener (101hemos empleado el hecho familiar del cálculo de que $ !"' tlu) ou = Este es un caso especial de f (s) (11) h regla de Leibniz para diferencbción de una integral: *Í"". 2-l .'r(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. El área total limitada por la cuwa y el eje ¡ debe ser 1 debido a la propiedad 2 en la págna 40. Puesto que f(r) Z 0. Geométricamente la probabilidad de que X esté enhe a y b.ü# (121 at.x)itu donde = f""jl.a# .'.i.42 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD [cAP.2-4. la cunra no puede caer por debajo del eje r..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.

cAP.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. Si X.. tz x^.a*\ m (161 L.o 2.l t@) Í2 a) (rz.'.A*) ) n {15) Parai:l. y son dos variables aleatorias discretas definimos lafunción de probabilidad conjunta por P(X=r.mestasseindicanporlaenhadadetotalesenlacolumnaomargendel se extremo <ierecho como se indica en la Tabla 2-3.. es decir la suma sobre todos los valores de x. y es uno.Ím f (r-. Entonces la probabilidad del suceso X': qiY : /p está dada por P(X = rj.Y=E) = f(x. f(r. l(xr... 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¡.. n estas seindican porlaentradade totalesenlafilao margeninferiordela Tabla 2-B "'. 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. 2-5.t\ Totole¡ ü f f f (rrai (rz.. Y : Ar) = f(r¡. Supóngase que X pucde tomar cualquiera de los m valoreg Ít.2..U*\ (141 Una función de probabitidad conjunta para X. Y puede representarse por una tabla de probabilidad coniunta como en la Tabla 2-3.2. fz(g¡l = t=r 2f@t.. Consideramos el caso típico de dos variables aleatorias que son ambas discretas o ambas continuas. 1. !2. f ai f (r^. f X\ ü1 Ut u" U¡ 'Yr¡ y.. yz) f (t*.. a ul ft(s^l 1 Totales - zfu) f zfuz) iz@") e Gran Total .. En los casos donde una variable es discreta y la otra conünua.a) donde (18) 1. se hacen fácilmente modifrcaciones apropiadas. !n. Caso discreto. y f puede toma¡ cualquiera de los n valores !t. f (rz..a) -.. La probabilidad de que X : *. an) it@zl . 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.

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

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

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

y distribr''. &u 0a DISTRIBUCIONES DE PROBABILIDAD DE FI.]NCIONES DE VARIABLES ALEATORIAS aa aa Los Teoremas %2 y 24 específicamente incluyen funciones de probabilidad conjunta de dos variables aleatorias. fr. Cualquiera de los teoremas siguientes es frecuentemente útil para este propósito. Y. obedecen las leyes conmutatiuq reociatiua del álgebra con respecto a la operación de la convolución.o) A1r A. Teorema2-5: Sean X..@) y (39) se reduce a (t o¡ s@) = f' .23\ que la suma de dos va¡iables aleatorias continuas X. En la práctica con frecuencia se necesita hallar la distribución de probabüdad de alguna o va¡ias va¡iables aleatorias determinadas.rr. ft.ul 6(u. y) está dada por Como consecuencia particular de los teoremas anteriores podemos demostra¡ (véase Problema es decir de U : X * n. Y variables aleatorias continuas y sea U = ót(X. y) la función de densidad conjunta de X. V:X (lasegunda selección es arbitraria).(r) f .U) = f . Las siguientes son algunas propiedades importantes de la convolución: 1. que tengan s(u) = r) itn Í__ . Teorema 2-6: Sea f(r. Entonces la función de densidad g(u) de la variable aleatoria U : Qr(X. abreviado f . Y son independientns. = ClDNVOLUCIONES 2. Y) se encuenha derivando con respecto a ¿ la función de distribución dada por G(u) = pÍó. f t* (f z* f t¡ = gt* fz)'f 3.2l VARIABLES ALEATORIAS Y DISIR. Il.(X. n.cAP. como función de densidad conjunta a f(x. -6 fr(*)fr(u-r)iln que se conoce como la conuolución de f t y f z.. 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.iw . l(u.ylitrdy R (es) donde Q es la región para la cual 4r(o. Ír* (fr'f fi = ft* fz * ft+ fs s Estos resultados demuestran gue fr .r.IBUCIONES DE PROBABILIDAD 47 Aú Ar (871 J= E(a.. fz = fz+ ft 2.* fz . A) u. f . Un resultado análogo es váüdo para las funciones de probabiüdad de las variables discretas.y)<u) = fl .u - (8el En el caso especial donde X.

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

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. (c) LospuntosmuestralesparaloslianzamientosdeunpardedadosestándadosenlaFig. Así para (3. de acuerdo con si deseamos considerar a X como va¡iable discreta o continua. (4. 2-8 la suma de las ordenodas es 1 en tanto que en la Fig. (a) Obtener la distribución de probabilidad paraX. Tabla 2-4 'x 1'17'página18. . obtenemos la Tabla 2-4. garaX:5 corresponden los cuaho puntos muestrales (1.2).Po¡ ejemplo. (2.1) así que la probabilidad asociada es 4/36.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/.4).2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 49 Problerna.3). (3. Supóngase que se lanza un par de dados honrados y que la variable aleatoria X denote la suma de-los puntós.cAP. (b) Consbuir una gráfica para esta distribución de probabilidad.s restreltos VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCRETAS 2. 2-8 o en la Fig. 2'9.2) tenemos X : 5. Nótese que en la Fig.1. así que cada punto muestral tiene probabilidad 1/36. 2-9 la suma de todas las óreos rectangulares es 1. Utilizando el hecho de que los 36 puntos muestrales son igualmente probables.

JNCIONES DE DISTRIBUCION DISCRETA r/t 2.. I 3/8 . ip=q:L12. suponiendo iguales probabilidades para niños y niñas.2 2. Se encontró quelrr probabilidad de obtener eractamente r veoea A en los n intentos es icrp'q. (Obeérvese que X se define sobre el eepacio muestral de tres inüentos). D:3. tenemos P(eractamente r niños) = P(X = r) = . 2-10 (o) Tenemos que F'(r) = P(X = tl u=x 2 Ífu¡.50 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP.) 3 se indica en la Tabla 2-5.on probabilidadesp y g: 1-prespectivamente. donde cada intento tenfa dos resultados posibles.)' Tabla 2-6 fr 0 donde la variable ale¿toria X representa el número de niños en la familia. Este re¡ultado se aplica a este problema bajo la suposición de que los nacimientos eucecivos (loe "intentoe") eon independientes en cuanto se refiere al sexo del hijo.2. (a) Hallar la función de distribución F(r) para la variable aleatoria X del Problema 2. dependiendo sobre si deseamos considerar a puede representarse como en la Fig.".c.(. La función de probabilidad para X.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.t-. (a ) EI Problema 1. Por tanto. A y A'. 0123 Número de ¡¡iñoc X = ¡ Fis. 2-11. Fig. Enüonces de los resultados del Problema 2. c.2-L2. (c) Hallar la disgibución de probabilidad de niños y niñas en familias con 3 hijos. (b) Représentar gráficamente la distriUución en (o). Obsérvese que el cero del eje r se ha desplazado.)"(t'-' = .¿6 2r/36 18/3rt 15/36 12/36 9i 36 6/36 3136 . F(r) 1 33/36 30/36 27 i36 I 24/'.L y (b\ repr€sentar gráficamente esta función de distribución.3.1 hallamos F(rl = 0 -e 1r<. f(r) = ..(.(i) \-'l /r \3 f(r) r/8 3/8 L/8 (b) La Eráfrca va¡iable X como discreta o continua. siA e¡eleuceeo"niñott.46 trató el caeo de n intentos mutua¡t¡ente independientes.". 2-10 o en la la FI. 2-ll (b) Véase Fig.

(b) Hallar la probabilidad de que f(r)=c/(n2+l).6./J f = " =..rr_rrl.<6.2 obtenemo¡ F(rl (ó) L8 gráfica = de la función de distribución de (o) se muestra en la Fig.cAP.. la constante c. f . I -u. )? estÉ entre 1/3 y 1.2-13 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2./ -\-'l (* :u. t*tantolaprobabilidadpedidaes t(-'lstt oJ-t dn *lft dr IL'rJ¡5.itan-rc .2l VARIABLES ALEATORIAS Y DISIBIBUCIONES DE PROBABILIDAD 51 2.2V @) (o) Uüilizando la Tabla 2-5 del Problema 2. _.. 2-13. Hallar la función de distribución conespondient¿ a la función de densidad del Problema 2.\r-.4..ran-l(--)J = l[r*-' " "if = i. donde -o(ú.e¡décir t-.t¿n-r (+)] I = z(z-z\ = 6 6/ "\4 2. F(¡) I 7t8 6/r 6tE 4/E 3/8 2t8 I UE t Fig. 1 C" F(r) = )_-t{")a" = i)__ n du _ = !l-t.6.-. (c) Hallar la función de distribución F(*) para la va¡iable aleatoria representar gráfrcamente esta función de dishibución." r¿*l = ?['*-'(1) .12 + | = "t"r-rrl r-o = "L. X del Problema 2. acf que c=Ur.r12*L =zC' oJ6.r .(-. t:_flu)ttr = 1.entonces ó -l < x = -f. rL t__J = 11h. z2 = 1 (ü) si* = x2 =t. Un (¿) (a) Debemostener aXtienelafuncióndedensidad o".'= J-.6.

se indican en la Tabla 2-6.62 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP. tenemos que c : L142.du = -e-2"1 = L-e-8 lo l{ Otro método.. debe ser igual a 1. )-11. (b) Hallar P(X =2. Tabla 2-6 Y X 0 0 0 I c 2 3 Totales ü I 2c 4c 6c 3c 5c 6c I .¡l = f2"-u l0 r)0 r10 le-1 (ó) P(X>z) Otro método. La función de probabilidad conjunta de dos variables aleatorias discretas X.42c.A) = c(2r *y).Y s2\. Y = l). (b) la probabilidad de que X > 2. las probabilidades asociadas con esos puntog dadas por c(2x * y). Y estÁ dada por f(r. (c) Hallar P(X>l.7.) 2c 4c 6c 3c DC l4c 22c 42c 7c L5c Tota les+ 9c l2c . 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.2 2. y (c) la probabilidad de que-3<X<4. (o) . Por tanto.8.e-4.U\ : 0 de otra forma. (a) tos puntos muestrales (r. 0 = U < 3. Puesto que el gran total. fir-\ = dt l-F1.y f(r. Por defrnición P(X =-21 = )" ze-z"du = -u-r"1. (o) Hallar el valor de la constante c. P(X>z) = f -(1 -e-r) = (c) e-4 p(-B<x<4) = ln¡rulou = f_roa"+ ton2r-r. = = F(2) = | . y pueden tomar todos los valores enteros tales que 0 < n 3 2. donde r. y) para los cuales las probabilidades son diferentes a crero se indican en la Fig.F(-g) = (1 -e-e)-(0) = l-e-B DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2. P(-3<X<4) = P(X=4) -P(X<-3) = r'(4) .

Y=l)=5"=a 42 (c) De la Tabla 2-6 determinamos que P(X>t.r du = I .Y=\ = asr que h P(x=4 = # P(Y=l) = I (2x rr y)142. 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. 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 2-6.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD De la Tabla 2-6 determinamos que 53 (b) P(X=2. para todo r. Si las variables aleatorias. 1<g<5 de otra forma 1o (c) Hallar P(X>3. (o) La función de probabilidad marginal para X está dada por P(X = r) = ft@) y puede obtener¡e de los totales del margen en la columna derecha de la Tabla 2-6. puede expresarse como una fi¡nción de ¡ veces una función de y.9.u) = lcnU 0(r<4.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. no P(X--2.{. Demostrar que las variables aleatorias X. 2<Y <3). (o) Hallar el valor de la constante c. como se determina de los Problemas 2.11. 2. Hallar las funciones de probabilidad marginal (c) de XV (b)de Yparalasvariablesaleatorias del Problema 2.8.10. es decir | | f@.8 (b) y 2.9.8 son dependientes.cAP. P(X = t. P(X=2.Y : A) = P(X = r\ P(Y = Y¡ Pero. La función de densidad conjunta de dos variables aleatorias continuas X. Y <2). 2. Y del Problema 2. Y son independientes debemos tener. De estos vemos que P(Y=Y¡ = verificación:1*3 +!+1 ''7 74'7 t4 fz( =t 2.Y=L) + P(X=21 P(Y=L) E resultado también se deduce del hecho de que la función de probabilidad conjunüa..u) d. (o) Debemos tener la probabilidad total igual a 1. (b) Hallar P(1< X <2. Y es f (n.

F . = e6c Entonces 96c = 1 y c : 1/96.)* = "Í:=rr2adr = "tu*)l'_.'=.=oL. 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. 1""=140.Tn' = idt\t/|. =y( 5 ec Fzful = P(Y <-vl = Í¿t=_@ f1 ¿ú=l f" f@. Hallar las funciones de distribución marginal (c) de X V(bl de I' del Problema 2.o' = "Í. y). Por t¡nto Fr(rl = 1. Oo = #Í:=. la integral tiene el valor f4 ¡5 J.2<Y ' (c) <3) = Í.r. (ó) Utiliz¿ndo el valor de c hdl¡do en (a) tenemoe P(l <x <2.r=o(ry-.'uau)a' = *f.o)ctud.11. fi uo = # 1. 4.'=r$l'"-.=o J"=.2 Empleando la defrnición de /(. fv J-"=oJ"'='ffiauao = + . xaau )clx = "!.12. (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<.'=. [ Í=.=. 7 ñ J"="To' = ln 2.(a) = 0.olduclo dudo = P¡re o > ft (s J.Yl'"=.r"=. .Y=z) = í:="í"'=. = = 1 C' 5r.frarau = * Í'^='lÍ"'="u aafa' = + f"="#l'"='* L f4 Br. Ft(¡) = 1.1Í":=.54 vARIABLEs ALEAToRIAs y DrsrRIBUcIoNEs DErRoBABTLTDAD -l IcAp.- ñ E P(x>s."=.:o J"=rcnvilxils ft rrs = " J.* s /rz11z . para 5 < 0.¡¡'J.

F{A) = 0.l\ (r6)(24) Fig. 2-I6 . l\¡. la Fig. En el Problema 2. 2-16 hemos indicado la región cuadrada 0 ( ¡ ( 4.' *u au)a* Fig.13.F ¡ (r) V Fzp) se determina¡on en el Problema 2. o 0 ( ¡<4 f de otra forma . Las distribuciones marginales .LL se observa que la función de densidád conjunta para X. Se deduce que X. 2-15 2. En efecto. av = ut-[:.t : 5.2l Para y VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD OD = 5. Y puede escúbirse como el producto de una función en r veces una función en y. Puesto que f(x. Para U < l. donde J tt.11.¿v I < Y < 5 [ 0 de otra forma L/96.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.¡ ryl96 sobre fi. Fz@) = 1. t = 1. esta probabilidad está dada por 'í Í"'=.F(r.Yl = rz(az . 2-15 muesha la definición por trazos de . Del Problema 2. [f=. región sombreada en la Fig.cAP. de tal manera que su función de distribución conjunta eetá dada por F(r. La probabilidad rc. podríamos remplazar en la expresión anterior [o u<r : 1.L2. !""=.ul = fr(r) f2(y). 2. y) resultante.| l rr.(ul = { (. Y del Problema 2.11 hallar P(X+ y < conjunta de 3). ! c(t = c : F(r. 3. y) : Fr G\ Fz@). Por tanto Fzfu) Puesto que F2 (y) es continua en y = 4@r-t)tz+ tfy<b a=6 l. En la Fig. Y son independientes.n ffia. 2-16. J ( por < .Y es diferente de cero. 1 < y ( 5 dentro de la cual la función de densidad X. Halla¡ la función de distribución conjunta para las variables aleatorias X..14.

L es una función decreciente de ¡. esto es. Demostrar el Teorema 2-3. donde ry''(u¡ ) 0 (es decir la penCiente es positiva). y crecen.z 46. esto es. Demostxar el Teorema 2-4. Igual que en el Problema 2.16 ó P(ut<Uiu.17.y) fe2 dr dy Remplazando avanzado que r : Út@. "rl "" /{.Ll Plx = gfu)) = f lv@)l En una manera análoga puede demostrarse el Teorema 2-2.a) a@'a) donde es d\u.1 . pá$na 46.15. u) en la integral de la derecha tenemos por un teorema de cálculo flrrtu. ' olü au = ¡'tl f ¡¡gqullv'tu:du Esto es válido pr. Jtl r s(u._-. y : Ju. 2. = 2. Entonces..(' 'u2 l3-' '..u11V1o. (r) (t tlt(u) es una P(ut LI 1tt"): P(rtlX1rr\ f¡7 (2) Remplazando x escribirse como /'ü: | t\u) titr 'ul |.. Ju. 2-17 f . página 46..67). pá$na 46. es decir g(u) _.. Primero suponemos que a medida que r. Por tanto = fI¡rfu.. 2-1'7).u.' ut 12 : ¿ ttt V@) en la integral al lado derecho. u) ellacobiano.2fu. Primero considere el caso donde u : ó@) 6 x : tenemos función creciente.At<Y<Az) = | fre | l(r.páqina 46.66. Úz(u. Demostrar el Teorema 2-t. Para el caso donde rlr'(u) -< 0. El teorema también se puede demostrar si rl'(u) 0 ó r/'(u) ( 0. La función de probabilidad para U está dada por s(u) = P(Lt ") = Plo(x) .2 1 L (" = J.t'@) Este es un caso especial de (34). Análogamente podemos demostrar ('36) para el caso donde .f . para el caso donde J 0.u).r\uti. 92fu.rl duda = f"' (''' Ju.fl. u aumenta a medida que r aumenta (Fig. Dr P(r1<X1rz. pá4ina 46.\: ?u.¡. págir. también podemos demostrar que (31) se cumple (véase Problema 2.a todo u1 y u2 solamente si los integ'andos son idénticos.16.u .a). (2) puede Fig.= fu ). como puede deducirse de la figura.v)dud. 2 lu=rd' CAMBIO DE VARIABLES [r(3-r)z r 'rldr 48 2.4v.1)llJ duda ("' ("'n. ) O. Véase Problema 2. u).o'tlJ J< que es (3ti).=o g6. . | trrr J| s(u.. podemos demostrar que u y u también crecen.56 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP.

e por el Teorema 2-3.tt¡¡f"..)óx:L2-3u. La función de ptobabiüdad de una variable aleatoria X (2-' ü=1. de probabilidad pedida para U ea ( z-ni i s("! = 1o utilizando el Teorema 2-1.. página 46.U<u) = P(-B<X<\fr) = J-s f@lA.3 ¡e deduc. | . o el hoblema 2. La función de es disüribución para U G(ul = P('tlu') Entonces si 0 Fis. 2.E2. o por el Probler¡¿ 2. 2-18.2O. Los valores de r para los cuales.A¡íparacadavalorderhayunoydamenteu¡valordeuy función de densidad para U ee s(ut Verificación: = ilt'.. U: * . UyXqtídadapor y8€hatomadol¡raízrealpositiva.3 ( 6 corresponden a los valores para los cualeo 0 S 36 como se muestra en la Fig. = P(.19.+ l larelación entre loe valoreedeuyrdela¡variablesale¿torias donde u:2..Loe valore¡ de u que correrponden a¡= ..sutz¡21 ]. f(r) = to de otra forma Halla¡ la probabilidad para la va¡iable aleatoria a = X4 + Puesto que l... página 46.2 = _. u= r+11 6 r =n/F1. La función de probabilidad de una variable aleatoriaX está dada por f(a) = iL0 (12/81 -3<c<6 de otra forma Halla¡ la densidad de probabilidad pllra la va¡iable aleatoria U : t$2- X).I9.Enüonce¡1.¡función u = 2. En este caso no podemos emplear el Teorema 2-4 directamente ¡rero podemor proceder de la manera eiguienüe.16. Tenemos tL = tr2 ó r = *\ñ.. recfprocamentg.2.!7.cAP.'ll = 1 2.16 que la Tbnemosu:tl3(L2-f. .3..82. HaJlar la densidad de probabüdad de la variable aleatoria U = )? donde X es l¡ va¡iable aleatoria del Problema2.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD es 67 2. 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 ¡.3 ( ¡ < 3 corresponde a 0 s z s 9 er tanto que 3 (¡( 6 corresponde a 9 ( u ( 36. de otra forma .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."1:-.18.3 y* = 6 rcn u = 6 y u -2re¡I¡ectivamente. Puesto que ú'(u) : dx/du : . Como se obeerva en esta ffuura el intervalo .17. du ¡5 <tz:_su.

Entonces la ¡olución ¡imultiinea re¡ulta r : u.2 l*ibníz (12).-ro 0 6<¿<10 f4 afu. u : r.ol =#¿" . 1 tZ _1. ! : ll2(u . 2-r9 Entonce¡ por el Teorem a 2-4 la función de densidad conjunta de U y V (u(u-t:l/384 21u-o( 10.2 < u .21. 2 ea - Fig.u 110 que ¡e muesEa eombreada en la Fig. 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. Por üa¡¡to la región 0 I r 1 4.r'nu ffr:i:0" 'Sea u = t I 2y. = {. función de densidad de U = X + ZY. uear¡do la regla de c@l Utiüzando la definición dada de = f(r) eeto se convierte en 0<z<9 9. = 2. Y tienen función de densidad conjunta r(x.<¿<36 de otra forma 21rsrz Verificación: zlb. 1 < y ( 5 correeponde a la regiiin 0( u ( 4. El Jacobiano está dado por Fr 0r J_lr"0o oa lüu la" att lo =l I 1 11 -.11) hallar la Método 1. le * fil2136 z4B l. Si las variables aleatorias X. lo1u114 de otra forma . función de den¡idad g(u) ee l¡ derivada de G(u) tonemos.u).58 VARTABLES ALEAT1ORIAS Y DISTR.IBUCIONES DE PROBABILIDAD Pueeüo que la [cAP.1.a) (véase Problema 2. etcogiendo arbitrariamente l¡r eegunda relación.=. 2-19.

Al dividir egüa¡ ecúaciones obtenemoe y/r = u/u aef que y = ut/v. 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. 2'20 gue la últim¡ integral ee igud a Í"--."'' gunoo = Í"::'lW-#fo' + 4)t2304. De un¿ manera análoga podemoe obtener el Al deriva¡la con respecto a ¿ 8e encuentra (u .2-2L 2.a) : {*''nu de otra forma :':' 0 L = XYz.a función de di¡tribución de la variable eleatoria X + 2Y erüá dada por P(x *zY É ut = Íl rr2y 3 t@. u = x2 y .ytdrdy " = ÍÍ fta. V = )PY.2)2 (u reeultado dd método L para 6 ( u ( 10. 2. [. Fíg.y=y2/3p-rl3. Si las variables aleatorias & Y tienen la función de densidad conjunta 4' L <s <5 f(r. Mo ¡oe conducealasolucióneimultánea s=p2/34-r/t. IL m de b Flg.' I":".21.L(y(Senelpla' (véase Problema 2.11) hallar la función de densidad conjunta de U no uu está dada por o<azlgu-r/t<4 gue son equivalentee a .2-2O Fig.22.i 1<c<5 Pa¡¿ 21u ( 6 obserraÍros al r€ferirnoo a la Fig. Nlétod.au i*Z=. 2-19.u2 t< 7) uztga-rls < L26'u 6 1 64u 1u2 < Eata región ee muesba eombreada en la Fig.o 2.2l como VARHBLES ALEAI"ORIA"S Y DISTBIBUCIONES DE PROBABILIDAD 69 'lar p determina refiriéndo¡e a lae regioner ¡ombreadas I. I/aimagende0(x14. eüc. Considére¡e u : xy2 .cAP. El Jacobia¡¡o estó dado por .

2-22 utilizando la regla de Leibniz (I2) primelo en la integralder y luego en la integral de y.2 l-lor. La función de di¡tribución de U = X + Y es iguql a la integral doble de f(x. como ¡e indic¡ por la parte ¡ombreada en lrr Fig.ld. f variables aleatorias qup tienen una función de densidad conjunta f(x. página 46.u-. donde arbitraria¡nente hemo¡ ag€gado la *gunda ecuación.u-r..o) . y: u. y) tomada ¡obrc la región definida pbr * f y s u.üdrdu .-t rsu-ual J . . o= Í6 x. V : X.u-o) págin¡ 46. El Jacobiano de l¡ tran¡fo¡mación ertá dadopor rSe deduce de (261. vemor que G(u) üo a u e¡tá dada = ..r f. la función de deneidad conjunta ile (J y V ea g(ü. que la función de densidad marginal de U c@l = f' f@. Demosbar que la función de densidad de U'= X * Y es s@l Método 1.to-t.u.IBUCIONES DE PROBABILIDAI) [cAP. y).:v. A e¡ta¡ ecuaciones u: x i !. Método 2.y¡ay]dr -J La función de den¡idad de U e¡ la derivada de G(u) con re¡pee por ef -a (' l@. 2-22."u-n. 192 d'l l#'úl = l: -l ee -l Arí por el Teo¡ema 2-4. -tuznr-trs I -lu-zrso-zrs A¡f la función de densidad conjunta de U y V es.xl = {u--''"o-rtsl288 IO CONVOLUCIONES < ilu' tt 1 u2 < l26tt de otra forma 2. cer.o) = {*O=f3-Io ($u-2t3a-2rt') o2161u' tt de otra forma tt-z 1u2 < l26tt c@.23.60 VAR¡ABLES ALEATORTAS Y DISIR. c¡üo ec G(ul = (( Í@.f(t¡.u-a)ilo conecponden : X + Y.l: l= | f. Sea LI = Íl-rO.i"au Pue¡to que la región eetá por debajo de l¿ lfnea ¡ * y = u./t=-a f f"-' f' Lnr1¡=-a c@l = ¡1r. Sean X.u-r)ih F's. por el Teorema 24.

HaJlar (al f(y l2). (y) respectivamente.w) = (" DISTRIBUCIONES CONDICIONALES fz@\lt@-u)dut = fz'ft "/u=-n 2.cAP.26.f2(u-t:ld. (o) Empleando los ¡esultado¡ en los Problema¡ 2.24.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD 61 2.o{üau = tfo'k-r"-"-rv\d. Por tanto Cful = | JO f! (2e-2ül(ge-sru-u))do (" = 6"-su. Ve¡ific¡ción: ao ifui = 6o. Demostra¡ gue fi t.rru-u)f2@t)(-d.a J_ú En el integrando f1 se anula cuando u ( 0 y f2 8e anula cuando u ( u.f¿ .23 si X. 2. En este caso la función de den¡id¡d eonjunüa et f(x.{olf2(u-olito = f t* fz que es la conuolucidn de h y fz.- u de tal maneraque u = u-u.to ¡iu>0yg(u):O¡iu(0. pígna 47\" Tenemos Ít* fz = | /r(") fz@-o) Jo=-a Haciendo fa da u)= a.olver el hoblema nes de densidad f t@). Si X.l) = 6(e-zt .fw=n .27. (b) P(Y : 1lX : 2'¡ pan la distribución del Problema 2.241a función de den¡idad pedida es la convolución de f t y fz y eetá dada por c@) = ft*fz = f' fr(o. R'ex.8 y 2.23 la función s(ul = t'.-*) = 1 2. 2.d.25.ar@u . de densidad de U: X * Y e¡ y): f t@) fz(yl.9 t¿nemo¡ ftutrt = arf que con ¡ : 2 ffi:*+#t f(ylz\=g#f=+ P(Y=rlX=2\=/(1l3r=*z (ó) . obtenemos (-' Ítrfz = .f 2* f1 (Propiedad 1.u = (.8.. Y son variables aleatorias independientes que tienenfunciof.u:-dw.f .e-tr¡ f -'.<0 L0 ü>o * fg"-to a=o " frfu\ '-\e' =1l0 a<0 Y. halla¡ la función de densidad de su sumao U = X Por el Problema 2. Y son variables aleatorias independientes que tienen funciones de densidad ft@l =112"-t' . así que por el Problema 2.

pa¡a 0 ( y ( 1. La función de den¡idad condiciond no está defrnida cuando L8 función de densidad condicional de Y es.rlrol+)0. Si X. Fig.2 2. f2Q): O. La función de densidad conjunta de las va¡iables aleatorias X. como 8e integrando con reapecto a ¡ desde r = y hasta Í: indica por la franja horizontal en la Fig. para 0 ( r ( 1.¡.a) = {t^" de otra forma 1=1=. !2@) Para = Í' Brydr = 4aÍ-u2'l lo¡ otros valores de y. 2-23. (b) P(v > + I + < X <*+d'r).t'o<a<r [0 se muestra Hallar (a) la densidad marginal de X. la deneidad marginal de Y se obtiene fijando a y e L. Y tienen la función de densidad conjunta r(r. La región sobre la cual f(r.29. hl. dada I 16 2.2E. 2-23. Pa¡a los ohos valoree de r.2-23.) = Jt=o Sxydy . Análogamente. 2-23 (c) La función de den¡idad condicional de X ec. (b) la densidad marginal de Y. (o) Para 0kc(1. y) er diferente a cero sombreada en la Fig. = t¡*} ftulr\ h¡a oü¡o¡ ralore¡ de = definid¿. ft (¡) = (b) 0. El resultado es (' Ítu. ft@la) (d) = ffi . El re¡ultado es para 0 (y(r. (c) Para obtener la den¡idad marginal de X fijamos r e integramde c"on reepecto a y de¡de 0 hasta r como se indica por la franja verticalen laFíg..a) = {i. = Í.'.* :".4¡s pare 0 ( ¡ ( 1. rt*) hallar (a) f(alr).ffr:j:r. (c) la densidad condicio nal de X.rYP* está.): fz@lr\ = !(u'a'-l = {'u'* h@\ lo La funeión de densidad condicional no está definida cuando JFr o=u=r otray (¡): 0- . ¡. Y por f(r.i¿¡t\ = {o (2r/(L-azl a=r=l otra¡ O. /(¡ | y) no ertó (ó) P(Y>l¿l+<x<l*drl = tr*. : J'(i**r)0.62 VARIABLES ALEATORTAS Y DISTBIBUCIONES DE PROBABILIDAD lcAP. (d) la densidad de Y.

c es r¡na constante y o es el radio del objetivo (véase Fig. = . + f t@) Í2fu).21). fz(A) : AaQ-A2'). La función de deneidad ertá dada por f(r) r_ /r)rl = "Lt . la¡ funcionee de densidad de X. Dos puntos se escogen aleatoriamente en el intervalo 0 < de que la suma de sus cuadrados sea menor que 1. b(Boz-br¡ =.A\ = 8rA.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 63 Verificación: fo' .ls rbF /"\2-1. Ít@l = 4r?.[t . que se supone üene radio b. Íis. 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. : T zalo lr-(i) Jl. Y son independientes.2-23.t L \a/ 2.rrrro.)¿. htotdda -- Ío' 2. Suponer que siempre se hace impacto en el objetivo. que flr. la función de densidad estd dada por . = t. 2-24). Portanto f(r. tal conclusión serfa verdadera- APLICACIONES A LA PROBABILIDAD GEOMETRICA 2.29 son independientes. Si ecta ee remplazarí pu alguna reshicción en y no dependiente de r (como en el Problema 2. Eeto ¡e debe a la restricción 0 < y < ¡.30.(.r'lúttr = Í"' fo" &or : .r) = . Determinar la probabilidad Denótense por X Y la¡ va¡iables a¡ociadas con lo¡ puntos dados. tenemos ("fr.32. = lo'Ar"d. Puesto que se supone que intenalc igualec tienen probabüdadee iguales.(. Determinar si las variables aleatorias del Problema2. EnlaregiónsombreadadelaFig.)']0" Aquí. y) : 8ry.31. y a¡í { Y son dependientes.cAP. Hallar la probabilidad de pegar en el blanco. Entonces la probabilidad de pegar en el blanco es Jo I rb t(. R es la dista¡rcia del impacto desde el centro del objetivo.G't = lI 0<¡<1 | 0 de oEa forma f zfu) : tf f 1 ofY=1 o de otra forma Entonces ya que X.U) Debe anota¡se que no puede deducirse a partir de f(x. ¡ < 1. fot rrror¿a = fo 4A$-u2lda = | 7 f"'r. f(t. y) puede expresarsecomo una función de r por una función de y.30.¡ _. Jo L /r)'lo' = \a/ --) r de lo cual c = 312a. Y están dadas respectivamente por (r) f ..2-21 Puesto que siempre se hace impacto en el objetivo.

f"'= --rru.f. f tienen la función de densidad conjunta f(a.ud'o I"=" !'"=o\ffauao Í""=. *+)0. a" au P(xz + Y2 = t er la región def¡nida gnt r2*y2 5 l. Entoncee puerto que (3) repreecnte el á¡e¡ de R observamos que b probabilidad pedida es n14. r. Supóngase.'=..t"É s "r* O"O" rI Se deduce que la probabilidad peüda *. (D) La función de di¡tribución marginal para X er fr(a) = P(x = al = Í. (d)P(3 < X< 4. l.ü Hallar (o) la constante c" (b) las funciones de distribución marginal para X y Y.'= _.í. ?f Fis.'=--Í"": -ot.'=-.(elP(X > 3).64 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAI) [cAP.'y¡ = [. Y son independientes. "(u.Í""= _ . debemor 0ener c Í. (o) t a probabilidad total está dada por f. (h) si X. = o u2 a<o I l6v 105 6=y(b t"'=ozffauao I y26 . = )) fr.u do Fz@l = P(Y =.t tztut = {.ffoua. U = 0. (4t) la función de dishibución conjunta. Í'='Í"'=oLt!du¿..Í"'=--odud'' = = Í"'=.l(u.'=.| 126 ts) d. 2-26). * +)ltro" Pare que e¡to ¡e¡ igual a 1. o sea un cuadrante de una circunferencia de radio 1 (Fig.'=-.l. (RP(X + Y > 4). x >: O. = 2l0c : Ll2lO. f"'=o o(2-r I sl itr dv = !."_r"(to.t La función de di¡tribución marginal para Y es .tsl duit't: Í.33.2-25 PBOBLEMAS DÍVERSOS 2.que las variables aleatorias X.2 (2t (t) donde r(x.:=.yt = tr". (c) las tunciones de densidad marginal para XV f.Y> Z). f.

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

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

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

M. La probabilidad de 1 ¡r/2 f(a/2)se { | | li )s=¡ ). Va que el cuadrado tiene área 1.68 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILÍDAD lcAP. El lado derecho de (21 es el área de egta región. 2-30 ee obeerva que la aguja realmente toca la lfnea cuando este ¡uceso está dada por X = (ol2) s€n @. fz|/) : 2ln.{})(}) = ¡!. puesto que X. Y las va¡iables aleatorias que representan el instante de llegada. P(c<c=c+dc) =?d.R = lf a" au donde R es la región sombreada que se muesha en la Fig.. Suponiendo que a intervalos de tiempo iguales corresponden probabilidades de llegada igrales las funciones de densidad de X. Pue¡to que X y @ son independientes la función de dencidad conjunta ee l(r'c)=?'Z=! ltlt De la Fig. Y son independientes. en tanto que loe dos triánguloe de lar esquinas tienen áreas +(*X*) cada uno. y las 3:00 P. medido en fracciones de hora después de las 2:00 P. . con el conveniode que no se esperar¿ln más de 15 minutos. la función de densidad conjunta es (r) f(r.ul = : 1/4 f t@) fzfu) = 1o (l 0S¡SL. esdecir. las funciones de densidad de notamos que X y @ están ¿"¿r" po. Comoverificación 9 :de = | JoÍ Jo ¡rl2 I ia'=r L ?ll2 . ¿Cuál es la probabilidad de que se encuentren? Sean X. 2-31. la probabiüdad pedida (e) e(rx - vr É 1) . 2-31 Entonces.=¡ e drd o = 2A t" se Cuando la expresión anterior se iguala a la frecuencia de caídas observadas en experimentos reales.2 P(r<X<rIdr) =la. obtienen valores precisos de Í Esto indica que el modelo de probabilidad descrito es apropiado. que es igual a t .37. M. 2. de las dos personas. fr(¡): 2ll. Y están dadas respectivamenüe por ft@l= lzful = (r 0:<¡=l de otra forma lo lo lr 0=a<L de otra forma Fig. Por tanüo la probabilidad pedida ee 7176. Dos personas acuerdan encontrarse entre las 2:00 P.0<a<L de otra forma es Pueeto que 15 minutos de hora. M.

Una variable aleatoria X tiene función de deneidad f(n) = | "r' 1 "r L0 L< aé2 21r13 de otra forma .47.39. 2. repreeenüar gráficamente la di¡tribución. (c) P(X >21.42.41. Resolver el Problema 2. (c) Problema 2. s). (a) construi¡ una tabla que muestre la distribuci6n de probabilidad de X V (b) representar gráfrcamente la di¡tribución. (b) Problema 2. Hallar la di¡hibución de probabilidad de Z.1 y 2. 2. La función de probabilidad de una variable aleatoria X ee muestra en la Tabla 2-7. (¿) P(X > r.47. Sea Z lz va¡iable aleatoria que repres€nta el númcro de ca¡a¡ menos el n(rmero de seüo6 en dos lanzamientos de una moneda honrada. Una moneda ¡e lanza tres vece& Si X es l¡ variable aleatoria que indica el número de caras que rerultan. 2.44.46.48. Una variable aleatoria X tiene función de den¡idad l(x) Ilallar (o ) = 1o = (ce-g" c)0 rso (d) P(X < 1).4L. 2. (dl P(X < 3). 2. Comparar los re¡ultados con los Ejemplos 2.42.40. (a) Construir una üabla que muestre la distribución de probabilidad de X V (ü) FUNCIONES DE DISTBIBUCION DISCBETA 2. (o) hallar la di¡tribución de probabilidad para X V (b) repreeentar gráficamente la distribución. Obtener l¡ función de dishibución y su gráfica para el (o) Problema 2. probabilidad.IBUCIONES DE PROBABILIDAI) 69 Problenra.41.E¡ suplernenta.rlo s VARIABLES ALEATOBIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCBETAS 2. 2.4O.2.on remplazamiento. (D) P(l < X g). de digtribución para la variable aleatoria del Problema 2. (r) P(. (ó) P(1 < X < 2). Obtener la función de distribución y su gráfica para el (c) Problema 2.19. La Tabla 2-8 muestra la función de distribución de la variable aleatoria X.46. = Determina¡ (o) la función de VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2.38. 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. Si se extraen doe bolas aleatoriamente sin remplazamienüo y X denoüa el número de bola¡ blancas. describiendo la relación entre ella¡. Hallar la función 2. Sea X la yariable ale¿üoria que representa el número de ases extrafdos aleatoriamente en 4 ca¡tas de una baraja de 62 cart¡¡.2l VARIABLES ALEATORTAS Y DTSTR. (D) Problema 2.18. Rnpre*ntar gráfrcamenüe las funciones de densidad y digtribución.38. Una urna tiene 5 bolas blancas y 3 neg¡a¡. (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.cAP.89. la con¡tante c. 2.

3.(c)P(|<X<*). cerode otra forma. X dada Y. (d) P(l<X<2). f(r) = 1o 0=rÉ2 deotraforma Hallar (a) el valor de la constante c. SiP(X:3):0hallar(o)laconstantec. Y = 2). y su función de probabilidad conjunta puede expresarse por el producto de rfna función en ¡ y una función en v.60.70 VARTABLES ALEATORIAS Y DISTRIBUCIONES DE Hallar (a) la constante c.69. (b) P(1-12< X <312).54. Y variables aleatorias continuae que tienen función de densidad conjunta (c(r2*a2) 0Ér< 1.54.3. 2. (c) P(X>l). (d) la función de dietribución. DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2. (D) de Y dada X para la distribución del . (e\ P\Y < 2).56 para el caso donde las variables son continuas. DISTR¡BUCIONES CONDTCIONALES Y FUNCIONES DE DENSIDAD 2.49. ¿Puede ser la función (c(I-12) F(r\ = 1o una función de dishibución? Explicar.!: L.57.ót. (b) de Y para la función de dencidad del Problema 2. (c) P(I<X< 2. y): cxy parar: L. (e)siX Ysoninde 2.63. (b) P\X'> PROBABILIDAD [CAP. (fl P(X = r). Halla¡ la función de probabilidad condicional (o) de Problema 2. (b)lafuncióndedensidad. (c) P(X > 1).67.2.52. Y son independientes solo si poro todos los uolo¡es de x. 2.(b)P(X<+. 0< gr< 1 f(r'u) = 1o deotraforma Determina¡(o)laconstantec. (b) P(X=2. Halla¡ las funciones de distribución 2. Sea X una variable aleatoria que tiene una función de densidad (r. Hallar (o)laconstante c. De'rerminar ¡i X Y son independientes. X.56. Halla¡ la función de distribución para la variable aleatoria X del Problema 2. 2 2). 2. pendientes. Hallar las funcionee de probabiüdad marginal de (c) X V (b) (c ) y para las va¡iables aleatorias del Problema 2.64. Demostrar que las variablec aleatoúas di¡ctetas X.ó8.Y = 3). (cl P(llz < X < 3/2).(d)P(Y<{).ñ. 0= ¡=1 deotraforma 2. Sean 2. marginal (a) de X.56. La función de probabiüdad conjunta de dos va¡iablee aleatorias discretae )d Y eet6 dada por f(x. E)emo¡trar el resultado del Problema 2. (d\ P(X > 21. (g) P(Y = 3). La función de distribución de una va¡iable aleatoria X está dada por 2.2. 2.Y>+).

n)0 = to r=o Y: X2.2l VARIABLES ALEATORIAS Y DTSTRIBUCIONES DE PROBABTLIDAD 77 2. -a <a < .paraloscaso¡ (al g. (D) Y CAITIBIO DE VARIABLES 2. para la digtribución del Problema 2.66. u >0 n1O 2.2L e¿ igual a 1. Completar la labor necesa¡ia para hallar gt(u) en el método 2 del Problema2. 2. l.72. 2.67.(ulZ 0.71. (b ) Iluatrar el re¡ultado en la parte (a) erco$endo f(rl = i: l0 y verificar la solución...@) < 0. (b) Y dada X. (ü) Y dada X. .(¿) S 0. Demo¡tra¡ el Teorema 2-2.2. 2.2I y verificar su reapuesta. -. (ü) *. (o ) Si la función de den¡idad de X es f(r ) hallar la función de densidad de X3 . 2. (e-(r+u) x>0. si f(r. Veúfic¿r que la integral de gr(?r) en el método 1 del Problema 2. < 5 < @. 2. (bl Xs + 1. Siladen¡idaddeXes f(r)=U"(r2 *1).at = 1.62.p6gna 46. Si X tiene función de densidad f(r) Hallar la función de den¡idad de l"-.cAP. Sea dada X.7O.6t. 2.página46.63. hall¡rladensidadde Y = tan-rX. Hall¡¡ la densidad condicional de (c) X dada Y. DemostrarelTeorema 2-3. 2.57 . y>0 f@. (*e-2.6!. de otra forma [^ la función de ilen¡idad conjunüa de X. Sea la den¡idad de X Í@l = Halla¡ l¡ densidad de (¿) 3X (l/2 to -l<r(l deotraforma . hal|arlafuncióndedén¡idad deY=*.ú = { 0 J^ ^¿_. SiXüienefuncióndedenaidad f(r):(2v)-r/2"-érz.64. (c) r¿. Hallar la función de densidad condicional de (c) Xdada Y. 2. Y.69.*. 2.66.rl:j"<s<L Hallar la funcióa de den¡id¡d ondicional de (a) X dada Y.

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. osv51 to deotraform¡ la función de densidad conjunta de Y.76. 2.79.21 primero efectuando la Ea¡rdormacií¡ 2Y 2.t2. Si X. f. Si. APLICACIONES A LA PROBABILTDAD GEOMETRICA 2. y:8 ¡enO demoeEarqne la -@ I e¡ ob\=i ¡r"-tz/2 r=0 r'(0 l0 2.a) = (2r\-rs-(r2+Yt).R y @¡ott tt.8E.22 pare.halla¡ la función de den¡id¡d de (a) U : XYz.2 2. Sean función de densidad de X. para hallar la función de den¡idad de U = X + Z. Sea l(n'u) = ){ (1. Re¡olver el Problema 2.22. yz0 deotraforma {o = X/Y. 2.t1. Sean X.75. (bl V = XzY. Doc puntor ¡e seleccion¡n aleatoriamente ¡obre un segmento de lfnea cuya longitud a o ) 0.77. ofrf 1.76.). V = X I Y.72 VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD Verifica¡ por medio de integración directa [cAP. l¡ función de den¡idad conjunta h¡lloda en el hoblema 2. Y variables aleatoria¡ independientes didribuid8r idénticamente con función de den¡idad (l f(t) = Hallar la función de dengidad de X 0<¿<1 deotraforma 1o * Y y verificar su ¡olución' 2.8O. 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@.r""""va¡iablesaleatoria¡taleequeX:R co¡O. -e 16 1o. Hallar la función de dengidad de Z = XY. Sean X. hallar la fi¡nción de den¡idad conjunta de U y V. 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. < U < @.emosha¡que (a) lt*(fz*fs)=ft*fz*ft*fs' (b)/rt'(lz+fs) =(/rof)*fs' = Z y lttryo utiliz¿ndo convolucione¡ 2.74. Emplear el Problema 2. . y tienen función de den¡idad onjunta f(r'u) = y tJ (e-(t+vt r>0. 2. CONVOLUCIONES 2. 2.7t.

t7. F(rl = 1"0_"_. ¿Cuál es la probabiüdad de que tome el meüro? Se sabe 2. 8i no lo toma.DoopuntosPyQ se escogen aleatoriamente sobre AB y CD reepectivamente. 2.ln 2)lZ. deotraforma Hallar la función de densidad de la va¡iable aleatoria Y: X2 y verificar ¡u ¡olución.cAP.2l VARIABLES ALEATORIA.E4.Y=ll. 2. (a) Demostrar que para una constante c apropiada. Un¡ pcr-na decide 6 minuto¡. Dos segmentoe de línea. (d) y (e)? Jurtifrc¡¡ . ' PROBLEMAS DIVERSOS 2.t6.9O. Halla¡ (o)P(0 < X< 3). M. Supóngase que f(r) : cl3t. (b)P(X> 1). . 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 . < X < 2).9L ¿cuil ea la relación en'tre la¡ rcluciones (c). . r :1..¡¡ue.u r€. (c) Repreeentar gráficamente la función de probabilidad y la función de distribución. 2. X. 2. (o) Deüerminar a (b) Hallar la función de di¡tribución.. y la¡ 3:80 P. es la función de densidad para una variable aleatoria 2. (e) H¡tlarP(X > 3).0 {o deotraforma X. f(r) = ( cre-22 r >.86.(d)HallarP(X> 1). Dos variables aleatorias independientee. (d) P(l <x<21.. La función de probabilidad de una variable aleatoria X está dada por f(r) dondep es una constante.GlP(x+r>1).t¡. (b) Hallar la función de distribución. En el Problema 2. AB yCD tienen longitude¡ de 8 y 6unidadesrelpect¡vamente. 2. (c) Representar gráficamente la función de den¡idad y la función dedistribución. (d) Hallar P(2 = X ( 5). P(r=1). t)o es la (0 rS0 (b ) Determinar P(1 función de distribución para una variable aleatoria X. e¡ la función deprobabilidadparaunav¡¡iablcdeaüoriaX (o) Determinar c. M.92.t9.E8. tomará el metro. P(l<x<2. encontrar c. Una va¡iable aleatoria X tiene función de densidad l$tr-¡z) o<¡51 f(xl = t.91. Supóngaee que 2..S Y DISTBIBUCIONES DE PROBABILIDAI) 73 2. Y tienen funcione¡ de den¡idad reapectivar f(n) "ao = {:'u-'" rÉo Lo (cl c@) = {o (c2Ye-st Y>o u=o (e) Hallar(o)ct!cz.1. ir a egta estación entre e¡tos tiempoe aleaüoriamente y eoperar por el buc mÁ¡imo que un bus llega a una estación deüerminada entre la¡ 8:00 P. (e) HallarP(2 s X< 3).

). (o) 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 2.79 a tres o má¡ va¡iables. Sean X.y>1). 0 os¡=2'o<Y=' de otra forma 2 (o) Determinar ei X.93 ee cumple que P(X > +.93. Y son independientes.(c)lafuncióndedensidad 2. . 2. 2. (D) Hallarp(1 <x<1.98. Y variables aleatoria¡ independientes cada una con función de densidad . Demo¡trar que la función de den¡idad de X s(u) I @# u=0..74 VARIABLES ALEATORIA"S Y DISTRIBUCIONES DE PROBABILIDAD sean lcAP.96.y> 1/B).1.2.. f tienen función de den¡idad conjunta f (r' u) = t o llla 0(¡(U. o<Y <2 | c(2r+Y) o(¿(r' o de otra forma I (marginat)deX. x. (c) Dererminar si X y Yron independienter.. /(z) = 2. + y. * Y es ) 0. Y está dada por I r/9 r/6 r(r.a) = de deruidad (marginal) de Y. -.ur = {"-'o |. ¿Cull er el análogo del teorema de la convolución para variables aleatorias di¡creta¡? Ilustrarlo usando el hoblema 2.(d)lafunción Hallar(o)laconstantec.78 y (b) el Problema 2. ¿por qué? +l En el Problema 2. (b) ttallarP(l S X< 3. t2<X< l).91 halla¡ la funciónde den¡id¿d de (o) X2.1ü1. Un¡ estaca de longitud .99. nal de X y f.. (c) Iüllar p(x<rlz. En el Problema 2. (d) Harlar P(Ll2 2. 2. dada en la Tabla 2-9.L se rompe en dos parües. (c) HallarP(Y = r). (b) Hallar p(X>tlz).101.101. Sean -(_ Y vari¡ble¡ aleatori¿¡ independiente¡ di¡tribuidae idénticamente y con función de densidad (2v)-r/2¿-úr2. Estudia¡ ¡i considerra que eltar oupoeiciones Bon realistas y cómo podrÍa mejorarlas si no lo son.(b)P(X>Ll2. Supóngase que la función de probabilidad conjunta de las va¡iables aleatoria¡ X..94.( tt ( -. 2.2 2.L.(u) = ¡1e:r donde l. Y está. 2. Generalizar (o) et hoblemz 2.. La función de probabiüdad conjunta para las va¡iable¡ X.96. X Y va¡iable¡ aleatoria¡ que tienen función de den¡idad conjunta f(r. y < g) = p(X > p(y < +. Y son independientes.Y<312).2. Hall¡r ta función de densidad de Z .102. (b) X Si -X.103. ¿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.s7.0<U<t de otra forma P(X + (a) Determinar ai Y> rl2r. (d) Hallar 2.X2 + Y2. u=0. y > 1).

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

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

r(r)dr = Í.2.fo" .) /(". La función de densidad de una variable aleatoria X está dada por f@l = El varor esperado de X es f*u 1. E'ex2_ zx) .=+ aleatoria. Els(X. entonces - E(X+ y) = E(x) + E(y) entonces (e) Teorema Si X. + g(x")f(n"\ (5) = É' s(r. Y son variables aleatorias independientes. .= *|. entonces (6) Elsul = f. y\.Entonces Y FTJNCIONES DE VARIABLES ALEATORIAS Sea X una variable : g(X\ también (¡ | s(¡)==y) es una variable aleatoria y se deduce :* 1. Se deduce que el jugador puede esperar una ganancia de $5. entonces E(cX) Teorema Si (s) X. Y son variables aleatorias. Así por " -Ur. Si X es la va¡iable aleatoria del Ejemplo 3.¡0.(i. Si P(Y=v¡: X es una variable aleatoria discreta con función de probabilidad /(¡).con función de densidad f(r).l(ir) a' = * : cE(X) ALGUNOS TEOREMAS SOBRE ESPERANZA Teorema 3-I: 3-2: 3-3: Si c es cualquier constante.a) f(r..Jf*f g@.. = Ío'tro.oO¡f@)dr Generalizaciones a funciones de dos ejemplo si entonces la esperanza de g(X. Y son dos variables aleatorias continuas con función de densidad conjunta f(r.y \7) 3.3l 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)l EJEMPLO " = ¿-. Y) se obtiene por aleatorias se hacen fácilmente. Si s(r) /(¡) X es una variable aleatoria.ables X.3.rrr-z.'.cAP. entonces E[s(x)] : g(n)f(r) + s(rz)Í(r"\ +'. . 0<r12 de otra forma E(xt = Í:_.y) r)r d..f"_rt" -2x'¡f@)dx .. Por tanto en un juego honrado es de eeperarse pagar $5 EJEMPLO 3. E6n : E(X) E(Y) (10) Generalizaciones de estos teoremas se hacen fácilmente.) = ) i 2.2.

2 l.. Entoncec l¡ varianza re encuenha por 02 = r/ t\21 tl("-n/l es / ¡\2 (z/ 2 ¿\r/f \ .'¡* = .. La situación se representa gráfrcamente en la Fig.t)rl = Í__ O - ¡.p)rf(xtl = X (rEn el caso especial de (13) (I3) dondelas probabilidades son toda¡ iguales..l0(Xll (161 .¡. 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. tenemos ¿ = l(u-p)r+(rr-p). la desviación típica se denota por o en cnmbio de o*. EÍ(X -p)'l = E(Pl - p2 = E(X') .)2 f(n) ita (151 I-a. plrf(a) ee\ Donde no exista lugar a confusión. entonces la varianza "? = EÍi/. Hallar la varianza y la desviación tfpica de l¡ va¡iable aleatoria del Ejemplo 3.tr71x-¡l f(*).. . la varianza es grande.("-á) rota" = J..+ (a"-plzlln que eslavarianzade turconjunto dez númerosf¡ ¡ . ("-i) l.78 ESPERANZA MATEMATICA lcAP. Si es una va¡iable aleatoria discreta con función de probabilidad entonces la varianza es a'l = E[(X. es decir cm. en tanto que si los valores tienden a distribuirse lejos de la media. entonces la varianza de X tiene unidades cm2 en tanto que la desviación típica tiene las mismas unidades que X. para el caso de dos distribuciones continuas con la misma .3 TI|' VARIANZAY I..- y la desviación tfpica "=\F=+ Obsérvese que si X tiene ciertas dimensiones o unüadeq por ejemplo entímetros (cm). &1.2.A DESVIACION TIPICA Anteriormente e_n la página ?6. Si los valores tienden a concentra¡se alrededor de la medi4 la varianza es pegueña. A la raíz cuadrada posiüva se le llama ladesviación típica y por úx = t/@ X = . ¡. Es por esta rcz6n que con frecuencia se utiliza la desviación típica.p)r) = 2 @. ALGI.media y se le denota por t. anotamos que la esperanza de una va¡iable aleatoria X frecuenüemente se le llama la. = J-..¡ media 6 p = E(X) = 4/3.NOS TEUREMAS SOBRE VARIANZA Teorema 3-4: é: donde p = E(X\. Fis. V la varianza por o2. +. 3-r EJEMPLO ' 3. De acuerdo con el Ejemplo 3.4. varianza (o la desviación típica) es una medida de la díspersión o wriaeión de los valotes de la variable aleatoúa alrededor de ¡r. x^Si (1t) es X es una va¡iable ale¿toria continua con función de densidad f(r).

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

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

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

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

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

Aunque la ntedia es la más empleada. es que p con probabilidad uno.. En tal valor r.\. Sean X. este teorema establece que la probabilidad de que la media aritmética S. Xz. tiende a cero : g. en contraste.. y. .10 6lO% y se Fig. el ánea a la izquierda de r.3 3. realmente es falso. tiene la mayor probabilidad de ocurrir.3-2 . la desigualdad de Chebyshev. cada una con media g y varianza o2 finitas. Con li31 frecuencia este resultado se denomtna ley de los grandes números en forma fuerte.. llamado la ley de los grandes números. f(r) es máúma./n difiera de su valor esperado ¡¡ por más de e.6. 2. r): 1l2. : Xt* Xz+ .2. Si h : 2 en la desigualdad de Chebyshev (59 ) vemoo que P(X-pl>2s) í= 0.. Moda. equivalente.. . . En tales casos decimos que la distribución es bímodal.25. 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. =o "( *-" =.75. se implica la ley débil. Sin embargo podemos demostrar que OTRAS MEDIDAS DE CENTRALIZACION : li*S"/t Como hemos visto anteriormente la media o esperanza de una variable aleatoria X provee una medida de centralización para los valores de una distribución. 3-2 es c.84 EJEMPLO ESPERANZA MATEMATICA lcAP. 1.19 (LeV de los gnndes números): Entoncessi S. Los valores que corresponden a tales áreas se llaman uolorcs percentila o simplemente percentíhs. .25 6 P(lx-pl<2"\ > 0. lim + X" (n=L. trimodal o multimodcl respectivamente. Cuando se hace referencia a la "ley de los grandes números" sin ninguna especifrcación. tres o más valores que tienen relativamente grandes probabilidades de octrrrencia. la probabilidad de que X se encuentre dentro de 2 dewiaciones típicas de su media es rnayor que o igual a 0.) Sn/n (60') Puesto que Sn/n es la media a¡itmética de X1 . o en otras palabras. . Así por ejemplo el área a la izquierda de la ordenada eD f. también se emplean otras dos medidas de centralizaciiln. el resultado del Teorema 3-19 se llama ley de los gundes números en forma débil.75 Literalmente. Mediana La mediana es el valor de r para el cual P(X = x): P(X. que esperamos sea verdadero. . Algunas veces tenemos dos..34). variables aleatorias mutuamente independientes (discretas o continuas).. Estas son lamoda y lamediana. Xn. La moda es el valor que con mayor frecuencia ocurtre.q en la Fig. 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.ro sería 0. Esto es bastante extraordina¡io si se tiene en cuent¿ que aún no se ba eepecificado la distribución de probabiüdad de X LEY DE LOS GRANDES NUMEROS El teorema siguiente. Teorema es una consecuencia interesante de 3. Por ejemplo. .pero cuando n '+ @. En el caso de una üstribución discreta puede no existir una mediana única (véase Problema 3. Un resultado más fuerte.

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

El precio justo a pagar por un boleto es 6 peeoo. - E(Y) ^/t\ = tll) * \o/ "' . Es posible definir coeficientes de sesgo y curtosis utilizando otras medidas de centralización y dispersión. Y los puntos que aparecen sobre los dos dados. s = .z.0005) + (0) (0.. [.002 3000 0.o\El = t7 \o. La esperanz¿ de X en pesos es r (pesos) 150 0.ero que se ganará un boleto.(i).977t D(x): (150) (0.. |s = i . Comúnmente se compara con la curya nonnal (véase Capítulo 4).02) + 750 (0./ 'l*)* 7 E(X+Y) = E(X\*E(Y) = 3. Sin embargo una lotería gana dinero.86 ESPERANZA MATEMATICA lcAP.'(#). Problerna.. En una lotería hay 200 premios de $150. Hallar la esperanza de una variable dada por aleatoria discreta X cuya función de probabilidad está Itrl Tenemos : (i)' (t=r. Por ejemplo la probabilidad de obtener uno de los 20 boletos que dan un premio de $ 750 es 20/10 000:0.002.s. ¿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:.(+). Hallar la esperanza de la suma de puntos al lanza¡ un par de dados honrados. que tiene un coeficiente de curtosis igual a 3.(i)" = +..'(*) .002) + 3000 (0. Entoncee Restando. por el Teorema 3-2.0005 0 P(X : r\ 0.s resueltos ESPERANZA DE VARIABLES ALEATORIAS 3. el precio del boleto sería más alto.'(+). = 1 PorüantoS:2.. pero los definidos anteriormente se emplean con mucha frecuencia. 3.. .'(*)..00 ó 6 pesos.2...1. Tenemog E(x) Entonces.41. js = !+ | + á + # +.3 que es una cantidad adimensional. 20 premios de $750 y 5 premios de $3000 Suponer que se colocan a la venta 10 000 boletos. Sean X.os diferentes valores de X conjuntamente con sue probabilidades se muestran en la Tabla 3-2.. hágase á. Véase también Problema 3.3.) E(xt = Para halla¡ esta suma.9?75) : 6.02 750 0.(*) .

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

puetüo que X. Obsérvese que la validez de eate teorema gira alrededor de si f(.(l) var(X) Var (X * ' .u) = ) ) . Hallar (¿) la varianz y (b\ la desviación típica para la variable aleatoria del Problema 3." (')no(')l E(X) E(Y) Si cualquier va¡iable e¡ continua la demoetración ee desarrolla de igual manera.3 3. y) la función de probabilidad coniunta de X.9. Además. de ¡i X. con las eumas apropiadae remplazadas por integracioneg.\2 ^a = f-('-L)''"-"0' = i = El(x-r)21 E(xz¡-ll(x))2 = t.1/2. y) puede expresarae como una función de r multiplicada por una función I.(+)-Fr. var(X) (D) 3. y): f tG) /2 (y).4. página 77. E(x2) = E(vz¡ ='.7 Y) = Var (X) (Y) = F (b) ox+).7. independienteo.8. por el Teorema 3. Tenerno¡ E'(x ^"' * u' -'u.'/'Q)2afztu) .)'= * Var y. Demoshar el Teorema 3-3. p6g¡na 78. = Wa"(X+Y) = 1/g v6 3. y.. Por el Teorema 3-4. Y rcn E(XY) = 22 Í!J! --t ra f@. Halla¡ (a) la varianza y (b) la desviación típica de la suma obtenida al lanzar un par de dados honrados. Pa¡a va¡i¡blee dependientec generalmente no ee cumple. o.2. tenemoe f(x. VARIAT'IZA Y DESVIACION TIPICA 3. Si la¡ va¡iablec X."*' ""'*"' =i'|í'.r. tenemos E(X): E(Y)= 7 12. Demostra¡ el Teorema L4.)'= i o = tFf-var(x) = \E = t r" : Ot¡o ¡nétodo.(. Por tanto Y. (o) Del Problema 3. con¡iderada di¡creta.y f t@) fz(a) )1. püa todo ¡.p\zt = '[(* -])'] = l:_ (" _'L)' t*.88 ESPERANZA MATEMATICA [cA".:r:¡:* . / . Entonce¡ l¡ varianza e¡ Var (X) = Etá .10.*(á) # :%1 Entonces. (o) Como en el Problema 3. por el Teorema 3-4.4 l¿ media de X ee ¡t= E(Xl -. = Var(Y) = +-(. Y ¡on independientes. Y ron independientee. Sea ¡t(¡. ea decir.

.n)21 E[(X . * .!^r_':i. * t-t'(T)t1"'-. Demostrar el Teorema 3-7.12.tt)lo es una variable aleatoria normalizadq demostrar que (u) E(X*¡ = 0' (b) Var (X*¡: 1.pl|. pág¡na 79.py) + (Y .t:.' .cAP. + r-r¡t('.'tut '\'/ + "' + (-L)'-'( t . = t(4=\ / =.. mínimo de El(X-o)'l ocutre cuan- 3. ..-'u \I/ + .px)(Y .ltx.-iut + "' + (-l)'-t¡ur * (-l)-rnt donde al combin¡r loe do¡ úlüimo¡ término¡ re¡ulta (-l)r-1(?'- 1)p'.t'+ "' + {-r\r\l)r.pv)}21 EllX ." -.14.13.2] + zEl(X .. y el hecho de que E[(X tt)z1= 3.r.(i )/. se ri' y emplear cl Teorema 3-6..r..EÍ6 . Er(x-'''. Si X* : (X .págna79.i. !¡rw-u¡ = L¡nwl-r) = a' o \ (x*) 0 (b) var = u" (?) = \o¡1x - u¡"1 oz =I utilizando el Teorema 3-5.a)2 pueeüo que E(X .)t(")u'-l + (-t)rpr \.ttv eon independiente¡.px)2 * 2(X . .tt): E(X). Pr = El(x-pl'l = nfL x. Y .. . Var (X + Y) = E[{(X + Y) - (px + pv))2] = = = = utilizando el hecho de que . + (-r\'-'( n .. Demostrar el Teorema 3-6._i. Demeshar el resultado (26).TNCIONES GENERATRICES DE MOMENTOS 3. ./ /\ /"\ = . MOMENTOS Y FI.-.r?2. Y y por tanto X gue al remplaz. p{ina 79.)"n'-' + (-t)'p'l J \r-r/. página 79... (a) puesüo que E(X) = E(x*t ¡r.pv)l * El(Y EI{(X Var (X) + Var (Y) px)(Y pvl2) El(X - - pv)l = E(X . f)e esto vemos que el valor do (t¡ ... página ?9.ar Y gnr -Y .)¡.í':.ft\tr*"-.\x.3] ESPERANZAMATEMAIICA 89 3. e¡ decir cuando a : ll.:.lt:0.u\(Y .(i\*.o)n = O.px) + (Y .pi E(Y - py) - o ya que X.P)21 + (P .E(x.11.t . = . La demo¡tración de (I9).u. \t / \r/ + .

La variable aleatoria X pugd.. -T! \ 12 rg t + tU(x) + ae(xr) +¡a1xa¡ a ..-'.Lf".* pL=1. 'r"') \ .16.(. = L*pt*uLr4..t (D)Tenemor hsonce¡ et = e_t t+r+#. p'+=L.) cn(ú - o)" cn = i.. = 2 fo'e<t-z>'d.r ze<t-Dt : -T=Tlol@ = z li't<2 z-t.*rá#*u.2'.. (r) (zl (I)V e\ = 1_¿+ r+_#*fr_ .*"-.-"'ro. (b) el resultado (g2).+"-. g s. Apéndice A) tenemoe Mxe) = E(etx¡ = n(t+tX-t2x2. = L+tlt*uL#*ri#*. cualguier función de X y cualquier función de y son independientes.. 8-18.. página g0..17. ffirol. M(t) = Eletx¡ = f" J eEf(t)dr fo" ""1.'. Y ron independiehtee.. (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 . = .e t-oma¡ los valores 1 y . Eltt (o) la función genératriz de momentos y (b) lós primeros-cuatro momentos alrededor del origen.*#. (o) utlliz¡ndo lrr erpaneión en serie de potencia de eu (8... Todo¡ los momentos impares 6on cero y los pares Eon uno.. página g0. !utt" quc X. Demoshar (o) el resultado (Br )..(á) = |G..r|r*frr._" 3.1 = . For t¡¡to Mx*vQ) = Elet(x+Yr) = E(etxetv¡ : E(etx) E(¿tv¡ = MxG) My(t) 8. Demostra¡ el Teorema B-9.16.90 EspERANzA MATEMATToA [cAp.I con probabiüdad 1/2 cada uno.rfr. ¡á=0. (o) Eqetx¡ = .*#*. 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.ú3x3. Pcto Al comperu Mx(\ tenemog t!:0.) * ..

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

f?o/..pyE(X) * E(pxpvl = E(XYI .útit¡) l€ lo lo .r'.23 = Cov(X. Puesto que f(r) es una función de densidad tenemog Í).22. 3. = *t_""^"0. = 2a io l-o = | al@t la ela@ .20) ceñ d = ao.pvX.r = "lÍ:. Y es oxy = Y) = El(X .lxtty = E(XY) _ E(X) E(Y) Cov (X.o<t> ¿sf .l*-ei. . y eon independientes entonces E(Xy) : E(Xl E( y) .. Yl = E(XYI -. úu empleando las fórmulas de Euler (véase problema 3. a.92 ESPERANZA MATEMATICA La función ca¡acterfstica está dada por lcAP._(a_io) ü a L 2(o* io) 2(a.pxE(Y) . -oo < Í 1 @.6-'l "iar¿-. por tanto por oxy el problema 8.24.ryttx * pxpv = ElXy). página 82.f(r)dr tlÍ-"eíore-o<-x. e<o+iarz * Jo ¿-<a-. Por tanto.o = 8en Cú.pv)] = E[Xy .. arf 2c O + .¡xXY . Por definición la covarianza de X.E(X)E(ts) = 0 . Hallar la función característica de la variable aleatoria X con función de densidaa f@) = ee-atEt. o" = asf que I . 3.c-atxt d. e-(a-i@)¡ 2 a*io l-" ' . página 82.rrrrru.io') = _a2 a2 * o2 COVARIANZA Y COEFICIENIE DE CORREIACION 3. + fo* n."r.e-ho 2ia.LJ_-e(a+t@)ro" q. la función ca¡acterística está dada por E(eiax¡ = . Demostra¡ el Teorema B-15. = "{lo 4f-o u-n<-. Si X.. Demostüar el Teorema B-14.donde c ) 0 y c es una constante apropiada. l:.t an + !o' "-"r.3 D(etx¡ = f-.p*y .23.Fxpy ."-*l* = -Alo = I - Entonces c: ol2.* npv] = E(XY) .

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

rrrr. la función de probabilidad eondicional de Y dada X : 2 es ftutz) = Entonces la esperanza condicional de Y dada + 2."=. VARIANZA Y MOMENTOS CONDICIONALES 3. f u'.(#)..(rlytdr = í"'"(#*S* El=a\ 3. Presentaremoe la demostración para variables aleatorias ecntirruas.2g.x=2) = -.94 ESPERANZA MATEMATICA fu'=o [cAP. p= oxoy -200l3969 /50s615e6-0 {r6únsn -200 t/zsnr/te zzs = ESPERA}IZA. 3 (d) (el u') b) (h') (t oxy =# E(Yz¡ = h f.(ui) .zlB del Problema 8. pág¡na 62.(iu) = ii 3.28(o).28. Esto oru o"oo oo.y) = E(xy)-E(x\E(y) = ?-(?f)(*t) oxy = -# -0. * v) dx da = cov(x. DESIGUALDAD DE CHEBYSHEV 3.=o.var(X) = E(xz¡-ll(xtl2 = #.)\t)* J_- donde hemos utilizado el hecho de que ltz: E(Y lX: r) :2. (o) (ó) E(ylX=r) = Í-_afrtuldau = ír'r(rr")* = + E(xly=y¡ = f_-".27. La demosbación para variables discretas es semejante si ee remplazan las integralee por sumas.29.03129 aprox. Demostrar la desigualdad de Chebyshev.30.g. = var (y) = E(vz¡ _ l'(y))2 = t# _ (#)' = t. . Si f(r) es la función de densidad de X entonces .rrr. Hallar la esperanza condicional de Y dada X : 2 en el problema 2. [.27. .a varianza pedida (segundo momento alrededor de la media) es 12 z"\'/zu\' =18 E[(v-pr)zlX=r] = f'w-td2fz@lr)da = ('/ Pz"'=J.^:.2g.(#).za condicional de Y dada 2(L-ys¡ 2(l+y*y2) --¡O+7I- x para eI problema 2.\r-.(#)' = *tq*$ o2. Hallarlaesperanzacondicionalde(c)YdadaXv(b)XdadaYenelProblema2. Hallar lavariar¡. . * a) dr tru = # otr . pág¡na62.. . Como en el hoblema 2.pág1na62.# E(xz¡ =h Í. X: 2 es E(Y =2) "x = ? r(+) X: donde la suma se toma sobre todo y que corresponde a E(y. página 61.

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

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. eetá dada por = n-Zr/. una va¡iable aleatoria discreta tiene una función de probabilidad f(r) : !12' donde 2. e8to e3 f(r ) ocurre dondc . (c) Comparar la moda" la mediana y la media.3 OTRAS MEDIDAS DE CENTRALIZACION 3. . es Í: L. .?3 aprox."on-r2tdr = #(Y-t) 2aa_36a2 all2 hallamoe que *91 = 0 de donde _ia2 = 36a\436P-4(2X81-) . (a)/ La moda es el valor de 4 asociado con la probabilidad más grande.60 = 1.36='ñ¿r ze) az de donde o = sli{z- q Por tanto la mediana pedida. (b) La medianaee 1. . Ahorapara0(a ( 3. El máximo relativo de la derivada es cero. = fr: aegunda derivada. r: 1. para el cual la . la mediana y la media se muestran en la Fig.84. En este caso probabilidad esLl2. aquel valor deo parael cudlp(X é a): ll2. que ea La moda pedida. . (b) Hatlar la mediana.33. r.9 - -'l 86 - 8l l2r2 = u Entonces .96 ESPERANZA MATEMATICA lcAP. P(x<a) Igualando eeta = *. (c) ' E(x) = + ('¡z(g-xz\da = !(t*-+)l'= 8l\ 5/lo 8lJo que prácticamente ee igual a la mediana.[. l(r't 3.¿rL 81 -_l = 'r2) df ar. que debe enconharse entre 0 y B. (o ) La moda se obtiene hallando donde la densidad f (x) ea máima. La moda. Ob¡érvese que este valor da el máximo ya que la -24x 187 . Halla¡ (a) la moda y (b) la mediana.62 apror. 3-6. ea negativa para x = 1fá. y (c) compararlas con la media..

.cAP.esdecirlasoluciónde(18a2 : 0. M.60 : 8/ó.19 tenemos 02 ll 25 It3 oo - 32 8?5 -0.098 y 2. Y CURTOSIS de (a) sesgo 3..? 5. Por coneecuencia escogemos el punto medio del intervalo. Determinar los valores de la (c) décima.33(b) tenemos (o) LadécimapercentilaeselvalordeoparaelcualP(X5o):0.")[#.121 reepectivamente.33. (b) vigésima quint4 (c) septuagésima quinta percentilas para la distribución del Problema 3. (b) el recorrido semi-intercuartílico y (c) la desviación media para la distribución del Problema 3.r :: .0 : 3. Hallar el coeficiente y (b) curtosis para la distribución del Problema 3.Portantacualquie¡númeroentrel y 2 podrfa representar la mediana.")] d' + Í. (c) Como se encontró en el Problema 3..35 los valores de la vigésima quinta y septuagésima quinta percentilae son 1. Empleando el método del Problema 3.-1998 0. Entonces E(lX = D.t):ll2.b1 aprox.25. Determina¡ (a) el recorrido.10. o sea ¿ 0. a (c) f.o . (" . Del hoblema 3.68 aprox.1253 3693 8750 (a) Coeficiente de sego -: o.L21 aprox.33 hallamos que s : 0. : 2. (b) La vigésima quinta percentila es el valor de a tal que (L8o2 P\X<a)=#(Y-fl = "# aa -a4¡¡8t \l8L : O.*l[#.".33. (c) Del hoblema 3. : 1. tomamos el uolor mínimo de ¡ : 0.36. es decü 312.35.r - pl f (n) dr = l"' l' . Por tanto el orden de las tres medidac es contrario al del hoblema 3.33 la media Desviación media ee lt : 1. Entonces el recorrido es 3 . En forma análoga puesto que todos los valores ¡ ( 0 tienen probabilidad cero. Por tanto Recorrido semi-intercuartflico = ?121 . :.)[#'n .37. (b) Por el Problema 3.33. (o) Puesto que todos lós valores ¡ ) 3 tienen probabilidad cero. PERCENTILAS 3. I.098 aprox.3l ESPERANZA MATEMATICA 97 (b) Si¡escualquiervalorentrely2.19.a septuagésima quinta percentila es el valor de ¿ tal que (18o2 - a4 ¡¡8t: o @a.3.l : 2.P(X=r):l12yP(X. = - p|) = l_".n "¡fa' = Í^" (. Del Problema 3.655 apror.l0. . OTRAS MEDIDAS DE DISPERSION 3. tomamoseluolor móximo de ¡: 3.'"¡)a' = SESGO 0.

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

# to' '"t2"-'d'o B L 4.k:-1hall¡mogp-r=*. = E(xz¡ = -+ ¿l" l/2r -. . Por tanto el coefi- La di¡tribución tiene I¿ apariencia de la Fig. {2¡ or. 2 2'\2/ = . \ Fig.2. "_. con probabiüdad Ll2 con probabilidad Ll2 -r 3.8." *.3l ESPERANZA MATEMATICA 99 Si&:lhallamosr'=$. = h Í.x2/2 ¿.)21 = E(X2) = pí = ps = qllX -p){] = E(X4) = p'n -o2 'lt4-.2"-22/2¿¡ ¿u = + 'to f'sz¿-x'/z¿.cAP. 2'\2/ dadas en donde hemos efectuado la transformaciín xz 12 : u y utilizando las propiedader de la función gama (2\V 6\ del Apéndice A. 3 Por tanto el coeficiente de curto¡i¡ e¡ -i-ó . = Z Jo {i ./.Pa¡alo¡oEdvalore¡dektenemo¡p*=0.1"/1) = r \/.p. (r |. 3-7. cientc de sesgo es cero. (. Análogamente obtenemos ti = E(xr¡ = h fl= o. 3-? (b) Tenemos p.si.. Iülla¡ el coeficiente de (c) sesgo y (b) curtosis con densidad de la distribución defrnida por la curua normal.= -z-rll) ..\2/ {.. Por ta¡¡to la va¡iable aleatoria ectá dada por X=) Comó una verificación vúas€ hoblema 3. -f rz ¿.'\2/ Entonces = EI(X. (o) f(t)= l¿-"'" l/Zn- -co<n<e l!\ : llt = O y lt\:0.1"/l) = -{. Por simetrÍa.41./g\ = {.20.

+ n?.( ". (b) E(Xz *)a2). -2"":'\ -" -* \"r* ) -/ = oí+oil"-. Una variable aleatoria X se define | -2 prob. 1/3 por . I Problerna. (c) E'l(X-1)21.x)(Y- pv)l = + c2al - 2co*."Í\"-.-".47. (b) E(zX + 6). / .49. La función de densidad de una variable aleatoria X es /(r) = (e-r r>0 de oüra forrns 10 Hallar (o) Eo(l. 9.Y El(Y _¡v)21 c(X - Px))21 = 0 / ol. ll2 . I 1 3.45.3 3. Hallar (a) E(XI.zcEl(X. Demosbar que -1 < s1 (véase página 82). (bl E(}X-21.¡. Sea prob. (c) E(XY).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. (c\ E(Xt).. (cl E(X21.48.!\'Entonees el lado izquierdo puede escribirse El¡. g. . = o?. 3.{) * -. 3. Sean X. ¿Cuál es el número esperado de puntos que resultan en 3 lanzamienüos sucesivos de un dado honrado? ¿Parece razonable su solución? Explicar. Una variable aleatoria X tiene la función de den¡idad (e-' r>0 /(r) = {l0 ^ ¡(0 Hallar E(e2x/31.46.42.s suplernent&rio s ESPERANZA DE VARHBLES ALEATORIAS 3.Y = ] 3 prob. (b) E(Xr). * c2El(Xr ¡x)21 .44.zl \ 'xv\2 "i" "x/ --t-"i = ""*"1-o'*"=-0 ó *=1 '7ní queesequivalenteap2 < "'*"?.100 ESPERANZA MATEMATICA p [cAP. Para cualquier constante real c tenemo¡ . 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). 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).otr ___q__ .

(b) "x. 3.69. = I Z [ -_r Hallar (o) E(Xt+ prob. . 3. 0f s<I. ¿Se cumple que (c) E(X + Y) = EIX) + E(yl. Y va¡iables aleatorias con deneidad conjunta f(r'al = iat' Io o-<:us1' o<tl<1 de otra forma Hallar (o) E(X). . (b\ E(XY) : E(X) E'(Y). + Xn). 3.E(X) E(Y).48? Explicar.51.0=tt<2 lr(t*u) l\x'a) = f deoüraforma 1o (b) E(Y). (ft E(xY). Xn n variables aleaüoria8 que están distribuidas idénticamente tal que | 1 Xt. que (o) D(X + Y) = E(X) + E(Y).3l ESPERANZA MATEMATICA ¿Se cumple 101 3. tc)E(X+Y\.XY\ 2 = E(X) E(Y\. Si /(t. (b) E(2X2-Y2).50? Explicar. 3. 1/6 Xzl . (d)E(XY). en el Problema 3. .66.49. 1/B prob. Sean X.55.'. (ó) E6?+ X'r+ . Sean X1 . 3. Sea X una va¡iable aleatoria con función de den¡idad (1/4 -2f x=2 l(rl = jo deotraforma Hallar (o) Var (X).2/3 v) | 2 i -a prob. 1/3 \o prob. 1/4 Hallar (o) E(3X+2Y). (x) = io x>-0 de otra forma Hallar (o) Var (X). Sean X.53.. (d) E(XY). s) = ] : de otra forma |0 Y). ¿Se cumple que (o) E(X + Y) = E(X\ + Sean X. VARIAT{ZA Y DESVIACION TIPICA 3.54. (b) E(. Hallar (o) la varianza y (b) la desviación típica del número de puntos que resultan en un EoIo lanzamiento de un d¡do honrado. (b) E(Xy) -. (b) "x. 3. 3/4 prob. 3. * Xil. (c) E(X-rY)..0lyf 3.62. en el Problema 3. (b) E(Y). Y va¡iables aleatorias con función de densidad conjunta Hallar (o)^E'(X).(zr+y) 0<r='I.50.58. Sea X una variable aleatoria con función de densidad f (e-. 3. en eI Problema 3. (cl E(XY). X2. (f. Y variable¡ aleatorias independientes tales que ^ vt || prob.7/2 prob. .cAP. (d) E(X2t').57. E(Y\.52? Explicar. .

3. g Problema 3. (b) Problema 3.67 halla¡ los primeros cuatro momentos alrededor de la media. 3.44.44. Hallar los primeros cuatro momentos alrededor de la media en el Problema 3. 3.(0)]2 - 3[M'(0)]4 FUNCIONES CARACTERISTICAS 3.. página 81.62.72. (c) o¡. momentos al¡ededor de la media están dados por = p1 - ItI"'(.7 lxl I a deotraforma 4.73.'(0) ¡f.66. Si X tiene función de densidad ¡t") : -i (l/(b-a\ O a'=r=b de otra forma. 3. Hallar el hésimo momento alrededor (a) del origer^. (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. MOMENTOS Y FUNCIONES GENERATRICES DE MOMENTOS 3. 3. 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. p Prob' g=L-P Hallar la función característica de la variable aleatoria X que tiene función de densidad í'llZa f(r) = 1o 3.01 - 3M"(0) ¡l'(0) + 2lM'(0\13 Ifrivr(Q) 4M.(0) + 6M"(o)lM. 3. Halla¡ Ia función ca¡acterística de la variable aleatoria (a X = 7 ó I prob. 3. (b ) ox. 1/2 -tn primeros cuatro momentos alrededor del origen. página 77.61.43. Hallar (o ) Var (X ).71. 3.64.65. 3. E(X): 2. Si M(ú) es la función generatriz F:t de momentos de la variable aleatoria X. En el Problema 3. Ei6 - . Hallar (o) la función generatriz de momentos de la variable aléatoria x = y (b ) los ( U2 1 prob. Hallar la función carar:terística de la variable alcatoria X con función de densidad f¡): (x/2 io 05rtZ deotraforma . demostrar que el 3o. (o ) Hallar la función generatriz de momentos de una va¡iable aleatoria X con función de densidad (r/2 l(r\ = {-0 l(b ) Emplear la 0Érl2 de otra forma función generatriz de (o ) para hallar loe primeros cuatro momentos alrededor del origen.6 hallar (a) E(X). - 1)2] = L0. (á ) Problema 3. (b) Var (X).43.68. (b) de la media. (a ) 3. E(X2 ) : 8. 2\21 Si una va¡iable aleatoria X es tal que E[(X Demostrar el Teorema 3-1..60. y 4o.70.69. 1/2 prob. Demostra¡ el Teorema 3-11.67.63.

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)

algunas veces conocida como la curva normal tipificda..27%. du = + # fo' . que es uno. 99..6827.-.8 yque3) las cuales rcn iguales aJ.99?3 (10) ¡$$. 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. *t(ft)] (e) En la Fig. 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 : 0.9545. ert (z). Esto quiere decir P(-1<Z=L) = 0. 4 En este caso decirnos que la variable aleatoria X está normalmente distribuida con media g y l.68..451/" y 99.73% del área total.-2y I2. Tenemos z de la variable tipificada el wlor tipificado. En este caso la función panZ puede obtenerseapartir de (4) alremplazar! = 0V o: 1. 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.z: + . Si hacemos que Z sea la variable normalizada correspondiente a X.46%.110 va¡ianza DIsrRIBucIoNEs DE IRoBABTLTDAD coN NoMBBE pRoplo [cAp. P(-3< Z<3) = 0. P(-Z=Z<2) = 0.u y F(z) : á['.z. La función F(z) eú(z) = z-frÍr' e-u'd. (r) Este resultado se conoce frecuentemente como la iunción o la distribución de densidad normal tipif!eada. 4-1 se muestra una representación gráfica de la función de densidad (7). resultando de f(z) : le-"'" V2" .".2 y 3 desviacionestÍpicasde lamedia(esdecir entue z: -1y * L.. : . La función de distribución correspondiente está dáda por F(z) = P(Z < z) = I t/2" Í'-"-.Nl/s-> 96. En esta representación gráfica hemos indicado las áreas dentro de L.73% Fig. du (s) se Algunas veces llamamos al valor encuentra relacionada con la función enor.96.

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

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

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

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

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

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

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

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

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

2. 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). /l\/tYll\'= .sea la va¡iabié aleatoria que denote el número de caras en los 3 lanzamientos.)'= P(1 cara) 3 (c) P(aI menos 1 cara): P(1. Tenemos (c ) dos X él número de veces que un 3 aparece en lo¡ cinco lanzamientos de un dado Probabiüdad de 3 en un solo lanzamiento = o=I q = t-U : * Probabilidaddeno3enunsololanzamiento =' (o) P(Bocu¡ra2veces) = P(x-2) /l\llYll)' = i"' 3888 \2/\6/ \6/ . (c) al menos dos veces. -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. Aeí por ejemplo si seleccionamo. i 8 P(al menoe 1 cara) : 1 : . Usaremos ambos de los enfoques intercambiablemente. ó 3 caras) : * P(2 caras) * P(3 caras) = /'\/l\'/t\'.I2O DISTRIBUCIoNES DE PRoBABILIDAD CON De otra forma. 4.X. Sea la va¡iable aleatoria honrado.)'(. (c) puede escribirse P(al menos una /s\/r\'/r\o /s\/rY/r\ = \s/\rl \ü -\.r)\t)\r) .\t/\t/ \z/ \z )\zl \zi \3 l\2) \2 / De otra forma. cara) = I'(X ¡-- 1) = P(X = 1) + P(X =2\ * P(X: 3) ..' /'\lrY/l\'. (b) máximo una vez. NOMBREPROPIO [CAP. Halla¡ la probabilidad de que en cinco lanzamientos de un dado honrad o aparezca 3 veces. qr" X.)'(i)'= á (b) p(zserrosunacsra) :: (.á .2. (o) p(scaras) = (l)(.

. de que en una familia de 4 hijos (c) al menos 1 sea niño. Suponer que la probabilidad del nacimiento de un varón es t-.3.4.. -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. P(almenorlniño):1-P(nir¡gfrnniño) = l(b) P(al menos 1 niño y al menos una niña) ll)t \2/ = .\s/\z) \z/ .i tUO (c) P(l : P(l niña) * P(2 niña¡) niñoe) :P(l niño)*P(2 : I +3 : * . HaIaf la probabilidad (o) p(lniño) p(3niños) Entonc.L' = /1\/1\'/l)'= l. Entonces.i \t/ \t/ = 2 8 p(4 niños) = (l\ /1)'11)'= f x-/\z) \z/ . De 2000 familias r-:on 4 niños..3 vemoe que (o) (b) N(rmero esperado de familia¡ con al menos 1 niño = .zL (b) P(3 ocurra máximo vez) = P(X 1) = P(X = 0) * P(X = 1) = = 1l\/rY1¡\'*' ¡s) /r\'/rY .= 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\'.16 P(2 niños) : P(l niño) * P(2 niños) 16 16 * P(3 niíror) * P(4 nlñoa) 1 3 1 1 4 8'. \r \zi\z/ .3888 4. 3725 3125 = n76r n76./s\/t\'/qY \2/\6i \6/ \'i \ei \o/ * \o/\e/ \6/ * \s/\a/ \a/ 626 r25 25 1 763 . P(al menos 1 niño) /t)l+)'ll\' = \. por ejemplo.3888 ' 3888 ' 7776 ' 7776 . 4l DTSTRIBUCIONES DE PROBABTLIDAD CON NOMBRE una PROPIO '. (d) ninguna niña? Refiriéndonos al Problema 4. ¿cuántas calcula deben tener (c) al menos 1 niño. (b) al menos 1 sea niña. (c) 1 ó 2 niñas. -' /t\/ 1l\'/+)' = t. (b) 2 niños.cAp.4 16 Otro método.es sea niño y al menos 1 Ll2.ooo (lf) = 2000 18?5 Número esperado de familia¡ con 2 niño¡ 20OO ' P(2 niños) ó 2 niñas) = (3) = \ó. (o ) ee coüvierte en P(X>l) : P(X:l)*P(X=2)*P(X=3)*P(X=4) = 18 4.\o/\6i \6/ \r/\oi \o/ 3125 .

pet¡" Xi ' |0 {[1 si fracaso en la prr. (ü) p(X = 0) = (c) P(x <e) = (fi)to. Entonces es g : I .0. P(al menos un ? en tres lanzamientos) = | .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. Si X está'distribuida binomialmente.2.detalmodoquelaprobabilidaddenoTenunsololanzamientoesq:1-p:516. Médodo 1.L22 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. = = Método 2. = 1:)l+Y/q\' \"/ \"/ \6/ - r25 216 y 4.6.46e6 ffi ? .4 Número esperado de familias con 1 ó 2 niñas = tZOOOill) ' '\ 6 / \/ = 125 1250 (d) Nfrmero esperado de famiüas sin niñas = (2000)( i ) = 4..n) .nba j-ésima si éxito en la prueba j-ésima U=1'2.n" .7.8)r = ¡..0. (b) 0.. 4. página49)..rt't0.8)a = s.46e.1.8.q" . HaIIar Ia probabilidad de obtener un total de 7 al menos una vez en tres lanzamientos dé un par de dados honrados. de un tornillo no defectuoso va¡iable aleatoria X el nl¡mero de tornillos defectuosos. sean defectuosos./ ) _)p.' (0. Sea la (o) P(X: t) = (rn ). La probabilidad de un tornillo defectuoso e8 p :0. \r/ Entonces la función generatriz de momentos está dada por M(t) = E(etx¡ = )etxf(r'¡ n /n\ = ¡=0 ... Si el 20 % de los tornillos producidos por una máquina son defectuosos. determinar la probabiüdad de que de 4 tornillos escogidos aleatoriamente (a) 1. Para una secuencia de n pruebas de Bernoulli definimos n /n\ '?n ('/tr"')'0"-' (a -l.p:0...6. f (r) P(x = r) = (!\o.:: =:"0.'(\*. (c) menos de 2.l# = fr X que está distribuida Hallar la funCión generatiz de momentos de una variable aleatoria binomialmente.r.

Por la desigualdad de Chebyshev.10. Pa¡a la función geraeratr:iz Mj(t) = stoqlettp . entonces ¡.1.9. Por tanto la desviación tipifrcada o = y'56 = 6.1 = . halla¡ (a) la media y (ó) la desviación tipiticada para el número de tornillos defectuosos de un total de 400 tornillos.'EBAS DE BERNOULLI 4.2.n) (Q Entoncee por el Teorema 3-9. LEY DE LOS GRANDES NT.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L23 de momento¡ Entonces las X¡ son independientes y tenemos X: Xr * Xz *. n. M"(t) - 'f pst¡n 4.7 tenemos para/: L.lro.)(0. de Los resultados anteriores también pueden obtenerse (pero con má¡ difrculüad) derivando la función genaetriz momentc (véaee Problema 3. = X.. (b) l'Iananza o2 : npq: (400) (0.i . Demostrar el Teorema 4-7.npl > k1/i-npq) < i ó (3) Si hacemos c = k \l T.)l*. li* Pll{-. o - {-npq. tt = flp.. Procediendo como en el Método 2 del Problema 4. v (3 ) se convierte en P(lz -.1 ):40.38) o direetamente de la función de probabilidád (véace Problcma 4..i)'== .8.) Í+ó \l ?¿ -l = / = 0 El resultado también se deduce directaménte en el Teorema 3-19. o =.e*pet M(t) = M tQ) LI2Q\' ' ' (i=1.la ley de los grandes números (en forma débil) pa¡a las pruebas de Bernoulli. con S.t/V6d. págirra 84.y (I)rc convierte En particular si X tiene distribución binomial o de Bernoulli. y1 E(X) = 0q*Ip = var (x.) / \ 14 'l y tornando el límite cuando n -+ @ = 2+ ¡4r.L52\. página 80. 2.. 4.q Entonces o2 p:E(X)=E(X'\+E(X2)+"'+E(X")-np = Var(X) = Var(Xr) *Var(Xz) +.cAP.) + (r - p)2p = i)"... . tenemos. . Demostra¡ que la media y la varianza de una variable aleatoria distribuida binomialnente son p: np Y o2 : npg respectivamente.esdeciresperamolque40tornillosesténdefectuo¡os.IMEROS PARA LAS PRI.'* Xn.1.. :-.t y varianza 02 Íini- (r) en tol P(X-11 -ko\ flp. entonces F = P(lX. (o) Medialt:np:(400)(0. .9) : 36. si X es cualquier va¡iable aleatoria con media tas." *Var(X) = npq donde hemos utilizado el Teorema 3-7 para o2 . página 83. como se requiere. Si la probabilidad de un tornillo defectuoso es 0.

6636 e-ú'/! clu = 0.68 y z : 0.46 y 2.4738 - : 1. represenüa la probabilidad de que Z eaté entre -0.12. (e) a la derecha de z: - L.3849.L (o) Utiüzando la tabla en el Apéndice. 4-3 (b) Area pedida : área entte z : O y z: *0.L24 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.2I) : O.81 = 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. baje por la columna ma¡cada con z hasta alcanzar el valor /. proceda a la derecha hasta la columna 8. P(-0.C.68 y 0.211 = + (''" {2r .46 y z : O) * (área ent¡e z : O y z : 2.46 f ZÉ2. 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.2910 = 0. El recultado.6.94) O y z = 0. Por tanto .2) = | {u ¡rz Jo ¿r.81 0.46 y z: 2.28. \. (d) entre z: 0.t _o. Por üanto'.94.2L) : (área entre z : O y z : 0.i77Z + 0. El resultado. [.4964 | t/Zt Js \/2r Jo "-uz/z 1 (d) Area pedida : (área entre z : : E¡to es - (área entrez : 0.941. Entoncee.Luego proceda a la derecha h¡sta la columna marcada 0.as 0.46) * (área enbe z:0 y z : 2. baje por la columna z basta alcanzar el valor 0.81y z = L. DISTRIBUCION NORMAL 4.gg4g z=O .68 (por simetría).(área enhe z :-0.2. Halla¡ el área bqio la curva normal tipiñcada (a\ enfte z: Q y z: 1.u + t/2" 'lo + ('"' "-u2tz 1¿4 2l 10.21.=12 Fig.2.4 4. Por tanto P(-0.27.¿ ¿-uzr!¿u = -! Jfo \E = ___1__ -o. Por tanto P\0=z=r.a'ley de los grandes números establece en este caso que la probabilidad de la proporción de los 3 en n lanzamientosdiferiendodel/6pormásquecualquiervalor€)0tiendeaceroamedidaquen-+€.68 "- u. (c) entre z : -0.!772 + 0.11.1828 O yz ) lo mi¡mo que P(0. 0. = "-u!/t 0.rz¿u (c) ñ J" Area pedida . ee el área pedida y representa la probabilid¡d de que Z eté entre -0.ildlt + _= |^2 ¿¡ = O..+e "-u2t2f.(b) entre z:-O.6636. 0.46 " 1 e-u.25f ? El área.0.2517. .4864 : 0.

Si "área" se refiere al área bajo la curva nonnal tipifrcada.14. o. El problema es equivalente a resolver para z la ecuación rfz G ).694 utilizando interpolación lineal.5:0. (o) Los pesos registrados entre 48 y 7l kg pueden realmente tener cualquier valor entre 47. (b) más.8621.8621 .5 )/10 .4332- Entonces el área entre 0 y z es cual e: -1. con menos precisión. z : -1. El peso medio de 500 estudiantes varones de una universidad es de 68.5. (a) En la tabla en el Apéndice C.5: -2.35.5.4332.0277 (árca entre -1.1 y bajo la columna 6.3997 + 0.5 kg en unidades tipificadas : (71. Caso 0.5.5 kg.16 es otro valor de z.30 47.5)/10 68.(área entre 0 y z) (área entre 0 y z) 0. Entoncec la z pedida es 1.5: 0.5: 0. Por tanta z: + 1. : (47 .0217. hdlar el número de estudiantes que pesan (a) entre 48 y 71 kg.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROP¡O Area pedida L26 (e) - (área entre z: -t.5 y 71.4332.3??0.8997 Esto es lo mismo que P(Z > -1. (b) el área a la izquierda de e sea 0.5 y z sea 0.7O ?1.5 y z : 0. Area entre 0 y z es 0.0.13.cAP.16."O. Area entre -1.de 91 kg. 4.5 kg en unidades tipificadas 68. -1. Caso 1: z es negativa pero a la derecha de -1. 0 y z esO.3621. suponiendo que se regis' han al valor de kg más próximo. Area entre z v -t'5: 9ü.69.L6. (c) el área enhe - 1. por tanto z debe ser negativa. Suponiendo que los pesos están dishibuidos normdmente. hallar el valor o los valores de z tales que (a) el área entre 0 y-z sea 0. (b) Puesto que el área es e-tt/2 du = 0'3770 mayor que 0.4549 y z: l'ig.28).:1Tí"11u (área entre 0 y O.O2l7 + 0. o. 4. el valor 0'3?70 se encuentra a la derecha de la fila ma¡cada 1.09.4115 de lo 2: z es negativa pero a Ia izquierda de -1. de lo cual z:1.5 y 0' (c) Si z fuera positiva el área sería mayor que el área entre que es 0.4-ll -1.4332- : 0.O2l7 : Entonces el á¡ea entre z). z : -t. Por simetría.5 kg y la desviación tipiiicada es de 10 kg. z debe ser positiva.4332 :0.28'y z = O) T 1área a la derecha de z : 0) = 0.O2L7 : 0.5 y 0 ) .

300) 0. (D) toe e¡tudiantes que pesan más de 91 kg deben pesar al menos 91.29 cm. r.0125 cm.(área entre z : O y z : 2.30 Entonces el número de estudiantes que pesa más de 91 kg Fig.9tOt 4. : Z. podemos resumir los resultados anteriores en términos de la probabilidad al escribir P(47.4821 + 0.26 s 1.26 en unidades tipificadas 1. Determinar el porcentaje de lavado¡as defectuosas producidas por la máquina.275 cm y la desviación típica es 0.2) .5)=0. (área a la derecha a.L26 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. Sin embargo para doe cifrar significativag los resultados son iguales.30 = 600(0. M(tl = E(etx¡ = L= Remplazando (x ot/2r J -- (' ette-(t-tD2/2c2 dtr g.7698 ó O yz : 77% -1.4893 = 0.30) 0.266 a 1.600 P(W -. 4. de otra forma las lavadoras se consideran defectuosas.26 (1. . el resultado anterior se modifica ligeramente.0107 es 2.tt)lo: uenlaintegralde M(tl = -= | \/2r J-14q modo quer:¡¡+ dx: o d4 tenemor dt.30) : (área entte z: -2.275')lO.5<W<71.5 .SO) (área a la derecha de z : 0 ) .0126: L. suponiendo que los diámetros están dishibuidos normalmente. 4-r3 Si W denota el peso de un estudiante escogido aleatoriamente.2 : -7.O]-25: -1.26 a 1.I. d1) = "ut'<o2t2/2t (J-ú "-tr-ort" l/2" .1.295 cm. .6)/10 : 2.1179 = kS ee 0.5 - 0.2 . 1-14 Obsérvese que si consideranros el intervalo L.29 .6000 Entonces el nfimero de estudiantes que pesa entre 48 y 7f 500(0. El propósito prira el cual se han diseñado las lavadoras permite una tolerancia máxima en el diámetro de I.29 cm como representando realmente los diámeüros de¡de L.16. La media del diámetro interior de una muesha de 200 lavadoras producidas por una máquina es 1. = 300.68.(dos veces el área enhe z : = 2(0. etrt+oot-tu2/2.010?): $.4 Proporción pedida de estudiantes : : = (área entre z = -2.91¡ = 6.l.11.29 en unidades tipificadas : : (1.5 Proporción pedida de estudiantes 91'5 kg en unidadee tipificadas: (91.2 -77% = 23%.10 y z:0.275)l O. 1.600) kg.3849) = 0.2) yz Proporción de lavadoras no defectuosas . Hallar la función generatrrz Tenemos de momentos para la distribución normal general.2 L.(área bajo la curva normal entre z : L.2 Por tanto el porcentaje de lavadoras defectuosaÁ es 10002 Fig.10 y z Ol * (área eítte z = O y z : 0.

17.5)/1.5 en unidades tipificadas : (2.95 Probabilidad pedida : : z: -1. en la Fig. se'deduce que 3 a 6 caras pueden considerarse como 2. Tqqbié"r!g_.* "á Ar P(X=A) /ro\/fY/r\'_ = \4 /\z/ \z/ P(X=6) = 106 stz /to\/r\o/r\n _ = (. La probabilidad pedida es la suma de las áreas de los rectángulos sombreados en la Fig.cAP. 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. Entonces p(x=B\ = P(x ('f)(..5 a 6.7734 que se compara muy bien con el valor verdadero superiores de n.) ffi. Cor¡siderando los datos como conünuoe.95) : O.7718 (área entre d.58.58 6. ro¡ Entonc. (o ) Sea X la variable aleatoria que da el número de carag en 10 lanzamientos.68 y z = O) * (área entre z : 0 y z : 0.5 .p94!l y la varianza para la distribución binomial están = 1. mostrada a trazos.#*¿%*# 03 = # = 0.)'_ .es la probabilidad pedida es P(B=x<6) = #. )\.58: 0. 4-16 y puede aproximarse por el área bajo la correspondiente curva ncrmal. (b) la aproximación normal a la distribución binomial.58 y z : 0.95) (área entre z :-1. Entonces dadas por/r= np=10(4\= 5yo = {nw = y'(10)(+)(+) 2.ó8 : -1. La precisión es aün mejor para valores .5)/1. 4-16 trata los datos como gi fueran continuog.X.e O. 4-r5 23{587E Nfrmero de caras Fig.E \ /\2/ \2/ =5) = l.)\.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L27 Entonces sustituyendo u - ot: u hallamoc que ettt+(c2t2/2)( M(t) : + f\t/2" J-* "--.¿*\ / = ewt+(ozt2/2) APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 4.5 caras.-o) l+Y 5 ll)' : . Hallar la probabilidad de obtener entre 3 y 6 caras inclusive m 10 lanzamientos de una moneda honrada utilizando (c) la distribución binomial.6.3289 : 0. obtenido en la parte (o).7784 Probabilidad 2341678 Nfrmero de caras Fig..5 en unidades tipificadas : (6.4429 + 0.

5 -. ... entre 239.L28 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP.19.94 y z: 0.5 en unidades tipificadas: (14.35) : 0.02 18.6528 = (239.(i) = 250 s '= \/ill = . Entonces -0.7 3 280.e z: O y z:2.- -1.5 - 250 )/11.20)14.OB tipificadas : -0. (b) por más de 30.250y11.7 3 Probabilidad pedida : (dos veces el á¡ea bajo : 2(0'4968): 0'9936 la eurva normal enb.37) -0.0885 Se deduce que si fuéramos a tomar muestras repetidas de 120 lanzamientos de un dado.5 se 0.5.94 260. l8 cuatros pueden tratarse como tt = ttp = Entonces 120( )l = ZO \o/ /t\ y q = 1/-n7tq .4 4. 239.02) .35) : (á¡ea entre z : O y z : -5..6/ r7 \ /\6/ \6/ \ /\6/ Con¡idenndo los datos como continuos que 0 a También . ..18 (o) Necesitamo¡ la probabilidad de que el número de caras se encuentre enbe 240 y 260. o \ i \6/ \6/ -{. Un dado se lanza1-2O veces. Esta se encuentra exactamente ¡rzo\/f\"i 5\'o' .5 en unidades tipificadas : 2. Hallar la probabilidad de que resulte 4 (c) 18 veces o menos y (b) 14 veces o menos.5 en unidadee tipificadas :-5..0. o si conslderamos los datos como continuos. : 4. podríamos considerar que la moneda no 4.5 a 18..5 y 280.(área entre z : O Y z :-1.(lX*) : -5.4115 : 0. suponiendo que el dado es honrado.)(+) = I 1.94 ib) Necelitamoe la probabilidad de que el n(¡mero de caras la encuentre entre22O y datos como continuos.6 - 2O)l4.94) : (dos veces el área enhe z: O y z :0.18.6 .3? (D) Procedemos como en ha parte (o).73\ por más de 30. (rzo\/r\/!\'.O2 14.94):2(0.(.5 en unidades tipificadas : : (área bajo la curva normal entre z: -0. remplazando 18 por 14.5 en unidades tipificadas 28O.18: .0..02) : : -(área enhe z O Y z : 0.3557 -0.5 en unidades : (área bajo la curva normal entre z: -5.'. Hallar la probabilidad de que el número de caras no difiera de 250 por (a) más de 10. empleamos la aproximaclón normal.5 en unidades tipificadas : 1-0. .' La probabilidad de que resulte un 4 es p: l16 y de que no reeulte esg : 5/6.b. t.31-i Probabilidad pedida : (área bajo la curva normal enhe z : -5. AsÍ si resulta que el númerc real de caraa ee Se deduce que podemos estar muy confiadog de que el número de caras no diferirá del esperado (250) es honrada.02y z: Probabilidad pedida -O. un 4 debe apariecer 14 vece¡ o menos en aproximadamente la décima parte de estas muestras.OB pero debido a que el habajo involucrado en la computación es excesivo.5 cuatros.5 en unidades tipificadas hobabiüdad pedida ."p: ..311 : (área ent¡e z: O y z: -5. pbr (o) Deseamos la probabilidad del número de 4 entre 0 y 18.5 y 260. entre 219. ¡ rzo\1¡\''l5_\'o' r8 \.5 . = .08 .1443: 0..02 y 2 : -1.mr. es decir etabacargoda 280.18 : -2.3264): 0.. 219. Una moneda honrada se lanza 500 veces.0.. o si consideramos : (219.

. Segundo.. Establecer la validez de la aproximación de Poisson a la distribución binomial. 4. 1'-t)/'-?). = "-^. 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.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L29 DISTRIBUCION DE POISSON 4. dado que ).-r)" r?. obseryamos queP(X: ¡) ) r=0 O para r = 0.er = 1 y se completa la verificación. .i)-' + m/ \ \ cálculo = €-tr empleando el resultado conocido del .. ' .20. tenemos >{] !a1*="¡ = t=O -.20 realmente es uná función de probabili' dad. Hilgase ¡.cAP.I \n/ / r \ ¡-¡ ) n1@. . entonces (f) P(X=r\ = l'"lqrq¡-r \r/ : np. que ee la distribución de Poisson. Primero. Entonces donde E(X) /-\ (I ) se convi'erte en rl Entonces cuando ¡. 1. n/\ n/ \ en tanto que ('-+) +.rl ('* i) = Se deduce que cuando n (2') / \¡ eu - pero I permanece frjo (es decir p -+ 9¡ P(X=r) + ¡:q./ \ --> = (r-\)'1t . página 80. El reeultado pedido entoncec ¡e deduce utilizando el Teorema 3-10. Otro método. ) 0.21. Verificar que la función límite (2) del Problema 4.+:: ¡=(l ' ' e-). 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. Si X está dishibuida binomialmente.'ir . : rtp de modo que p : I/n. (¿-r)(1) /.

' . Halla¡ la probabilidad de que en una muestra de 10 henamientas seleccionadas aleatoriamente.001.23. empleando (o) la distribución binomial.4 4./íil 2 o et't-(. es 0.r -Lót 1! ) = l-6e-z = 0. exactamente 2 estén defectuosas.. Yerificar el teorema del límite central para una variable aleatoria X que está distribuida binomialmente y así establecer la validez de la aproximación nonnal a la distribución binomial. tfi-oa = > ¡=0 |\_.tr r/iñ 1o + per/ lliii tvr ll-nw 1n ¡pt e ' tnp..1e37 ó o.18 En general la aproximación es buena si p É 0.(d) I¡¿-)\ donde p(x-Bt .183e ó 0./)(p". t ¡t qn.130 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. Diez por ciento de las herramientas producidas en un proceso de fabricación determinado re. e t. 4.2te-z --z! . es decir P(X:x\ -. podemoa suponer que X tiene una distribución de Poisson.0"-' .1. (o) La probabilidad de una herramienta defectuosa es p :0. lioo ¡ln p¿tar liii¡ {ili ¡n .- 6 P(X=2) = %: = 0.323 Una evaluación exacta de las probabilidades empleando la distribución binomial requeiiría mucho más trabajo.22.1) - 1.t ¡n = le(qe + pet. TEOREMA DEL LIMITE CENTRAL 4.001) :2 _ 0. (b) más de 2 individuos tengan reacción.e¡' = \z/ 0. La variable tipificada para X es X* = (X . vC. Denótese por X el número de individuos que sufren una reacción.180 (b) P(X>2) = 1-[P(X=0) *P(X:1) +P(X=2)] _ I fzo¿-z.. Denótese por X el número de herramientas defectuosas de las 10 escogidas. Si la probabilidad de que un individuo sufra una reacción por una inyección de un determinado suero.24. X tiene una distribución de Bernoulli.r¡r1s. Entonces de acue¡do con la distribución de Poisson I¡¿- P(x--x) . _/1t\ para X* es ".re = (10)(0. pero ya que las reacciones se suponen sucesos raros.1 y \ = np 5 5. determinar la probabilidad de que de un total de 2000 individuos (c) exactamente 3. Zze-21 -. (b) la aproximación de Poisson a la distribución binomial. sultan defectuosas.np)/l/nW y la función generatriz de momentos Eletx'¡ E(et<x-nú/t'/-nil¡ tnnr rliii g 1"txrl noÁ ¡ "" = e-tnpt.1# ^:?¡p:(2000)(0. )r. Entonces de acuerdo con la distribución binomial p(x:zl (b) Tenemos )\: np (tJ )10.

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

y el número de estas formas diferentes 6l 3!2!1! como se expuso en el Capftulo 1. i-paIpo)G donde p. El número de formas diferentes de selecciona¡ 3 bolas blancas de 6 blancas * \r/.132 DISTRIBUCIONES DE PROBABILIDAD CON NQMBRE PROPIO lcAP.26. Método 1 (por fórmula). 6t In\"lt\-/:lY z!r!\itl/ \itl \rrl $/ La probabilidad pedida es el término 44p" en la expansión multinomial de (p. 2 brancas.\ [ . 4 blancas y 3 azules. /o\ /r'i \. 12.h(¡r)'(#)'(. Entonces la probabilidad pedida es lr Método 3. .27.i Entonces r azur) = . Hallar la probabilidad de que después de 5 pruebas del experimento se hayan escogido 3 bolas blancas. pb = 4/72.t \A/ Pero la misma selección puede realizarse en otros órdenes diferentes. 2 blancas y 1 azul en ese orden es /s\'/¿\'/rY \tll \. 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. La probabilidad de escoger cualquier bola roja es 5172. rc 2l . DISTRIBUCION HIPERGEOMETRICA 4.rt.t i . Entonces la probabilidad de escoger 3 bolas rojas /5tl2\3 . Halla¡ la probabilidad de que de 6 bolas seleccionadas de esta forma 3 sean rojas.+)' = ffi es es Método 2.'. Por tanto Ia probabilidad de escoger 3 bolas rojas.El número de formas diferentes de seleccionar las 2 bolas restantee de las diferenües que contienen 3 bolas blancas /a\ 4 rojas * (. Po=' 3/12' Porexpansión se obtiene elresultado anterior. pero no se remplaza la bola. Se realiza un experimento en el cual se selecciona una bola aleatoriamente y se observa su color. En forma análoga la probabilidad de escoger 2 bolas blancas e (4ll2l2 y la de escoger 1 bola azul (3/12)t . Una bola se selecciona aleatoriamente de la caj4 se observa su color y luego se remplaza. Una cqia contiene 5 bolas rojas.ri \z ) /ro\ \5. ) Por tanto el número de mueshas y 2 rojas ".4 DISTRIBUCION MULTINOMIAL 4. lJna caja contiene 6 bolas blancas y 4 rojas. Método 1. P(roja en cualquier extracción) = # P(blanca en cualquier extracción) = h P(azul en cualquier extracción) p(B rojas. 2 blancas y 1 azul.

Tenemos b 133 =6. r = 3.. : Ll2(a + b).29. (a) La función gerreratriz de momentos de X es -¿.' La función de densidad de @ es < j. Puede demostrarse que la úlüima intcgral existe y es igual a e-aa (véase hoblema 4. PIX=S) DISTRIBUCION T.2+d2dr ' _ donde hemos utilizado el hecho de que los integrandos en el segundo renglón son funciones par e impar respectivamente. de. Demostrar que la media y la varianza de la dishibución uniforme (página 114) están dadas respectivamente por (¿) ¡. tiene unadistribución Cauchy en. = ffi= Yt+Y = Entonces la va¡ianza está dada por s2 = E[(X-u¡21 = E(Xzl-uz ry4y_ (+). o > 0. (b) o2 : Ll72(b -a)2. Esto puede verse al notar por ejemplo que si r ¿ 0. ¿ > 0 e.cAP..cos or = . Í".laprobabilidadpedidaes .'NIFORME 6 = \/4 }i|j. i J-6 x'' + a: ""'l' .28.páginallS.rr¡ r¡¿n' ("' 2o (" cosor r=.@ 1x1*.modo que = r*tu*lfí*.l \ /10\ \5/ 4.. 4.'f-+ = #tl. = n# Í. = firo_ot. J-. Entonces por(I9).30. X con DISTRIBUCION DE CAUCHY 4. a f . 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. Sea @ una va¡iable aleatoria distribuida uniformemente en el intervalo -l=t trarque X: atan @. (a) t." = o 2 . r= 4.dz T . -> t!! I y la integral a la derecha diverge.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Método 2 (empleando la fórmula). E(erx¡ = g (" -J".' 7't|^ou" (b) La función característica de X es E(eiox) = g (¿.r-n '.159). n=6..r! * la cual no existe si ú es real. = E(x) = E(xz\ l"'* = #:af" b2-a2 Z(b-a\ a*b 2 (b) Tenemos = I. Jo r. Oemos- /(a) = ! -L2- . . 7+ azctr sin +-ai )-.#ruo.

l'(a r. fo"' . Hallar lavarianza de la distribución beta. ya que I'(a + 2) = (c * 1) r(c * 1) = (a * 1)a I(a). página 46..+fl Jo * l* _ r(a)I'(p) r(c r'(a + 4)- Jo (t *su+t11 2) l'(B) n)e-r ¿.¡^.." = ffirt"+f¡ = R RemPlazando p= Bon f' Fe-tdt aB (ó) Remplazando E(Xz¡ = t."-r{r-x)F-tlitr = frffiJ. .1o" xlQ: t tenemos : f. Demostrar que la media y lavananza de la distribución gamma están dadas por (a) p: aP. (b) o2 (a) = oB2. Por tanto p2 = Bz(aIL)a"2 .E(X2) - (ap)z - "Bz DISTRIBUCION BETA 4.. = Í..134 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Considerando la baruformación [cAP.z¡ro-r1l. El segundo momento alrededor del origen es * 0) l'(a + 1) r(B) o I a B E(xz¡ = f(a)f(p) (t .o*r"-ro. t..rÍ".33. r Y dx Íz+a' Entonces por el Teorema 2-3.32.)*: = ift)"("+z) = n2 Í.4 ¡: a tan 0 tenemog o-t¡¡-L! a . p = E(x) = ### fo'*¡.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) = 4.19: t tenemos E(xz¡ = ff"*." ". HaJlar la media de la distribución beta. la función de densidad de X está dada por s(r) que es la distribución de Cauchy." ffi.¡a-\d. = r@l#l = :a+-a DISTRIBUCION GAMMA 4.r .'#0" p2(a*t)a. 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_! ." "loo"¡. .31.lff..

pero procedemos de :0.ztl-v/2 fa u<v/z)-re-udu = (L-zt¡-'rz r'(v/z) )o 4. por el Teorema B-18. grados de libertad. .84.34 que una distribución cuya funéión generatriz de momentos es (1 2t)-<vt+v2)/2 es la dishibución chi-cuad¡ado con v11.la varianza es 02 = E(xz¡-l'(x)l= _(rro)'= cr6#T_Fn : (1. como se ve al página 116.cAP.6.a una distribución normal para X.36.r2.)Eqéx"¡ : 1l-2t¡-'r/2 1l-2t)-vz/2 utiüzando el koblema 4. Puesto que Ia correspondenX y Y no es uno a uno no podemoe aplicar el Teorema 2-3 como está.CUADRADO 4. do ) función generatriz de momentoo de Z = X. DISTRIBUCION CHI. grados de liberta u2 Z:Xt *X. a * v. ! X. t : (1 - N¿¡-Qr+v2t/z (b) Se observa del Problema 4.t Pero esta es una distribución chi-cuadrado con 1 grado de libertad.s(v-2)/2e-<L-2t>r/2 dr =J-r(v/2) )o 2.'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. Al generalizar los resultados anteriores obtenemos una demostración del Teorema 4-4. y utilizar el hecho de que r(á) = V7. utilizando el Problema 4. es con (¿ dA v.1 en la última integral hallamos M(tl = 2.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 135 Entonces. 4. Esta debe ser la distribución de Z. página g1. cia entre Paray Deseamos hallar la distribución de la manera siguiente.B2.r2 Al remplazar (l - 2t)n/2 = 7. ea M(t) : Enet(xr+xü1 : E(etx.v2 gadosde übertad. obtenemos P(Y < ú = -! fs rrrze-uz t/2r Jo d.36. Pa¡a ( 0es lóglco que P(Y SU) y> 0 tenemoe P(Y<u): P(Xz<a) = P(-\/u=X<+\/a) +fr"-.-rr/2e-. Efectuando el cambio de variable x : *t/T en la última integral. Sean ¡t y X.t2r(v/2)Jo " r-2t \r-2t/ : ll . 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. Demostrar que X2 tiene distribución chi-cuadrado con 1 grado de libertad. Y: x2 dad.'rz¿s (-fr"-.34. colocarz: 1 en (39).2t)-. pá4ina 1-1. Sea X una variable aleatoria distribuida normalmente con media 0 y varianza 1./2dü (-.

¡r. Demostrarel Teorema 4-3. el área a la izquierda de x? es O. el área sombreada a la izquierda de x3 es 1 ¡j iepresenta la percentila 9?. en la columna /. (c) 50' Utilizando la tabla en el Apéndice E hallamosenlacolumna ¡2er. hallamos en la columna ¡. qi" Z = X?*X2" tiene distribución chi-cuadrado con 1 * 1:2gradosdelibertadsiXr y X2 son independientes.0. (b) 2I.8.. a! es 0. Sin embargo.05. en este caso cada área:0.831. (c) 67.61.Ia cual es igual a 1. Hallar los valores de ¡2 para los cuales el área de la cola 15. Entonces. X. . ¡! que corresponde a (a) 9.40.4 4.37.05.10.tán distribuidas normalmente con media 0 y variánza 1. x.7.. búsquese el valor 5.01. Hallar el valor de la mediana de libertad.026.04 en tanto que el área a la izquierda es 0. entonces X? V X3 tienen distribución chi-cuadrado con 1 grado de libertad cada una.831 y 12.píryina 116.0 correspondientear: av:21. 4-18 (o) Si el área sombreada a la derecha es 0. (b) 28 y (c) 40 grados de UtÍIizando la tabla en el Apéndice E..1. xi representa la décima percentila. (c) S9. lcAP. si el á¡ea sombreada a la izquierda es 0.8.(b) 2T.150. (c) el área sombreada a la izquierda: 0. como puede observarse de la tabla. parav> 10 los valores de la mediana son iguales av .O5): 0.1 es el valor pedido de 12. al menos se especifique lo contra¡io.36 vemos que si X¡ y X2 es. x! por los cuales (a) el área sombreada a la derecha: 0. x. Entonces procédase hacia la derecha hasta la columna x%r.la cual del Apéndice E es 12. xz:. (b) el área total sombreada: 0. (d) Si el área sombreada a la derecha es 0.x?o¿s.025. El resultado 11.? conespondiente a la derecha de la distribución ¡2 es 0.esr.¡ se deduce en la misma manera.¡2.10.la cual es igual a 0. Entonces del Problema 4.39. 4-18.95 y xz2 Refiriéndose a la tabla en el Apéndice E.2-.025.01.. 4. el área sombreada a la derecha puede ser 0. xl es (1 . la cual es igual a 15.9?5 Análogamente.025: 0.3correspondiente^v :40. (b) Puesto que la distribución no es simétrica.5 correspondiente a z: 50.5. (b) 32..O. los valores: (a)25.O25 representa la percentila 2.34correspondienteav:9. (Véase las consideraciones sobre notación en la página 116). escoger las dos áreas iguales. (d) el área sombreada a la derecha: 0. X. y x? (c) Si el área sombreada a la izquierda es 0. Véase Problema 4. Por ejemplo. Hallar los valores de xf. hay muchos valores para los cuales el área totál sombreada : 0.38. entonces el á¡ea a la izquierda de representa la nonagésima quinta percentila. para v : Por el Problema 4. Por tanto los valores son 0. se acostumbra.0.05.3correspondiente av:28. Es de interés notar que los valores de la mediana están muy próximos al número de los grados de libertad' En efecüo.35(b).01.136 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 2. El resultado general para todos los enteros positivos l.5. 4.05. Fig. si el número de gndos de liberbad v es igual a (c) 15.99 y ¡22 representa la 4. y Si el área sombreada a la derecha es 0.¡ (puesto que la mediana es la percentila 50 ) los valores: (o) S. el átea a la izquierda de percentila 99. u"mo.05. .2gs. La representación gráfica de la dishibución chi-cuadrado con 5 grados de libertad se muestra en la Fig.

.lt * T ) eeto puede eocribir¡e d..zl ztÍt + <t2 | v>r a")au ( " Susüituyendo F(r) = G.r/2.u [f=. 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\ 0.42.u\ . podemor utiliza¡ el hecho de que ({Tx2 ./4 f ( 7<rrz>-r e-<yz+ztrz ¿.t' / 2 e. Entonca ti z.0(v¡lorre¡l =L24. dud../ .-j(* . er la percentil¡ 10Op de l¡ di¡trlbución nornd tipilicada.@ hast¿ rl/z/r.(z. '\ z / (.tzl(vl7\ Jz=o = ..z \f 2nz.cAP.rr-r"-.va J"' {2r2.(' F(r) = _ tf Jr=-..100 gados de libertad.tz¿ul¿" LJ":_-e A = urfi en la integral entre parénteais rectangulares hall¡mo¡ .ss+rtrOool-t¡z = |(1.es+ftool-t)2= +(1. / mayor que 30. podemoe ercribir..= . #.er dccir z<v/z)_te_ :|-r+zr/2 para -o 1g 1lo.Lu€{p integrannr_conrespecto az de¡de 0ha¡t¡o.Elrode donde t6=t = .t¡ e¡tl c¡¡i dbEibuido norm¡lmenüc con medie certr y varianza uno. z ) La función de di¡tribución de I = Ylt/ffi e¡ F(u) = P(T=r) = P(Y=er/Zfi) = y@2.64+rfss¡z =69.\2/ r\ (l + u2¡'¡<'+t>rz .o 6 . Por tanto tenemos Remplazando F(xl = .3). (b) Si r=100. xlgs = \@. . *^ I' = - *l Í": como z('' .41.rf ¡"ffi "-r.FA = zp I t/Ft x| = *(zo+tffj¡z (o) Si v=50. -/..=o"r. oon un alüo grado de aprorimación. página 117. Debido a que Y y independientee ¡u función de den¡id¡d coqjunta er 6l producto de (I ) y (2). himero fijamor r z b = integramos con reepecto a y de¡de . DE STUDENT 4. Hallar xlerpm (a) v : 60 y (b) y . Demostrar el Teorema 4-6."a']au de acuerdo con lo pedido.2.tzt'(vl2\ ). DISTRIBUCION ü x3s¡ dado en el Apéndice E.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPTO 13? 4. zo/2)-re-z/21ffi e-uzzr2.locuale¡tÁde¡cuerdooonelvalor6?.y ¿2 # donde la integral ¡e toma ¡obre la región ( del pleno lz parn l¡ cr¡¡l g ut/ñ."^' + zo+"/2 Í"'=-* d.rzrl..64+/199P = 124. Para . tn¡r( z\ Ju= -' .6 = f.#.

05.'') (?ñ rr^ o(vz/2) -| "-'.olumna ¿.:"i = l::"'. entonces el área total sombreada es (1 .05 Refiriéndonos al Apéndice D.l4\ -1- f 'pw\"rz'-' ID'-''-"e '"''o'-. (d) Si el Área sombreada a la izquierda es 0.05.82.O.css = 3.entoncesúl correspondealapercentilagO. (c) 200. ) 0 y 0 de otra forma.. losvalores: (o)L.82. t. .138 DTSTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO ú [cAP.44. entonced el área sombreada a la derecha es 0. De la t¿bla t ss = 2. Por tanto el á¡ea a la izquierda de ú1 es (1 . DISTRIBUCION 4. dada por 1 (. ) 0.9?5 y úr reprecenta la percentila 9?.'. 4-19.25.95 y úr Refrriéndonos a la tabla en el Apéndice D. Halla¡ el valor de ú1 para el cual de Student con 9 grados de libertad se muesha : 0. Del Apéndice D hallamoe 2.70 correspondiente a v = 27i (c) 1.645 correepondiente a y: 200.05. t. (c) el área total sin sombrea¡: 0. (c) Si el irea total sin eombrear ee 0. vlW v2 .83 es el valor pedido de t (b) Si el área total ¡ombreada es 0. t.quedelatablaes igual a 1. r / Ll+ lvt/v)). ODt=r.(b) 1.90.r) a\. entonc€s por simetría el área sombreada a la derecha es 0.05. tenemoe | 1U) t. . Sielá¡eaalaizquierdadeú¡ es0.:: ::'. (e) el área a la izquierda de ü. búsqueee en Ia columna y el valor 9.025): 0.:.26 como el valor pedido de ú.99. ú.e.45. Entonceg búequese la c.01.e0.er5. sea 0.rl). Efectúe Ia transformación u 1/ v1 . -1)(v'\/2) "-.DZ=ü l1U7D Entonces el Jacobiano es i'.025 por simetría.01. J z t . (El último e¡ el valor que se obtendría utiüzando la cu¡va normal.0.es.005.43.[.01 y el área sombreada a la derech¡ es 0.lL=-=_rü=02 L"a/ ar t'2ú | vl1t2' .u) = .la/2.90.99.1 ez(vt+ v2)/2 lQl/21 f (u2/2) <t | + ú2)' ri o. 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. ¿. En el Apéndice B e¡te valoi corresponde a la enhada en la última fila ma¡cada ó). (b\ 27.75 correcpondienteay:16.01.::l = l"*:" 'u':'" Denotando la densidad como función de u y w por g(u. (d) el área sombreada a la izquierda : 0.4 4.38.) = 6"i._tr Fig. El resultado 1.gg) = 0. ú es 0.ú. La representación gráfica de la distribución (c) el área sombreada a la derecha en la Fig. entonces el área a la izquierda de ú¡ es (1 repreeenta la percentila 95. La función de densidad conjunta de f '' V¡ y V2 etá.01/2 : 0.5.O5): 0. hallamos en la columna te.0.nD\]uJur0. 4.. (b) el área total sombreada: 0. 4-19 tt (a) Si el á¡ea sombreada a la derecha es 0.t u(v2/ 2) . De la tabla hallamos t.2 g(u. Por tanto el área de t para el cual el área sombreada a la izquierda es 0. a. Deimostrar el Teorema 4-?.01 es (e) -2.

*r. (b) F . i \rn) - 2\ / v' \ si v. u. : (4..oc. /. . donde vt -.r. ) 2' de (. ir ua 0. rs = 3.5.-'1t'"tvp)-uvr\j-:. rr..2* . 10. (o) DeI Apéndice F. página 118.o. > 0 y 0 de otra forma.ot. (b) Del Apéndice F. primera f.326.... A diferencia de una conetante.o..ss : t?n (b) fl. hallamog .i/2)--t (v2:L vru)-(r.ee.s.ul F'. es decir (r. r¿ desde La función de densidad (marginal) de U puede encontraree integrando con recpecto a decir 0 ha¡ta €.au d.78)2.+v2't/2r-r = 0 Dividiendo Wt ut|ti2)-2(t2l t¡t)-[("\+t. \ : ¡. 11 . Utilizando la tabla para la dist¡ibución F en el Apéndice F. (c) Por el Teorema 4-8. hallar (¿) F. Pero de Tenemoe (r h(u) / v2\vr/2 4Q 1/'' .2\/2)-t e-tt+<v{/v2)t(o/2> z(tt ' u2)/2 t0t/21 l. .46. Apéndice A.F' gs. (d) F.0g (d) Por el Teorema 4-8. página 118.\rt. \.48...2* r.\i = /v' I vr\ ) si u ) 0 y 0 ¡i z¿ 5 0.5 L6l = (72. 4.TZ) \ (-" se Utilizando el criterio de la segunda derivada podemos demoetra¡ que realmente trata de un máximo. Demostrar que la distribución F es unimodal en el valol ¡v' ' La moda localiza e! valor máximo de la función de deneidad.80.rt) - (¡'r +t2)/2 - .ob.. RELACIONES ENTRE LAS DISTRIBUCIONES F. = 0. er hkt) = ei u (. F. ro.. Vemos que 18.50¡2.t r rz)tz Si tiene un máximo relativo se presentará cuando la derivada sea cero. ¡2 y ú 4. hallamos F.rr..1 = (3.so.8 = 3. ro.- r1u)-¡(.ss : ".s. 4.l= *.t)- tyt ('4fa) (..rr..7L = (2.1-2\/ /\.9.96. 7.'. la función densidad de la di¡tribución F es r[(t.t e.30. r.0 = 4.. 15.\z .'r2\ ) = 0 ó trt ry = /.1 -. = # = 0. que es el reeultado pedido.¿t. rr. (c) = 10. (a) Comparar ia¡ entradas en la columna de la tabla F. ..ut = t'(P) ap Jo da) ) 0 y 0 ei rt É 0. etc.L5.r' / 2(.(vz/2) Jo -tL-!:j!::-:(I5).257.o. hallamoa \-i.e75.t . donde.+t.4l si u DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 139 > 0.n.r.47.l¡. =- 9...'rrr. /.o5 en el Apéndice F con e¡a¡ en l¡ distribución ú bajo ú.18)2.\ z /.io = F_¡ .71)2.cAP.\/2i-r. Verificar que (o) /. ( " *.

2 -.(4. vemos que el lado izquierdo de la última ecuación es igual a z.60)2.)" .es el nhmero tal = 7- * t\ "/" . P(.0 <'T = *t/Ft_o) ú donde ? es una variable aleatoria con distribución de Student con u grados de libertad. página 118.Ft-o) f(u): 0 para ¿ < 0./" + r\ \ / l+1) "/ \-(!¡!'/'l tru = } -p En la integral efectf¡e el cambio de variable t=t t/-u: r)r'rl '\ J -'(f+-¡ dt = t-p 2-r 2.)" \/ Com¡rarando con (42).ee en el Apéndice F conegarenladistribución ú bajo ú. que puede establecerse simplemente como F r-p = t? ott¡ l(4í). 21.página 11?].4*)___\-.92)2. y que P(U 5 .1 = (5. 98. v2 = v en la funeión de densidad para la distribución F f (ul = . pfuina 116./ para u /_u_r.48.rtF.+tfttur¡ = P(T s +VFt-p) .. Demostrar el Teorema 4-9.l / +z\-r¡ \ '/ ¡=.u/2¿-r/2(y + ul-(r1tr/2 ^/.'.r(l +3!) t r-ru+l)/9 ) O.84)2. t { l'-'u-r. '\2/'\2/ "11\ "/r\ t -/.t.'.'. Vemos que 4050 : (63.-. Sea 11 . + r\ r( ol -r- .o) r\ \ '/ ll '=2 | '\ . Por tanto ^\ F.*rr. Por tanto t-P 2 = Pp<T:.140 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP. \ : {".4 (b) Comparar la¡ enhadas en la primera columna de la tabla F.P(f 0) = = P(T=+\E|-+ donde hemo¡ usado la simetría de la distribución ú. tenemos P(T=+tlrno¡ = t -Pi .r( . P.66)2.49. 34.r¡ n'(.9 " / +1\ -t'* "" t / vv/21l-12v-(. Entonces por la definición de un valor de percentila. etc. ..5 = (9.. I ^F. Re¡olviendo.eer.sí generalizar los resultados del Problema 4.-¡l r. Entonces y a.l. 4.(..

ú los valores de = t-+o-. Y variables aleatórias cuya función de densidad conjunta es la distribución normal bidimensional. Y son independientes.02 = #. Y son independientes. Entonces vemos que a r': ó) con etc. la probabilidad pedida es Y/r\ \6i \6/ / s c.21 . Hallar la probabilidad que en lanzamientos sucesivos de un dado honrado resulte un 3 por primera vez en el quinto lanzamiento. = tt-(p/zt ó Fr-p : tl2t'-tptz'. en el Apéndice E.. 3..F e. que era lo que se querfa demostrar. lo cual provee la verificación requerida.8t (b) -.95 y (b) p : 0. 4. Por tanto ú es estrictamente +\/F. Véase Problema 4.¡ es el número üal que P(T=tt.1. lo cual provee la verificación requerida. + * en la distribución F en DISTRIBUCION NORMAL BIDIMENSIONAL 4. Esto es posible sólo si p : 6. Entonces la probabilidad de no obtener un 3 en lo¡ primeros cuaho lanzamientos es (5/6)(5/6)(5/6X5/6): (5/6)4.99. Demostrar que X. s. )Lo. lotll. Entonces vemos que 6. etc. producto de una función solaménte en. f(x. -.7 2.CAP..r y una función solamente en y. Méüodo 1. y este nfimero se determina finicamente...:\/2= en . Ll . Si el coeficiente de correlación p = 0..00 =.'.50.4] DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L4t Pero. = @) con = "'13. 4. etc. por definición. _ 9.+. 3.il = (4 .r'il ) y y puesto que este es un producto de una función solamente r. Análogamente la probabilidad de no obtener un 3 en el segundo lanzamiento ee 5/6. si X.'.25 77i6 .94 3.GB a ¡'. Verificar el Teorema 4-10.. se convierte en l@. y) dada por (49) debe para todos los valoxes de x. er el Apéndice F (correspondientes las enhadas bajo x:nn en el Apéndice E. r por una función solamente en y para todos ser el Inversamente. (c) Comparar las entradas en Ia última fila de la tabla F o= en el Apéndice F (correspondientes las entradas bajo ¡. y se deduce que X.. La probabiüdad de no obtener un 3 en el primer lanzamiento es 5/6.s2 T r. s.. La prueba general del Teorema 4-10 se deduce tomando el límite cuando U2 la prfuina 117.60 -.. 't7 2.52. K (r(r . Sean X.Por tanto la probabiüdad de obtener un 3 en el quinto lanzamiento es 1/6..145.51. tt tt¡/z.L .(p/z\\ = l-?..4!¡ 4 2. para (a\ p : a1 0.r"?ll--+"-..78 = #. página 118. Y son independientes solo si su coeficiente de correlación es cero.¡ !. DISTRIBUCIONES DIVERSAS 4.. ya que la función de densidad de Ia distribución positiva. entonces la función de densidad normal bidimensional (49). página 118. Comparar las entradas en la última fila de la tabla .

64.4)1(0. alf hay 6 . 11. 2¡./ du (' = o-r. - f.4)0(0. : atb pa.of ¡(1 + 3) b/ L\ . se gradúe. Verifrcar las expresiones dadas para la (a) media. de la distribución Weibull.977?6.""tb)-t a-ub I ur/be-! du Jo a_. (b) la variarrza.r I ú ). 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.tbr donde hemo¡ ütilizado Lr ¡ustitución u f@ ab ('/"\ du /' (r.6)4 = 0. página 118. (D) al menos dos veces en 6 ¿ead¡¿o¡ por (1.ra evaluar la (ü) E(Xz¡ = fo- oOro*r¿-oto¡lg r "b ('/z\r*ttro> e-!:u(t/b)-t = o"o )o \. etc..oJs u.55.q:616.L42 . etc. \i)"-". pedida er pRopro [cAp. ó aproximando O. 1 en el primer dado y 2 en el regundo dado.be-! = o-2/br\t + a) Entonce¡ / o\ ¿u 02 = El(X-u¡21 = E(Xz)-uz = PROBLEMAS DIVERSOS o-". Determinar la probabilidad de que de 5 estudiantes (a) ninguno. (b) uno.4. (c) al menos uno.26 (c) P(al menos uno re gradúe) = 1 -P(ninguno se gradúe) :0-92224. (a) P(ninguno ee gradúe) = 5Cs(0.6)r : 9.¡ :6 Gzl vemo¡ que la probabilidad /t\/o\' _ \6/ \6 / página 119.08 (D) P(re gradúe uno) = 5Cr(0. 4. DISTRIBUcIoNEs DE rRoBABTLTDAD coN NoMBRE Método 2 (utilizando fótmula). (o) t' = E(X) = JO f abrb e-o"o d.92. E¡ta¡ ¡on 1 cn el grimer dado y 1 en el regundo dado.2692. La probabilidad de que un estudia¡rte que ingrese a la universidad se gradúees 0.63. 4 Utilizando la di¡tribución geoméhica. . ó aprorimando 0. ¿Cuál es la probabilidad de obtener un total de 9 (o) dos lanzamientos de r¡n pa¡ de dados? en veces.p(\ t + +)-l ó/J 4. ó aproximando 0. eon p: Ll6. i7't6 4. 6 = 36 forma¡ en las cuales ambo¡ dadoe pueden caer. i) integral.

6 (área entte 0. . un total de 9 ocurte en 4 cqlos¡ (3.\0/ \e/ \s/ ^/l\'/q\' ffitZü 7268s 4.-.5 puntoe. (5. 3). ^ /r\ta.17 (5.6. Véase Fig.1XO."'\g/ ' ^/rY/s\u. P(al menoe 9 doa veco) : 1 - P(9 cero vecer) - P(9 una vez) : ./ \ó/ * '"'foi ó * '''Gi 72689 1 10240 960 48 61 = 681 440 65f ¿¿T . (c) la calificación mínima delL0% más dto de la clase. (a) la di¡tribución normal a datos discetoe. (b) la calificación máxima del L0% más bajc de la clase.5 en unidader tipificadar : 5. Suponiendo que las calificaciones están distribuidas normalmente. (D) Varianza : npe: (40OXO.5?.er)*P(9cincovecer)*P . Si la probabilidad de un tornillo defectuoso es 0. dependiendo del número de respuestas conectamente solucionadas de un total de 10. (a) (b) Coeficientedeeeego= Puesto que es positivo.a di¡tribución ee s+l---^6:q : 3+ff1-6(0'1X0'9) = nuq 3'01 ligeramente má¡ apuntada que la distribución normal. Por tanto la de¡üación tfpica = /56 = 6.2.3418 - y e = 0) (áre¡ entre z :{.7)1L.17 z: -1 y 277o z: O) 0.5Bt 441 = 531 441 441 Otro método.2788: . 4).1): 40.9): 36. ^ /r\u = 'c'(o/ \é/ * '"'(. 6).133 coeficienüedecu¡tosis: l. Para aplicar : 6. 4-20. Por tanto una calificación de 6 puntos ¡e cor¡sidera como 5.6u.17 z: -1 y z:-4.2 = -'1. 4./ \. 5). L.-"^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. ^/r\'/a\'.4I DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 143 De estas 86 forma¡ todar igualmente factibles ¡i los dados ¡on honrado¡.cAP.0 (6. Halla¡ los coeficientes de (a) sesgo y (b) curtosis de la distribución en el Problema 4.5gr 441 * ss1 441 . 4.6 a 6.5 . .7)1L./r\'/e\a./ * '"'(.1.6. Las calificaciones de un parcial corto en biología fueron 0. (o) P(9 do¡ veces en seis lanzamientos¡ = 6"'\t/ /q\t-' . La calificación media fue 6.56. 10 puntos. determinar (c) el porcentaje de estudiantes con 6 puntos.0676 : O.. (a) Media : np :400(0. es decir podemoselpemr que 40 tornillo¡ esüén defectuosos.2:{). (4. (6.58. la distribución está sesgada a la derecha. hallar (c) la media y (b) la desviación típica para la distribución de tornillos defectuosos de un total de 400. 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. == vnpq H = 0.? y la desviación típica fue 1.ó6. ^ /r\'/e\'.5 en unidadee tipificadar hoporción pedida: á¡ea entre : : . eb necesario con¡idcrar los datoe como si fueran continuoe..2. .

17 I'ig.6. Halla¡ la probabilidad de que en un tiempo f no se cuenten partículas. (c) Sea . De la Fig. zt Enüonces zt = (xt .2 ! 22 Eu equivalente en unidades tipificadas.7)lt.28 (aproximadamente).69.4-20 Fig.28.Z:-t. Si (b).que lógicamente e¡ 1.26 6 aproximando y al entero má¡ cercano.P6(0): c e¡ la probabiüdad de no cuenta¡ en elüiempoGrro.x2:8. Entonces (x2 - 6. Por tanto la probabilidad de no contar en el tiempo At ec 1 .L14 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP. a Area entre zt y O: 0. 4-2L el la izquierda de z¡ eo LOT. exiatirán término¡ adicionalecqueincluyen a (Aú)'y órdene¡ ruperiores.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. At.I At. por simetría : L. Por tanto. 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.I -0.40 : -L.28y Ír:6. Por tanüo c = I y l¡ probabilidad pedida ee (11 Po(¿) = ¿-^t 4.4-22 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. Si se suponen lar llegadae de lae partícula¡ sucegos independientes. = 0. tenemoS (r) De (I ) obüenemos (2) Po(ú+a¿) = lú Ps(Ú)[1 -IAú] = -IPo (¿) At+0 lim Po(¿-f a¿) - PoQ\ e¡ decir (.2 u 8 aproximando al entero má¡ cercano.4 .10.28. 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.69 halla¡ la probabilidad de exactamente una cuenta en el tiempo t. 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. 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 . La Fig. Un contador Geiger se emplea para contar la llegada de partículas radioactivas. Refi¡iéndose al Problem^ 4. 4-22 repteeenta el eje de tiempo c. rin considerar los términoe que incluyen (Aú)2 y término¡ cuperiores.r2 la calificación mínima pedida zz =L. pero no se consideSea P6 (ú) r-----]--l Fig. Máe precisamente.60. 4-21 (b) Sea r ¡ la calificación máxima pedida ] z¡ !u equivalente en unidadec tipificadas. por tanto área. 4.7)17.on O como el origen.

@l 6 caras.61. que es cero. (b ) 1. Iülla¡ la probabilidad de (o\ 2 o már honradas. La probabilidad de (ii) es Po(ú)I at.s supletnenta. Por tanto (7') = ¡¿¿ . (c) 2. P1(0) eo la probabilidad de 1 cuenta en el tiempo 0. ¿cuántaseeperaríantener(o)3niños. ¿@xtPr) = x que al integrar (6) Pr(t) = \¿¿-rú+c2e-\r Si : t:0.ar una moneda honrada 6 veces aparezcan (o) 0. Hallar fal¡o.I"(t) = XF'o(¿) - IP1 (¿) ge Tomando el lfmite cuando Af -+ 0 y utilizando la expresión para Pe(ú) obtenida en el Problema 4.66. tr¿-At (3) dt = ^Pl o d. (c)o2ó3niños? probabilidades iguales para niños y niñas. Suponer 4. 4.rt ú Continuando de esta forma podemos demostrar que la probabilidad de exactamente n cuentas en el tiempo está deda por (8) Pn(t\ = (^t). 3).66. sin coruiderar los té¡minos que incluyen (Aú)2 y ruperiores. Por tanto.I a¿). DeSOOfamilia¡con Shijos. Halla¡ la probabilidad de que al lznz. (b) dog vece3' en dos lanzamientos de un par de dados honrados. con un par de dados? ¿Cuál es la probabilidad de obtener un 9 exactamente una vez en 3 lanzamientos 4.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 145 La probabilidad de (i) es P1(ú)(1 . 4.(b)5niñar.67.69. (r) Esto puede escribirse Pl (ú + a¿) = Pr (ú)(1 - r aú) + P0 (¿)r a¿ Pr (¿ + (2) l¿) Lt .¡e-rtt esto puede escribirse como d. (n 5.59 esto convierte en dP.i que es [a distribución de Poisson. (b ) menos de 4. 4 caras en un solo lanzamiento de 6 monedas hallar (o) P(X = 4. Problerna.64. caras. u) Multiplicando por (5) e^¿ d. Si P(X=2). Hallar la probabilidad de obtener un total de 11 (c) una vez.62.rlos DISTRIBUCTON BINOMIAL (BERNOULLI) 4.P. (d) 3' @l a.cAP.t * \P. la probabilidad de acerta¡ correctamente al meno¡ 6 de 10 res¡ruestas en un examen tipo verdadero- . X denot¡ el número (d) de caras en un solo !¡nzamiento de 4 monedas. Utilizando e¡to en (6) hallamos Pt (Ú) c2 0. (b\ P(X <21' (c) P(1<x=3). .

(a)Determinarlas calificacionestipificadasdedog estudiantes cuyos puntajes fueron 93 y 62 respectivamente. su coeficiente de curtosie es 2. (/)ala izquierda de z:-2.e z: -1.!6.5 o? 4'83. (d) iguales a 0.85- 4. Calcular la (o) media. (c) menores que 0.83.900. En un examen la media fue 78 y la desüación típica 10.2 respectivamente.23yz:1.50.86. 4. (ó) el área a la izquierda de z sea -0. haltar (a) P(Z = -1. 4.79.69.82.85 m.b superior de los estudiantes recibirán una calificación A (excelente). entre 1.78: Hallar los valores sea 0. 4. Un agente de una compañía de reguros vende pólizas a 5 personas. 0.?8. (b) a la izquierda de z:0.(b)z=I.75.45. La calificación media de un examen final fue 72 y la derviación típica g. (e)correcpondientea-0.gShallarlacon¡tanteatalqueelporcentajedelo¡casos(o)dentrodelrecorrido 7 í'. Hallarz¡ si P(Z-21)= 0.615 pul. (d) coeficiente de curto¡is para una dishibución binomial en la cualp : 0. determinar el porcentaje de los cojinetes de municiones con diámetros (a) entre 0. (b) menos que p . (b) menos que o iguales a 1.608 pul. (b) P(-1. Si X está distribuida normalmente con media 5 y desviación tipificada 2.72. El l}'. (b) desviación típica.9.t'c. Evaluar (o) ) (c - p\3 f (r) v (b) > (r .96 =_ Z < t.6140 pul y desviación tipificada 0.O?30.76.4 4. todas de edad idéntica y con buena salud.59 y 1.55 m. Z está distribuida normalmente con media 0 y varianza 1. ¿qué porcentaje de las medicione¡ están (o) dentro del recorrido I. 4. EnelProblema4.4O.oo ¿ea 22c/a.96). (dl al menos I persona esté viva.2 o.7O.2O y z --2. (D) mayor que 0. ¿qué porcentaje de esas mediciones diferirá de la media por (o ) más de media desviación típica. hallar P(X > S).2266. (c) coeficiente de sesgo.15 y z *aO. (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.71. Interpretar los resultados. (c) Si las estaturas de 300 estudiantes están distribuidas normalmente c\on media 1.56. (d) igual a 1. (c)z:-2.6 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. llallar el área bajo la curva normal z: 0. 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. -0. (c) el área entre de z tales que (a) el área a la derecha de z sea 0.82.77.0025 pul. Si (c) P(lzl > r).52 y a la derecha de z: 1.85V 4.4 respectivamente. (b) por fuera del recorrido ¡t ! 1.6 y 1. Demostrar que si una dishibución binomial con n : 100 es siméhica.81' 4. 4. (c) solament e 2.61? pul.23 y z sea O.8{.84. Hallar el área bajo la curva normal (o) a la izquierda de z : -1.t ! 2 o. ¿Cuál es la cslificación mínima que debe obiener un estudiante para recibir una A ? Si un conjunto de mediciories está distribuido normalmente. 4.?O m y desviación típica 10 Si los diámetros de los cojinetes de municiones están normalmente distribuidos con media 0.79' 4. 4. Hallar la probabilidad de que en 30 años (o) Ias 5. (c) a la derecha d. (c ) mayor que g 1. dondeZestádistribuidanor¡nalmenteconmedia0yvarianzal. 4.80' 4.0314. entre (o) 4.80< z< !.58. (b ) al menos 3. Demostrar las fórmulas en la página 109 para los coeficienües de seego y curtosis. 4. DISTRIBUCION NORMAL 4.5722.68. z:-I. (d) el áreaentre 1. ¿cuántos estudiantes tienen estaturas (o) ¡nayores que 1.64).? y n : 60.?0 m? cm. lt!aosea .El m inclusive. (e) el áiea en¡e-z y z 4. (d) correspondientea z>:2.74. (b) Determinar los puntajes de dos estudiantes cuyas calificaciones tipificadas fueron y 1.618 pul inclusive.r)af(rl para la distribución binomial.610 y 0.L46 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.

Entonces se coloca la bola en el talego.93. Xz. hallar la probabilidad de que en una muestra de 100 lámparas eléctricas (a) 0.(n5lámparar sean defectuosas. Hallar la probabilidad de que en 200 lanzamientos de una moneda resulten (a) entre 80 y 120 caras inclusive.10O.92. <x< @ 4. Xz. (b) 7. 4. (c)2.1 t\. (c) menos de.99. 2 "doses" y . Demostrar el teorema del lfmite central para el caso en q rre X ¡.95.98. (b) entre 1 y 3. Hallar la probabilidad de que un estudiante pueda acertar eorrectamente lasrespuestas a(a)12 o más de 20.(c)6. (b) cada ca¡a una vez. f. arí generalizando el Problema 4. Hallar la probabilidad de que en un muestreoaleatorio de 400 tor4illos producidos por estamáquina (a)máximo 30. 1/2 -r -t Demostrar el teorema del límite central para las variables independientes 'Yk donde g = | | 1 prob. Halla¡ la probabilidad de que 4.(d)8.0 de cada 100 000 personas. enunaciudadcuyapoblaciónesde200000ocurran(a)0. 4. Según Ia National Office of Vital Statistics of the U. r¡ : L - p.2.(Sugeren- cia: Utiliz. f(r) =.94. ( L 1 prob. .9!.ar la función generatriz de momentos).97. Un talego contiene una bola roja y siete blancas. o 2lámparas eléctricas sean defectuosas. Se lanza un dado honrado 6 r¡ece¡.87. hallar la probabilidad de que (of rnís de 5.91. (e) 4. "heses". 36 LO"/o de los cuales son defectuosos. de loe tornillos sean defectuosos.97. 1/2 prob. -'. 4. En el Problema 4. . Si 3% de las lámparas eléctricas producidas por una compañía son defectuosas. página I 1 1 . página 113. Generalizar el resultado a n variables. ( t 3 ). DISTRIBUCION DE POISSON 4.(f)menosdeS ahogados por año. . (b) menos que 90 caras. 4. son independientes y están distribuidas idénticamente con la distribución de Poisson.entoncesXr+X2 tieneunadistribucióndePoissonconparámetro).88.96. 3 . Halla¡ la probabilidad de que el resultado sea: (o ) 1 "uno". Una máquina produce tornillos. . TEOREMA DEL LIMITE CENTRAL 4.101. Hallar la probabilidad de obtener más de 25 "sietes" en 100 lanzamientos de un par de dados honradoe.(b)2. 4l DISTRIBUCIONES DTSTRTBUCTONES DE PROBABTLTDAD CON NOMBRE PROPTO PROBABILIDAD PROPIO I47 L47 APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 1. (c)entre y 46. Explicar por qué se podría esperar que el teorema üengan la distribución de Cauchy. el promedio de ahogados en accidentes por año es 3.90. Department of Health. 4. 4. Demostra¡ el teorema del límite central para las variables independientes xk = 4. S. (bl 24 o más de 40 preguntas en un examen tipo verdadero-falso. Demostrar que si respectivostrr X1 ¡l X2 son variables independientes con distribuciones de Poisson con parámetros ytrz. (d) 55 o más. Demostrar el resultado (l 7).b. 4. del límite central no sea válido en el caso que X¡ .#Tf DISTRIBUCION MULTINOMIAL 4. Se extrae una bola y se obsen'a su color. (d) exactamente 100 cara¡. (b)entre 30y 60. (c) menos de 85 o más de 116 caras. . Utilizando (o) la distribución binomial y (b) la aproximación de Poisson a la distribución binomial.(e)entre4y8. Education and Welfare.t9. (d) 3. p pr. 4.cAP. . hallar la probabilidad de que en 8 de tales extracciones se seleccione una bola roja 3 veces.

106.120. 4. Yerificar la (a) función generatriz de momentos dadas por (33 ). De 60 aspirantes a una universidad 40 son del oriente. Suponga que X tiene una distribución de Cauchydeacuerdocon(29).108. azules y amarillas en la proporciün 4t 3z 2: L.107.102. (b) P(Xz > r2). 4. Si se seleccionan 8 bola¡aleatoriamente (sinremplazamienüo) determinar la probabilidad de que (a) 4 sean rojar. Verificar que (31 ). página 108. Hallar la probabilidad de que de 10 bolasextraída¡: (o) 4 rean rojas. 4. Determinar los valore¡ modales de la distribución gamma. Demostrar directamente que (22). SiXestádistribuidauniformemente en-2< x=2. hallar la probabilidad de que (o) 10. Emplear la aproximación binomial (18) obtenida. recorrido gemi-intercuartílico es un eustituto de la desviación tfpica? aritmética también tiene esta distribución. Si X. Hallar (a) el tercero y (D) el cuarto momento alrededor de la media de una dishibución uniforme. cuando N ' e. Z.105. es una función de densidad. (c) al menos una sea roja.109.115. DISTRIBUCION UNIFORME reduce a (I ). sesgo y (b) curtosis de una di¡tribución uniforme. 4.114. 4. o:2.fl DISTRIBUCION DE CAUCHY 4. DISTRIBUCION HIPEBGEOMETRICA 4. (b) ninguna sea figura. Determinar el coeficiente de (a) > ll 6/.(b)8 sean rojas y 2 amarillas. blancas.págrna114.103.119. y (b) la función caracterfstica de la di¡tribución gamma .11E. hallar la probabili4. Una caja contiene 5 bolas rojas 5l l0 blancas.111.112. 4. (b) P(lX-11 = +).z 114. (b) no más de 2. sean del oriente.104.4 4. página 115.Hallar(al P(X <1).116.págin. 2 ó 3 en cuatro lanzamientoe de un dado honrado. 4. Y son independientes y ambas eetán distribuidas uniformemente en el intervalo de 0 a 1. 4. (t) P(l = X=2).113.Hallat(a) P(X i. normalmente con media 0 y varianza l Demostra¡r que Y: Xt lXz tiene una distribución DISTRIBUCTON GAMMA 4.110. entoncel su mdia 4. hallar P(lX . Si se seleccionan 13 cartas aleatoriamente (sin remplazamiento) de una baraja de 62 cartas. 4. ¿Porqué en este caso el 4.122. Demostrar que si X1 y X2 son independientes y tienen la misma distribución {e Cauchy. 2 zzulee y l amarilla.con < 2). 4. Si Xt y Xz son independientes y distribuidas de Cauchy. tl¡llar(o) P(X= 1).9: 4. Una caja contiene una gran cantidad de bolas rojas.11?. página 116. ó (24\ se para resolver el Problema 4.121.106 y e¡tudia¡ la precisión 4. Generaliza¡ el resultado del Problema i. Hallar la probabilidad de no obte4er un 1. 4. Si se seleccionan 20 aspirantes aleatoriamente.116. dad de que (a) 6 sean figuras. Hallar la función generatriz de momentos para la di¡tribución uniforme. Una variablealeatoriaX tiene una distribución gamma conQ:3. Demostrar que el recorrido semi-intercua¡tílico para la di¡tribución de Cauchyeeo. S blrncar.148 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cA¡. (b) todas sean blancas.

os.01. si el r.páSrrra 115.50. v ) 2.ss. ee la 0. grados de libertad DISTRIBUCION x .128. v.139.90./(. Para una distribución chi-cuadrado con 12 grados de libertad.132.129. / una buena aprorimación para percentila (100p) de la distribución normal tipificada.130. Demostrar que para 1 grado de libertad la distribución ú es una distribución de Cauchy.ss. Si una variable Utiene una distribución de Student con ¡. Q) F.2.oo.ti ti¡l gue (o) el área a derecha de ¡l sea 0. 4. hallarlaconstantec talque (a\ 0.g. 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.rs.donde zo hra una distribución f de Student con 15 grados de libertad. Resolver el Problemz 4. 4.727 si el área de la cola derecha es 0. si el número de 4. (c ) 25.rzo. Demostrar que la distribución beta tiene una moda l¡nica en DISTRIBUCION CHI-CUADBADO r: (a - l)/(a P(lX-+l = +). (b) Demostrar que si la suposición de áreae iguales en la parte (o ) no se cumple.10'(d)el sea 0. v: -f1 sea 0.9:2.125.eo.(b)eláreaalaizquierdadetlsea0.' dada Por r * .4l DISTRIBUCION BETA DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO t49 4.2\' 4. la distribución ú es 0.141. + p . hallar el valor de ú¡tal que (a) el área a Ia derechadeú1 seaO. (D) P(-a= U 3 c) :0.zoi (. lJnavariablealeatoriaXtieneunadistribuciónbet¿cono:3.05.95. Verificrü que (34).i) 4.142.:10. : 6.124.rales a la derecha de xB y a la izquierda de x!. (d) P(U 2 c) = Q. Verificar que la integral desde u lsugerencía: Hágase a : 0 hasta e v2u).12?. los valo-res de x? y x! no son únicos' 4.01. y x! tales que (a) P(U > x?rl = 0'025.rz. 250. (o) llaltar x! y x? tales que el área bajo la distribución x2 correspondiente a v -. (c) P(x?< U < x2z) = 0.valores de grados de libertad I ú para los cuales el á¡ea de la cola derecha de es igual z (a) 4. (b) el área a la izquierda de xi sea 0. es una función de densidad. ¡2o egtá x?ozs y (b) xizs para'r = 4.20 91tt: 1i Y_4_.140.or'so'lr-.131.01. Hallar los . Hallar el valor de: (a) F. Hallar (a) es la x. hallar el valor ie .2gs para r = 150.cAP. = t2ul(v1* . (b) F. (c) el á¡ea a la derecha de xl sea 0. (d ) 60.gc. 4. (c) P(U = cl = 0'20.133. (c) 28.1 de la función de densidad (45'¡.. (e ) 150.05.05.95.025. Demostrar que la va¡ianza de la distribución t de Student con t. (d) el área a la derecha de ú1 sea 0. (b) 19.55 ! 4. (e) el área entre -f1 f f1 sea 0. (b) 12. Demostrar que para grandes valores de 4.rúmero e.136. er igual a 1..ol/l'.01. f f.123.90yy:25t (b)eláreaalaizquierdade-ü1 sea0.¡. 4. 4.02'5yv=20'(c)eláxea 16. (c) F.9¡' P(U>c)= 4. Hallar los valores de úr para la distribución de Student que satisface cada una de'las condiciones siguientes: combinada a la derecha de ú¡ y a la izquierda de (a)eláreaentre-ú1 yút seaO.or. \b\ Yar (7zl -.¡' 4.01 y ¡.? 9:?^5: suponiendo ireae'ig. pígirn 117. área combinada a la derecha de ú1 y a la izquierda de -f1 4.134.(c)eláreaaladerechadeú1 eea0. hallar x2. (d) 40. Si la variable U tiene distribución chi-puadrado P(u < x?) : 0.99.13E. - 2).%t con y :7. Demostrar que (a) E(xz) = DISTRIBUCION ú DE STUDENT 4. Hallar 4.126. (ó) y (b) x.13?. Halla¡ (o) 4.136.98.z¿i (d) F.

(a > o' o .. Halia¡ el valor aproximado de (t3o)..161. página 114. 4. Suponer que X.prgradoe X¡ + . k=1.1 o2 . página 118. 4. Demostrar el resultado (46)..0. . Si X está distribuida normalmente con media g y variznza grado de libertad? Véase Problema 4. 4.8. Verificar que estas constantes son l¿¡s dadas en (19)..r. PROBLEMAS DIVERSOS 4.162. Demostrar el Teorema 4-10.Porevaluacióndelasseries dos del Problema (") 4.e8)2ez \3 /' y dar una interpretación de probabiüdad.pfuinal77.15E.. 4. Demostrar que 2u (.150.. Hallar la función generatriz de momentos de la di¡tribución hipergeométrica. Demosha¡ el teorema del límite central para el caso donde Xt.X.157. 4. Demostrar los resultados (20) y (23). RELACIONES ENTRE LAS DISTRIBUCIONES CHI-CUADRADO. constantes y b2 < ¿c. Demostrar el Teorema 4-5.' o) 4. son independientes pero no necesaria. Demostrarque k=l ) X* tiene distribución de Pascal 118).. libertad respectivamente.37 demost¡ando que si buidas normalmente con media 0 grados de 4. Si X. .c<ts -.. b.r.0r. página LL8. k=l son variablee aleatoria¡ independiente¡ disürluna distribución chi-cuadrado con y libertad. página I44... Xz.36. 4.155. (ó) io ". Demostrar que cuando v "> @ la distribución f de Student tiende a la distribución normal tipificada. Sean las variables independientes n X¡.n.. ¿Puede deducirse la ley de los grandes números en forma débil del teorema del límite central? JuEtificar su solución. (véase página cada unacondistribucióngeométrica. ento'nces ) Xf ti"tt" 51. ¿tiene X2 una distribución chi-cuadrado con 1 X1. demostrar que e8t6n distribuidas marginal- "? y oi respectivamente. hallar la función de distribución de lonva¡iablesaleatoúasindependientescon di¡tribuciónchi-cuadradoypr. . .^h.e8¡zsa \z /' * (tlu)to..o2)a(0. Si Xr..143.153.7ffi1... (Sugerencia: Ilaga la transformación u : 1/u). Y mnjuntamente tienen la distribución bidimensional (19). Demostrar el Teorema 4-8. y varianza 1.144.. . É^ ¡=o . prfuina 118. mente con varianzas h aon 4. Completar la demostración de la ecuación (8) del Problema 4.159..16O. . 4.. rj +n'r l¡ = ¡'oof 4.X.4 4. DISTBIBUCION NORMAL BIDIMENSIONAL 4.150 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. de 4.156.. página 116.14E. Y tienen la función de densidad conjunta f(r.147. 4.I Y T' 4. 4.154.145.0.A) = ke-(!¡z+2bra+"v'l donde a. Generalizar el Problema 4.6O.. demostrardirectamentelosresulta- 4.146. mente tienen una distribución idéntica.149. + Xn. c.

(b) v = 2. página 119.cAP. (c) la velocidad más probable. (c) v1* 4.164.162.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 4. (d) la velocidad efectiva(rme. Estudiar qué le sucede a la varianza de l¿ distribución t 4. . Comparar sus resultados con l¡ entrada 5. Estudiar qué le sucede a la media ¡i (o) r = . y varianza de la distribución gas para loc casos (o) (b\ v2= 4. 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. Determinar (a ) la conetante c. (b ) la velocidad media.F' f.esdecirlarafzcuadradade la velocidad media al cuadrado).163.

.

Farte tl ESTADIST¡CA .

.

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

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

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

. Nótese que (6) se reduce a (5) cuando N .5. Teorema (6) 5-4: p y vaianza o2 entonces la media muestral p y vananza é/n. Si una muestra de tamaño 5 resulta en los valores muestrales 7. entonces la varianza de la distribución muestral de medias. la media de la población. estn lim P(Z -z z) = -= f = J 1 vzr -* "-uztz ¿r. 2 entonces la media muestral .¡ n lcAP. 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 variable tipificada asociada con X. dada por Z: es x-r "/\n es (7) normal reintóticamente. De otra forma Io anterior es conecto si remplazamos o/l/-n en (7\ por o* como se da en (6). Teorema (5) 5-3: Si la población es de tamaño N. Teorema 5'1: La media de la disbibución muestral de medias. = t' es la media de la (l) población. est.á dada por E[(X-ti'l: "l = ¿ n donde o2 es la va¡ianza de la población.(¡¿ -n\ -f / en tanto eue ¡r* aún se da por (4). está dada por E(X) = donde ¡. denotada por oi. 5 (3) EJEMPLO 5.. (s) El Teorema 5-5 es una consecuencia del teorema del límite central.6. Se supone aquí que la población es infinita o que el muestreo es con rernplazamiento. Los teoremas siguientes son importantes en este sentido.-. y si el tamaño de la muestra es n S N.158 TEORIA DE MUESTREO Jrf ll |"'Fi.ux. El Teorema 5'1 establece que el valor esperado de Ia media muestral Teorema 5-2: Si una población es infinita o si el muesheo es con remplazamiento. = ll s_t_1_t_gl" 5 5 DISTRIBUCION MUESTRAL DE MEDIAS Sea /(r) la disbibución de probabilidad de alguna población dada de lia cual extraemos una muestra de tamaño n. que se llama la distribución muestral para h media de la muestm o la distribución muestrcl de medias. Entonces es natuml buscar la distribución de probabilidad del estadístico muestral X.r es F*. oft = . si el muestreo es sin remplazamiento. 1. entonces (5) se remplaza por o2/N . 9. denotada por .

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

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

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

Enlonces si las varianzas de las muestras aleatorias están dadas por .t o \/n muest¡al de medias se ájusta mucho a una normal (normal asintóticamente) para n = 30 incluso para poblaciones no normales. la media poblacional en todos los casos.o con gran aproxima- O. Para n '. Los resultados dados son válidos solamente si la población es normal o aproximadamente normal.2533 0 \/n Para n = 30 la distribución muestral de la mediana es muy próxima a una normal. Nótese que (2) se reduce a (1) cuando ¡. Si la población noesnormal. Sr respectivamente.-_.t62 Teorema TEORIA DE MUESTREO [cAP. Proporciones oP \ ^7ett " ¡ !.Í .t normal. lo que se cumple para poblaciones normales. La distribución Medias o. /.Sl. r. los momentos. n 1 grados de libertad.: ir. el sesgo. (1) . EI teorema también puede aplicarse en el caso de que las distribuciones de población no sean normales pero tengan forma de campana.i Las notas para desviaciones típicas sqn igualmente aplicables aquí.: nSj/('n 1)or. 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.ac\ \{r/ tiene la distribución F con ffi 7. (l) Desviaciones típicas o" Os !t/ 2n población oq está dada por (1) solamente cuando es normal (o aproximadamente (r) normal). la curtosis. el estadís_ tico F lr^ -_ '1. d .. la moda.5 5. OTROS ESTADISTICOS Muchos otros estadísticos además de la media y la varianza o desviación típica pueden definirse para muestras.1. (r/ I lo 't/tt l1(t1 que es casi igual a o2para valores deir trr j . Para n =) 100 la distribución muestral de la S es muy próxima a una normal..-8: Si se extraen dos muestras aleatorias independientes de tamaño m y n respectivamente de dos poblaciones normales con valianzas oi.¿s ción..p en todos los casos son dn¡crr Medianas - "!t.!!1.?/..ra : 3o4 . Nótese que (2) se convierte en (. etc.puede utilizarse (2 ).j respectivamente.100.1 ) en caso de que la población sea Va¡ianzas (-') O.!f S. u. 6n Las notas anteriores para medias igualmente aplicables aqu í. Por ejemplo la mediana. ttp .

o por un polígono de frecuencios uniendo los puntos medios de los techos del histograma.5 pulgadas mientras que unaregistrada como 62 pulgadas realmente está entre 61. 60-62 es 61. podríamos haber registrado el intervaIo de clase como 59. Por esta razón es útil organízar o agrupar los dofos. En el intervalo de clase 59.-r-l correspondientes a esta clase Ia correspondiente frecuencia de clase es 5. La suma de ias áreas es 1 ó l-00'.cAP. 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. Es interesante observar que Ia gráfica parece indicar que la muestra se extrajo de una población de alturas normalmente distribuida. Distribuciones muestrales para estos estadísticos.5. EI punto medio del intervalo de clase. inciicadas por 6G-62. El histograma correspondiente es entonces semejante al de la Fig. etc. la frecuencia relativa o porcentual correspondiente a la clase 63-56 es 18/100 ó 18'i.5 y 62. denominada la frecuencia de clase. desviación típica.5-62. consiste de estaturas desde 60 hasta 62 pulgadas. se llama marca de clase.5 se conocen como límites reqles de clsse. 5-1. Ya que una estatura registrada tromo 60 pulgadas realmente está entre 59. Algunos de estos. El ancho del intervalo de clase 7-ésimo. Como ilustración suponga que una muestra consiste de las estaturas de 100 estudiantes de la univelsidad XYZ. Orden3mos los datos en clases o categortbs y determinamos el número de individuos que pertenecen a cada clase.'J ir z 61 64 6t- l0 ?3 76 (pulgadas) Estatura (p [:ig. DISTRIBUCIONES DE F.5. Tabla 5-2 ESTATURAS DE 1OO ESTUDIANTES DE LA UNIVERSIDAD XYZ o H o 10 (pulgadas) fir) Estatnra i Número -f. 5-1 ercepto que el eje vertical es frecuencia relativa en cambio de frecuencia.5--65. el resultado sería una distribucíón de frecuenciarelatiua oporcentual. denotado por c¡r que comúnmente es el mismo para todas las clases (en cuyo caso se denota por c). se conoce como d¿süribución de frecuencia o tablade frecuencia.5 y 62.5-59. Puesto que 5 estudiantes tienen estáturas casoc:62. DISTRIBUCIONES DE FRECUENCIA RELATIVA Y OJIVAS estudiantes err cada clase.5 pulgadas.'RECUENCTA Si una muestra (o una población) es grande. conjuntamente con los dados.5 y 60.) de tro estudiantes É tr-r (::i t'.l . se ¡nuestqan en la tabla anterior. etc. 5l TEORIA DE iúUESTREO 163 definiciones son análogas a esas dadas para poblaciones en el Capítulo 3. Tabla 5-2.5-62. La ordenación resultante.5 los números 59. Si en la Tabla 5-2 registramos la frecuencia relativa o porcentual en cambio del número de . o al menos sus medias y desviaciones típicas (errores típicos)..Por e¡emplo. por ejemplo.:) riri {l¡ ¡ lii 12 o ilr -71 27 8 . puecen enct-¡ntrarse con frecuencia. EI siguiente intervalo de clase sería entonces 62. En este La primera clase o categoría. es difícil observar las diferentes características o computal estadísticos tales como la media. Io que se llama uninterualo de clase. que puede tomarse como representativo de la clase. como se muestra sombreado en la Fig. . es Ia diferencia entre el límite real superior e inferior.5:3.

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. cuyas representaciones gráficas asociadas se conocen como ojiuas u ojiuas porcentuales respectivamente. l3 . pagina 76. o distribución de frecuencia relatiua acumulada. Véase Problema 5..fl lt f.r¡ TOTAI. En el Capítulo 2 vimos que podíamos asociar con cada distribución de probabilidad f(r) una funi'ión de distribución definida por F(r) : P(X:1 r) y también podíamos representar graficamente esta función. números iguales d media está dada por xt. 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. pagina 78.5 Podemos c<¡nsiderar una distribución de frecuencia relativa como una distribución de probabilidad en la que las probabilidades se remplazan por frecuencias relativas.r _ 1 lt-_+-[291:-'' _l/1.1 n.l : . = I/ Tabla 5-3 Frecuencia de clase Marca de clase .L64 TEORIA DE MUESTREO lcAP. fk Puesto que hay f... s tll f¡ números iguales ? rp. es decir ¡¡ . Lasfórmulas (27) (28) . podemos considerar a las distribuciones de frecuencia relativa como distribuciones de probabilidad empírica. y (13).. fz números iguales a xr. Ya que las frecuencias relativas pueden considerarse como probabilidades empíricas (véase página 6). COMPUTO DE LA MEDIA. P<. Se conocen como métodos claves y emplean la r a un entero correspondiente u dada por 'r"- = a+cu au (26\ donde claves para la media y Ia varianza están dadas por c es una marca de clase escogida ¿Lrbitrariamente que corresponde : 0.3u.¡r analogía podemos asocia¡ con cualquier distribución de frecuencia una distribución de frecuencia acumulada. corresponde a probabilidades empíricas. (2Ir) Análogamente la varianza está dada por (25) IL Nótese Ia analogía de (24) y (25) con los resultados (2). fr I /:* "'-l. La frecuencia total es n.

U (b) . la curtosis.gM'r") (32) etc. Una población se compone de los cinco números 2.cAP. Itt Fórmulas semejantes existen p¿üa momentos superiores.gWiMí + 2M'r3) lnt = cl(xIi. /l¿¿ tni (s 1) etc. It. _ l(. etc. 6.Snt\mí + 2tn. 3. 5l TEORIA DE MUESTREO 165 y al origen respectivamente están dados por ¡'rt . Halla¡ (a) la media de Ia población. Pero 'rrr : >("j)l lln = /tlr = n¿z )'/[(a + c¿r) -. (30) Las dos clases de momentos están relacionados por ?ll1 Q tnz -: 1n:. (c) la media de la distribución muestral de medias. (d) la desviación típica de la distribución muestral de medias.s resueltos DTSTRIBUCION MUESTRAL DE MEDIAS 5. : t: hl . Si escribimos il. Así los momentos r con respecto a la media rl n (2e) . es decir.r 11. De una manera semejante otros estadísticos como el sesgo.29..tt¿'i2 ntlt . r !11 0.8 y o = 8. .utiui+ 6It[i'M3 .(tr l cr- de tal modo que obtenemos de (3I ) las fórmulas claves 0 = c2(XIi-M'l) l1tt = cj(Mi.(ir.-'(i)r ¡) ri 5b *rt-f.^. para muestras. 8.1. (a) r o2 = 12___i_E_l_e_ll J :l --. el error típico de medias. Considerar todas las muestras posibles de tamaño dos que puedan extraerse con remplazamiento de esta población. (b) la desviación típica de la población.ll ---- 30 Lr. ((i _1 (8. '1 9 + 0 c + 41'21 - 10. pueden hallarse Probletna.fi l-''' n * f rt'i' 4JÁ s f. 11.. . l¿ I' . Lógicamente la segunda ecuación de (32) es igual a la (28).i7-- xIi- f /¿¿' n entonces las relaciones (3f ) también son válidas para las M.\3 t)t1 mimit+ün\2ntí-Bn{ra f.

4.11) (8. y la media de la distribución muestral de medias es 9. 6) (3.0 4. por ejemplo. (2. (o) y (ó) como en el Problema 5.8.0 : itO + 6. or".2) (11. _Í ) .8) \3.8.5 1 4.r' = 16. ll ). 8). 7.8/2 = 5. 7. Lo mismo que en el Problema 5. éstas son (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 es 8.to oue el sesundo miembro ^^ . 4.0 + 7.2).U t< (.8) (11. se considera la misma que (8. 3) (2.D 6. Para una demostración general véase Problema 5.5 I.5.0 O.5 5.6.2t (3.5 7.0.5.11) 4.29. 11) La selección (2.40 de modo que o. elevando al cuadrado cada diferencia.0. (3. (2.O. 3) (rl.2) (6.5 (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). (3.r ) 4. (6.-.0 9.0 (2.5. l'I1!11-q9-"'-lgl-99'":'I9't3ls 25 comprobándose que ) 150 tt - o'' t{' -. 5.5 6.2.6). sumando los 25 números así obtenidos y dividiendo por 25.puestoqueel segundo miembro es 10.1-¡ . Las correspondientes medias muestrales son 2. ) "l .0r 6.8). que es el valor obtenido anteriormente.0 6. 5. 4 135 : -.0 -i.166 TEORIA DE MUESTREO lcAP.* . rj). o: 3.!lr_115.0 -('25-10 - c. 3) (3.2.. + (9.05 Y ox r.* 2.5 9.0 y la media de la distribución muestral de medias . 2) (8.6.b - 6..1 para el caso de muestreo sin remplazamiento.5.5 = 6.6) \2.8) Las correspondientes medias muestrales son 2. 11).11) (1r.47.1.40.5.8) (8. Para una demostración general véase Problema 5..6) (tt. Estas so r (2. 7..2) 12.0). ¡'.0 otr 3. + l:1.5 + 4.o2/ N .3).0 8. de la distribución muestral de medias se obtiene restando el valor de la media 6 de c¿da número de (1 ). 8. de acuerdo con el valor anterior. de la distribución muestral de medias x es 6.f..11) (6.5+ 5.5 7. (3. 6) (8. Para una demostración general de este resultado véase hoblema I . 6. (8.0)2 = 4.0 7.5 ¿" (l 8.\ N _irl. 5.0 5.8) (6.0.6) (6. ¡r: 6 y o2 :10."2*= o2/r.3) (6.5 11. 5. 10'8/5 .05.2\ Esto pone de manifiestrque '' . 8). (d) I'a varianza o{.?.3). 11).11) (3. El resultado final es . nuesto que segundo -:^-L-^ "" (.3) 111. (6..0¡:: -f -' .0 poniendo de manifiesto el hecho de que tÍ - (d) La varianza. 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. 4.0 5."\.1¡ muestras (2.5 + 10 /r.5 + 9.5 .01. (c) Hay iC-.

4 - 68.4 pulgadas? ¿En cuántas muestras del Problema 5.6 pulgadas y puede.30 onzas.02 ? .cAP.5) : O.1915 : 0.5\ :(áreaentree:-2yz:O) * (área entre z : O y z : 0. (b) 66.8 y 68.0)/0.5.0pulgadas o vn N-n _3 N-1 \/% .0 pulgadas.4 en unidades tipificadas: (66.3 en unidades tipificadas : : (66. Así se tiene.67) : : (área a la izquierda de z : 0) y z : O) . (b) de más de 510 Pa¡a La distribución muestral de medias ox- o yn !* = p = N-n N-1 5.8 . puesto que el número de muestras es grande.68.3 La media X de una muestra en unidades tipificadas viene dada por Z X-p* aX X-68.6682) ó 59. Fig.3 cabría esperar una media (o) entre 66.4 pulgadas . (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.0098): 0.6 pulgadas 3000 3000 (b) p* = p - 68.5l TEORIA DE MUESTREO r67 5.6 : -2.0 pulgadas y desviación típica 0.0)/0.4772 + 0.3.02 onzas y una desviación típica de 0. sino solamente una distribución muestral experimenú¿1.67 0. (b) menor de 66.6 (68. para todo propósito práctico. Sin embargo.(área a la izquierda de z : -2.6 pulgadas.3 . pues. = tL = 68.0038 -2 A7 Entonces el nhmero de mueshas esperado es : (80)(0.25 -1 que es ligeramente menor que 0.8 y 68.0)/0.6 : -2.8 en unidades tipificadas 68. Por ello.304 o cero.0 0. Si se toman 80 muestras de 25 estudiantes cada una. habría mucha aproximación entre las dos disbibuciones muestrales. 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. ¿cuál será la media y'la desviación típica esperada de la distribución muestral de medias resultante si el muestreo se hizo (o) con remplazamiento.0 pulgadas y Yox=- ox = o=3 \/n {zs = 0.6 (o) 66. 5.67 Proporción de muestras con medias menores de 66. la media y desviación típica esperadas serán muy próximas a las de la distribución teórica. \a) p*.4.4962 : -2. Así. Quinientos onzas.68.0 : 0. Supóngase que las estaturas de 3000 estudiantes de una universidad se distribuyen normalmente con media 68. considerarse la misma que en el muestreo con remplazamiento.02 onzas. De aquí que con 80 no se obtenga realmente una distribución muestral de medias. 0.5 - 0.6687 Entonces el número de muestras esperado es (80)(0. : (área bajo la curva normal entre z : -2. que son muchas más de 80.30 500 /ioo 500-1 - 100 0. 5-3 5. cojinetes de bolas tienen un peso medio de 5.5 Proporción de muestras con medias entre 66.0 pulgadas y dewiación típica 3.(área entre z : 0.0 y z : O. por tanto. pulgadas.3 pulg. cabría esperar que la distribución muestral experimental de medias se distribuya aproximadamente normal con media 68.

0015 : (área a la derecha de z Así. DISTRIBUCION MUESTRAL DE PROPORCIONES 5.5 y 72. tenemos l¿-12 E(X¡) = * Entonces ya que la media muestral se define como -Y='' x. F'ie.+"'") =.t - . solamente se darán 3 casos cada 2000 de obtener una muestra de 100 cojinetes con un peso total superior a 510 onzas. (a) ' pide ra probabilidad de que el número de caras en los 12Q lanzamientos se encuentre ent¡e 4O(/o de 6 48. 4. página 158.00 en unidades Probabilidad pedida tipificadas : (5. Se procede como en el Capítulo 4.168 (o TEORIA DE MUESTREO lcAP.. En esta población la probabilidad de cara es p : I12 y la probabilidad de sello es C :1P : l12..5.) - .10 .0. 5.00 - 5.O2\10. página 158. (b) sea 5/8 o más del número de lanzamientos.5-5 5.5 .7 4 : -2. mediante la aproxlmación normal a la binomial..5. (x1) r rI (x. son variables aleatorias que tienen la misma distribución que la población.5 se encuentra entre 4.6. X.7.ruo2.96 5.96 Probabilidad pedida : 2. Hallar la probabilidad de que en 120lanzanientos de una moneda el número de ca¡as (o) esté comprendido entre el 40% y el60%. son ina"p"nl'i"nt".22 y z : -0. . Puesto que X1.22 : --0..96 ) El peso total se éncontra¡á entre 496 y 500 onzas si la media de los 100 cojinetes y 5. 6 72.96\ (área a la derecha de z:0) . '1-.7 4 y z : O) = 0.22 y z : O\ .027 5. y 6Ol/" de l2O. X2..E6)) = L(rr\ = t! 6.0. se pide Ia probabilidad de que el número de caras se encuentre entre 47.216-1 (área entre z : : 222 -074 Fie. Se 1-2O. Demostrar el Teorema 5-1.O27 : 2.4985: 0. 3-7 " x.02)lO. la cual tiene media ¡1.ttr rr"rr"n Var uuri^X.8.+ "' + -' Entonces puesto que X¡.5-4 (ó) El peso total excederá de 510 onzas si el peso medio de los 100 cpjinetes sobrepasa las 5.10 onzas.(área entre z : -4.00 onzas.48(i8 . Tenemos .. Se consideran los 120 lanzamientos de la moneda como una muestra da la población infinita de todos los posibles lanzamientos de la moneda. Puesto que el número de caras es una variable discreta..+-\1L tenemos como se requiere l E(X) = ]lEtX.10 en unidades tipificadas: (5.96 en unidades tipificadas: (4.(área entre z : O y z = 2.96) :0.2704 : 0.7 4) (áre^ entte z : -2. Demostrar el Teorema 5-2.(.O27 : -2..pues.02)lO. tenemos por los Teoremas 3-5 y Var (X) -f vu.

00.8. las proporciones pedidas en unidades tip! 0.fn ficadas son.28 que concuerda con lo obtenido por el primer método. Teniendo esto en cuenta se resta 11 Z" = Al¡.74% de ellas con porcentaje de ca¡as entte AOVI y el . no concuerda exactamente.65\ : (área a la derecha de z : 0) .4857) : Aunquees:cresultadotiene dos cifras significativas. 0.6250 - 0. de 0. = .48 . (área bajo la curva normal entrez=-2.0456 (0.977 4 ttp=P:i=o. = 2.51720 del primer método.0040 -_ 0'6250 5.5 5.28 _ y 0.60.28y2:2. puesto que 5/8: - 0.60 5.6250.40 0.detamaño 120 cada una.50 = _2.5 .0. Así pues.117 l1 a 0. Aquí se consideran S00muestras.cAP.idad pedida = 2. Adviértase que (0.4960 : 0.60 + 0.28) 2(O.40 y se Buma .(áreaentre z : 0 y z : 2. Cada persona de un grupo de 500 lanza una moneda 120 veces. i:abe esperar el encontrar un97.40 72.0041 7.1. que 0'00417 0. 5l TEORIA DE MUESTREO ¡r: núrnero de ca¡ae esperado .00417) corresponden a las proporciones 47.00417) en unidades tipificadas Probabilidad pedida .00417) y (0.5 .uo ".s los posiblea l¿nzamientos de una moneda.28) 2(área errtre z : O y z : 2.5 en unidades tipificadas = - 60 72. puesto que L1240: 0.5/120 y (b) Empleando el segundo método de (o) se tiene. de la población infinita de todo.t9 yz : 2. (b) 518 o más de sus lanzamientos resulten cara? Este problema está estrechamente ligado al Problema 5.86 : (área bajo la curya normal a la derecha de z : 2.19 : 2(0.50 0.4887 ) : O.5 en unidades tipificadas = 72.I9 en unidades tipificadx: ffip z sí la probabilidad pedida es el área bajo la curva normal entre 0.0456 = 2.65) : 0.0r56 - 0.I9 : -2.8 se ha obtenido que todas las posibles muestras de 120 lanZamientos de una moneda.0456 40Vo enunidades tipificadas 60o1c -2.0041?-0.60+0.=1p= ^FY = 120 = 0.28 : : : Otro método.971. - 0. ¿En cuántos individuos cabe esperar que (o) el númoro de caras se encuentre entre eI 40% y el 60% desuslanzamientos.0'60 = 2. puesto que no se ha utilizado el hecho de que la proporción es realmente una r¡ariable discreta.np = rzo(!) = oo o= 47 \/"pq 47.9.48 Probai¡ . (o) En el apartado (o) del Problema 5.

ó 489 muestras con esta propiedad. (Esta proporción puede también obtenerse dándose cuenta que 101 o más indica mayoría.0352 L12n: ll40O: 0.02(0.170 TEORIA DE MUESTREO lcAP. (b) 1000 individuos elegidos aI azarde entre la población votante se hubiese obtenido una mayoría de votos para dicho candidato.21 (área bajo la curva nonnal a la derecha de z : l.0764. Este tipo de error es un rresgo que se presenta siempre que se trata con probabilidades.10.5025 o más. En ó00 muestras se puede esperar 97 .5025.-' 0.8 : - 1.o3_o. sería 100.5 o más.18 Probabilidad pedida : : (área bajo la curra normal a La izguierda de z 0.25 hobabilidad pedida : (área bajo la cu¡va normal a la derecha de z : I.0714 se : O.18) 0.s (o) 3% o más.14 = 20 0.25 y como antes la probabilidad pedida (b) {0.0'02 -: 0.5 y así la proporción sería 100. Los resultados de una elección demostraron que un cierto candidato obtuvo el 46% de los votos.0025.46)/0. : 2 personas se esperará que los 5/8 o más 5.8)12. se tiene (o. 1/800 0.50 + 0. También puede utilizarse el aegundo 5.00125) en unidades tipificadas 0'02 r 010q1?5 .00125. Se ha encontrado que el 2% de las piezas producidas por cierta máquina son defectuosas. En concepto continuo.57L4 Si no se hubiese aplicado la corrección.oo125)enunidadestipificadas=W=|. Determinar la probabilidad de que de (a) 200.0025 : 0.5025 en unidades tipificadas : (0. Otro méüodo. p0. una mayoría se obtendría en la muestra si la proporción en favor del candidato fuese 0.1056 Si no se hubiese aplicado la conección se hubiese obtenido 0.a es .5/200 = 0..0.11.={-= .0362: 1. (b) Razonando como en (o).5000 + 0.007 Mediante la corrección para variables discretas.7 4% de 500. como variable continua.5000. L/2tt.02 I 0.98) v = 400 _ 0. hubiese obtenido 0.0040) de sus lanzamientos sean caras.4G y ". (3% de 400 ) : 12 piezas defectuosas. Se sigue que en 489 individuos se esperaría que su número de caras se encontras€ entre eI 4O% y el 6O%.1056. método del apartado (o). (b) 2% o menos? PP'=P=0. se concluye que en (500X0.5000 - 0. 12 o más significa 11.489 : 1I individuos cabe esper:ü que su número de caras no se encuentre entre el 4O% y el 6O% de los lanzamientos.) Entonces. Es interesante advertir que en 500 . Tales individuos pueden razonablemente sospechar que sus monedas no están bien hechas aunque sí lo estén.5 en unidades tipificadas : " : {"w : (11. (2()'o de 400) = 3 Entonces 11..3869 :0.5 6OVo.26): 0.02 (o) y oP=tE= : 1/ 0.5025 Probabilidad pedida : .2t) : 0.5 y'1+oo)1onz)¡rsg : 2. 0. ¿Cuál es la probabilidad de que en una partida de 400 piezas sean defectuosa.p = :p = 0. pero ésta.1131 . (a) Puesüo que I.

(t) vr.q/n = y'd._u". = població n lJn = f. (f.-(e) ou".) nu.Ur) Fur-u.5025 en unidades tipificadas = ff*s : 0.6g) = 0. = media de La ]{S*?*8) = l. (o) (b) (c) Éy.]ESTRALES DE DIFERENCIAS Y SUMAS 5. Si se toman muestras al aza¡ de 125 bombillas de-cada fabricante.7 g ..4964 DISTRIBUCIONES MT.6l (b) pp TEORIA DEMUESTREO = p: 0. rnientras que las de otro fabricante B tienen una duración media de 1200 horas con una desviación típica de 100 horas... = varianza de la población I/' (3-6)2 + (7-6)2 + (8-6)z _ 33 a2u.0158. = mediadelapoblaciónU.a demostración del resultado general se deduce del Teorema g-7 . [.= \Ej7r-. Las bombillas eléctricas de ün fabricante á tienen una duración Lned.. (b\ pu. 6 r¿. = FLrt = 4Lrr. ofi._u. -3)2 + (3-3)2 + (4-3'¡z b L7 3 Eeto concuerda con el reeulüado general para muestras independient"" ou. = (2-3)2 * (4-3)2 =l ó ou"= l. sacado de (o) esto concuerda con el resultado general FLtr_uz= y (b).' Éiinz.iu. @)._ri.69 Probabiliüd pedida : (área bajo la curva normal a la derech¿ de z = 2. 8 y U2 lavariable de los elementos de lapoblaciín2.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 (U1.13. (b) 250 hóras más que las bombilhjde B? .46. 14 (d. o.. (f) n'u r- u" = mrianza de la población (U 1- U 2) (1-3¡z + (5-3)2 + Oo. Sea Ut la variable de los elementos de la población 3.cAP.ia de 1400 horas con una desviación típica de 2OO horas..5000 - 0.' ¡ecado dc 5... = t/f.12. (d) V @ ). ou.) o (e) . Calcular (a) *u.m=!T.0036 = 2.4. y 0.j ut-v2 (6-3)21(-. = varianzadelzpoblación U. ¿cuál es la probabilidad de que las bombillas deA tengan una du¡ación media que sea al menos (a) 160 horas. 7...46@Ba)/1000= 0.

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.

8.4. VARIANZA Y MOMENTOS PARA MUESTRAS 5. 5-12 muestra el polígono de frecuencias acumuladas u ojiva de los datos y los trata como si en esencia fuesen continuos.10 y 18 individuos registran una media de pesos de 162.. CALCULO DE LA MEDIA.10 N-^ EOU G' o :! . Método l.5. La Fig.5.10 Hzo o lzo A 0123456 Número de caras 6 0123.aparece para todos estos valores (indicado por la línea horizontal).0 o o É o C t{0 6 N^^ Eou o O . formados por 76. 153 y 140 libras. Hay seis 5.5 100. 5-9 y 5-10 de la parte (a).2.6. así por ejemplo.4.56 ó 1. 5-11 y 5-12 corresponden a las Figs. 1. Cuatro grupos de estudiantes. Entonces _ )/¡ n .8. dos 6.5-ll (c) La representación gráfica puede indicarse como en la Fig. L48. Nótese que las Figs. 2x It 5 qA +3 | fi + 5 + 4 + 5 + 2 + 8 + 6+ 5+ 4 + 8l.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?. dos 2 y tres 8. 5-12 Fig.8.3 + 4 + 5+ 4 + 8 1 2+ 5+ 4 20 =ñ:n'" Método 2. 5-11 o en la Fig. 5-11 es Ia más lógica para representar datos discretos. Hallar el peso medio de todos los estudiantes.31.0 3. 20.4.5.75.(6)(5) +(2)(3) +(2)(6) + r5)(4) I (2)(2) +(3)(8) 6+21-2+5+2+3 96 20 = 4.8 18.TEORIA DE MUESTREO Nfimero de lanzamientos Nfrmero de caras (frecuencia acumulada ) 0 Porcentaje de lanzamientos (frecuencias acumuladas porcentuales) 0.2 52.3.6.2ol.32.2. dos 3. 5.4. respectivamente.23 caras.4 81 .6.1 Número de caras Fig. el porcentaje de lanzamientos en los que haya menos de 2 caras es igual aI porcentaje en las que haya menos de 1. de modo que eI mismo porcentaje l8. Hallar la media aritmética de los números 5. . La Fig.4. cinco 4. 5-12.3.8 5.

5.. Adviértase que todos los estudiantes con estaturas de 60--62 pulgadas.ffiq = 6?. Técnicas breves se encuentran disponibles para disminuir el trabajo en tales casos.)" = 67+ (i%). 67. etc. La solución puede ordenarse como se indica en la Tabla 5-10.35. XYZ. la es La solución se indica en la Tabla 5-9. se consideran como teniendo estaturasde 61. es igual al tamaño de intervalo de clase c multiplicado por algún entero u¡. 63-65 pulgadas.33.180 sfn TEORIA DE MUESTREO lcAP. Entonces la desviación de. Utilizar la fórmula clave del Problema 5..t yaque n=2f¡.34 para hallar la estatura media de los 100 estudiantes de la Universidad XYZ (véase Problema 5-33). es decir r¡ -o:cltj óx¡: a *cu. Derivar la fórmula clave (27).página 164. 5 = 150 libras 5. 18 tienen una estatura de 64 pulgadas. si 5 tienen una estatura de 61 pulgadas. etc. alcú" 2f¡u.¡ (tambiénescrito brevementecomor =a I cui. por ejemplo. Elproblema entonces se reduce a encontrar la estatura media de 100 estudiantes.r¡ con respec[o a alguna marca de clase determinada a. El método se denomina el método claue y debe emplearse siempre que sea posible. -.35.o.45 pulgadas Los cálculos involucrados pueden conveitirse en tediosos. 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 >/ - + .rj.45 pulgadas . Véase Problema 5. xj . = a*c! )/'rr' .. especialmente para los casos en los que los números son grandes y hay muchas clases. etc. )/'(o*crr¡) = o>f. Denótese la clave de marca j-ésima por ..64. La media está dada por fi _ 2f¡r¡ = = nnnn.34. )fu = l5 u = "*(?t. pulgadas. Utilizar la distribución de frecuencias de estaturas en la Tabla 5-2. T abla 5-lO 5. para la media aritmética. pígina 163. para hallar tatura media de los 100 estudiantes de la Universidad.

20 .34 tenemos ri = a + cui y ft = a*c'" 2f. = a*cú' t¿ .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.6 (libras)2 : \6bS libras : 8. . Del Problema 5.45 2.92 pulgadas 5. Hallar la desviación típica de las estaturas de los 100 estudiantes de la Universidad XYZ Véase Problema 5.z - 2 f(r . Tabla 5.8):¿ + 3(8 - 4.33. " 2f(r-r\2 _ n 6(5 .36.5025 30.45 4t. HaIIar Ia desviación típica de los pesos de los estudiantes del Problema 5.31. aír 20 Méüodo 2.31 tenemos ú = 4.9025 208.7500 f(r TL n\z 852. Derivar la fórmula clave (28).rlgadas. para lavarianza. (o) Método 1.32.11 Estatura (pulgadas) Ma¡ca de clase 61 r r- r-r = 67. Como en el Problema 5.4200 n=)/=100 2 2f(r-ñlz= 852.4.10 libras. donde hemos utilizado el hecho de que las 5.Do 18 42 27 8 0. : y'Gb.5050 I¡D.39.37.45 lr - fr)¿ Frecuencia 5 / f(r ñ\2 60-62 63-65 66-68 69-71 -6.r\2 n 15(162.55 o. Entonces n20 _ 59.45 pr.36.2025 6.38.20 20 2.u.8)2 _ (b) De (o\.2460 8.8)2 = 2QA (2_20 4. [.0L25 214.DO'O 64 67 70 73 -3.33.8025 72-74 246.6025 11.cAP. 5. x: 67.7500 100 = {dEfB = 2. página 164.45 -0. Hallar (c) la varianza y (b\ la desviación típica para los números en el Problema 5. = +:q = 65'6 en unidades libras cuad¡adas o (libras)2 .96 y "-rfzs6=1. Como en el Problema 5. 5l TEORIA DE MUESTREO 181 5.a solución puede ordenarse como se indica en la Tabla 5'11. s2 = 59.8.

41. : }> f . b = f.33.39 para hallar la dewiación típica de las estaturas en el Problema 5.u.az¡ n \n /l = ta)'f-re? / rs Vl = Ltoo-\t*/J ^ ó'b-275 y s: 2.- o¡. Esto nos permite halla¡ 6.L82 Entonces s2 TEoBTADEMUEsTREo [cAp.-a¡z i) = "i 2 ¡ .\t 't t l = = "._ "o¡. Utilizat la fórmula clave del Problema 5.f!n'LN c2[u2 (. cr¡atro momentos con respecto a la media para la distribución de estatu¡as Continuando el método del Problema 5. 2 't t f.u? = ¿2 ¿2 * . = ¿2. 2lu=75 )fqz = 97 lalEr lo-s primeros del Problema 5.o.1"u.u? -t t - C2[ /2f.35. + tlz) 2xt = *2 : t.40 obtenemos la Tabla 5-13.40. + c2úz *> r.33. La solución puede ordenarse como se indica en ta Tabla 6:12.'1 \fu/J _ ú2]l 5.> f ."? -'#2 2ú2c2 r¡u.'r".{r. De la frltima columna tenemos ¡ como en el Problema a2 = "rfL>l!'./¡¿)'l = ¿21¿ .92 pulgadas.<"? . 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. Tabla 5-13 fi u f o 18 42 27 8 Íu -10 -18 0 fu2 fux fua 80 18 0 6t 64 67 70 73 -2 -1 0 1 '20 18 0 -40 -18 0 27 16 27 32 27 64 27 2 L28 2 fu+ z= )/: 100 2fu=16 2fu2:97 I/aa:33 -- 253 .f ¡@.jú.

EO notación de la página 165.15)(0.33. lttt = ffi2= ffi3= 0 0. . 27. OL. 46 resultan en'estatu¡as de 70. Entonces extraeremo8 nl¡meros muestrales de la tabl¡ de nf¡meros aleaüorios (Apéndice I). Cada Nf¡mero Estatura n(rmero de estudiantes se denomina número'muestral. Hallar los coeficientes de (o) sesgo y (b) curtosis para la dishibución de estaturas del Problema 5.nL¡ = ca(M't.4MiML+ 6M'r2ML- BMin) 81[2.15)2(0. que tomamos como 67 pulgadas (la marca de elase)..41. 46.cAP.^=>+=2. utilizando La TEORIA DE MUESTB. cada uno de los cuales determina la estatu¡a de un eetudiante determinado. ffi2=s2=8. (o) DeI Problema 5. Asf los 5 estudiantes con esüaturas 60-{2 Tabl¡ 6-14 pulgadas s€ numeran 00-{4. (c) Comparar los resultados de (b) con los valores teóricos.6275 B(0.88 "z1ML- 8. Así 51 conesponde a un estudiante con estatura 66-68 pulgadas. De (D) yemos que e8 menoc apuntada que la dishibución normal (que tiene un coeficiente de curtosir: 3). etc.41.9?) + z(0.6l Entoncee.53-4(0.. (b) Hallar la media y la desviación típica de la distribución muestral de medias en (o).14 m+ Entonces = 199.3?59 5. -0. fflg = p: { (8.5275 Entonces mB = -2. 99 (véase Tabla 5-14). 02. (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 27.6982 . 40.67 pulgadas respectivamente.97) -3(0.6932 a3 Coeficiente de eesgo = a.5275)3 (b) Del Problema 5. (o) Emplear dos dígitoe para numerar a cada uno de los 100 estudianües: 00.33) + 6(0.3759 ffiz:s2=8.3759 qa-szrgy _ 6 al = z't+ De (o) vemos que la distribución está modetadamente sesgada a la izquierda.15 ML=Zy = o. Del primer renglón hallamos la secuencia 5I.53 M'r') = 9[0. explicando cualquier discrepancia. (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. que tomamos como n(¡meros muestrales aleatorios.15X0. .5275 rttt Coeficiente de cu¡tosis as=E = : 199. etc.. 7'1. 67.42.(0.43. tenemoe 183 M] = >fu n = 0.1b)B] = -2.97 M.1s)2] = ca(ML-gLI|Mi+ zM'Lz) = 2?[0.9? .15)41 : 199.BB Mí= >fu2 n y de (32). los 18 eetudiantes con estaturas 63-65 pulgadas se numeran 05-22.. PROBLEMAS DIVERSOS 5. En forma semejante 77.

91.36 08. 70.5 Por eete proceso obtencmo¡ l¡ T¡blr Fló quc rnue¡tra lo¡ n(¡mcro¡ mue¡trale¡ extrafdor. 70.93 5. 67.50 68. 13. 3 14 16 4 I l.84 64. 11. 67.67 64. 64 67.24. 07.0L. L¡ medi¡ y la derviación tfpica ee obtienen como es usual por los métodos claves delcrito¡ anterbrmeuüe. 90.69.25 67.00 64.70 7. 59.00 extnfdo¡ Estatr¡¡as corespondientec 64. 73 67. 67.82.77.70. 10. 45. 67.74.25 Cl¡enta Í 1 u fu fu2 16 0 8 6 0 2 ñ( /t/t )#{ 6 4 A a+67.22.50 68.83.31. 64.00 -4 -3 -2 -1 0 1 -4 0 -4 -6 0 0 4 / 28 45 16 23 d D .73.184 TEORIA DE MUESTREO lcAP. ?1.50 66. 70 67. 67. 86 6.00 70.54. 60. 68. 67. 73. 67.25 69. tt. 70.6r. 67 23. 70.08 12. 12 3. 67.75 67.64. 67.64.75 65. 19. 65. 67 70.67. 31.00 (0'75)(23\ = * 'ñ- 67'58 Pulgadaa 2fuz />1"\' n -\ i " (0.75 66. 70 6L. 67. 6L.09. 21.64. 67 70. 56. 64.58 9.28.00 66.50 68. 53.50 65. 06.97. 64. 40.64.75 68. 67 67. 67 Ír¡f¡f media 66. 67. 70. 67.46. 67.2L.25 68.70.04.98.58.6L. 70.25 69.25 64. 05. 56. 64 70. 19.70 medi¡ 67. 15.fu. 76. 73. 6? 15. 56.75 69. = 2 fuz = 123 (b) IÁ Tabla 5-16 da I¿ di¡tribuci6n de ftecuc¡rci¡¡ dc I¡ media muestral de las estaturas obtenidas en (o). 67 29.25 65.52 13.96. 67 64. 87 fl.99 23. 67. 73. 70 73. 96.02. 51.25 68. 67. 39 13. Esta ee una distribución mucet¡al de mediu. 64.70 70.57.62 4. 43 1f.64.70.00 68.25 67.'7L.44.08.25 67. 67.60 67.87 26. 45. 34.79. 16.64 73. 70 64. 67.32 8.00 67.75 69. L2. 67. 67. 70 64. Medi¡ = a*cú Derviación = o*c2fu típicr = = e - 6?. 51. 63.28.25 66.23. 55. 10.70 Trbl¡ 6-16 Media muestral 64. 46 2.8s 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. g8 25.30 58. 67.73 67. 03.50 67. 61.54 2:2.97 24.33. 70.42. 58 70.79 70. 73.70.25 69.96. 70. 20. 64 67.24 64. 67. 30. 64.00 66.64. 67 70. 07.03.64. l. 64.ón dc l¡ trbl¡ de nl¡rncro¡ dcatoiio¡ h¡brfrmo¡ podido inici¡¡ en eualquier parte y escoger cualquicr patrón dctetmindo. T¡bh 6-ró Nf¡meros muesFale¡ Est¡twr¡ o- E¡la+ Nfrmeros muestralea extrafdo¡ rrcqrondieatcc 67. 18 70. 67. 67 64. 73 67. 73. 67 70.2L 10.f = n 30 4 ). 98. 67 . 70.74.50 1.93 27. 42.91. 1t. 58. 67.27.50 68.93. 64.50 66'. 81. 21. 93.00 67.67 67. 73.91. 67 67.41 pulgadar . 75.50 69.50 79. 33 m.93 14.76) = 1.73 73. 70.41.25 70. 67.

Hallar (c) la media y (b) la dewiación típica de la distribución muestral de las dewiaciones típicas.58 pulgadas de la parte (b). Puesto que o/t6':2.' ¡p¡ a*)"lJ'"-r. estamos de acuerdo con el valor de 1.f 'LJ" f t@ta*l'/t. pfuina 162. por tanto el porcentaje pedido es 2.4772) = 0. ¿Qué porcentaje de las muestras del Problema 6. Una muestra de Por 6 observaciones se hace aleatoriamente de una población.5l (c TEORIA DE MUESTREO 185 ) es t a media teórica de la distribución muestral de medias.0 libra¡ en unidades típicas: (11.0)/0. 5.8libras? La distribución mueetral de desviaciones típicas es aproximadamente normal con media 10.. ¿Cuál es la probabilidad de que las dos últimas observaciones sean menores que las primeras cuatro? Suponemos que la población tiene función de densidad f(xl. La desviación típica de los pesos de una población muy grande de estudiantes es de 10.46. ¡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 €.46 pulgadas.33).4918) : 0. 5.0.8 .92 pulgadas (véase hoblema 6.8 libras en unidades típicas : (8.50 libras.l' ra.10.) ps: o = ts=-' o 10. de (b) 8. de acuerdo. Podemos considera¡ que el muestreo es o de una población infinita o con remplazamiento de una población finita.?d L -r. /(r) tr. 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) . El área bajo la curva normal a la izquierda z : -2.0 . El área bajo la curva normal a la derecha de z 2.con el valor de 67. Las discrepancias se deben a que solamente 30 muestras fueron seleccionadae y el tamaño de la muestra fue pequeño.t. es ig¡ual. es igual a o/y'[.45.) au .0 libras.40) y el tamaño de la muestra n : 4.1 aJ.cAP.0 lb ( lr) \/2" + = 0.0.a a.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. (b) menores que 8.r. (a) : 11. .".0 libras. Í:-lÍ.0.3'/'..0y0..50 : -2.5 . De la Tabla 5-1.4 es (0.t J.45 pulgadas (vóase hoblema 5. dada por o*.g2/fi = 1.4. ) ea el producto de (1 ) y (2).0 es (0.0 libras y desviación típica 0. Se escogen muestras de 200 estudiantes de esta población y se calculan las dewiaciones típicas de las estaturas de cada muestra.10.r . tenemos: ( ¿[.41 pulgadas de la parte (b).5 .a la media poblacional ¡r que 67.0082. donde la dewiación típica poblacional o = 2.0228. La desviación típica teórica (error típico) de la distribución muestral de medias.50 : 2. dada por a¡. Entonces la probabilidad de que las primeras 4 sean rnayores que ü y las 2 últimas 6ean menores que u es decir - nc. esto es Q\ (r) f" sean .44.50Ib v400 5.8%. por tanto el porcentaje pedido ec 0.44 tendrían dewiaciones típicas (o) mayores que 11.

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

(b) sean rnayor de 22. Hallar (o ) la media poblacional." +a¡v = a N 02..37 onzaa.LL.51. Encontrar (c) v (d) directamente de (c) y (b) mediante las fórmula¡ 5.49 si el muestreo fuese sin remplazamiento. (c) sean menor de 22.(.a7 @). ¿en cuántae de lag mue¡tras aleatoria¡ cabe ecperar que sus medias (a) ertén enl'l.42 onzae.f x"\ D p (. 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. (c) la media de la digtribución mueshal de medias.. NÉ y la primera suma en el lado derecho er igual por definición.(n_'.p) = -Noz r \ -2 'r' X¡) = . (b ) sin 6.á var(X¡) * . Por tanto I+v:l Cov (X¡. remplirzamiento.rlo s 6.iE(x)+"'+E(x")l 1 =1 n (p -r "'+p) donde hemoe empleado el Problema 6. En el Problema 5.49. el lado izquierdo e8 cero.40 onzas y dearriación tfpica 0.4L onzas? y 22. Resolver el Problema 5.62. Considerar toda¡ lae posibleamuestrasde tamaño dos que pueden extraers€ de esta población con remplazamiento.á.N-1J '¿\N-1/ Problern DISTRIBUCION MUESTRAL DE MEDIAS a.6l TEORIA DE MUESTREO En esta ecuación.39 onzas.N\N-rl' 't/ 5.048 onza¡.Ét ". ya que por definición a1 187 -la2+'.51 si la población 5e compone de 22 cojineter.51. cov(x¡.N-1 ^' .50. (b ) la dewiación típica poblacional.cAP. Demostrar que (c) la media y (b) la varianza de la media muestral del Problema6. g (o¡ - p)(o. Resolver el Problema 6.Ét suplernenta.¡ = . adecu¡das. Una población est6 formada por los cuatro nfrmeros 3.1'". 15.4L .( rr-:--r l(-. 5.' " ) = .e 22. = p (b) Uüilizando loe Teoremar 3-5 y 3-16 (generalizadoe).7.47 están dadas respectivamente por t*= (o) E6) = "1 =*"(x=) /X' +.) = #[. (d) ¡ean menor de 22. y el Problema 6-4?. Loa peeos de 1600 cojinetes de bolas se distribuyen normalmente con medla 22.. ó.(-r¿_ i)] = Lfr-"-rf = 4(N-"\ nl.38 o mayor de 22.x¡)] = #ú* *. obtenemos var(x) = Sv^.48. .53. Si se erüraen 300 mueetras de tamaño 36 de e¡üa población. (d) la dewiación típica de la distribución muestral de media¡.

54 si la muestra extraída ee de 64 tubos. (b) menor de 785.56. comprobar que .57 si se consideran 100 en lugar de 200 niños resultados.6t.R o I en las proporciones adecuadas.62. Si U¡ y U2 son los co¡r¡\ntos de nhmeros del Problema 5. ¿Cuáles son las probabilidades del Problema 5.69. 5.63. 6. (c ) el 63"h o más sean niñas? Resolver el Problema 5.188 TEORIA DE MUESTREO lcAP. Hallar la probabilidad de que en dos muestras aleatorias compuesta cada una de 200 votantec. Los resultados de una elección mostraron que un cierto candidato recibió el 65% de los votos. respectivamente. formados de 28 y 36 eetudiantes.66.59. ¿en cuántas cabe esperar (a) igual número de bolas rojas y blancas. (c) más del 640/o sean niños. 5. rojas? 5.12. (b ) entre el 4O% y el 60% sean niñas. 6. Supónganse iguales las probabilidades de nacimientoe de niño y niña. Hallar la probabilidad de que una muestra aleatoria de 16 tubos.6 6.64. (b) 98 o más bombillas buenas? 5. (b) 6 o más puntos. Un fabricante despacha 1000 DISTRIBUCIONES MUESTRALES DE DIFERENCIAS Y ST'MAS 5. A y B fabticzn dos tipos de cables. 5.57. sacadas de la urna con rempliazamiento. Lo mismo del Problema 5. (c) mayor de 820 horas. (d) enhe ??0 y 830 horas.6?.nedias a larotura de 4000 y 4500 libras con desviaciones típicas de 300 y 200 libras.60. haya una diferencia superior al1^o"k en las proporciones que votaron por dicho candidato. ¿Cuál es la probabilidad de que las dos coleccionee difieran en 8 o más bolag Resolver el Problema 5. En lugar de bolas rojas y blancas. Si normalmente el 6Vo de las bombillas es defectuoso. 5.55. (c) entre 2 y 5 Una urna tiene 60 bolas rojas y 40 blancas. que tienén unas registencias .54. En una prueba de aptitud puntos? la puntuación media de lo¡ estudiantes es de ?2 puntos y la dewiación típica de 8 puntos. 5. 5.' ¿Cuál es la probabilidad de que dos grupos de estudiantes. Explica¡ la diferencia. respectivamente.66 si las exüracciones son sin remplazamiento al obtener cada colección. (d) 10 o más bolas blancas? Dseña¡ un experimento que ponga de manifiesto los resultadoe del Problema 5.5t. llallar Ia probabilidad de que de los próximos 200 niños nacidoe (o ) menos d.60. De un total de 1000 muestras de 200 niños cada una. Los pesgs de los paquetes recibidos én un departamento de almacenamiento tienen una media de 300 libras y una desviación típica de 5O libras. Ciertos tubos fabricados por una compañía tienen una duración media de 800 horas y una dewiaeión típica de 60 horas.63 si se comprueban 100 cables de cada fabricante? Explicar las diferencias. tomada de entre ellos tenga una duración media de (a) entre 790 y 810 horas. (ó) al menos 450 libras más que A? 5.65. ¿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. ¿en cuántas cabe esperar que (o) menos del 4OVo sean niños. ¿Qué enores pueden introducirse al utilizar dos conjuntos diferentes de monedas? lotes de 100 bombillas cada uno. y explic. ¿en cuántos lotes cabe esperar (o) menos de g0 bombillas buenas. Se extraen dos cotecciones de 30 bolas cada una con remplazamiento y s€ anotan sus colores. (b) l2 bolas rojas y 8 blancas. difieran en su puntuación media en (o) 3 o más puntos. (c) 8 bolas rojas y 12 blancas. que es de 8200 libras? DISTRTBUCION MUESTRAL DE PROPORCIONES 5.el 4Oi'o sean niños. sob¡e las que se escrriba la inicial .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. 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. 5. 5. (ó ) entre el 43% y el 57% sean niñas.61. se pueden usar hojas de papel.

Si se extraen muestrae de tamaño 5 de esta población. (b) el error tfpico de varianzas.999 300 1000-1099 1100-1199 las 600 horas.3?6 < ? 1. Una en tanto que muestra de 8 bombillas se toma de A y 16 de 8. (b) mayores que 20.399 400 . De acuerdo con la tabla de distribución ú de Student para 1 grado de libertad (Apéndice D) tenemos P(-1 < 1) : 0. = 5.54 libras. A y B fabrican bombillas.72.74.376) .48.899 900 . (h) Porcentaje de tubos cuya duración no sobrepasa .82. = 1. (e) Tamaño del intervalo de clase. ¿Cuál er la probabilidad de que cuatro de estas baterfas conectadae en serie tengan un voltaje conjunto de 60. Tabla 5-17 Duración (horas) 5. (b) ambas b0 horas. 6 Frecuencia de Ia cua¡ta clase. Con referencia a esta tabla determinar: (¿) f 'ímite superior de la quinta clase. una distribución ú de Student con r. hallar (o) Ia media de la distribución muestral de varianzas. (c) Marca de clase de la séptima clase.49 se confi¡man utilizando (a) P(-1 < f < 1) = 0.tr*Lrr: ru. 5.05 y 0.0.75. (b) se encuentre enüre 50 y 70 horas.05. DISTRIBUCION MUESTRAL DE RELACIONES DE VARIANZAS 5. la de la segunda. Hallar (o ) la media y (b ) la desviación típica de la suma de las cantidades.01. página 161. (d) Límites reales de la última clase.?6.0 voltios y la dewiación tfpica 0.0. TOTAL 400 . Verificar si los resultados del Problema 5. (b) Límite inferior de la octava clase.70.8 o másvoltios? DISTRIBUCION MUESTRAL DE VARIANZAS 6.97 y 62. 6.i se confirman por este valor y explicar cualquier diferencia.50.60.35.2 voltios.46 y 0.72 ei el muestreo es sin remplazamiento. referencia al Problema 6. o menor que 0. Se pesan tres cantidades dando 20.599 600 . Verificar si los resultados del Problema 5.cAP. Dos muestras de tamaños 4 y 8 se extraen de una población distribuida normalmente. ¿Es la probabilidad de que una ttarianza sea mayor que 1. La duración parz A tiene una desviación de 40 horas la duración de B tiene una desviación típica de 50 horas. Determinar la probabilidad de que la varianza de la primera muestra sea mayor que (o) dos veces.80 si las desviaciones típicas de las duraciones son (o) ambas 40 horas. Número de tubos L4 46 58 76 68 62 48 22 6 Solueionar el Problema 5. La Tabla 5-17 rmuestra una distribución de frecuencias de la duración de 400 tubos de radio comprobados en la L & M Tube Company.79. entie 0.54 libras con dewiacionee típicar de 0.77.78.5 veces la otra mayor que 0. Reeolver el Problema 6.E0. para diseñar una tabla de distribución f de Student como la dada en el Apéndice D.71. Una población normal tiene una vari¿nza de 15. respectivamente.799 800 . Con 6. y Se halla que CASO DONDE SE DESCONOCE LA VARIANZA POBLACTONAL 5. 6. DISTRIBUCION DE FRECUENCIA 5.50. ?s 6.699 700 .5I TEORIA DE IIIUESTREO ttur2 189 (a) 4.21. ¿qué porcentaje puede tener varianzas (a) menores que 10.01? Dos compañías.tubos aleatoriamente hallar la probabilidad de que la dewiación tfpica muestral (o) no exceda a 50 horas. (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. donde ? tiene. (b) ou1+ur = \Grtr. (b) 7. Si se seleccionan 10 .499 500 .2 veces. I 6.8f .73. (g) Flecuencia relatir¡a de la sexta clase.49. ó. Explicar cómo podría utilizar el Teorema 5-7. (ó) P(1. El voltaje medio de una baterfa e¡ de 15.

735 0.83.52.t4.742 0. 0.724 0. 0.95.55 segundos. ó. 5-18 niuestra los diámetros en pulgadae de una muestra de 60 cojinetes de bolas fabricados por una compañía.82 con duraciones de (o) menos de 560 horas. DESVIACION TIPICA Y MOMENTOS PARA MUESTRAS 6. CALCULO DE LA MEDIA. La Tabla dos.734 0. 5. 0.82. (c) entre 0. respectivamente.746 0. O.321. (b) 9?0 o mág Los diámetros interiores de las arandelas producidas por una compañÍa pueden medirse con aproximación de milésimas de pulgada. (d) una ojiva porcentual. Comparar estos resultados con los obtenidos directamente de la colección de datos de la Tabla á-18.330.89 determinar el porcentaje de cojinetes de bolas que tienen diámetros (o) superiores a 0.732 0.737 0.725 0.72t 0.740 0. (b) una distribución acumulada relativa o porcentual.327.96.74 y 82.738 0.739 0.736 0. (i) una ojiva porcentual.49.0.?36 0. Deüerminar el tiempo medio de reacción del individuo a los estÍmu- 6.736 0. correspondientes a la distribución de frecuen- 5.86. ?6.729 0.E5' Para los datos del Problema 5. 82 y 96.731 0.735 0. (e) un polígono de frecuencias relativas.(a) el tamaño de intervalo de clase. (c) Si las ponderaciones asignadas a cada asignatura rcn 2.742 0.63. (c) di¡tribución de frecuencias relativas. ee¡ie de nfimeros está formada a¡itmética ? por seis 6.726 0. ocho 8.735 0. 4 y 6.740 una 5. 0.88. Las calificacione¡ de un estudiante en cinco aeignaturaa fueron 85.?30 y 0.324.88 consüruir (o) un histograma. Resolve¡ el Problema 5. nueve 9 y diez 10. Una 6.736 0.?30 0.0.736 0.732 pulgadas.92.89. Porcenüaje de tubos cuya duración es al menos de 500 horae pero menor de 1000 horas. (c) los límite¡ de clase. Para los datos del Problema 5. 6.735 0.728 0. Con log resultados del Problema 5.733 0.732 0. horas.744 0.333 y 0. Hallar la media a¡itmética de dichas calificaciones.734 0.735 0.731 0. siete 7.128 0. (b) los límites reales de clase.63. (b) un polígono de frecuencias.736 0.?30 0.0.5 5. ¿Cuál es ¡u media Las calificaciones de un estudiante en las tres asignaturas del curso fueron 77.732 0. "de"*- Tabla 5-18 0. (b) no superioree a 0.?39 0.738 0. Estimar el porcentaje de tubos del Problema 5.729 0. Los tiempos de reacción de un individuo a determinadoe estímulos fueron 0.737 0. 0.90.733 0. ó. 93. Construir (a) un histograma y (á) un polígono de frecuenciae ciaa del hoblema 5.46.735 0.82 construir (o ) una distribución de frecuencias reliativas o porcentual.44 los.738 0.743 0. (d) un histograma de frecuenoias relativas.737 0.82 construir (o) una distribución de frecuenci¿s acr¡muladas.94.?36 pulgadas. 5. (h) una ojiva.91. lcAP.746 0.740 0.739 0.735 0.730 0. sue clasee . (b un ) histograma de frecuencias relativas. Con los datos del Problema 5.89 para los dato¡ del hoblema 5.735 0. y 0. 0.733 0. (c ) un polígono de frecuencia¡ relativas. 5. (f) una distribución de frecuencias acumuladas. hallar. ¿cuál es el promedio adecuado para sus calificaciones? (b ) ¿Cuál sería si todas las ponderaciones son iguales? 6.87. (c) una ojiva.190 (i) (j) TEoRTA DE MUEsTREo Porcentaje de tubos cuya duración es mayor o igual a 900 horas.734 0.78 y 89. respectivamente.732 0. Construir una distribución de frecuencias de los diámetros utilizando intervalos de clase 5.734 0.732 0.?38 pulgadar. (c) entre 620 y 890 horas. Tles profesore¡ de economfa regieünron una ealificación media en sus eiámenes de 79.727 0.741 0. (g) una distribución acumuhdá porcentual.93.50.741 0.82.386. Si las marcas de clase de gna distribución de fiecuenciaa de estoe diámetros vienen dadas en pulgadas por los números 0.

11 .?276 0. . 6.0.7253-0. 5.7255 0.2 TOTAL Í 98 75 56 42 30 21 15 11 6 compañía. ó. 7.7280-0.7258 0. 12. Hallar la desviación típica de los número¡: (a) 3.7268-0.5l estaban formadas por 32. El salario medio anual pagado a todos los empleados de una compañía fue de $6000. 25 las clases.4.2 10.7249 0.6. ' 164.0. (b) 3.7259-0.0.104.7264 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. . (b) el método clave.102. L7.7250-0. Demostrar que ¡as dos series tienen lae mismas desviaciones tfpicas.726L 0.8-L3. i) 5.106.7267 0.7 10. (c) 0.4.2.7 L2. 10. Determinar lacalific¿ciónmediaparatoda8 5. 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.7.6.3-L2. L.6.9.7279 0. respectivamente.6.8-10. Determinar el porcentaje de hombres y mujeres empleados en la compañía. (b) el méto' do clave. (c) nfimeros de los apartado¡ (o) y (b)? ¿Cuáles 8on lias relaciones entre las desviaciones típicas y las medias de las dos series? lo¡ ¿Qué propiedades de la media y de la desviación tfpica se ponen de manifiesto por lae series de 6.8.3- 9.100.6.2 11.5.103.1273 0. (o) Sumando 5 a cada uno de los nl¡meros de la serie 3.0.3-10. 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. Calcular el diámetro medio. Hallar la dewiación típica de la serie de nl¡meros de la progreeión a¡iümética 4.4. para los daüos de la Tabla 6'20 empleando (o) el "méüodo largo".98.7252 0.7274-0.99.7.22. 1. Log salarios medios anuales pagados a hombies y mujeres de la compañía fueron $á200 y $4200. Calcular la media de los datos de la Tabla 6'22.8-r2.7247-0.5.6 se obtiene la s€rie 8.7256-0. . 1' 1' 5..98' (b) 6.2.2.7282 TOTAL de de Sfmenos de 36-menos de 40-menos de 16 L2 30 36 40 45 I o 2 TOTAL 54 250 6.6por2ydespuéssumando6seobtienelaseriell.101.cAP.1. Determinar la media de la carga máxima empleando (a) el "método latgo".?.g?.3-11.99. pero diferentes medias. TEORIA DEMUESTREO 191 y 11 estudiantes.2. Tabla 6-19 Carga móxima Nl¡mero de cableg (toneladas cortas) 9. 2.7 t2 17 l4 6 3 1 Tabla 6-2O fr 11.7271-0.7270 0.7 .8-11. 1. ¿Cómo están relacionadas las medias? (b) Multiplicandocadaunodelosnúmeros3. reqrectivamente.7. 15. tlalla¡ la dewiación üípica para las distribuciones del (o) hoblema 6. Halla¡ i 9.7277-0. Tabla 5-21 60 ó.7265-0.7. 19. 10' L6.262-0.2 624 2 462 480 498 516 534 552 570 588 606 12.2.

5.123. Hallar (a) la media y (b) la desviación típicaparaladistribucióndelProblema de los resultados obtenidos.102(c).. 5'121.L22. = nt. 5. 5. 14. (f) s.gg.lOO.121. Si loscuatroprimerosmomentosdeunaseriedenúmerosrespectoalpunto3sonigualesa-2. (c) nt3. (a) Demostrar que . teóiicos esperados. determinar los correspondientes momentos (o) respecto a Ia media.mt. (b) mz.111.(b)curtosisparaladistribucióndelProblema5. 5 5.98. - ?n: - 1m'rm! * l}m'r2nt!.111 y 5. Hallar (a) ntr. 3. (b) curtosis para la distribución del Problema 5.g. 1.f 07.111.108 para los datos del problema 5.2_ Bm. Los momentos de segundo orden con respecto a la media de dos distribuciones son g y 16. (b) segundo. 5. la fracción p son unos mientras que la fracción q : 1 p son ceros. (a) De un total de n números. S. Hallar el coeficiente de (o) sesgo.1 y -12.126 son 230y 780 respectivamente.127.-Btnini l2m'rs. (D ) Derivar una fórmula análoga par^rns..124. (b) segundo. la distribución del Problema 5. - l}rnlstn" * 4n.t s).101. Si el momento de primer orden con respecto al punto 2 es igual a 5. (a) Hallar la media y desviación típica para los datos del problema 5.0. l. ) Construir una distribución de frecuencias para los datos y hallar la desviación (c) Comparar el resultado de (b) con el de (a). 5. Hallarelcoeficientede(c)sesgo. ¿cuál es la media? 5. 8.108. @¡.116. Calcular los primeros cuatro momentos con respecto a la media para la distribución de la Tabla 5-23. si la distribución fuese normal.r5 1. Demostrar que la desviación típica de La serie de números es fi. Hallarloscuatroprimerosmomentosconrespectoalamediadelosnúmeros0. (c) tercero y (d) cuarto orden respecto al punto ? para los números del Problema 5. mientras que los momentos de tercer orden con respecto a la media son -8. De un total de n números.1. 5.g. .1 . (b) respecto al punto 5. y (i) (i+ rFpara 5. (c) respecto al origen. (c) lrq . Hallar los cuatro primeros momentos con respecto a la media de los números de la progresión aritmética 2. ¿Qué distribución está más sesgada a la izquierda? 6. Lo mismo del Problema 5.98. Hallar (o) m t . y comentar las diferencias observadas.114. t¡l F. la fracciónp son unos mient:'as que la fracción q : 1 -p son ceros.f f O. Calcular los cuatro primeros momentos con respecto a la media para la distribución del Prol¡lema 5. k) ¡¡.. "on 5.30explicandoelsignificado 5. ¿Qué distribución se aproxima más a la distribución normal desde el punto de vista de (a) apuntamiento. (b) segundo. Tabla 5-23 f t2 t4 16 18 5. Aplicar el resultado de (o) al Problema b.-2bybO. 17. a la media de 5.113. tt. Hallar los momentos de (o) primero.111.126. Hallar los momentos de (a) primero.1!2. (c) tercero y (d) cuarto orden con respecto los números del Problema 5.llE. Comparar con el problema b.2g. (t l3s)? (c) Comparar los porcettajes'de (b) lo. comprobar las relaciones entre momentos (a) mi2.11g. (c) tercero y (d) cuarto orden de los números 4. 6. (b típica.¡nz = ml- 5'115. (l).r5. l.722. Los momentos de cuarto orden respecto a la media de las dos distribuciones del Problema6. @') mt y (d) ma para los números. Con los resultados de los hoblemas 5. 5..117.+. 5.L92 TEORIA DE MUESTREO lcAP. (t t 2s). tlallar los momentos de (o) primero. (b) m.125. 5'112. (b) ¿eué porcentaje de diámetros se encuentra entre (r1 . I 4 o 10 7 5.1o6.8 respectivamente. 11.nl_ thnirni+6ml2rn. (o) Hallar la desviación típica s de los diámetros de los remaches del Problema b. 20 22 2 AI.li.109.. 5. 5.10.l F. 30 5. 5.120. (b) rr. (b) asimetría? .119.0. Véase Problema 5.

tno = ñ(n2-l\3n2-7'td4 CompararconelProblema 5.6l PBOBLEMAS DIVEBSOS TEORIA DE MUESTREO 193 5. . ¿Cuál es la probabilidad de que lae primeras tres obgervaciones sean mayores que las'últimas cinco? ó. Demostrar el resultado (I9).a*d..134.129 si la medi¿na de duración es de 900 horas. 1z+22+32+".aI progresión aritmética con primer término o y raz6n d) erlt6 dada por tl1-2 (n2 Dd2 .fsugerencio: Utilizar - l+2+3+.132.'*(n-1)=in(n-1).130. a * 2d.1 5.115.131.+(n-l\z=fn(n-Il(2n-1).129. mt = 0. son independientes. (a) Demostrarquelarvarianzasdelconjuntoden nfrmerol a. En un exarnen las calificaciones fueron normalmente disüribuidas con media 72 y dewiación típica 8. Una población de 7 números tiene una media de 40 y una desviación típica de 3. página 175. (b) sin remplazamiento.128. Si muestras de tamaño 5 se ertraen de esta población y se calcula la varianza de cada muestra.al2d.133. En el Problema 5... (b) Hallar la probabilidad de que en una muestra aleatoria de 100 eetudianües la calificación mínima del 2O% superior Eea menor que 76..cAP. pfuina 160. ¿en cuántos lotes cabe eErerar que la mediana de duración exceda a 910 horaa? Comparar ¡u solución con el hoblema 5. ¿En cuántos lotee cabe esperar que (o) la duración exceda 910 horar. fSugerencia: 14+24 +34+' .. 5.* (n . 5. 6. Una mueetra de 8 obeervacione¡ se hace aleatoriamente de una población.@z-L)dz.22. (b) la dewirrción tfpica de la duración exceda 96 hora¡? ¿Qué ruporicioner deben hacerse? 6. (n-1)d (eadecirun¿ 6. La compañfa envfa 1000 lotes de 100 tubo¡ cada uno... Demoetrar que Vt y Vz definidas en el hoblema 5. Demoshar que los primeros cuatfo momentos con respecto a la media de progresión a¡itmética a.135.1 (b)Emplear(a)enel 6.136.1)a = $n(n-l)(2n-ll8n2-Bn1 ).. a * d. hoblema 6.a|(n-l)dson 11 ffit = 0..129(o) y explicar ous reeultados.104. (o) Hallar la calificación mfnim¿ del 2O% superior de los eetudianües.. halla¡ la media de la distribución muestral de varianzae si el muestreo ee (o) con remplazamiento. mz = i. Determinado¡ tubos producidos por una compañfa tienen una duración de 900 horar y una dewiación típica de 80 horas.

que es cierto para muchos estadísticos. página 162.ACIONALES Sean ¡rs y o" la media y la desviación típica (error tÍpico) de la distribución muestral de un estadístico S. Los valo^res i y 3 z se llaman estimas insesgadas. puesto que E'(X) = u. eonq de esttmocton : . respectivaménte. La precisión o conocimiento del error de una estima se conoce también como su seguridad. El valor correspondiente del estadístico eficiente se llama estima eficiente.s*o. si la distribución muestral de S es aproximadamente normal (lo que se ha visto-. en las páginas 157 y 160 son estimadores insesgados de la media poblacional ¡r y de la varianza poblacional 02. se está dando una estima de punto. EJEMPLO 6. u-¡r"* 3o" . EJEMPLO 6.46% y 99. Si.28 pies.s.73% de las veces.95. Si se dice que una distancia viene dada por 5. DE PARAMETROS POBI. Entonces.l parámetro. es decir. por la relativa facilidad con que algunas de ESTIMAS POR PUNTOS Y ESTIMAS POR INTERVALOS. si el tamaño de muestra es n > 30). la distancia real se encuentra entre 5. S realmente es un estimador sesgado de o. Sin embargo. SEGURIDAD La estima de un parámetro poblacional dada por un número se llama estima de punto de. En la práctica se ellas pueden obtenerse. 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. por otra parte. la media poblacional' Sin embargo. la media provee una estima más eficiente que la mediana.27 % . €l 68. pero esto no siempre es posible. Si las distribuciones muestrales de dos estadísticos tienen la misma media. utilizan estimas sesgadas o no eficientes.r--Bo. U 13 t) = o2. Véase Tabla 5-1. El valor correspondiente del estadístico se llama estima insesgada del parámetro. el estadístico con la menor varianza se llama estimador eficiente de la media.Capítulo 6 rF I | .3. Por tanto.03 pies. cabe esperar que el estadísticoSseencuentreenlosintervalos&s o^s8Í.28 + 0.31 pies.. se dice que la distancia es 5. Lógicamente se prefiere tener estimas que sean eficientes e insesgadas. la va¡ianza de Ia distribución muestral de medias es más pequeña que la distribución muestral de medianas. L94 . ya que en general Z(3) + o.. 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. &s-2o"EFsl%a'" ó ¡r. La distribución muestral de la media y la mediana. ambas tienen la misma media. La media X y la varianza 3' d"finid". se está dando una estima de intervalo.2_5 y 5.2. ESTIMAS POR INTERVALOS DE CONFIANZA.1. EJEMPLO 6.

. 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.6l TEORIA DE ESTIMACION 195 Análogaménte cabe esperar o se puede confiar en encontrar. vienen dados por X r.Grandes muestras (n > 30).1. si el muestreo es sin remplazamiento én una población 2. Tabla 6-1 Nivel de confianza zc e9. En general.73% "pueden Análogamente.o. De los niveles de confianza se pueden obtener los coeficientes de confianza y recíprocamente.46% 95% 90% 80% 68. S -+ 2o.00 0.05 2. la desviación típica poblacional o es desconoc^ida. de los límites de confianza se llaman coeficientes de confianza o ualores críticos y se denotan por zc.96 o7 Y X + 2. ps er los intervalos S . como otras veces sé conocen.27% 60% 3. Más generalmente. Utilizando los valores de o.27%. INTERVALOS DE CONFIANZA PARA MEDIAS 1. Los números 1. se utiliza la estima muestral S o S.r. En este caso utilizamos la distribución t para obtener los niveles de confianza.73% para la estima de ¡rs (es decir.96. Si el estadístico S es la media muestral X. entonces un intervalo de confianza para ? está dado por (véase pagina 161) (N -t.99) para p". 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..6746 En los casos donde un estadístico tiene una distribución muestral que es diferente de la distribución normal (como chi-cuadrado.45%y te.73% s9% s8% s6% s5.6% del área se encuentra en cada "cola" de la distribución ü. para estima¡ el parámetro poblacional.96.96 o. entonces los límites de confianza d'el95% y 99% para la estimación de la media poblacional ¡. t 6 .27%. Por ejemplo si -t.F') se hacen fácilmente modificaciones apropiadas para obtener los intervalos de confianza.68.68 2.73% o.00 2.58 ox respectivamente. Para niveles de confianza que no se encuentran en Ia tabla.. & S*Sorenel 68. son los límites de confianza del96% V 99% (ó 0. Los números extremos de estos intervalos (S i o5.respectivamenllama¡ a estoé intervalos los interualos de confianza del68. etn.srs . se puede ver que los límites de confianza para la media póblacional vienen dados por Xtz"* vn N-tt.46%y99. . a S * o' delasveces. $ I 3or) son llamados los límites de confianza del 68. 95. En la Tabla 6-1 se dan los valores de z" que corresponden a distintos niveles de confianza utilizados en la práctica.95.33 2.28 1.96 1.1."\\ñ s (3) . S-2o" a S+2o" ó S-3o. los valores de z" pueden sacarse de las tablas de la cuwa normal en el Apéndice C.cAP.szs y ú. obtenidos en el Capítulo 5. y S -r 2. Poi estos se 99. Iímites fiduciales. S +.27 %.9q -V 0.szs son los valores de ? para los que el 2. El porcentaje áe confianza se"llama también nivel de confíanza.46% y 99.58 o. 2.00 1. de modo que para obtener los límites de confianza anteriores.645 r. en el caso de un S insesgado). Pequeñas muestras (z < 30).

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

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

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

Dar una estima insesgada Problema 6.45 -- 0.3?-6.2. n-1" (6. Para las cinco medidas puestas en orden de magnitud la mediana es 6.. En símbolos se escribirá P(66. Una muestra de cinco medidas del diámetro de una esfera se registraron como 6.32 6. Así.33. 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.ó. (o) Del Problema (b) ó. Adviértase que puesto que n es grande. de la varianza poblacional).35)2 5-1 0. el intervalo de confianza del 95% para la media poblacional ¡t es 66.36 cm. JC = .88 y 68.37.93/V100) ó 67.02 pulgadas. = i2 = .88 a 68.35)2 F (6.cAP. 6.32 y 6. Determinar unas estimas insesgadas y eficientes de (c) la verdadera media. 2. Utilizando n : 67.023 es una estima de la verdadera desviación típica pero esta estima no ni eficiente.? = /8. 6.88 y 68.96.!1t.as y i : 2.JDani (b) Estima insesgada y eficiente de la verdadera varianza (es decir. Para la muestra dada 67. 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 6.57 pulgadas.02): 0. 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 66.88 < tt<68.iroentre s yG.45 ¡ + z.35)2+ (6.96(2.45 ! 1. Se puede.46 pulgadas.35)2 2(n-ñ\2 - n-l = = es insesgada + (6.6136 : y.3. (o ) Estima insesgada y eficiente de la verdadera media (es decir. 95Vc ó 0.6136 s2 Así .58o/tñ.02. - iT $.5275) = 8.58-?+ = V100 67. = S tr. decir que ia probabilidad de que la estatura media de la población se encuentre entre 66.96"/\f. que puede denotarse por 66. 4er.93.88 < p < ti8.00055 cm2 Nótese que 0 = /0"00055 = 0. (b) la verdaderavarianza.3).38: Estima insesgada y eficiente de la verdaderava¡ianza media: t : 67. los lí¡nites de confianza son 6?.TG pulgadas . Determinar unas estimas insesgadas y eficientes de (o) la verdadera media.02 pulgadas.95.45 ! 0. no hay esencialmente diferencia entre 6. (b) Los lfmites de confianza del 99% son X 2.93 pr¡]Éadas como una estima de o (véase Problema 6. 6. ESTIMAS POR INTERVALOS DE CONFIANZA PARA MEDIAS (GRANDES MUESTRAS} 6.3. (b) la verdadera varianza.33: Estima insesgada y eficiente dé la verdadera altura Del Problema 5.45 pulgad.saa = tln ! 2.36.36-6. 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. 6. pues.37 centímetros.336.3?-6.4. de la media poblacional).02 pulgadas es. (a) Los límites de confianza del 95% son X t I.6l TEORIA DE ESTIMACION 199 6.2. por tanto. = n .35)2 + (6.

45 1 0. 6..96ry = \/200 0.69 a 68.0.824 * 2.= vn Vn V200 ó 0. Adviértase que se ha supuesto que la desviación típica dada es la desviación típiez modific¿d¿ i Si la desviación típica dada fuese S.6. los límites de confianza del90ak son n!I. el intervalo de confianza del 997o para la media poblacional ¡r e¡ 66.33.E8y.73% para el diámetro medio de G.6-l (b) S" busca z" tal que el á¡ea desde z : entonces z. Oa z : zc ea O.{ñ= 0.7.824 t 0.Hallar los límites de confianza del (o) 55"1. Para obtener los intervalos de confianza.semana dieron una mdia de 0. Entonces por simetría.O42 pulgadas. los cojinetes del Problema Hallar los límites de confianza del (a) 98%.sa| = r*z.73 pulgadas. En general.824 t 1. el área desde z eE 0.645a (c) .200 TEORIA DE ESTIMACION lcAP.824! 0.G.45 t utiliza¡lo. z:zc Puesüo que el área total bajo la curva es 1. r.00??putgadas t 0. se puede considerar el factor es necesario = 0. (b) 9O% y (c'¡ 99. se habría empleado ?: \/n/@4s = y'200[99s que puede tomarse como i para todos los propósitos prácticos.el 99. los límites de confianza anteriores se convie:rten en 67.824:r0.0069 pulgadas Fig.96? como 1. lugar de Para y muestreo sin remplazamiento.4í.824tSL93 = \/zoo . puee.6450'942 = 0.824 pulgadas y uná desviación típica de O. de aquí que z":2. el área a la izquierda de z:-zce8 también lVo.i :.006 Pulgadas .008 pulgadas. son xtz.so! = Vn 0.645. v (bl99% para el diámetro medio de todos los cojinetes. de modo gue no 6?.gg9!9 = \/zo0 0.0049oulgadas t/-zoo sn 0. : O es Asi pues.' o^.824=z.00b8 pulgadas Los límites de confianza d. 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. 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. Los límites de confianza d.21. se utilizaría t. para n > 30 se puede asumir que s y 3 son prácticamente iguales. srn embargo. Lad medidas de los diámehos de una muestra de 200 cojinetes de bolas hechos por una determinada máquina durante una.g6a = Vn 0-824:t 0. es total.21 pulgadas.0U89pulgadas. 6. pues.ss9 = 0. (o ) Los límites de confianza del g5% son 6 (b) x t 1. (a) " lok. Si se utiliza.824 0.6 Asf.82¿!L. respectivamente.b6 y 0. ñ!3+ \ñ - 0.49. que puede denotarse por 66.69 (¡¡ < 68.73V. los límites de confianz¿ del 98% son r ! 23g+ = \/7i Asi 0.824 ! 0.el 99o/. : t.824t0.

01 soliamente ¡i n es 167 o mayor.10(c)].7I 6.81.r¿ -. Asf el área ¡ombreada en la col¿ derecha es 0.21o. : 20. Entonces los lfmite¡ de confianza del 964o eon . 6-3 6. arrojó una media de 75 y una desviación típica de 10. 6-8 debe ser 0. de aquf que el grado de confianza pedido *162(O.01 ¡i n e¡ 97 o mayor.goo*. ¿Cuáles son los coeficientes correspondientes pala la distribución úsi (a) v = 9.09.oble cola") para la distribución normal vienen dados por i1. 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..n r1s/t/Á¡.Ze.6 : 0.26 &- Vlo-1 = 4.01 segundos? 0. er decir.q'-: 200 v50 200-1 = 75 + 1. TEORIA DE ESTIMACION 20L es de Al medir el tiempo de reacción. AsÍ.26fvéaeet¿mbiénProblema6.58')(0.Entonce¡ utilizando ¡ : 4.05 segundos.e?'.026 y el valor crítico correepondiente es ú.01 si (1.f I l.Tomando o = la estima eerá menor de 0. Una muestra de 10 medidas del diámetro de una esfera dio una media ñ: 4.01 : 9. Una muestra aleatoria de 50 calificaciones de matemáticas de un total de 200.9df (b) tos vn N-n A¡-1 = N-n N-1 75 t 1.orr.23 zc h¡estoqueestodebeserigualaTSll.01. lo¡ límitee de confianza del96% pedidos eon 4.50 2oo-L = 76!2. = * t1. 8e tiene la confianza del99% de que el error de la e¡tima eerá menor de 0.4 60 límitee de confianza pueden repreaentarse por Ítz"ox deede z 68.96X0.2S z"=L6 z"=0. (c'¡ t2. Aef.05)/\. pues.06.051/\/n = 0. (b). Puegtoque¡.9.05 segundoe. pues.58o/{i. . ¿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 0.96)(0. 1fi = (1.g6ol{n.01. un sicólogo estima que la dewiación típica del mismo (c) .04.r. <í n. Halla¡ los límites de confianza para el diámetro verdadero del (o) 96% y (b) 99%. Entonces (2.81 es 0.9Tolfi.t = t. (ó) +2.X+r"L .05.0452 pulgadaa . (o) ¿Cuáles sonloslímitesdeconfianzadel9Ú% para la estima de la media de las 200 calificaciones? (b) ¿Con qué grado de confianza poüá .38 pulgadas y una desviación típica s : 0. Para lo¡ valores de v dados egtos son (a) t Z. 6. se tiene que el error ser6 igual a 0. Los coeficientes de confianza del 96Vo ("d.setienequel.8 ó n : 96.38 y c : 0.04.i=r. : 166. (d) =2.*.38 t 2. (d) t= 60? Pa¡a los coeficientes de confi¡nza del 96% ("doble cola") el área total en la Fig.00. Eláreabajolacurvanormal : O t z: 0. (o) Los llmitee de confianza delglovo están dados por.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.06)/0.29lO):0.96.hallamoat. debe emplearse la fórroul¿ para poblaciones finitas con muestreo sin remplazamiento. (c) v : 30.2910.4.cAP.Entonces los coeficientes de confianza pedidos son tú.682ó ESTIMAS POR INTERVALOS DE CONFTANZA PARA MEDTAS (PEQUEñAS MITESTRAS) 6.8.96+ v50 (10) 200 .06 pulgadas.38 + 0.gzs:2. Fig.siendo 0.11. (b) Loe límite¡ de confianza del 99% son X t 2.10.:n-L:10-1:g.

p')/\/p(l .38 4. (a) Soluciona¡ el hoblema 6.55 para estimarp. obtenidos mediante ios métodos de pequeñas muestras o teoría exacta del muestreo son más anchos que los obtenidos por los métodoe de grandes muestras.06b0 pulgadas y el inüervalo de confianza del99% e¡ 4. 0D > 0. véase Problema 6. utilizando P donde B = : 0.58)(0.f) = 4.14. (a ) Los límites de confianza d.88 + g.50): 0.38 t 0.qq /lo - 4.95. = 3.55 + 0.55 del Problema 6."-.50 ó n= 27r . los intervalos de confianza mues¡ras.25. Hallar los límites de confianza del (a) 95%.73% parap son 0.88 r 1.88 + 0.55. indicó que el 55% de ellos estaban a favor de un determinado candidato.2/z¿y L645 Al comparar con Prob(p > 0.L2.6 : se puede estar en la confianza del 96a/o de que el valor ve¡dadero se encuentra entre 4.96-0-. Puesto que (P . Una muestra de 100 votantes elegidos aleatoriamente entre todos los de un distrito dado.38 + 0. = P t 1. pues.045 TEORIA DE ESTIMACION lcAP.9ó utilizando el Apéndice C indica que e-Bt/fi-fl/n:0.045 : 4. - ó Prob(p > e-Bt/p6-ffi¡ = + J(t t/2r -. 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. (c) 6.73% para la proporción de todos los votantes que estaban a favor de este candidato.pV" es normal asintóticamente.55 '^^ I(0'55)(0'45) :r 1'e6!ff : = 0. Entonces loe límites de confianza del 99lo rcn i t ú.50) Prob( que hob / J--ct t)_p .18. t 3ú058)16:¡8 10d 0.O37pulgadas ? donde se ha utilizado la desviación típica muestral 0./e(l -p) ¡? V = 0. 0.315 a 4.335 pulgadas y 4.0 = 4. t. Para hacer este problema de una fo¡ma más exacta. (b) Comparar los resulüados de los dos métodos.446 pr'lgadas.426 pulgadas. 6.l)6or. ¿Qr'é tamaño de muestra debe toma¡se en el Problema 6. (a grandes ) Mediante loe métodos de Ia teoría de grandes muestras los límites de confianza del 95% son X t 1.27.55 t 0.ssr(S/tñ-l.58ú6:5EXb:¡BtTdd = Los lfmites de confianza del 99.06 como estima de o.38 * (2. y para tener una confianza del g5% de su elección necesitamos : 0. (b) 99%y (c) 99. (b) En cada caso.202 Asf.06) /\t1.= v-n 4.88 i g.11 suponiendo válidos los métodos de la teoría de muestras.13.50.se5 - (b) Para v = 9.049 pulgadas. (b) Los límites de confianza del99% parap son 0.Z5(0.06/y'10 ..13.6a5y'i6lBB)Io-75j7i : 0.55 = o'55t0'10 donde se ha tomado la proporción muestral 0.96.el95o/o para la población p son P : l.55 2.l = 4.-'\ r1/pg-p)/n / rB I l-r'-tt'/z¿y t/2. Análogamente. J_. los límites de confianza del 99% son 4.96-9.13 para que la confianza de que el candidato sea elegido sea del g5% z El candidato se elige si p ) 0. tenemoe 0.55 y la estima p : 0.15.b0 Entonces.1.

se puede esperar con el encuentre entre 175 y 225 horas.el 99Vo que la verdadera diferencia de proporciones .g.25 ! Z. pues. Hallar los límites de confianza del (a) 95% y 99% para la diferencia de las vidas medias de las poblaciones A y B. se As( pues.?9. se puede esperar con el 994n de confianza que la diferencia de las medias de las poblaciones se encuentre entre 167 y 233 horas. Los límites de confianza para la diferencia de proporciones de los dos grupoe están dados por 'll1 1t2 dondelossubíndicesly2serefierenaadolescentesyadultos. SustituyendolosvaloresP:24140 = 0.96. z" = 1. dando el intervalo 0.el 99% son: 1400 - 1200 12.15.60 La fórmula más exacta del Problema 6.6. se Así.Zb + 1. (a) Al nivel del g5o.respectivamente.96/il2OtG0I80)2/100 Así. 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.73% para la proporción de caras que se obtendrían en un ilimitado número de lanzamientos de la moneda.16. 95"/o de = 200 t 24.cAP.0g. z" = 3.4 y B son dados por (a) *o. dando. intervalo de confianza del 99.83. pues.27 da el intervalo de confianza del 95'ib como 0. PzQz el - O.25 = 0.73% como 0. se tienep : 0. se puede esperar con confianza d.50 ! Pz : 100/400 : 0. En 40 lanzamientos de una moneda. pues.25 = 0.el ggVoson 0. PtQt .23. Una muestra de 150 bombillas del fabricante A dieron una vida media de 1400 horas yuna desviación típica de 120 horas. se obtuvieron 24 ca¡as. [-os límites de confianza para la diferencia de medias de. Hallar los límites de confianza d9l (c) 96% y (b) 99. esperar con confianza d.50 encuentre entre 0. (b) Al nivel del 99. Mediante la fórmula aproximada p = P + 0.17 y 0. Una muestra de 100 bombillas del fabricante B dieron una vida media de 1200 horas y una desviación típica de 80 horas.33.Xn-.37 a 0. -loi*o'o -"1/"o-"" Los límites de confianza del 9b7o son: 1400 1200 ./i120)r/15¡+-G0)r400 = 200 + 82. se tienep = 0.06../.45 a 0.96 La verdadera = 0. Así.. gt= Ptz" t z¡/F(=ffi.AquíPr:300/600:0. se puede encuentre entre 0.60 + 15.6V n:40 enlafórmula \tF(l=A/.t 1.58\..?4 y el INTERVALOS DE CONFIANZA PARA DIFERENCIAS Y SUMAS 6. (a) Los lÍmites de eonfianza del 95Va son 0.6l TEORIA DE ESTMACION 203 6. ae confianza que Ia diferencia'de las medias de las poblrcionee (b) Los límites de confianza d.25 son las proporciones respectivas de adolescentes y adultos a quienes les gusta programa.50 - 0.19 y 0. En una muestra aleatoria de 400 adultos y 600 adolescentes que veían un cierto programa de televisión.5B = 0.45 a 0. pues. 6. el intervalo 0.il3li.tr 7.75.BZ a 0.el 96% que diferencia de proporciones (ó) Los límites de confianza d.31.

08)=180.054 voltios se llama error probable. 0. Si Er. Y t¡.58(100)/r/Zbd = 100 r 12.58(0. puesto que /¿rr = lLEt lr'.204 TEORIA DE ESTIMACION [cm.19.1) = 180. El valor de 0.9.1 V y la desviación típica 0.t+ti.08) = 180. Así.73"/o para o son S . (b)LO%? De igual forma que en el Problema 6. INTERVALOS DE CONFIANZA PARA VARIANZAS 6.96(0.6?45(0. se tiene ltlt+Ez+at+¿o = Fu. ee puede esperar con confianza del 99'y'" que la deerüeión típica de la población se encuentre entre 87. o 6. * l'a. (b d. (a) Loslímites de confianza delgSv" están dados por sy'7/x.20. = 45.o/yEi.4 (o) (b Los límites de confianza del95% son: 180. Por tanto (véase Tabla 5-1.= lr'.4 + 1. Entonceg el error porcentual de la desviación es 3s/t/-at (¿) Si 300 _ = s.08 ÉEr+nz+E¡+Eo = 4(45. (b) 99%. pues. * uotr* l'a. 5O%son:180. = orr. La desviación típica de las estaturas de 16 estudiantes seleccionados aleatoriamente en un colegio de 1000 estudiantes es 2. 6. = 0..73% la verdadera desviación típica de la población ::o difiera de la desviación típica muestral en más del (c) 6%. Entonces.73% con: 180.0b4voltios.19 deberá tomarse para que con confianza del 99. 6.4 t = 180. hallar lós límites de confianladel (a) g5%. .el 95Vo que la desviación típica de la población se encuentre ) Al nivel del 99% los límites de confianza son: 100 * 2. pues./nloslímitesdeconfianzason:100 11.x {2n 300//t = 5.2L.4:t0.* o". 0.04 volüios.4 + 2. (b) Si }OO/\E : Aei pues.4 t de confi¿nza del 99.ozs. Es y Eq representan los voltajes de las 4 baterías.19.[4: "'rJ o'r. entonces n 1800. (o) Alniveldel 95".16 voltios. La desviación típica de las duraciones de una muestra de 200 bombillas fue de 100 horas. Así.4i0. Se utiliza la dewiación típica muestral para estima¡ o.g..96(100)i/200 = 100:tg..1 y 112. En este caso se aplica la teoría de grandee muestras. pues. 82.2 y 109. entonces n : = 10.08) 0.4 V r de confianza del 99% son: 180.f8. Hall¿rr los límites de confianza del (a) 95% y (b) 99% para la desviación típica de la población de tales bombillas. el tamaño de la muestra deberá ser 1800 o más..21 voltios.04 V.9 horas. donde 2. Si se conectan 4 baterías en serie. utilizando s como una estima de o. oE. se puede esperar con confianz¿ entre 90.4O pulgadas. Así.4 t 3(0.r+r 2+Er+84 = .73% y (d) 5O% para el voltaje total. ¿Qué tamaño de muestra en el Problema 6. Hallar los límites de confranza del (c) 95% y (b) 99"/. 46O. = 1la1ffiy : 0. FfJ voltaje medio de las baterías producidas por una compañía es de 45.1 voltioE y dc. (c) 99.08) = 180.e75 y st/n/x.r-= oE. el tamaño de la muestra deberá ser 450 o más. los límites de confianza del 99.24 ) Los lfmites (c) Loc lÍmites (d) toslfmitesdeconfianzadel voltios. osr* Ez+t:. indica el nivel de confianza. de la desviación típica para todos los estudiantes del colegio.8 horas.r Bo/l-zn Ss/\/Zn. página 162)loslímites de confianza para la dewiación típica de la población son dados por S * z.

: 200 - 1 : 199 g¡ados de libertad.9 horas respectivamente.sor-79.n25 = 2. it. (o) Los límites de confianza d.ozs l-l Vz(rssl -r)z = itt.g = 88.5 6 x.2 a.oos:4.14.7.el95')h están dados por Sy'-n.r+l/Z[I6Ef-T¡z = jtz.40Vf 6 /1.23. rz = 10. y St/T/x.73 y 2.9 horas.. Solucionar el Problema 6.oe5=5.?3 y xz. Entonces los límites de confianza del 95% son 2.' son 100y'2b-0 115.o .SO+19. 3? = t=r"i = (lf)rznl = "? = 18 de modo qrre 26.68 y 4. Por tanto se tiene la confianza del 95% de que la desviación típica poblacional se encuentra entre 91.50.1 : 199 grados de libertad. x2nzs de donde ¡¡.sa+19.. Entonces los límites de confianza del 997o son 2.40\R/2.92)2 = 253 lL6./x Para v : sr.!75= 5.24 y 2. Por tanto se tiene la confianza del 95% de que la dewiación típica poblacional se encuentra entre 1. = 15. están dados por Sy'-nlx ors y Sl-n/y.ee5 Para v y Sy/i/7.40\f-16/2.83 y 3'84 pulgadas.2= 115.3 horas.83 y 3. Este resultado debe compararse con el del Problema 6.11.el99% están dados por Sy'-nl¡.8 ó ¡.s¡5=2. (b) Los lÍmites de confianza d. hallamos como en el Problema 4.15.9 y x.19(a).68 y 4.26 6 7. Dos muestras de tamaños 16 y 10 respectivamente de confianza del (c) 98% se extraen aleatoriamente de dos poblacio- nes normales.2.50.t.9 y 115. X. . y 18 respectivamente halla¡ los límites (o) Tenemos nt = l(t. s! = 20. Paray:16-1:lSgradosdelibertad. Entonces los límites de confianza del 99% son 100/Eñ6 de donde X sq¡ INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6.19 utilizando la teoría de pequeñas muestras.ozs. Por tanto se tiene la confianza del 99% de gue la desviación típica poblacional se encuentra entre 88.cAP. pfuina 137' x.9212 : 239 161 = olz02s+V2(199)-1)e =.5 y Entonces los límites de confianza del 95o/. ee decir.24 y = 6.92)2 = : \2.49 pulgadas. 1.14. (b) tos lÍmites de confianza del 99\i.s¡5.¡]oor=32. Si se encuentra que sus varianzas son 24 y (b\ 90% para la relación de varianzas.19(b).o75 = |{zsrr.¡¡5.n..22. x1.9 y 1001800/t2.84 pulgadas.oos = 72.49 pulgadas.)rto = \/ 2o. 200 . 1.._.6l Para o TEORIA DE ESTIMACION 206 x?ozs = 16- 1 = 15 gradoode libertad.2 y 111. x?szs = 27.40\f-I6/5.t-t. Por tanto se tiene la confianza del 99/o de que la dewiación típica poblacion¡l se encuentra entre 1." x%os 1_l .. 6. esto es.= r\ri= (f.60 ó y. Este resultado debe compararse con eI del Problema 6.5 = 91'2 y 100y'200/12'1 = 111'3 horas respectivamente.

e5 2.89.'or¡ g.tn1z.96 parapl : 16 1 : 15 ! U2 =LO-1 =9 grados de libertad. Entonce¡ utilizando (171.6 Del Problema 4. 6. pl" 'f (r.4437 oí = * ('z'6'g)(?q¿.47(b).0.z8a =# : = rsee. reculta .206 IEORIA DE ESTIMACION [cAP.(ffi) 4. pfui¡1g 19?.os : 1t2.24. . = (b) Como en (o) hallamos del Apéndice F que confianza del g0% es F. gue tenemos (I) Puesto Por tanto l(rx. tenemos F ge = 4. página 13p.zt oz 0.eo = ". (#)(ffi3) o. v Q) 90% para la relación de las desviaciones de las desigualdades del Problema 6. hallrrmoe para el intervalo de confianza del 98%. ó )("*-p) = o e¡decir )"*-nr p-n 2 an = o (6) A¡f l¡ ectima de márima vero¡imilitud e¡ la media mue¡tral.23.. También del Problema 4.e¡ = 3. 6.) Obsérvese que el intervalo de confianza del9O% e¡ mucho más pequeño que el intervalo de eonfianza del 98Vo. ü = \/2ro2 -J- r-<x¡-ü2rzoz L = f(nt.59.eg oz 6.84 V F. = 3)@*-Pl reeulta Q. Al tomar la raíz cuadrada 98% v el9o%.#>@t-pl2 Tomando Ia derivada parcial con re4ecto raL 1:' fr. Hallar los límites de confianza del (al 98% típicas del hoblema.6?=1=r.sg<!=z. Halla¡ la estima de máxima verosimilitud de la media. Si n obsewaciones Xr & se toman de una población distribuida normalmente de la cual se desconoce la media y se conoce la varianza. como lógicamente era de eryerarse. pl = (2to2)-tt2¿-zbk-r)2t2o2 (z') (r) Fijando íLldp = 0 t¡L = a -f.89 de modo que l/F.25.23 hallamos los lfmitec de confianza para el (¿) (ó) ESTIMAS DE MAXIMA VEROSIMILITUD o.47(d). Por tanto el intervalo de #(ffi) s += 6 0. tenemos pataUl: 15 y ez:9 grado¡ de libertad f or : 1/3.

p oP = -1. (a) como la utilizada en el Problema 6.26.25 se conoce la media pero se desconoce la varianza. b--(2nP+"7) y c=nP2. se tiene P-P Elevando al cuadrado los dos miembros.13.cuyassoluciop son dadas por La fórmula cuadráti. z7 n -4ü r+4 n o P (b) Utilizar la fórmula de (¿) para obtener los límites de confianzadel99. En estos valores extremos.P)/n Los valores mayor y menor de esüa variable tipificada son tzc. donde z" deüermins el nivel de confianza.p). Si en el Problema 6. Entonces tomando la derivada parcial con reqrecto a 02.13. Si escribimos f (rx. = -fi+ uár> @t-r)2 02= 2 (rr - pl2 PROBLEMAS DIVERSOS 6. tenemos ee i'# Fijando aLl0o2 .25 ha¡ta la ecuación (2) aplica. - (2nP I * nPz = 0 Si o=n+z!. (a) Si P es la proporción observada de éxitos en una muesha de tamaño n. mostrar que los límites de confianz^ para estimar la proporción de éxitos p en la población a un nivel de confianza determinado poÍ zc esüán dados por p- P +ft* 22 z" P(l-P) . La proporción muestral P en unidades tipificadas . .27. halla¡ la estima de máxima verosimilitud de la va¡ia¡rza. {P(L = *2" p(. (c) Mostrar que p¿üa grandes valores de n la fórmula de (c) se reduce a p=P¡2" \FF -nn.ca p= _6 + 1/@=lo" 2a z"P+27=W 2(n* z7\ 2nP I 22" * ""t/6F(L1VlT7" 2(nI zf.63.6l TEORIA DE ESTMACION 207 6.L n - pl pz-2pp*p2: (nI nes para zp\p2 "?P# z?lp Multiplicando los dos miembros por ¿ y simplificando.TS% delProblema 6.) Dividiendo numerador y denominador por 2n. estaecuaciónsereduceaafi*bp*c:0. por tanto.cAP. se tiene e+ flt "" P(L-PI . todo lo efectuado en el hoblem¡ 6."2) en cambio d. zi n -4nz | +! . queda.e f(x¡.0 hallamos Vé¿se Problema 6.

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.r De la tabla se observa que un intervalo del95%. (o) Solucionar el Problema 6. entonces zf.s sr¡plernenta./zn.8.6 p=0.09 ton.98) están dadas por 11.32.¡amente 19.6.e6 : 15.z.8 89.Entonces.69 en acuerdo con el problema 6.e4 91.64. Hallar los límites de confianza del (o ) 99%. En la Tabla 6-2 se indican varios valores críticos y los conespondientes intetwalos de confianza del 95%..72642 pulgadas y 0. 10. (b) 98Vo.a los cuales la suma de las áreas en l¡as colas sea61.30 si se obtienen los mismos resultados para 30.0 a 110.9 7.3 91.40 y 0. en general. se tienep : 0. ¡es=15.8.7s7=15.ge = 15. (c) Si n es gtande. La media y la desviación típica de las cargas máximas soportadas por 60 cables (véase Problema 5.31.100). de forma 6.s2=12. ó 0.4 20. respectivamente (véase Problema 5.TSVo.44. Determinar estimae insesgadas y eficientee de (o) la media de la población v (b) la varianza de la población. 6.9 110.54 ¡. Hallar los límites de confianza del (o) 951/.=B. y 0. La media y la desviación típica de los diámetros de una muestra de 250 remaches fabricados per una compañía gon O.2 19. zf. empleando t¡alores críticos tales como justifica el trabajo involucrado.208 TEORIA DE ESTIMACION (b) Paraloslímitesdeconfianzadelgg.$=12'76. g.rlos ESTIMAS INSESGADAS Y EFICIENTES 6.utilizando de (a). etc. 6.7 a Lt3. X.o¡r y x e8l.42 a a 111. 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. Un intervalo con amplitud af¡n menor puede hallaree continuando el mismo método de aproximación x.el 95"tb Ampütud 2r. Las medidas de pesos de una muestra fueron registradas como 8. respectivamente.O a 110.2 y 9. Sin embargo.6%.55yn:100enlafórmula y 22"/nson despreciables y pueden sustituirsepor cero.8 ¡. la disminueión en el intervalo que 8e obtiene es comúnmente despreciable y no Probletn. lcAP.8.22(a) fueron obtenidos escogiendo valores críticos de y2 de tal manera que las áreas en cada cola fueran 2. y (b)99dto para la media de las cargas máximas de todos los cables producidos por la compañía. 8.28.13(a).Es posible haltar otros límitee de confianza escogiendo valores críticos de X2 gar. respectivamente. .7 7. cuya amplitud sea menor que la del Problema 6. pero de tal manera que las áreas en cada cola no sean iguales.. Estimar (o) la media y (b) la desviación tÍpica de la población de todos los tubos de televisión producidos por esta compañía.?3 20.?3 ton.29. dieron una du¡ación media de 1200 y una desviación típica de 100 horas. de amplitud sol./Anz que se obtiene la fórmula pedida..6 = 12.0 = 12. 6'33.85.32 92.4 libras.8. Valores Crítico¡ Tabl¡ 6-2 Intervelo de confianza d. (c) 95% y (d) 90% para el dirimetro medio de todos los remaches fabricados por la compañía.00058 pulgadas. horas Una muestra de 10 tubos de televisión producidoe por una compañía. X 032 y X 1¡2.a.30.7.'.05. es de g1. (c) Comparar la desviación típica muestral con la desviación típicÁ de la población estimada. 2g. 10.

Cinco medidas del tiempo de reacción de un individuo a un cierto estímulo fueron registradas real de 0.73% 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.g1 sfoundos. ¿Cuál será el número mínimo de voranües que se deberá mue\trear para quelaeonfianza sea del (a) 8O%. Si la desviación típica de la duración de los tubos de televisión se estima en 100 horas. 6. Hallar los límites de confianza del (a) 95%' (b)99o/oy (c) gg .73V"? 6.82 con una desviación típica deO.40.a h diferencü de proporciones de cerrojos defrctuosos de las dos máquinas' Estudiar los resultados obtenidos.42.86.24 onzze.ParalosdelgrupoB fueron 6. y una Una muestra de 12 medias de resistencia a la rotura de hebras de algodón dio una media de 7.33. (b)g|%t (c)997oV @)59. 6.3g.6l' TEORIA DE ESTIMACION límites de confianza del 5O% 209 6. Hallar los límites de confiánza (a) del 95% Una compañía fabrica cojinetes de bolas que tienen un peso medio de 0. y (b) el error probable para la media de los diámetros del 6.2?.80. Hallar grandes muestras y comparar Solucionar el problema 6. respectivamente. Dar los resultados utilizando la fórmula aproximada y la más exacta del Problema 6'27.44. 0. 6.2[horas. (b)gg%y (c)99J37" para la dewiación típica de todoslos cables producidos por la compañía.(b\95%'(c\99% deladecisiónen favor de uno de los candidatos? INTERVALOS DE CONFIANZA PARA DfFERENCIAS Y SUMAS 6. Hallar eI error probable de la desviación típica del Problema 6'46' . Una muestra de 200 cerrojos producidos por una máquina mostró que 15 eran defectuosos.41.45. Se cree que una elección resultará muy reñida entre dos candidatos.43. Una muestra aleatoriade 60 bolas extraídas con remplazamiento de la urna. ESTIMAS POR INTERVALO DE CONFIANZA PARA PROPORCIONES 6. 6. dio el 7O% de bolas rojas. al primero le fue dado un nuevo tipo de somnífero y al segundo un tipo convencional.76 y 0.30 horas. (c) del 99.38 onzas los límites de confianza del (c) 95% y (b) 997o para la resistencia real' desviación típica de 1. De dos grupos análogos de enfermos A y B formados de 50 y 100 individuos. Hallar los límites de confianza del (c) g5%. La desviación típica de resistencia a la rotura de 100 cables producidos por una compañía fue de 180 libras.g9.g5.g?. Hallar los límites de confianza del (a) 95% y (bl99% para el tiempo reacción. (b\ 99% y G\ gg.gg.012 libras. o.3? suponiendo aplicables los métodos de la teoría de los resultados obtenidos.36 si el error en la duración media estimada superar las 10 horas? ESTTMAS POR INTERVALO DE CONTIANZA DE MEDIAS (PEQUEÑAS MUESTRAS) 6.638 libras y una desviación típica de y (b) del 99Vo pata los pesos de lotes de 100 cojinetes cada uno.7g% para la proporción real de bolas rojas en la urna.41. 6.94" Hallar (¿) los Problema 6.cAP. 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. respectivamente. mientras que de 100 cerrojos de otra máquina 12 eran defectuosos. 6. Para los pacientes del primer grupo el número medio de horas de sueño fue 7.40 verdadera no difiera de la proporción muestral en más del 6Vo sea (a) del 95Vo.46. como 0'28. INTEBVALOS DE CONFIANZA PARA VARIANZAS Y DESVIACIONES TIPICAS 6. para que la confianza de que la proporción ¿Qué tamaño de muestra se debería tomar en el Problema 6. 6. Una r¡rna contiene una proporción desconocida de bolas rojas y blancas. ¿qué tamaño de muestra deberá tomarse puüa que sea del (a\96%. HaIIar los límites de confianza del (o) g5%. 0.7 Bdn pá. 0. (b ) del 99%.

.6 ¿Qué tamaño de muestra deberá tomarse para que la confianza sea del (a) 95%. Si se toman n observaciones.60. 6.55. .48.54. r. Hallar el estiniador de máxima verosimilitud de ). ESTIMAS DE MAXIMA VEROSIMILITUD 6.e 11. .49. Una población tiene una función de densidad dada por i@l = 2rt/r/" ¡2s-v*.53.(d)v : 30' (¿) v: 40? Una compañía tiene 500 cables. 6. X¡.25 y 6.? ¿Son lc mismos a los dados en los hoblemas 6. hallar la estim-a de máxima verosimilitud de z. . de la du¡ación de 10 bombillas fabricadas por una compañía es 120 horas. Una población tiene una función de densidad dada por 8e toman n observaciones l(r) = l^0 [ Si se toman n observaciones X1 . del Problema 6.042 cm y 0.e 24OO libras y una dewiación típica de 150 libras. .57. .51.62.2to 6. Xn se toman de una distribución de Poisson con parámetro tr desconocido.50. Solucionar el (o) Problema 6. . Comparar los resultados con los obtenidos empleando la distribución normal.51 que tiene la menor amplitud? 6. [(A'+t)st 0<¡:<1 de otra forma Xn de esta población hallar la estima de máxima verosimilitud de h. . . Determinar los intervalos de confianza del (o) 98%v @\gOVapara larelacióndelasdesviacionestípicasdel Dos muestras de tamaños 6 y E respectivamente tienen la misma varianza.035 cm respectivamente. . 6. Xn de esta población. 02 desconocidas.52.62. INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6. PBOBLEMAS DIVERSOS 6. 6.54 si las muestras tienen tamaño 120 cada una.49 si 25 bombillas tienen la misma desviación tÍpica de 120 horas.. . (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. Xn de una población distribuida normalmente con media ¡l y varianza ¿Pueden determinarse estimas de máxima verosimilitud de ¡t y o2 en términos d.(c)v:25.54 fueron extraídas de la misma población? Justificar su solución. 6. Hallar los intervalos de confianza del (o) 98% y (b)907. basados en muestras de tamaño 10 cada una. Los coeficientes de confianza del 999á ("doble cola") para la distribución normal están dados por 12. para la relación de las varianzas de las poblaciones de donde se exhajeron.61.63. -t 1 r ( -.58. Si n observaciones 6.56. ¿Considera que las dos muestras del hoblema 6. TEORIA DE ESTIMACION [cAP. . La desviación típica compañía. 6.7T% de que la desviación típica de una población no difiera de la desviación típica muestral en más del 2%? 6. . . 6. Las desviaciones típicas de los diárnetros de los cojinetes de bolas producidos por dos máquinas son 0.58.49 utilizando la distribuciíny2 si una muestra de 100 bombillas tiene la misma desviación típica de 120 horas. ¿Cuáles son los coeficientes correspondientes para la distribución f si (o) v = 4. Hallar los igr la 6. Solucionar el Problema 6.(b)v:12. . X1. . hoblema 6.52 y (b) Problema 6.26? Explicar.59. Si Xr. (b) gg% y (c) gg. . . . . .. Hallar Ios intervalos de confianza del (a) 98% y (b) 90% para la relación de Ias varianzas. límites de confianza del (o) 96'/o y (b)99Eb pa¡a la desviación típica de todas las bombillas fabricadas Solucionar el Problema 6. En una prueba de 40 cables seleccionados aleatoriamente resulta una media de la resistencia de rotura d.

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

lo cual puede ser o no ser posible. la distribución muestral de un estadístico S es una distribución normal con media p" y desviación típica o". En la práctica se acostumbra a utilizar niveles de significación del 0. Esto no es tah sencillo como pueda parecer puesto que para un tamaño de muestra dado.lo que significa que se puede cometer error con una probabilidad de 0. ENSAYOS REFERENTES A LA DISTRIBUCION NORMAL Pa¡a aclarar las ideas anteriores.O5. generalmente se fija antes de la extracción de las muestras. En tal caso se dice que la hipótesis ha sido rechazada aI niuel de significación del O.96 a 1.7-l Sin embargo.96.. Esto equivale a decir que el estadístico muestral observado es significativo al nivel del 0. entonces hay aproximadamente 5 ocasiones en 100 en que se rechazaría la hipótesis cuando debería ser aceptada.=lD6 I'ig. . supóngase que con una hipótesis dada. se dice que la hipótesis se rechaza al niuel de significación del0. un tipo de error puede tener más importancia que el otro.05.96 a 1. varianza 1) y se muestra en la Fig. Así pues. va generalmente acompañádo por un incremento en el otro tipo de error.)/o.95).05 o que la z obtenida del estadístico muestral dado es significatiua al niuel de significación del 0. El área total sombreada 0. de modo que los resultados obtenidos no influyen en la elección.05 (área sombreada de la figura) si la hipótesis fuese verdadera. La única forma de reducir al tiempo ambos tipos de error es incrementar el tamaño de la muestra. 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 formula¡ la siguiente regla de decisión o ensayo de hipótesis o signi{icación: (o) Se rechaza la hipótesis al nivel de significación del0. Entonces puede decirse que esta z difiere signifícatiuamente de la que cabía esperar bajo esta hipótesis y se estaría inclinado a rechazar la hipótesis.1. ¡--lglj . si la hipótesis es cierta.1. aunque igualmente pueden emplearse otros valores. Si. z > I. el valor de e obtenido de una muestra real para el estadístico S se encontrará entre 1.96 a 1.96 y 1. es decir.. y así se tiende a conseguir poner una limitación al error de mayor importancia.05 6 6"/.1. En la práctica. 7-1.O6El conjunto de las z que se encuentran fuera del rango -1.212 error del Tipo da. se puede estar con el 957o de confianza de que. debe diseñarse de forma que minimice los errores de decisión.96 (es decir. la probabilidad de cometer error del Tipo I.01.. por ejemplo se elige un nivel de significación del O.96 ó z 1. De acuerdo con lo dicho hasta ahora. Como se indica en la figura.05 si la z obtenida para el estadístico S se encuentra fuera del recorrido . al diseñar un ensayo de hipótesis.96 podía entonces llama¡se región de aceptación de h hipótesis o región de no significación.05. ? II.El conjunto de lasz que se encuentran dentro del recorrido .96 a 1.05 ó 0.96 constituyen lo que se llama región crítica o región de rechace de Ia hipótes¡'s o región de significación.1.96 (puesto que el área bajo la curva normal entre estos valores es 0. Representa la probabilidad de rumeter error al recbazar la hipótesis es decir. Entonces la distribución de la variable tipificada dada por Z : (S ¡. si al elegir una muestra aleatoria se encuentra que z para ese estadístico se halla fuera del recorrido . ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. un intento de disminuir un tipo de error. Esta probabilidad se denota frecuentemente por o. se está con un 95% de confianza de que se toma la decisión adecuada. es una normal tipificada (media 0.96). 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. lo que quiere decir que es un suceso con probabilidad de solamente 0.05 es el nivel de significación del ensayo.

.58 2. si se utilizase el nivel del 0. será de utitidad para propósitos de referencia.96 y -2. La Tabla 7-1.28 1. aceptaríamos -EI6 de que la media poblacional es p : o utiliza¡íamos el estadísti-EÍe (o al menos no lo . 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. con frecuencia se puede estar solamente interesado en los valores extremos a un solo lado de Iá media. Cuando es necesário se utiliza la desviación muestral observada s (ó G).96 en todo lo visto anteriormente por 2. media muestral.58 ó -2. los resultados son para poblaciones infinitas o para muestreo con remplazamiento' Para muestreo sin remplazamiento de poblaciones finitas los resultados deberán modificarse. Por esta raz6n.58 y -2. donde o es la desviación típica poblacional y n es el tamaño de la muestra. Z = -. con área igual al nivel de significación.645 1. como por ejemplo. tales ensayos se llaman ensayos de dos colns o ensayos bilaterales.81 2. Tabla 7-1 Nivel de significación o Valores críticos de z para ensayos unilaterales Valores críticos de z para ensayos bilaterales 0. es decir. que da los valores críticos de z para ensayos de una y dos colas a distintos niveles de significación.i: ¡t. En cada caso.28 ó -1.7l / ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2L3 (b) Se acepta Ia hipótesis (o si se desea no se toma decisión alguna) en caso conhario.58 (véase Tabla 7-L). Tales ensayos se llaman ensayos de una cola o ensayos unilaterales. puesto que la suma del nivel de significación y el nivel de confianza es L00%.08 y 3.96 1. Para ensayar la hipótesis nula (f) co (I ). 1. Valores críticos de z para otros nivelei de significación. en una "cola" de la distribución.33 ó -2. En tales casos. página 195.005 0..la X-.6 1. Ia región crítica es una región a un lado de la distribución.08 ENSAYOS ESPECIALES DE SIGNIFICACION PARA GRANDES MUESTRAS Para muestras grandes.88 2. se pueden encontrar utilizando la tabla que da las áreas bajo la curva normal. = op: o/1/i.05 001 45 0. puede también emplearse. 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). tss =. Por ejemplo. es decir. Si4 embargo. media poblacional.645 y 1.8I -3. Entonces.01 se sustituiría 1. utilizando un ensayo de dos colas. La Tabla 6-1. o.002 ó -t.33 -2.88 y -1. Debe ponerse de manifiesto que puedgn igualmente emplearse otros niveles de significación. en las dos "colas" de la distribución.cAP.10 0. La variable tipificada viene dada por Aquí S : X. Los co. 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.-: ú1V11.58 2.645 cí 2. Véanse páginas 158 y 160. Medias. para estimar o.

donde p es la proporción y n es el tamaño de la muestrsi o" : o. (5) se convierte (6) Z= X-np \nLPrI Consideraciones semejantes a las hechas anteriormente para medias pueden hacerse. La variable tipificada viene dada por z: En el caso de que P . 3.De (//). Con la variable tipificada dada por X.-'. es decir.-X2-0 z _:. ¡r" : ltp : p. página 159..2I4 ENSAYoS DE HIPoTESIs Y sIGNIFIcAcIoN lcAP.. de éxitos en la población (4) Aquí S : P. como estimas de or y 02.05 si ry olVn ríamos. 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.EIo al nivel 0. Para otros niveles de significación cambiaríamos (2) apropiadamente. ? rechazaríamos) al nivel 0. Para ensayar la hipótesis de que la media poblacional es mayor que o utilizamos aun la hipótesis nula I/o de que es igual a a. = 0 O:. Para ensay¿ü la hipótesis de que la media poblacional es menor que a acepta- iñ 2. 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 ..._ = Xr-X" \. aceptaríamos Ilo (o al menos no la rechazaríamos) al nivel 0. Considérese la hipótesis nula de que no hay diferencia entre las medias poblacionales. : ltulln. lt : !z.05 si p¿üa una muestra específica de tamaño n con media r (2) -1. donde X en es el P-p \/pql" (5) número real de éxitos en una muestra.. Proporciones. Sean Xr V iz las medias muestrales obtenidas en dos muestras gtandes de tamaño nt y nz extraídas de poblaciones respectivas qqe tienen de media lt y ttz y desviaciones típicas ot y oz.e6 y lo rechazaríamos por el contrario. Entonces.e6 = "ñ+ = 1. Diferencias de medias.05 si (véase Tabla 7-1). donde e : ! .r.*r_*. si es necesario. '\ l x2 (7) ¡ donde se puede. utilizando un ensayo de una cola. la proporción de "éxitos" en una muestra.= X/n. .p. utilizar las desviaciones típicas muestrales sr V sz (ó 0t y 3.

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

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. Por tanto rechazaríamos Hs.. Un resultado otro nivel. en el nivel 0. -2 gradosde'libertad. Para ensayar la hipótesis H. 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 . . combinada obtenida al donde ^31 t .1 grados de libertad.05 si X. El empleo de (12) está plenamente justificado al hacer o. Si ¡/o denota la hipótesis nula de que no hay diferencia entre las varianzas poblacionales. y o!. y después utilizar como estima de o2 la media ponderada (n. fuera tal que nsz t2 y aceptaríamos IIo (o al menos no la rechazaríamos) de otra forma.3¿ son estimas insesgadas de oi combinar los datos. s2. . página 159.1)^ii + fn. Relaciones de varianzas. Entonces. t La distribución de ? es una distribución de Student conv: n. utilizando un ensayo de dos colas.10 si Fo.'oz¡ o<nsz< (14) semejante puede obtenerse para el nivel 0.t. aceptaríamos. provienen o no de la misma población normal. cuyas varianzas medidas son sl y sr2.05 (y por tanto concluiríamos que f/.01 u y la rechazaríamos de otra forma.t n. . Esta es la uarianza 3. En este caso utilizamos el estadístico (véase página 161) F= donde (16) fi.J)9j 1) + (nz -1)-- l' n. Varianzas. Entonces si una muestra aleatoria de tamaño n tiene varianza s2 aceptaríamos flo .) (17) Para ensayar esta hipótesis al nivel 0.s? + + n. (o al menos no la rechazaríamos) en el nivel 0.2L6 ENsAyos DE HrporEsrs y srcNrFrcAcroN / Se'tt. es correcta) si la varianza muestral específi- ca. * n. Bajo esta hipótesis (16) se convierte en "! F::-l q2 q2 \.EIo (o no la rechazarí4mos) en el nivel 0. (rz' . primero anotamos que F en (16) tiene la distribución F con fr . 4. En algunos problemas deseamos decidir si dos muestras de tamaños m y n respectivamente.1..s'. por ejemplo. .. fi son las varianzas de las dos poblaciones normales de donde se extraen las muestras. pero entonces emplearíamos un ensayo de una cola. sí sí = F'o.0. (/8) y lo rechazaríamos en el caso contrario. n .oz : o en(12). basados en el ensayo de dos colas. de que la varíanza poblacional es mayor que o2 emplearíamos la hipótesis rilo .1 grados de libertad. es decir = o3.

la si de modo que puedan darse los pasos rápid ejemplo en control de calidad.05 es eq pigtm 195 conducente al intervalo de confianzadel96"/o se puede obsenrar que existe u eoría de ejemplo.29).32 y 7. poüíamos realmente emplear el intervalo de confiaíza del Capítulo 6 para e¡¡sayar ttipótesir.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. se describe más adelante.7.14). érrores de los empleados.30. (/ ) en la (1e) ñ _ L. conviene utllizar papel grófico de curua normal o papel grófico de probabilidad.136 y también Problema 6. Es posible evitar el riesgo de error < nunca la hipótesis.33. A pesar de que la necesidad de tales intervalos es rara' es posible definirlos (véase Problema 7. qué tamaños de muestras deben emplearse.31). etc. Útt "trrayo ajuste de distribuciones teóric as. 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. por ejemplo. 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. GRAFICOS DE CONTROL DE CALIDAD importante conocer cuándo un proceso ha cambiado suficientemente. como a veces se le llama (véase Problema 7. Un resultado semejante para_ ensayos de una cola requeriría intervaloi de confianza unilateralás. El método utilizado general: típica de la muestra para estimar la media y des 7.elo vn vn Por tanto. r a¡ la bondad d. El problema de ensay En un intento para determina¡ si una distribución normal representa un buen ajuste para datos dados. significación. Sin embargo. donde s camb se deben simplemente a fluctuaciones causa de deterioro en las máquinas. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2t7 R. POTENCIA DE UN ENSAYO Se ha visto cómo el error del Tipo I pued. . al menos en el caso de los ensayos de dos colias. el enmyo chi-cuadrado. Los gróficos de control suministran un método útil y sencillo para tratar tales problemas (véase Problema 1. CURVAS CARACTERISTICAS DE OPERACION. es posible frecuenten llamadas "modelos" o distribuciones "esperadas") tras de la población.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.cAP.

A¿ con probacaso tenemb.. A. son todae .. ? ENSAYO CHI. 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 . . X¡ (cuyos uencias observadas para la muestra). = (Xt:-!t?t)z n?t * (xz-nqz\2 . . . Fz . speradas estarí e hace en la Ta sucesos posibles Ar. Pk. npp respectivamente..nP\' = (Xt. p entonces la frecuencia esperada de caras (éxitos) es np : (1OOX1/2) : 50.9n" generalización al c bilidades Pt . 2..os. Nótese que ng en (20\ es la frecuencia obsen¡ada de iraca. . de modo que n as l. Az pueden obserwdn para el suceso EJEMPLO 7'1...CUADRADO PARA LA BONDAD DEL AJUSTE )s" en una muesha de tamaño n extraída de una acional p de éxitos. en tanto que . hemos utilizado el estadístico s sucesns A 1 en pyq-1-p. unapoúíac¡ón muit¡i-omial'(véare io n de esta poblacibn las frecuencias obsen¡adas por las variables aleatorias Xr. 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. extraemos At. . de modo que n : lO0. : 20.. nPz + (xn-npn\z '- nPr t?.!-n " = í-=t nP¡ (28) . $. p6 t€ y todas ig lógicarnen ente y = 120.2- Si obtenemos una muestra de 120 lanzamientos de un dado honrado. das La forma del resultado (20) sugiere que una medida de la discrepancia entre frecuencias observay esperadas para el caso general se suministra por el estadísfico x.. An os 11..np)2 * npq np (Xz nq - ne)2 (20) donde Xt = X es la variable aleatoria asociada con . . _ página 113). .(x¡-np¡\z np (21) donde la frecuencia total (es decir el tamaño muestral) es n. La frecuenci¡ observada en la muestra podrfa lógicamente ger diferenüe. . . uencias caras q . y X.Si obtenemos una muestra de 100 lanzamientos. . Si . . .de una moneda honrada. . : n-X1 es lavariable aleatoria asociada con "fracaso". . : Il2.2r8 EI{SAYOS DE HTPOTESIS y SIGNIFICACTON lcAP. x2.éxitos.Unvalor tanto que np se llama la fteóuencia esperad At. de modo que Xt*Xz+"'+Xr=n Una expresión equivalente a (21) es k¡22' (22) x2 ).

| si las frecuencras esperadas pueden calcularse sin tener que estimar parrámelros poblacionales con los estadísticós muestrales.-Este procedimiento se llama ensayo o prueba de ehi-cuadrado de la hipótesis. contiene hh térmnos.L .. en las que las fre tabla de clasifict¡' tabhs gencia.e contin- Correspondiéndose con cada fiecuencia obsen¡ada en una tabla de contingenciahX k. La suma de todas las frecuencias obsenadas se denota por n y es igual a la suma de todas las frecuencias esperadas [comparar con la ecuación (22)1. las esperadas. paíá examfuia¡ tales situaciones se puede determinar si el valor calculado 4" I' ": -"noi eue ¡2". A valores mayores de y2. La frecuenciá total de cada fila o columna es la llamada frecuencin marginalPara estudia¡ el acuerdo entre las frecuencias observadas y esperadas. Esta suma que es análoga a (21).m si las frecuencias esperadas solamente pueden calcularse estimando m parámetros de la población a paftir de los estadísticos muestrales. Véase Problema 7. ó Xl. de Poisson. TABLAS DE CONTINGENCIA (léase "1por h"). mientras que si ¡z. Adviértase que el restar 1 a k es a causa de la óondición restrictiva (221 que denota que si son conocidas k . etc. aq con cierto recelo. El número de gradosrde libertad z está dado por (a) v : h . (blv : k . En la práctica. se calcula el estadístico (2tt\ x2 = ?g#a donde la suma se extiende a todas las casillas de la tabla de contingencia.) 0.01 respectivamente. hay un-a y según las reglas de probabilidad' o esperada gue se calcula bajo ncia se llaman frecuencías elemen' q. no toinciden exactamente. las frecuencias esperadas se calculan de acuórdo con una hipótesis flo. se .05 a 0. en cuyos casos se decide que i" concordancia es bastante buena a los niveles de significación de 0. mayores son las discrepancias entre las frecuencias obsen¡adas y esperadas.44.re ócupan ias corliilas de uná t tales.j*h a distribuciones empíricas.r. es decir. pu-esto queDebe advertirse que en a. . por (21) se muestral a Como se demuestra en el elección de or tanto.. ó ¡f.1 de las frecuencias esperadas. la fiecuencia restante puede ser determinada. rechaza llo al nivel de significación correspondienl rechazará.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. aquellas que se obtienen de los datos muestrdes. c aproxima muy estrechamente ción mejora iguales a simbolo en (-21) si las frecuen para los valores superiores.. d. que son los valores crít -se deduce que las frecuencias mente). las frecuencias observadas y esperadas concuerdan exactamente. los símbolos X¡ Y nP¡ representan respectivarnente las frecuencias obsenradas y esperadas en la casilla i. cero debe mirarse demasiado bien con ncias obiervadas concuerden en que x2 estÉ muy próximo Además de aplicarse a la distribución multinomial.Si bajo esta hipótesis el valor calculado de x' como xf.

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

(2) de otro modo.I de la regla de decisión y la probabilidad de cometer este error es igual a 0.1.I0 Probabilidad pedida : : área bajo la curva normal e¡tíe z: 2(áreaentre z: O y z: -2.) +'noc. puede utilizarse para la er¡aluación de la suma anteriqr la aproximación normal a la distribución binomial.0358 6 3. cuando debería aceptarse q el error del Tipo.5 en unidades tipificadas = q9'5-:-E 60. la probabilidad de no obtener entre 40 y 60 caras inclusive si la moneda está bien hecha 1 . pues se habla de rechazar la hipótesis a un nivel de significación de 0. está representado por el área total sombreada de Ia figura. Entonces la probabilidad de rechazar la hipótesis cuando es correcta : 0.0358 del apartado (o). (b) Interpretar gráficamente la regla de decisión y el resultado del apartado (c). cuando en realidad es cierta..0. Si en una serie de 100 lanzamientos sg obtiene una z entre -2.10 y nq son ambas mayores de 5./lY' (.9642 : 0. entre 40 y 60 caras inclusive es lo mismo que entre 39. la probabilidad pedida es /1\'t0 'oocoo( i) /r \6r' . Por esta razón. 7-2. probabilidad de error del Tipo I) se llama níuel de significación d.L0 y 210.5. uo Pueeto que np o-{ffi=['r{ffi=' = _2..s resueltos ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NORMALES 7. Para ensayar (c) Hallar la probabilidad de rechazar la hipótesis. /1Y.5 .5 y 60. -.2. La regla de decisión se ve gráficamente en la Fig. .0358 en este casc.1O y z: 2.58%.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.10) 7.1.-210 caras) FiE. se rechaza.. En una escala continua. de otro modo se rechaza y se decide que la moneda no está bien hecha.) =.lO 2. Hallar la probabilidad de obtener entre 40 y 60 caras inclusive en 100 lanzamientos de una moneda. el área total sombreada (es decir.5 - 50 = 2.7-2 z (60.que muestra la distribución de probabilidad de caras en 100 Ianzamientos de una moneda bien hecha. (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. ambos inclusive. .en unidadee tipificadas = 60.0358. se acepta la hipótesis.0358. Según la distribución binomial. Así. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 22r Problema.tp = 1oo(.'lóJ /1Yo .CAP.5 caras. Región de recbace ? El error que se puede cometer de rechazar la hipótesis (39. se dirá que esta z difiere significatiuamente de lia que cabría esperar si la hipótesis fuese cierta. 39. la hipótesis de que una moneda está bien hecha.'| rrx'ti'\r/ /tY' \-/ \-/ \-/ \-/ \-/ La media y la desvi¿ción típica del nf¡mero de ca¡as en 100 hnzamientos vienen dadas por t./ 1" (. \ql .e la regla de decisión y es igual a 0.. 53 (o) (b) Por el Problema 7. 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.

16 y 39. (o) Primer método: Si el nivel de significación es 0. Segundo método: Con probabilidad 0.32.96 < z < 1. Para mayor discusión véanse Problemas 7 rechazarse ea error del Tipo 1I de la . es decir. es decir.3.960 y ¡J + l.(X-32)l¿:1-96óX:39. Si el nivel de signilicación es 0. g2-2.96.1. Diseñar una regla de decisión para ensayar la hipótesis de que una moneda est.< 1. np. nótese que la media y la desviación típica de la distribución binomial exacta de caras están dadas por ! . El error que se comete al aceptar la hipótesis cuando debería decisión.1. -zr Fis.58o.? en lugar de 0.5.96.96_ (2) Rechazar la hipótesis en cualquier otro caso. caras se encuentra entre (2) es Se rechazá la hipótesis en caso contrario.5i2:-1.96(4): 1. pues.58(4\: 42. 89.960.2.16<X< 39. Siguiendo el mismo procedimiento del método segundo del apartado (o ). SiZ:1.1.95.96 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. por ejemplo. Se puede argüir que con solo una cara más que se hubiese obtenido.96(4)< X< 32 + 1.96 <(x-gz)l¿.96(4).58o y pt*.96 y 1.05 y (b) 0.005.96 equivale a . Entonces.966X=24.96yñpq lleva a Ia regla de decisión anterior.y z¡ : 1.222 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. Tercer método: y np+1.25.01 . 24. 7. Estopuedetambién - el número de ca¡as se encontrará entre lr 2.Asípues. (d) Si. Se puede aceptar la hipótesis cuando realmente debería rechazarse como. se ve que con probabilidad 0.23-7. (i ) Se acepta la hipótesis de que la moneda está bien hecha si el número de 24. 7-3 es 0.84que 32) < 1.á bien hecha si en una muestra de 64lanzamientos de la moneda se toma un nivel de significación de {c) 0.t6. se habría rechazado la hipótesis.bg (másexacüarnente 2.025 por simetría. el área entre 0 y zr es 0.58(4):21.0050 :0.68 y Bz + Entonces la repla de decisión sería: (l) Aceptar la hipótesis si el nfrmero de caras se encuentra entre 22 y 42 inclusive.96.01.96(4) :24. Entonces Z la regla de decisión resulta: = (X - 32\14.5000 0.96.np: 64(0. Entonces el área entre 0 y zr = 0.96{npq o entre 32 - 1. (2) Rechazarla en cualquier otro caso. entre 25 y 39 ambos inclusive.84. sería el caso cuando la probabilidad de cara fuese realmente 0. cada6rea sombreada en la Fig. . Esto es lo que se debe afrontar cuando para tomar decisiones se toma cualquier línea de división. ? (c) Según la regla de decisión. en ambos casos se aceptaría la hipótesis de que la moneda está bien hecha. cada área sombreada en la figura anterior es 0.5) .que también conducea ) obtenerse de la Tabla ?-1. el número de ca¡as se encontrará entre ¡¡ decir.1. es decir.O.99 .05.96(4)< (x6 32.4950 ! zt = 2.O25O : O-4750.7-B 2r Los valores críticos la Tabla 7-1- -1.84.76y 32+ -1.5000 . 2.96(4) la regla de decisión anüerior. Entonces.(X-32)14:-1. una posible regla de decisión es: (I ) Aceptar la hipótesis de que la moneda est:á bien hecha si Z está entre -1.32 y o -= t/iw = y'6llos)(05) = = (X p)/o 4 bajo Ia hipótesis de que la moneda está bien hecha.96 y 1. (b -1. Así.84.575).

Se elige un ensayo de una cola. zl (2) Si z es menor de 1. Si el zujeto identifica conectamente 32 cartas' determinar si los resultados son significativos al nivel de significación de (c) 0. es decir.P. Si la hipótesis está dado por ff6 es cierta. puesüo que 32 en una eecala continua está entre 31-5 y 32.05 y el indiüduo tiene fue¡za de E.S. 7-4 de modo que el área sombreada en la región crítica de r¡alores alüos sea 0. (I) ee Adüértase que tealmente debería aplicarse una conección de continuidad.645. es decir.23-7. no significativos al nivel del 0. entonces se tiene que decidir entre las dos hipótesis siguientes: Si Hoi p: 0.5. los resultado¡ son totalmente casuales Ht: p ) 0.cAP.3 que evite el enor del Tipo T? El error del Tipo I[ se c.S. la media y la desviación tfpica del número de cartas identificad¿c correcüamente 3.ar la hipótesis si el número de caras se encuentra e¡fte 22 y 42 inclusive. puesto que no se está interesado en la facultad de obtener valoree bajos.05.84 llegándose a Ia misma conclusión anterio¡.01 ¡on altomente significatiuos.26').06 son no significatiws.33.05.5) en unidades tipificadas es 1.) 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. Seglrn la üerminologfa.25\15. se concluye que al nivel del 0.omete al aceptar una hipótesis que debería ser rectrazada.84) que es menor que 2.26)13.5 .01.64:1.entonceseláreaent¡eOyzt:0. (D) Sielniveldesignificaciónes0. sino en la facultad de obtener aciertos numerooos.01. Entonces el área enüre O y zt = 0.01.05 el individuo tiene fuerza de E. Esto puede también eacarse de la Tabla 7-1. 7-4 Puesto que 32 unidades tipifrcadas (32 . los resultados son significativos al nivel del 0. lo que se hace es simplemente no rechazarla. Para evitar este etlor. Una completa discusión de tales casos requiere l¿ consideración de errores del fipo II (véanee hoblem¿s 7. los resultados significativos al nivel del 0. . En un experimento sobre percepción extrasensorial (E. la decisión rnantiene es decir.645 los resultados Be deben a la casualidad. se concluye que los resultados del experimento anterior wn probablemente significatiuos. la regla de decisión del Problema 7.06 se debe elegit z1 en la Pig.645.33. se deduce que los reeultado¡ no son significaüuos al nivel de 0.98 (ó 1.5 y el sujeto tiene fuerza de E. 7.5 üiene un valor tipificado de (31. Es desconocido-para el zujeto cuántas cartas rojas o azules hay en el lote. mientras que los resulüados significativos a niveles superriores al 0.98 es mayor que 1.5) = zb ! o=\/wq = /86(05)(-05) = ¡/Es = (a) Para un ensayo de una cola al nivel de significación de 0.6. Sin embargo. en muchos ejemplos prácticos es importante decidir si una hipótesis debe eer aceptada o rech¡zada.5 V el sujeto está simplemente adivinando. 31.05 y (b) 0. Así por ejemplo.05 pero no al nivel del 0. Asfrpues.4.np = 50(0. lo que efnificarfa que ee rehuaa cualquier decisión en este caso.645. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 223 7.01 son probablemente significotiuos. Y zr : 1. Fig. la regla de decisión o enaayo de significación es: (f ) Si la z observada es mayor que 1.P.S.P. Algunos estadísticos adoptan la terminología de que lios resultados significativos al nivel del 0.54 p=.3(b) serfa: (I ) (2) No recltzz.Puestoque32(ó 31. ¿Cómo se podría diseña¡ una regla de decisión en el Problema ?. en lugar de aceptar la hipótesis.S. p es la ptobabilidad de que el sujeto elija conectamente el color de una catta.P.64: 1. Sin embargo.4500.4900Y2r:2. de modo que posteriores investigaciones del fenómeno están probablemente justificadas. Rechazar Ia hipótesis en ca6o contraúo.

La duración media de una muestra de 100 tubos fluorescentesproducidosporuna compañía resulta ser 15?0 horas. la aseveración es legítima y los resultados obtenidos se deben a la casualidad (en cuyo caso Si se acepta 116 ). como puede deducirse del koblema 7. 7 Puesto que los niveles de significación sirven de guía en la toma de decisiones. La distribución muestral de X tiene una media r¿x-Éyunades. H1: ¡t* 1600horas Un ensayo bilateral debe utilizarse aquí puesto que g * 1600 incluye valores mayores y menores de 1600.05 y (b) 0. Denótese porp la posibilidad de obtener alivio de la alergia utilizando la medicina. Si ¡. (a) Paraunensayobilateralalniveldesignificaciónde0. \/"pq = /?2ooxo.23: -4. mediante la simetría de la curva.84):0.0322 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. altamente significatiuos (véase final del Problema ?.s. Asípues.r¡ = a.En una muestra de 200 individuos que tenían la alergia la medicina suministrada alivió a 160 personas.96 a 1. 7-5 toma como regla de decisión: (1) La aseveración no es legítima si Z es menor de -2.r es la duración media de todos los tubos producidos por la compañía.7. es decir. Entonces tre las dos hipótesis: se debe decidir Ho: p: 0.5).23.96.224 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.6. 3. El estadístico bajo consideración es la media muestral X. (2) Se acepta l/6 (o no se toma decisión alguna) en caso contrario.0322. es sobre el 3 por 100.P. que es mucho menor de -2.l8O)14. Ahora 16O en unidades tipificadas (160 .9 y la aseveración es correcta es falsa Hy: p10. en este problemapuesto quep(Z > 1.S. .01. algunos estadísticos citan las probabilidades reales inherentes.33 (en cuyo caso se rechaza H¡). . Se tiene que decidir entre las dos hipótesis: Ho. Si se toma el nivel de significación del 0. o de la Tabla 7-1. 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. puesto que Ee esüá interesado en determinar si la proporción de gente aliviada por la medicina es demasiado baja. comprobar la hipótesis ¡¡ : 1600 horas contra la hipótesis altemativa r¡ # 1600 horas con un nivel de significación de (a) 0. por un período de 8 horas. lt:1600 hora.33. Por ejemplo. 7-5 es 0. Determinar si la aseveiación del fabricante es cierta. si el área sombreada en la Fig. con una desviación típica de 120 horas.$) : 1AO y " - 7. El fabricante de una patente médica sostiene qu€ la misma tien'e un 9O% de efectividad en el alivio de una aler_gia. 7. se llama a veces niuel de significación erperimental o descriptiuo.01.33.viacióntípicaop:s/1/i. entoncegz¡ : -2. (2) En caso contrario. Se zl Fig.5(b).9 y la aseveración Se elige un ensayo unilateral.01 .Ossetienelasiguienteregladedecisión: (/) Se rec}raza 116 si la z de la media muestral está fuera del rango ..9)(o. ta probabilidad citada en-este caso 0.1.dondegvoscnlamediayladesviacióntípicadelapoblación de todos los tubos producidos por la compañía.

que es menor de -2.01 la regla de decisión es: ) Si eI valor de z es mayor que 2.645. Entonces. 7.0Sysetieneque zt : Se adopta.58 a 2. De aquí se deduce que los resultados son olúamente significatiuos y Ia aspiración de mejora debe ser admitida. I/e es cierta. Bajo la hipótesis de que (I es rechazada.33. Para ensayar esta aspiración.9.05.05.T-Stieneunáreade0. naturalmente esperarse. Debe aquí utilizarse un ens¿ryo unilateral (véase Fig.1600y12 : -2. se rechaza pues. el valor de e es -2. Esto cabe. puesto que z -2. .645.50. Se ¡ecltaza 7 . por tanto la regla de decisión: -L. se acepta Ile (o no se toma ninguna decisión) al nivel de sfinificación del 0. se ensaya una muestra de 50 cables y se encuentra que su resistencia media es de 1850 libras. Ilo es aceptada (o no se toma decisión alguna). (a) Sielniveldesignificaciónes0. se tiene X-p ol\n 1850 . (1 Hs si Z es menor de -1.1600)/12 : (L570 .01. 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.7(a) mediante un ensayo bilateral.33.05.01.50 se -l . Al nivel de significación del 0.¿ 7.7.cAP. ensayar la hipótesis p : 1600 hora. que es menor de -1 .7(b) mediante un ensayo bilateral.33. y hay un cambio en la resistencia Aquí debe emplearse un ensayo unilateral (véase Fig. puesto que se ensaya I/6 conha una alternativa diferente en cada caso. se rechaza pues.01. no están siempre en concordancia.9 6. Como en el Problema 7.33. el rango -1. ' (b) Si el nivel de significación es 0.F/0 (2) De otro modo. en efecto. 7-5 es -2.01? Se tiene que decidir entre las dos hipótesis: Ho: lJ: Ht: lt > 1800 libras. /ls al nivel de significación del 0.50. fle al nivel (b) Si el nivel de significación es de 0. y realmente no hay cambio en la resistencia 1800 libras.7 Como en el Problema de significación del 0.96 a 1 . Se debe < 1600 decidir entre las dos hipótesis: Ho: lJ: 1600 horas.33 los resultados son significativos al nivel de 0. se tiene g : 1600 y o* = a/t/n = 120/\/L00 = 12. utilizando la desviación típica muestral como una estima de o. se rechaza /16 al nivel de significación del 0. 7-5). con los niveles de significación de (¿) 0.1800 -------------ó.oo loo/v5o que es mayor de 2. (2) S. 7-4).7(a). ) (2) Se acepta. basadas en ensayos de una o dos colas. el valor de z es -2. ¿Puede mantenerse que.01 y.8.96 a 1. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 226 eneuentra fuera del rango Bajo la hipótesis I/6. ¡. II1: ¡t{ 1600 horas.58. acepta H6 (o no se toma ninguna decisión) en caso contrario.01 eI valor de z1 en la Fig. Adviértase que esta decisión es idéntica a la obtenida en el Problema 7.Ff6 (o no se toma ninguna decisión) en caso contrario.05 y (b) 0. (a).96 en la regla de decisión del apartado (c) se sustituye por -2. laregiónsombreadadelaFig.01.645. De aquí que se adopte la regla de decisión: (I ) Se rechaza H¡ si Z es menor de -2.50 se encuentra dentro de este rango. En el Problema 7. hay un aumento de resistencia al nivel de significación del 0. Puesto que / : (X . Las decisiones concernientes a hipótesis'lfe dadas. Mediante una nueva técnica en el proceso de fabricación se aspira a que esta resistencia pueda ser incrementada.s frente a la alternativa horas. Adviértase que esta decisión es la misma que la obtenida en el Problema 7.

5 pulgadas con desviación típica de 2. los resultados son significativos al nivel de 0. "Z= l8r.01 no hay diferencias significativas entre ambas clases. I vez cada 10. = o*r-fr. los resultados son significativos al nivel de 0.01? ces. n2 = 0. ambas clases provienen de la misma población. ltz . Para un ensayo bilateral. De aquí se deduce que al nivel de 0.0ó hay una diferencia significativa entre las dos clases y la segunda es probablemente mejor. La media y la desviación típica de la di- uir-i. (b) 0.645. De aquí se deduce que al nivel de 0. En la primera clase la puntuáción media fue de 74 con una desviación típica de 8.01 si Z se encuentra fuera del iritervalo -2. Enton- Bajo ferencia de medias están dadas por Ho: ltt : llz. !40*50 = 1.hay una diferencia significativa entre las dos clases la hipótesis lls. Entonces z= (a) (ó) Pata un ensayo bilaüeral.-*.05 si Z se encuentra fuera del recorrido -1.5 pulgadas. 7. Debe sin embargo ponerse de manifiesto que la hipótesis puede rechazarse al nivel de 0. ?.58.05.606 donde se han utilizado las desviaciones típicas muestrales como estimas d.226 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [g.96.5.e 2. mientras que en la segunda clase la puntuación media fue de 78 con una desviación típica de 7.lp.la estatura media del primer gtupo ^o hay diferencia entre las estaturas mediases mayor que la del segundo ur?.96 a 1. La estatura media de 50 estudiantes de un colegio que tomaban parte en las pruebas atléticas fue de 68. se rechaza la hipótesis lls si el valor de z fuese mayor de 1. ! la diferencia se debe simplemente al azar H t : Pt * ¡t2 .El6 . se deduce que los resultados son probablementesignificatiuos.e o1 y o2.10. = 1# = -2.10.8 pulgadas.10 si se está dispuesto a correr el riesgo de tomar una decisión errónea con una probabilidad de 0. ¿Hay una diferencia significativa entre el restfltado de las dos ciases al nivel de significación de (a) 0.11. Se debe decidir entre las hipótesis: Ho: llt : H t: Ft ) Bajo la hipótesis. Ensayar la hipótesis de que los estudiantes que participan en las pruebas atléticas son más altos que los otros. = o n*r-'^" = !t-".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. - l"? .2 pulgadas con desviación típica d. se tiene que Supóngase que las dos clases provienen de dos poblaciones que tienen de medias respectivas decidir entre las hipótesis: l\ y tJz. de acuerdo con la terminología utilizada al final del Problema 7.05. p2 . no se puede rechazar la hipótesis a este nivel de significación.4s Puesto que los resultados scin significativos al nivel de 0. Así pues. es decir.05 pero no al de 0.. z ENSAYOS RELACIONADOS CON DIFERENCIAS DE MEDIAS Y PROPORCIONES 7. =o n*r-rr"= "? .01. Se hizo un examen p dos clases formadas por 40 y 50 estudiantes respectivamente.58 y 2. mientras que 50 estudiantes que no mostraban interés en tal participación tenían una estatura media de 67.

ui'!!=r. (a) o._P" orr. padecen una enfermedad. Se debe r! p2.05. = o o.13. (2 ) sin decidir entre las dos hipótesis: es decir. respectivamente las proporciones poblacionales curadas ( I ) utilizando el suero . (c) 0:10. De donde se deduce que a este nivel tambiénlas diferencias se deben al azgt. Se encuentra que en los grupos Ay 8.7 observada en las estaturas medias se tiene xt .zorro. Ensayar la hipótesis de que el suero ayuda a curar la enfermedad al nivel de significación del (a) 0. urr-r'./" Para la diferencia de 0.01 si : 28 al menos.650 0. Entonces ry- en los dos grupos muestrales el valor (?5 * P. Denótese por P utiliza¡ suero. = 0 V p". pero no al grupo B (que se llama gtupo control). se debe deducir que los resultados se deben al azar a este nivel de significación. 14.10.05 si Yif-t'uou (b) La diferencia observada ó 1/-n=8. el suero no es efecüivo Ho: Pt : Pz. al nivel de significación del 0. 0. se deduciría que el suero es efectivo al nivel de significación de 0.l las diferencias observadas son debidas al az. se tiene . . bajo la hipótesis tiI6. Puesto que esta condición es satisfecha.ebr(-#."2 nn (2.t. (ó) De acuerdo con un ensayo unilateral (c) Si se utilizase un ensayo unilateral al nivel de significación de 0.75/\n 0.zt.01. siendo en todo lo demás los dos grupos tratados idénticamente. respectivamente se han recuperado de la enfermedad.7 pulgadas en las estaturas medias sea significativa al nivel de significación (o) 0. H t : pt ) pz.7 3.ir_*.54 (c) De acuerdo con un ensayo unilateral al nivel de significación del 0.xz 4 . Entonces. = p de curas 0..09 3.70 y donde q : 1 p : 0.y el suero es efectivo Bajo la hipótesis 116.L2."io" dos grupos per- o*r- *.r. (b) 0. Puesto que el valor de z es 1. se rechazaría la hipótesis IIs solamente si z fuese mayor de 1.r-r. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 227 7.5¡z ¡ ".10 se rechazaría f/e solamente si el valor de z fuese superior a 1.tt d \/a>r2.II para que la diferencia observada de 0. = o?. 7.o*r-*.54.5 ó t57 n>1b? 50 De aquí que se debería incrementar cada muestra en al menos : lO7 .75 y 65 individuos. deberá incrementarse el tamaño de cada grupo en ?8 será significativa al nivel de 0.05.0648 ro.30. Dos grupos A y B fo¡mados cada uno de 100 individuos.8 í¡ n>78 50 Así pues.28. (b) 0.#) = 0.05. Se administra un suero al grupo A.75 n .7\n 3'75 La diferencia observada será significativa al nivel de 0. se r*}lrazaría lahipótesis1116 solamente si z fuese mayor de 2.01? Supóngase que el tamaño muestral de cada grupo eB n y qLe las desviaciones típicas manecen iguales a las de antes.33.CAP.0648 donde se ha utilizado como estima de la proporción 65)1200 : 0.01.645. ¿En cuánto deberíán incrementarse los tamaños de muestra de cada uno de los dos grupos en el Problema 7.?50 - = 1.

645.96a1. se debe decidir entre la hipótesis (f/e ). .15.zol ro. Bajo la hipótesis ^FIe.zt y 195 del grupo B. es decir. z Adüértase que las conclusiones anteriores dependen de lo que se esté dispuesto a arriesgar de tomar una decisión erróneá.0374 . Sin embargo.01 de equivocación. que son las mismas del problema anterior.228 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. Al nivel de significación del 0. z=ñ= - = 2. que se estudia con un ensayo bilateralCon un ensayo bilateral y al nivel de significación del 0. ?. Puesto que éste es el caso.96.750 y 195/300 Adviértase que en este caso la proporción de gente curada en los dos grupos son 225/300 : 0. se puede proceder a dar el'suero a grandes grrlpos de gente solamente para obtener entonces que realmente es inefectivo. 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 debe decidir entre la hipótesis (Ho : P t : pz\ y (Ht : P t * pz). se rechaza É16 a este nivel y se deduce que el candidato es preferido en el dis' trito A .650 0.14. estaban a favor de un candidato dado. Co¡r un ensayo unilateral y al nivel de significación del 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.-t'r= se ú'G. Bajo la hipótesis (Ho: pt:pr ) se tiene l¡.6b0 respectivamente.70 utiliza como estima dep.67 es puesto que el valor de z es mayor de 2. que están a favor del candidat<¡. l'pr-pz = donde (225 0 ú¡'. se deduce que el suero es efectivo con solo una probabilidad de 0. se puede rechazar la hipótesis al nivel de significación del 0. Si los resultados se deben realmente aL azar y se toma la decisión de que son debidos al suero (error del Tipo I). = ú(¡D=@=00456 f(0.528 l'75 y 1-0. se compone de 300 individuos y si se curan 225 i* : 0. .472. Esto muestra cómo al incrementarse el tamaño de la muestra aumenta la seguridad de las decisiones.750 = ro.0374 P. En tales casos.. Entonces 0. _ 1. ?.?S. decir. se rechazaría Hs si Z estuviese fuera del in' tervalo-1 . se está forzado a toma¡ decisiones en acuerdo con la información utilizable y asÍ se tendrá que correr mayor riesgo de tomar decisiones erróneas.05 se rechaza H¡ si Z fuese mayor de 1." 0. Entonces = 0 or.33. Por otro lado. Una muestra de 300 votant€s del distrito A y 2O0 del distrito B mostró que el 66% y el 48% respectivamente. (b) el candidato sea preferido en el distrito A.sol( r*-L * r*-L ) : 0.48)(200)l/500:0.56)(300) 0.01. (¿) Si solamente se desea determinar si hay diferencia entre los distritos.05 ensayir la hipótesis de que (o) haya diferencia entre los distritos. respectivamente.-P.. Este es un riesgo que nb siempre deseamos suponer.480 = -0^0456== nivel.05. en muchos casos es imposible el aumentar el tamaño de la muestra.Puesto queZ:1.560 dondesehautilizadocomoestimadepyqlosvalores +(0.195y600:0.13 si cada grupo dividuos del Grupo. Denótese por pr y p2 las proporciones de todos los votantes de los distritos A y B.encontrándosedentrodelintervalonosepuedetechazatH¡ a este (b .0.. que se estudia con un ensayo unilateral. Solucionar el Problema 7.528 = z - P.t 0.P" = rrar.

se toma una muestra de 10 arandelas.05 pero no al nivel 0. ) Para un ens¿ryo bilateral al nivel de significación del 0.g. : ) Para un et¡sayo unilateral al nivel de significación del 0. lo cual para 10 libertad es eI intervalo -2. -t/n- t = 9!$-. = 4---f.003 pulgadas. que para 6 Se rechaza. Se rechaza. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Ú ENSAYOS RELACIONADOS CON LA DISTRIBUCION DE STUDENT 7.36.05. En el pasado una máquina ha producido arandelas con un grosor de 0. que para 5 grados de libertad da 7') -3. ABI sería aconsejable comprobar la máquina o al menos toma¡ otra muesha.F/e en caso contrario. ¿Se puede admitir la afirmación del fabricante aI nivel de significación del (a) 0. se rechaza . Se desea decidir entre las hipótesis Ho: lt:0. Bajo la hipótesisae se tiene (o . . se adopta la regla de decisión (1) (2) Se acepta f/¡ : si ? es mayor de -f. se adopta Ia regla de decisión (l) (2) (b Seacepta116 si ?esmayorde -ú. se encuentra en buenas condiciones no se encuentra en buenas condiciones Bajo la hipótesis (o H¡ se tiene .01.050. Para un ensayo bilateral aI nivel de significación del 0.6).25 a 3. á ú.o.F/6 si ? se encuentra dentro del intervalo --f.01? Se tiene que decidir entre las hipótesis Ho:.26.ee5. (b) 0.F/6 eri caso contrario.25.i6= = -8. Se deduce que la afirmación del fabricante es extremadamente improbable que esté justificada. y la máquina de modo que se requiere un ensayo bilateral. 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.ee. se rechaza ffs .L7¡"- 1= ?l|'!-_99rnJ . Ensayar la hipótesis de que la máquina está en buenas condiciones de producción al nivel de significación del (o) 0.Efs al nivel 0.26 a 2.86.05 . y la máquina Ht: P + 0.00. .un.05. Para determinar si la máquina sigue en buenas condiciones de producción. y la afirmación del fabricante está justificada es falsa 1 : ¡t 1 8000 libras.01. y la afirmación del fabricante de modo que se requiere un ensayo unilateral. Se rechaza -1 :9 gradosde lls en caso contrario. Ya que se rechaza lls al nivel 0.01 se adopta Ia regla de decisión: (I ) (9) Se acepta . Puesto que T = -3. -1:5 gradosdelibertad da ?) -2.16.É16 elr cáso contrario.. H lJ: 8000 libras. se rechaza Puesto que ?: 3.053 pulgadas y una desviación típica de 0. Se rechaza. (b) 0.05. que para 10-1 tad es el intervalo -3. que resulta tener un grosor medio de 0.01 .86 . se dice que lamuestraresultaproboblemente significatiua (véaee la terminología del final del Problema 7 .f. I/6 al nivel de 0.4!9 ú0 -t -_.F/s.01. 7. se acepta.050.86. : 9 grados de liber- Puesto que ?: 3.17.cAP.05 se adopta la regla de decisión: (I) (2) (ó) Se acepta fle si f se encuentra dentro del intervalo-f cz¡ a f e75.050 pulgadas. Puesto que ? -B .00. : ) Para un ensayo unilateral al nivel de significación del 0.01 .00.

sé rechazará Ia hipótesis f16 si ? fuese mayor que ú.51.ctsa ú e75.36 fanegadas. .y la diferencia se debe al azar H t: pt ) tt1.Ef6 al nivel de significación del 0. se tiene que Ho: lt : ltz ! no hay diferencia esencial entre los grupos Hti ltt =* tlr. En una estación agrícola se deseaba ensayar el efecto deun determinado fertilizantn sobrela producción de trigo. T= Entonces xt- X.1 fanegadas con una desviación típica de 0. eue para 28 grados de libertad es el recorrido -2.18. de los estudiantes de las dos zonas.05. de 14 estudiantes de otrazona de la ciudad dio una media de 112 con desviación típica de 8. T- xt-x.O5 a 2.?6 a 2.ffi + 12(0-36)2 t/". Así pues. ¿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. Todas las demás condiciones fueron las mismas. a ú.y el fertilizante incrementa la producción Bajo la hipótesis I/6. de los dos grupos al nivel de significación del (o) 0. Así pues. eue para n¡ I nz . no se puede rechazar Se deduce que no 116 al nivel de significación del 0. n1*n2-2 "=!ffi (a) I 12(0.44\/ l/16 + l/t4 = 1.85 Con un ensayo unilateral aI nivel de significación del 0. mientras que la media en las parcelas tratadas fue de 5.05. ¿Hay diferencia significativa entre el I.2 : 22gradosde libertad es 2.S! + nrS! n1 -ln2-2 Entonces t6+L4-2 =9. (b) Con un ensayo bilateral aI nivel de significación del 0. Q.8 0. hay diferencia significativa entre el I. de los dos grupos. no se puede rechazar.ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. tiene que decidir entre las hipótesis se Ho: lt : ltz.76. Para ello.4012 =o'397 v T= 5.01. no se puede rechazar É16 al nivel de significación del 0.45 (¿) Con r¡n ensayo bilateral al nivel de significación del 0. La media de trigo conseguida en las parcelas no tratadas fue de 4.01.05. Q. El I.01. ? ?.19. mientras que el L Q. y (b) 0. lo cualpara n1 * nz .16 + 74 .ee. la mitad de ellas fueron tratadas con el fertilizante y la otra mitad no (grupo control).ee5.01. 7. Q. "t/U"t+ Y"2 donde o - n. "tf.40 fanegadas. Q.8 fanegadas con una desviación típica de 0. (cociente de inteligencia) de 16 estudiantes de una zona de una ciudad dio una media de 107 con una desviación típica de 10. donde nrsl + n252.05? Si se denota por ¡l-. se eligieron 24 parcelas de terreno de igual superficie. respectivamente..2: 28 grados de libertad es el recorrido -2.44 y T= ltz - t07 9.2:.1 - 4.2 : 72 + t2 .3s7\n/12 + Urz = 1. se rechazará Hs si T se encuentra fuera del recorrido -t. Así pues. y ¡r2 las medias poblacionales del decidir entre las hipótesis I.01.y hay diferencia esencial entre los grupos Bajo la hipótesis lls. se rechazará la hipótesisl{6 si ?se encuentra fuera del recorrido --t r¡g¡.

e5.25 onzas. (b) Ya que f'. Entonces. que ás igual a 36. se rechaza ^Ef6 al nivel de significación del 0. se rechaza .01.1 : 19 grados de libertad._Lr'? = if Itr¡ (e)2 = 86.ee : 2. Una muestra aleatoria de 20 paquetes dio una desviación tipica de 0..8g. Sin embargo antes de sacar conclusiones definitivas referentes a la conveniencia del fertilizante.32 on?T.01? Hay que decidir entre las dos hipótesis: Ho: o :0.serechazarálahipótesisfl6si?fuesemayor que ú. Y deberá efectua¡se una revisión en la máquina. no se rechaza.74 eí Entonces. ¿Es el aparente incremento de va¡iabilidadsignificativa al nivel de signifióación del (a) 0.tá h. F.2 para 19 grados sig de I O.25 onzas.8. llenados por una. El número de grados de libertad para las clases son respectivamente rr¡ :16-1:lb. empleando eubíndices 1 y 2 para las clasee A y B respectivamente.05. y los resultado¡ observados se deben alazar H 1 : o > O . ENSAYOS RELACIONADOS CON LA DISTRIBUCION ¡' 7-2L. Se deduce que el incremento en la producción de trigo alttilizar el fertilizante es probablemente significoúiuo. y cualquier va¡iabilidad observada se debe al azol Íi1: o1>.25 onzas. Vz:26-L=24.1 para v : 20 .EI6 al nivel de significación del 0. se rechaza. . (b) 0. ENSAYOS RELACIONADOS CON LA DISTRIBUCION CHI-CUADRADO 7. lo cual para22 grados de libertad esL.y la variabilidad de la claseA es mayor que la de la B La decisión debe por tanto baearse en un ensayo unilateral de la dietribución F.01 paraZ¡ = L5.Alnivel 0. En el mismo examen.72. 24 grados de libertad (véase Apéndice F).la clase A tuvo una desviaóión típica de 9 en tanto que la clase B tuvo una desviación típica de1'2. Así.01.05.05. (o) (b) Mediante un ensayo unilateral.?0.05 y (b) 0.LL para 15.Ffs al nivel de significación del 0. ¿Podemos concluir al nivel d-e significación del (c) 0.05 Si el valor de X2 muestral fuese mayor 9ue x?gs.01 si el valor muestral de pues. pues. 4 = . probablemente incrementado. muestras en cuestión. p.cAP. f ( F. aunque no hubo diferencia significativa en medias de las calificaciones.sr.ltle al nivel 0.05 que la variabilidad de la clase B es mayor que la de la clase A? (o) Tenemos.er:z. 9tt" 4'rn. Así puee. sería deseable tener alguna prueba más. y la variabilidad se ha incrementado El valot de 12 para la muestra €8 X2 : nsz/sz :20(0.06. A y B.01.oz. se rechazará.É16 al ni- Se deduce que la variabilitlad se ha.nn no podemos techazar ff6 al nivel 0. LaclaseA tiene lGestudiantes en tanto que la clase B tiene 25 estudiantei.v2 = 24 tenemos del Apéndice F. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 237 (ü) Conunensayounilateralalniveldesignificacióndel 0. En el pasado la desviación típica de los pesos de ciertos paquetes de 40.0 onzas.!4 = '*rrrr'= 1Eo Hay que decidi¡ entre las dos hipótesis : o ¡ = o2. ya que Ad F( F .EIe al nivel de vel de significación del 0. = E = *n@ = r. sr g.Por tanto .32)2/(O. Un instructor tiene dos clases. vemos que tampoco podemos rechazar. que es igual a 30.4. ¡12 fuese mayor- Mediante un enaayo unilateral.máqlLlina era de 0. en una asignatura específica. sz :12 de modo -que G? = .Z5l2 = 82.

232 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. está dada por el área rayada p de la iigura. es igual a 0.5 p=o. probabilidad de error del Tipo I) viene: dada por el área toüd c de la región sombreada ba. Para calcular esta área se obeerva que la distribución bajo la hipótesisp : 0.7 39 5 caras 60. rOalculada en el Problema 7.jo la curva normal de La izquierda en la Fig.6)(0.5 caras Fig.O1).6 p-0.¡O tn Entonces I: áteabajo la curva normal entre z --6'66 y z -2-O7 : 0. (a) Sip : 0.5 en unidades ' = : r/"pq 60. ¿Canbiarían sus conclusiones en eI ProblemaT.2L no inüeiresa su¡ valoree.18 yz : O.3) = 4.5 en unidades tipificadas = - 60 60 = = 0. la media y la desviación típica de la distribución de caras vienen dadas por !=np=(100X0. .5 en unidades tipificadas = 39.5 en unidades 39.07 -6. Solucionar el Problema 7.9' (d) P : O-4.66 to'l.? . llegando a una regla de decigión (2) Se decide sobre Q y P y después se llega a una regla de decisión. ¿cu6l es la probabilidad de aceptar la hipótesis de que la mohecha cuando la probabilidad real de ca¡a es p : Q.5405 Asi pues.5. con la regla de decisión dada hay muy poco riesgo de aceptar la hipótesis de que la moneda eetd bien hecha. ?.7 7. Con referencia al Problema 7 .23. cuando realmente P : 0.4) = 4.5 4.102 -4. En la práctica se pue' den presentar otras dos posibilidades: (I ) Se decide sobre c (tal como O.6)=60 ú = lnpq = 60. que representa el nivel de significación del ensayo de lfe. CURVAS CARACTERISTICAS DE OPERACION 7.Efs cuando realmente p : 0. (c)p :0. Puesto que la media real de las calificaciones no se usó para nada en el Problema 7 .6. entonces la distribución de carag en 100 lanzamientos eetá representada por la curva normal de la derecha en la Fig. 7-6.tO2: 0.ó y 60.6.7.90 V(100)(0. ?-6. Esto es de esperarse ya que no estamos tratando de decidi¡ si hay una diferencia en las medias de las calificaciones. Adviértase que en este problema se tenía la regla de decisión de la que se obtenfa c y p. probabilidad de error del Tipo II).8. esta á¡ea d. (b)p : 0.6.7)=70 60. pues.5 4.18 Entonces 9: área bajo la curva normal entre z : -4.58 tipificadas = üipificadas - = = : -2. y después se calcula p.2L si existe una diferencia significativaenla media de las calificaciones de las clases? Justificar su solución.7 (es decir.7-6 Si la probabilidad de cara es p : 0.J? neda está bien La hipótesis ff6 de que la moneda está bien hecha.O5 ó O.22. La probabilidad de rechazar Ffe cuando debería aceptarse (es decir.23 si (a)p:0.0192 Así. sino solamente si hay una variabilidad en las calificaciones.2 es decir.5 39. número de caras en 100 lanzamienüos se encuentra entre 39.2(ol.? tiene una media y una desviación típica que Bon dadas por p=np=(100)(0. En el diagtama se ve claramente que la probabilidad de acepLr .90 4.58 = 70 y'6oo)(oJ)(0. 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 : 0.24.99 60.0358.

Be ve que sip = 9.9 1. comolorobtenidosenlosProTabla 7-3 p B 0. La Tabla 7-3 muestra los valores de p correspondientes a valores dados dep.6.(a).1 0 0 (a) (D) Fig.0000 0.7 0.6 0.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION y'(100X0-S)(0¿) 233 =¿.25.09ó8 al nivel de significa- En general.9642 0.t"p:0.? 0.24.4 da el miemo valor deÉq.23y 7. 7-z (o) El gráfico p. (b) Sip=0.0358 :0.0 0.1 06 0{ 0.1 0.0000 la Tabla 7-3.12 y z -4.5.2 0. Nótese que p representa la probabilidad de aceptar la hipótesis p : 0.88 -10.4 0.0192 0. 7-1.2 0./nW= 60. 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..5405 0.6 en unidadeb tipificadas Entonces = ry = q9? : = = -4. Representar gráficamente los resultados de los Problemas 7.5 se puede interpretar p como la probabilidad de acepoar p : 0'5 cuando debiera ser aceptado.enüoncea p=np = (100)(0.3 0.se gla de la decisión o enoayo de hipótesis.0192 0.8 0.cAP.5405 0. p ee muestra en la Fig. 1c) Comparando con (b) o por cálculo. el apuntamiento mayor de la curva OC es la mejor regla de decisión pa¡a techazar hipótesis que no son válidas.8 0.6 0.5405.23y7.8. Interpreta¡ los gráficos obtenidos. 7. blemas7.9 0.0000 0.p:0.8 0. si realmente'p : 0.9: 0 pa¡a todos los propóeitos prácticoe.5 cuando realmente p tiene un valor distinto a 0.9 0. Esta probabilidad es igual a 1 0.88 = 0.0000 muy aproximadamenüe.9.3 0.24 construyendo un gráfico cuyos ejes sean (a\ I y p.5 0. . Sin embargo.9642 y ha eido introducida en - L-p 1.6 0. (d) Porsimetríap = 0.6 0. (b) ( 1 p ) y p.12 p: área bajo la curva normal entre z : -10.3 02 0.8) = 80 y o=.0000 0.0 0.4 0.5 en unidades tipificadaa 39.eedecir.

00. Constmir (a) una curva OC v (b) una cun¡a de potencira para ei Problema 7. Razonando análogamente a como se hizo en el Problem¿ 7. tt: 300 li- Ia probabilidad de aceptar el proceeo primitivo cuando la nueva resistencia media sea realmente 310 libras se representa por el área É de la Fig.p) ¡e llama a menudo función d. de modo que realmente ambos gráficoe aon equivalenüee. Esta curva ae obtiene ¡encillamente invirtiendo la curva OC. en caso contrario. Si ción (a) ! es la resistencia media. ae quiere decidir enhe las hipótesis: Ho: U: Ht: ! ) Pa¡a 300 libra¡. 7-9. (b) Bajo la regla de decisión adoptada en (a). es decir. de aquí que A - 310)/3 = Fig. Se cree que mediante un nuevo proceso de fabrica- puede inc¡ementarse la resistencia media. ¿cuál es la probabilidad de aceptar el proceso primitivo cuando en efecto el nuevo proceso incremente la resistencia media a. Esta es Ia probabilidad de aceptar Ho: ! : 300 libras cuando realmente es la probabilidad de comeüer error del Tipo II.00 = 0.33. suponiendo que la desviación típica de las ¡esistencias se mantiene en z4libras.J = 't. respectivamente con las distribuciones normales de la izquierda y de la derecha de la Fig.310 libras? Supóngase que la desviación típica se mantiene en z4libras. Considérense las doe hipótesis (Ho: bras) Las distribuciones de las resistencias medias correspondiente¡ a estas dos hipóteeis se repreeentan. ? ) E gráfico (1 . H t : ! -.310 libras es cierta. La cantidad p se llama tambiénfunción caructerístico de operoción de un ensayo. Una compañía fabúca cuerdas cuyas resistencias a la rotura tienen un valor medio de 300 li bry" y una desviación típica de 24libras.0 libras en unidade¡ tipificadas : 300 (307.9qo. (c) Diseñar una regla de decisión para rechazar el proceso primitivo al nivel de significación del 0. y el nuevo p¡oceso es mejor que el primitivo se un ensayo unilateral d nivel de significación del 0. 7-9.0 lb. y el nuevo proceso es igud que el primitivo 300 libras. que debieran ser rechazadas. *r.26. bajo la curva normal de la derecha a la izquierda de z dect. es 7.01.e potencia.33. puesto que indica la aptitud o potencb de un ensyo para rechazar hipóüesie que son falsas.7-9 = iren. X>300+3(2. ?-8): (t ) Se rechaza lle si la e de la media de resistencia muest¡al es riayor que 2. Para hallar su valor nótese que 307. se puede hdla¡ p para loe caeor en que el . Se acepta ^Éfs en caeo contra¡io. I¡ cantidad (l .234 (D ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.26(br.0 libras.01 si se pone dé manifiesto qu¿ debe rechazarse al ensayar 64 cuerdas. 7 -7 (b).27.158?.26. ¡e llama curua de potencio de la regla de decición o ensayo de hipótesis. 7. la regla de decisión anterior se convierte en: (I ) (2) (ó) Se rechaza 116 si la reeistencia media de 64 cuerdae excede a 30?. (2) Se'aceptqlfq pue¡to 'que z = cessi Z>2.0 tb 307 tb 3r0 lb -1. p ¡e muestra en la Fig. y (Ht: tt: 310 libras).P).33) =30?. i 800 *sz.Enton= "lr/ñ 24/\/u Así. tiene la siguiente regla de decigión (referenüe eon la Fig. : -1.

(¡) U probabilidad de aceptar la hipótesis cuando realmentep difiera de 0.6? : 0. por encima del cual se rechaza la hipótesis de que p : 0.28.¡ o.2 0.0 libra¡ en unidades tipificadas: (307.8 o.?4Eo De esüa forma se obtiene la Tabla 7-4. mientras que la restricción (B) requiere que la probabilidad de error del Tipo II eea a lo sumo 0 : 0. se desea imponer las siguientes restricciones: (A) la probabilidad de rechazar la hipótesis cuando sea realmente conecta debe ser a lo sumo 0.6?. Tabla 7-4 tt 290 1.7-10(b).5) mediante un número de lanzamientos de la moneda.05.1 o más (es decir. Por ejemplo.0000 300 305 0..7-r0 (¿) La curva OC se muestra en la Fig.7-11.01 cuando el nuevo proceeo da una media de 800 librar). p > 0. Eeepués. 315 librae.9900 L1.1687 316 0. ri ¡r tonces 307.6 0. ?-10(o). en- 9: i¡ea bajo la curva normal de la derech¡ a la izquienda de z :0. la curva baia ró- pidamente hacia cero. La eituación planüeada se ve gtáficamente en la Fig. y de aquí - 396 librae.l (excepto para el nivel de significación del 0.4) debe ser á lo sumo 0. sepuedenobtenerdeellalaomismasinterpretacionesque de la curva OC. De la Fig.1 p (lb) 300 300 3to 3t5 (o) (ó) Fig. límite al riesgo de error del Tipo I Por ejemplo. 7-11 se tiene: .05.9 0. si el nuevo da una resistencia menor de 300 librar.7486 3r0 0.05.5 en 0.cAP.0 B 0. AquÍ y Tipo II.0 . 7.0038 320 0.0000 296 1.0000 p 0. Determinar el tama¡1o mínimo de muestra necesario y enunciar la regla de decisión resultante. la restricción (A) impuesta requiere que la probabilidad de error del Tipo I sea a lo sumo c : 0. Para ensayar la hipótesis de que una moneda está bien hecha (es decir.1 0. p : 0.6 6 p f 0.7 0. es piácticamente. etc.5.05.305y9 = 0. ya que lae dog curvag eon esencialmente equivalentes. se ha puesto Denótese por n el tamaño de muestra pedido y por ¡ el número de caras en los n lanzamientos. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 235 nuevo proceco da un¡ resistencia media ¡r igual a 306 librar. En esta curva 6e ve que la probabilidad de seguir con el proce' so primitivo.5 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.

o:0.5n = 1.el 95V".5 en caso contrario. (b) Mostrar cómo se.r) - 0.564 y 0. Cuando un punt'o se rale de estoe límite¡ control (tal como en la tercera muestra tomada el jueves).6 n Y x - 0.008 pulgadas.4r rtñ- (n. la máquina (b) Un registro de las medias no s€rú adecuada y habrá que buscar la razón de su ineptitud. Por tanto un promedio ponderado de todas estas probabilidades. automáticamente tomarÍamos como 0. Se sigue que el tamaño de la muestra debe ser al menos 31g. (b) S€ rechaza la hipótesis + 17 .5.29.llamado grófico de control de colidad.6 r¿ * 0. La elección en cada caso depende de la¡ circunetancias particulares del tnismo. Se construye una máquina que pr-oducfuá cojinet€s de bolas teniendo un diámetro medio de una desviación típica de 0. se toma una muestra de 6 cojinetes ejemplo. .O\4\'\/E) o Con confianza del 99 .egla de decisión mediante la cual se puede estar razonablemente cierto de qúe la calidad del producto esüá de acuerdo con las noÍnas requeridas.5. ¡- np :1-77 - 159. se debe lanzar p - 0. muestrales puede tlevarse por medio de un gráfico tal como ee muestra én la Fig.5\/n De 0.Haciendo n : 319 en (3) o (4). que representan la probabilidad de error del tipo II.05 o menos cuando p tiene cualquier otro valor por fuera del recorrido 0.0.49{n vnpq = '--. también s€rá 0. y se obsen¡a el diámetro medio de la muestra. es 0.574 .re'presentaría grárticamente la regla de decisión de (a).n: 318. es 0.6.0'6n Realmente el área entre -f. se adopta la riguiente regla de decisión: (o) Se acepta la hipótesiep:0.6 a la izquierda ae es 0..524 * Puestoque De aquí que la regla de decición eea como sigue: (l ) Si la media muestral decuada para el trabajo pedido. pueden igualmente determlnarse otros lfmiües de confianza.014l\/6\ y (0.73% de O. tales como los límitee d'el 99% o d. (o ) 3o¡) a (p¡*3o¡) con el 9€. GRAFICOS DE CONTROL DE CALIDAD 7.4s 1/A 0.9801fa- e'¡ 9-. dentro del intervalo 0.05 en el "peor de loc casos".Saladerecha a" 7 (9) El área bajo la curva normalp 09" O.05 o menoa. (2) es una cantidad muy aproximada.) Eláreabajolacurvanorrnalp:0. Cada vez que se observa una media muestral se representá por un punto en el gráfico.584 pulgadas.0.ít/n Vnpq= "- :0. Sin embargo.7 3% se puede decir que la media muestral X debe estar denüro del intervalo (p¡ entre cae a m p ¡t:0. enfte 742 y 177 si el número de carac en Slg lanzamientos está dentro del recorrido 159. Para determinar si la máquina esconstruida para el fin que se destina.4 a 0.05.7 BVo o brevemente lfmite¡ 3o. (o) Diseñar una. Así pues. Los límites de control determinadog anteriormente se llaman límites de confianza del gg.008yn=6. En tanto que los punüoe se encuentran entre los límites 0. ? (f.806y'-n es De (3) y (4). p = 0.96 r ó (Sl u. el procelo está bajo control.49\/n n = o.6n 0.6 n- 0. 7'l2. . hay la posibilidad de que falle algo y se precisa una invesüigación del posible fallo.9É!= -r.x :177.5.025.05.584 pulgadasi ee supone que la máquina es a- (2) De otro modo.5.6.5 : . L7 ...seeigueque I se encontrará entre (0.236 ENsAyos DE Hrpornsls y sIGNIFrcAcroN lcAP. la moneda al menos B1g veces.645 ó (t) o. 7 0. = 0.564 a 0.674. Obeérvese que tomando la probabilidad de aceptación como De(/) x .98. e¡ decir. Para decir.

Tabla 7-5 Número de caras (r caras) Frecuencia esperada Frecuencia observada 38 0 1 0.7 ó 309 150.cAP. Para la distribución de frecuencias observada. x F a os74 a a a t I a : o 0 s64 o Fis. : 2.(0. El ajuste se observa que es bueno. La media del número de caras es ¡.C.¿94)¡(0. dondep y q son las probabilidades resy sello en un solo lanzamiento de la moneda. Se tiene P(x caras en una serie de 5 lanzamientos) : f(¡) = sCrprqs-". La bondad del ajuste se estudia en eI ProblemaT. la distribución binomial ajusta- En la Tabla 7-5 se han obtenido estas probabilidades así como las f¡ecuencias esperadas (teóricas) y las observadag.47 rooo Igualando las medias teóricas y real se tiene 5p da viene dada por /(r) = . la media del número de caras es 2fr_ / _2470=2.7 ó 151 29.1: np : 6p.0332 0.4 6 29 33.1619 0.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 297 Lunes Martes Miércoles Jueves Viernes $ € bD osal 1} a a t ü {.1507 0.2 ó 316 308.3162 0. página 178.3087 2 3 ^ 0.506)5-¡.9 ó 162 316.494.43.47 6 p :0. página 163 puede ajustarse a una distribución normal.30.31..30.0294 5 6 33 161. Así pues. . Utilizar papel gráfico de probabilidad para determinar si la dist¡ibución de frecuencias de la Tabla 5-2. 7-12 AJUSTE DE DATOS A DISTRIBUCIONES TÉORICAS 7.2 t44 342 287 164 25 7. Ajustar una distribución binomial pectivas de cara a los datos del Problema 5.

72 -1.3892 0. donde la media i y la desviación típica 6 se han obtenido en los Problemas 5.40 respectiva- La cua¡ta columna.7L 6 28 7.68 6 2l 38.6 Rcl¡tiv¡¡ Acumulada¡ (%) 6.4177 0. Ajustar una cunra nonnal a los datos de la Tabla 5-2.41 0. Multiplicando lo¡ valores de la quinta columna (que representan las frecuencias relativas) por la frecuencia total n (en e¡te ceso n = 100). en un papel.2068 6L65 6&68 69-71 68.6? 0. Y se pone de manifiesto que ee ajuetan ba¡tante bien con las frecuencias observadas realmente.32. 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. Par:a.0 65.6 ¡¡+ 0.0743 72-74 6 4 20. son pasadas sobre los límites reales superiores de clase.92 pulgadas (x mente El trabajo puede organiza¡se como en la Tabla 7 -7 . 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). De aquÍ se sacan las áreas bajo la curva normal entre los valores sucesivos de ¿. 7.5 menor que 70.6 menor que 73.5 7L. se obtienen lae frecuencias esperadas de la sexta columna.t3 D 18 42 27 8 ñ. se observa que hay una distribución normal que se ajusta e¡trechamente a los daüos.tlls.4920 0. la distribución de frecuencia¡ dada se convierte en una di¡tribución de frecuencia¡ relativas acumuladas. dadas en la quinta columna. 7-13.a -2.0 92.36 1. La "bondad {el ajuste" de la distribución qe congidera en el Problema ?. caicular e de los límites reales de clase. s = 2. .5 7¡.grófico de probabilidad eepecial.39 2. = 61. El grado en que los puntoe así dibujados ee encuentran sobre una lÍnea recta. Por lo anterior.5 66.32. Véase o a I É to 5 o a d E 62.5 oD. ? 76 Frecuenei¡¡ Estatun (pulgad¡¡) menor que 61.6 menor que 67. las frecuencias relativa¡ acumuladas expreeadar en porcentajes. Después.238 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla [cAP.6 68.z z = .6 menor que 64.43 ít 7 4. como se ve en la Fig. que da las áreas bajo la curva normal de 0 a z se obtiene con la tabla del Apéndice C.0 23. La¡az6¡ de esto se ve claramente con un diagrama.0 Io a E ql € ó a () 95 90 80 70 Q0 a (t 6 .44.6 &tatura (pulgada¡) Fis. página 163.0 100.5 7t.46 pulgadar.0413 0.92 ó 39 27. determina la bondad de ajuste de la distribución dada a la distribución normal. como se muestra en la Tabla 7-6.E 50 40 30 20 Primero. se rutiliz. ?-r3 hoblema ?.5 62.70 -0.2771 0.35 y 5. anotadas en la última eolumna.6 74.

'12 ¡ 85. puede ser esto un indicio de la adaptabilidad de la distribución de Poison a la muestra de datos.f 0l2r + : (21)(0) '50 (18X1) + (7X2) + (?liQ_l q)(a) = .24 2.47 0.05. Entonces. respectivamente rr = 115.CAP. LA PRUEBA CHI.2.33 I 2 3 18. < 6.7:2 -L = l. 100 sellos) es h:2. Ajustar los datos a una distribución de Poisson.rj días. 313 {11 = Iq"+ill En l¿ T¿ble ?-9 aparecen lae probabilidadee para 0.36.9?. Entonces y eeüos esperadas si la moneda está bien hecha son np : 100.np)z npt npz - (115__100)2 Pueeto que el número de categorías o clases (caras.01. la euarta columna que da los números de días observados se ha repetido.60 hipótesis de que la moneda está bien hecha al nivel de significación del 0.v: + (85:!00)2 = 100 h 4. a¡í com.63. Las frecuencias de caras vamente. . Para una verdadera distribución de Poisson.1.05.o loe números teóricos de días en los que ee presentarán ¡ accidentes (obtenidos multiplicando las correspondientes probabilidades por 50). El número medio de accidentes es Número de I Número de accidentes. 0 r N(rmero de dÍasr Número de días obsen¡ado 2L 18 7 3 1 {r accidentes) 0.* : P(r accidentes) 1118 2 7 o. ?] ENSAYOS DE HTPOTbSIS Y SIGNIFTCACION Tabla 239 7-t 7.0111 4 6 6 ó Nótese que el ajuste de los datos dados a una distribución de Poiseon es bueno.63. la varianza d : L.33. Comparando con el valor de \ : 0..30 8. blemente bíen heclu. puesto que 4.3659 0. se rechaza la xlo¡ para 1 grado de libertad es 3.50 pótesis de que la moneda está bien hecha al nivel de significaeión del 0.eo Entonces.84. En 200 lanzamientos de una moneda se obsen'aron 115 caral¡ y 85 sellos. El cálculo de la varianza de la distribución da' da. Entonces.56 6 ó 20 18 8 2 1 0. Las frecuencias de caras y sellos observadas son. Para conveniencia de la comparación.4066 0. de acuerdo con la distribución de Poisson. Tabla 7-9 Número de accidentes.90 hallado.01. respecti- xz = (o) El valor crítico (b @t:lptlz -(rz:. Ensayar la hipótesis de que la moneda está bien hecha con un nivel de significación del (c) 0.1647 espeado 20.CUADRADO ?. puesto que 4.0494 0. np2 : tOO. durante los cuales r autos tuvieron accidentes en una ciudad. 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. > 3. hi' la ) El valor crítico xlso para 1 grado de libertad = 6. da 0.3 y 4 accidentes de esta distribución de Poisson. véaee método 1 del Pro" blema 7.34. La Tabla 7-8 muestra el número de días f durante un período de 50 días.84.50 . (b) 0.

? 7. 115 o más caras equivale a 114. de nuevo en consecuencia del Problema 4.npr o _ (rt-np)2 . Método 1.)z .O7 : 2. 7.96. si el valor de z está fuera del intervato -1. Método 2.60.S¡(0f)--7. se rechaza la hipótesis de que la moneda eetá bien hecha.v:h-1-:6-1:b.00 20-+ n 20 Puestoqueelnúmerodecategoríasoclases(carasl. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación del 0.07 :2. es igual al valor de ¡2 corregido con la corrección de Yates p¡ra la continuidad del Problema7.84 y 4. 7.2. 115 caras en unidades tipificadas Bajo la hipótesis de que la moneda está bien hecha.93_4)' _(15-20\2 . (rs-np¡.01.34' Esto Con un nivel de significación del 0.0.06.5. véase método 2 del Problema 2.34 que la hipótesis se rechaza al nivel de 0. ^-------::-:-. Entonces.5)2 .86.ema se cumple siempre que la prueba de chi-cuadrado comprende dos categoiías. Se sigue como en el Problema 7. Esto conduce a las mismas conclusiones que por el primer método.34 mediante la aproximación normal respectivamente.58.96 a 1. El valor crítico a2e5 para 5 gados de libertad es 11.34 utilizando la corrección de yates.s)z = 100_ 100 tt q^< 4.63 se deducen las mismas conclusiones que en el Problema ?. la media y la desviación tÍpica del número de caras espe- : (l1b -lOO)t7. Esto se cumple siempre que la prueba de chiruadrado eomprende dos categorías y se aplica la corrección de Yates.00 > 1. (16_20¡z _ *--lO-+ +ñ=5.b8 a2.05 pero no al de 0. puesto que 5.zvb Puesto que 4'205 > 3. (2. (185 _ __ 1001 Í4. . dades tipifica¿¿5 : 4. Pa¡a una comparación con los métodos a4teriores.05 y un ensayo bilateral.g.07.5) =100yo=1fipq=/IZOO¡O. Con la corrección para la continuidad. La Tabla 7-10 muestra las frecuencias observadas y esperadas allanzat un dado 120 veces. (ZJ2)2 : 4. 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. no se puede rechazar Para 5 grados de libertad x%s: 1.6)esh:6.84.-nps)2 (ra-npe)2 < 11. Nótese que el cuadrado del valor anterior.36.7OO)17 .05)2 7 -37.2o5 < 6. Con un nivel de 0.5 en uni: (114. (rt-nptl2 .5 .00 la hipótesis de que el dado está bien hecho.5)z = _100 )_ (L[.35. x2 (conegida) = = (lzt - nptl nPt 1001 0'5)z + !1""- np2l npz - 0'5\2 (1115 - 100 _ 0. Entonces 114. Nótese que el cuadrado de este valor. (24-20\2. (rr.35.1. solucionar el Problema 7.86.4. De ello se sigue que la concordancia entre ambas frecuencias no es tan buena como para no dudar de Io deducido. Solucionar el Problema 7.86.L2. radasen200 lanzamientosdelamonedason¡r=np=(200)(0. de modo que X2 : 5. (rz-npzl2 . Véase Problema 4.01 el intervalo sería -2.15.1.15. a la distribución binomial.05.5)z _ .240 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. es el mismo valor de X2 obtenido en el probl.20. (23-20)2 +--lO .5 o más caras.

7I ENSAYOS DE HIPOTESIS Y SIGNIFICACION 241 7. naranja.26 rugosos y amarilloe B4. De modo que aunque el acuerdo es bueno.Qe-2512 try+ . Ensayar la hipótesis de que la urna contenga proporciones iguales de los diferentes colores.. Puesto que eetos números esperados Bon menores de 5.cAP.01. : 3. x?ss: 11.05.76 *W = 0. la aproximación de chi-cuadrado será errónea. ?.g El valor crítico d" x. . . Para evitar esto se agrupan las categorías de modo que los núme¡os esperados en cada categoría sea al menos 5.L.470 Puestoquehaycuatrocategorías.ss= = 3.3 >2!3 sededucequeladistribución observada dífiere significativamente de la esperada al nivel de significación del 0.352 y X2 :0. ¿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.h=4yelnúmerodegradosdelibertadesv=4-1=3. . ?.3. x2. 7. obseryó 315 lisos y amarillos. de modo que no se puede rechazar la teoría al nivel de 0. ¿Hay alguna evidencia que permitadudarde su teoría al nivel de significación del (a) 0.81.2. De acuerdo con su teoría.352. 108lisos y verdes.'nr parav: h -1:9 gradosdelibertad es21-. En los erperimentos de Mendel con guisantes. (b) 0.zb rugosoe y verdes ft Entonces tssol = x2= (o) (b) Para v Para v (3L5 3L2. . . Se deduce que cabe sospechar alguna tendencia no aleatoria en dicha tabla de números. Una tabla de números aleatorios de 250 dígitos mostró la distribución delosdígitos 0. Una uma contiene un gran número de bolas de cuatro eolores dife¡entes: rojo. estos números deberían presentarse en la proporción 9:3:3:1.05? El número total de guisantes es 315 + 108 + 101 + 32:556. 9 que se da en la Tabla 7-11. Una muestra de 12 bolas extraída aleatoriamente de la urna dio 2 rojas. 4 amarillas y 1 verde.39. Se deduce pues. amari'llo y verde.75lisosy amarillos tol. 5 naranjas.4?O > 0.40.como 23. r ry = 2s. 101 rugosos y amarillos y 32 rugosos y verdes.01.zS lisos y verdes Struol = frtssol 104. cabría esperar 3 bolas de cada clase en la muestra de 12 bola¡.01.7. que la Nótese que para 3 gtados de libertad. Bajo la hipótesie de que la urna contiene proporciones iguales de los cuatro colores. de modo que no se puede rechazar la teoría al nivel de 0.38.se esperarían fttssel = -- 312. loe resultados obtenidoe están sujetoe a unh razonable influencia de error muestral. teoría y los reeultados del experimento están de acuerdo.76\2 3t2.. Puesto que los números esperados están en la proporción 9:3:3:1 (y 9 * 3 + 3 + 1 : 16). ¡$5: 0.

se obtendría ¡2 a pesar de que las frecuencias sean dema- (2-3¡z . z.84seestaríainclinandoarechazarlahipótebien. En tales casos. se agrupan las categorías de forma que la evidencia en contra de Ia hipótesis se muestre claramente.5)2 (124 - 2ol - 0.-ss:3. Sin embargo.xjr¡. 7.tz. de modo que (74-60)2 . Esto se consigue en nuestro caso considerando las categorías "roja o verde" y "naranja o amarilla".1.41.puestoque4. (5-e)z .Entonces. se duda acerca de la decisión que se debe tomar.84.(ig:lf-!éE.81 sellegaríaalasmismasconclusionesqueantes.242 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. ? Si se desea rechazar la hipótesis. de aquí que cuando no sea aconsejable agrupar frecuencias se debe recurrir a los métodos exactos de probabilidad incluyendo la distribución multinomial. empleando la corrección de Yates. Así pues. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación de 0.x2l)s==3.r que conduce a las mismas conclusiones anteriores. puesto que incluso el valor corregido de y2 se encuentra cerca del valor crítico. respectivamente.:-:_+r::__-::_:sis de que los dados estén X¿ 4.0.0?>3. 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 0.07 Parav:2-1:7. para grandes muestras tales como las de aquí.05.:?. "Siete" se puede presentar de 6 formas y "once" de 2 formas. aun Otro método: Utilizando la corrección de Yates.) x2 _ = -6-. no se rechazaría la hipótesis al nivel de 0. se observaron 74 veces "siete" y 24 veces "once". los resultados que se obtienen utilizando la correc- ción de Yates son más dignos de confianza que los resultados no corregidos.ces P("siete") : 1/6(360):60 veces 6/36 : 1/6 y P("once") :2136: 1/18. x' _ (1 -3¡:r ooo Puestoqueparav=4-1:3.65 De acuerdo. Ento¡-. la aproximación ¡' para frecuencias pequeñas es pobre.Desgraciadamente. en 360 lanzamientos cabría esperar "siete" y 1/18(360):20 veces "once".ü. = - 60l 60 - .05(aunque sí se puede al nivel de 0.10). . = siempre reduce el valor de ¡2 . se tiene x: = 0qj:_6Fo. En general.5)2 #-g*): = 3. ¿Es el resultado consistente con la hipótesis de que el nacimiento de varón y hembra son igualmente probables? . - e¡z -9 Parav:2-l:1.rP. Un par de dados puede caer de 36 formas. Los resultados observados pueden imaginablemente deberse al azar. En 360 lanzamientos de un par de dados. se tiene (9 ^cuando las proporciones de los colores sean iguales. para las que la muestra dio 3 y 9 bolas. 7. De otro modo. Sin embargo. (24-20\2 . Esto cabía esperarse puesto que la corrección de Yates Debe ponerse de manifiesto que si se emplea la aproximación de siado pequeñas.05.42. pues con la X2 corregida. = ry. Puesto que el número esperado en cada categoría bajo la hipótesis de iguales proporciones es 6.. l)na encuesta sobre 320 familias con 5 niños dio la distribución que aparece en la Tabla ?-12. se rechazaría la hipótesis a algún otro nivel (tal como 0. (4--3)2 . se tiene (174 (correglda.05.Asínosepuedetechazrlahipótesisalniveldesignificacióndel 0.84.10).

05. cabría esperar que 70 individuos de cada uno de los grupos Be recuperase y 30 en cada grupo no se recuperase. 50.?)2 .:z .U Puesto que x:e5:11.959 > 0.--I¡Ié- . Adviértaoe que ¡fo es equiyalente a afirma¡ que la recuperación eeindependie¿úe del empleo del suero.?11.L . y los reaultados son 10. (5 niñas) son dadas por loe términos del desarro(p llo binomial * C)5 = p5 + 5p1q I l|psqz ¡ l0pzqs ¡ Spqt 1- qs SiP:O:t12.(26-29. .99. Solucionar el Problema 7.z = 6 4. Seap:probabilidaddenacimientodevarón. Entonces.1 : 4. x.43.2)2 .44. Determina¡ la bondad de ajuste de los datos del Problema 7. lag cla¡ificaciones 8on independientes. (88_100)2.x2. x.".1 .os:0.64 > O. como 8e indica en la Tabla ?-14.yg:1-p:probabilidaddenacimientodehembra.=--_a6---_Eñ-----Jó¡-----i6b--_-Ed.?11. Utilizar la pmeba chi-cuad¡ado para determinar la bondad de ajuste de los datos del Problema 7.1 . 100.2 : 2.4.212. pectivas probabilidades anteriores por 320. . TABLAS DE CONTINGENCIA 7. 10.(342_316..01. De aquí (8_10)2 _.32. . 50.7t 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).103.1y0 niño¡seobtienemultiplicandolasres' (40-50)2. De aquf queel ajuste de creerse.= (s8_33..!. es decir. el ajuste no es "demaiido bueno".1 para y:61:6gtadosdelibertad.13 utilizando la prueba chi-cuadrado. 2.--lóo:t- . X?ss = 9.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.--_-16-_¡&. Para y : 4.m : 5 .sss:15.92 27.103.m : 6 . (164-150. Para V 1 (que er el pará- los datos es muy bueno.i".. x2.45.---r¡If.43 20. 100.9)2 .cA¡. Así se deduce que los reeultados son probablemente significativos y el nacimiento de varón y hembra no son probablemente iguales. v : k . el ajuate no es tan bueno como pudiera = 4. Se deduce que el ajuste de los datos es muy bueno.959 7.13 *(18-2-0:68)2 *(a2:^-39=92\2-(27:3ft7rl2 *(8:?'j13)z:0.(287_308. xL¡s:0.49. BONDAD DE AJUSTE ?.(L44_161. 7.---T08J.-. .^ _ (18_10)2 (56_60)2. .serechazarálahipótesisalnivel de significación del 0.. Asf'puesto que X2 = 7 .os= 5. . . Para v : 2 (que son la me- = 2.1 y x. v = k .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 .Entonpiobabilidadee de (5 niños). Bajo la hipóteeis nula lfq de que el suero no tie' ne efecto. (110_100)2. Pa¡a rr = 2. "!ü Puesto que el número de parámetros utilizados para estimar las frecuencias esperads e8 m metro p de la dietribución binomial). puesto que X2 = 0.30.1 .412_ -58:t-- .?)2. pero no al 0. (4 niños y 1 niña). La¡ condiciones del problema se presentan en la Tabla ?-13.3.-El: . 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla ?..68 38.-r3)2 .

A Grupo B TOTAL 140 60 200 Puesto eue X. ? Tabl¡ 7-14 FRECUENCTAS ESPEBADAS BAJO Ho Se re. ya que la corrección de Yates siempre disminuye el valor de ¡¿". 200 140 30)2 o _ (75 x-1rc-?o70)2 - 70)2 . Ensayar la hipótesis de que las proporciones de estudiantes suspendidos por los tres .5)2 . como en la página 215 (véase Problema ?.51). porejemplo.05 utilizando X" equivale a rechazar esta hipótesis con un ensayo unilateral al nivel de 0.38 < 3.-. En la Tabla 7-16 se indican los estudiantes aprobados y suspendidos por 3 profesores: Sr.!t_.No ee recuperan cupetan TOTAL [cAP. 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. Está claro que solamente se tiene libertad lara colocar un número en una de las cuatro casillas vacías. X.13.10 uüilizando z. 7.38 es el cuadrado del valor de z : 1.47.30\2 (36 *ffi = 2'38 Tabla 7-16 Para determinar el número de grados de libertad.¡.e5óx{-x. Y 47 L4 61 Sr.vó Obteniéndose que las conclusiones del Problema 7. _ ¡¡ (corre(rda) = (i75 -70\. (35-301 -0. ya que. En general.45 aplicando la corrección de Yates. habrían suspendido 27 lL80 : Iíc/o de los estudiantes y DO . pero en la que solamente se han puesto los totales. Tabla ?-16 FRECUENCIAS OBSIERVADAS Sr.5)2 * ----?O- (i65-701 -0. Asf pues. Z. Sr.84 para 1 grado de libertad y puesto que ¡2 = 2. drado Cel valor de z.Puestoqueparalastablas2Xz. Y y Sr.46. x2)x2ss correrpondea x>x.45 son también válidas aquí. obtenido en el Problema ?. De modo que hay un grado de libertad.05.ss : 3.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.--. pueeto que una vez hecho esto loq números de las restantes casiüas vienen obligados por los üotales ya indicados. (125-301 -0. Solucionar el Problema 7. 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. = I.84. se deduce que lob resultados no son significativos al nivel de 0. Esto podría haberse visto rápidamente. or^_. Nótese que X2 : 2. conaidérese la Tabla 7-15. X Sr.5)r . que es igual a la¡ dos dadas anteriormente.gs.244 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla 7.profesores son iguales. 7.^se sigue que X er lo mismo que z en este caso.Xz egelcua- Nótese también que yn ensayo unilateral utiliaando ¡12 equivale a un enEayo bilateral utilizando.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.54. Se No ¡e recuperan recuperan TOTAL 100 100 Grupo. ^. al rechaza¡ una hipótesis al nivel de 0.0.5)2 * ----TO* ?O S0 _ .13 FRECUENCIAS OBSERVADAS Se re.

7. que es igual que la Tabla 7-L7 pero en la que solamente se han puesto los totales.51. los resultados esperados bajo la hipótesis nula aparecen en la Tabla 7-20. Nótese._ (50-46.núnR/n "r'.-. . * ó1)(o1 * o2) o1*óq*a21b2 n a2b. Así pues.75\2 . sin embargo.e 64 54.n"n¡ln\z' nrnn/n ntftl.1Xk . Se deduce que el número de gtados de libertad hk .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 7-45.10 si se está dispuesto a correr el riesgo de estar equivocado 1 vez de cada 10. Las frecuencias esperadas bajo FI¡ se muestran en la Tabla 7-17. Tabla 7-17 ITRECUENCIAS ESPERADAS RAJO Sr.85 85V" d. no se puede rechazar I/e al nivel de 0. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION habrían aprobado el 86Vo de los estudiantes.L5% de 55 : I5% de 6t 9.25)2 .60)2 4175 -. hay en este caso dos grados de libertad.gina 22O .n2nslnl2 . Puesto que x.ó+ Pa¡a determinar el número de grados de libertad. Pero : (ar- nrnn/n)z (a".25 OD : didos TOTAL 55 61 9. después de lo cual. Hay h (fz > 1. k > 1) el número de grados de libereg * & - 1 totales independientes de un total hÉ.(h+Ic-l) = (h-lx/ú- 1) como se requería. Mostrar que para una tabla de contingenciah X h tad es (h . 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.r"/" a1b2 (o.99. Y St.85)2 (56-54. pá.75 = = 51. todos los números restantes vienen obligados por lo8 totales. Z TOTAL 153 27 Aprobair¡c didos TOTAL 85% de 55 : 6l 4G.ecuencias teóiicas. Y 85% de S¡. 153 qn X Sr. at__n_ = -nrrxJn (ór nrnsln)2 (b2. Í4-9. que puesto que x:eg : 4.61. 7.15 61 15% de 64 8.15)2 (8-9.60-=4. 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. (47. Z TOTAI. se puede rechazar lfs aI nivel de 0.5135-547ó-----d25 9J5 --.zs¡ : 5. considérese la Tabla 7-18. X ¿IO Tabla 7-18 Sr.05.48.40 : Aprobados Suapen- Suspen. de otra forma se necesitan ajustes como los descritos en ( b ).40)2 (5-8.1). Nótese que este resultado es válido si se conocen los parámetros poblacionales necegarios para obtener las fr.60 64 180 64 180 Entonces o x-.CAP. Está claro que como cada fila y cada columna han decumplir con loü totales.49. Sr. Entonce8 *.

n2P2n{l .. EnelProblemaT. Denótese por P1 y P2 las dos proporciones muestrales y blema 7. bz:35. 1-Pr .Prl . Ilustrar el resultado del Problema 7. ür : 'tL¡ = flP. se puede escribir az-ry = ur-ry = Í2fts . n1=at*b¡ nz=a2*b2.a2b)2 -T nrn2nAnB nrn2(Pr. = #.tn)z = 200il(?5x35) 2. a1 =75. yn:2OO. C= vra = {*#fu : r/d'6112e = 0'1084 . Halla¡ el coeficiente de contingencia para los datos de la tabla de contingencia del Problema 7. Con referencia al Pro- (r) (2') P. da x' : D'- n(a.46 ¡2 (corregida) = ---ñ^"" - = - (25X65)l (140)(60X100X100) . r¿¡ = 100. Dr = 65. de modo que (r) (4) ú1 = nlPy az = nzPz. 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).ozbr\2 n /orbz-ozót\2 ml?¿B\ n n nzn¡\ n n¡r¡\ / / / n fatbr-tzDt\2 n ?zrs\ / que al simplificar. - O2 l¿z' fL¡ tl' ó. P. f.=&r*a2*b1*b2.ln)? = -"r!rrrñr" 7.=. Sise aplica la corrección de Yates. Or--m arb2 = - a2b. 7 Análogamenta Así.49 x2= n(ap2. frA=úr*az.. nt=140. ^ (t) n /otbr-ozbt\2 n lotbr. r¿r(1 - Pr).bq - aqb'12 donde A:&tbz-azbt. ns = ür*ó2. dado en (IO) en la página 215.93 7. COEFICIENTE DE CONTINGENCIA ?.P)2 que es el cuadrado del estadístico Z. el resulüado eg el mismo que en el Problema 7.49.Pr)]2 nrnínpnq = nfri\+LlllrJ (Ya que n = nt+tt2l (Pt. n2:60.45.45.246 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.50. se tiene p la proporción poblacional. -flg L-p l-P2 = bc -= = q = -..38 : Empleando la corrección de Yates.azbtl .52.49 da x2 = n(1aft2.4S. (/ ) se remplaza por (21 "rr"r"^"" : nL2 nrnznAnB x2 (conegida¡ n(ltl.10012 = 1.P)2 nWtPrA$ . ns = 100.51. a2=26.49 paralos datos del Problem^I. bz = nz(l- Pz) tlg = flq Utilizando (3) y (4). entonces riI ) del Problema 7. . ¡e tiene del Problema 7.

7l ENSAYOS DE HIPOTESIS Y STGNIFICACION 24V 7. .5 (ee decir.4.ro)¿ . Para taleo ca¡os.? Bajo la hipótesis p P(menoc de 7 corectas) : - 1 -P(7 o mác conectas) 1 . suponiendo independencia total.---80.3504 7.7)8(0..60)2 50 .4) + 10010(0. (c)p : 0.----80Entonceg el valor máximo de C e¡ .".6)101 = 0.3) + r0Cr0(0.[roOi(0. Nótees la probabilidad de error del fipo I. Seap la probabilidad de que una pregunta sea contestada correctamente.-60 . en la gue el número de fil¡s y columnas eon ambas iguales a &.5 cuando realmente = O'7' : O.7)7(0.".6)?(0. hallar la probabilidad de aceptar la hipótesis p P : 0..7)e(0.8. son todas igualea a 50..6 la probabilidad pedida será 1 - [P(? conectas) * P(8 correctas) + P(9 cotrectas) + P(10 correctas)] =|- ho0?(0.50)2 (0 .5 cuando realmente (a) p : 0. donde g =L- p.L27).9. todor loe que tomen el suero 8e recuperarán y todor lor que no se lo tomen no Be recuperarán. Un instructor hace un cuestionario forurado por 10 preguntas falso-verdadero. En el problema 7.4)3+ roOs(0.6)8(0. Pueeto que las frecueneias eeperadas. do¡ clasificaciones son perfectamente dependiente¡ o a¡ociadas.t.56..618 ./Zt(xz + n'l = t/ñl@6T 2oo-) = 0.i . adopta la siguiente regla de decisión: (i) si 7 o más respuestas son acertadas el estudiante no las acierta por casualidad. (100 .2.".3)2+ r0Ca(0. PROBLEMAS DIVERSOS 7.4)2+ ro0a(0. 7.54.cAP. Esta tabla de contingencia aparece en la Tabla 7-21. = 1/@-ffi.(á) = 0.". Hallar el valor máximo de C para la tabla 2X 2 del Problema 7.55.(+Xá) * . En el Problema 7.21 valor máximo de C ee presenta cuando la¡ Se recuperan No se recuperan 0 TOTAL 100 GrupoA (utilizando auero) (no utilizando . ee 0.6)e(0. " x.3.¡* . Para ensaya¡ la hipótesis de que el estudiante acierte por car¡udidad.0o)z (0 .a 7.?0?1. para la dependencia total en uua tabla de conüingencia.(g)p : O. (ii) en caso contrario. (f) p : 0..3)10] = 0.13. P(7 o más correctas) : P(7 correctas) * P(8 conectas) + P(9 corectae) * P(10 correctae) = .X. C.53.54. D Tabl. las únicas frecuenci¡¡ de casillas que no Eon cero aparecen en la diagonal que baja de izquierda a derecha de la tabla.o. el estudiante está adivinando. La probabilidad de conteetar correctamenté Bajo la hipótesisp r pregunta¡ de las 10 será rcCrqqto-'.(iX. la probabiüdad de decidi¡ que el eetudiante no reeponde al aza¡ cuando es que si. (Véase Problema 7 ..64.(. = 0. En tal caso. (a) Sip : 0. el e¡tudiante acierta alazar). hallar la probabilidad de aceptar la hipótesisp = 0. (e) p : 0.1?19. (d) p : O. Hallar la probabilidad de rechazar la hipótesis cuando es corTecta.= (100 zw En general.?1e Asi ee que ésta pues.ueno) TOTAL 100 (irupo ó 0 100 100 100 100 200 ..3)3+ r0Cs(0.6. (b)P : 0.

Tabl¡ ?-22 p B 01 1. por #.5)(ee decir. . l0 09 08 0? El gráfico pedido es el de la Fig.01 (es decir.05 y (b) 0.1094. 1.1. respectivamente.1?19 : 0. 0. Aquí se desea decidir entre la¡ hipótesir (Ho: p : 0.4 0.01. Sea p la probabilidad de ca¡a en un solo lanzamiento de la moneda. Puesto que P(0 ó 6 carar): t'o+* = 0.121 0.64.2 0.1 El grafico indica que la regla de decisión dada ee muy odecuado para rechazat p:0. 7-14. la moneda está bien hecha).68. 7. +i. 4.000 0. 3.t v i.5 dado por p : 1 .2188.05 ó 0. no se puederechazar. ¿Puede deducirse que al nivel de significación (c) 0.t+. Ensayo bilateral.6 0. viértase la semejanza con Problema 7-27. Nótese que la probabilidad se denota por p (probabilidad de error del Tipo II).013 0 828 7. (g) pueden hallar¡e análogamente y se indican en la Tabla 7-22 junto con el valor correspondiente a p : 4.!¡. ee puede rechazar ñfe Ensayo bilateral: al nivel 0. Una moneda que se lanza 6 veces da 6 veces cara. pero no al 0. Utilizar el Problema 7. pero no al 0.01. el resultado observbdo es significativo al nivel 0. 7. .56 para construir el gráfico de É y p obteniendo así la cun¡a característica de operación de la regla de decisión del Problema.3 0. .54.58.57.7 0.05. 0. se puede rechazar.6 y 6 caras son dadas.¡qn.0.5 0.5).01. $oluciona¡ el Problema 7.945 0. Ensayo u¡ilateral. **.ó) y (Ht:. ? Loa resultados de (b). 2.989 0.5). p + 0.999 0. si en la moneda sale 5 veces cara.59. (c). Puesto queP(0 ó no ee puede rec}ntzar H¡ al nivel de 1ó 5 ó 6 caras) = 2(t) = 0.01).05.6) y (Ht: p > 0. .350 0.828 del Problema 7.8 0.01 la moneda no está bien hecha? Considerar ensayos de una y dos colas. Bajo la hipótesis (Ho: p: 0. se habría obtenido la curvo de potencia de la regla de decisión. 03 02 0.Ele al nivel 0. Ad- la curva OC del 06 Si se hubiese dibujado (1 -p) yp.9 0. Se ha irrcluido también el valor para p : 0.03125.trf6 llnivelde . caraa en 6 f(x\ = P(x lanzamientos) = Entonces lae probabilidsdes de 0. 7-15. Pueeto que P(6 ó 6 earar): * + # = éa:0.Puesto queP(6 caras): f¡ :0.8. como se muestra gráficamente en la di¡tribución de probabilidad de la Fig.618 0. pero no d 0.248 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.5 cuando realmente p > 0.1094.7 hallado en el Problema 7 . Ensayo unilateral: Aquí se deeea decidi¡ entre las hipótesis (Ho: p: 0.65.01662 y P(6 ó 6 carad) = * +-# : 0.05 ó 0.06.

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

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

.01 que el es ahora peor? hilo 7 .40 onzas. + V!f.67. (o) ¿Qué regla de decisión ?.65. ¿Se puede deducir al nivel de signüicación del (o) 0. 7.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 26L Para evaluar el denominador de (5) notamos que la variable aleato¡ia W = lptZl * es l-p222 + . 7. proporción d. Enaayar la hipóteaie de que los dados esüén bien hechos. Ensayar la afirmación del fabricante al nivel de aignificación del (o) O.cAP.63 se desea eneayar la hipóüeeis de que hay moyo.64. En un examen dado a un gtan número de estudiantes de muchas escuelas distintas.OO. + {pt Zt.e y azules.7 o.(o¡ : 1 s Por tanto la función .9.01? Se lanza un par de dado¡ 100 veces y se observa que un total de ('siete" apa¡sce 23 veces.e) = p(lWl < e) - e4(0)(Z€) = 7. 7'68. (o) Hallar la probabilidad de rechazar la hipótesis cuando en realidad aea correcta.ebolac rojas que de azules. * p¡(1) = de den¡idad paraW es p(rr) : (Zr)-r/2e-u2/2. (¿) ¿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. no cargados. Una urna contiene bolar roja.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. Para ensayar la hipóteeis de proporciones iguales de e¡to¡ colores..66. 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. .01. yos. 7... (Zr)-t/2(ze) Al dividir (8) por (9) obtenemos el resultado deseado.Of O. y por tanto a la¡ Y o a las X reduce el número de grados de libertaá en X2 en 1.05 y (ó) 0.93 onzas. Un fabricante sostiené que al menos el 95% de los equipos que Euministra a una fábrica eetá de acuerdo con las especificaciones requeridas. La "demostración" anterior (que puede hacerse rigurosa) muestra incidentalmente que cada restricción lineal colocada alas Z. se quiere un nivel de significación del 0.. Comentar la significación de este resultado al nivel de 0.66 ei el nivel de significación es del 0.trLtroyo uniiateral y un nivel de significación del 0. Solucionar el Problema 7.entarios ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NOBMALES ?'63. y que E\W\ = VE(O) + \/p2(o)+ .05. normal (puesto que e8 una combinación lineal de la¡ variablee Z normaies e independientee).63 si ee quisiera que la probabitidad de rechazar la hipótesis siendo realmente conecta sea a lo sumo 0. En una escuela determinada con 200 estudiantes el mismo examen dio una puntuación media de 75.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. erplicando las conclusiones sacadas con estos ensa- .0ó? (d) ¿Cuál sería la regla de decisión si el nivel de significación fuera del 0. Var (W) = pr(l) * pz$) * .01.. Un examen sobre una muegtra de 200 de talee equipos reveló que 18 eran defectuosos. donde z : h - las bases para las reglas dadas en la página 219. la puntuación medi¡ fue de 74. es decir. Discutir las razones de las posibles preferencias de uno de estoe ensayos sobre el otro.05 desde el punto de vista de (o) un ensayo unilateral y (b) un ensayo bilateral.1 y la desviación típica fue 8. mediante (of un ensayobilateralyla¡. (ó) Interpretar gráficamente la regla de decisión y el resultado obtenido en (o).0. Supóngase que en el Problema ?. y Denominado¡ (.1i¡ ee rechaza en caso co¡rtra¡io. Esüo provee Problernas suplem. Recientemente.05? 7. se adoptarÍa en el Problema 7..69. ee decir. una muestra de 36 piezas de hilo dieron una resistencia media de 8.

05.8 y 0.05 y (b) del 0.024. mientras que 15 estudiantes de otra clase tuvieron una puntuación media de 74 con una des- .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) 0.5% y una desviación típica de 0.7 4.7 8.032. determinar si los dos tipos de soluciones tienen diferentes valores de pH. con los niveles de significación de (o) 0. etc. [.19. Con un nivel de significación del (a) 0.01 V (b) 0. Explicar las diferencias entre esto y lo que se pedía en el problema anterior.01.52 con una desviación típica de 0. respectivamente. Mediante unniveldesignificación del 0. la puntuación media de 32 niños fue de 72 con una desviación típica de 8. El número medio de fanegadas de trigo cosechadas por cuadrado en los que se utilizó el fertilizante nuevo fue de 18.79 ensayar la hipótesis de que el contenido medio de cobre sea más alto que el que marcan las especificaciones.01 y (ó) 0.2% de cobre.24%.252 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Solucionar el Problema 7.77.01.2 con una desviación típica de 0./o con una desviación típica de 0. Ensayar la hipótesis de que (o) las dos máquinas tengan diferente calidad de fabricación y (b) la máquina B sea mejor que A. En seis pruebas de este tipo se obtuvo un decrecimiento en eI tiempo de producciónde 8.76.4a.05 ensayar la hipótesis de que las máquinas deben ser introducidas.a media y desviación tfpica correspondientes a los otros cuadrados fueron 17. ensayar la hipótesis de que el nuevo fertilizante sea mejor que el antiguo. < 1-t2O horas.05 y (b) 0.54 fanegadas.72.32%.7L.05 que el producto presenta las especificaciones requeridas? ?. En un examen de psicología de 12 estudiantes de una clase hubo una puntuación media de 78 con una desvia- 7. ción típica de 6. Una muestra de 75 bombillas de otro fabricante B dio una duración media de 1230 horas con una desviación típica de 120 horas. ?. 7 . A y B fueron ensayadas pa¡a ver su pH (grado de acidez de la solución). ¿Puede deducirse al nivel de significación del (c) 0.a2. En el Problem a 7 . mediante un nivel de significación del (a) 0.01. Dos tipos de soluciones químicas.05 y (b) 0.01 y (b) 0.49 con una desviación típica de 0. una parcela de terreno se dividió en 60 cuadrados de áreas iguales. Utilizar el nivel de significación del 7. Una muestra de 8 bombillasdelaproducciónactualdiouna du¡aciónmedia de 10?0 horas.01? En el Problema 7 .70 si el nivel de significación es del 0. respectivamente. Utilizando un nivel de significación del (a) 0. Ensayar la hipótesis de que a los niveles de significación (a) del 0. 0.76. me- 7. 1 . lcAP. (b) 0. mientras que la puntuación media de 36 niñas fue de 75 con una desviación tÍpica de 6.05. Para ensayar los efectos de un nuevo fertilizante sobre la producción de trigo. 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. Un experto efieiente mantiene que introduciendo un nuevo tipo de maquinaria en un proceso de producción se puede disminuir sustancialmente el tiempo de producción. 7. Unamuestrade 10 análisis dio una media de contenido en cobre de 23.83. Las especificaciones para Ia producción de una cierta aleación piden el 23. Ensayar la hipótesis de que la duración media de las bombillas no ha cambiado. ENSAYOS EN RELACION CON LA DISTRIBUCION ú DE STUDENT 7. ¿Hay diferencias entre las duraciones medias de las bombillas de los dos fabricantes al nivel de significación del (o) 0. A causa de lo costoso del mantenimiento de estas máquinas resulta que a menos que el tiempo 4e producción ee disminuyaen un8. ENSAYOS REFERENTES A DIFERENCIAS DEMEDIAS Y PROPORCIONES 7. todos ellos tenían idénticas características de suelo.O7o laintroducciónde tales máquinas en eI proceso resulta antieconómico.73. 7.63 fanegadas.05. Una muestra de 100 bombillas de un fabricante A dio una duración media de 1190 horas y una desviación típica de 90 horas.8f En el Problema 7. .01 las niñastengan mejor ortografía que los niños. ¿Se contradicen los resultados con los del problema anterior? En un examen de ortografía en una escuela elemental.05. ? 7.01.01. exposción a la luz del sol. Análisis de 6 muestras de A dieron un pH medio de 7.80. Análisis de 5 muestras de B dieron un pH medio de ?.7 7 ensayar la hipótesis ¡¡ : 1120 horas contra la hipótesis alternativa tt diante un nivel de significación del (o) 0. 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. 7.05 y (b) 0. El nuevo fertilizante se aplicó a 30 de estos cuadrados y el antiguo fertilizante a los restantes.05 y (b) 0.

89. Representar gráficamente los resultados del Problema ?. Adviértase que en esüe caso solo son necesarios los límiúes de control super. (b) 0.26 y 7 .05.8. cuando la proporción real p de bolas rojas sea (o) 0. Alrededor del lVo de las tuercas producidas por una compañía son defectuosas.63. ¿podemos concluir que hay una diferencia significativa en la variabilidad de los valores del pH para las dos soluciones al nivel de significación del 0.731o ó 3o. Comparar estas curvas con las del ProblenaT .95.ores.84. . una curva de potencia correspondientes al Problema 7.90 construyendo un gráfico de (c)p V p.28 onzas. En el Problema 7. (b) 99% sobre un gráfico de control de calidad y explicar sus aplicac¡o- nes. En el pasado.6.05. durante los 15 últimos años. En relación con el Problema 7.27 si se eru¡ayan 400 cuerdas. ?.86.82.9. se toma cada 3 horas una muestra de 16 piezas de hilo y se determina la resistencia media. desviación típica de las temperatwas anu¡legde una ciudad en un período de 100 años fue de 16" Fahrenheit. Ia desviación típica de las temperaturas anuales fue calculada como de 10o Fahrenheit. En el Problema 7.90. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION es 263 superior al segun- viación típica de 8. Determinar los Iímites de control del (a ) 99% y (b)95% pam el número de tuercas defectuosas de cada muestra. ENSAYOS EN RELACION CON LA DISTBIBI'CION CHI. se toma una muestra cada 4 horas de 200 de las tuercas producidas.05 y (b ) 0. (b ) 0. Construir (a) unacurva OC y (ó) . t¿ ?. Hallar los límites de control del (a) 99. Para determinar si el producto está de acuerdo a estas normas.3.CUADRADO 7. ENSAYOS EN RELACION CON 7 LA DISTBIBUCION F .01? CUBVAS CARACTERISTICAS DE OPEBACION ?. Comparar estos gráficos con los del Problema ?.E8.81 . determinar Ia probabilidad de aceptar la hipótesis de que haya igual proporción de bolas rojas y azules. La desviación típica de resistencia a la rotura de ciertos cables producidos por una compañía viene dada por 240 libras. ¿Concluiría que esto no es común? Explicar. (b ) 0.27 GBAFICOS DE CONTROL DE CALIDAD 7.85. (b) (1 -p) y p.05 determinar si el primer grupo do. (d) 0. 7. ?.0f .64 onzas y una desviación típica de 1.cAP. Dos muestras consisten de 21 y 9 observaciones.92. tienen varianzas dadas por s? : 16 y s2 : 8 respectivamente.93.01. Investigar la significación del aparente incremento enla variabilidad. Para mantener esta calidad de producción. mediante un nivel de significación del (a ) 0. ?.7.77 una muestra de 20 bombilta¡ reveló una desviación típica en la duración de 150 horas. ?.01 .65. Con la temperatura media del día 15 de cada mes. (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 la primera varianza poblacional es mayor que la de la segunda a un nivel de significación del (o ) 0.94.91. Solucionar el Problema 7. al nivel de significación del (a) 0. La resistencia a la rotura de una muestra de 8 cables dio una desviación típica de 300 libras. Con un nivel de significación del 0. (c) 0. Ensayar la hipótesis de que las temperaturas en esta ciudad presentan ahora menos variabilidad que en el pasado. Después de introducir un cambio en el proceso de producción de estos cables. (e ) 0.25 considerando Ia analogía de bolas rojas y azules con caras y sellos respectivamente. un cierto tipo de hilo producido por un fabricante tenía una resistencia media de roüura de 8.87 si las dos mueetras con¡i¡ten de 60 y 120 observaciones respectivamente. ?. (o ) Solucionar los Problemas 7 .

Ajustar una distribución normal a los datos del problema 5. En 10 unidades del ejército prusiano y en un período de 20 años 1875-1894.254 ENSAYOS DE HIPOTESTS Y SIGNIFICACION Tabla f 0 [car. Delerminar al nivel de significación de 0.1'04.05.96 y comparar con el ajuste obtenido utilizando la distribución binomial. 7.l 1 cara 108 bien hechas. El número de defectuosas ""d" fueron 2.96. El número de libros sacados de una biblioteca pública durante una semana determinada viene dado en la Tabla ?-22. Mar.107. utilizar papel gráfico 30 62 16 l0 . el número de muertos por unidad y año debido a coz de caballo se dan en la Tabla ?-2b.LB% B. 108 Mierc. I 65 22 a l 10!¡ I LA PRUEBA CHI.se muestran en la Tabla ?-2g.106. solucionar el Problema 7. Número de libros sacados Tabla 7 -27 Lun. Un profesor nr¡evo da durante dos se_ mestres 22 A. Los resultados aparecen en la Tabla 7-26 junto con las frecuencias esperadas bajo la hipótesis de que las monedas están ces y Tabla 0 caras Frecuencia observada 7 -26 2 caras 3 caras t. Una urna contienc 6 bolas rojas y B blancas. Este proceso se repite un total de 120 veces y los resultados obtenidos. Se eligieron aleatoriamente tuercas de la producción de . Ajustar una distribución normal a los datos del problema 5. resultados obtenidos son consistentes (.rrru de 4 máquinas. 7. Tabla 0 ? -25 I ?-101.100. . Durante un largo período de tiempo. 146 t20 7. 6l ?.Lg?o D y 12% F. Ajustar una distribución de Poiss<¡n a los datos.0b. 7.0r . 7.CUADRADO 7'102' En 60 lanzamientos de una moneda se observaron 37 caras y 23 sellos.e 12% A. (á) 0.66 C' 16 D y 12 F.05. 7. Ajustar una distribución de poisson a los datos del hoblema 2. se anota su color y se vuelven a la urna.05 2 rojo 0 blanco Número de extracciones con Ios esperados. 7.98. 7 z AJUSTE DE DATOS A DISTRIBUCIONES TEORICAS -24 2 7.103. Se lanzaron tres monedas un total de 240 vese observó cada vez el número de caras obtenido.108. 10. Juev.g8 pueden ser aproximados estrechamente a una distribución normal. Ensayar la hipótesis de que la moneda está bien hecha utilizando un nivel de significación del (o) 0. (b) Determinar al nivel de significación del 0. 3 4 .34 8. de probabilidad para determinar si los datos del Problema 5. .99. Ensayar esta hipótesis al nivel de significación del 0. 3.r02 utirizando la corrección de yates. (b ) 0. 7 '97 Ajustar una distribución binomial a los datos dela Tabla 7 _24. Determinar si existe entre las máquinas una diferencia significativa al nivel dc significación del 0. Ensayar la hipótesis de que el número de libros sacados no dependa del día de la semana.05.100. Se Tabla 7-28 0 rojo 2 blanco 1 rojo 1 blanco 53 si los extraen aleatoriamente dos bolas de la urna.05 si el profesor nuevo sigue las mismas nornns de puntuación que los otros. 114 Vier.01. 9.^ 30 Frecuencia esperada )0 90 3() ?. las puntuaciones dadas por un grupo de profesores en un determinado curso dieron un promedio d.105. con un nivel de significación del (o ) 0.gg.40% C. (o) Determinar las frecuencias esperadas.

7l BONDAD DE AJUSTE ENSAYOS DE HIPOTESIS Y SIGNIFICACION 265 7.114.la Tabla 7-32. Hacer el problema con y sin la corrección de Yates. ensayar la hipótesis de que no haya diferencia entre. Los resultados de una encuesta hecha para determinar si la edad de los conducüores a partir de los 21 añoe.118.112 introduciendo la corrección de Yates. De un grupo de enfermos que se quejaban de que no dormían bien. El resultado de sus respuestas se muestra en la Tabla 7-31. mientras que a otros se les dio píldoras de azúcar (aunque todoselloscreíonque suspíldoraseranparadormir).116.05 y en cada caso determinar si el ajuste es "bastante bue.05. la vacunación y esta enfermedad son independientes. los votos de los demócratas y republicanos registraron los resultados que se observan en.06.01.110. IA Tabla 7 -29 muestra el resultado de un erperimenüo para investigar el efecto de vacunación de animales de laboraüorio contra una determinada enfermedad.05 y (b) 0. A un nivel de significación de (a) 0. Tabla ?-30 Aprobados Clase 7. 7.05 v (b) 0. 7. Sobre una decisión de importancia nacional. A 72 64 t7 23 Clase B 7. Mediante la prueba chicuadrado determinar la bondad de ajuste de los datos de (c) Problema ?.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. (b)hoblema 7. Utilizar el nivel de significación del 0.99. Ensayar la hipótesis de que las notas de física sean independientes de lás obtenidas en matemáticas. Suponiendo que todos los pacientes dijeron la verdad. Solucionar el Problema 7. Mediante un nivel de significación del (o) 0. Tabla 7. ensayar la hipótesis de que no haya diferencia entre los grupos vacunados y no vacunados. N nivel de significación del (a)0. enfer No se maron 'enferma¡on Vacun¡dos No Vacunados I L7 42 28 ?.96.0ó. medianüe un nivel de significación del (o) 0. las dos claees.100.06.101.05 V (b) 0. tiene su efecto en el número de accidentes de automóvil (incluyendo todo tipo de accidentes) se indican en la Tabla 7-34.113. 7. ¿Qué poeiblee dificultades en las t&nicas de muestreo como en otras consideraciones pueden afect¿r las conclusiones? . (a) Utiliza¡ la prueba chi-cuadrado para determinar la bondad de ajuste de los datos del Problema?. Mediante un nivel de significación del (o) 0.98.(b) ¿Es el ajuste "bastante bueno"? Emplear el nivel de significación del 0. 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.LOg? TABLAS DE CONTINGENCIA 7 Tabla 7-29 Se .112. (b) Problema 7. a unos se les dio pfldoraspa¡adormi¡.01 y (b)0. 7. es decir.111. Posteriormente.01 y (b) 0.L17.01. Dott.cAP. se Ies preguntó si las pastillas habían surtido efecto o no.01 ensayarlahipóteaisdequeelnúmerodeaccidentes es independiente de la edad del conductor. ¿Es consistente el resultado de (o ) con el del problema 7 .f09. Mediante la prueba chi+uadrado determinar la bondad de ajuste de los datosde (o)Problem¡ 7.ensayarlahipótesis de que no hay diferencia entre las píldoras de dormir y las de aziucar al nivel de significación del 0. Ia Tabla 7-33 da la relación entre las notas de los estudiantes en matemáticas y física.ensayarlahipóteois de que no hay diferencia entre ambos partidos en lo que a esta decisión se refiere.

donde n es la frecuencia total de todas las casillas. Demostrar que el coeficiente de contingencia máximo para una tabla fr X k es 1/1t¡ PROBLEMAS DTVERSOS . 7'. . respecüivamente.) 7. Demostrar que el coeficiente de contingencia máximo para una tabla 3 X 3 mente. 20. Dos urnas A y I contienen igual número de bolas.11?. 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 &.117. diantes.1 . Xu) r¡ñY Azules No azules 49 30 8-ó 7.1L2 y (b) Problema 7.¡¡¡./n.122.128. Si nI y n! denotan. donde n és la frecuencia total de todas las casillag.126. ? 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. se toma una muestra de 50 bolas con remplazamiento de cada una de las urnas. COEFICIENTE DE CONTINGENCIA 7. (b) el coeficiente COLOR DE PELO Rubio No rubio 25 96 7. la suma de frecuencias en la fila ¡ y en la columna j de una tabla de contingencia (frecuencias marginales).119. es JUS:0. Hallar el coeficiente de contingencia sin y con la corrección de Yates para los datos de (o) problema 7. ( sin y con coeficiente de n de yates. discutir las tablas de contingencia h X k X I. (o) Demostrar eu€ ¡2 = 2@l/np.127.8165aproximada- 7. señalando las posibles aplicaciones que pueden_tener. 7. 7.49. (b) Con el resultado de (c) hacer el Problema 7.266 ENSAYOS DE HIPOTESIS Y SIGNIFICACIOD¡ Tabla 7-33 lcAP.121.121.L23. 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.LL4. ?.?r para toda tabla de contingencia. Hallar el coefieiente de contingencia para los datos del Problema ?. mostrar que la frecuencia esperada para la casilla perteneciente a la fila i y a la columna j es n¡n. Demostrar el resultado (2) det Problema 7.125.

138 ¿hay mayor variabilidad en millas por galón utilizando la marca B que utilizando la marca A? Explicar.l4O para obtener el valor de TOTALES lr2 n . En eI Problema ?.6 con una desviación típica de 0. es ahora 8. 7.140.142. Explicar cómo podría definir interualos de confianza unilateroles y dar una posible aplicación.130.138.132 si salen 6 caras. ?.0ó.56 si el 7 en la regla de decisión del Problema 7.141. Comentar los resultados. ?. Ensayar la significación de este resultado a un nivel de (a) 0.06 de que el estudiante no está contestando al azar.05. A B Tabla 7-36 I &1 II A2 III dg ó3 'tLg TOTALES ?.134.54 ?. (c) 0.cAP.132 empleando un ensayo unilateral. (c) 0.133. ?. Durante un período particular hubo 40 calificaciones A en un grupo de 300 estudiantes.48.10.4?. Con otra marca B. Solucionar los Problemas 7. Con referencia al Problema ?.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 267 dando la de A 32 bolas rojas y la de B 23 bolas rojas.01? Utilizar un ensayo bilateral.136. ?. Comentar cómo puede utilizarse la teoría del muestreo para investigar las proporciones de diferentes tipos de pescado presentes en un lago. (b) 0'01. Una moneda se lanza 8 veces y se obtienen ? caras.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. ¿Se puede rechazar la hipótesis de que la moneda está bien hecha al nivel de significación del (o) 0.001' (d) 0. 7. 2.135.131. Solucionar el Problema 7. (b) 0.4 con una desviación típica de 0.55.23 pzra el Problema 7.54.05. Mediante un nivel de significación del 0. hallar el menor número de preguntas que un estudiante debe contesta¡ correctamente para que el instructor esté seguro al nivel de significación del (o) 0.13g. el número medio de millas por galón consumido en 5 automóviles análogos bajo idénticas condiciones fue de 22. 7. el número medio fue de 21. ?.13?. Al nivel de significacióndel 0.54.129.132. ?. El porcentaje de calificaciones A dadas en un curso de física en una universidad determinada durante mucho tiempo fte L0%. Utiliza¡ el resultado del Problema 12 para el Problema ?. Demostrar que para la Tabla ?-36 y2 " n = o(l+ú+"?\ * 2a (u" +ú+ rt2 'tL2 ns/ rr o?) ns ¡\ ?t I \t¿r / -. ?. Solucionar el Problema 7.140.64-7. (b) 0. Generalizar el resultado del Problema 7. 7 n¡ ng üt fl1 b2 . Con una determinada marca A de gasolina.01.0Sinvestigarsila marca A realmente es mejor que B proporcionando mayor recorrido por galón. Construir gráficos análogos a los del Problema 7. ?.

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

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

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

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

por ejemplo. puesto que >(A U. si creemos que dos variables inaependi"áfus y. debemos hallar si n es lo suficientemente grande para que estén rectas alrededor del 68%.r €l valor estimado de y para un valor dado de ¡. incluyendo ecuaciones lineales y no lineales conducentes a s¿.. y. como se emtodas la.23. Genetalizaciones a más variables. c en (20) de modo que que (20) lz = tmtb)r+ "2a 2*. REGRESION Y CORRELACTON lcAP. z.' : f"(L-r') Í l.r)2 (22) r. y respectivamente y sumando.2. (25) de donde incidentalmente se deduce como corolario que r2 _ El error típico de la estima tiene propiedades análogas a esas de la desviación típica. = o2r +b>12*c)ry 2u" : "2u + b> ry 1. entón". esto es -1 < r < 1.8 REGRESION MULTIPLE Las una ces busc hay ás variables. Si r es la variable dependiente una ecuación semejante se llamarú ecuación de regresión de x sobre y.96% y 97% de los puntos muestrales res. Por ejemplo. con a y b dados por (4). se obtienen como resul- ERROR TIPICO DE LA ESTIMA Si."t)z = 2¿2.262 CURVA DE AruSTE. se hacán fácilmente. ó.denotamos por U". si construimos p¿ües de rectas paralelas a la recta de iegresión de y sobre r a distancias vertióales te. la cun¡a de o de la estima. 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. tenga la forma (20) z = a*br+cy Esta se denomina ecuación de regresión de z sobre r. tenemos (23) (24) También podemos expres¿u s.-' perficies de regresión en espacios tridimensionales y superiores.s curvas de regreéión posible.c)y2 (21) tado de aplicar una definición análoga a la de la página 2sg. : a* br. x. . por la recta de mínimos cuadrados en términos de la varianza v del coeficiente de correlación como s?. entonces una medida de la dispersión con respecto a la curva de regresión está suministrada por la cantidad sg. llamadas las ecuaciones normales correspondientes a (20).. n¿viértase qúe pueden obtenerse formalmente de (20) multiplicando por L.: 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". ' Estas ecuaciones. obtenido de la curva de regresión de y sobre r.

que se utilizan en la práctica son M n2ry . y sy tenemos )('?-U""')' D2 = r Entonces podemos demostrar que (véase Problema 8. y (en COEFICIENTE DE CORRELACION I.(>rX>y) (3r) ra-ra (? .)2 * 2(u. r mide qué tan bienla recta de regresión de mínimos cuadrados se ajusta a los datos muestrales. La primera sunra a la derecha de (27) se conoce como la uarincíón no explicadc. r : + 1. algunas veces llamada coeficiente de determinación..24) (26\ 2@-ü' = 2ta -?/".r7 se explican por Ia recta de regtesión de mínimos cuadrados y así tienden a seguir un patrón definido. 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. En otras palabras. se encuentra entre 0 y 1.1) igualmeninsesgada del cuadrado del error típico de la estima..) . Fórmulas equivalentes a las anteriores..2 en cambio de n en el denominador. Si la variación total se explica totalmente por la recta de regresión. La fórmula (29) se conoce como la fórmuln producto-momento para correlación lineal. 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.x"l(E (32) a. Este está dado por 3r2..INEAL Hasta el momento hemos definido eI coeficiente de conelación formalmente por (I5) pero no hemos examinado su significado. decimos que hay una correlación lineal perfegta (y en tal caso también regresión lineal perfecüc). es decir. si 12 : L í. REGRESION Y CORRELACION 263 Así como hay una estima insesgada de la varianza muestral dada por 3t : nsz/(n . Esta terminología surge debido a que Ias desviaciones y -U.. En Ia práctica la cantidad 12. entonces la variación explicada es cero y así r : 0.cAP.*-u)' (27) La cantidad a la izquierda de (27) se llama la uariación total. 8l CURVA DE AJUSTE. Por esta raz6n algunos estadísticos prefieren expresar (22) con n . : nsl .2). te hay una estima Las anotaciones anteriores se modifican fácilmente para Ia recta de regresión de r sobre cuyo caso el error típico de la estima se denota por s¡ r) o para regresión no lineal o multiple. De otra parte si la variación total no se puede explicar. Al tratar de hacerlo notemos que de (25\ V las definiciones de sy./(n .r s€ comportan en una manera aleatoria o impredecible en tanto que las desviaciones /esr ... mientras que la segunda suma se llama uariación explicadn.

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

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

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

es decir.Para este propósito debemos conocer la distribución muestral de r.'\[+Fi. Véase Problema 8. fo = E(YIX = co)]. lo : a * bxs. Denótese Por Jp el valor predicho de y conespondiente 2.44. Ensayo de la hipótesis p = 0. Ensayo de hipótesis para valores medios predichos. 3.2 grados de libertad.1618""..ffi @o- a"\{n-2 Urr¡ tiene una distribución de Student con n . De esta ecuación se pueden ha' llar límites de confianza para valores de población 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. (i=/ : 1'1513 tos'o(1 Estos hechos pueden también utilizarse para hallar los límites de confianza para los coeficientes de correlación.. es decir. = ffi - (51) Z de Fish. Véanse Problemas 8.45. Aquí utilizamos el hecho de que el estadístico f = rl/n-z \/fr (+s¡ tiene distribución de Student con n - 2 grados de libertad.46.8l CURVA DE A'USTE.49 y 8. Esto también puede utiliza¡se para hallar inten¡alos de confianza p¿ua coeficientes de regresión poblacionales de los valores muestrales. Entonces el estadístico t- ú- ru. Ensayo de la hipótesis p * 0.2 grados de libertad. Para p + Ola distribución es sesgada.2 grados de libertad. = 1. La transformación (60) se llama transformación /1+p\ I o/' ".48. En el caso de que p = O esta distribución es simétrica y se puede utiliza¡ un estadístico con distribución de Student. Denótese por üp elvalormedb predichodey correspondiente a x = Ío para la población [esto es. Denótese por ¡lo el valor predicho de y conespondiente i f : ts estimado de la ecu¡ción de regtesión muestral. Aquí utilizamos el hecho de que el estadístico z =*r"(i+) = r. Véanse Problemas 8.43 y 8. . REGRESION Y COBRELACION 267 tiene una distribución de Student con n . Í : Ís para la población. lo = a * bxs. Ensayo de hipótesis para valores predichos. Véanse Problemas 8.47 y 8.cAP. 1. 2. Denótese por Jo eI valor predicho de y correspondiente o. Entonces el estadístico t- su.er.m (ao- úor\Ñ @a¡ tiene una distribución de Student con n . 2. Véase Problema 8.8 : to estimado de la ecuación de regresión muestral. De aquí pueden hallarse los tes de confianza para valores medios poblacionales predichos.50.(i#J aproximadamente tiene una distribución normal con media y desviación típica dadas por (50) -Zt" /1+p\ *. En ese caso una transformación debida a Fisher produce un estadístico que aproximadamente tiene una dishibución normal. Los ensayos siguientes resumen los procedimientos involucrados.

podemos utilizar una ecuación de la forma de (39) pata predecir el valor de Y a partfu del valor de X.yt)lfz . (521 donde se Itzr-|.s resueltos NECTA DE MINIMOS CUADROS 8. REGRESION Y CORRELACION [cAP. yr ) V @2.. EJEMPLO 8.@ se mueetra en la Fig. diente de la recta. Si X representa los s¿larios anuales de los profesores en tanüo que Y representa la cantidad de crímenes.lLzr.b(r-r-1\ Í2trt Uz-Ut . y.2. Significado de una diferencia entre coeficientes de conelacion. Problerna. Una recta pasa por los puntos (xr. cuando p + O. Por tanto (1) A2 = aibr2 u-a1 = @*br)-(a+b*t) (2\ . Pero diffcilmente diríamos que hay interdependencia düecta entre X y Y.t [. Es importante acla¡a¡ que "correlación" y "dependencia" en el sentido anterior no necesariamente implica una independencia causal di¡ecta de X y Y. La consüante b : (yz .a ecuación de una recta es ! : a * b*.Zrpzr-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. Luego utilizamos el hecho de que el estadístico Zr.yt)l@z . EJEMPLO 8. Y tienen un coeficiente de correlación diferente a cero.¡r ) es la pen- . 8 3. calculamos Z. lt ) y ( rr.)w-. ozr-2. sabemos (Teorema 3-15.a*br)-(a*br1l = b(r2-r1l Obteniendo que b : (yz . Además. 8-5. eI coeficiente de correlación puede eer diferenüe de cero y podríamos halla¡ una ecuación de regreeión prediciendo una variable de la otra. = Pzr. Se¿n X.1. página 82) que son dependientes en el sentido de probabilidad (esto es.51. CORRELACION Y DEPENDENCIA Si dos variables aleatorias X.268 CURVA DE AJUSTE. Esto se demuestra en los ejemplos siguientes. ozr-2. Véase Problema 8.1. y2 ) son puntos sobre la recta yt = a+bn1. La gÉfre de la recüa . Demostrar = que la ecuación de la recta es U-Ut tenemoe (Ty. = Y nr- n^ = nt-3' nz-B (53') disbibuye norma[mente. Entonces ya que (¡r. Y variables aleatoria¡ que representsn eetaturas y pesos de individuos. su distribución conjunta no se factoriza en sus distribuciones marginales). el resulüado se deduce. Aquí hay una independencia directa enüre X Y. ). y 22 conespondientes a y rz utilizando (50).(.11 ) de (2) y (l pedido sustituyendo en ).

7).(4.. 8-6. Puede demostrarse que eetas realmente resultan en un mínimo. recta de mínimos cuadrados conespondientes a 11.1 . aFlab = 0. por ejemplo. (b) Para obtener la ecuación de la recta construida en (o). r como . 8) y (14. (6.cAP. vé¡ee Problema 8'4 que emplea el método de mfnimos cuadrados.os valores de y sobre la.642r. Las coordenadas de e¡tos puntoa tomadoc de la gráfica eon aproximadamente (0. F(a.3. (3. 8-6 . Para un método que eümine la ne' eecidad de juicio individual. REGRESION Y CORRELACION Tabl¿ 8-1 ü u 1 269 (c) Construir una recta que se aproxime a los datos de la Tabla 8-1. 8.t"*br-y\z = # = I$r" *br-y)z : obtenemos )2(a+br-ul 2zr(a*br-al 0 )("+ br-y) 2a = an*b)n 0 )r(o* bx-ul - es decir. (11.2. CURVA DE AJUSTE.2 utilizando a (c) variable independiente. I 4 8 I Una rect¿ que se aproxime a los datoc se dibuja a mono olzada en la figura.1 ) y (72.. Ajustar una recta de mínimos cuadrados a los datos del Problema 8. para la recta de mínimps cuadrados. Una condición ó mfnimo (o un máximo) es necesaria para que esto sea un que aFlaa = O. tales como P y 8. 8-?. (b) Hallar una ecuación para esta recta.61. (o) Dibujar loe puntos (1. página 260. Ya que # = >f. dn = a*bxn-yn Fis. (8. Refiriéndonoa a la Fig. 4).b) = l(o * br . 9) sobre un ¡istema de coordena' das rectangulares corno se muesha en l¡ Fig.tl' a-r =ffiO-l. 6 y-l=0. f. Derivar las ecuaciones nonnales (4).8l 8.rfnSOn a*bry albr2. escójarrse dos puntoe cualesquiera sobre la recta.4\. 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. es decir.. . (b) Í como variable dependiente. 2). 6).4. 12. 8. albnn Las dewi¡¡ciones verticales correapondientes son dt = a*br1-yt..7 .g¡2.542r ó¡ U=l+0. 3 2 4 6 4 891114 o a t).rA' ")t)'6"' Fig.. dz: albr2-9". 2ra = a2r*b2r2 como 8e pedfa.. Entonces el Problema 8. (9.

t¿s ecuaciones normalee son )Y: 2ru: an*b)r a)r*b). REGRESION Y CORRELACION [cAP.Ga)(.oso (b) Si se considera a r como la variable dependiente y a y como la variable independienüe.636 r. Nótese que esta no es la recta obtenida en el hoblema 8.50 d- - = 1.545.636. 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.(56X364) lt ó0'545 = 6 --lE f8-i6 g=w =qffiffiá#l )c = cnld)y = frao.546 + 0. la ecuación de la la recta de mínimos cuadrados es ¡ : c * dy. y.sz El trabajo involucrado en el crilculo de las sumas puede ordenarse como ae indica en lá Tabla 8-2. yla rectade mínimoecuadradoopedida es S t + lrx 6 U = 0.2 utiPuesto que hay 8 pares de valores de.r. a = ()y)()r2) .CURVA DE AJUSTE. n lizando el método a mano alzadt.60 . b=+ ó0.50.()r)()ry) = (40)(524\ . d=9 ó 1. las ecuaciones normales son 2ru = c2y*d2a2 Entonces utilizando la Tabla 8-2. Otro método. 8c*40d = 56 40ci256d = 364 Estos valoree también pueden obtenerse de ()rx)sz¡ . se ha agregado a la tabla para emplearla en la parte (b).50. las ecuacionee normales se convie¡ten en dedonde c=-* ó -0.)ru) c=ffi==-0. Aunque la última columna no se necesita para esta parte del problema.8 (o) La ecuación de la recta es y : o * b¡.

las rectas (¿) V (S) no coinciden.6).. la recta de mínimos cuadrados puede escribirse como Q) Caso que muestra que la recta pas¿ por el punto (á.8l CURVA DE AJUSTE.60 * 1. (o) Demostrar que las dos rectas de mínimos cuadrados obtenidas en el Problema 8.50(3) = {.6. se utiliza para estimar r para valores dados de y.Elpunto(?. y es la varirrble independiente. Ot¡o método.636 r o.60y t2 10 = y= e.Resolviendoeimultánesmente. {.cAP.636 ¡ 2 0 6tl012 Fig.8. Lar gróficas de l¡s dos rectat. ¡ ¡=-0.546 f 0.úr.333 + 0'667 ¡' que no ee l¡ mi¡m¡ rect¡ 8. Nótese quelas dos rectas en e¡te caso prácüicamente coinciden.50y. y : 0. se indican en la Fig. pueeto eue6=*+t(?). ¡ es la variable independiente.66? r 8 6 1 u= 0. [¡secuacionee delaedosrectassona= llamos 8. mfnimos cuadrados puede eecribirs€ como hocediendo como en el c¿¡o 1 intercambiando r. Demostrar que una recta de mínimos cuadrados siempre pasa por el punto (i.546 * 0.333 * 0. es (7. 2.ú). U = 0'646 + 0'636(12) = g'Z' (c) Al remplazary:3 enlarectaderegresiónde¡ sobre a.5). La recta obtenida en la parte (b) se llama la recto de regreeión de x eobre y. d respectiremen' üe. ¡ = 7 . 0. (b) Al remplazar x.4.60 + 1. U = &* Lrrr.ha*+É. = tllu-úl Nótese que en general.! :5. ti).Í. llamedo el centroide. remplazando las constantes o.546 + 0. La recta obtenida en la parte (o ) se llama la recta de regre' eión de y sobre r y ce utiliza para estimar y para valores dados de r. (o) El punto (?. (b) Estimar el valor de y cuando x: L2. y. y E=-t+*y. Nótese que al solucionar esta ecuación para y obtenemos y obtenida en la parte (o).500*1.60+1.4 intersectan en el punto (. b por c. (c) Estimar el valor de ¡ cuan' doY: 3' -2a40 a=T=¡-=o Luego el punto (6. r-ñ f). pero ¡e intergectan en (a. lo cual es un¡ indicación de que los datos están muy bien descritos po¡ una relación lineal. . Caso 1.6)seencuenhasobrelarerfar=-++$y.6.7.: L2 en la recta de regresión de y sobre n. 6) se encuentra en la recta U = 0. ú). 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 ).636¡.9.60 y. Por üanto la¡ rectas se interceptan en el punto (?.E. F = -0. hallamos que la recta de (5) que indica que la recta pasa por el punto (4. Representar gráficamente las dos rectas obtenidas en el hoblema 8.fi). - 0.pue¡üoque7=-*+*(6). REGRESION Y CORRELACION Por tanto la ecuación pedida de la recta de mínimos cuadrados es r = 0.8-8 8. más exactamente.

al r.pdgina 261.(2rlz 2(¡z-2nr*12) 2r2-2ñ2r*2i:z 2r2-2n82 lniz 2s2 .)(2g. ¿ = ñ. Tónemo¡ de 11) [eAP. h = f. re rigue intercambiando D - >(z::elfu. U - g.1 -ñF-trú. y.8 tenemos f. página 260.Demosharque .(>. y (véa¡e problema g.e¡z demo¡tración de (12).=-Ep=Ts¡t Del Problem¡ 8.8. sean c = d *h. Ir 2(a .(2r)(2r'l n2r.12).=7+h. 8. .ú = b(x.272 CT'RVA DE AJUSTE. g 8.nEú (I¡X)z) ¿ru . De la segunda ecuación en (5).n8z 2r2 I Entonces .(2r.t).n2r'a' . 8.y.9. h_ v- dondeh n2uU yk son constantes.-.10 Si en el Problema 8.(Ic)z¡ También >(r - t)(v . u=7+tc Por üanto .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. j[n2ra Por tanto (I ) oe conüerte cn 2rU t (>¿X>y)] de donde ¡e obtie¡e el resultado (S ). r puede escribirse en la (l). + k. u=u'*k.(2x')(2y'l n)s'2 .tenemos . = n8ru-(2rl()ü _ n2xz _ (2r)z Entonces ti ú = út I h. demostrar que D--i# .úl = 2(rs-i:y-ir*efrl 2ra-ñ2u-ú2n1'2eú 2rU-nEú-nfrE*nitfi .7 . tenemos D_ 2(r n2xy . pdgina 260. REORESION Y CORRELACION Demostr^ar que la tecta de regresión de mínimos cuadrados de y sobre forma (8).9.t¡z = - t )(>x)2 |ín2rz . Problema 8. U .()¿X)y) n)¡z ..

(c) Hallar la ¡ecta de regresión de mínimos cuadrados de r sobre y.cAF./ €70 6 !a 2a'= an * ólr 2ra .197 )92 = 64.418 Zny = 54.y deuna muestra de L2 padres y sus hijos mayores.476x.L07 de donde hallamoe o : 36.8l CURVA DE AJUSTE. 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. .086/___V (b) f. (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r. 62 62 6{ 66 Fig.82 + O.418b = 64. 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.82 y b = 0.a2n*b2n2 [.849 . 72 de dispersión se obtiene dibujando los r = _8. La gráfica de esta ecuación ¡e muest¡a en la Fig. (c) Construir un diagrama de dispersión.9 ya que 2fr' = l(c-t) y análogamente = 2r-nñ = 0 ly' = 6. 8-9.ae sumas se muestran en la Tabla 8. de modo que lae ecuaciones normales se convierten en 9oe 2? 666 864 É¡ E 12o*800ó:811 800o*63.a recta de regresión de y sobre r está dada por y = a + b*. de modo que y :96. &11 La Tabla 8-3 muestra las respectivas estaturas lc. REGRESION Y CORRELACION 273 Se deduce inmediatamente del Problema 8. donde o y b se obtienen resolyiendo las ecuaciones normales. 8-9.88+r.476. y ) sobre un sistema de coordenadas rectangulares como se muestra en la Fig.4.

6?. ¿ = n>r!: (>!)l?nl = n2a2 .dondecydseobtienensolucionandolas 2a = cntd.g8.5) - (10)z = 0.82. y. CURVA DE AJUSTE.á).036. b = dada por ry# = 0. y ( los números restados de r tee).9. (12X106) (-16)f.68.2y 2uY = c2Y*d2Y2 L2c Utilizando las sumae en la Tabla 8-4.68 = 0.L07 E1lc#54.86 * 0.07) 6 ecueción de regreeión pedida de y sobre x ea a . = ñ . . de r. De una manera análoga podemos obtener l¡ ecuación de regreaión de r sobre y. = ú - 68.58 n I¡ =7*68 = -**68 = 66. esto ee a = 36.11.Iagráficadeestaecuaciónse Otro método. REGRESION Y CORRELACION lcAP.68.38*1.12s¡z _ _s.849d muestr¿ en la Fig. Esto nos conduce a la Tabla 8-5.036y.67. por ejemplo 68.asfque¡:-3. Réstese un valor apropiado.274 Otro método. Por tanto 6?. - (>¡XI=y2l.d=1. - 68 tenemos r.(lyX>ay) n2yz .476(n-66.38.476u u . se convierten en -f SLld = 800 64.12. 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). Solucionar el Problema 8.476 También ya que &' = ú . u =7*68 = -**68 = IZ-LZ = b(u.11 utilizando el método del Problema 8.ú de acuerdo con el Problema 8. 8-9. .()y)2 1.086 8.4?6 Larectaderegresión x:c* dy. = delascualeshallamosc:-3. aparte de los enores de redondeo. 8 "= (c) ecuaciones normales I]4ff de¡ sobrey viene = 85.

tenemos tomando logaritmos de base 10 cálculos involucrados en eI cómputo de la recta de mínimos cuadrados (l ). Para cada pareja de valoree de la presión P y el volumen V en la Tabla 8-6.0043 12 ra 3.4Ou. Solucionar el Problema 8.6762 1.20-1. Entonces P=antilog1.0 pulgadas cúbicas.to = 16.2878 2.6 194. donde y y C son constantes.4 118.0997 3.4533 1.2340 2.13 dibujando los datos en un papel logJog.000.14.3 61. (c) EstimarPcuando V = 100.7910 1.0350 3.8543 =-1.8309 t. 8. 8-10. = C. y conespondientes a los valores de V.40.7858 1. Tabla 8-6 Volumen V (pul3 ) 54. y y= logP=4.13.2 PVt = C.2ry .7943 4.(b) Escribirlasecuacidnes que¡elacionan aPy V.0 10. La Tabla 8-? da los valores ¡.40=-y. REGRESION Y CORRELACION 276 ECUACIONES NO LINEALES REDUCIBLES A FORMA LINEAL 8. La tabla 8-6 da valores experimentales de la presión P de una masa de gas dada correspondiente a varios valores del volumen V. (c) Hallar elvalorde y y C.66L7 2.859? A = logP 1.b:-'1.1 lu = 8'7975 b )12 = 23. .40 Luego Y = 4.40(21 =1. la última ecuación puede escribirse (r) U = oibr donde¿:logC.a2r*b2r2 4. C=1. Tabl¿ 8-7 s = logV L. P de Ia Tabla 8-6 y también indica los (l ) son 2a = on*ü)¡ de las cuales 2ry .40= lb/pulg2.9479 2.20=logCy (b) Pvt. obtenemos un punto que se dibuja en el popel log-log construido especialmente como se muestra en la Fig.60X104 y y=1.9294 2.40.8l CURVA DE AruSTE.2 t9.074L 2.4 37.3019 6. (c) CuandoT=100.2976 )r = 11.8 49. a = ()y)()rz)-(>rX:g¿l _ n2"2-1>n\z .7348 1.6 88.1 Presión P (lb/pul2 ) Ya que 6r.ffi¡af'=-1. Las ecuaciones normales qorrespondientes a la recta de mínimos cuadrados logP = logC-ylogV logC ó logP*ylogV: Tomando log I/: x.log P : y. De acuerdo con los principios de la termodinámica una relación de la forma PV.6953 (o) Puestoqueo=4. n.5 72.0095 3.0059 2xa - 16.20.6946 1. debe existir entre las variables. r=logV:2 25.()rX>u) 6=-ffi.20-l.2077 3.cAP.7 28.4685 3.2833 1.

1rn ¡on olbr¡lcu!. [¡ medida en este e¡¡o indica que D = -1..2. .8 l0 ú' 3o {0 ü.2. . Enton4. . para la parábola de mínimos cu¿dradoo.a*(1. U = a*ba*crz l¡ pa¡óbol¡ de mfni- Se¡n lo¡ puntos mue¡t¡alec (a¡Ittl.Ut U2.) d^ = o*üc"lorl-t^ y lrr ruma de lo¡ cuadrado¡ de le¡ de¡viacionee eotá dada por )¿t = )(o+ bxlca2-t)1 .4 los100 = l. P: 26 de la g¡lfic¿. .4. Deriva¡ las ecuaciones nomales (I9). . .276 CURVA DE AJUSTE.4 logV = 4. of bur*wl l¡¡ de¡vir¡cionee de.. Por t¡nto albn2*ct/.?"-al' dc = o*bu21-cú-!2. Ir grifflca re¡ult¡¡te muerb¡ que hay una relación li¡eal entre log P y log V que puede repreeentarre por l¡ ecu¡ción logP . m 60 so r00 Volumen Y '{l Fig.o*blogV ó g = o*bn Ie pendiente D. Pa¡a obtener ¿ ¡e nece¡it¿ un punto sobre ce8 l¡ recta. . Por ejemplo cua¡do V: 100.. re de numéric¡rnente por l¡ relación-de la longitud AB a le longitud AC.a)(2) = de modo que logP* 1.¡ U¡ ertfa dadar por dt = qtbx¡Ic¡.16. e2.2 a = logP-ülog7 = lo926*1. prigina 261. (nn. y PVtl = 16O00 PARABOLA DE MINIMOS CUAI)BAI)OS E. (r*uzl.!nl.4.8-r0 150 ¡00 ú t00 También ¡e indica un¡ rect¿r (dibujada a mano alzada) que re aprorima a eeto¡ puntos. .. REOBESION Y COBRELACION [cAP. que er negatlva en e¡te ce!o. Entoncee lo¡ veloree de y ¡ob¡e moc cr¡¡dr¿dor cotrec¡rondieatet a a1. logPTlle . .

2 6. = + 2.20 o + 2276.9 5. c.58 4.8 4.70 26.19 2.8l E¡t¡ ec CURVA DE A¡UsTE.2a*2SL.O.42 - - 1449.6 9.49 92.7 4.70 38.' 7.00 2.7 12 n3 xy 6.79 s32. ? = )f.92c : 1449.L6 6470.04 1.588 de mfnimoq cuadrado¡ pedida tiene l¡ ecr¡¡- .1 8.6 a I bx * cr2 a los datos de la t€ D.8 2.46 254t.24 9.0 7.96 96.7 7.2 6.2ll0rt .8 r87.8 7.04 48.92 230.8r 2n2g I¿= 42.4E 1065.cl = )(o I Para minimizar esta función debemo¡ tener bx * cx2 - U)z Ti=o' .65 185.065 t . págin¡ 261.44 3. b.5 6.688.62 21.OI 32.6 2A = an*óI¡*c2n2 [¡s (r) ecuacionec normales son 2ry = o)¡*b2r9*c2rs 2n2a = o.t=o' *=o Enüonces # = ).1 12.360 + 18971.66 259.ólcs*clra H trabajn involucrado en computa¡ la¡ ¡uma¡ puede ordenarce qomo 8e mue¡ha en la Tabla 8-9.1 t€ 14 a 4.2r2].91 636.82 4t.42 291.971.2 1.40 10.8 4.8 7.9 7.9 7.2Ob+2275.1 : 8. o ción = 8.16.8 3.75 117.28 233.93 342.cAP.8 3.00 Puecto que n (2) Reolviendo.41 73.2 1.36 2ua = Zxu 291.6 2. e¡ decir 277 F(o. 8.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).36c = 230.7 4.12 67.9 9.06 941.2b + 291.2110¡ arí la parábola 2.2 )u= 46.27 1. b = : 2.b.19 36?.o3to*óc*cr2-a)2 = )2(o+br*crr-a) k = )*a{o*br]-cnz-u)2 = 2Zr(a*brtcü2-a) aF :d.61 24. Tabl¡ u 1.20 c = 48.08 10. c = {).28 38. REGRESION Y CORRELACION función de o. Ajustar una parábola de mínimos cuadrados de la forma ! Tabla 8-8.83 29.t2 9223. lar ecurciorÉ¡ norm¡ler (I ) rc convierten en 8a I 42.36 5?6.48 19.73 5.066.22 rzy 6. T¡bb ü u 1.6 5.4 2r2 - Ic3 = 2276.20 18.49 60.0 ?.

Pata r = 1. b. .762 4.8 4. [. (b) Determina¡ los valores estimados de e de los valores dados de r.16 para estimarlos valores de y de los valores dados de r. 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 8-12.0. . (ün.5 5. Análogamente se obtienen otros valores estimados.).503 7. (rn.página 262.56L 2. Ue"¡ = 2.8 8.962 7.2110(I.. . b y c a cero.. las estaturas x.os resultados se muestran en la Tbbla 8-10 junto con los valores reales de y.2) . vienen dadas por a*bnr*cyn dn = a* bnr* cUr. (c) Hallar la ecuación de regresión de mínimos cuadrados de z sobre x. . Se desea estimar una variable z de las variables : Sean los puntos muestrales (ryUyzr).065(1. 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.621 5. 8.741 4. (c) Estimar el peso de un muchacho de 9 años y 54 pulgadas de estatura. z.2)2 = 4.. . REGRESION Y CORRELACION la. Tabla 8-11 Peso (z) 64 7l 59 53 49 6 67 62 11 DO bó 50 d 77 DD DI 48 56 52 10 51 76 61 68 Esüatura (z) Edad (s) ol 8 5l 8 42 6 ol l0 10 I t2 I (a) La ecuación de regresión lineal de z sobre r. lcAP.5 2. y.Un. Tabl¡ 8-10 Uest 4. b. c de modo que satisfaga (21. .19.18 la forma z r. . las ecuaciones normales pedidas (21) en la página 262 se obtienen.2 6. all. Demostrar que la ecuación de regresión de mínimos cuadrados se obtiene al determinar a. c e igualando las derivadas parciales con respecto za. y.8 7.zn\. y por medio de una ecuación de regresión de a ! bx * cy. y puede escribirse z: albnlcy Las ecuaciones normales (21).An) son respectivamenüe a*br1*ey¡ Por tanto las desviaciones de z¡.640 7. .762.17. Entonces los valores de z sobre el plano de regresión de mínimos cuadrados correspondientes a (r1. La Tabla 8-11 muestra los pesos z ala libra más cercana..613 6.zt.2.9 6.z¡ dt = a* br1 * cUt. Utilizar parábola de mínimos cuadrados del Problema 8. pág¡na 262.7 u REGRESION MULTIPLE 8. ala pulgada más cercana y las edades y al año más cercano de 12 muchachos.278 CURVA DE AJUSTE.0 7.588 + 2..

b2r(u -a-br) .20.6612. Si la recta de regtesión de mínimos cuadrados de y sobre que el error típico de la estima sy.606u zesb al susti- ) tui¡ los valores correspondientes de x.926 66. 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 = 40.664 78. denoüado8 pot valoreg Tabl¡ 8-13 2est 2 64.¡ €stá dado por r viene dada por ! : a * b*.e resultado¡ ¡e dan en la Tabla 8-18 junto con lo¡ mueshaleg de z.r=n= = 2(a-a. demos- s'?.86? 65.cAP. ü = 0. REGRESION Y CORRELACION Tabla t-12 fi 64 Df 59 49 62 51 a 8 10 6 11 z.286 66. Utilizando la ecu¿ción de regreción (3) obtenemos log valores egtimados de z.4t4 69.206 69.168 48. y.= v. Entonces ^.865r+1.920 64 7l 63 67 DD 68 77 67 66 61 76 68 (c) Remplazando ¡ : 54. ERROR TIPICO DE LA ESTIMA 8.356.880 106o*67?9b+976o Rerolviendo.2(Ufl -a. la ecuación de regrerión pedida es (t) (b z = 3.6068."r)2 2afu 2fu-o-brlz o. 2a'- a2g n - b2rY por Ueet Loe valoreg de y ectimadoa a partir de la recta de regrerión vieneÍ'r dados = @ * ü¡.843 Utilizando esta tabla. =í.! : 9 en (3).66+0.8l CT¡RVA DE AruSTE. las ecuaciones normales (I ) ee convierüen en l2a1-643b *106c (2) 643¿ = 769 * 34.8646.8436 * 6779c = 40.-brl - o-bu) .139 34.7r7 68.682 ?8.830 2yz = 6796 2uy = 6779 48.136 64. c = 1. o aprorimadamente 63 lb. a = 6796 = 3. el peeo estimado es zest : 63. Ír.225 68..

o.bnü! = 2U'2 + nú2 .24 -0. g = A'+ ú. = 2a@-a-bt\ nll 2a2-a2a-b2ra Este ¡esultado puede extender¡e a ecuaciones de regresión no lineal.b2t'g' .71 69 68 68.476(66) : 66. cotrespondiendo a ¡ = 65 tenemotgest:36.28 68 69 68. Por ejemplo.62 0.ú = b(r . En la Tbbla 8-14 ee listan los valores reales de y (de la Tabla 8-3) y los valorec estimado¡ de y.66 >(u-u.66 7l 70 69.úl donde hemooutilizadolo¡re¡ultedot2r'=0.81 U - Aest 0..33 0. que corteeponde a empezar con l--o+bryremplazando:oporcero.b2rtgt * nú(ú .2¡ pará Del hoblema 8.r9)z:l-.Cuandoeehacenestoeremplazo¡enelProlos datos del Problema 8.7L 64 66 66.bi2r' .14 -2..19 0.24)2+(0.á).21.76.b2r'g' .a(2U.a2r * = b2u2 Entonces sí.anÚ .2O puede escribirse como ^z üu. 2(a . I üyt * r. 8.r.+(0.y.bt2y' .!* e!\ = 2a'2 + 2y29' * nú2 . Tabl¡ t.98)2 12 = L64z . Erto demueetra el resultado pedido.b2(r.71 -0.a)2 .b2(r' * ñl@' * úl = 2(y'2*2ytfi*¡z¡ .38 7l 68.24 68 67 67 67.82 + 0.bñl = 2O'' . También ¡e indican lor valorea y - Uest. REGREsIoN Y coRRELAcIoN lcAP.47 6r.2r-b2rz = 2A = on * ó)c 0 puesüo que de las ecuaciones normales 2ru . (1.24 63 66 65.19 2." y 8t. denotados por lresr.29 -1.81 0.€2 + O.20 N3' = 2u2-o'2a-b2xy = 2(a' + ú)2 . Entonce¡ del hoblema 8.")z = "1.b2r'Y' = 2(a . 8 2(A-a-bn) .76 L. Catcular el error típico de la estima¡ 8¡. Sabemo¡ que la recta de regreeión puede eecribiroe oomo blem¿ 8.11(b ) la recta de regresión de y cobre x ea ! : 36. Demostrar que el resultado del Problema 8.*nú') .. como se obtienen de la recta de regresión. 2u'=0 y ú = o*bt (que re deducen aldiüdiramboslado¡ de l¡ ecuación normal 2A = an * b)r por n¡.22.28 pulgadac.19 67 68 67.14 ü a Uesl 65 68 66.x = lTiltr= 1.ú)'- b)(c n - ¡)(u - ú'l Si ¡ = r' * A. / . Método 2.280 Pero CURvA DE AJUSTE.¡ Método 1.o2(g' * fil .ú = 2u'2 .2na-o.ana .20 se obtiene el re¡ult¿do pedido.11.al@ . E.bn.2y-an-óIr = 0 2r(a-a-br) .14 66 65 67.UpotA-ú.28 -1.xpot¿-á.ó)(a .6? 70 68 69. güe ¡e neceaitan para el cálculo de oy.81 62 66 66.

y).0t¡z .. = )(U .12 (o de la Tbbla 8-4.11 a una distancia vertical sy.::.rn.56 -0.brt Q. Utilizando los valores - a -0.. Demostrar que >(g Elevando al cuadrado A"'r)'* 2(U*r.t)2* )(yn"t-ú)2+ z>fu. Entonces el porcentaje pedido es 9lL2: 7 5%.a) = =Q :y. + (2.28 y 1.. En el caso de regresión lineal )(v - Y'"'¡)(v" "r ..ne?.cAP. Tabla. 8.. ts. 2r(u .22.82 -t. (o) ta recta de regresión y : 35.23. de datos. 8-11.)(y-uu..rr. (b) la variación no explicada y (c) la variación total para los datos del Problema 8.A)'..g) sumando. = 1. ne dada por 6r.13 -1.28 (es decir. (¿) Construir dos rectas paralelas a la recta de regresión del Problema 8. Tenemos Uest de ú : 67 . tenemos 2(u-ú)2 . = 19.t-ti) - A)" = 2(A - El resultado pedido se deduce si podemos mostrar que la última suma este es eI caso.[t = (y .25.08 2. NOTA: Una mejor estima del error tfpico de Ia estima de la población de la cual so. Del último renglón de la Tabla 8-14.61 -2.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. = 1/@ se tomaron las estaturas vie- COEFICIENTE DE CORRELACION LINEAL 8. REGRESION Y CORRELACION 28L 8. Il .S-15 Uest : 8]-LlL2: 67. Las dos rectas paralelas.:: .abn) a .U""t)2 . se muestrana trazos en la Fig.28 (véase hoblema 8..nrr.) para 9 puntos (¡. Este hubiera sido el caso aproximado si el tamaño fuera más grande. y-gfo". = tpiLo (1.?0.82¡z+. :: :. .30 0.11. (b) Determinar el porcentaje de puntos de datos que se encuentren enhe estas dos rectas.13 1..58). del Problema 8.un"J(v. cada una a una distancia vertical su. 8l CURVA DE AJUSTE..82 * 0. la teoría predice que alrededor d.. ya qve ú la Thbla 8-14 podemos construir la Tabla 8-15. Calcular (a) la variación explicada.476¡ obtenida en el hoblema 8. 8-11.34 0. Entonces el porcentaje pedido es 9l12 : 7 5d. se encüentra entre -1. ú>@ - a - bn) puesto que de las ecuaciones normales 2(a = 0.y""t) * (Uost .r 0.40 pulgadas.61 0..22). Uir examen poste- 66 6l 62 Otro método.58 del Problema 8.77 )(U". Si los puntos están distribuidos normalmente respecto a la recta de regresión. '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.11 se muestra sólida en la Fig.'.25 1. ya que es cero. parecen estar sobre las rectas.:'.28) = 1.04 (a) Variación explicada = (b) Variación no explicada -ú)2 = (-0.24.el 6812 de los puntos se encuentra entre las rectas.

96 2. puesto que la'gt'es positiva cuando 3/ss¡ autnentá a medida que r aumenta.02 1.3 4.= !0.aumenta.4e88.49 1. (a) coeficientededetermir¡ación = t = '1Hi1iáf*1"io" =m= 0.))' l) n'\ ¡ \) '\il t' jó -0.4 0.y.8 (c) Variación total : 2(a .'. .16 2. derivarel resultado (34).16 o.32 1. prágina263. y Ulst = U.70 = 38. Puesto que la varirable yn".32 7t 0. = y -f. (la fórmula producto momento).= EF.66 -0.6 L. pero negativa cuando /est disminuye a medida que r.4 .4 -0.282 CURVA DE AJUSTE.3 0.09 10.7 3. Halla¡ (o) el coeficiente de determinación y (b) el coeficiente de correlación pa¡a los datos del Problema 8.25.09 5.3 a-v 0.68 5. del Problema 8. trt =r- E.?0.18 0.donde ¡2= variación explicada va¡iación no explicada 2b2r.22 + 19. ¡o )¿ = 800 i.-0v t'. utilizando A.49 -2.82 7. Por tanto se sigue el reeultado pedido.16 6.4 a'= tr'2 2.= \Eá/ /rorl = \r¡.2 /?r. 8.92.) asír--*2r'a' ffi (2x.28.7027 u 65 63 67 B4 a 68 66 68 66 69 66 68 66 r-t -t.68 2trtg'= 40. la conelación ec poeitiva y por tanto escribimo¡ r : O.3 2.o. E.4 2.82 4.27.s¿.7 0. 8.76 1.66 0.56 0.7 1.7027 o con dos cifrar significativas r : 0.3 -1.09 7.A. (D) coeficiente de conelación = r : tVñ7d58.7 -3.76 11.:800/lZ = 66.42 -1.4 ' 0. aumenta a medida que r aumenta.7 1.69 u'a' a'2 0.z b22r.' .89 13.62 1.69 22.6 0.f.4F7q de acuerdo con el Problema 8. REGRESION Y CORRELACION lcAP. /i84s8)?58-3t Tabla E-16 = 0. Utilizando la fórmula producto-momento. A partir del resultado general (30).L2 7.6 0.A)z = 19.7027.[bb tt 62 70 66 68 67 69 -4. Entoncee.y = EP.6 3.6 .7 )y = 811 a = 8LUl2 2rt2 = 84. obtener el coeficiente de correlación lineal para los datos del Problema 8.24. para el coeficiente de conelación.l2at2. El trabajo involucrado en la computación puede organizarse como se indica en la Tabla 8-16.36 68 il 'l .29 1.92 10.34 \/G.69 0.89 0.26(b). la expresión para r tiene automáticamente el signo conecüo asociado.11.3 -2.92 0. Los resultados (b) y (c) pueden obtenerse por cálculo di¡ecto de la suma de los cuadrados. página 264.6 0. tenemoa &*br 6 Ulr¡= bx.92 = 67.)z \/ñtrW Sin embargo.11..4 7l 67 68 70 -0. Entonces 2r'a' 40.. La recüa de regreeión de mínimos cuadrado¡ de y sobrer puedeescribfuse 1lest= b = 2r. Utiliza¡ los resultados del Problema 8.26.16 6.29 18. en el caso de regresión lineal.3 -2.34 2a'2 = 38.

| ¿gl\/¿e¿\ 6 =(iiot/\al/ ' ¡=o'7o27 que está de acuerdo con lo¡ Problemae 8.11(c) respectivamente 484 ' ó=10fr=0. Del Problema 8. págrna 261.31.TUSTE. Demostrar que el coeficiente de correlación lineal viene dado por f= En el hoblema 8.8l CURVA DE A.26(D) y 8./ 8.28. Demostrar el resultado (17).nnn* v Entonces (I ) ee convierte en r(a-üz = 2a2 r : .2ñ2r 4 ntz (2112 2(2nl' ()r)2 = 2rz = 2r2 .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 . Utilizar el resultado del hoblema 8. . [. 8.29 para halla¡ el coeficiente de correlación lineal para los datos del hoblema 8.30.11 (b) y 8.>IY w@ : n2rA-(2r'l(2A) . 2(a-nlz = 2(rz-2rt*r2) = 2s2 . donde ¿=? rz r sobre y er =a*ilu 8y Entonces b¿t = 1g\ 1g) = \c"/\oy.(>aXIY) n :E Puesto que = (2rlln V'ú = (2Alln" Arúlogamente.29.cAP.476 d=ffi =1.a recta de regresión de y aobre r es u=olbx Análogamente.11.036 Enroncec rz = bd. REGRESION Y CORRELACION 288 8. la recta de regresión de donde A=?I.

11.30.32.ú)2 = 21.78%de la variación total permanece no explicada.62.20) - (42.80. paralos datos del Problema 8.99r1)2 = 0.2)r][(8X2e0.16.31 para obtener el coeficiente de correlación lineal para los datos del Problema 8.636 ó 1.1 ¡. el error típico de la estima de y sobre I es B!.42) [(8)(2e1. como lo indica el hecho de que el coeficiente de conelación en (b) está muy cercano a 1.64 (á) Primer método. y. (b) Hallar el coeficiente de correlación no lineal entre estas variables.284 CURVA DE AJUSTE. Hallar (a) s.Oz variación explicada .n parabólic a entre x.40 8 = 1..40." = ss\/T=F = 1.33 (b).33.16.ilz = variación explicada 21. hay una muy buena relación no lineal dada por la parábola del hoblema 8.33 (b).52) - (40.4O De la Tabla 8-10 Por tanto t-= = l(g""t-Al2 = 2l. y? (a ) Utilizando los cálculos de la Tabla 8-9 y agregando que 2tt2 = 290..636y'i-(0. 2(A . REGRESION Y CORBELACION [cAP.4)/8 = 5. I del Problema 8.3743 indica prácticamente ninguna relación lineal entre r. De la Tabla 8-4 r= n2ru . y r =0'9911 var6eió.L071 = 0. Entonces la desviación típica de y es 8u= 2(u - ú\2 21.7027 como en los P¡oblemas 8. (c) Explicar la diferencia entre los coeficientes de correlación obtenidos en (c) y (b). Utilizando (a) y el Problema 8. (c) Hallar el coeficiente de correlación lineal entre las variables r.2g y g.9922 = 0. 8 8. y (b) sr.3?43 (b) De Ia Tabla 8-9. (d) ¿Qué porcentaje de la variación total permanece como no explicada por la suposición de la relacii.26(b). i = (2U)/n = (46.tal =ffi=0'9822 (c) El hecho de que la parte (a) muestra un coeficienüe de correlación de solo 4. Esto puede deberse a fluctuaciones aleatorias o a una variable adicional que no se ha considerado. variación no explicada va¡iación total (d) = l-r2 = L-0. 8. Entonces variación total = 2(A . Ubtlizar la fórmula del Problema 8.218 6 o. hallamos r= n2ru - ()¡X)r¿) (8X230. 8. supóniendo la relación parabólica obtenida en eI Problema 8.4'. (o) Del Problema 8.()¡X)z) (8oo)(811) (r2)(54.16.) (42.34. Sin embargo.16.2z .n¡zi = -0.21(46. COEFICIENTE DE CORRELACION GENERALTZADO 8.01?g Por tanto 7.

cAP. viene a3: s?+r?-2rs¡ads"sv . que Para obtenerlo. ss t+2+.19.os grados son enteros de 1 a n. ¡ sobre y.8l Segundo método.52. esbturas). Explicar córno determina¡ía un coeficiente de correlación múltiple para las variables en el Problema 8.*n @l_ryz n*l En = mientras que la varianza es sf.218 6 0. Sea rr: el grado dado al j{simo valor de x. la varianza de las desviaciones. y estamos interesados en el coeficiente de cor¡elaeíón múltiple de z sobre x.33' variación no explicada = 0. pág¡na 264.22 Tercer méüodo.37 Coeficiente de correlación múltiple de z sobre x. Derivar la fórmula de correlación gradual de Spearman (36). AquÍ estamos considerando n valores de r (por ejemplo pesos) y n valores correspondientes de y (por ejem.222-n22 48. dada en térrninos de e2r.19 Variación no explicada = 2(z - zo"tl2 (64-64. Entonces si d¡ : r i .l'ciñexptñat.I i son las desviaciones entre las graduaciones.88 = 629. REGRESION Y CORRELACION 286 Utilizando el Problema 8.88 Va¡iación total 2(z-2\2 .pl. tenemos 2a2-a2a-b2ra-c2n2a = 0.22 8.218 ó 0. al y el coeficiente de correlación entre grados por * - s2¿.139 . vemos del Problema 8. Utilizando el Problema 8.L2(62.@ "" = 0'8418 = !ffi = thffia Debe mencionarse que si fuéramos a considera¡ la regresión de eobre y.36.76)z = 888'26 = 888. [¿ media de r. z.4L4\2 + "'+(68-65'920)2 = 258. y.a = = 299.16 y el cálculo adicional 2gz 8y.35. z gería en general diferente del valor anterior. = 12-82 = 12+22*.25 Variación explicada Enüonces - 258. la mediaú ylavarianzasf sonigualesa(n l)12 y (n2 L)ll2 respectivamente. CURVA DE AJUSTE. el coeficiente de correlación de ¡ CORRELACION GRADUAL 8. y I va.. ! ¡ el grado dado al j'ésimo valor de y ' [.-. Análogamenüe.. Ya que z se determina de ¡. *n2 n n(n*r)(2n*11/6 2 n2-l t2 utilizando los reeultados 1 y 2 del Apéndice A.

6. les asignamo¿ w orden meg [(6 + z + + 9) / 4 . 11.7. 70. %. 2. 1¡ (t) y (2). 3. 6?. 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. 66. 8 (r) h¡ecüo que 7 = fgrad = eZ+sT-af.(J) y (4).6. tor \-"rttd- "3 - e¿.rz)/n y (l ) ge convierte en 7')/12 W @2 - * (nz 6>d2 . 71 Puesto que en esta ordenación loe lugares sexto y r*éptimo represenüan la misma estatura (6? pulgadas).6. 69. a los lugares 8 y 9 ae les asigna el orden 8. 9. por tanto las estatu¡as de los hijos quedan ordenadas @ Con las correspondencias 1.6 t2 5 7. Hallar el coeficiente de correlación gradual. ordenadas en forma a¡cendenüe de magnitud.6 3.8s45 indicando que hay una relación entre el rendimiento en laboratorio y teorfa.l\ltZ .6 7.6.6 3 8. 6?.66.5.(2d2)/n = L-nfu2] 8. lac estaüuras de loe hijos ordenadas en gentido creciente son 66. AsÍ.s" 0.5. 66.6. 6g. 64.2 24 = Entonces rgrad= t-#!T = t-ir#?u = 0. 7. 10.5. ?.6 1.286 Entoncee cuRvA DE AJUsrE. las estatura¡ de los padres eon (r) 62. Análogamente. 69.c asignamos a estos doe lugares un orden medío de 6. 70. 69.5.38.6. 6.6. REeRESIoN y coRRELAcIoN lcAP.5 l. 66.6.6. 69.6 7. 6. 12 De igual forma.6 1 11 6 8. 7l y puesto que los lugares 6. La Tabla 8-17 muest¡a cómo l0 estudiantes fueron clasificados según su rendimiento en el laboratorlo y en teoría de un curso de biología. 6.37. a las e¡tatura¡ de loe padres ee les aaigna los órdenes (2) (3) dio de 7 .7.5. 8. Calcular el coeficiente de correlación gradual para los datos del Problema 8. 9. 8 y 9 repreeentan la migma estatura (68 pulgadas). Tabla 8-18 Diferencias de puntuacionee.11 y compararfos rezultados con el coeficiente de correlación obtenido por otros métodos. 67. le.6 10 t2 7. 11. 3. 69.7. 6g.6 10 3. 69. 6. 66.6 11 . 4.6 1. Tbmbién se incluyen dz y 2dz. 10. 63. d d2 -1 -2 -1 1 1-1 I 1 3 I I I 2-L 4 1 -1 1 4 2d. 1. la Tabla 8-B se convierte en Tabla E-19 Graduación del padre Graduación del hijo 4 2 6. 66. 3.

E(Y . Suponga que la ecuación de regresión Para la recta de regresión de es ! = E(YlX=r) = a*Fr mínimos cuadrados debemos considera¡ E{lY (a+ px)12} bóo¿r¡"-or utilizado = E{I(Y . utilizando sumas.25 2. La función de densidad conjunta de las variables aleatorias X.px\ ^t u\ox) | Debe notarse la semejanza de la demostraeión anterior para poblaciones.pvl .0.ú2 E(X .-ffi!\ = 0."l Igualando estas ecuaciones a cero. p) tenemos AF u = mos -2(pv zBoi - 2oxv - 2px(pv .6 3. con la correspondiente para muestras.px) .5 -2. íE = dF Denotando la última expresión por F(c. halla- tv = ol Ftx Por tanto si g . (b) X sobre Y.6 2.2Boyy r (py . lo+zo¡a.5 3. = f. INTERPRETACION PROBABILISTICA DE REGRESION Y CORRELACION 8.5 -1.26(b).o*t¡ .26 12.26 6.26 L2.P¡x.26 1.P(X .a) ó Fok = o*v a-tly="4tr-u*) A-Py - /'. En general.ol.px) * (pv . 8.(r+2y) 0<n<7.dlz} = El(y -pv)21 + BzEl(X-r.a* pr entonces A .F) sea un mínimo.Fy = p(r . Y es l\r'a) : (a | f.6 1.8l CURVA DE AJUSTE.39.9px.rv) = 0.25 6.Fpx.cAP.25 2. Derivar (39) a partir de (37).60 rgrad = t-#!T: .zBEl(X-pi(Y -¡.25 2.26 L2.40.00 2.}j'2l.6 -3.r. los cómputos de d2 y I¡ )d se mue¡tran en la Tabla 8-20.25 1. utilizando esperanzas.Fpx. ) La función de densidad marginal de X es f{r) = [.0 ü 12.0=Y<L {o deotraforma Hallar la curva de regtesión de (c) Y sobre X. 20.0 1.7027 obtenido en el Problema 8.?466 que concuerda muy bien con el valor r = 0. lo cud es una condición necesa¡ia para que F(q.5 -1. los resultados para muestras tienen resultados análo- gos para poblaciones e inversamenüe.5 1.00 d Entonces 2iP = 72. REGRESION Y CORRELACION diferencia en graduacionec d. .v)l + Gv-Ft'x-o)2 = "? * F2oI .6 -1. Tabla 8-20 -3. .

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

44.2\ o.4?6 t Vlo\' t/tz.05 rechazaríamos Ia hipótesis de que el coeficiente es tan bajo como 0.. (b) X sobre Y para el Problema 8.28.r: L. 8l CURVA DE AJUSTE.82 + O.4?6 r6 (Problema 8.2 = l0 grados de libertad) vienen dados por 95?iparap(obteni. En eI Problema 8. En el Problema 8. Escribir las rectas de regresión de mínimos cuadrados de (a) Y sobre X.'=o Í"'=o.. ¡rara ias estaturas yos padres tienen unas estaturas de (o) 65.cAP.2g para 12 . ot : ".losaleolocar t=lt.o+zul)arav =1 3 . 0.. Ensayar la hipótgsis al nivel d-e significación del O..- 2.23 h es decir.11. se está en la ryHt\ = 0.Of Ae que el coeficiente de regtesión de la ecuación de regtesión poblacional es tan bajo como 0. .q\I a. sx: 2. hallar los límites de confianza d-ei 95'7..42.82 + 0.e5: 1.476x.szs=!2. sr.o1f.66 del Problema 8'11' 8.-.2 : 10 grados de libertad.66 (Problema 8.11).40.. = {".136 y 0.r: L. Por tanto no podemos rechazar la hiPótesis.43)' y n: !2 1 r/o t r--- .0 y lb) 70.t / ó (b) La recta de regresión de.22)y 1.B4o confianza del 95% de que 6 se encuentra entre 0.28 (calculcda en el Problem a 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. 8. Loslímitesdeconfianzadcl F = b-+f+) ' \ñ4\82 I para 12 .'lW\" .476B-b t=r.-- . Y ltr-2 donde 37e : 85.2U'L66 0'19916¡= = ya que eo. Hallar los límites de confianza del 95'.0 pulgadas' puesto qu€ t s7. 1/ .180 si ú ) ú.11 se halló que la ecuación de regresión de y sobre x eray: 35.43.xY p = n-xÍ oxY oxoy = *-(s)(i*) = = - 1 162 0 -l/162 . (¿) La recta de regresión de Y sobre X es + oXY "+@ . r8fl .á para el coeficiente de regresión del Problema 8.81 para L2 .11 = -l/162/.47G :t ' +('!!) t" / = 0.45.8I 6.los Ií¡:rites de conftanza del 95oy' para --j:lq--.2: LO grados de libertad.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.nfi162\/28/Bz4 -0.9b Con un ensayo unilateral de Ia flistribucirin de Student a un nivel 0.42. REGRESION Y CORRELACION 289 (e) xY = Entonces Í..43.:2. de los hijos cuyp son 8.lrv1l_z=-.- = . (+) ó a -i : - ür I x) ó -.180.

de confianza del g5% son (ro . También (x¡ .7 y 70. hallar los límites de confianza del96% para las estaturas'medias de los hijos cuyas estaturas de los padres son (a) 65.0.14 pulgadas.6 pulgadas úo 0.32. /e : 69. TEORIA MUESTRAL DE LA CORRELACION 8.": 2.75 para 18 -2: L6 grados de libertad. los límites de confianza del 95% para Uo fo son = 2.?6 pulgadas.sz\/ra-z : p l.?6 t 3. ' (b) Si re :70.47. se puede tener confianza de 95Vo que la estatura media de todos los hijos cuyas estaturas de los padres son 65.01 que el coeficiente de corréhción poblacional es apreciablemente mayor que cero? Deseamos decidir entre las hipótesis (Ho: g :0) y (llr t = . se puede esta¡ en la confianza d.0. es decir.23 donde y¡ : ffisv.o¡ para n - 2 grados de libertad .?6 a 2'23 es decir. se puede estar en la confianza del 96Vo de que las estaturas de los hijos están entre 63.i¡z : (?O.66.O .69.14 + 5. (o) (ó) Puesto que no podemos rechazar ) 0).11).290 CURVA DE AJUSTE. hallamos [comparar con el Problema 8. es decir.11.0 pulgadas se encontrarán entre 65.66 (Problema 8.0 y ?0.45(ó)] los límites de confianza del 95%. (o) Si.2 pulgadas.78.sz).0 pulgadas. 35. ciertamente no podemos rechazarla al nivel 0. se puede estar en la confianza de| g6% de que la egtatura media de todos los hi jos cuyas estaturas de Ios padres son 70.Estoconcuerdaconlosresultados aproximados mencionados en la página 262.16 :65.0. ¿Puede concluirse a un nivel de significación del (a) 0.05 y (b) 0.1/l-z = = .80 pulgadas (b) Si 16 : 70.Los métodos de este problema son válidos independiente del tamaño de n ó to .05.? y 6?.rcontalquero -ñnoseademasiadogrande. hallamos [comparar con el hoblema 8.t)2 : (65 .0. rechazaríamosI/e si ú ) ú. 7. ¿Cuál es el tamaño mínimo tal de una muestra para que podamos concluir que un coeficiente de correlación de 0. Tarnbién.07 pulgadas. el valor mÍnimo de n debe ser 032{n - 2 r/i -to.23 para 1 0 grados de libertad.45 pulgadas.8OOtl2r2 : 2.' sr.s1t : 2.ss :7.05? A un nivel 0.476 r6 (Problema 8. los métodos muestrales son exactos para una población normal.14 f es decir.0 y (b) ?0. Por tanto no podemosrechaza¡I/6 al nivel 0. Porlo +1.82 + 0. t/6 al nivel 0.2óy6!2so.E.05 utilizando un ensayo unilateral de la distribución que de Student.za\ = 66. = t.48). Entonces 66. Ya que t.05.Bb Sobre la base de un ensayo unilateral de la distribución de Student a un nivel 0.96sy.32 sea considerablemente mayor que cero al nivel 0./i=@0.48.76 1 1. Nótese que para grandes valores de n.11. En el problema 8. REGRESION Y CORRELACION lcAP. es decir.0 pulgadas se encontra¡án entre 67. los límites de conñanza del 95% están dados aproximadamente 8.SOO112)2 : 11. o. Entonces los límites de confianza del 96Vo so¡ 69.1 y 7 4.01 8.6 pulgadas.8 pulgadas.8 los límites (o) Si 16 : 65. Un coeficiente de correlación basado en una muestra de tamaño 18 resultó ser 0.45(c)] los límites de confianza delg1l". y¡ : 66.46.elgbVo de que las estaturas de los hijos están entre 64.05.09 pulgadas.

unrr.75.tJ2:1. L {zt - = Z-pz oZ 0.5366' p = = L.o.80 y n = 21. 8.0.69. ú.9730-0. t=0.!613*(=. Entonces el tamaño mínimo de la mueetra ean:28.=L.r6r3t"" o.CURVA DE AruSTE. Puesto que r : 0. si Si pz Fz /r +"\ = l. los límites de confianza d.5493)/O. (b) p : 0.s|= 1.9730 0.50.49.L613 logS:0. Por tanto no podemos rechaza¡ la hipótesie de que el coeficiente de correlación sea tan pequeño como 0./ = 0.7L. t .60. n=26.50 y tz : 0.B0eb #*#= Fzrl.Hallarloslímitesdeconfianzadel96% paraeste coeficiente.50 a un nivel de significación del 0.80. v =26.64.s2\/ñ/\Flfu2p.?1.28 A un nivel de significación del 0.64 y por tanto n: 25.96oz = 1.49 y 0.b4es.s0(-/l1 \ \y'n_B/ = 1.L6rt*(=. 8. a un nivel de significación del 0.s|= l.30 respectivamente.e155.r5tz'""(+l-&. ¿Hay una diferencia considerable entre los dos coeficientes a un nivel de 0. Dos coeficientes de correlación obtenidos de muestras de tamaños nt : 28Y rtz:35 se cdcularon como rr : 0.66.2182:L. v =24.51. pa¡a n=2g. t.4904- = 1.4620 Entonces ¡t2 tiene el intervalo de confianza del9SVo. zz: r.266e = 0.rsr3 loc\t -. t. El coeficiente de correlación entre las calificaciones finales de fÍsica y matemáticas para un grupo de27 estudiantes se calculó era0.50. p : 0.r¡rlb*'.05? o.) nzr-2.7L./ 0.05.16131og(++*) /r r-\ \r-'l / *t.) 0.5606. (Hs p2r= Fzrl I (Hi Fzr* .05 utilizando un ensayo unilateral de la distribución normal rechazaría' mos la hipótesis solamente si z fuera mayor a 1.92.el 95Vo püa pz vienen dados por Z=L. z = t.9r : 1.6932 0.rrro. Un coeficiente de correlación basado en una muestra de tamaño 24 se calculó era r : 0.60.94. para n=27.0e86 10.72. t.05? zr = r. (b) Sip:0. 8.28z (ff3*3) = o.(-) \r P.s5=1.5366 a 1.5493y2:(0. ¿Podemos rechazrir la hipótesis de que el coeficiente de conelación poblacional sea tan pequeño como (a) p (o) : 0.Portantopodemos rechazar la hipótesis de que el coeficiente de correlación poblacional sea üan pequeño como p: 0. t--032\r26^tr=@ = 1.5606.6.50. Por tanto los límites de confianza del 95Vo para p son 0.:) = oz= La variable tipificada ee Fz = r. v=26. = Deseamos decidir entre las hipótesis = 0.sz\/rLtt/l-(u32Y = 1.2182 = 1. REGRESION Y CORRELACION Para un número Pa¡a infinito de grados de libertad.

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-(#)(#)] =

66 8.61 a. = ¿yt/Ti-rz = = a"t/T7rz = f¿. (b) sr.2. Entonces utilizamos ( I 6 ). (a) (bl Ey. = 13.9 respectivamente. Ajustar una recta de mínimos cuadrados a los datos de la Tabla 8-31 utilizando a (a\ x como la variable independiente.0 y 14.61.9) -69.e Ge.gZfy'f - (OfOg6P = = 9.0) x-?0. r a 3 6 6 8 911 234668 8. para los datos del Problema 8. 8y r-70.60.a guplementa. r..9 = 8.60.66.20 G&r'-áiÉfutB = o'7686 que concuerda con r hallado en el Problema 8.65 utiliza¡rdo el resultado de la parte (c)' . 8xv 160.e). REGRESION Y CORRELACION 299 Por tanto las desviaciones típicas de las calificaciones de matemáticas y fÍsica son 14.64.821(o-70.5+E#9 = ú .0). Escribir las ecuaciones de las rectas de regtesión de (c) y sobre del Problema 8. (b) Í sobre y para los datos rr+qW = 64. ParalosdatosdelProblemaS.60.cAP.rlos RECTA DE MINIMOS CUADRADOS Tabla 8-31 8.(b) elvalordexparay:7' (o) Utilizar el método a mano alzada para obtener Ia ecuación para una recta de ajuste de los datos del Problema 8. (b ) r como Ia va¡i¿ble dependiente.62.63. Calcular los ertores típicos de la estima (c) er. para obtener las ecuaciones de las rectas de regtesión (¿) ó a-u='!w-nt.?686.7t9(u-69. 0.. en tanto que su covari¡nza es 160.5¿8 8.hallar(o)losvalore$deycuenda x=6. Representar gráficamente los datos y las rectas de mínimos cuadrados utilizando el mismq conjunto de ejes coordenados.934 s. = L4.v ts.64. 8l CURVA DE AruSTE. 0. página 261 ..966. (b) SolucionarelProblema 8.s6oy'1:107686)á Problerrra.64. Utilizar los resultados del Problema 8. a y-6e..926 y r = 0.uo+qY: 145+q'qfrEq = u= De los resulüado¡ del Problema ?o. De la Tabla 8-30 tenemos.0 = (b) 6 r-ü='?o-o¡.0=A+##€?!)@-70. Tenemoe 8"".. s!.o 8.x=L2.0=q9ff##q(v-6e. E.

71 rrcstrar c6mo una gráfica en papel semilogarítmico puede utilizarse para obtener la ecuación pedida sin emplear el método de los mínimos cuadrados.8?. Tabla 8-36 Números de horas (¡) 0 I 47 2 3 4 D 6 Número de bacterias por unidad de volumen (y) 32 65 92 132 190 275 8. o^ 2. (o) Construir un diagrama de díspersión. t. y. (b\ Estimar z cuando a to 90 10 72 .ID 80 ?8 93 86 65 72 87 91 7L 98 95 68 84 89 tt 82 80 72 74 E. con Ia escala logarítmica para yr la escala ariü- méticaparar. (d) Si un estudiante obtiene una calificación de ?5 en álgebra. o + bx r a 0 1 2 ó A 5 t) ¿x?alos datos de Ia Tabla 8-3¡t. (D) Hallar la recta de mínimos cuadrados que se ajuste.6 9. [.2 5.68. ¿cuál es su puntuación eeperada en álgebra? Tabla 8-32 Algebra (c) Física (y) .73.t--10.3 14. En el Problema 8. (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r.72.6 21. (d) Representar gráfioamente las dos recta¡ de regresión de (b) y (c) sobre el diagrama de dispersión de (o). y.74.a los datos. Escribir las ecueciones normales para la curr¡a cúbica de mínimos cuadrados dada por dx3 .70. REGRESION Y CORRELACION [cAP. z. u (mi/h) Distancia de parada d(p) 20 54 30 40 138 50 60 70 90 206 292 396 E. Con referencia a Ia Tabla 8-33. (o) Representa¡ loe datos en papel semi-Iogaritmo. I : o t bx * cx2 I Tabla 8-37 REGRESION MULTIPLE E. 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. (a) Representar gráficamente d. ¿cuál es su puntuación esperada en física? (e) Si un estudiante obtiene una puntuación de 95 en físice. (b) Ajustar una parábola de mínimoscuadradosdelaformad:oIbu*cuzalosdatos. 12 . utilizando a r como la variable independiente.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.?1. (d) Estimar el valor de y cuando r : J. 8 t.(b)Ajustarunacurvademínimoscuadradosdelaforma !=abxalosdatosyexplicarporqué esta ecuación específica da buenos resultados. (c) Hallar la recta de mínimos cuadradoe que se ajuste a los daüos. (o) Representar gráficamente los datoe. utilizando a y como la variable independiente. 54 42 30 . Tabla 8-36 Velocidad. El número y de bacterias por unidad de volumen pres€ntes en un cultivo después de ¡ horas viene dado en la Tabla 8-36.I 3. 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.300 CURVA DE AJUSTE.a Tabla 8-37 muestra los 3 6 o n 8 t? o t4 valores correspondientes de tres variables x.u. (c) Hallar la recta de regresión de írínimos cuadrados de ¡ sobre y. Alustar una parábola de mínimog cuadrados. (c) Comparar los valores de y obtenidos de esta ecuación con los valores reales.(c)Estimardcuandou:45mi/hy80mi/h.y:6. (o) Hallar la ecuación de regresión lineal de mínimos cuadrados de e sobre x. y : t 8.

yesr:0. ballar las ecuaciones de la recta de regresión de (o) y sobre x.E4.Sis"=1.60. ¿Hay al' t. y es 0. (b) sr.68. Hallar el coeficiente de correlación entre los dos nuevos conjuntos de valores. Multiplicar todos los valores de y por 3 y restarles 15. y dados en la Tabla 8-39. sr:2. (b) la va¡iación no explicada datos del Problema 8. Si sv. 8.90.7 7 a(r-¿l+b(u-úl o.8?. REGRESION Y CORRELACION 301 8.50.88. 8. ¿qué porcenüaje de la varfación total pennanece no explicada por la ecuación de regresión? 8. (o) Hallar el coeficiente de corre' r.cAP.y para los datos del Problema 8. Utilizar los resultados del Problema 8.85.74. Utilizar 8.89. Si el coeficiente de correlación entre.76.68. (c) la variación explicada en y para los 8. (c) Estimar la pre- sión sanguínea de una mujer de 45 años. Hallar (o) sy ". Tabla 8-39 x a 2 4 5 6 811 18t210875 .60. (o) Calcular el coeficiente de correlación entre los valores correspondientes de r. (ó) Determinar la recta de regtesión de mínimos cuadradoe de y sobre r.eL2 mujeres. (b) r sobre y.75 para solucionar el Problema 8.E2. r.Br * Ca I Dr2 * Ery * Fyz Obtener las ecuaciones normales para los eoeficientes de regresión de mínimos cuadrados. y obtener exptesiones para los coeficientes de regresión de mfnimos cuadradoe el resultado del hoblema 8.80 para hallar el coeficiente de correlación entre los dos conjuntos de calificaciones de los exámenes del Problema 8.67.82. El 8. (b) Obtener eI coeficiente de correlación directamente de las pendientes de las rectas de regresíón del Problema 8. Demostrer que la ecuación para regresión lineal de z sobre r. en E.= 3y ss : 5. Hallar la covarianza para los datos del Problema 8. E. coeficiente de correlaciónentredos variables¡.EO. (o) Hallar elcoef¡cientede correlación entre E. halla¡ r.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. " para los datos en el Problema 8..z . Tabla 8. D. . los dos conjuntos de calificaciones de los exámenes del Problema 8. (b) Multiplicar todos los valores de ¡ por 2 y sumarles 6. La Tabla 8.81 u 8.79.i=10.00.68 (a) dircctamente. Calcular (o) sv.! .r.86.81. ú=20. y.76.68(b) v (c ). 8.64. Calcular (a) la variación total en y. y puede escribirse como z-2. 8l CURVA DE AJUSTE.38 lación entre muestra las edades r y la presión sanguínea y d. Hallar los coeficientesde correlación para los datos del (o) Problema 8. explicar por qué se obüiene o no el mismo resultado que en la parte (a).86.68 utilizando la fórtnula producto-momento y comparar con el resultado del Problema 8. y. (b) $.t3.¡.68. 8.7t. 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. y tiene la form¿ z = A 1.8f . (b) Problema 8.= E. ERROR TIPICO DE LA ESTIMA Y COEFICIENTE DE CORRELACION LTNEAL E. (b) utilizando la fórmula s¡s = rs¡sÍ y el resultado del Problema 8.

96gina 52. t. variación toüal es erplicada por la ruperficie de regreeión? (b) ¿Quéporcenüajedela Demostra¡elresultado (27).s. t.(b)XaobreYparalosdatosdelhoblema2. F.97.(D)larvariacionee explicaday no erplicada. INTERPBETACION PROBABILTSTICA DE LA REGRESION Y LA CORRELACION E.págirra52. E. Doa juecec en una competencia debían clasifica¡ a 8 candidato¿ A. el coeficiente de correlación gradual para loa datos del (a) Problema 8. y para lo¡ daüo¡ del Problema 8.68 v (b) Problema 8. t.106. (c) el coeficiente de conelación generalizado. página 52. (o) Calcular el coeficiente de conelación múltiple pars los datos del hoblema 8.8.99. La función de den¡idad conjunta de las variables aleatorias X. t.y. t.98. G. Tabl.página 263. de conelación para las variabie¡ en el hoblem" g.93.96. Da¡ un ejemplo para demostrarcómo hallaría (a) el error típico de leestima. H¿ll¡rlacurvaderegreeiónde(a)YsobreX.74.lOS. COBRELACION GRADUAL E. Hallar el coeficiente 264. Y con E. D. B. (o) Hallar el coef¡ciente de correlabión gradual para los datos del Problema 8.99. (b) X cobre Y para Ios datos del hoblema 2.84. Halla¡ el coeficiente de conelación gradual y decidir eobre el acuerdo de loe jueces en su8 eleccioneg.96.gus observaciones en (o). t.paraelca¡odeunaauperficiederegresiónlinealparazsobrer. (D) X eobre Y para el hoblema 8. estudiar una posible deeventaja del método de conelación gradual. Il¡llar t. ¿Ocurren algunae simplificaciones en la¡ curvas de regresión Ce Y sobre X ó X sobre Y para el caso de varia- . I COEFICIENTE DE CORBELACION GENEBALIZADO E'91.90. página t.lol. (b) X eobre y. C.302 CURVA DE AJUSTE. REGRESION Y CORRELACION [cAP.92.8. (b) De. tls[a¡ la recta de régresión de mínimos cuadrados de (a) Y robre X.5g ufilizando el resultado (35).74.102. Hallar el coeficiente de conel¡ción lineal para la¡ variableg aleatoria¡ del Problema 2.104.¡ 8.a) = [2r+3a Io o(c(L'o<Y<2 de otra form¡ Ilalla¡ la curva de regresión de (a) Y sobre X. ble¡ aleatoriac independientes? Explicar.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. lo¡ resultados se mueshan en la Tabla 8140. 8. en el ca¡o de do¡ variablee aleatorias X. Y viene dada por f(r. H de acuerdo con sus preferencias. t. Mostra¡ cómo se puede diseñar un coeficiente de correlación múltiple. y\.lo6' función de densidad conjunta (o función de probabilidad conjuñta) f(x.rOO. Halla¡ la recüa de regesión de mínimoe cuadrados de (a) Y sobre X.99. Obtener el coeficiente de correlación lineal para el hoblema 8. 8. Hallar el error típico de la estima de z ¡obre ¡.94.

TEORIA MUESTRAL DE LA CORRELACION 8. En el Problema 8. 8. (b) 0.tu] tan-'L rfti + si) -l E.114.el 95% para el coeficiente de correlación calculado en el hoblema 8. página 260.c2 soll constantes arbitrarias.00. es (o) tan bajo como 8. (c) la media de lae presioñes sanguíneas de las mujeres de 45 años.(b)997oparu un coeficiente de correlación que se calculócomo 0. ¿Podemos concluir a un nivel de significación del (o) 0. (b) tan alto como 2. En el Problema 8. .110.\ es independiente de Ia elección del origen de las variables o de Ias unidades en que se expresan. Demostrar que el cóeficiente de correlación - g. a un nivel de significación del 0.(b)99%paralamedia'detodoslosvaloresde y correspondientesa¡ = 6.115." = 1.cAP. Yvie' nen dadas por 2:r . (Sugerencia: Suponga quer' = noi c1r.1 "l$- c2) 20. . 5r .10? ensayar la hipótesis de que el coeficiente de regresión poblacional 1. demuestre que el coeficiente de correlación entre r'.60.* : 8. que el correspondiente coeficiente de correlación poblacional es considerablemente mayor que cero? E.123.05.50.tes t?. Demostrar que el ángulo entre dos rectas de regresión muestrales de mínimos cuadrados viene dado por . EnelProblemaS. Hallar el coeficiente de correlación lineal.84.113. 8.d'. 8.01.S4. hallar los límites de confianza del (c) 95%.10? hallar los lÍmites de confianza del (o) 957o.109.00 ¡.114 si el tamaño de Ia muestra es 52. 8l CURVA DE AJUSTE.0 + 2.50' ¿Podemosre' chazar la hipótesis de que eI coeficiente de correlación poblacional es (o) tan pequeño como p : 0.95 respectivamente.hallarloslímitesdeconfianzadel 9fleparafo)elcoeficientederegresiónde y sobre r. Un coeficiente de correlación basado sobre una muestra de tamaño 27 se calculó como 0. y).el(o)95%.?0.30.108.!l = 2.112.11?.l19. Un coeficiente de correlación basado sobre una muestra de tamaño 35 se calculó como 0. Solucionar el Problema 8. ¿Podemos concluir a un nivel del (o) 0.sx = 3. A' = llo * c2y.20.211Ú 8.f-(1 -r2)s. 8. para la recta de mlnimos cuadrados.I22. (b) tan grande como p : 0. y'es eI mismo que el entre. Verificar los coeficientes (5). REGRESION Y CORRELACION 303 TEORIA MUESTRAL DE LA REGRESTON 8. Hallar los límites de confianza del (a) 957o. Dos coeficientes de correlación obtenidos de muestras de tamaños 23 y 28 se calcula¡on como 0. utilizando un nivel de significación del 0'05? 8. 8.00 y ñ = 7.(b\99% pra el coeficiente de regresión.118. ConreferenciaalProblema8.ypuedeexpresarsecomo il2 -:. DemostrarqueparaelcasoderegresiónlinealelvalormÍnimodeE'{[]'-(o*¡lX)lz. 8. Si sr. E. 8.116.80 y 0.8.60 de una muestra de tamaño 28.01.l0?hallarloslímitesdeconfianza d. (b) ta presión sanguínea de las mujeres de 45 años.111. que hay una diferencia significativa en' tre los dos coeficientes? RESULTADOS DryERSOS 8. donde r¡¡ !/6¡ cl¡.70.5a = 3.00. Hallar los límites de confianza d. Sobre la base de una muestra de tamaño 27 se encontró que la ecuación de regresión de y sobre r era t = 25. Las rectas de regresión muestrales de mínimos cuadrados para un conjunto de datos involucrando X. Demostrarqueelcoeficientedecorrelaciónentre¡.40.10?.05. (b) 0.(b\ 99% para y cuando ¡ : 6.01.121.

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. (b) Br.129. 210-225 I .2 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 101.8 111. 19 5 o (t) e. Hallar (o) s".6 L19.130. 8.(ó)Estimar los pesos de doe hombres cuyas estaturas son 64 y ?2 pulgadas respectivamente. 8.5 116.2 Fuente: Bureau of Labor Statistics 8.8 8.l2S.2 r20. (ó) Hallar la recta de mínimos cuadrados que se ajusta a los datos y construir su gráfica. 8ü 8É ¿Es el resultado válido para regresión no lineal? 8. Ilalla¡ el coeficiente de correlación entre las estaturas y pesos de 300 adultos dados en la tabla de frecuencias siguiente. El período base es de L94? 1949 : 100. - Tabla 8-42 Año Indice de precios al consumidor Indice de precios al 99.1 t 10.5 por mayor 103. Demostrar que para regresión lineal 4 = +.41 ESTATURAS . Tabla 8. (e) ¿En qué año podemos esperar que el índice de costos médicos doble el del 194?1949.r.3 1r 7. REGRESION Y CORRELACION [cAP.3 I 10. 8.7 114. Con referencia a la Tabla 8-43: (o) Representar gráficamente los datos. (c) Calcular los valores de tendencia y compararlos con los valores reales. (o)HallarlarectaderegrecióndemínimoscuadradosdeysobrerparalosdatosdelProblemaS.1 114.6 I 10.5 r14.8 102.0 113.1 25. E.304 CURVA DE AJUSTE.2 t23. 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 . Hallar los límites de confianza del 96% pára el coeficiente de correlación calculado en el hoblema 8. f¡¡ 32 20 t2 q .125.127.4).L25.L24. (d) Predecir el Índice de precio para la asistencia médic¿ durante 1958 y compararlo con el valor verdadero (L44.8 111.126.y para loa daios del hoblema 8.8 114.128.r (pulgadas) 59-62 63-66 1 67-70 71-74 75-78 9L109 110-129 !e 2 n 8 2 ! p ql 130-149 150-169 170-189 190-209 o 15 L2 4 22 63 28 10 I 1 h tt) .4 I14.

Demostrar el Teorema 8-1.¿) donde .132.9 Welfaie 19.7 21. 8.132). ¿es g(r) única? Explicar. Demostrar que si 9(r) = E(Y \ X = c) entonces EUY - É(x)1'!) = E{LI'- o(xl¡z¡ + Ells(x) - q(x)l.6 Fuentet Department of Health. (d) Explicar por qué la ecuación en (b) no es útil para propósitos de extrapolación.l35. 8.' Utilizar el Problema 8.134. (b) Hallar la parábola de mÍnimos cuadrados que se ajuste a Ios datos. (a) Representar gráficamente los datos. Y variables a|s3fs¡i¡s con función de densidad conjunta (o función de probabilidad) f(x.6 23. Education 8.0 1030 18.136. .página265.9 17. Sean X.133. E. (c) Calcular los valores de tendencia y compararlos con los valores reales. En el Teorema 8-1.¿(r) es cualquier función de r para el cual estas esperanzas existen. (Sugerencia.5 23.9 ¿ind 1935 1940 1945 1950 1955 24.131. Demostrar el Teorema 8-2. página 265. y). del Problema 8.cAP. Tabla 8-44 Año Natalidad por cada 1000 habitantes 1915 1920 7925 25. si Ia hay.8l CURVA DE AJUSTE.3 16.132 para variaciones explicadas y no explicadas. Estudiar la relación. REGRESION Y CORRELACION 305 8. 8. Con referencia a la Tbbla 8-44.

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

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

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

es decir.3 r""igual a c2 independientemente de si las medias son iguales o no.-f. Teoremag-3: E] estadístico tad. si las medias de tratamiento no son iguales.- ¡¡z Ao s6 = o-1 u6 86 -_ s. Es importante ¡ecalcar que el Teorerría g-1 es válido si se supone o no I/s . Debe advertirse que los grados de libertad para la variación total. TABLAS DE ANALISIS DE VARIANZA Lo! cálculos pedidos para el ensayo anterior se resumén en la Tabla 9-2. Si este estadístico es considerablemente grande podemos concluir que hay una diferencia significante entre las medias de tratamiento y así rechazamos f[e. va : b)1nt. po{emos demoshar los siguientes teoremas fundamentales relativos a las distribuciones de las va¡iaciones V.cAP. (10) y (11). de (I9) y (20) cabe esperarse que S. con tratamientos.9l ANALISIS DE VARIANZA 309 DISTRIBUCIONES DE LAS VARIACIONES Utilizando el Teorema 4-4.1. Pa¡a utilizar este estadístico debemos conocer su distribución. que se denominatabla de anólisis de uarianza. siendo el efecto más pronunciado a medida que la discrepancia entre medias aumenta. Tabla 9-2 Grados de Iibertad Enüre tratamientos.a(b-L) j a\o _ l) grados de libertad a : a-L+ ut = )(er¡. De otra forma podemos o aceptar lfe o reservarnos el juicio dependiendo de análisis posterior.13¿.ab . Teorema 9-2: Bajo la hipótesis nulal{0. vemos de (23) qrr" 33 puede ser mayor eü€ o2. esto es.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. V6 y V. página 161. el cual es una consecuencia del Teorema 5-8. en tanto que el Teorema 9-2 sólo es válido si se supone f/0.)2 . Vt. y luego calcular u. 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.Ffs no es cierta.: u uu. a-I./o2yV/étienen la distribución chi-cuadrado con ¿ -1 Tenrema y ab - 1 grados de libertad respectivamente. Se deduce que un buen estadístico para ensayar la hipótesis -EI¡ viene dado por 3.. pág¡na 116. Esto viene dado en el teorema siguiente. . ENSAYO ¡ PARA LA HIPOTESIS NULA DE MEDIAS IGUALES Si la hipótesis nula . (3) y (8). Total. 9-1: V. o el método corto. Por otra parte.u/o2 tiene la distribución chi-cuadrado con o(b . En la práctica calcula¡íamos u y uo empleando eI métódo largo.

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

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

si la hipótesis I1[.. de(37) y (38) respectivamente E(s:) E'(S:) = d+¿!-. Bajo suposiciones apropiadas de las medias de X¡¡ te- nemos )'. sin te- . H32' 0. . 9-1: V.(a-lxb-. Ht". - 1) (b - 1) grados de libertad. decir.+Bk+Ajk Aquí (35) ¡. a los resultados (I6)-{18) E(V." nosonciertas. serán estimas insesgadas de o2 . .la mejor estima (insesgada) de o2 viene dada por es 3: : ---J:^'" . o¡ es la parte de X¡n debida a los dierentes tratamientos (algunas veces denominados efectos de tratamientos). Correspondiendo = 1)E(X. i = L.o cuyos valores son los r¡r pueden expresarse como X* = ¡tla. entonces Qz_ D... Todas las medias de bloques (columnas) son iguales.r es la parte de X¡e debida aJ. 8133¡ = o' v (41) También. k = 7.): (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. = ¿-1. /"t tiene la distribución chi-cuadrado con (a ner en cuenta a H[rt' or H[.= eb-l (t z¡ y H.b decir oj : Vemos de (39) que... : o )É*: o (36) de donde . .2"i = "' + #> Pí U..aleatorias independientes normalmente distribuidas con media cero y varianza a2..tenemos. Si ¡1á') v' A" DZ -= v" .."& H[2)son ciertas.. Todas las medias de tratamientos (filas) son iguales.a es decir ll.*t uo lk podemos demostrar que (37).. Como antes podemos tomar los ajkcomo variables-.s) (++l Los teoremas siguientes son semejantes a los Teoremas 9-1 Teorema y g-2. de modo que las X¡e son también variables aleatorias independientes normalmente distribuidas con varianza o2 . pe es la parte de Xi¡ debida a los diferentes bloques (algunas veces denominados efectos de bloque) y a. .2). sin tener en cuenta a H[t\6 . 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 es la gran media poblacional.azar o enor. = 0.3L2 ANALISIS DE VARIANZA lcAP.¿-1' 6':D.

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

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

que pueden analiza¡se como en la Tabla 9-5. Il[3) puede rechazarse.1. Utilizaremos este procedimiento alterno. 9.9-l Fig.cAP.9-3 grecoJatino Fig. a cuatro bloques escogidos completamente al aza¡. esto es oj = 0 I{2): Todas las medias de bloque (columna) son iguales. En este caso podemos concluir que las interacciones son considerabtemente grandes. C. D. En este caso podemos concluir que las interacciones no son muy g¡ánAes.los detalles de un experimento deben planearse cuidadosamente con anterioridad. 9-1 por cuadrados. indicados por . En lo que sigue damos algunos ejemplos importantes de diseño de experimentos.6.9-l . Pa¡a üseña¡ tal experimento podríamos dividir el teneno en 4 X 4 = L6 parcelas (indicadas en la Fig. aunque físicamente cualquier forma puede utilizarse) y asignar cada tratamiento.F' de 3?/S3 de la Tabla 9. página 306. El procedimiento se ilustra en el Problema 9-tr3.1) (b . 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. para ganar tanta información como sea posible.4. Las diferencias en los factores serían impgrtantes solamente si fueran grandes comparadas con tales interacciones. Por esta razón muchos estadísticos recomiendan que se ensayen I/é'. Completa aleatoriedad. Luego podemos ensay4r H. Sin embargo.o) y-H<2.l) + ab(c . 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. Esto produce una tabla factor dos con valores singulares.1). Il[r) no puede rechazarse. Caso I. Caso II. y utilizando este valor para remplazar el denominador 3! en el ensayo F. esto es l3*= 0 I{:}): No hay interacciones entre tratamientos y bloques. 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 . etc. y l/.r A B c A C B A c C" Dr Au B6 Cuadrado Compleüa aleatoliedad Bloquee aleato¡ios Cuadrado latino Fis. DISEÑO E)GERIMENTAL Las técnicas de análisis de varianza discutidas anterionnente se emplean despuós de que se han obtenido los resultados de un experimento. B. 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. 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.2 Fig. 1. Esto se denomina a veces como diseíw del experimento. (a . Dos casos poóibles se presentan. El propósito de la aleatoriedad es la de eliminar varias fuentes de enor tal como fertilidad del suelo.F de 33/0? V GfBi en cambio de esas dadas en la Tabla 9-6. Supóngase que tenemos un experimento agrícola como en el Ejemplo 9. utilizando hs íelaciones F de G?liZ v 3:63 reópectivamente como se muestra enlaTabla9-6.j'z) utilizando las relaciones .

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

k 2r@br\ aü*: )"'n = j. i'k f¡*" . (b) (c) Puesto que 7j. Tenemos página 307.18 49 48 50 49 51 50 . Análogamente = )(¿.cAP. (b) la gran media para todos los tratamientos.ijk+ñ2\ = i.k / r'\2 rl rS/rl-zrJ. B.'*\ u u.j=lk=l 'i ) )'¿r.k abúz )"i = j.) r:r tenemos K por Ia parte (c).-¿)t )¿i = i.k )(rji-zx..k = )rr¡.r-r): i. )r¡.=brj.It - 1'b' Tabla 9-? 9.D6 I ab¡z s-? -4 ab =.¡. Verificarque(o) (d) r: úbÍt(b). Hallar (c) el rendimiento medio para los diferentes tratamientos.u ó un -. Verificar las fórmulas cortas (10)-(12). riedad de trigo cultivado en un tipo particular de suelo tratado con químicos A.(c) ?'.zr>ti.. (c) la va¡iación total.2(o) en el último renglón. = 't)61't). . -'#(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.k . (d) la variación entre tratamientos y (e) la va¡iación dentro de tratamientos. el ANALISIS DE VARIANZA 317 g.utilízandolanotaciónenlapágina307. Utilizar el método largo. La Tabla 9-7 muestra los rendimientos en hl/ha de una cierta va- A B C . + abú2 i. .-!+abEz -* í..oi-ziri+ñ2) utilizando el Problema 9.2(b) en el tercer renglón y el Problema 9.4.r b bI 1.2(o) en el tercero y último renglones anteriores. o C.2. : abñ.].t) = )(¡. )1rc = ))*r* r = abt 9.k .3.18 49 50 47 19 .2x)r¡¡ I i.

. 3 0.4)2 + (4-4): + (3 . (o) ConreferenciaalApéndiceF. Con referencia al Problema 9.k = (3.41-B.4¡:: * (3 . = o.¡.yemosqueF. C (b) (c) . -¿).f B+4+6+b+b¡ = Así la gran media para el conjunto original de datos es 45 * 4 : 49 hl/ha.¡.1): 3(4-1) : I grados delibertad.Tabla 9-8. ¿podemos rechazar la hipótesis nula de medias iguales al nivel - 1 : F=$=h = 3 6 - L : 2ya(b .01? Tenemos con-o Con referencia al hoblema 9.95:4. = b)) (é) Variacióndentrodetratamientos Otro método.4)2 + (5 -.05. hallar una estima insesgada de la varianza poblacional oz de (c) la variación entre tratamientos bajo la hipótesis nula de igual medias de hatamiento. 1 = 4. = !4(B+4+ 5+4. eon 49.)2 t.4. de significación del (c) 0.g)r + (4. 4l(4 .6. i. (b) la variación dentro de tratamientos.5.:l = = r'.: i(4+6+5*5) = respectivamente. ¡r. [cAP. (b) 0. Por tanto los rendimientos medios.4)! + (3 . Entonces obtenemoe los datos de la.@ir-E)2 = (3-4)r + (4-4)x + (6-¿)¿ + (4. = lae+A+3*B) = 5 3.4): + (5-4¡: =14 ((l ) Variaciónentretratamientos = tr.¿): + (4 -4):¿ + (6-4)2 + (5.26. por ejemplo 45.Puesüoque^F :6)F.conut:2yu2:9. de todos los datos sin afectar los valoree de las variaciones. (a) (b) ? 3 9. =. Tabla 9-E e (a) por Las medias de tratamiento (fila) para la Tabla 9-8 vienen dados respectivamente rr.4)2 + (2 . obtenidog al sumar 45 a éstos.4.¿. B.4)2 + (4- + (2 -3)2 + (4-3)2 + (:J-U + (5-4¡r + (4-4): 3)2 + (3 .318 ANALrsrs DE vARTANZA Para simplificar la aritmética podemos restar algún número apropiado. = i(B+4-f b+4+2t. 48 y 50 hl/ha para A.05.5)r + (d--5)! -l (5-5)r + (5-5)r 412 9.. Variacióntotal 4 =.u = 14-8 = 6 (cl.4)'. = ) @¡¡-E¡. .96podemos techazar la hipóüesis nula de medias iguales al nivel 0.

vemoaqueF.. = 4 +6+5*5 = 20 r = 16+12+20 = 48 Luego D6 1s-.O1.Pue8toqucF=6(F.6 ¡e muestran en la Tabla 9-9. (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"?--# : .02.a&-6 . .6:8.4-9.= Dentro de t¡ata 0w=0-0b a -63 ^' .n) = : 2oo 6 _ tg2 = E (c) D-Qb:14-8 .2/3 n con 2.conur:2!uz:9.4 ba'i ab 1 i062+t22+202) 0w: (^8\: te.?.9 o(b-1)=(3)(3)=9 gradoe de =14-8=6 libertad 9.=2+4+3*3:12 rt.9no podemos techazar la hipótesir nula de medias iguales al nivel 0.cAP. el ANALIS$ DE VARIANZA 319 (b) ConreferenciaalApéndiceF.06-S8t = (b) Los totdes de las filas ¡on 206-rsz = 14 También rl. .4. I¿ tabla de aDáli¡is de va¡ianza para loe hoblemss 9. = 3+4+6*4 = 16 tz. Tabla 9-9 Gg=f. Utilizar las fórmulas cortas (101-(12) para obtener los resultados del Problema 9.

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

87 .2lIl I ab-I=24 I W = tz.¡r . lógicamente tampoco la podemos rechazar al'nivel 0.05. Entonces tenemos .1456 =ZO I | =.-+(8-7)z = 5): 72 -= J'K )(t. ?t¡ = 655 tratamientos.r (2 5):r -l.. (b) 0.01. . el Formamosla Tabla 9-13. Utilizando el método largo. Por tanto no podemos rechazar la hipótesis nula a un nivel 0. Tabla 9-13 Entre tratamientos.18-512: rl¡--5rr .)(r.8 (5X4) t: Pata 4. Es conveniente restar Tabla 9-14 Muestra 1 .-¡. Tabla 9-15 Total Muestra 1 Media 9 7trI 4 27 8 5 2 Muestra 2 Muestra 3 6 25 32 5 10868 .ru r También podémos obtener 72 -- 36 .. u.cAP. ".)rr¡(. por ejemplg 400.^. ensayar al nivel de significación del (c) 0. 7):+(11 -?)2+. las medias de grupo o muestrales y la gran media.u¡.1 .9. La Tabla 9-14 muestra la duración en horas de las muestras de tres tipos diferentes de tubos de televisión fabricados por uná compañía.108 406 408 un número apropiado.fti'k ¿rr.l-5rr -.05.)! ¿'.. 20 grados de libertad tenemos F .f)r!-i tÍf -f)): r t. MODIFICACIONES PARA NUMEROS DESIGUALES DE OBSERVACIONES 9.01 si hay una diferencia en los tres tipos.(10 8r: I í8 __ 8)r -i rG 8): -1..102 410 . .i = Gran 8 media = 84 1t En esta tabla hemos indicado los totales de fila.ss: 2.r.. ANALISIS DE VARIANZA 321. directamente observando que es igual a (7--9):r-(11.".u-1) = 5(4) rA = I l "u ?'.t0i Muestra 2 Muestra 3 11 409 401 406 408 405 .-i)z -3(9 ' - 7\2 36 ! 5(7 + 4(8 -- 7)! = 36 . y obtener la Tabla 9-15.-i..(i -5r2 .(8 _ 8l: - .

rg.01 si (a) hay una diferencia significativa en rendimiento por acre debida a los fertilizantes. .2 Calculamos los totales de fila y medias de fila.4 7. (b) hay una diferencia significativa en rendimiento por acre debido a las cosechas. Tabla 9-1? Cosecha cosechas de plantas diferentes culparcelas tratadas con tres tipos diferentes de fertilizantes.6 7.4 uru so'- 18 = 36 G1=?9=4 = 4. 9. Utilizando el método lartivadas en Cosecha I Fertilizante A Fertilizante B Fertilizante C u Cosecha III Cosecha IV 6.9. n=12. 72 t1.5 Enüonces para 2 y 9 grados de übertad hallamos del Apéndice F que F. so:. De la Tabla 9-15. Rt=3. La Tabla 9-17 muestra los rendimientos por acre de cuatro go.9 6.8 6. + 62 +8r-Q|2 = 72 a6 = ?t-. Tabla 9-16 [cAP.:25. ninguna diferencia en los tres tipos de tubos) al nivel 0. las medias de columna y la gran media. I 5.05 pero no al nivel 0. Soluciona¡ eI Problema 9. Por tanto podemos rechaza¡ la hipótesis de medias iguales (esto es. como se indica en la Tabla 9-18.?. e Variación Grados de libertad Media de cuadrados F D¡=36 a-7=2 n-a=9 io. ¡=84 = + iL2 + .10..99 : 8. como también los totales de columna. = = 36 (27)2. (25) V Q6l. ensayar al nivel de significación de 0.7 45 8.0 5.2 ñ"¡'.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 9.322 ANALISIS DE VARIANZA f.=32. CLASIFICACION DOBLE O EXPERIMENTOS DE DOS FACTORES 9.01..11.os datos pueden resumirse en la tabla de análisis de varianza.02. 12. 12t nB=4.8 9.8 o.(25)2.-. Por tanto ! = n2=5.=27. F.2 7. Tabla 9-16.26. = 19= 1g 5.9 utilizando las fórmulas cortas incluidas en (24).

6 grados de libertad.8)2 + (6.3 .8)2 = 23.24> 5. : Esto conduce al análisis de varianza en la Thbla 9-19.S¡z a (7. Entonces.6 5.5-6.2 .0 7.3 Gran media 6.6 .6 ¡'=0"2/i3=0.2 2t.8 : Variación de medias de fila con respecto a la gran media = 4U6.58 F =G?/C?: a.8 .08 ue : Variación aleatoria = Lt .8)2 + (6.2 8.2 23.6.r.8)z] = 2.6.4 7.ocz Al nivel de significación de 0.0 .8 .8)2 + (5.zt gl: 2.6.yaque 6.6.05 con 2.8)2 -1 (9.5 -6.7-6.3-6.r.5 18.8)21 = 13.:5.32 U: Va¡iación total (4.3 5.14.2 Fertilizante A Fertilizante B Fertiüzante C Totales de 4.8)2 + (?. Tabla 9-19 6.6 oi = t.86 gl: 3.9 68 5.2 6.8)2 + (5.9 = = 81.8 7.8¡r+ (7.8 -6.5 6.cAP.14.8)2 + (5.8 9. . (7.8)2 + (8.6 columna u.8)2 + (6.podemos rechazar la hipótesis de que las medias de fila son iguales y concluir que al nivel 0. Fq.9 -6.6.7 -6.S12 -'.5 6.4-6. 64 7. el ANALISIS DE VARIANZA Tabla 9-18 Cosecha 323 I Cosecha II Cosecha III losecha IV Totales de fila 24.8 Media de fila 6.8)2 + (5.9 .7 5. 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. .05 hay una diferencia significaüiva en el rendimienüo debida a los fstilizantes.9 columna Medias de 19.4¡z * (7.0-6.6.2 -6.8)2 + (8.4-6.0 33.68 u" : Variación de medias de columna con respecto a la gran media = 3[(6.6.7 8.2-6.4¡z a (6.6 7.0 Gran total 22.

k )"i T a .6)¿ = 2274.G8 = *>t-"ti = |trozs.11.n¡z (5. B.96 S-z Sro (24.rol rt .2)2 81.2)2 ¡ + (33.ut - bb4. Los días de la semana se pueden considerar conro réplicas o repeticiones del rendimiento de cada máquina para los dos turnos.05 si hay (c) una diferencia en las máquinas.2¡z (19. 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.(23.08 de acuerdo con el Problema 9. Los resultados se indican en la Tabla 9-20.11. Nótese que para cada máquina se han indicado dos turnos. 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 9-21.324 ANALISIS DE VARIANZA las fórmulas cortas para obtener los resultados del Problema 9.5)2 + (18.96 bj'j.zu 'üc bb4.08 = uc Lnezln.88 = = 18. 554. - 13. (b) una diferencia en los turnos.2)2 (27-O'¡z r.58 EXPERTMENTOS DE DOS FACTORES CON REPETICION 9.t2.82 11 = = 23. Un productor desea determinar la efectividad de cuatro tipos de máquinas A.88 ab = 23.2+23.9)2 = 1673.6 = (4..2.82 = 6. : lcAP. C.8+33. D en la producción de tornillos. Utlizar Tenemos de la Tabla 9-18 i.6 : 577.13.88 2.10 Entonces s-2 j* tt'r^ 12 ab = vr 1s-r-t' 577. móquina y lurno. e 9.S¡z a (6. + 24. Efectuar un análisis de varianza para ensayar al nivel de significación del 0. .68 . En esta tabla se indican los dos factores principales.24 ¡ (22..

4 Para considera¡ los dos factores principales. que es una tabla de dos factores con valores simples.0c = 65.6 = 1b0. Estos se ordenan en la Tabla 9-22.S .4 variación total para la Tabla g-22.-..6 La variación enhe filas üene dada por (zee¡z 40 a' = (54)2 (85)2t' (6. variación debida alasinteroccion¿s entre las filas y columnas.5 = 1861. (119)r_eqq\2 ? 40 - _ 180s.S .ro ro 10 La va¡iación entre columnas viene dada por (zgq)' 40 = 1846. la suma de las variaciones entre filas y columnas (u.1 Si reetamos de la variación subtotal u.0 'tt" = --ñ.1 = 6. que llamaremos variación subtotal u". 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+ .(41)2.cAP. (30)2.. móquino y turno.)' + qq -ld.2 . 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 [.6 : 66.. + 72 +L02-W = 1946- 1?95.5 . concentremos nuestra atención al üotal de los valores de repetición correspondiente a cada combinación de factores. (32)2.6 = 51.6 rov = 8.?_1?e5. (38)2 ""--6-5 . Esta viene dada por * u" ) obtenemos la 0i = 0"-D¡.6 - 1?9b. (44)2. (31)2.b --5 .¡2912. ZO - (126\2.3.b .1795.0-8. _124)2.6-51. viene dada por -.

Tabla 9-23.6 + 84.61.06 no hay diferencia iignificativa entre turnos. lo cual indica que la interacción no ee significante. ya que hay 4 filas en la Tabla g-22La variación debida a l¡s fila¡ tiene 4 .326 ANALISIS DE VARIANZA lcAP. I¡iabla también da el número de grados de Tabla 9-23 Filas (mÁquinas).06. 0' = 51'0 i? = tt.o" : 150. Entoncee ya que F calcul¡do para lascolumna¡es 8. 7 (3 + 1): 3. ce debe a interacción.F nl: 2. Para l.. Po¡ tanto el total de gtadoe de libertad es 8 I : 7. Por tanüo los grados de libertad debidos a l¡ va¡iación residual o aleatoria ee 39 7 : 32.65 para el denominador de F en la Tbbla 9-23 no afectan las conclusiones alcanzadas anteriormente. e Finalmente la variación reaidual. podemos rechaza¡ |a hipótesis flllr ¿" la pógina 315. D" = 84'8 Total. hallamos para la va¡iación combinada y grados de libertad combinados u¡* u. 32 grados de liberüad Fn. u= 150. - libertad cottespondientes a cada tipo de variación.Ya que hay 40 valores en la üabla original 9-2i el total de gradoe de libertad es 40 1 = 39. eeto es.: 4.4-65. Eeto resulta en a" = Q-(or*o"*o¡l = 7).16.! : Sgradosdelibertad. Para hallar loe grados de übertad debidos a la interacción obeervamoe que hay 8 valores en la Tabla 9-22.o Columnas (turnos).8 : 91. la va¡iación subtotal) ¿L U variaóiOn tot¿l u. columna e interacción (ee decir.05 podemos conclui¡ que las-máquinas no son igualmente efectivas.:6.6 : 84. Aef. el reeto. no podemos techazt la hipóteeio l/[zt ¿" que las columna¡ tengan medias igualee.90 para B. vemos que F para las fila¡ e¿ 6. Al usar este valor en cambio de 2. u¡ = 6.entantoquelavarirrcióndebidaalae 2columnastiene 2-L= Estas va¡iacionee se indican en el análisis de varianza.8 1 grado de liberüad. . filas y columnas de la Tabla 9-22).81?. Siguiendo lae reglas de la página 315. De la Tabla 9-23 vemos que pa¡a interacción F : 0. 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). Si decidimos analizar los resultados combinando las variaciones residual e interacción como lo recomiendan algunos estadísticos. B2 grados de libertad podemos rechazar la hipóüesis ll. 0c = 8'1 Interacción.tr ¿" que lar fila¡ tienen ¡¡sdi¡¡ igualee. se halla reetando la suma de variaciones füa. Esto esequivalenüe a decir que al nivel 0. Puesto que 3 de esos 8e deben a filas y 1 a columna¡. que conduce a unava¡ianzacombinadade gL.5 G? = zltt Aleatoda o residual.4 Para continuar debemos determinar primero si hay alguna inüeracción significaüiva entre los facüores básicos (es decir.3 y 3 + 32: 36 respectivamenüe. Puesto que . Esto es equivalente a decir que al nivel 0.42.SfSe:2.

At-ril.l cAP. A este nivel aún no hay interacción apreciable.01 las máquinas no 6on igualmente efectivas. Solucionar el Problema 9. = T*ry*ry 5723.06 : va¡iación entre (77\2 (74\2 (78\2 (71\2 columru lS=?rc= 4 .75 .e0 = 7.5439.25 *9'{ -(fftr = 284. el ANALISIS DE VARIANZA 327 9.t: 4. CUADRADOS LATINOS Tabla 9-24 9.06 : 329. 4 : 5443.19 (2eS1z - 5439.06 = 4.' + (10¡z * (lT2 -@5Y 16 5769 - 6439.4 .51 para 1. 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. También obtenemos el total de rendimientos para cada uno de loe fertilizantes como g€ muestra en la Tabla 9-26. C. 29.13 si se utiliza el nivel 0. 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 9.94 Variación entre filas . Ya que ¡'.06 .r.69 16 variaciónenrretratamienros = . Ya que F .. D en el rendimiento de trigo. concluimos que al nivel 0.14. 32 grados oe libertad y puesto que F para filas es 6. Efectuar un análisis de varianza para determinar si hay una diferencia significativa entre los fertilizantes a niveles de significación de (c) 0.1)¡ ff +ff + ff -5468.25 + ry .01. columnas y üratamientos se obtienen común y corrienüe. B. Un hacendado desea ensaya¡ los efectos de cuatro fertilizantes A.19 - 5439.01 no hay diferencia significativa en los turnos. donde los números indican rendimientos en dkl por unidad de área. 32 grados de libertad y puesto que F para columnas es 3.26 A B 48 At5 c23 BLO 73 C 85 D 92 B15 420 D2r 74 TOTAL 70 296 c22 TOTALES 77 At7 7l 295 himero obtenemos toüales para filas y columnas como 8e indica en la Tbbla 9-26.05 y (b) 0.Ia variación üotal y las va¡i¡ciones para filas.47 para 3. podemos concluir que aún al nivel 0.01. de modo que podemos proceder más al.05.lá.15.49.4 -. Hdlamos Va¡iacióntotal : o= (18)? + (21)2 + (25)2+'.

05.9 > 4. CUADRADOS GRECO.19 Columnas.r.19 Residuales. .01.. podemos concluir que hay diferencia entre fertilizantes.F para tratamientos es 4?. Asignamos las diferentes gasolinas A. denotados por o.17. Suponga que en el desarrollo del expeúmento del Problema 9-16 el número de kilómetros por galón es el dado en la Tabla 9-29. de modo que cada letra apatezca solamente una vez en cada fila y solamente una vez en cada columna. Se deduce que al nivel 0.lJtiliza¡ el análisis de varianza para determinar si hay alguna diferencia significativa al nivel 0.69 Tlatamientos. (b) Ya que Fgo. C. concluimos que no hay diferencia en la fertilidad del suelo en las columnas.. podemos aceptar la hipótesis que no hay diferencia enla fertilidad del suelo en las filas (o las columnas) al nivel de significación del 0. debemosconcluirquehay una diferencia entre fertilizantes al nivel 0. 11.05 hay diferencia en la fertilidad del suelo de una fila a orra.16.76.328 ANALISIS DE VARIANZA El análisis de va¡ianza s€ muestra en la Tabla 9-27.01.76. p. B. Diseñar un experimento utilizando cuatro conductores. como se indica en la Tabla 9-28. 284.8? (o) Puesto que F er. autos y caminos podemos emplear un cuadrado grecolotino. 29. Así cada conductor tendrá la oportunidad de conducir a lo largo de cada uno de los caminos.78. Ya que el valor de. i I}¡ 9. Es de interés determinar si hay alguna diferencia en el kilometraje por galón entre las gasolinas A. Sin embargo.' I A. Puesto que el valor F para columnas es menor que 1. 4. cuatro autos y cuatro caminos diferentes.o :4. C. conductores. Supóngase que los diferentes autos se representan por las filas y los diferentes conduetores por las columnas. rechazamos al nivel 0. 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). LATTNOS 9. 7. Tabla 9-28 CONDUCTORES 1234 B.¡. 6. D. Asignamos aleatoriamente los cuatro caminos que van a emplearse. Puesto que se incluye igual número (cuatro) de gasolinas.0 : 9. Tabla 9-2? lcAP. sujetos a los mismos requisitos impuestos a las letras latinas. 4. B.05Ia hipótesis de que hay medias de fila iguales. Un aneglo posible es el dado en la Tabla 9-28. D aleatoriamente a filas y columnas. e Filas.

00 deliberüad. E número total de gados de übertad es n2 .60 = 6.00 - 6-50 - 11r. Las filas. 16+11 +11+ L4 = Dtotal: 14+16+16+16 = ctotal: 14+18+15+14 = /3 total: 16 + 16 + 2l + 15 = ytotal: 19+16+11+16 = Stotal: 15+11+16+23 = (65)2 62 81 62 61 61 68 62 66 Entonces calculamos ¡ug va¡iaciones conespondientes. (52)2 . columnaE. 4 - (70)2 (256\2 16 Q6A)z 16 QAA¡z = 4112.50 4244-4096 = 148. Dl Caminos: (o' P.4 . C.50 La variación total ee (1S¡z * (le¡z + "' + (16)2 + (2s\2 -e66\2 =' 'I | \-vt 16 16. (59)2 . (61)2 . 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. ó) Ga¡olinas: (62)2 4267.60 -4096 = 111.60 ry*ff+ff+ry-ry 4 (16)'z = 4ros.50 - 7.60 (A.Portantolosgradosdelibertadparaelerroresn2 caso n f. Filas: a----l---4 (64)2 . utilizando el método corto.cAP. (81)2 .60 I 4096 6. leüras laüinas y letras griegas cada una tienern 1 grados : 4.os resultados se mueshan en el análi¡i¡ de varianza. 7. B. Tabla 9-31.6o-40e6 = ?. el ANALISIS DE VARIANZA 329 Prirpero obtenemos totdes fila y columna como ¡e indica en la Tabla 9-30. -1--4(n-1)=(n-lXn-3). como eigue: Atotal: 15+16+15+16 = Btotal: 19+18+2I+ 23 = Ototal: . (63)2 .Ennueetro . (68)2 4 .00 de modo que la variación debida al e¡ror e¡ 148. (62\2 -.60 - 4096 = = 16. (61)2 4-4-4-4-16 4102.1 para un cuadrado de n X n.60 Columnas: .4-T 4 .

r.5.or.28 V F.s : 29.01.a:9. El tratamiento medias de la población viene dado por p¡ Por tanto ac = 9.D).05 pero no al nivel 0. = F* e¡. Por tanto podemos rqchazar lahipótesisdequelasgasolinasson igualee al nivel 0.60 Gasolinas. página 308]. Se deduce que t=L )¡t* )"t j:r ' donde hemos utilizado la definición p )a. B..3u*3" = op+\'¡ t=L i=l !:t' = (2p)/a. (o) Poi definición tenemos v.C.*-i.-*.so. Derivar (c) la ecuación (17). 5u.50 Caminos (o' É' 7.s.500 :?*33=t. e Columnas (conductores).) = bj¿E(Si) utilizando (I6) del Capftulo 5.} ..18. Capítulo 5. Entonces. ya E(v.19. J=r - =.¡z > + ) (x. 6).-¡b-l ¡ es la varianza muestral para el tratamiento jr como que el tamaño de la muestra es b. 6. de Ia página 308.l)oz - .26 Tenemos F.= . 111.tz = b j=r |Lo rEr' " ' ) = ¿!s? j=1 d. b 3 (¿'-1"'\ -i---t\ b / = a(b .. (b) la ecuación (I6). donde Sf é define por (15).". 7. = 9. PROBLEMAS DIVERSOS 9. Demostrar que > oj = 0 [(15).330 ANATISIS DE VARIANZA Tabla 9-31 lcAP.50 2. (4.

18. + > al - ob¡P (c--t)62 * b ) a. Por el Teorema 5-6. en la Tabla 9-23.20. el ANALISIS DE VARIANZA Por 331 (b) definición vt' = a ) 1*r.2 9.. tenemos dd Teoreme 6-4. En el Problema 9.) + a. ¡úgina 161. .bgQ7z) Entoncee para cualquier variable aleaüoria U. Demostt'ar el Teorema $1.. página 158: ( tr) var (5) =r Var(X) = # E(X) = p (i¡.-ab*z j=1 a.05. más el reeulüado dd hoblema 9.) (d) (7) E(Xj.+*i):-l -"ufLab J !+rr) " '' ) -LD aoz * b ) (p+ a¡)2 - o2 - s'b. E(U2) = Var (U) + lE(U)12.+auxz l=r t=L ya que (f) (21 (. (b) 0. los diferentes días de la semana. que V-/o2 tiene dishibución chi-cuaüado cón o(b - 1) 9.-x¡z t=r aa a o = b>*i-2bx)x. P¡ra hallar la variación debida a larepeticiónutilizamoslostoüalegdecolumna cn la Thbla 9-21.cAP. Entonceo. página 309.Enloncex.19(o).) = pj = p+ai Utilizando los resultsdos (2>(7).1 gradoe de libotad. üenemos E(val = b>86?) var(i¡.t) X = ( )It.p6gitn 116. 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.P = (a-l)o2 * abp2 + zbp> ".01? Si existe alguna variación debida a las repeticionee se incluye en lo que ae llama el ertor re¡idual o aleatorio.13 supusimos que no existían diferencias significativas en las repeticiones. ¿Podemos sostener esta conclusión al nivel de signifi cación del (c) 0. esto es.) / \ // /\/ ' = b>*?. = 84. Como ¡e indica en el Problema 9. con medias ¡t¡ y varianza común 02. obteniendo u" . puesto que las varianza¡ S! bn indep el Teorema 4-4.21. en (I ) tenemos E(va) = b>[+*(¡. Por tanto lv(x. bSJ/o2 tiene drado con b . omitiendo el fndice de la euma.\12 lBlx¡12 E(xil : E(Xz) = Var (Í) + Pero ya que las poblaciones de traüamiento son normales.8.

. 9..32 Filas (máquinas).rpor denota la gran media.. es decir. El valor f.18.06 (y por tanto al nivel 0.*ucA-. es la media de valores para las clases Il y C cuando Ar es constante.k. es la Tabla 9-32. sedenotaporxjkl.. Pero ya que Fe5: 2.u¡6. Ias conclusiones reliacionando máquinas y turnos son las mismas a las obtenida¡ en el Problema 9.827 = 73. ..332 ANALISIS DE VARIANZA [cAP. teniendo en cuenta las repeticiones."o = 11.ú¡n< .EIvalorenA¡. Ao) Barupos. Las otras variaciones son las mismas a las de la Tabla 9-23.8 114: ?8.Elvalorú¡¡. como se indica en la Tabla 9-33.C{luposdenotadosporC¡. l---g 6. . el número de grados de libertad asociados con esta variación es b 1 : 4.¡r. Finalmente d Existirá una uarioción total dada por (l) 1) = t. = 8'1 Repeticiones (días de la semana). podetnos concluir que no hay variación significativa al nivel de 0. C.2g grados de libertad..767 | -=0. La tabla final de análisis de varianza. 8r.4)2 . Sigñificados análógos se dan a E¡ ¡ ! r . La interacción entre todas las clases se denomina como antes la uariación aleotoria o residuol.4 Puesto que hay 5 repeticiones.. T. Reproduzca la tabla de análisis de varianza a emplearse en tal caso. e 1t=-+'re¡ (57\2 g (51)2 g .86. Las siete variaciones en las que se puede dividir (1 ) vienen dadas por u = DA+ürJ+uc lTIAB *.6 = 11.22.4 3 Aleatoria o residual a'" | 2.4 De la tabla vemos que el F calculado para repeticiones es 1..C".7! parz 4.0g. (47)2 (50¡z -. . denotados pot 41. los días de la semana no eon significativos. Describir cómo se pueden utilizar las técnicas de análisis de varianza para clasificación triple o experimentos con los tres factores (con factores simples).1795. . g - (268)2 40 = 1807 .. Estas variaciones son entre clases del mismo tipo y entre clases de diferentes tipos (inúerccciones). denota la media de valores en la clase C cuando A¡ y B:p se maitienen fijos. 0' = 0c 51'0 Columnas (turnos). Tabla 9. Suponemos que la clasificación se hace en A grupos.8¡r. denotadospor ejemplo.t 2 @¡rt- ú)z que puede dividirse en siete variaciones.4. I-a variación residual después de restar la variación debida a la repetición ea ue : 84.01) debi- da a las repeticiones. o..

. E." = uesc (o-l)(ü-lXc-1) Probletna..01.+ 0nc = ".c .n.BlSA..¿).. Suponiendo que las parcelas eon de fertilidad semejante y que las variedades se asignan aleatoriamente a las parcelas.s suplernerirta. Q¡n rB = = . (o 1)(b 1)(c 1) gl 1) ¡ A..t .k.ñ.4ñ sA. el donde U¡ ANALISIS DE VARIANZA 333 - . (a. (o - 1)(b - 1)(c - 1) sl u¿ (entre gr¡r- posCyA) (entre grupos (c - 1)(o .tt+ ñt. Se efectúa un experimento para determinar el rendimiento de 5 variedades de trigo A. . B.ó I Dg n rA^ Ét s^.ñ j*.r+ ñ)z !ct = b > (ñ¡t. ce' ) (¿. (a - 1Xó - 1)(c - 1) gl trac (entre gru- posByC) o¿ =o=ffi= (c-1X¿-1) acA .rlos CLASIFICACION STMPLE O EXPERIMENTOS DE UN FACTOR Tabla 9-34 A B C 9..rt.ñ.cAP.BC gl 0¡s (entre grupos AvB) (o-1)(b-1) (b-lXc-1) (o - 1)(b - L).% (c 1)(a 1).t.rTabla 9-3$ Media de cuadrados r¡ Ao -q¿=-A o-l Varíación o¿ (entre grupos A) Grados de libertad F ?1..c (entre grupos C) -'l Añ "c .ByC) u (total) (o-1)(ó-l)(c-1) abc-7 9?. C..k. ? (E¡.I ót s.ñ.+ ¿.c)i. determinar si hay una diferencia significativa en rendimientos a los niveles de significación del (a) 0.'uc c-1.+ i)\2 E)2 aABc = .Bc b-r.Bzcl. D.4ñ s gl t. 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 ..kc (b - 1)(c - 1).-.J- er" (ñ¡¡1..n\r.1Xó - l)(c - 1) gl os (entre grupos B) ó-1 c Ao og s "B .(a-1)(b-1Xc-1) Añ.- ñ¡.34. (fr.r."" a a-l - 7.ñ.új.A^o 8ó^tsA.* ñ. variedad y los rendimientos (en hl/ha) son los mostrados en la Tabla 9.ri.Bc -1) 3. (b) 0.23.05.(a-1Xb-lXc-1) AÓ. Dc ñ\2 : ab 2 @.2r@i*t.ú..

28. Dar la informaci6n deseada utilizando un nivel de oignifi' cación del 0. C. Durante un semestre un estudiante obtuvo las calificaciones indicadas en Ia Tabl. (b) 0. (b) 0.29. Un profesor desea eneayar treg métodos de en¡eñanza I.a 9-38.06. donde cada tipo ¡e ha tratado en 6 automóviles semejantes asignando los neumÁtico¡ aleatoriamente. Se efectúa un erperimento para determinar el número de artículos diarios producidoe por cada operario utilizando cada una de lac máquinas.O1 si hay una diierencia significativa en sus calificaciones entre Ssas asignaturas.01 si hay alguna diferencia significativa en las marcas. Tabla 9-37 I\[atca. e 9.05. Ensayar al nivel de (o) 0. Tabla 9-39 Operario Máquina A Máquina 23 34 28 1 Operario 2 Operatio 3 24 28 27 I I\láquina C 27 30 25 . (b) 0. vienen dadas (en miles de millae) en l¡ Tabla 9-36. II.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. determinada de sus fibras.06. Tabla 9.01 si hay una diferencia significativa en los métodos de enseñanza.334 ANALISIS DE VARTANZA [cAP.85 Tabla 9-86 9.06. Demostra¡ la¡ fórmulas cortae (3I fl34).30. Para lleva¡lo a cabo. prÁgina 311. página 311. Demostrar los resultadoe (24). La Tabla 9-37 da los números de mill¡s al galón obtenido por autornóviles semejantes utilizando 5 ma¡cas de gasolinas. Determinar al nivel de (o) 0.05. 9.os a¡tículo¡ fabricados por una compañfa se producen por 3 operarios utilizando 3 máquinas diferente¡. para el caso en que los 4úmeror de oba¿rvaciones dean CLASIFICACTON DOBLE O EXPERIMENTOS DE DOS FACTOBES 9.26. Una compañfa deeea ensayar 4 tipos de neumáticoe A.27.24. B. Luego se da el mismo examen a todoe los estudiantes y oe obtienen las calificacionee indicadae en la Tabla 9-36. y a cada grupo se le enseña por un método diferente. Ensayar a loe niveleg de (o) 0.25. página 310. II1. (D) O. 9. El fabricante desea determinar ei hay una düerencia (o) entre operarior. Ensayar a loe niveles (o) 0.81. (b) entre máquinas. (25) V Q6). Demo¡tra¡ el resultado (30). 9. loa resultados se dan en la Tabla 9-39. D. I'z duración de log neum6ticor. 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. tres grupos de 5 estudiantes se escogen aleatoriamente. [.01 si hay diferencia en lo¡ neumáticos. diferentes.

Ensayar al nivel 0.40.38 al nivel 0. dUrante díae diferentee. Ensayqr la hipótesis al nivel 0. (b) las diferencias en el tipo de maí2. 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.01. Solucionar el hoblema 9.05 si hay diferencias signifiéativas en (c) loe operarios.g6.06 si hay diferrencia en (o) los tipos de neumáticos. doñde los números in' dican 10 en el tope de los graduados. Tabla 9-41 9. c Semill¡s de 5 tipos de mafz ee siembran en 5 bloques' Cada ue se asignan 0. SLOQUpS C D E IIIUIIV t2 15 15 19 L4 18 11 16 16 l7 10 t2 16 L2 11 14 11 12 16. (b) las clases de automóviles.33. los bloques).24ltprirnera observación para cada tipo de neumático se hace empleando una claee espeiífica de automóvil.41. (b) la localización.39. el segundo a un estudiante de otro planüel. Soluoiona¡ el Problema 9.33 utilizando el nivel de significación del 0'01.34. Suponer que en el Problema 9. Determinar al nivel de 0.01.12. Suponer que el experimentg del hoblema 9. 9. B C 16 18 20 15 L7 16 2l 19 18 23 19 2l 23 20 D 9. en tanto que en un experimento semejante efectuado en el oe¡te da los resultados en la Tabla 9'42. 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 . varfan significati- aleatoriamen' 5 . (b) las máquinas.38.g2.06 ¡i hay una diferencia en (o) lor ferüilizantes.40 utilizando un nivel 0. y así sucesivamente.01. 9. Solucionar el hoblema 9. / y II. g. y así sucesiva-E mente. ts Tabla 9-43 da el número de artículos produeidos por 4 operarios diferentes trabajando en dos tipoe de máquinas. Ios réeultados se dan en la Tabla 9'41. 9. Analizar el ex' pelinojo rubio Alto Mediano Pequeño 76 81 73 78 76 castaño 80 79 perimento al nivel de 0. lo 77 9.26 el primer valor para cada método de enseñanza corresponde a un estudiante de un plantel especffico.01. Suponer que en el Prpblema g. \4 9. Tabla 9'4O TIPOS DE MAIZ bloque te a los hl/ha. Solucionar el hoblema 9.cAP.3ó r¡tilizando el nivel de significación del 0. (b ) en los planteles. el ANALISIS DE VARIANZA 335 g. Solucionar el Problema 9-31 utilizando el nivel de significación del 0. a ^ B {amente con (o) las diferencias del terreno (esdecir.05.23 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. la eegunda observación empleando una segunda clase especffica.36.8?. E 18 22 2L l7 18 24 g.05 ¡i lo¡ rendirnienüos en bla 9-40. roy"t al nivel de 0. EXPERIMENTOS DE DOS FACTORES CON BEPETICION T¡bla 9-42 A 9.06 de que hay diferencia en (a ) d método de en¡eñanza.

9. Efectua¡ un análisiÉ de varianza al nivel Q.46.44. T3 T4 c6 t7l D. e 9.49 105 103 118 A B 3544 4233 6465 Lt2 10? 90 115 c 108 lr2 93 104 96 L02 .05.336 CUADRADOS LATINOS ANALTSIS DE VARIANZA IcAP. T¡¡ fq¡talezas promedio obtenidas se dan en el cuadrado greco-latino de la Tabla 9-4?. Sz S¡. (c) lugar de nacimiento.4? c.05. Wt. 7.01 si hay una diferencia significativa en los tratamientoc.44. Cuatrotiposdecable?¡.C1 .43. B. Ca. Tr AB 164 c2 Bf 181 c3 ca Ay 193 193 207 166 c4 D6 160 T.43 utilizando un nivel 0.47.Cz. Con referencia al Problema 9. 4 cantidades diferentes de dos compuestoc químicos se agregan a los ingredientes bási co¡.48. É.Cuatro operarior A. (b) colo¡ de pelo.r 198 D.05 ¡i hay una diferencia significaüiva en rendimiento académico de los e¡rudiantes debida.01 de que no hay diferenci¿ en (o) los fertilizanSe C8 At4 D10 Á10 c12 BL4 D16 D12 B11 811 Dt5 Á10 tee. Oes: te. El aumento en peso por unidad de tiempo 6e da en el cuadrado greco-latino de la Tabla 9-46.Tz. B. respectivamente. c16 9. D usando cuatro máquinas diferentes.S4 Sr. (ó) 0. BoG Dy l0 Ap8 c6 10 cialee.Ct. ?a sefabricanporcadaunadecuatrocompañfas. Efectu¡r un análisis de la varianza del experimento al nivel de significación del 0.LATINOS wr ^S. C. o.45.1. 9. q D. St. eetableciendo cualquier conclusión a que pueda llegaree. Tabla 9-4t Alto Pequeño Mediano 110 95 Tabl¡ 9. Para producir un tipo superior de alimenüo pnra pollos. [.Tc. B. y de variaciones del teneno en dos direcciones perpendiculares. Tabla 9. W¡ . Ensayar la hipótesis a un nivel del 0. Centro. Wz.6 . . 6. como se muestra en la Tabla g-46.as cantidades diferentes del primer compuecto se indican por A. Tabla 9-44 efectúa un experimento para ensayar el efecto sobre el rendiniiento de 4 tratamientoe de fertilizanües A. Se obtiene el cuadrado latino. w2 BB6 Dog ws Ao5 9. C.05.38 euponer que introducimos un factor 876 c81 o73 Tabla 9-46 o78 E'76 c80 o79 c76 877 w4 CUADRADOS GRECO. (D) lae variaciones del terreno. Soluciona¡ el hoblema 9.a diferencias en (o) ertatura. D y las del cegundo por ü.05. B7 At4 Tabla 9-4ó c12 adicironal dando la sección donde naci6 el estudiante Eete. Det¿rmina¡ a un nivel de 0. donde lo¡ números indican rendimiento de maÍz por unidail de á¡ea. eetableciendo cualquier conclueión a que pueda llegarse. 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. miden las fortaleza¡ de los cable¡. t¡ Tabla 9-48 contiene los datos sobre el moho acumulado en hierro tratado con químicos A. Determinar al nivel (o) 0. Tabla 9. L62 BB L45 cB 2t2 A6 112 86 Do An 188 Bq 167 c7 136 PROBLEMAS DIVERSOS 9. B o C. Wc y 4 especies d-iferentes .

9. 9.4g.59.23 y 9. Solucionar el Problema 9.61. (b) los tres lugares. Veterano No veterano 90 85 Medio ril 78 I.cAP. Demostra¡ (o) la ecuación (37).5E.5?. Derivar los resultados 9. (b) I.05 si hay una diferencia en los puntajes debido a diferencias en (o) el estado veterano. (b) la localización.50. Determina¡ al nivel de 0. ¿puede determinar si hay una diferencia significativa en el número de artículos producidos en los diferentes días de la semana? Explicar. Tabla 9-51 Alto 9.54. ¿Es ésto cierto si cada valor se multiplica o divide por una constante apro' piada? Justificar su resPuesta. relativo a diferencia de estaturas. en tanto que los resultados correspondientes para el oeste se dan en la Tabla 9-52. Analizar la tabla al nivel de 0. Determinar al nivel (o) 0.ó6. (b) la ecuación (38).Q. Determinar eI nivel de 0. de estudiantes adultos de estaturas altas. página 372. En los cálculos de análisis de varianza se sabe que puede sumarse o restarse una constante apropiada dp cada valor sin afectar las conclusiones. Este Oeste Sur 88 84 86 Medio 80 78 82 Bajo 72 ¿o 9. rinden mejor' Los puntajes obtenidos se muestran en la Thbla 9-50.01.Q. Demostrar (o)la ecuación (39).Q' 9. 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. medias y pequeñas.54 al nivel 0.Q. Norte y centro 80 ¡D 79 g.Q. página 312. (b) 0. 70 9. página 309.05 y establecer sus conclusiones. Los resultados se indican en la Tabla 9-49. (3) y ( ). Un experimento mide el L Q.55.53. Suponer que los resultados en la Tabla 9-48 del Problema 9-48 son válidos para el noroeste.40 suponer que un experimento adicional realizado en el noroeste produce los resultados de Ia Tabla 9-53.62. Bajo I.52 utilizando un nivel 0'01. Con referencia a los Problemas 9. 9. página 309. Solucionar el koblema 9. Demostrar el Teorema 9-2. 70 En el Problema 9-42. (b)la ecuación@0).Q.05 si hay diferencia en (o) fertilizantes. el ANALISIS DE VARIANZA 337 g.Q. Se realiza un examen para determinar si los veteranos o los no veteranos de diferentes I.60. Ensayar al nivel 0.05 si hay diferencias debido a (o) los químicos. t¿ Tabla 9-51 muestra los puntajes para una muestra de estudiantes universitarios de diferentes partes del país con diferentes I.62.01 si hay alguna diferencia significativa en los I. 9. Demostrar el Teorema 9-3. página 312.51. 9. Tabla 9-50 Alto I. . 9.05.

9.13? Justificar sus conclusione¡. 9.338 ANALISIS DE VARTANZA Solucion¡¡ el hoblema 9.69. Montar y solucionar un problema que iluetre el procedimiento en el Problema 9. Tabla $65 1 FACTOR ar6 863 FACTOR 2 BB L2 C64 Df 15 P" 18 Ae8 cs t4 De t6 cr 20 Bog Ae t7 466 co 9. De¡cribir cómo emplear las técnica¡ de análisi¡ de varianza para experimentos de tres factore¡ con repetición.63. Haga el montai dc un erpcrimenüo que conduzca al cuadrado latino Tabl¡ 9-64 FACTOR 1 de la Tabla 9-54.65.64. 9. 9. 9. ¿es¡rer¡rf¡ encont¡ar un (o) curdrado latino de Explicar. En ln práctica. Efectua¡ un análisis de va4ianza en el cu¿drado latino de la Tabla 9-64 a un nivel 0. Efectuar un análisig de va¡ianza en el cuadrado greco-latino de la Tabla 9-65 a un nivel 0. 0.06 y establecer conclusione8.05 y eetablecer conclusiones.71. lcAP.62 utilizando un niyol 0. las repeticionec. e 9. ¿Deberíen modific¡r¡e la¡ conclu¡iones obtenidas en el hoblema 9. 816 FACTOB 2 c2r 823 416 AL8 ct4 Bt2 ct5 l á18 9.21 hallamos una diferencia significaüiva en los días de la semana.67.66.68. es decir. 2X 2? (D) ¿un cuadrado greco-latino de 3 X 3? .69. 9.01. Suponer que en el hobleme 9.7 16 D66 Br7 Haga el montaje de un experimento que conduzca al cuadrado greco-latino de la Tbbla 9-55.

Apéndices .

.

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

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

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

0060 .0761 .8 3.3752 .0025 .0194 .3984 .u077 .1 .0113 .7 2.0079 .0037 .0058 .2516 .0 3.0006 0004 .0027 .1057 .0006 .0004 .0032 .0063 .0529 .0925 .0213 .16'17 .0003 .0119 .3448 .0051 .0332 .3187 .0022 .1872 .3352 .0040 .331 2 3 4 D 6 7 8 o 0.5 0.0067 .3939 .3572 .6 l.3683 .3 DA .0002 .Apéndice B Ordenadas (E) de la curva normal t ipif icada enz 0 I .0007 .2420 .0 .381 4 .7257 .1040 .0001 .0184 .3989 .1219 .0071 .3867 .2709 .0681 .0043 .0396 .2203 .3209 .1518 .1.2444 .0317 .2396 .0707 .2613 .9 3.2565 .0002 3.00r1 .0596 .1626 .1354 1.06{4 .0224 .13 .3910 .28i1 .0016 .3836 .0325 .0047 .1415 38 .0002 .0013 .2756 .0096 .1 tQ .0016 .0508 .5 1.3739 .0011 .Dl éo .0404 .1582 .0431 .0893 .0005 .3725 .0264 .0459 .2920 .0056 2.0015 .0012 .0101 .3230 .0010 .3372 .0171 .0030 -0022 .0277 .3980 .0029 .0007 .3485 .2323 .0246 .22i5 .0252 .0208 .0229 .0003 .0042 .0008 .0002 .000? .0053 .0010 .1 0.6 o.0241 .I942 .3332 .0055 .3932 .2850 .2t55 .3410 .0013 .0002 .2059 .07.0775 .0034 .0086 .0015 .2803 .0132 .0422 .1539 .0235 .2036 .0017 .9 2.3961 .0189 .3956 .0122 .4 0.3970 .0116 .3951 .0139 .3251 .3986 .0005 .0009 .0413 .3?65 .0088 .1127 .10?4 .3778 .1006 .0003 .0005 .0075 .r374 .0069 .3056 .6 2.0005 .0008 .01.0818 .1 561 604 .0004 .3 0.0219 .0012 .72i6 .0020 .1965 .3802 .3918 .0973 .0110 .0734 .1 804 .140 .1758 .0028 .2 3.002I .2t31 .1334 .0158 .1771 .2589 .0010 .1826 .3668 .2083 .3712 .0048 .0468 .3292 .0129 .0004 .1 109 092 1.327L .0310 .3605 .0009 .0036 .3521 .0093 .3144 I .0540 .:1825 .8 2.1669 .2637 .1989 .3101 .l lJf]4 .0198 .3989 .3977 .3697 .0050 .0002 .0608 .156 .r1f)7 691 .24!r2 .0498 200 .0290 .0007 .2 0.0002 .7 0.0004 .0355 .2072 .8 .1895 .0833 .0488 .¡ 3.0023 .0863 .00I7 .266I .1435 .0003 .0694 .0i21 .1 .0573 .0283 .3503 .8 I.2317 .0379 .3925 .9 .0003 .0014 .0989 .1.3989 .0371 .0669 .0478 .0003 .2966 .12 .2732 .1 .0363 .1145 .0081 .0180 .6 ¿.3637 .0 1.2827 .0008 .0073 .0551 1.2989 .o024 .0620 .0002 .0104 .0258 .0018 .0002 .2 .3902 .1736 .0099 .016:l .3011 .3079 .0014 .0270 .3988 .0025 .0632 .óooó .1 .l 163 .0957 .3467 .254r .3885 .0151 .3391 .2897 .01?5 .0001 344 .058.0004 . ¡ .0039 .1919 .0519 2.3894 .0909 .1 .2227 .1 .0012 .0126 .3538 .0203 .1 7.0033 .0.2t07 .0804 .237r .3555 .r295 .3790 .2685 .3589 .0940 .3621 .0046 .0002 .0009 .1182 .0003 .0020 .3 IA .3429 .0005 .0084 .0008 .0005 .l 2.3945 .0061 .3982 .0167 .0006 .0003 .0002 .0449 .0031 3.2295 .0154 .0019 .034? .3857 .0ri56 .0006 .0790 .0878 .24G8 .0387 .1315 .r023 .0848 .0065 .1781 .225I .2780 .0091 .3034 .010? .0044 .0003 .0 0.3166 .2 1.0002 .0339 oe OA .0r 36 .3876 .0036 .39?3 .3847 .2513 .0018 .5 2.0303 .9 .0026 .3965 .oI47 .0004 .0002 .0562 .0038 .5 3.0297 .8 0.1849 .

4854 .1554 .4920 .066? .() 3.3869 .4082 .4999 .4 .5 0.8 .1331 .3554 .4998 .1ts26 .4115 .4940 .4998 .4999 .4131 .3926 .4803 .4998 .L265 .4463 .9 1.2881 .0 2.4901 .4993 .4999 .4554 .2704 .0438 .4995 .3944 .2454 .4732 .4996 .4834 .3051 .44t8 .5 3.4904 .3708 .3170 .4838 .0160 .4999 .5 1.3643 .3 0.4949 .6000 .3438 .3023 .3389 .4664 .Apéndice C Areas baio la curva normal tipificada de0az 0 0.4887 .4222 .4976 .4972 .7 3.2064 .4649 .4772 .4994 .4699 .0832 .4545 :4633 .4916 .3413 .4978 .45L5 .3790 .4738 .3997 .4970 .4992 .4999 .4986 .4997 .4989 .5000 .1141 .0910 .2734 .4999 .6 L.4991 .4525 .0478 .07L4 .1368 .4960 .4798 .4986 .4994 .4982 .497L .4783 .1?00 .4990 .4808 .1808 .4996 .3962 .2642 .0279 .4980 .4906 .4997 .4394 .4966 .1 .4979 .4207 .4993 .4967 .4999 .4591 .7 0.3340 .4999 .2967 .4608 .4864 .0675 .4987 .5000 .1 1 2 3 4 6 6 7 8 I .4999 .4767 .4726 .4990 .3 1.2996 .4948 .3485 .1406 .48(.7 1.4999 .4998 .3810 .4878 .4999 .4616 .4706 .5000 .5000 .2910 .26L2 .4938 .4357 .1772 .4999 .0359 .4996 .4998 .0239 .4625 .4719 .4998 .1293 .4922 .4992 .4875 .8 1.2t57 .4452 .3907 .1591 .4999 .3461 .4979 .4332 .4998 .4964 .4994 .4995 .4913 .3365 .4988 .4985 .1103 .4429 .4756 .3186 .4573 .4983 .0636 .4773 .t443 .1L62 .5000 .3980 .4582 .4994 .4893 .4998 .6000 3.4989 .2852 .3129 .43?0 .4953 .4999 .0040 .1844 .3849 .4996 .4955 .5000 .4279 .4931 2.467L .4656 .4981 .0871 .4929 .4965 .4744 .1736 .2764 .4936 .4896 .4977 .4066 .2258 .0987 .2422 .4t47 .4998 .4995 .4793 .4997 .4932 .4998 .4319 .3106 .4992 .4995 .1987 .4996 .8 3.1026 .4999 .4974 .4962 .3888 .4998 .48L2 .4898 .4999 .9 346 .4998 .1 0.4909 .2 0.4941 .4884 .3830 .3621 .4750 .4997 .4968 .2t23 .2 1.3315 .9 2.2389 .4945 .4999 .2823 .3238 .0 3.4999 .0000 .0793 .4994 .4934 .2486 .3686 .0517 .487L .4990 .229r .4999 .4564 .2794 .4881 .4987 .4967 .4830 .5000 .3577 .2673 .4975 .2019 .4474 .3r 59 .1915 .4345 .2549 .4306 .3133 .4265 .4991 .4977 .4236 .4997 .2939 .0199 .4842 .4997 .4495 .2 ¿-D .2224 .4992 .3531 .1 .4997 .2088 .8 0.4778 .4535 .1664 .4788 .4821 .{o9t ..4846 .4890 .0319 .4999 .)( 2.0696 .4997 .0 1.6 0.4999 .4292 A25L .5000 3.4993 .1985 .4974 .4982 .2357 .4943 .4999 .4962 .4505 .4995 .485? .3289 .4993 .1879 .4686 .3508 .4192 .4995 .4032 .0754 .4911 .4 0.4986 .4969 .1 .2 D') 2.4991 .1628 .4981 .0 0.7 2.3665 .4 .4963 4973 .4997 .3078 .1517 .4961 .4868 .4996 .0120 .25t8 .4678 .4989 .4049 .4117 .4850 .1064 .2580 .1179 .4984 .4599 .4484 .3749 .444L .4999 .3599 .1480 .tzt7 .4925 .4015 .4999 .4998 .4951 .4999 .4927 .0948 .4984 .476t .4817 .4406 1.6 3.0398 .4959 .3272 .4956 .1960 .4382 .3264 .4918 .4999 .4693 .2324 .6 2.4946 .2190 .4099 r.0080 .4999 .4988 .4997 .4999 .

531 t.90 2.260 .86 2.32 2l 22 23 24 25 26 oa 28 29 30 40 60 .80 1. Stotistícal T¿bles for Bíological.66 t.860 .06 3.685 .694 4 6 6 .532 .258 .255 .76 2.28 t20 € .537 .542 .727 .858 .33 1.02 2.256 .36 2.688 .66 1.80 2.696 .L27 .534 .t27 .31 2.76 2.36 3.532 .683 .258 .33 .677 2.256 .68 2.02 1.46 2.18 63.864 .686 .649 .L32 .49 2.889 .00 2.06 2.78 2.7L 1.727 .82 2.128 .66 2.Apéndice D Percentilrr de (tr) l¡ di¡tribsción f de Student con z grador de libertad v úss ¿oo t.88 2.689 .03 3.64 1.62 2.645 t.L27 .842 Fuente: R.75 L.L29 10 11 .04 2.629 .256 .A.873 .50 2.76 2.540 .. AgriculturalondMedícol Recearch.690 .633 .72 2.539 .846 20 I.134 .858 .79 2.257 .73 1. Fistrer y F.626 .23 2.630 .L27 .128 .130 .856 .83 1.47 2.00 1.684 .266 .643 1.L27 .569 .68 .58 2.t27 .L26 .76 3.09 2.77 2.71 t.857 .84 4.47 2.879 .868 .83 2.130 .31 .674 .42 2.687 .11 2.711 .06 2.254 .70 2.535 .32 1.82 2.09 2.L27 .L0 2.263 .256 .r29 .t2s .259 .77 1.61? .8?0 .86 1.256 .546 .29 L.42 1.533 t2 13 14 15 .71 L.627 1.692 .54 3.32 L.126 .33 1.267 2.ongman Group Ltd.277 .534 .531 .90 2.34 1.zs üeo tso 3.07 2.257 .869 .68 L.32 1.?l 1.669 .70 1.289 .62 2.s.256 .36 1. Edinburgh).061 .r27 .14 .92 2.30 L.60 2.89 1.266 .66 2.48 2.76 2.01 2.L26 .862 .861 .941 .000 .684 . con permieo dé lo¡ autores y editorea.81 2.536 .40 1.538 .30 1.30 3.883 .r3 2.L27 . (previamente pubücado por Oliver y Boyd.08 2.t42 .t26 .44 1.158 .978 .5L 2.530 .45 2.531 .257 .691 .700 .531 .876 .3?6 1.255 .L28 .48 úes t.697 .896 .t3 2.t2 2.98 2.78 2.131 .36 1.258 r.6?9 .46 2.63 1.261 .32 L.128 . publicado por l.73 1.18 2.56 2.816 1.35 1.260 t.r28 .L27 .70 1.81 1.256 .70 1.7L 4.82 6.48 2.72 1.17 3.36 3.765 .920 .31 1.563 .706 .703 .34 1.96 4.76 1.64 2.848 .38 1.263 .26 2.L27 .06 2.32 L.856 .05 2.04 2.?8 .865 .856 .532 .11 3.137 .624 .254 .92 6.36 t2.sgs I .62 2.53 2.98 1.31 1.584 .681 .92 2.256 .60 4.863 6.861 .70 1.07 2.67 2.76 L.08 1.?18 .szs tse 31.856 .20 2.67 1.t27 .06 2.27L .32 L.66 9.854 .74 1.325 . 3 .L28 .84 2.686 .906 .630 .257 16 2.257 .71 3.727 .90 1.96 I7 18 19 .686 .50 3.74L .94 1.zo t.72 2.t6 2.34 1.683 .688 .96 2. .25 3.37 1.14 3.72 1.39 2.57 2.262 . Yate.33 8 9 .683 .31 1.866 .684 .3L 2.

1 19.23 8.8 14.6 32.4 35.8 12.6 r3.4 86.6 48.3 16..9 18.8 16.t 31.E 42.40 6.03 t.3 27.8 9.? 42.25 7.01 7.66 8.1 77.45 4.7 25.31 10.0 44. Vol.2 38.0 20.484 .6?6 .4 83.1 31.2 6t.L 80.3 27.41 ?.5 33.3 17.O tt.73 2.56 9.L6 2..9 63.2 26.2 18.26 7.66 5.6 47.1 27.872 L.6 43.5 20.9 35.34 8.6 109 1r8 130 t28 140 t24 149 Fuente: E.7 76.6 12.39 10.0010 .2 24.8 63. páginas 187 y 188.04 10.38 9.6 46.6t 6.L4 6.84 9.70 6.4 3.8 14.7 38.8 36.6 43.3 13.7 18.6 23 24 25 26 27 28 29 30 40 60 60 70 80 90 100 41.3 39.6 4.66 2.34 1.0039 .1 90.6 19.34 9.7 12. x?no X.3 46.4 37.1 12.2 66.8 44.1 45.6 56.3 18.6 32.3 I 1. 1(1966)' Tabla 8.7 28.6 36.t7 4.6 25.3 11.7 16.2 46.2 t3.7 14.1 t2.2 62.6 29.1 DD.2 11.7 46.5 20.6 36.3 18.2tL .37 3.4 32.26 9.7 28.3 49.8 70.8 t7.5 16.3 28.67 3.0100 .9 12.8 14.26 8.1 10.5 34.2 36.9 1t.7 73..26 6.92 2.6 88.6 33.0 14.3 22. xlo.9 13.06 1.3 .3 19.2 44.1 16.8 30.6 54.8 13.4 85.0000 .6 108 118 8.9 29.S.79 t4.3 5.1 28.7 26.67 9.9 48.56 3.7Ll 1.3 12.0 16.102 .9 68.Apéndice E Percontilas (¡f) de l¡ di¡tribución chi-cuadrado con u grados de libertad v x.554 .4 12.8 48.6 31.4 29.8 13.9 t8.74 7.6 19.07L7 .4 43.8 24.6 24.94 4.362 l.0 26. .8 24.989 1.81 6.3 29.4 32.8 16.7 7.tl 4.0 69.9 19.4 69.2t 11.2 11.0 11.1 41.6 22.8 34.2 67.9 40.L 30. x'.1 40.3 59.9 43.54 L0.3 96. x?o".90 27.4 16.6 21.8 18.57 7.8 26. 3 4 o I .8 14.6 40.0 22.2 37.1 ttz r26 13? 64.6 .57 t.0 104 116 l4 16 16 to.33 3.91 9.44 9.23 5.7 7L.23 5.2 28.3 71.3 69.l 22.9 20.0 36.6 30.0 48.49 11.99 7.9 2t.64 9.8 t7 18 19 20 2L 8.7 29.0 71.61 2.6 12.6 15.3 42.3 69.6 32.3 17.1 8.26 3.116 .35 6.0 19.0 62..6 90.8 40.7 26.0? 5.0 23.6 14.32 2.6 28.D'ID r.90 6.3 16.5 96.02 7.3 r6.78 9.E4 6 .2 16.70 3.0 r 7.3 13. Pear¡on y H.3 23.1 .? 37.0201 .6 74.35 5.3 67.O' X.6 28.6 L2.3 49.2 59.3 53.1 52.63 ?.6 20.3 13.36 4.0 L07 6.8 67.6 16.291 .64 .39 6. 347 .69 2.3 20.83 3.3 61.2 88.7 34.3 29.o 22.58 8. con permieo de lol autore¡ y editoree.4 40.09 2.831 .8 55.6 61.5 16.8 t9.4 40.8 32:0 33.6 66rB 56.6 50.4 31.6 24.0002 .34 10.7 37.60 3.7 39.7 47.4 34.60 5.20 2.8 43.9 26.1 13.6 tt.18 2.39 2.2 61.3 10.86 11.8 67. t3.2 74.0 13.6 46.7 66.2 11.8 20.9 40.9 17.06 3.5 24.3 73.3 24.87 6.3 61.3 99.1 12.63 6.24 10.7 37.91 7.7 2.0 4L.684 1. Hartley.84 5.96 8 I 10 11 4.3 61.3 22.4 42.9 39.0 17.6 61..4 23.1 13.9 23.455 1.88 10.63 7.2oo¡ xlo. Biomelr:iha Tobles fo¡ Stotitticíane.89 6.8 20.3 79.7r 4.4 20.2 31.30 r6.73 3.3 89.6 26.3 30.2 10.01 5.3 26.8 28.6 92.0 x2ot x'"0 .7 99.3 32.9 34.0 27.26 6...4 16.8 79.gg x?rn y2 ^-00e .8 38.6 2L.4 L02 113 rt2 t24 136 98.3 14.2 14.3 35.6 13.L 2l.7 14.6 17.9 L6.25 5.3 2L.24 1.7 16.2 '19.59 10.6 79.9 34.2 29.4 13.3 16.0 27.81 9.7 2t.7 18.11 5.472 .43 8.1 37.30 7.6 46.4 63.6 36.1 16.58 6.7 23.3 15.1 37.3 23.7 60.35 7.1 10.2 29.6 22.07 4.3 82.6 41.2 35.57 6.1 39.5 43.7 23.15 1.0 t2 13 18.49 2.0158 .6 9.O.9 30.6 24.0 17.0506 .24 1.8 45.82 4.3 X.3 45.2L6 .57 4.2L 1.6 14.103 x?.89 10.207 .77 4.1 27.3 49.9 11.7 33.3 26.8 26.2 12.0 33.9 11.3 t6.7 22.63 8.3 2L.3 32.4 100 t2.3 18.07 3.2 94.3 49.6 38.04 7.r7 2.

07 3.30 L2 13 14 15 16 L7 18 19 20 2.9L 2.34 2.29 3.62 2.60 2.57 r.LL 2.43 2.34 2.32 2.99 1.91 1. S.59 8.L2 9.63 5.27 2.71 3.07 3.75 2. Hartley.82 2.01 2.87 3.62 4.01 2.49 2.23 3.95 2.97 r.37 2.56 2.53 2.L5 2.98 2.40 2.84 3.61 2.5 19.89 1.90 1.47 3.81 8.4 19.37 2.0s 1.63 2.44 3.5L 2.1 7.86 3.70 2.84 2.60 2.21 4.92 2.86 1.90 1.38 3.45 2.66 1.77 2.77 2.45 2.7l 2.35 2.07 4.79 8.95 4.57 2.22 3. .96 1.l I D.97 1.62 2.25 2.46 2.83 2.84 1.01 2.64 3.71 2.04 6.L6 2.93 2.96 2.35 3.96 1.29 2.14 3.12 3.70 2.55 2.2r 2.03 4.54 2.32 2.08 2.40 2.92 1. Eiom etriho Toblec for Stotíaticianc.38 2.87 r.25 2.?9 r.91 1.73 1.27 2.58 2.96 4.79 2.42 2.?3 3.01 1.24 2.34 2.17 3.68 2.86 5.03 2.35 4.t9 2.35 7.83 t.85 1.07 3.81 1.66 5.84 1.85 6.48 2.33 3.08 3.19 4.32 2. (1972).23 2.96 1.81 3.28 9.53 2.98 2.53 3.84 1.69 1.61 19.40 2.89 2.t0 2.04 3.6? 3.99 5.85 2.23 4.06 2.59 5.12 2.59 2.48 3.5L 2.03 ¿.37 2.84 40 60 t20 t.r2 2.44 2.77 4.15 3.50 1.00 I.27 2.42 3.42 2. página 178.76 1.94 1.95 2.rL 2.30 2.57 2.60 3.53 2.16 2.25 2.81 t.4 19.16 6.30 2.45 8 I l0 11 5.30 4.28 4.34 3.21 4.46 2.7L 6.74 1.18 3.20 2.46 2.65 2.16 2.rL 2.20 3.97 3.53 r.r7 4.62 2.00 2 Fuente: E.94 1.74 2.26 3.15 4.93 2.84 3.85 2.58 1.90 2.02 2.43 4.49 2.5 19.01 8.11 3.34 2.29 2.05 4.27 3.05 2.30 2.72 5.14 3.51 3.26 2.23 2.26 6.75 4.0r I | 4.76 2.61 2.44 3.12 2.L0 2.09 2. ¡O 5.03 1.50 4.60 4.13 2.84 2.t6 2.64 2.49 2.00 3.57 2.47 2.94 1.8z r.40 2.66 2.25 2.42 2.39 4.62 8.66 8.56 4.44 3.r8 2.75 1.Apéndice F Porcentila 95 (nivele¡ 0.87 2.07 2.96 2.49 2.92 3.87 3.5 19.2 19.64 2.09 2.41 3.t2 4.01 1.t5 2.31 2.?0 1.4 19.3L 2.2L 2.66 2.87 t.77 t.69 4.18 2.74 4.38 2.37 2.54 4.64 2.92 1.36 3.34 2.38 2.1L 2.69 5.18 2.94 8.10 2.4E 2.04 1.46 4.45 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 18.73 4.06 t.39 3.35 3.93 1.28 2.68 4.40 4.0L 1.92 2.67 t.01 1.22 2.24 2.L2 2.06 4.24 2.75 1.26 3.05 2.66 2.39 6.35 2.91 1.46 2.76 2.59 1.49 4.01 2.t0 | 4.37 3.92 1.96 5.58 3.54 2.90 2.69 2.07 2.38 3.98 2.47 2.28 3.50 3.42 2.54 2.55 8.66 2.54 2.lL 2.74 2.93 5.90 2.49 2.33 2.01 2. con perrniro de los autoreo y eütorea.4 19.67 2.45 2.22 1.64 1.82 t.99 1.08 4.99 1.60 2.88 4.35 2I 22 23 24 25 26 27 28 29 30 3.86 2.04 1.88 1.78 2.35 2.69 3.92 1.32 2.05 4.91 5.18 3.78 t.90 1.75 1.2r 2.39 t.07 1.r3 2.84 1.91 3.69 3. l'.76 1.24 2.r9 2.96 2.20 2.L5 2.62 2.90 2.89 1.81 2.84 1.83 2.87 1.64 8.3 19.35 2.66 2.96 1.88 1.2q 3.6 10.01 1.84 3.00 3.L2 3.70 I 2.95 1.69 1.26 2.36 2.23 2.46 2.79 3.23 2.59 6.28 2.25 2.57 8.57 3.DD 1. parr le di¡tribución F u1 grados de libertad en el numerador /2 gfados de libertad en el denominador ><.58 2. Pear¡on y H.94 1.27 2.46 2.39 2.46 2.?0 8.74 4.7L 2.70 2.34 3.20 2.98 1.31 2.63 3.4e 3.51 2.08 2.74 2.36 2.38 2.79 t.76 1.98 1.(}51.tl 2.80 t.5 19.65 2.11 2.L9 2.04 1.49 3.68 3.53 2.59 3.48 3.39 2.06 2.63 6. O.4 19.4 19.41 5.85 2.7l 1.62 1.93 1.41 2.83 2.20 2.99 2.96 t.74 8.19 2.94 2.65 1.95 1.30 3.09 3.L3 2.46 1.06 2.79 1 a^ 1.55 2.g¡.20 2.7 4 2:28 2.5 19.2 19.85 1.79 L.43 2.71 2.r5 2. Vol.42 2.37 2.06 2.56 2.80 2.r7 2.6L 2.16 2.85 2.3 4 o 6 I 19.02 r.79 2.89 8.L8 2.01 4.93 1.53 4.13 3.22 2.87 3:70 3.42 2.0Q 2.29 3.59 2.5 9.09 2.80 2.78 2.82 4.07 3.8L 2.53 2.6? 2.10 4.68 t.60 2.52 j 3.6L 2.22 2.89 1.79 3.67 4.85 8.41 3.41 3.32 4.76 4.77 2.97 2.22 3.68 2.20 4.61 2. Tabla 5.61 I.33 2.84 4.77 L.15 2.00 5.28 2.7r 2.24 3.02 1.34 2.88 4.76 2.09 6.84 1.27 2.L8 2.70 1.03 1.25 2.73 2.80 a.96 4.10 2.43 1.64 2.29 2.76 2.4 19.L0 2.18 2.47 1.53 2.94 3.31 2.28 3.92 4.32 1.

76 4.42 3.25 3.46 6.23 5.42 4.35 2.3 28.44 4.06 4.7r 4.67 9.46 7.62 4.92 2.31 4.07 2.93 6.31 7.04 3.40 3. 2 (1972).41 9.00 3.40 2.84 9.2 18.98 2.68 8.26 6.39 4.30 3.011.20 4.43 4.31 2l 22 23 24 26 26 27 28 29 30 40 fó 4.00 3.r3 2. para ls di¡tribución F v. página 180.96 3.01 .23.66 2.89 3.46 3.95 5.52 2.9 99.99 2.40 4.57 2.10 L2 16 20 24 30 40 60 L20 @ 4062 6000 5403 6625 5764 5859 99. Pearron y H.29 2.4 99.4 26.0 9.64 3.39 6.49 2.6 13.16 3.41 3.60 2.38 2.46 5.08 6.77 4.90 2.4 9.64 4.76 2.02 7.5 14.60 '7.93 2.52 3.21 3.92 2.39 4.26 3.72 6.42 5.79 60 2.70 8.2 9.29 2.10 8.18 3.03 5.54 5.62 2.72 7.30 3.70 6.54 20 9.4 27.7 16.2r 5.68 3.00 2.85 7.06 6.78 3.09 3.35 4.22 3.5 9.35 3.12 3.30 4.65 9.86 3.61 4.19 5.42 3.47 6.21 3.78 3.36 4. Tbbla 6.64 4.2 ?.66 99.23 6.?9 3.64 3.l 8 I 99.02 3.99 5.00 t20 Fuente: E.56 2. Vol.08 3.96 4.02 6.11 6.7 10.r 26.74 6.8 10.00 2.87 2.3 10.70 2.54 4.16 5.67 4.15 8.86 4.86 6.04 4.32 4.17 3.94 3.01 1.5 13.45 3.44 4.oD 8 ?.t7 2.67 2.13 2.94 1.22 4.43 3.07 5.22 5.56 3.54 3.02 7.89 4.56 5.56 6.6 5981 6023 6066 6106 615? 6209 6235 6261 6287 99.72 5.59 3.94 3.09 2.8 99.84 6.51 3.45 s.4L 4.4.0 15.63 4.88 2.80 6.07 3.03 3.68 7.13 3.57 t2.10 2.26 2.O.86 1.07 4.70 2.58' 2.29 8.36 2.17 3.29 3.78 3.16 3.60 4.91 5.49 2.31 3.41 2.69 3.35 4.82 4.3 8.50 4.47 2.32 5.10 4.üb D.72 7.64 7.91 6.?5 8.67 3.38 9.L2 1.72 5.0s 1.2 99.94 2.30 7.74 4.sz 2.11 2t.61 o.4 99.03 2.75 3.80 3.75 2.81 6.06 4.55 7.7 14.66 4.18 3.93 3.65 2.t4 4.92 2.70 3. gFados de libertad en el numerador v2 grados de libertad en el denominador x1 I 98.31 3.95 4.se.5 34.72 2.37 3. 8.94 3.07 4.55 3.82 7.56 6.S.96 2.2 14.44 2.r7 3.3 13.60 3.65 8.78 2.18 3.59 3.36 3.10 6.40 8.73 7.02 2.66 6.46 2.03 2.66 2.47 t4.07 6.67 6.80 2.60 6.L2 2.43 3.0 16.47 3.86 3.40 6.8 99.83 3.09 3.36 3.37 5.99 5.L4 5.87 3.6? 3.20 2.00 2.63 4. l4 15 16 4.63 6.7 27.53 3.36 6.86 4.31 4.69 3.56 4.49 12 13 6.30 3.62 3.91 .1 a.06 2.84 2.5 26.?0 1.99 6.17 3.88 2.67 2.66 3.54 t7 18 19 4.76 1.04 3.80 5.00 2.2 29.15 2.5 26.81 4.47 5.83 2.7? 7.68 4.34 3.78 9.42 2.42 6.70 3.88 7.3L 6.65 3.58 4.64 6.88 5.37 4.3L 2.69 2.L4 4.4L 2.11 6.29 6.03 2..74 2.96 2.t4 5.66 2.96 I 10 11 .19 11.72 2.31 9.89 3.16 3.6 14.3 L2.63 5.2'.63 8.29 7.61 6.33 2.18 5.31 3.3? 3.APENDTCE F 349 Percentila 99 (niveles 0.26 4.10 3.01 6.93 z.99 3.ó9 3.33 3.67 5.0 10.9 9.3 14.63 2.5 26.21 2.20 4.87 4.02 7.90 3.68 99.26 4.28 4.76 3.01 3. con permirc de lo¡ autoree y editoree..25 4.98 6.23 3.0 30.19 2.52 4.60 4.2 9.12 3.62 4.7 13.43 3.ó 16.tL 3.51 3.66 2. Biomeúiho Toblec for Statbücbnc.89 3.10 4.09 3.39 2.9 99.61 6339 6366 99.56 4. Hartley.41 3.94 4.42 2.45 7.26 3.89 4.78 3.18 8.1 6.0 9.81 3.51 s.87 6.84 2.50 4.40 4.84 2.49 5.59 1.64 2.28 4.82 4.5 10.52 3.7 10.89 7.4 13.48 3.18 4.55 8.32 3.46 3. 3 4 o oot 28.6 9. .38 1.5 26.36 3.2L 6.60 3.93 4.74 4.68 2.99 b.33 4.01 3.34 4.16 3.01 5.39 3.30 3.03 1.08 3.86 3.10 3.12 4.Ll 2.03 3.17 4.54 3.51 3.78 3.4 27.37 2.2 13.86 2.7 99.2L 3. 3.65 6 .85 4.20 2.63 3.95 1.1 7.26 3.60 1.36 2.59 6.19 l0 99.2 16.63 3.71 3.72 4.78 2.46 3.54 2.97 6.32 2.75 2.l 11.o J 2.89 4.23 2.62 5.66 4.4 27.3? 3.65 3.50 2. 3 4 o 6 .b8 2.20 4.5 26.86 8.26 4.13 3.4r 5.94 3.46 2.82 4.71 3.25 4.oo 7.95 7. F.3 27.66 2.L7 4.33 8.6 10.1 13.85 2.80 3.4 11.59 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

\ +(et/2+e-t/2) = cosht (ó) p=0.77. 3. (a) (3r +2\/(6r*3)para0 5 ¡<i t¿l lsu+Z)/(6u*3)para 0 = a = | 3. 7/0 (ó) 6/5 3. 3.44. pá: t6/5. (a) 1 lb) 7 (c) 6 3.E4. 3.RESPUESTAS A PIOBLEMAS SI.E1. 3.7 3. o*=1/t5/ZO 4 (b) 2 (c) . (o) (a) 1 (b) I (c) rla (c) 3. (c) 315 3. 1e/10 (¡t') 6/6 a/3 @ 1 \Ng 3.(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) \. 3/2 n (b) -2e/6 Lla !4 3. pí= 2. 3. p3 =-L2lll60. pi= Al=0.43. 3. 10.6E. 3. (c) 1/(1¿). 3. i¿l p4=230718960 2a 3. 3. 3/2 (bl 3e/4 (a.ó6.62.60. (e2ia-Zie2ia-ll/"2 (a) (¿) (¿) Lr/144 (bl rr/L44 1c¡ t/iJttz (¿) (¿t) \/-LUr2 (e\ -L/L4a 0 -!rr 1 .67.50. ú= (a) h=0.\klzk+t(k+ll I qeiab co)/ao 3.55./m/L8 (d' \rzssñ8 (e) -9L/32a (Í) -sr/235 4 tb) 4/\/35 -t/tst¿. pn=33 (c) (bk+r'st<+r)/(k* 1Xb-o) peiaa (sen (ó) [1+(-1)k](ó -a. pl:L L6/3 3. (a) (a) 2/3 (b) 2/3 G) aB 7/a (c) @\ Als 3. 3. Fz:3/80. yí= 6. (tr'l 3/4 (bl L/4 (c) 7/r2 (b) 7/6 (c) 7/4 (d) 2/3 (a) (a) (e\ U) 2/3 @) (¿) I (bl 2 I 3.79.61.72. 3. 3. (o) 1 (b) (o) Var(X)=5.82.68.E0.ezt\/zt2 (D) p = 4/3. 3.74.5e. 3.62.45. Fz:5. pí=0. pz=7-. 3.46. 3.54. (o) (f + 2te2t .69.57. pí=1. 3.66. 3. (a\ l/2 parae>O (b) lParay>0 . 3.83'.47.64. p¿=35 (b) pr = 0. pi= 2. ps: -5. nx=lE (al (a\ (ü) Var(X)=3/80./3s12 3.'PLEMENTARIOS CAPITULO 3 3. 3.65. <1 (ó) p = l. Ft=2.5 3 (b) r3n/6 (a) 35112 @\ (ü \Elm.48.78.

358 RESPUESTA"S A PROBLEMAS SUPLEMENTARIOS 3. (a) x E(Y 0 I 2 (ó) Y 0 I 716 2 lxl 4/3 I 6/7 E(xlY) (ó) 4/3 u2 3.90.124.1)/4 (c) 16/81 3. (¿) 3.8/2 (ü) 1/3 (c) 0 .###parao < nr 5r 3.e2.10a. (a) 3.10E. 3. (a\ L 3.[o ) 3. (al 3. (o) 0.17 (c) 0. (¿) 1/y'5 3.eziarlznl u) 12/6 3.1or.116.05r 3.103.ze-t (D) no existe (al 2(\F-Ll/3 (b) L6t7 2 0 2 7/3 r/3 2t/2 (b) e 3.. (o) 1 I (ü) (ó) (y'3. (b) 2415o (ü) e (al (a) (b) 6/e (b) 1/18 (c) (et * 2e2t + Sezt)16 (d) (d) (eto + 2e2to + 3e3.91.118.89.113. (bl 3614 (1 @l atg (b) 2/e L (c) * 2te2t - e2')/2t2 (el -2\/fr/r6 (d) -(1 + zibe2ia . (o) no eriste (ó) (c) 3 -1 (c) e-z *0 3.L22. t"l . . (o) 3.120.125.114. (a) (b) r/4 (b) 0. (a) 3.f 6/9 7lr2 o 3.126.119.5 02.121 . (d) 1- (1/\. 3.94.100. (o) (a) 3. (o) (c) 8/16 1-+y'3 (bl v2 3. (o) 3. (o) (c) 3 (ü) 3 3. (o) (ó) ln 2 (D) I 3. (o) 1 3. (a) r 2 0 (ó) 8(21/2-r)/L6 (D \.109. ffiParao rle (b) 1 6x2*6n*L s r:< I .o)/6 (a) -7/27 (c) 2(et-l-t¡¡¿z -Z(e--l-ü¡¡"2 (e) r/136 3.r/r-tsnflo) (ó) \F@i @ tlfr.85.105. (a) x Var (Y lX) 0 5/S I 416 2 (ó) Y Var (X I Y) 0 I 2S/36 2 24t49 3.123.127.

67.0% (c\ 93.t"/o 0.a7% 4. (o) 0. 4.7t. (a't (a) r/64 Ua 250 (b\ 3/32 (c) l5/6a @\ 5/L6 (e\ 15/64 (l) 3/32 (g) Ll6a (b) 11324 4. 4.66.995 0.80.224r (e) 0.4 (¿) 0.69.E1.75 (b) -1. 641243 25 (c) 500 4. 4.E3. -0.90.0658 4.2991 (c) (o) 0.626 ó 0.66. 4.87.9500 0.6826 4. 4.550 (c) -0.1342 0.0687 0.03?5 0. 4.9962 (b) 0.82. 4.7123 0.s27 1.2511 (b) 0. 0.77 (c) 0. (a') pl (b'l npq(l - 6ps\ * 3n2p2q2 -1.05610 (b) 0.91.77 (a) npq(q (o) 1.0668 (a\ 20 (b) 36 (cl 227 (cl (d) 40 @) 15% 4.64.08 (d) r. L93t5t2 (a\ @) 32/243 (bl re2l243 k\ a01243 (dl 2421243 42 (b) 3. 84 (bl 8.89.06131 .849 (e) tt. 359 CAPITULO 4 4.9198 (c) 0.68. 4.63. (c) (p) 0.93. 4.76.0838 (b) 0. 4.8?67 (b) 0. 4.G¿s 4.0?86 (c) 0.0089 (o) (o) 0.t9.78.85.4% (bt 23. 4. (a'¡ 6L. 4.726t (/) 0.e265 (d) 0.9495 (b) (ó) 0.049?e (ó) 0.7% (al e5.76.86 (c) 2.84.1127 (dl2. 4.3% (a) (o) (a) (o) 1.0154 (e\ 0.6404 (d) 0. 4.I RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS .1494 0.90 75. 11/16 (dl 518 (a\ r7lL62 (a\ (a) 5/16 (c) 4.15 (b) 0.1008 (c) o.0567 (b) 0.62.0286 (d) 0.1680 (/) 0. 4.73.5976 (c) 0. 57/6a Q\ 2r/32 (b) (ó) 4.2241 (d) 0.E8.03eb .4232 (o) 0. 4.5. 4. (al93% 4.E6. 4.92.6 (b) e (b) 72.61.74.7% (b\ 54.0079 0.

62 (b) CAPITULO 5 (c) 0. (o) e.136. (a) (d) (el 2.40 oz. (a) 4.gs (e) z.7 (b\ 4.130.r03. (a) 0. (a) e.1? v 7!r= !4.8 68.0e (c) (c) (c) (c) 1.005? (b) 2 (c) ninguna (dl 24 6.8164 (ó) 0.2 4l.94.2 (c) suponiendo áreas iguales en las dos colas. (¿) 4.0 (b\ 4.0918 (d) 0.138.0228 (c) 0. (a) L22. (a) (ile)/Q?) .128.360 RESPUESTAS A PROBLEMAS SUPLEIVTANTARIOS 4.l 86.76 1.68 2.136.s a8.L29.B 4.5 (b\ 4.53.55.166 6.60 3.r2o.tr2.r?r.Lo4.75 2.0 (b) (b) 4.1 4. (o) sx = 22.L32.s 20..s? 4. (a\ 3/4 .1033 (c) 0.51. (c) p. (a) 0 4. @\ 4. (a) 1.4O 0. (a) r 4.40 o¡ ligeramente menor que 0.rr3.4 ft\ *e-tn -1"-.ro9. (a) 9.? 3/4 16.03 (¿tl 2. o* = 0.3/8 4.1b82 (c) 0. (a) 201.000948 (ó) 0.o rí.829 1. (Q 4.04462 (c) 0.0000 . (o) B0.L26. 0.47 (c) e.r y 26.47 (c) 9.111.BB (d) -0.160? (d) 0.71 (ó) (b) (b) 1.81 (bl2.73 -0. 82S\fe (b) (ü) (b) 2(b-al4/6 e/5 113 6.0620 4.58 5.t : 5.008 = oz.13?.0 (b) 4. ¡2.0 (d) 8. ('f) (l?)/(l?) (iSX?SXtt) sla 0 (b) (ó) (ó) (ü) l(¿ocoxzoc2ol+(4oc'l(nctsl* (qoc)(ncnl)taoczo 4.00J8 (d) 1. - 2. (a) 237 22.000295 4. @) 2.8b2 (e) 0.008 oz oz (ó) (b) pX pX = 22.49. 22.48 4.ro2.s5 z. Ll4 aJLa.) 4'106' (c) 4.16 5.2 (c) (c) (c) 2B..50. o* = 0.40 oz. (a) ?0/429 (b) l/143 (c\ L42|L4B 4105 (.101.4972 (ó) 0. (o) 5/3888 (b) 5/324 4. oi : 6. (a) 2.3 (d) (d) 55.128 (d) -1.861 (.2 2s6.LB 4.75 1.L27. (a) 4.00248 (b) 0. (o) 0.84 (d) 4. (a) 0.62.35 L7e.34 2.00g oz oz oz.b9 84.2 zr.9544 5.L4L.64.6e64 (/) 0. (a) 0.0 (d\ 2.

1841 (cl (o) 118.0064 (c) 0'4504 5. 5. 5.003 pulg.50?.33? 6. 78 á. 80Eo.108.33?6 pulg. (a) 2 6 6 (b) 996 (b) (c) 218 12 5.72642 pulgadas 26.47 (ó) e = 5. (¿) (o) (¿) (b) (b) 0.49 (c) 0'28 5.68.0006?6 pulgadas (b) 72. 1199.60 1'.01 (b) menor que 0. 6.60 5. (a\ 2.0% 76 5.86 (ó) (c) -e1 (d) 63 . 86 5.2 6.t1 5.0019 (ó) 0.8869 28.1%.L6 (ü) 0.72. 0.10 5.o% 78. (o) 0.105.322.91?2 6.99. (o) (o) (ó) (ó) 11. (c) 0.36 (ü) (ü) 0'17 0. 5.62.60 0.90 5..0. 0.01 (b) entre 0.6.94.6% = 0.6 (fl @) a6% 100 (horas) (s) 62/a00 (h) 25. (o) 10. (a) 5. .06 pero máe cerca a 0.76% S. (a) menor que 0.t7. 5.7L.6% (il 0't ts. (a) 24% (b\ rL% 5.166 ó 16.?9 0'0228 lb (b) 0.97.LL2. (a) 82 6Jo2.113.92.81.3204.59.26 5.20% ton.66.E6. (c) 146.9 lb 5. 11.93.0.0136 0.01 (c) menor que 0.9t. 0.?33 (c) 0.65.a84 5. O.00496 pulg.01?9 5. (¿) 0.7349 pulg. (o) 0.1o9.73. 5.96. 501.3196.11 5.63.326-0:328.6 (d) 10995. 5.49 0. 5.09 tons.. (al 4018 6.74.100.00?? (ó) 0. (b) 0.1.76. 0.tO.0482 .326.101. (c) 0.9596 (c) 0'1161 .67 0. (o) 5. (o) 0.01. . 6. 6 0 -1 (ü) 40 4 6 (c) (c) 288 (d) (d) 2188 (b) 0 26. . 0.106.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 5. (o) 0. 99.0316 5. .?4 lb I 2 (d) 126 0..8664 (c) 0.323-0.01 y 0.56.60. (a) ?99 (ü) 1000 (e) (c) 949.8 lb. 8.111.0028 (b) 0. (ó) 0. 0. (c) 0. 5. 6. (ó) 38. 5. .82. . 46 (@) 0.3226. 5.104. (o) ñ = 2.33f0.7o.2160 (b) 0.3%' 99.0026 6.3265.e5. (@) 0.00 6. 12.0 s ?9 5.5E.

298 0.0? (b) 0.127.25.?0 r 0.69 I 0.18 tons. (a) 11. 6. 0.¡'TARTOS 5. (o) (b) 105.118. n4= 0 -0.36. rn2= 5. 6.36. Las estimas de las media¡ de la población son 1200 hora¡ en todos los casos.241 7.?3 onzas onzae (ó) Z.546 2. 0.00002b pulg.9?.125.12 hr t 0.22.09 t 0. 2.045 0.29.38.123.7.12t.tu.000060 pulg.30. 0. tb9 5.22 0. (d) 032642 a 0.000025 pulC.116.e5 5.045 6. 6.2 106 (ü) (b) 8. L9. 0. (o) al menos 96 (ó) al menos 68 (c) al menos 16? (d) al menos 225 900 (o) al menos (o) 7. 6.130.112 . -1r7. = -3.5 lb (b) 0. (o) ?8.2 (d) 7158. 26.7.97. (o) 0.62 6.40.Se (ó) ?.?8 y 0. 101. (b) 0.000072 pulg.0586.030 eegundoa (D) 0.82 0.24 lb2 (c) 0.0090 CAPITULO 6 e.4 hr Las estimas de las desviacionee típicas de la población para los tamaños de muestra 30.09 t 0.r5 (c) 0.124.16 onzas 0.96 onzas t t I 0.09? (c) 0.35 (e) 26.33.72642 + 0.72642 t 0.5 horas.72ti42 t 0.0 y 100. (a) 5. 42 5.39.000085 pulg. 6.3?. ms = 0.38 I (a) 0.38 (a) ?.049 segundoe 6. (o) 0.41.36206.131. 5.62 r 0. 101.2 (b) 0.u (o) al menos 323 hr (b) al menos 560 (c) al menos ?66 (b) 1.53743. ó.?0 * o.4 4 (i) (il 706. m1- 89. (a) 0.24 tons. (¿) ffiz: 0. (a) 6. (a) 0. 0.72642 + 0.L2.82.2344.88.74 5.2464 (b) 52. (o) 0.115. 0. 6. (a) 1200 hr 6. 60 y 100 tuboc son respectivamenüe. 6.31.073 i 0.428 24.6.117.298 t 0.28 (b) (s) ?8e.38 384 (b) al menos 221 (c) al menos 666 (d) al menos a 1. (c) 0.128.86 lb reepectivamente 6.68 a 0.34.43.126. 1193.0ab t 0. m1 :0..70 t 6. (o) 0.11 (ó) 0. (b) -4. 7 RESPUESTAS A PROBLEMAS ST'PLEMEI. (q') (c) e2. (o) 9.09 t 0.000095 pulg. m1 = 0.84914 6.122.38 (hl 22. 0. (bl 0.41. (o) 1.0696 r¡¿o 560 (c\ r.94 Laprimeradistribución (a) la aegunda (b) la primera 5.1 ó.07 t 6.18. (ó) 11. 0. 6.362 ó.129.493e (b) 5.20 (f) 7. 0. -0.

269 (o) 0. I _ ()rr)/r¿ 6.5). ?.60.944 (b) 0.6 ¡ a 1g0. (o) t¿. 6.9a1 a 2. k = -lln - (ct.05.56.5 a CAPITULO 7 7. (o) a 230.99.63. El re¡ulüado significativo al nivel de 0.6% 105. 139. rechazarla en caso contrario. r = .654 a 1. y se acepta en ceso contrario (o no se toma ninguna decisión). (a) al menos 87.31 onzas 6.14 (a) 0. (a) (IIe: p=0. (a) 1800 t 6. 7.ó4.01 en (o) ni en (b).4E.06? a 1. 7.8 t 0.62.) (e) t2.52. (b) Se puede rechazar la hipótesis d nivel de 0.05 en ambos en!¡ayos. (c) 106.00 (ó) 13. 7 No se puede rechaza¡ la hipóteric al nivel de 0.65. 6.17. 0.4 horas hora¡ horas (b) 78.15 6.8 (b) 0.0 4802 (ó) al menos 8321 (c) al menos 11. (a) 6.69..49.9 6. mediante un ensayo unilateral en ambos caso8.5).673 a 2. kt') 0.05. es 7. 1.20.70 6.1 horas 6. Sí.58. (d) Rechazar lfe ei se extraen más de 41 bolasrojas.5 horas (b) 88.6 horas 2400 ! 59 libree (b) 87..1 a 288.06 (c) t2. (c) Rechazar 116 si se extraen más de 39 bolasrojasy acept:ula en caso contrario (o no tomar decisión alguna).68.458 a 4. (o) No se puede rechaza¡ Ia hipótesis al nivel de 0.24 249 onzas lb (ó) 63.78 (b) 0.63.79 kl) t2.5 (ü) 102.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 363 6. en ambos nivelea. 6. Se puede rechazer la afirmación a ambos nivele¡ mediante un enaayo unilateral.58 e 2. .Bb 6.8 l: 0.45..(b)0.58.46.1 a 148. 7.61.1 a 140.50.138 a 10.64. (a) 63.02 (a) 0. 2400 t 45 librs¡.70 (b) 0. (a) 0. 86 lb (b) 1800 t 328 lb (c) 1800 t S82 lb 6.?41 a l. -= 3' 2tritl "'+r3l 6.r.ó2.66.lre 24 y 40.250 6. (a) Aceptarlahipóteeissilasbolasrojarextrafdasestánent¡e22y42 rcchazarlaencasocontrario.69. .67.259 a 5.51. (c) Aceptar la hipóterie ¡i las bola¡ rojac extrafdas esüán ent. (a) 95. (b) Ensayo unilateral.9 1?0.2606 7. (Hi p> 0.7O.519 a 7.8 horas 6.

Las frecuenciae eeperadas son 41. 13 y 2 respectivamente.86.71.2. Un ensayo cambisdo.3rL2 8.36. 39.RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS 7.5.7.0118 (c) 0 (d) 0 (e) 0. . Mediante un ensayo bilateral al nivel de aignificación de 0. 23.64 (ü) 0.1. El aparente incremento en la vai'iabilidad no es significativo a ninguno de loe dos niveles. Un enrayo unilateral indica que no disminuye la media a ninguno de loo do¡ niveles.76.82. 7.1 y 1. 7. 7. 7. (o) Un ensayo bilateral indica que no hay diferencia en la calidad de fabricación al nivel de 0.78. pero no al nivel 0.06.2.06. 7. 4.1O0.01.0.2. 7.0 respectivamente.72. No podemos concluir que la primera varianza 8e¡ mayor que la segunda a ningún nivel.7 y 0. 9.0118 7.83 onzae (c) 8. 7 (a) si (ó) no . E aparente decrecimiento significativo al nivel 0. 0.05.34.3.01.01.7ó.t9.?. 15.0.96. Concluirfamos que el resultado no común al nivel 0.?.81 ln 7.05 pero lo es al nivel 0. bilate¡al muestra que no hay eúdencia s ni¡guno de los do¡ nivdes de que la duración media haya 7. Podemos conclui¡ que la primera varianza es mayor que la regunda a ambos niveles. (b) Un ensayo unilateral muestra que I no ee mejor que A al nivel de 0.1. E resultado es significativo a este nivel con un enar¡yo unilateral. 7. 21.9.4.7 Un ensayo unilaüeral muegtra quc la diferencirr e eignifrcaüive eB al nivel 0. 7.7 respectivamente.E5. pero debe introducirse si el nivel de eignificación adoptado e¡ 0.05.01 . f (x) = T.79. y 4. no ¡e deduce que haya diferencia de acidez.6. Las frecuenciae esperadac 8on 1. pero no lo e¡ con un ensayo bilateral.8E.6t)l-r.1 y 0. 7 .6. ?.7.87. no 7. ?.0. (a) 0.6 respectiVamente. 4.l0l. Un ensayo unilateral muestra que el nuevo fertiliz¡¡¡¿ superior a ambos niveles de significación. 7. (o) t 0.4. 50. Un enrayo unilatetal a ar¡bos niveles de aignificación muesha que la marca B es superior a la marca A.99.98. 7. al eegundo.05 pero no al nivel 0.1. 7.6. Un ensayo bilateral a ambos niveles muertra que el producto no cumple con las especificaciones.32)r(0.96 onzas (D) 8. 66.2.77. 43.05.84.9.A1 \¡¿ - lar frecuencias esperadas con 108.73.7 respectivamente. 14.20.e0.63 onzas 7. 53. 13. 60. 11.64 + 0. es ?.tO. concluimos que el primer grupo no es superior . [.94. es 7. (o) 6 (D) 4 7. 3. 7. 7.4.E3. 7. la¡ frecuenciae esperadar son 32. f (r) = aC"(0.e5. 49.05.El' 7 Un ensayo unilateral muestra que el proceso no debe inhoduci¡se si el nivel de significación adoptado es 0.6.64 1 0. 12.ae frecuenciae esperadas eon 1. Un ensayo unilateral rnuestra que a ambos niveles el contenido -nedio en cobre es más alto que el señalado en las especificaciones. 5. Mediante un ensayo unilateral al nivel de eignificación de 0.

1.RESPUESTAS A PROBLEMAS SI'PLEMENTARIOS 365 7.0872. ?.06 pero no al nivel 0'01.109. Igual conclusión. La conclusión es la misma.0738 (corregida) 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 0.124. ?.05. El proferor nuevo no sigue las miemas nortnas que los otroe. tul e no (b) 10 si (c) 10 (d) 8 7.114.110. 7 . .133.0.105. (b) El ajuste es pobre al nivel 0.L23.05 pero no al nivel 0.06.134. Puesüo que la dietribuciónbinomialdaunbuenajustedelosdaüos.10? .106. (o ) 10.129. (b) (b) 7.728. La hipótesis no puede rechaza¡se a ninguno de los niveles. (o) El ajuste 7. 7.LO2. esto es consistente con el Problema ?. ?. (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).139. (a) (b) (c) no ?. . (a) Un ensayo bilateral al nivel 0. (b) El ajuste es bueno pero no "muy bueno".132.1L7 .05.05 no rechaza la hipóteris (b de proporcioneo igudes.108. No puede concluirse que la marca A 7.138. 7.2205.1985 (conegida) (D) 0. La hipótesis no puede rechaza¡se a ninguno de lo¡ nivdes. ) Un ensayo unilateial al nivel 0. La hipótesis no puede rechazar¡e al nivel 0.103.13?. La diferencia ?.109.104.05. 7.01' 7. ? . 0. Mediante un ensayo unilateral.06. bueno (b) no (o) El ajuste es "muy bueno". No al nivel 0.t25: 0.L72. 0. el re¡ultado er significativo al nivel 0. (c) si no si no (c) no (c) no ?.3863. 7 .118.05.115. (o) 7. No hay razón para rechazar la hipótesis de que las monedas ¡ean hon¡adas. La hipótesis puede rechaza¡se a ambog niveles. 7. La hipótesis puede rechazarse al nivel 0. ?. 7. (a) 0.116. sea mejor que la B d nivel 0. La hipótesis puede rechaza¡se a ambos niveles. 7. 7.11f es es significante al nivel 0.465t 7 .05. La hipótesis no puede rechazarse a ningfin nivel. (a) 0.113. (o) El ajuste es muy pobre al nivel 0.3179 (con conección de Yatea) 7 . 60.05 indica que á tiene una mayor proporción de bolas rojas que B. No hay razón para rechazar la hipóteeis a ningún nivel.

oooo t 0.00 8.14¿0.rz 8.r10. (a) 0.67.00 t _1. r¡o¿ = fi -o.6 1.70.111.68.71.IBB72 616 8.60 (ó) 17.E0.7l4r (b) "=t*lu 10. (o) 0.E6. 75/p 8.00 6 r= (¿) 1.8861 1 t. 0.84. (o) E.115.29y 8. (o) v=0.138 t a 0.66.0 t 5.661¡ (c) r = -14.13 + 0.126s 'y 0.408 + 0.96. u = 6.6606 (ü) 0.89 * L.r1y (d) 7g 95 t.0 4. (bl u = 4.91¿6 y y 0. ft (d) Bg? (b') A=32.000 + 0.88. E.6t-t.188 ¡ (c) r32 8.28 (o) (ó) Mediante un er¡rayo unilateral puede rechazaree la hipóteaia.9?.14(10)0.113. (a) 8.151{" ¿O ó U -92.14(L. =0.85.2 (c\ 182.96.Z. -0. 2.8961 (b) u = 8.87.500a (cl r = 2.9927 8.89.6tly E.4 si no no si E.427Y 61. (a\ u=-i+í" 6 u=.112.s72 80. (o) 1.60 8.92. (b) a = 29.46¡r*l 8.304 (ü) 1.21 0. (o) 8. 0.8r*12 (b) r= 0.1 E.80 E. B.99. (¿) t 3.9818 8.s912 (ó) 0.64.108. (a) 0.968 (b.2928 y 0.6 E.08?86 o¿ (ó) (c) t?0 ft.ss56' 8.77 y -.107.0 a 19.?600 y 0.szos 8.?961 y (ó) 0.20(r-B) +0.398 (ó) 192.66r * 2. - 1.0 8.366 CAPITULO 8 RESPUESTAS A PROBLEMAS SUPLEMENTARTOS 15o 8.79.?8 + 1. (cr.?801 y .0 a (b) B?. (a) 24.21r*O.096 o * 0.00*1. (a) z = 3.24 (b) 8.?3S(n-B)2 6 41.9 2. 37. (a\ 0.5 (b) (ó) g?. (c) 37.5t*3. (o) (ü) t. (a) 0.60 (ó) 1.8.00 (c) ?. (o) 1. Mediante un ensayo unilateral no puede rechazarse la hipótesie.0 t 8.448 8.81.) 1.gBB+o. (o) (ó) 2.64y 8.69.6633 1.24.20 E.74. (b) d 8.r3. (¿) 0.1r4.40 6 A:32.90.109. (a) 3.

9.42.116.42*2. 8.7 y 173.05.129.120. 9.01. tlay 9. CAPITULO 9 9.30 pulg.27. No hay diferencia significativa en los métodos de enseñanza o plantelesal nivel 0.23. 9. 9.24. No hay diferencia significativa en operarios o máquinas.32.38x E. 9.4653¡z. No hay diferencia significativa en fertilizantes o suelos.0. 9.9254 y 0. 415 8.05. (o) u = 3. Flay una diferencia significativa en los métodos de enseñanza al nivel 0-05 pero no al nivel 0.01.oy:107. 9.36.33.33 r . 9.9653 (D) 8.05.L27. Igual al hoblema 9.34. Hay una diferencia significativa en los sitios pero no en los fertilizantes aI nivel 0.¡es5añosconorigenen julio de 1935. 9.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 367 8.01.66. No hay diferencia significativa en el tipo demaíz o suelosal nivel 0.26.40: No hay diferencia significativa en neumáticos o automóüles al nivel 0.38. 0. No hay diferencia significativa en operarios o máquinas.35.4 libras 8.01 .deenerode1954.3?. de julio de 1950 (d) 142. (a\ 20. No hay diferencia significativa en neumáüicos a ningún nivel.128. 0. una diferencia significativa en marcas al nivel 0.6402 si la unidad 8.05 pero no al nivel 0.126. 9.4f.43. (c) si no (ó) 8. Hay una diferencia significativa en el tipo de maíz pero no en los suelos al nivel 0.43. una diferencia significativa en sus calificaciones a ambos niveles.05. (b)y:18.4 (b) 116.01.31. llay 9.4547 8. 9.dondeyeslanatalidadpor1000habitantes. llay una diferencia significativa en neumáticos y automóviles al nivel 0.l31. una diferencia significativa en rendimiento a ambos niveles.lgxsilaunidadxesLl2añoyelorigenesel ¡ es un año y el origen es el 1o.16-0.44.7096 y 0. 0.39. No hay diferencia significativa en los sitios o fertilizantes al nivel 0. una diferencia significativa en operarios pero no en máquinas.1083¡*0.130.6158 E. No hay diferencia significativa en el color del pelo o estatura.25. Igual al hoblema 9.38.7 (e)1977 1o. 9. 9. Ilay 9.9*4.36 lb 3. flay 9.125.11?.(b)y:722. 9. .

9.49. B. 9. llay diferencias 9.05.Q. 9.55. máquinas o fortaleza de cables. 9.Q.47 No hay una diferencia significativa en rendimiento escolástico debido a diferencias en estatura.3. 9.ó. FIay diferencias significativas debidas al factor 1 pero no al factor 2 o tratamienLos A.63. No hay diferencias significativas debido a sitios o fertilizantes. pero las debidas al LQ. No hay diferencias significativas debido a los químicos o s¡tios. 9. 9.01 las diferencias en los puntajes del examen debidas al estado veterano no son significativas.62. 9. fuual al hoblema 9. significativas en los puntajes de los exámenes debido al estado veterano y al I.4E.54. No hay diferencia significatirra en tratamientos a cualquier nivel. y canüidades del primer compuesüo químico.64.61.368 RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 9. pero hay diferencias debidas al I.45.Q. significativas debido a los sitios pero no a los fertilizantes. No hafl diferencias significativas debidas a los factores o tratamientos. No hay diferencia significativa en los puntajes de I.46. sílo son. 9. 9. .52. al nivel 0. llay diferencias 9. pero no otras dife- ' ltray diferencias significativas en tipos de cables pero no en operarios. color del pelo o Iugar de nacimiento.54. 9. No ha! diferencias significativas en los puntajes de los estudiantes de diferentes partes del país. C.66. ltray diferencias signifrcatiyas en especies renciag signif icat ivas. Al nivel 0.

242. 6 conección de Yates para la continuidad. 316. 163 decilas. 83.118 distribución hipergeométrica. 11O á¡eas bajo la. 34ó cu¡va normal tipificada. 246. 234.2 conjunto universal.244 conelación.281-289 tabla. 297 distribución de Bernoulli (uéose distribución binomial) distribución de Cauchy.2A2. 11. 321. dewiación. 237 dispe¡sión. 40 control de caüdad. 1O9 relación de la a la distribución normal. | (uéase también conjuntos) columna de conteo. 135 distribución bimodal. 177. 216. 217.118 propiedades de la.169 negativa. 8ó decisión. 116 reJación de la a la dist¡ibución normal.324 cuadrados ortogonales. 1 18 distribución chi-cuadrado. 230 coeflcientes binomiales. 117. 47. 46 casillas. 219. 78. 264 curyas OC. 333 cociente de inteligencia. 316. 2.L28 relación de la a la distribución de Poisson. 344 curua parabólica.78. 118 valores de Ias percentilas de Ia. 2ó8 94. 1 conjuntos medibles. problema. 1 51 contado¡ Geiger. E4.316-321 aproxirración de Stirling a nl. 92- curua cuadrática. 19ó coeficientes de correlación múltiple. 118. 10. 6 conjunto nulo. 24 complemento de un conjunto. 100. 115. 6O. 118. Bernoulli. 119 distribución ¡'. 224. 4 conjunto vacÍo o nulo. 309 media y varimza de la.135-137.315. 24O. colección. 118 distribución de Poisson. 332. 81. 217. 295. 248 curuas de aproximación. 92-94 teoremas sobre la. L27.311 aleatorios. 114. 264. 47. 119- 310. coeficiente de. 259 típica (uéose desviación tíPica) desiación media. 3 264.348.246 Datos agrupados. 78 diseño de experimentos. 31ó álgeb¡a de sucesos. 30. r97. 112 clasificación simple o experimentos de un factor. 29G 292 correlación gradual. 108. 3O7.310. 117.112 219. 133 .112. 163. 317. 198.145 ajuste de datos por. 225 análisis combinato¡io. 47 para el caso disc¡eto.37 Cambio de variables. 84 ajuste dé datos por la. 25-2 7 análisis de v xianza.2L6 área bajo la. 177. 115. 117. 112 relación de la a la distribución binomial.263 covuianza. 89 282 diagramas á¡bol. 11O. 2L7. 9. cumplemos. 221-226. 25 coeficiente de conelacion. 1 13.293. 12. 296 independencia y. 342 axiomas de probabilidad. 136. 269 ensyo chi-cuadrado Pua la. 116 cuenta. 118. 3f6-321 clasificación tríp¡e o factor tres expedmentos.244 cuwa nomal. 26 4.28l-244 fórmula p¡oducto-momento para el. lO. 129. 3 1 5 altamente significativos. 2a5'247. 316 bondad del ajuste. 213. 321.3f6 bloques aleatorios. 218. 11. 306-338 fórmulas cortas en el. 1 77 combinaciones. I29 aproximación normal a la. 248 decisiones estadlsticas. 112. 306- continua a la derecha. 108 bloques. 61 disÉibución beta. 232-236. 133. 23.26l múltiple. l. 142 relación de la con la binomiál negativa.333 para experimentos de un factor. 2 (uéose deteminación. 33O cuadrados latinos. 232-236. 264. 319. 164. 82. 134 cuilas cdacterÍsticas de operación. 134.97-99. 13 2. cuenteo. 316.97 dist¡ibución binomial. reglas de.320.lndice Ajuste de datos po¡ distribuciones üeóricar. James. 263. completa. 2a6-2a7 . 116. ' dife¡encia de conjuntos. 328. 2 constante de Boltzmann. 109. 127. 85. 21 diagramas de Venn. 246 muestral. 139'141 teoremas sobre la.163 centroide o centro de gravedad de los datos. 85. 111 r34 distribución de Pascal. 9. L28.213 Bridae. L24. 1 17 moda de la. 83.322 para experimentos de dos factotes. 345 ordenadas de la. 266. 116. coeficientes de.243. 296 Poisson a la. 315. ó conjuntos iguales. 197. 138. 220. 268 generalizando. 115. 7L. 28L-284 ensayo de tripótesis y significación para el.324 el. 247 332. 109 de la distribución de Poison. 184 categorías. 56-60 pua el caso continuo. 258 relación de la a la distribución norrnaI. 244 264. 9. 263. 344. 11. 26+ 246 püa datos agrupados. 117 ¡elación con la chi-cuad¡ado y t. lO9 (véase tomb i¿n distribución no¡mal) distribución geomét¡ica. 99 (uéase tombién distri' bución normal) áreas bajo la. 46. curua de ajuste. conelación y reg¡esión üneal perfecta. 311. 258. 143. 1O8. 267. 2ll. 284. 31 curtosis. 297 poblacioml. 11. 349 distribuciones gamma.129 distribución exponencial.125. 112. 21 1 desigualdad de Chebyshev. 347 como caso especial de la distribución gamma. 46. 254. 263. 82 cuadrados greco-latinos.86. 97 también varianza) dewiación tÍpica. 26 4 coeficientes de confianza. 23A. Só. 263.294 generalización del. 118. 265-267 coeficiente de correlación lineal. 295. 135 teoremas sob¡e la.269 cunas de regresión no lineal. 161. 264. 306. 258-3O5 gradual. 168. número desigual de obseryaciones en 312-315 experimentos conjuntos. 112 de Ia distribución normal. 27. 291 26r. distribución gaussiana. 266 (véose tom' bi¿n conelación y reg¡esión) curva de potencia. 22O. 139. 82.297 teo¡ía muest¡al de. 88. 183 de la distribución binomial. 94. 315. 316 püa de tres factores. 217. 268. 316 diseño experimental. 1 conjuntos disjuntos 3. 267. principio fundameotal de. 5 completa aleatorledad. 1 (uéos¿ también conjuntos) clases y frecuencias de clase. 31O. 115. 1l uti¡izando p¡obabilidad.11-13 teoremas sobre. 217 convoluciones. 345 tipificada. 144 cont¡ngencia. 239 propiedades de la. 130. 13 conjuntos bien definidos.237-239 aleatoriedad. 316 27 distribución binomial negativa. 26O clase. 268 r23 aproximación de la dist¡ibución de interl¡retación probabilfstica de la. 3 dimensiones o unidades.

(pe¡cepción ext¡as€nsorizlr.201 esti¡nas insesgadas. probabilidad de. dualidad. 157.226-22a mediaate la distribución chi<uadrado. 163. L4l 11 8. 324-327 variaciones pa¡a.178. 259 estimador insesgado. 163. 2L6. 164 acumulada. 8l totales.274. 4 esperanzar 76. 2L4. 199 insesgada (u¿ose estima iDsesgada) estimas de máxlma verosimilitud. estadfstica (uéose estadís- tica Bose-Einstein) e1e x. 212. 44 . 290 . 5 enfoque uiomático de ptobabiüdad. 160. 3 7 Fisher. 243 ensayo de bipótesis y significación. 1O8 expansión binomial. 48. 267 3-2L5. 162.39. 311 notación paa. 16-321 225 la. t¡ansformación Z de. principio de. 289. 41 de funcit¡nes de vadables aleatorias. 206. 267. 162. 159. 81. error típico de la (véose ettot tfpico de la estima) estimación. Futl. ó1. l6 3 frecuencia relativa. éxito.) distribución porcentual de frecuencias. 133 distribución Weibuü. 77 (uéose dos. 109 propiedades de Ia. 296 derivación de la. 2L9.318 de vuianzas. 297 f¡ecuencia observada. 6 fórmula de inve¡sión. 236 mediante la distribución normal. 4 espacids muestrales continuos. 116.268 pua grar¡des muestras. 111 distribución nomal bidimensional. 221-226 mediante proporciones. 2r9. 77 espermza condiciona!. óó estatura de padres e hijos. 28t. 263. probabilidad de. 39 (uéase tambíén funciones de distribución) función de distribución conjunte. 290 estima. definicid¡ de la. 47 interpretación gráfica de la.244. 231. 38.267 formas igualmente factibles. 4 espacios muestrales inflDitos contables. 267 pua valores predlchos. 266. 22L- experimentos de un factor. 2ó9. 216.2t6 ¡elación con la teorÍa de estimación. 212. 198. 3 Ecuaciones norraales pua la recta de mfnimos cuad¡ados. 341 fracaso. 299 er¡ores del tipo I y del tipo II. 137.263. 49. 142 distribuciones condicionales. en téminos de varimzas y del coeficiente de conelación. 194 estimas sesgadas. 326 función de distribución acumulada. 44. 264.249 distribución nonnalr 109-1 11. 115. 260. 231 experimentos de clasificación doble (uCose experimentos de dos facúores.4. 91. 14. 110 espermza matemática. 6 enfoque clásico de probabilidad. 262. 261. 36 función aleatoria (uécse vuiable aleatoria) función beta. 297 e¡rb¡ o residuo. 286 fórmula producto-momento para el coeficiente de cor¡elación lineal. 119. 278. R. 287. ó3. 2 interacción en el.294 pa¡a la püábola de mlnimos cuad¡a- teoremas sobre. 117. 179 relativa. 4 espacios muestrales no disretos. 198. 266 para vrimzas. 113. 218 frecuencia porcentual. 313-315.P.ent. I76. t7l enfoque a posteriori de Drobabilidad. 164 f¡ecuencias elementales. 216 Fermi-Di¡ac. 276. ?7 muginal. 77. 346 media y vaianza de la. 260 ejes. 198. mediante la disúribuclón F. 215. 80. 25. 261. 63. 162 distribución multimodal. 168- de ¡elaciones de vuiauas. 164. 161.22L. 35 estadfstico no puamétrico. 6. 118. experimentos de dos faetores. 113 distribución Maxwell. 218. fó8. 238 bidimensional. 84 distribución multinomial. 1ó espacio muest¡a] finito. 81 ble. 29A espacios muestrales infiniio no conta- fumión complementaria de error. 2t6. 4. 269. 38.216. 310. 194 estimas por intenralos. 4O. 273. 1O8 expamión multinomial.214 püa pequeñs muestras.. 119 distribución muestral.312. 163. 295. 41 distribuciones de probabilidad discret¿. 64 293. 112 de la distribución normal. 113 experirnentos aleatorios. 157 de dewiaciones típicas. 237.177 enfoque de la frecuencia relativa de 308. 138. 162.277 para el plaao de regreslón de mfnimos cuadrados. 117 teoremas sobre la. 262. 311 distribución t Student) 163 acumulada. 286-287 . 285. 186 estadlsticos muestra¡es. 164 distribuciones de probabilidad. 164 distribuciones de fiecuencia acumulada. 36 E. 138. 44. 216 para coeficientes de regresión. 17?179 acumulada. 289. 4 46. 43-46. 39. 43 teoremas sobre la. 92. 118. traslación de. 4 espacios muesfales discretos.279- 164. 306 Fistre¡. 31 1 experimentos de Mendel. 194 e¡aor tfpico de la estima. 178 (uéo¿e 213 mediante la distribución f de Student. 306-31O.160. 342 función característica. 1ó chi-cuadrado y. 83. 196.139-141 ¡elación de la a la distribución normal. 83. 141 probabilidad. ó2 de funciones de vuiables aleatorias. 113. 114 relación de la a la disEibución binomial. 94. 117. 1?3-176 de varios estadísticos. 92. 223. 124-127 ajuste de datos por la. 1Og de la distribución de Poisson. distribución de 2t6. 343 función de densidad.2La. 13ó función de densidad para la. 43. 220. 194 estimas.lores medios predichos. 132. 16ó-168.2A6 224 espacio muestral. 266. 27 O. 194 estimas po¡ puntos.S. 293. 2L9. 114. 163. estadfstica.A. 162 INDICE efectos de tratarniento. 44. 76.179 distribuciones de frecuencia ¡elativa. 1 de proporciones. 194-210 eficiente.47 disc¡etas. zLl.196. 178.171173 de medias. 312 efectos de lnteracción. 214.266. 314. áreas bajo mediante relaciones de varianzas. 213 para va. 194-2LO. 4ó. 262. 213 ensayos de una cola. 16G162. 160.226-228 mediante diferencias de proporciones. 52-56 continuas.294 fómulm de Euler. 211267 estimas no eficientes. pua variables aleatorias contfuruas. 44 dis¡etas. 99 de la distribución binomial.370 media y vaxi^nza de la.pua el coeficiente de correlación. 94. 26ó también esperanza) estadfstica Bose-Einstein. 156. 81 fórmula de Spe¡man pa¡a la cor¡elación gradual. óo conti¡uas. 6 enfoque a priori de p¡obabilidad. 222 escalera flor. 184 de medianas. 45 función de densidad conjunta. 265 77 38.215. 54 de sumas de variables aleatorias. 194 (uéate estimas insesgadas) toñbién mediante diferencias de medias. 4ó para valiables aleatorias dlscrets.282.6 286. 157 función de densidad normal tipificada. 156. 44 va¡ianza pa¡a. 2I9. 117 relación de la a la chl-cuadrado y F. 86-E8 condicionel. 198. distribución f de Stud. 82 distribuciones de frecuencias. 159. 263. 260 elementos o miemb¡os de los conjuntos. 5. 279 efectos de bloques. 312 Einstein-Bose. 6 ensayo chi-cuadrado para bondad del ajuste. 42.293. 3O8 error tfpico. 161. 98. 117 disribución trimodal. 52 distribuciones de probabilidad condicional. 1ó7. 164 acumulada. 5. 16ó. 199. 241 3 mediante medias. 41 conjunta. 297. 217 ensayos de dos colas.61. 40. 81. 158. 14. 61-63 distribuciones co¡iuntas. 194.229-231 2L con repeticiooes. 1O8 . 84 distibución uniforme.¡ecuencia marginal. 111 teo¡ema de la unicidad para le. 162 de difetencias y sumas. 213.

40.23O Herencia. invuianza baio üanstotmacióD.166. 179-183 la distribución binomial. 99 pe¡cepción extransesorial (udase E. 23O inferencia estadística.297 198 para rectas. 43. 117 modelo matemático lineal pua el análisis de va¡ianza. 114. ó8. débil ros) (ué¿se muestras independientes. 80. 17? niedia. 111 de la distribución ú o de Student.22O. 21?. 224 niveles de significación. ensayos de. 1ló de la distribución F. 1ól momentosr 79. 157 media ditmética.¡los abierto y cetrado. 342 27. l2 computación de la. 199. 19ó nivel de significación. 156. 156. 15ó. 309.266 pe¡mutaciones.293 medidas de centralización. 44. 227. 81. 1 7-2O función de la. 45.S. 98 integr¿les especiales. 3 ¡ey conmutativa. 2t3. 48 probabilidad de causas (uéos(f teorema teoremas de la. 211 (uéase tombián ensayos de hipótesis y significación) hipótesis nulas. 162 no unicidad de la. 1ó1 grados de libe¡tad. 351 loterm. funciones de densidad marginal. acumulado. 184. 97 mejor cuwa o recta de ajuste. 1ó5. 76. 217. 123 de la distribución chi-cuadrado. 47 Pata conjuntos. 112 de la distribución normal. 163. 269. lO9.179 ojivas porcentuales. 241 tabla de.234 pare propo¡ciones. 79 momentos condicionales.241 hipótesis estadísticas. 11ó. 308. 86 Marca de clase. 85. 112 la distribución F. 6 muestras. L78 I paradoja de Russell.. 94 moneda cargada. 306. 1r6. 2O2. 164. 43 4O 268. 3Oo funciones de distribución marginal.164. 89-91. ró9 población infinita. 6. 84. t71. 1á6 con o sin remPlazamiento. 259 ir¡tetcepto. ó4. 266. 1ó6.312. 217 259 236. 166-167. f 56 alrededor de la media. L22. 158 I. 163. 46.5ó marginal. 1 56 partículas radioactivas. . 342 fórmula asintótica de Stirling pa¡a la. 3O6 de de de de medias de grupo. 186.219. 217 gráficos de control de caüdad. 1. para la convolución. 2 lntcnalos de confianza. 2 logúitmos comunesr tabla de. 203. 2O4. (uéqs¿ rectas de mÍnitnos cuadrados) método y fórmula clave. 1 56 independientes. 197. 158. 3O7. para datos agru- Gas ideal. 44. teorema de la unicidad pea la. 313 polÍgono de frecuencias 179.INDICE función de probabilidad. 1óó. ó6.97 (véase tanrbién esperanza) pados. 157 media total. 3. 2.312 ordenadas.98 de la dist¡ibución binomial. grupo control. 45. aproximación de Sti¡ling a. 243 pua paábolas. 76. 198 dist¡ibución de muestreo de la. 5ó. 97. 221 experimental o descdptivo. 306. 86. 342 fórmula de recunencia ptala.342 función gene¡atriz de momentos. 178 moda. 13 en los zucesos. 311 mediana. 39 condicional. 47.249-292 n factorial. 97 medidas de dispersión. 3. 136 gráficos de control. 69 para datos agrupados. 277. 13 lÍmites de confianza.5 probabilidad condicional. 342 función gamma. 171. 76. 26O intetsección de cotiuntos. 342. 196 población finita. 206 semi-cerra2dO. f96-202 L44. 198. 312 g¡an total. 183. 177.221 experimental o descriptiva.297 miembros o elementos de un coqiunto. 4O función factorial.165. 196 muestras aleatorias. 1 44 pe¡centil¿s o valores percentüa. 156 196 Ley asociativa. 37 Poisson. 341. 163. 27 . 85. 1ó8. 11 método de mínimos cuadrados.313 ? probabilidad. 40. 343 central.D.268 funciones de probabilidad marginrl. 21 hipótesis. 214 histograma. 123 la distribución de Poisson. 1O9. 47 para conjuntos. 18O- población normal.45. 194. 117 la distribución normal. 94 función escalera. 224 tabla de. 6 moneda b-omada. 79 intenalos geml-abiertos o dos. lnteÁ. 308.2O3 para relaciones de vuianzas. 183. 2. 76 de una muestra. 27-23 población. 8O función monotónicamente creciente. 47. 155 aleatorias. 212. I 55 integrales de Fourier. 276. 44 g¡andes muestras. 1O9. 352 números complejos.) mÍniinos cuadrados. 205. 6r 3 ley de los grandes números. 1 (véase también conjuntos) prábola. 164. 312. 1^O. 159 normal. 163. 179 acumuladas. 196. 84 (véose también media) media muestral. 54. 39. 1O función paso. L21 Jacobiano. f16. 204 para medias. 8O. 155 población binonial. 2 núme¡os ¡eales. 89'91. poker. 79 condicional. LS7. 268 para vuiables aleatorias continuas. 84. 83. 80 teoremas sob¡e la. lf l. 159. r23. 96. 61-63 conjunta.P. 84. 44 371 molécula de gas ideal. 19ó. 164. á1 lÍnea real. gran media.50. 200 número. 96. ll. 96. 8 3O7. 113. 184 teorÍa de correlación y regresión. 13 Iey distributiva. 177. 165. 8. 96. 155. 292. 159. 3 inteivalo de clase. 195 (uéose tambíén lÍmites de confianza) IÍmites reales de clase.44. 164 operaciones de coniuntos. 156 tamaño de la. 164. para la convolución.272 función error. 49. 48. 6 suma de los pa¡a la distribución chicuad¡ado. 26L. 38 marginal.Q. 3. 156 población multinomial.179183 momelltos centüales. 163. 42 para variables aleatorias discretas. 1 método de expansión. 3O6 medias de tratamiento. 63 función de Drobabilldad coqiuDts. para el análisis de la varianza. Ojivas.49. 55. 2 pea vErian¿as. 36.237. \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. 45 funciones de distribución. 266- 4t. 206 modelos matemáticos. 126. 83. 111 21 E inte¡ralo semi-intercuütÍlico. 264. para la convolución. 1 polÍgono de frecuencia. 211. 195. 311. 84.84 Papel gráfico de curya normal. 79 alrededor del origen. 1ó8. 213 números rleato¡ios. 199-201 grupo. 196. 41. 12. 156. 117. 97 medias de fila. 85. 177 muestreo. ó3 niveles de confianza. 269. 84. S. 171. potencia de un ensayo. 350. 156 parámetros de la. 110 eomplementaria. 197. 11? de un conjunto de números. pea conjuntos. 195 lÍmites fiduciales. 13ó de la distribución d€ Poisson. 84. 96 de la dist¡ibución beta. 95 para las pruebas de Bernoulli. 32 parámetros poblacionales. 26. 194-206 para diferenciás y sumasr 196. 259 para curvas. 2+2. 39. (cociente de inteligencia). 259 método de comprensión.

223. I 18 tablas y distribuciones de frecwncias de doble v&iación. 260. 254. 266.262 vüiación explicada.285 recta. 289 ecuación. 263.114. 7. ó-7 sumas es¡reciales. 264-27 4.2a5 vatiación residual o aleatoria. 89. 3Og pua las. I7 -2O. 83. 112 de la dist¡ibución normal. 79 distribución de las. 117 de la distribución muestral de medias. pda la función generat¡iz tos. caso donde s . 242. 31 1 entre y dentro de tratamientos. problema de la. 158 de la distribución no¡mal. 6 algunos teoremas importantes sobre la. 131 teorema o ¡egla de Bayes. 68 proporciones. 341 ¡elación con las dist¡ibuciones t y F va¡iables aleatorias con dist¡ibución Gamma. 1lO va¡iables aleatorias adimensionales. 196 tigmpo de reacción. 195 valo¡es de tendencia.260 pua vriables aleato¡ias distribuidas binomialmente.244 representación gráfica.81. 259. 176 velocidad efectiva (¡ms). 64 gráfica. 21 variación.317. 212 ensayos de.161:171 prueba de Bernoulli. 258 punto muestral. ó.88. 264. 8O ¡acte¡Ística. 17-2O. 78 va¡ianza combinada.284 relaciones no lineales. 20.3il1 Taylor. 30. 259. 48. 226 .2a4. 143. 29. 259. 263.372 o ¡egla de Bayes) concepto de la. 263. I O8 distribuidas normalmente. 1ó8. 14. 13O. 266.78. 45.284. 194. 8O dist¡ibuidas binomialmente. región de. 49. 242. 130. 50 papel gráfico. 114 1ó8. 26I intersección de. 48 función de densidad de. 217. 41 INDICE sobres.2a4. 81 transformación Z de Fishe¡. 165. 63 no conelacionadas.158. 260 variaciones. 26A. 85. 289. 219. 312 regresión. 64 probabilidades. 27 I relación fineal. 324-321 residuo. 5. grados de libertad 311 métodos cortos paa obtener las. 39. 164 probabilidad geométrica. 266. 108. 195 desconoce la. 158. 52-56. 29O curva.49. 29. 195. ó2-56. 281. 269. 4. probabilidad empírica. 161. 58. 3O6 triángulo de Pascal. para un conjunto de números. 11O v&iables aleato¡ias dist¡ibuidas uniformemente. dist¡ibución muestral de. 243246 tablas de frecuencia (uéose ta¡nbién distribuciones de frecuencia) variables aleatorim distribuidas binomia¡mente. 6. 67. problema de los. 212.287-289 transformada inversa de Fourier. 37 subconjuntos. 3O8. 3O9.82 de momen- mente. 3O9 regresión múltiple.294 vaianza. 266. 38. 151 82 seguridad. 97. 3O9 ent¡e filas o tratamienúos. 306. 2t9.4 Recorrido.116 función (uéose función de probabilidad) geométrica.97 semi-intercuartr-lico.94 de la distribución binomial. explicadas y no explicadas. 264. 266. 111 vuiable estocástica (véase vuiables valores exponenciales. 249 de vaiables aleatorias distribuidas normalmente. 2ll (véase tombién ensayos de hipótesis y significación) vaiables aleatorias con dist¡ibución Cauchy.110 vüiables dependientes. 311.239 problema de la aguja de Buffon. 1O9. 279 unión de conjuntos. 115 cuadrado. 22O.115 variables aleatoiias con distribución chi- ta. plano. 2a9.98 serie de Taylor. 263. 31O. 2AL. 311. LIL.111. 311.27l uperf icies. 79. 7. 216 var\anza muestral. 15-17 p¡obablemente significativos. Tabla de probabilidad coniunta. I 1 O pila distribuciones conjuntas. 42. ó sucesos.318 múltiple. 164 dist¡ibuciones de la. 25 Unidades o dimensiones. 63. (véase v atianza muesüral) continuas. 262.2O2 interpretación probabilística de. 26O. 8. 326 diag¡ama. 352 293. 212 regla de Leibniz para la de¡ivación de una integral. tabla de. 237 .273 en términos de varianza muestral v teoría de muestreo exacto. 3f 3-3f 5. variación total. 264. 198 rectas de mÍnimos cuadrados. 5O con distribución dg Poisson. 26-27 231.262 27 a.63 vüiables aleatorias no relacionadas. 292-294 cov^rianza.85. aleatorias) 2 2 241. 9. 78 unidades tipificadas. 8O sesgada a Ia derecha o a la izquierda. 271 referencias tipificadas. 49 ¡éplicas. 131. 1 14 independientes. 2ó9 Sec¡etaria. 262. 97-99. 37 serie de Fourier. 82 veiables aleatorias normales asintótica- ley de los grandes números paa 109. 85 sesgo. 46. 85. 269 vdiables-transf o¡madas. 311 tratamientos.6O teorema del límite central. 2a7. pa¡a la función ca- vaiables aleatorias independientes. 284. 112.159.lores esperados de las. 113. 111 de la dist¡ibución t. ? sucesos independientes. 5 condicional. 317. 46.2a5 vaiación no explicada. 117 muestral. 108 pruebas de Bernoulü. 112 de la distribución f'. 78. 291) universo del discurso. 262. 3O7 para . asignación de las. 1 subconjuntos p¡oFiós. 161. 289. 131 prueba del. 11 1. 23a como una función de valor real.115 vtianza poblacional.81. 270 va¡iables aleatorias. 38. 26O. 3 significación.123. 6 suceso seguro.39 vaiables aleatorias continuas. l94 sÍmbolos de inclusión.272 318 grados de libertad para. para datos agrucondicional. 38 variables aleatorias de la distribución de Bernoulli. 265. 8 cálculo de las. 164. 43 t¿blas de clasificaclón doble. 27 8. invarianza bajo. 281. 1O8 vuiables aleatorias distribuidas de a- cuerdo con la dist¡ibución Poisson. 2O1 t¡ansformación de Fourie¡. 81. 1?9-183 vriable independiente.38 discretas. S2 sin dimensiones. 26 2 teoría muestral de. 322-327 tabla de c.2ó9 coeficiente. 261. 79 tipificadas de. 219 en anáUsis de varianzas.37. 3O7. 79 pados.89 combinada. 266. 262. f91. 183 de la distribución binomial. 15 sucesos elementales. 49. 81 transfomación. 30. 213 región de rechace. 266. 1 ilceso imposible. 6. 46 scesos mutuamente excluyentes. 1Og de la distribución de Poisson.2a2.experimentos de dos factores. 4. 269. 160 esperanza de Ia. 1O8 variables aleatorias dependientes (uéose variables aleatorias independieDtes) vaiables aleatorias discretas. 9. 258.245 en análisis de varianza. 79. 48. 297 tammo de la muestra. 63. 156 temperatura Kelvin. entre columnas o bloques. 45. 22O tablas de con¿ingencia.161 veiables aleatorir nomalizadas. 50 dist¡ibuidas unifomemente. 26? traslación de ejes. 79 vriables aleatorias con distribución Be- serie". 266. 1 I O región crltica.86.lasificación simple. 242. 38.266.259. Valores críticos. 216 como segundo momento. 15 utilizando el análisis combinatorio. 151 teorema de unicidad. 79. 262. 123 de la distribución de Poisson.124 las.249 computación de la. 89. 3O7. va.

.

.

l .

.

.

:a de tos fluidos Dinárn'ca de Lagrange Diseñ.ceri. máquinas Economía internacional (en prensa) Ecuac'rine.dad Probabilidad y estadística co.I$ROS DE LA SERIE SCHAI.¡ sist¡ma lineai Estad ística F ísica gcnera I Fundamenrol de matemáticas superio.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-rásicas de las ciencias de la . 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 .. adrni nistración de empresas (en prensa) Macroeconom ía Micrc¡econom ía óptica Probabil.ar ía Ecuaciones diferenciales Ecuaciones diferenciales rnoder¡las Espacio de estadn .ico Análisis'.i cilculo Programación BASIC Ouir¡ica f ísica (en prensa) Ouímica qener¿l Resistencii-.l.i.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 .'M PUBLICADOS EN ESPANOL Acústica Algebra eiementai Algebra elemental rnoderna Algebra lineal Algebra superior Análisis estructural Análisis estructural avanzado Análisis de Fourier Análrsii numc. Genética t/lecánica de los flurdos e hidráuiica Mecánica del medio continuo [!lecánica técnica Meclnica teórica Métodos cuantitativos pdi:.: cie concretc a¡'rnado Diseño cr...

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->