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.

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

Parte I PROBABILIDAD .

.

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

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. OPERACIONES ENTRE CONJUNT\OS 1. El conjunto de todos los elementos (o puntos) que pertenecen a A o a B.2.7. DIAGRAMAS DE VENN Un r¡niverso u puede representarse geométricamente por el conjunto de puntos dentro de un rectángulo.JNTO VACI( Para muchos propósitos restringimos nuestra d fico denominado el uniuerso del discurso. EJEMPLO 1. Unión. .9. Intersección. 5. 1-2). 1-3).3.a CONJUNTOS Y PROBABILTDAD lcAP. es un EJEMPLO 1. Los elemenr Es útil considerar un conjunto que no tiene r uacío o el conjunto nulo y se denota por p. Tales diagramas denominados diagramas de Venn. 1-4 2. CONJUNTO UNIVERSAL Y CONJI. o tanto como aB. 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 . En tal caso los subconjuntos de zt (como A y B indicados y sombreados en la Fig.8.4. l-3 Fig. Si lanzamos un dado. 1-1) se representan por conjuntos de puntos dentro de los círculos. entonces AC C. l -2 Fig. Si AC B y B CC. 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. 6}1. sirven para da¡nos una intuición geométrica respecto a las posibles relaciones entre conjuntos. se llamala unión deA yB y se escribe Au B (región sombreada en la Fig. 1 El teorema siguiente es verdadero para cualesq Teorema I-I. EJEMPLO 1. Fig. el conjunto de todoe los resultados posibles es el universo {L. o simp espacio uniuersal y se denota por u.T.

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

hay experimentos en los cuales los resultados no son esencialmente los mismos a pesar de que las condiciones sean aproximadamente idénticas. si lanzamos un dado el resultado del experimento es uno de los números en el conjunto {L. .2. Si un experimento consiste en medir "la vida" de las lámparas eléctricas producidas por una compañía. EJ EMPLO 1 .tal como 0 f r: S 1. es decir SC. Unespacio muestral que es finito o infinito contable frecuentemente se denomina espacio muestral discreto. por ejempio.esdecirunodeloselementosdelconjuntóíqs)(ó{0. EJEMPLO 1. Así cuando se produce un tornillo será un miembro del conjunto {defectuoso.se denomina espacio muestral finito.1 0. entonces el resultado del experimento es el tiempo f en horas que se encuentra en algún intervalo. Si lanzamos un dado.6).15. como en el Ejemplo 1. Sin embargo. el resultado del experimento es que algunos pueden estar defectuosos.16.SS) caras.elresultadopuedeindicarsepor{CC. Tales experimentos se denominan experimentos aleatorios. Si tiene tantos punl'ig. si un resultado es divisible por 3. 3. 4.en tanto que uno que es infinito no contable'se llama espacio muestral continuo o no discretoSUCESOS posibles. es decir es un conjunto de resultados el resultado'de un experimento es un elemento de A decimos que el suceso A ha ocunido.3.12. simbolizado por S ( ó 0 ). impar) Sin embargo. Un principio fundamental es que si efectuamos tales experimentos repetidamenle bajo condiciones aproximadamente idénticas obtenemos resultados que son esencialmente los mismos.2.CONJUNTOS Y PROBABILIDAD [cAP. En tal caso es deseable utilizar números en cambio de letras siempre y cuando sea posible. si lanzamos una moneda dos veces y utilizamos 0 para represenmr sellos y l para representar caras el espacio muestral (véase Ejemplo 1. 1)). 0 ú :: 4000.SC. no defectuoso}. g. 1-7 donde.13.11. o una "cara". cara la primera y sello la segunda. por ejemplo. un espacio o conjunto muestral de todos los resultados posibles se da por {1. 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.5. donde suponemos que ninguna lámpara eléctrica dura más de 4000 horas. 2. 'EJEMPLO 5.. Obsérvesé que eJ córresponde al conjunto universal. Los siguientes son aLgunos ejemplos. .or . Si tenemos una máquina que produce tornillos. Un suceso que consiste de un solo punto de cJ frecuentemente se llama un sueeso . Si tiene tantos puntos como hay en algún intervalo en elejer. = 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. . Silanzamosunamonedadosveces. sedenominaespacio muestral infinito no contable. Si lanzamos una moneda eI resultado del experimento es un "sello". Un suceso es un subconjunto A del espacio muestral. es lógico que el último no sería adecuado pan determinar. EJEMPLO1. Frecuentemente es útil dibuja-r un espacio muestral gráficamente.dsdecirdos EJEMPLO 1.12) puede dibujarse por puntos en la Fig. 4. 6 | en tanto que otro es lpar. etc. Si elemental o simple. por ejemplo. EJEMPLO 1. (0. Si un espacio muestrdl tiene un número finito de puntos. l-? tos como números naturales 1. 1. 1 EXPERIMENTOS ALEATORIOS Todos estamos familiarizados con Ia importancia de los experimentos en la ciencia y en la ingeniería. simbolizadaporc(ó1).14.. EJEMPLO 1. se denomina espacio muestral infinito contable.1 ) representaselloen el primer Ianzamiento y cara en el segundo lanzamien[tr.16.CS.

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

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

B\ Generalizando. + P(ánA") (rr) ASIGNACION DE PROBABILIDADES entonces por el Teorema 1-18 Si un espacio muestral el' consiste únicamente de los sucesos elementales Ar.. Az...) + P(Ar) + P(As\ . 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.P(üñAz\ - P(A|¡A.]) . El espacio muestral es e-I: {1. En particular.21. á3 son tres sucesos cualesquiera. Véase Problema 1.P(A... EJEMPLO 1..2.cAP. Hallar la probabilidad de que resulte 2 ó 5.3. + 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). Si asignamosprobabilidades iguales a lospuntos muestrales. entonces P(A¿: '!y si A es k=1.2. 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.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..A. 1l CONJUNTOS Y PROBABILTDAD P(Ar) Teorema +P(A2)+. entonces 1 6 .. Podríamos lógicamente emplear otros procedimientos para asignar probabilidades.5. si A (10) t.An (1+) P(Ai + P(Az) + . Az...6}. entonces P(A:U AzU ¿") : P(.entonces P(A) = P(AnAi + P(AñAz) *'.. Ar. Se lanza solo un dado.+P(4") = 1 (e) 1-19: Si A y B son dos sucesos cualesquier4 entonces P(AuB) = P(A) + P(B) .P(AsnA) (rr) + P(Lt\AzñAs) También pueden hacerse generalizaciones a n sucesos. como el de la frecuencia relativa de la página 6.4.4...79. esdecir si suponemos que el dado es honrado.....

1-9) tales que P(A)> 0.Ya queB es la unión de los sucesos 1-18 que 7. 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 . A3 tenemos P(AtñAzt\ás) = P(A) P(A2l At) P(Asl Atn Az\ (1e) En palabras.41 ha ocurido tantas veces la probabilidad de que A3 ocura dado que At y Az han ocurido. Hallar la probabilidad de que en un sólo l¿nzamiento de un dado requlte un número menorque 4. Por tanto P(2u5) = P(2)+P(51 = *. A2. P(BIA\:"+#=#=? Por tanto. Teorema 7-23: Si un suceso A debe resultar en uno de los sucesos mutua[iente Ar. Denotamos por P(BiA) la probabilidad de B dado que A ha ocurrido. es decir la probabilidad de que B ocrura dado que A ha ocu¡rido. (o) no se da ninguna otra información. A. (o) Si B denota el suceso {menor que 4). .á PROBABILIDAD CONDICIONAL = t 1 Sean A yB dos sucesos (Fig.) + p(A)P(Al Azl + . (b)SiAeselsuceso{númeroimpar}observamosqueP(á):316= Entonces 1/2.2 6 g observamos por el teorema P(Bl = P(r) + P(2) + P(3') = -+-+-= 6662 1l1l suponiendo probabilidades iguales para los puntoc muestrale¡. 1 indica por 2 U 5. (b) se da que el lanzamiento resultó en un número impar. ilamamos a P(B I A\laprobabilidad condicio¡wl de B dada A. TEOREMAS SOBRE PROBABILIDAD CONDICIONAL Teotema 1-22: Para tres sucesos cualesquieraAl. + p(A")P(AlA") (20) . . la ecuación (-18) nos dice que la probabilidad de que tanto A y B ocurran es igual a la probabilidad de que A ocurra tantas veces la probabilidad de que B ocurra dado que A ha ocurrido. De aquí llegamos a la definición P(B:A) = o ry# (17) (f 8) QJ P(AIB) = P(A) P(B I A\ En palabras. r-9 EJEMPLO 1. . Puesto que se sabe que A ha ocurrido.) excluyentes á1. AnB Fig.CONJUNTOS Y PROBABILIDAD El ¡uceso que resulte 2 ó 5 ee [cAP.. TambiénP(AñBr:216:1/3. = P(A)P(A|A. entonces P(A'. El resultado se generaliza fácilmente a n sucesos. . se convierte en el nuevo espacio muestral remplazando el original e-I. el saber que el resultado del lanzarniento es un número iinpar aumenta la probabilidad de Ll2 a 213.22. . Fácilmente se demuestra que la probabilidad condicional satisface los axiomas en la página 6.

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

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

(l)* = APROXIMACION DE STIRLING A r¿ ! xa+ 4x3y!oxzyz *4xy3 +ya Cuando n es muy grande la evaluación de aproximada n! no es práctica. ._.r'2 :25". . r! (30) /n\ ( J=( /n '.podemosesaibir A: {5. (|)*-lt * (i)*"-.describé dando sus (D) Puesto que t2 :25parar:5y x:-S. U (n Tenemos (véase Problema 1.1. Para un estudio más detallado de la fórmula de Stirüng véase el A¡Éndice A..s! COEFICIENTES BINOMIALES 56 Los númerós de (29) se les llama frecuentemente los coeficientes binomiales puesto que provienen de laexpansión binomiat (r 1- u)^ : * . Por esta raz6n decimos que el I unaexpansión asíntótica del lado izquierdo.-5). es la base de los logaritmos naturales. . .36) ln\ \"/:nt¿r=rl@=T. EI n(¡mero de manera¡ en lae cuales cartas diferentes es nU.en (33) signifrca que la relación del al lado derecho se aproximá a 1 a medida eü€ /l + o. que también puede escribirse como (2e\ ("\ \r/ Fácilmente se demuestra que n(n-L\".\s/ . .:nC. Indique cómo describir a.'6 = . se. y)t = r:{ * (Í)".r.(t)**.4 por (c) el método de comprensión y (b) el método de extensión. El símbolo .)" (n) Tienen mucha. En tales casos se utiliza la fórmula (38) nl .(n-r-rr\ r! ó nP.cAP. + .(t¡*" .s resrreltoa CONJTINTOS 1.s propiedades interesantes. @-l (:.r/\) \r/ \n EJEMPLO 1.48. Problenra. Véase Problema 1. (a) A:kl* elementos.e¡decirA . Sea A el conjunto de todos los números reales cuyos cuadrados son iguales a 25. EJEMPLO 1.yEñn"e-n donde e : 2.27. 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. :25)que se lee"el conjunto de todosloselementosde¡ talesque.71828.28. escogerse o ¡elecciona¡¡e de un (91') 3 ca¡t¿s pueden total de 8 sc¡ = lt) = 8'J.

B: {x I x2 -8r+. -rt.6. si el universo 'u = {}. Demostra¡ que si Ac B y B cC. Entonces {x I x * x} : e.pueotoqueloe elementos 3 y 5 son enterosimpares.8 = {6. DIAGRAMAS DE VENN Y TEOREMAS SOBRE CONJT.-4} = t-\ñ} (D) . 2 es wn número re¿l mientras que {2} esw conjunto que consiste del número real 2.3.-fr. Yaque x2 -8x * 15:0 ó (r -3)(¡. Puesto que no hay un númeror tal que x2 :416x:2.0.o} u {5. Entonces ya que AC B. el conjunto vacfo.r). (/) (Bn C).2.-4} (c) (AuB) n C = {-{2.5. aA. puesto que {9} es un conjunto no voclo que conriste del conjunto vacío._\E}. ) La proposición es falsa.5. OPERACIONES ENTRE CONJUNTOS. (e) A-8. (c) (AUB)nC.. Sea r cualquier elemenüo de á. = {0.+.o. Asf. -4} y los subconjuntos de u están dados por A : {-\n. Entonces B. se sigue queA: @.6}.-tf2.--4} n {+.r.üenemosB:{g.+. Si A = {r l r2=4. es deeir B ee un subconjunto de A. es decir cada elemento de A eetá en 8. r>g} y B: {fr | r<l}."áÁ y porüantoBC 1.0}n {5.6.-r/2.. ¿Es cierto que {2} : 2? No.6. ee deci¡ ¡ € A.4.2. 1 L.-{2. (b) AUB.5. 1.-4} = Entonces (BnC\' = {0.-4} = {-18. .". +. tenemosque¡ € C.r.-4}n{+. 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. (b) "A es el conjunto de ¡ tal que 12 : 4 y ¡ ) 9'.4 u n = {-fr.enconhar(a) AnB.-. (o) (b) (o {rln+ü} -. entonces B) A. AsícadaelementodeB perten. C' : conjunto de los elementos en 'll que no están en C : {0. Determinar cuáles de las proposiciones siguientes son verdaderas y cor¡egir las que son falsas. (d) B' : conjunto de los elementos en t/ quenoestánen g = {0. ".o.B: eonjunto de elementos en A que no están en B : [0.-¿}. Otro método. Puesto quetambiénBCC.0|. r.'NT\OS 1. {*.-4}n{0. tenemos x€ B.r.+.0._\E} .t.-2ly * )9.lQ}. (e) A .0. (d) B'u C'.5)=0 sólosi x:B6x:6. Aeícadaelemenüodeá esunelemento de C y por tanto A C C.15:0). Cualquier objeto particular se supone ee igual a sf mismo. Puestoque el conjuntovacloesunsubconjuntodecualquierconjunto. 0. no hay objeto que no sea igual a sí mismo.L2 CONJUNTOS Y PROBABILIDAD lcAP. 5. Por el Teorema 1-8.-4}.5. n]. (s) (AnC) e (Bne.-rt.5. r. entonces AcC.u C. üenemoe A-B = AñB'= (f) BñC = {6.r} {*.o.{0. página 3.o} u {0. -4} = {+. (a) AnB = {-12. El error radica en escribi¡ {@} por @.-fr}.sededucequeACB6B)Aylrrpropocición Obaérvese que esto se lee es verdadera- 1.-qyC = {+.+.r} = {0.Demostrarque BcA.4} utilizando el re¡ultado de (b)..-{r). pertenecen á..5. seaA={rl*esunenteroimpar).

Demostra¡ laprimeraley distributiva.69). Teorema 1-6.7.al : (ArtB) u (A^B') : (AñB') u (A¡. l-ll Fig.nn.-4} Entonces t.@. (AuB)' = {r I r4Ar-tB} = {" I rCA. (o) Tenemoe págrna 3: (A u Bl : A' n B'.cAP. 1l CONJUNTOS Y PROBABILIDAD Obsérvese que este re¡ultado conjuntamente con Tborema 1-12b. {r {" (AnB) u (A nC) 1. En Ia Fig.-¿} [Vóase pa¡te (f)].0} n {*.r€B') (b) = A' ^B' El resultado puede extenderse a cualquier número finito de conjuntos (véase Problema 1. 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. 1. Entonces A n (BuB') A r. página3:Tenemoo An(Bu C) = (AnB)U(AnC).9. 1-11 la región sombreada representa (A U B)'. Sin embargo. (c) Demostrar la primera ley De Morgan.2. (A¡C\ u(BnC) : @u {*.-ll . l reA¡B 6 neAnB'} M6todo 2. 1-11.-¿l = {+.xeB 6 reC} I s€A. Región sombreada = (AUB)' Región doblemente ¡ÜEÉru¡r qvvrs¡¡¡E¡¡w rayada ]_"7. (b) Ilus- har el resultado de la parüe (c) empleando un diagtama de Venn.8. y se observa que esta región es igual a la región sombreada de la Fig.neB\ = {r I neA'. página 3. En el diagrama de Venn de la Fig. Luego At ñ f|' se representa por la región doblemente rayada en donde se encuentran ambos conjuntos de líneas. elconjuntovacío. (sl AnC = {-\/-2.8. Teorema !-L?tt. (AnB) u(AnB') A : {r I reA) = {. 1-12. B n C = {}. l-12 Obsérveee que un diagrama de Venn no suministra una prueba como la dada en la parte (o).74). Fig. Ao(BuCl = = = = = l r€A. sirve para euminishar relaciones posibles entre conjuntos que luego pueden probaree por métodos similaree al dado en (o ). .8') A = (AnB)u(AnB') El resultado puede generalizane (véase Problema 1. Sea C:8' en el Problem¿ 1. = (AnB) u (AñB'). Demostra¡ que para cualquier conjunto A y B tenemos A Método 1.reC) @ | reA"'B 6 xeAnC\ {.reB 6 r€A. 13 el de la parte (d) ilustra la segunda ley De Morgan.reBuC} I re A.

diez.10. de Teorema 1 era simila¡ todos lo¡ obeervarse de la Fig. puede indicarse como {1. . ...-8. 1 EXPERIMENTOS ALEATORIOS.). . Emplear la Fig.(g) (AnqU (AnB. Denotando corazones. picar. es deci¡ rey (ó) 4 n I : {rey y trébol} : {rey de trébol) de trébol)) (c) Puesto que B Luego A U Bt = {trébol}. B': {no trébol} : {corazón. 1-13 para describi¡ los s sucesos (a). 3. B. (b\ A' se 1.{rey y no trébol}. @) AUB'.4 u B. (e) A-8. 2. jota.10 sea. diamante. de acu gamas Fig. diamantes y tréboles.B -{reyperono trébol} Es lo mismo que A ñ B' . Luego el espacio muestral consiste de 52 puntoo indicados en la Fig. (o) A U B = {o rey o trébol (o ambos. si .n(8. Describir los sucesos (a) AUB. . por ejemplo.L4 . (d) A. .1-14. I diagrama eden de indicarse A U B.). (E) @ nB) U (A ñ B'):{(rey y trébol) o (rey y no trébol)): irey}. y (b) Si tenemos en cuenta los paloc el espacio muestral cronsiste del as de corazón.4.A. . 2. diamantes y héboles respectivamente por l. (e) A. Se extrae una carta aleatoriamente de una baraja de 52 cartas.2). pica}. . picas.4 el suceso {se extrae un rey} o sencillamente {rey} y B el suceso (se extrae un trébol} o sencillamente {trébol}. dos. 13}. (n A'-3' :{no rey y no "no trébol") : {no rey y trébot}: (cualquier trébol excepto el rey). (q AnB. rey.11 com ^ B' . diamanües y tréboles. . 1-13. Describir el espacio mueshal (o) no se tiene en consideración el palo (b) si se tiene en cuenta el palo. (o) Si no tenemos en cuenta los pdos el eepacio muestral consiste de as. rey de corazones. = A. Refiriéndose al experimento del Problema 1. .. También puede considera¡se observando que (A ñ B) U (A n B') : A.B.CONJUNTOS Y PROBABILIDAD [cAP. (f) A.. También puede considera¡se observando que A.12. 1. : (rey o corazón o diamante o pica).11.UB. (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 ). 1. . reina. picae. .nB. podemos indica¡ una jota de picas por (11. . ESPACIOS MUESTRALES Y SUCESOS 1.

Demostrar (a) el Teorema 1-17 y (b) el Teorema 1-19.Ar ) - 0 por el Axioma 1.42 .41 y Az .P(Ar) Puesto que P(.Puesto que P(eJ) sfnp = Q se sigue del Axioma P({)) 3 que s = P(d)+P(Q) 6 = 1.Ar. Fig. también ee rigre queP(. (o) Tenemoe Az : At U (Az . 1l TEOREMAS SOBRE PROBABILIDAI) 1.A¡ ) en donde . (c) Teorema 1-16. (b) Teorema 1-15. página 6.At) = P(Azl . página 6. axioma 3. Demostra¡ el (c) Teorema 1-14.14.(A ñ . l-15 (An CALCULO DE PROBABILIDADES 1. tenemos usando el Axioma 3 y el Teorema 1-14: P (A u B) | i'.^^'rl i' r"u r--' resultado (l ) puede establecerse directarne¡rte (véase Problema 1. Para demostrar que observamos que A C et. 1-15 (1) AUB: AUIB -(. P(Az. Aunque hemos utilizado el diagrama de Venn el i rlu^') ". Entonceepuesto gue.B) son mutuamente excluyentee.15.cAP. asr que Entonces por el P(42\ = P(ár) * P(A2.13. Así por el Teorema 1-14 [partc (o)] y el Axiom¿ 2 P(A) < 1 primero P(A)=P(¿)=1 (c) Tenemos eJ : eJuQ. Encontrar la probabiüdad de .77).4n8)l Entonces puesto que los conjuntos A y B . ñ A' : Qtenemog 1 es decir PIAJA') = P(ó) 6 P(A)*P(A') = P(A') = l-P(A) (b) Tenemos el diagrama de Venn de la Fig.At son mutuamente excluyentee. (b) Con anterioridad sabemos que P(A) > 0 por el Arioma 1. (o) Tenemos AV A' :s[.42 ) = P(Al ). Una carta se extrae aleatoriamente de una barqia de 52 cartas. página 6.

(e) roja o blanca.* (d) P(c):P(ln c 62ñc6. rcy. 13 pot aa. 1.r-Lñ-Z-521 También podíamos obtener este reeultado observando que el diagrama de Venn favorable a este suceso es el oomplemento del suceeo moetrado como la parte sombrcada en la Fig.4' ñ T' = (4 U ?)'. . Por tanto puede denotarse por P(4' ñ ?'). Pero por el Teorem a 1-t2 (a). 1-16. Una bola se extrae aleatoriamente de una caja que contiene 6 bolas rojas.52. (c) azul.. respectivamente.. P(6 n (o) ") P(1): PG^e ó 1nP ó. # -.* h* .sz = Lg Tbmbién había sidq posible conseguir este resultado del espacio mueshal del Problema 1.P(C) = ! P(L0 Ln = ?uti[zando laparte (d)y elTeorema 1-1?. Empleemoe el espacio muegtral del Problema 1. Asf g n C significa tree de corazoneo.L ñD ó 1 n ") =P((1 n c) +P(1 nP) +P (1 nD) +P(1 n r) 11111 = 52.16. P(4'^T')= 4(4 U ")'l: L- P(4 U ?¡ : 1. l-r 1. (b) blanca. 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.[P(4) +P(")-P (4 n T)] _. página 6. (b) una jota de corazones. diarnante. 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. en particular "as" tiene una probabilidad de 1/13.2.. . (f) un diez o una pica" (g) ni un cuatro ni un trÉbol. eeto es 1/4. P.la probabilidad requerida es 36/52 = 9/13. pica. (d) no roja.lsnc) = #. D.16 CONJUNTOS Y PROBABILIDAD [cAP.. asignando probabilidades iguales de tl52 : L162.y 1. Puesto que este complemento tiene 52 . (c) un tres de tréboles o un seis de diamantes. trébol. en tanto que S U C significa tres o corazón. a cada punto mue¡hal.# = 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..10(o) en donde cad¿ punto mueehal. ? para indicar coraz6n. 1 que sea (g) un as. 4 bolas blancas y 5 bolas azules. (e) cualquier palo excepto corazones.16 : 36 puntos muestrales en él y cada punto muestral tiene una asignación de probabilidad Il52. doo. Por simplicidad utiücelnos C.1l _ 9 .. .10(tr).. por ejemplo. (d) un corazón. (e) P(C') - 1 .. Determinar la probabilidad de que sea (c) roja.13 . t (b) P(11 ñC¡= :- (c) I * -I^ 26 ) +P(6 ñD¡: 62 52 = I " .n. Así.

cAP. blanca y azul. 1l CONJUNTOS Y PROBABILIDAD Método 1.15 .P(At)P(A. . Entonces si asignamos probabili' dades iguales Ll15 a cada punto muestral observamos que P(.'"::.42 ocurren. Cada una de las 6 maneras en las cuales un dado cae en el primer lanzamiento puede asociarse con cada una 6. respectivamenüe. Denótese por R. P(AroAr) = P(At)P(A2lAr\ -. de las 6 maneras en que cae en el segundo lanzamiento. 6 6 6 en el primer lanzamiento V 1. . Método 1.1?.5 o blanca También puede resolverse l¡tilizando el espacio muestral como en la parte (c). P(roja o blanca) : P(R u r) : -"""'.) '!' . norparte(c). . ' SeanAl elsuceso "4rS ó 6 enelprimerlanzamiento" y Az elsuceso "7r2.4 1) :316 (ya que 4. 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. 4: 12 maneras en que tanto A1 como . Hallar la probabilidad de obtener 4. Luego estamos buscando P(Ar ñ A2).t""i: . Un dado honesto se Ianza dos veces. Método 2. un total de factibles. debido a que hay 6 puntos muestrales que corresponden a "bola rojatt. Puesto que los sucesos R y B son mutuamente excluyentes se deduce de (4). (b) P(B) = 6i+5 = ft porparte(o) (c) P(A) = 6+j+b = # = i =? (d) P(noroja) = P(R") = 1-P(E) = l-? (e) Método 1. 19 1 .á = | Método 3.2. B y A los sucesos de extraer una bola roja..6:36 maneras. 2.También i"-or usado P(. que P(nuB):P(R) +P(B):?*# = ? PROBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES 1.3 6 4 en el segundo lanzamiento.::"fl'"".364en elsegundo lanzamiento". --6+4+5=1b=s 662 Nuestro espacio muestral corisiste de 6 * 4I 6:15 puntos muestrales.H 10 2 6+4 6+4+5 . página 6.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). 5 ó 6 son 3 resultados de las 6 probabilidadés igualmente factibles) y P(Az): ltO (ya que 7. . Entonces P(ArnAzl . Entonees L1 (o) P(n)= Mótodo 2.3ó 4 son 4resultadosdelasGprobabilida' des igualmente factibles). r(RUB)=P(A'): 1-P(A): I . Método 2.J.R ) : 6/15 : 215.

oaa (3.6) (2. así que P(A2l Ar Sin embargo si ocurre un as en la primera extracción quedarán 3 en ) : 3/51.1) a Se deduce que la probabiüdad de no dada por ? u 11 está 345 Primer dado P1A'¡ '= | . (b) no ambar¡ sean se remplaza. l'ig.azamiento la segunda ca¡ta también puede extraerse en una de las 52 maneras posibles.tp(A2 A¡\ = (52")(*) = . Por ejemplo (5. a (2. todas igualmente factibles. A. Puesto que los dados son honestos y hay 36 puntos muestrales asignamos la probabilidad 1/36 para cada uno.2) signitica que el resultado del primer dado es b y el del segundo 2.2gara indica¡ y 2o.3) (4. {) (5. aa {) (6.2 a (6. Así que ambas cartas pueden extraerse en (52)(52) maneras. I a a aa (r.6) I (¿.2l a a (6.18.nA") =+:(. Se extraen dos cartas. 1 Esto indica directamente que A 1 y A2 son independientes puesto que . . 6) El espacio muestral para cada lanzamiento de los (r. . Sea A1 buscando suceso ttas en la primera extracciónt' y .l Método 2. Puesto que se incluyen 8 puntos tenemos que P(A ): 8/36 : 219. 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. 1-17. l) (3."t (ol La primera carta puede extraerse en una de las 52 maner:u¡ posibles y ya que hay rempl. 6) a 1. Hallar la probabilidad de que ases si la ca¡ta (c) se remplaza. entonces P(A2 | A r) : 4152. r) (2. extracción".3) Si A es el suceso "7 u 11" entonces A se indica por Ia porción sombreada en la Fig. Encontrar la probabilidad de no obtener un total de 7 u 11 en ningunó de los dos lanzamientos de un par de dados honrados. de una baraja de 52 cartas.3) (3.42 suoeso "as en la segunda P(Arñ A2): P(A1) P(A2l A t). Entonces P(A. r'(A. l-17 Utiüzando subíndices t.3) (8. = las 51 cartas restantes. Método 1. si la carta se remplaza para la segunda extracción. 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. 1-17. p(A.2) a a aa (5.18 coNJUNTos y pRoBABILTDAD lcAP. Así ambas cartas pueden extraerse en (52 ) ( 51 ) maneras. Entonces P(ArnA. todas igualmente factibles."A) = P(A) P(A. 1. puesto que también hay 4 ases en las ó2 ca¡tas para la segunda extracción. 6) ({.) = (b) Como en la parte (o).2.' ( #)l#) == # r\ P(A1l:4152.P(Al -- L 27 -::99 1o.)(á) = P(ArP\A2l (2.6) a (3. (2. /. l) (1. Entonces estamos (o) Puesto que para la primera extracción hay 4 ases en las 52 cartas. P(A¡): 4152.19. También. \. dados se muestra en la Fig.

4 Az 1.P(At) P(Az\ 1 r /t\/t\ rr Por üanto.P(ningún 4) : 1 -P(no 4 en 1er. Si Rl .20. : guCe¡o (o) Si cada bola se remplaza. Se extraen tres bolas sucesivamente de la caja del Problema 1. P(ArU Método 1.Rr n 82 ñ At):p(. 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 . lanzamiento) = | . (b) no se remplazan. entonces los sucesos son independientes y p(. P(al menos un 4) Entonces P(al menos un 4) P (ningún 4) = 1 : 1 . lanzamiento y no 4 en el 2o.21.A2 ocurra pero : no At : 5 5 número de maneras en las que tanto A 1 como .J requerimos A2: : suceso "4 en el prirner lanzamiento o 4 en el segundo lanzamiento o ambos" suceso t'al menos un 4" A2). I}2 : süc€so "blanca en la segunda extracción". Los sucesos A t I Az no son mutuamente excluyentes.cAP.P(ALñ42) = P(A) + P(A!) . Hallar la-probabilidad de obtener al menos un 4 en dos lanzamientos de un dado honrado. por (1Ol V QI ) = 6'u-\ui\u/ * = * Método 2.P(A')P(A'2| = '! -(8X*) = *" Método 3. llallar la probabilidad de que se extraigan en el orden roja. 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.42 ocurran : 1 . pero Bon independientes. 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!\. : 6. 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+ \=. Nfrmero total de maneras igualmente factibles en las que ambos dados pueden caer También. blanca y azul si las bolas (a) se remplazan. A3 "azul en la tercera extracción".16.P(A'rnA'"\ = | . P(A'tuA) = P(A) + P(A) .6 : 36.Rr ) p(82 lnr )p(A3 In. Sea A I: suceso "4 en el primer lanzamiento" y : suceso "4 en el segundo lanzamiento". Así Art.suceso "roja en la primera extracción".

Se lanza una moneda honrada. Por tanto P(. At : I. j Dor tanto ".. (c) una sea blanca y una negra. (b) ambas sean negras. hallar la probabilidad de que (¿) ambas sean blancas. página t. 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. Extensiones para valores mayores de n se obtienen fácilmente. SeaB¡ : suceso "bola blanca del primer talego".O*' P(A\'Aki \ P1A¡ A¡ = P(A) P(A I Ak) P\Ak^A) = --PÁt ) P(A¡l P(A' Akl 1.. Si se obtiene cara se saca una bola de la caja. Así la probabilidad de sacar una bola roja P(Rt - P(nP@ Il+P\II\P(RIII¡ = /t\/ I \ /r\/ z (.23. si se obtiene sello se saca una bola de la caja /I. pero revela que se sacó una bola .23) Ay A2.24. Axioma 3 empleando (I8).23 con A: R. Un talego contiene 4 bolas blancas y 2 bolas negras.22. Si se extrae una bola de cada talego.2/ 5 z TEOREMA DE BAYES L25. . Si el suceso . Demostramos el teorema para el c¡¡so n : 2. Hallar Ia probabilidad de sacar una bola roja. Demostrar el Teorema 1-23.) . Az: II. An tenemos por el Teorema P(A) = P(AI)P(A Ar) + ' " + P(A. Supóngase en el Problema 7.24 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).26.)("+-ri-r:ri ---r:\ \2/\2+8/ \-/\-. Asípor P(A) = P(AIA)+P(A^AI') = P(A) P(A i A) + P(42\ P(A I A2) 8. 1 : Ar ó A2 ocurraes- 5 +5+ 1 L. La contiene 3 bolas rojas y 2 azules en tanto que la caja II contiene 2 bolas rojas y 8 azules. I|2 : süc€so "bola blanca del segundo talego".píryina9).41 U Az): 11/36. Puesto que una bola roja puede resultar al escoger cualquiera de las cajas podemos em..\P(A:A.lB't)=P(B')P(Bi¡ = 1-P(Br ñB)-P(Bin B'r): (b) (c) (-1=)1=+) + 2/\3 + 5/ \4 = : 24 La probabilidad pedida es t -i-* = # 1.. (d) P(BtnBil:P(Br )P(B2lBt):P(Br )P(B) = lt!")/-=) + 5/ = I 4 \4 + 2/ \3 P(B'tñnb:pelp@.. Demostrar el teorema de Bayes (Teorema L-24. fcAP. otro contiene 3 bolas blancas y 5 bolas negras. Az entonces A = (AnAr)u(A¡42) PeroA ñAt y Añ Az son mutuamente excluyentes puesto que A1 y A2 lo son.20 CONJUNTOS Y PROBABILIDAD Luego el número de manera¡ en l¡as cuales por lo menos uno de los sucesos 11.I. Puesto queA resulta en uno de lossucesos mutuamenüe excluyentes 1-22 (Problema 1. plear los resultados del Problema 1.4 debe resultar en uno de los dos sucesos mutuamente excluyentes At. página 8.

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

g. 8. Por tanto: El número de ordenacionesde 10 En general. 7 : 4586 sonlos númerosque puedenforma¡se.8. = 5.31.oPo = 514! = (lZO)\24) 2gg0 1. Se quieren sentar 5 hombres puede asociarse con cada ordenación de las mujeres. y finalmente sólo 1 manera de llena¡ la última poeición.1 = 6 1. La primera posición puede ocuparse por cualquiera de las cinco bolas.. (n .6 .9si(c)los números pueden repetirse.. ¿Cuántosnúmerosdecuatrocifraspuedenformarseconlosl0dÍgitos0. hay 9 formas para ocupar el segundo puesto. puestos).. (o) La primera puede ser cualquiera entre g (el 0 no). . I . Cada ordenación de los hombres Elnúmerodeordenacionespedidoes = "Pr.29. La segunda puede ser cualquiera entre 9 (no puede ser la que ocupó el primer puesto). nPr. Entonces 9' sPs : I .2. 1 Debemos ordena¡ 5 bolas en 5 posiciones así -. L = b! =. 9 .. Cuando esto se haya hechó hay 4 maneras de llenar la segunda posición.T = - 5040 El número de ordenaciones de n objetos diferentes tomados de r en r ea n = n(n 1) . 3. (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). 1. S para ocupar el tercero y 7 para ocuparel cuarto. (b) si los números no pueden rcpetirse. .4.8.7: 4536son los númerosque pueden formarse. tercera y cuarüa pueden ser cualquiera de las 10.1 =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. ¿De cuántas formas pueden sentarse? Los hombrcs pueden sentarse de 5P5 formas y las mujeres de 4Pa formas. (c) tsPt. cuando esto está hecho.28. (b) uPo. Halla¡elvalorde (a) . 1. Así pues.7. . El primer número puede ser cualquiera entre 9 y los tres restantes pueden elegirse de gPa formas.. Luego hay 3 maneras de llena¡ la tercera posición.3 = 860 (c) . (d) rPr. Entonces I ' 10 ' 10 ' l0 : 9000 son los números que pueden formarse.5. á maneras de llenar la cuarta posición. 120 Elnhmerodeordenacionesdenobjetosdiferentesenunafilaes=n(n-l)(n-2\.22 CONJUNTOS Y PROBABILIDAD [cA?.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 .336 (b) Pq = 6. Otro métod<¡. por tlnto: El número de ordenacionesde lag 5 bolasen una filaes En general. 4. = e 15 (d) ¡P¡ = 3. persona!¡ tomadasde 4en 4es = tC.30.32. La segunda.r * l) Esto se conoce como el número de permutaciones de n objetos diferentes tomados de r en r y se denota por P.rP. (¿) aP¡ = 8. es decir hay cinco maneras de llenar la primera posición.Pr. 2. l. = r¡ ! como en el Problem a 1...2.. puestos). ¿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. y 4 mujeres en una fila de modo que las mujeres ocupen los sitios pares.1.3. Obsérvese que cuando | = tr.

23 (c) ' 8'7 : 5O4 Otro método.35. El primer dígito puede elegirse de 9 maneras y los dos siguientes de gP2 formas. seis diferentes de física y dos diferentes de química se. ¿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. Entonces el número de ordenaciones pedido será = 4't.PorelProblemal.34. n2 son iguales. (b) si dos personas determinadas no deben estar una al lado de la otra? Considérese una de ellas sentada en cualquier parte. loslibrosdequímicade2P2:2! formasylostresgruposde3P3:3! formas. el número de ordenaciones de 6 person¿N sentadas alrededor de una mesa con 2 determinadas de ellas sentadas juntases de 5! 2! :24O. rt. ¿De cuántas formas distintas es posibliordena¡los si (c) loslibrosde cada asignatura deben estar todos juntos. se tiene el número total de formas en que 6 personas pueden sentarse alrededor de una mesa.. de modo que dos de ellas no estén sentadas juntas es 720 . Entonces 9 son los números que pueden formarse. (b) solamente ios libros de matemátitas deben estar juntos? (o) Los libros de matemáticas pueden ordenarse entre ellos de aPa: 4! formas.9 ! formas. Cuatro libros distintos de matemáticas. si (o) pueden sentarse de cualquier forma. 10 ! EntonceslSl 2: 3l)N = t0! y N - 101/(5! 2t Bl). .33. g. 1 n"+ . son iguales. Se ordenan en una fila 5 bolas rojas.. 6! = Considérense las dos personas que no han de ir juntas como una sola. ¿De cuántas formas pueden sentarse 7 personas alrededor de una (c) (b) mesa. + tt¡ = n. la segunda entre 8 y la tercera entre ?. Entonces hay 6 personas para sentarse en círculo. n#l* 1. Entonces las 6 restantes pueden sentarse de ?20 formas. colocan en un eslante.34estoes ¡ft - 10'f''8' . ll0. . n¡ En general el número de ordenaciones diferentes de n objetos de los eue ?r¡ Soriguales* donde. (b) de las 2 bolas blancas entre sí y (c) de las 3 bolas azules entte sí (es decir. . que es el total de car¡os que se dan en la ordenación de 7 personas en un círculo. multiplicando N por 5! 2l 3!) se obtiene el número de ordenaciones de 10 bolas si todas ellas fuesen distintas. . 6l 2l3! - 207 360 (b) Considerar los cuatro libros de matemáticas como un solo libro. mediante (o). Entonces se tienen 9 libros que pueden ordenarse de 9P9 . Así pues. 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. 1l CONJUNTOS Y PROBABILIDAD La primera cifra puede elegirse entre g.cAP. COMBINACIONES 1. ePz:9 . En todos estos casos los libros de matemáticas están juntos. es decir. .24O: 480 formas. que lo pueden hacer de 5! formas. Pero los libros de matemáticas pueden ordenarse entre ellos de aPa:4! formas. Entonces. I 1.36. Entonces ' 7 : 504 será el nfrmero pedido. Multiplicando N por el número de ordenaciones (o ) de las 5 bolas rojas entre sí. Pero las dos personas consideradas como una sola pueden ordenarse entre sí de 2! formas. Entoncesel número de ordenacionespedido será = 9l a! - 8 709 120 1. los libros de física de 5p5 :6! formas.

6. se forma un corúité de 2 matemáticos y 3 físicos. 15 = 150 (c) 2 matemáticoe de un total de 3 pueden elegirse de sCz formas. no teniendo en cuenta el orden de los objetos dentro del grupo. 1. En general el número de grupos distintos de r objetos que 8e pueden formar con.37.5. ¿Cuánt¿s ensaladas pueden preparañ¡e con lechuga. 3 físicos de un total de 7 dan 7C3 formas.4O. ae llamanúmerodecorñbinacionesdelosnobjetostomadosderenrysedenotapor. _ e! _ \s/-sws-BJ]T- e.6. 2 matemáticos de un total de 5 pueden elegirse de sCz formas.4 = l4. 4.5 71 ^ (ol . lo que es evidentemente 1. como si se escoge o como si se rechaza. es:25 - 1 : 31 Puedeseleccionarseldelassverduras. 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).Olf/Vvienedadopor ^ n"r nl /"\ \r / . 5.1 = o'' --ll (b) oCs = 6 ! = 6. b! ?.8.. 2 físicos restantes de un total de 6 puedtn elegirse de eCz formas.objetos dados. el número de formas de considerar lias cinco verduras es 25 formas. Número toüal de selecciones posibles = sCz. = #h = I si se define Nótese que formalmente aCa 0! = l.2delasSverduras.ur ... (b) un físico determinado debe pertenecer al comité.38.39. Entonces tC+:I. ¿De cuántas formas puede formarse. oCz = 10 . ¿De cuántas formas puede elegirse una comisión de 5 personas de entre 9 personas? /g) = ^c. 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.5.Entonceselnúmerorequerido de ensaladas es -. Pero las 2s forma¡ incluyen el ca¡o de no seleccionar ninguna verdura.4!B! = 7. si (c) puede pertenecer a él cualquier matemático y físico. endibia. beno y achicoria? Cada verdura puede tratarse de 2 formas. 6 uCt=oC1 =6' 5ú ff (c) +Ca es el número de grupos de 4 objetos que se pueden formar con 4 objetoa. Por tanto El número de ensaladas Otro método.2 = 6. (c) dos matemáticos determinados no pueden estar en el comité? (a) 2 matemáticos de un total de 5 pueden elegirse de sCz formas.rl nP' 1. Hallar el valor de (a) zCq (b) aCs. 3 físicos de un total de 7 pueden elegirse de zCs formas.24 CONJUNTOS Y PROBABILIDAD lcAP. De un total de 5 matemáticos y 7 físicos.b = 126 1.6.. n.SdelasSverduras. Nfimero total de selecciones posibles = sCz' zCs = l0'35 = 350 (b). escarola.. Número total de selecciones posibles = tCz'tCs = 3'35 = 105 L.C.rl(n-rll n(n-11"'(n-r+1) r! .CL-l tC2+5Ca+ sC4+ scs : 5 *10+ 10* 6* 1 : 31 . (c\ eC+ 7.

¡raracualquier enteropositivo n. De acuerdo al teorema del binomio *'\.*.cAP. . \ r / \r-1l' (n-r*r)(n-1)! r! (n .11)"-.B. $ \k /' 3 \& /'.1l CONJUNTOS Y PROBABILIDAD 26 nCn Engeneral. Demostrar q"" Tenemos que 11) \r/ = l" .1). n0r+ ncz+.r)'! r! (n .r)l (n-r)(n-L)l * r(¿-1)! r! (n ..42.y por tanto eetá dado por /12\ _ \n/= 12. ee decir k = 4. de 1. La¡ 4 coneonantes pueáen elegirse (!e lC+ formas."¡ /¿-r\ /"-r\ \ " )-\"-t) El resultado tiene la siguiente aplicación interesante. r0. 1.r e =4e6 . . Halla¡ el término constan6 en h exDansión de 1r.' \"/ ü/ \ El término conetante corresponde a aquel para el cual 3& .eüc. 2. . ¿cuántas palabras pueden formarse. 'xl (**!\" = r-:o (1?).z.1r . 4. que consten 4 consonantes y 3 vocales? No es necesario que las patabras tengan significado.t) + f" .tFV=fr . 1b:10 * 6. ! = 2r-1. obtenemoa Ia distribución conocida como el trióngulo de Poscal: n=l n=2 n=3 n:4 n=5 n=6 et¿.*-. Con 7 consonanps y 5-vogaJes diferentes.= xau /rz)'. Aeí10:4I6. 3 vocales) pueden ordena¡¡e entre sf de zPz : ?! forma¡..Cs+ -. lss 3 vocsles de s0g formac consonantes. Si escribimos lo¡ coeficientes de la expaneión binomial de (c * U)" púa n :0. 10 ' 6040 : 1 ?64 000 COEFICIENTES BINOMIALES 1. ee 1.+!\".11.r)l (¿-l)! (¿-1)! . 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.43.!2 = 0.. Entonces: El nhmero de palabrae y las ? letra¡resultantee (4 q 7C1 ' óCa ' ?! : 35 ..41.1¡¡ 1" .

45. Si se extraen 3 bolas aleatoriamente sin renplazamiento.B Probabiüdadp€did¡: (D) Empleando el re¡undo método i¡dicado en la parte (o). jota. (li) 4 ases y un rey.* "O de cada color) = Ot¡o método. (c) 2 sean rojas y 1 blanca. 1 PROBABILIDAD T.Rt n . . Eotoo"". (f) las bolas sean extraídas en el orden rojo.[l2 ñ R3 reprerenta el guceso "la¡ 3 "bola bola¡ exhafda¡ con rojEr". Halla¡ la probabilidad de extraet (a) 4 ases. (cl P(2 bolar rojar y 1 blanca) = (gupoc de 2 entre 8 bol¡¡ rojar)(grupoo de 1 entre 3 bola¡ blancas) afir. roja en L¡ te¡cer¡ ettracciónt'.er orden. @) pedc) = (b') W# = # = u¡fuo P(4eroylrey) = ry . 3 blancas y 9 azules. 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 . blanco.= 1140 = zous j_ 296 P(3 bolú blurcas) ' Tambión puede utilizarre el priraer m6todo indic¡do en la parta (o). determinar la probabüdad de que (c) las 3 bolas sean rojas. =t-# =# = !9lff9 = *g (f) P(ertraer l¡¡ bola¡ en o¡den rojo. Rc lol auceecr "bola roja en la primera erhaccióntt. De e¡ta mar¡era tenemo¡ Sean i¡. (c) 3 dieces y 2 jotas. A¡f . 14 Za. (d) un 9.a roja en la aegunda extracción". Una cqia contiene 8 bolas rojas. (o) Método 1. (b) las 3 bolas sean blancas.26 CONruNTOS Y PROBABILTDAD [cAP. ezut) . P(almenol blance) (¿) P(tdecadacolor.. =g=i| zocs t9. Bz. Se extraen 6 cartas de r¡na barqia de 62 cartas. blanco. rerpectivarnente. P(8rnP2nBJ = P(Fr) P(^R2 | A1) P(¿s l. (f) al menos 1 as. reinq rey en cualqui. azul.B1nR2) . 10.TTEIZA}TDO ANALISIS COMBINATORIO 1.44. t'bol.ocro de ¡rupoe de 3 bola¡ entre 20 =-=-zocs (d) P(ningu¡ablanca) = (¡CzX¡Cr) 7 96 #= ff./e\/ z\/o\ \20l\i0l\18/ Método 2. (d) al menos 1 eea blanca. (e) se extraiga una de cada color. (e) 3 de un palo y 2 de otro.

lf{| = 'ffi. Asf logN = los(/lofi¡o5o¿-50) 1f = i los100 I |losr * 60 log60 - 50 log¿ . 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. = . eractamenüe 66. 2 de otro) = q#@ = ffi = t -.á.p(6)p(6') .n"¿-¡.por elmiamorazonamientoanüeriorlaprobabiüdaddeobtener r vece¡A en n enaayos independientes ea \n/ 1. Los libros pueden ordenar¡e éntre ef de roPro = 10! formar. Supongamos que lo¡ 3 libro¡ determin¡do¡ de m¡temática¡ ee remplazan por 1./r\3/s\2 = =*é)t1l)'= = I 't 'v.66. Pero hay rCa son mutua¡nente ercluyentes.{fi.4E. puesto que hay 4 form¡¡ de eecoger el primer palo y 3 foim¡s de ercoger el regundo. Por ejemplo. Por tanto la probabilidad pedida e¡ p(666. un dado honrado. 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(6.4?. rey) x4crx4crxrcr) (rcr) szCs 64 162 496 (e) P(3 de un palo. Cada eopacio tendr6 lo¡ ¡uce¡oc 6 o 6. Halla¡ la probabiüdad determinados de matemáticas estén juntos.. reina.\o/ \o/ para todc lo¡ oEo¡ resultado¡ en los cuale¡ ocuren hec 6 y dos no 6.* = (il'eu)' : 10 de ertor nrceeor y pueeto que suponemoe que lor ¡uoesos ron independientee./L\'/qY .cAP.46.66. Por tanto aot-t/ffi5oso¿-so:N Para evalua¡ N uüilizamoe logaritmoe de ba¡e 10. Pero a su vez io¡ 3 libro¡ de matemótica¡ pueden cden¡r¡e enhe ¡f de 3P3 = 3 ! form¡¡.p"en-' = (n\o'o'-' sip: P(A) y q:1--p:P(A'\.6ó.á á *. etc. diez. (/) P(ningrn *) = # = m. Análogamente '" .ó En generd. LuegoP(al menoa un ar) 1. Arf tenemo¡ un üotd de 8 libroe que pueden orden¡¡se enhe ¡f dc 6Ps = 8 ! formas. Detenninar la probabilidad de tres seises en 5 lanzamientos de Represéntense los lanzamiento¡ del dado por cinco eepacioe no 6 (6'). de que S libros .\6/ \o/ BITT\6i \6i 8888 nc. Un estante tiene 6 übros de matemáticas y 4 de física. u (c) (d) P(3 diece¡ y 2 jot¡¡) CONruNTOS Y PROBABILIDAD QCslQCzl 1 szcs 108 290 (4cr P(nueve. n7 . jota.

i :. 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) = (. lanzamiento. Denótese por A B t.:. Quien obtenga primero un total de 7 q^? el juego.'.10. -/¿\/a\1¿\ = le ^ \3/\3/\3/ 27 1.'J?fi '.. Acuerdan jugar un torneo consistente en 3 partidas. t. (ó) quien lanza segundo los dados gane. luego B. Hallar la piobabiüdad de que (o) A gane las tres partidas. A pierde en el ler. . (o ) La probabilidad de obtener 7 en un sólo lanzamiento de una pareja de dados.. Az. B gana 4 y 2 tnrmrnan en tablas. y 3a. supuestamente honradoe. (Esta suposición no sería justificable si un jugador fuera influenciad..46) 5 /s\ " \í)o'n'-' = t(. luego gana A.. 1-17.:.) suponiendo que los resultados de cada partida son independientes de los resultados de la¡ ohas. (b) dos partidas terminen en tablas. luego B) == ". luego A. partida respectivamente.^. 1á¡ n gane al menos una partida.4343) = 64.50 A y B juegan lanzando alternativamente un par de dados.de2tablasenBpartidases(réase Problema 1.) P@. 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. Probabiüdad = {¿)(f )($).P(B no gane ninguna partida) t . un nfimero que tiene 6b dígitos.28 11 CONJUNTOS Y PROBABILIDAD lcAP. PROBLEMAS DIVERSOS 1.4972) + 50(1.Xt(. I|3 los sucesos "B gana" la 1a.18 y Fig.P(B') P(B.. es 1/6 como se determinó en el Problema 1.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."u j /t\/r\/t\ * /r\/r \/r\ = \r/\5/\r/ \¡i \zi \¡i 5 . partida respectivamenüe.íll 36 (d) P(B gane al menos una partida) : 1 . 2a.:'. 2a. Bz. luego A o B gane.) .z.P(B'roBj¡B'r) L .4836 N= 3.':. lallar la probabilidad de que (o) quien lanza primero los dados gane. A 3 los sucesos " A gana" la 1.. A y B juegan 12 partidas de ajedrez de las cuales A gana 6. luego pierde B.04 x 100r. (c) A y B ganen altemativamenie. \a) = n /r\2/<\ (c) P(A y B ganen alternaüvamente) : P(A gane. 1 = ¿los100 | ¡lor3142 + 11 = i(zl * de donde 50 1og50 - 50 log2?18 . lanzamiento. y 3a. Probabiüdad : 1 /6.Asílaprobabilidad.6990) - 50(0.49.

de tal manera que la probabilidad es 3/8.1) = 0. (b) ninguno viva.*/q\'*/q)'* \o/\e/t_' \o/'.8)(0.cAP. respectivamente. pierde B.9. Una rnáquina produce un total deL2 000 tomillos diarios de los cuales en promedio elSVo son defectuosos. lo cual puede ser o no razonable. Puesto que se sabe que la segunda bola es blanca solamente hay 3 formas de las restantes 8 para que la primera sea blanca.9) = 032 (ó) P(ningunoviva) = P(H'nW') = P(H'\P(W') = (0.9 respectivamente./s\/¡\/o\/s\/r\ * \6/-\6i \6/\u/ \6i \6/\Bi \u/\6i 1l-. l|/ los sucesos que el esposo 0.tJ es cero ya Así iríamos 6 a 5 a que el primero que liance gana. Sean ÁI. Hallar la probabilidad de que de 600 tornillos seleccionados aleatoriamente 12 sean defectuosos.51. Entonces y lI/ son sucesos independientes. P(H): (o) P(ambosüvan) = P(H1W) = P(H)P(W) : (0. Las probabilidades de que un esposo y una esposa estén vivos dentro de 20 años están dadas por 0. gane es /t\ /s\/s\/r\ .151 y 1. pierde B. (c) al menos uno viva. que la segunda es blanca. estén vivos en 20 años.52.152. 1.02 . respectivamente. De 12 000 tornillos.' \6/\6/\6/\6/ * = /q\/r\T. ¿Cuál es la probabilidad de que la primera también sea blanca? Método 1. el 3'/o 6 360 son defectuosos y 11 640 no lo son. Prqbabilidad = (áX8X8X8X+). : 6L" /s\' * /r\* I _ \al \ui donde hemos utilizado el resultado 6 del Apéndice A con x r/6 6 : (5rc)2 - (b) Análogamente la probabilidad de que B gane el juego es 1q)/l) .2)(0. Una caja contiene 5 bolas rojas y 4 blancas.F/ y la esposa. Véanse Problemas 1. Este resultado se obtiene así Si P(BJB)='+#=elwq=* Método 2.8. estamos buscando P(Br lB2). Hallar la probabilidad de que en 20 años (a) ambos vivan. Se extraen dos bolas sucesivamente de la caja sin remplazamiento y se observa.(5/6)2 11 . Suponemos que .53.\6/ =5136=5 1 . lanzamiento. 1l CONJUNTOS Y PROBABILIDAD 29 (3) A pierde en el ler. Bl. gana A. pierde A./l)/q)lq\It\ \6/\6. Nótese que la probabiüdad de un empate que 11 ' 6-5 11 1 Esto no serfa verdadero si el juego fuera limitado. Así la probabilidad de que g. I|2 son los suceoos "blanca en la primera extracción". 1. P(W) : 0. "blanca en la segunda extracción".8 y 0. Así Probabiüdad pedida = -H*-P 1.

/\ . Por tanto la probabilidad pedida es p(ApAzu-. n-ésima carta ¡e encuentra en el gobre correcto. finalmenrte . .-. 1 (c) P(al menoc und üYa): 1 -P(ninguno viva): 1 .. riamente.=t \/ .98 1.". -r/\n-2/ (+) = + \.. Entonce¡ el ¡uceso al menos una carta en el sobre conecto es.r) . página 7.(+ll-+ll=+) \.) "1 ó 1. Tbmbién (E) p(A."uAn) = )r(¿*) -)e6'tnl'r) "' * (-t¡"-t P(At^A2¡ " n.xt"1B"""ntJfi::::i*il'ff.0.lAtnAr) y así aucesivamente. . 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. 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. Hallar la probabilidad de que al menos una de las cartas llegue a la destinación aproDenótensepor A¡.. . cegunda. Por üanto.54.\ri )\" " ' " + (-r)^-'l'\l+) = r-fr+i-"'+1-t¡"-'I cz \z/!t!/ Del cálculo sabemoe que (véare Apéndice A) = lf ¡*#.).) p\AztAttp(A.6321.i1-:.79) tenemo¡ (1) donde E P(A¡) + )P(AinAinAk) P(áruAru.1) . U A...sobre "nto"o' *to '' de los rectantes n- 1 sobres estará (4) p(AtnAzr1A¡) = p(Á.. E P(A¡ ñ Ar) es la suma de probabilidadesdeA¡ñA¡conjyhdeedelhastanyh)j. aefqueparar:-l e-.ñA2t : p(At\p(A2lAt\ = (*)("=) aProPi"ao ü....nA2n..Tenemosporejemplolosiguiente: (z) P(A)=+ yanálogamente PlAr¡=L ya que de lo¡ n sobres rolamente 1 tendrá la dirección apropiada. (véase Problema 1.#.nA) = ''-n' P(A¡ñ A¡ ) hay (.. ='-('-+r..i \./\.* r-e-l I : 0.A.. A partir de la generalización de los resultados (10\ y (1 l).\ /"\/t\/ I = (l)(t)-l:)/l)l \.1/ =..i/ .) Ap) hay ( (+)l=+) \lr/\tt . 'á P(4 ñ A¡ ñ que tienen ) = "r"términos el valor dado por (4).ri.u) las es la ¡uma de las probabilidades de A¡ desde t hasta n. . El resultado ee a¡ombroso ya que la probabilidad permanececasi constante para n ) 10.C2 términos que tienen el valor dado por (3).02 = 0. lo¡ sucelo¡ primera.vAn¡ 1\ t.f'.42.4¡ U AzU'.U An y deeeamos hallar P(A¡ U A2V.1/ nl (5) Entonces en la suma > Análogamente en E p(A.\t/\..etc.. Una secretaria ineficiente coloca ncartasdiferentes en n sobres con destinos diferentes aleatopiada..30 CONJUNTOS Y PROBABILIDAD [cAP.

debe ocurrir en uno de los otros 364 dlas. Análoga' mente la probabilidad de que l¿ üerce¡a persona üenga un cumpleaños diferente de las dos primetas es 863/365. Suponemos que solamente hay 365 días en el año y que todos loe días de cumpleaños son igualmente probables. 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. Por tanto tenemos n.693 6 ln 2 = 6 (n . Así la probabilidad de que la segunda persona tenga un cumpleaños diferente de la primera es 364/365.ln p r¿(rr : - -- 1) ?30 . 3. el segundo término y los términos superiores a la ae 1S¡ son dlespreciables comparados con el primer término... .z\.^" --!.67. La primera de las n personar¡ tiene lógicamente algún cumpleaños con probabilidad 365/365 : 1. SeaA = {r r2-3r*2=0}. suposiciones que no se cumplen genetalmente en la realidad.165/\'. Entonces."' .-4\ .s supletnentarios CONJUNTOS 1.58. Enipleando los hechos de que para n . Determinar cuántas personas se necesitan en el Problema 1.l. si Ia segünda persona tiene un cumpleaños diferente.cAP.. (b) método de comprensión. fótmula 7) que -r) -= --c - T- 3 así que (I ) puede escribirse como = ft+z+ : 2.0.' (Apéndice A' fórmulas 1 y 2) (Ir\ I+2+ "'*(n-1) = @. Por tanto tenemos es (365 - P(n cumpleaños diferentes) = #* # ffi = \'- ' 365 :-l! + 1 1\/'..23)(n'l 22) = g asf que n : 23. Problema. Halla¡ Ia probabilidad de que n personas (n < 365) seleccionadas aleatoriamente tengan n días de cumpleaños diferentes.865 ) de 1. 1.. "'+rn(t-#) ln(1 Pero sabemos de cálculo (Apéndice A. 12+22 i-.. Sea A eI conjunto de los números natwales entre 5 y 15 que son pares.1\:{.865)"'\'.-k).693. Finalmente. D = {t I 12<16).r)(Zn -r) 6 obtenemos para (3) (5) *::":: 16) rnp = -!!+ñ! .55 para que la probabiüdad cumpleaños distintos sea menor que U2. por ejemplo n ( 30.55. 1l CONJUNTOS Y PROBABILIDAD 31 1.56.2 -r¿-506 = 0 = 0." .(.DeterminarsiACB o no.). Denotando la probabiüdad dada por p y tomando logaritmos naturales hallamos (r) @\ (3) lnp tnp =t"(r-#) -r'"(. asf que una buena aproximación en este Pa¡a (7) p : L12.-*(n-1)2 - n(n . tnp = .n(r-l) i30 para n pequeño comparado con 365. la probabilidad de que la n-ésima persona tenga un cumpl'e¡ñoe diferent¿ de las otras n * 1)/365. Describir A de acuerdo al (o) método de extensión. .

66. . (d\ (AnBlu(AnC).64. (d') A-8. Generaliza¡ el recultado del Problema 1. (c) lanzar un¡ moneda hasta que aparezc¿ un sello. ei ¿[e como I Sea ci éeeI' o cl¿se de todos loe conjunüoc que no 8on elementos de eUos mi¡mo¡. oPEBACIONES E¡ITBE CON.6?.5\ yrupóngarequeloerubconjuntoede'll son A:{1. B.6 A: falredad de las propoeiciones siguientce.(AuC). (c) Teorema 1-4. E¡tudiar la verdad o entonces A CB.t B = IA-(AnB)] u ÍB-UnB)l 1. B={2.5}. Demostra¡el (a) Teorema l-2.7 o negar: Si A u (Ar\B) eilusha¡loporundiagramadeVenn. Tborema 1-120. (e\ B-A.72. 1.0(¡=4) Encontra¡ (a) AvB.A r.ñ(B. página 3. EXPEBTMENTOS ALEATOBIOS. signifrcadodecadaunadelasoperacionessiguienüee: (f) B A.68. ESPACIOS MUESTBALES Y SUCESOS L.). De¡cribir un espacio muestral para cada uno una moneda. 1.73..?0.1.uC'). 1. B. C = {4. 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. 1. Un erperimento consiste en el lanzamiento de una moneda y un dado. página B.?f .5. 15¡(6. (fl (A-B) u (B-A). - . Seaununiver¡o 'Ll:{L.31. (o) Demostrar que (b) Demoetrar que ri p-f Ge[.2}.nC. Demo¡trarque (á -A)UA =á ¡ólo srBC A e ilugtrarlo utilizando un diagramade Venn. (e) A. 1. 1.B'? Ju¡tificar l¡ ¡olución. (c) A'uB. (ñ) A . de loe siguientes experimentos aleatorios: (o) 3 lanzamientos de 1.62.61.p6gina 3. (e) A-8. 1. y (D) ilustra¡la utilizando un diagrama de Venn. A tenemo¡ A C A. (e) el número de partícular nucleare¡ que enhan a un contador Geiger.4. Emplear un diagrama de Venn para dibujar ceda uno de loo conjuntoo eiguientec: (¿) A n (Bucl (ü) .76. (fllanzat una moneda y un dado.4 u (BnC\ (c) A' n (BuC)' (rt) A . Demo¡harque . (bl AnB.?).(B. (ü) B'. L. Generdiza¡ las primen y eegunda leyec De Morgan a cualquier número de conjuntos. (c) A)8.69' 1.66.ruNTOS. página (o) Eemortrar la segunda ley De Morgan. (c) A'nB'. (s) (AnC)' u B.3. (ü) Teorema l-8. 0 @uB) .68. (Ó) el nhmero de fum¡dore. 1 1. x>y O i Demostra¡ que cualquier aubconjunto del conjunto vacfo debe ser el conjunto vacfo.} ! B = {rlreounnfimeroprimo. (d) AnB'. ¿EE (A - B)' : A' . (o) Si A y B eon dos conjunüos cuáleequiena. (c) Añ(BuC). A)8.76. 1. I-a paradoja descrita se conoce Rusell.Encontrar (a) Av(BuCl.9.o de llamadas recibida¡ en une ce¡ttrat telefónica. entonce¿A = B.2. formule en palabras el (a't A'. (d) el númer. (b) (AuB)uC. Ilustrar el principio de dudidad haciendo referencie a losteoremas de la pfuina 3. 1.60. DIAGBAMAS DE VENN y TEOREMAS SOBBE CONJUNTOS 1. (ó) Sir yy son do¡ númeroereales sr¡alesquierq entonces x1y. Afirmar -B = @.69. (Véase Problema 1. 1. =y.32 CONJUNTOS Y PROBABILIDAD Demoeürar que para cualquier conjunto [cAP. entoncq cJeeJ. Sea'tl el conjunto de todos loi enteros no negativos y conaidérenee loe nrbconjuntoc A = {xl¡e¡unente¡ope¡. en un grupo de 600 hombre¡.(BnC) (e) A' - (BuC)' 1.

. pfuina ?. satisface los axiomas de probabilidad en la página 6 y por tanto todos los teoremas sobre probabilidad. B'. ll CONJUNTOS Y PROBABILIDAD 33 TEOREMAS SOBRE PROBABTLIDAD 1.demostrarque pendientes. (i) la primera sea blanca pero la segunda no.t1.8t. as. . (D ) si las cartas (o) se no se remplazan. (b ) A' es independiente de A es independiente de B demostrar que (o ) A es independiente de B .83.8 I . pfuina Demostrar que P(A'uB') = 1 . Hallar la probabilidad de extraer 3 ases aleatoriamente de una ba¡aja de 62 remplazan.cAP. (c) Encontrar un tornillo defectuoso si después de examina¡ 600 tornillos se han encontrado (d) Un 7 u 11 reeulte en un solo lanzamiento de un par de dados honrados. (c) una sea roja y la otra azul. (c) AyBUC.14(b) demostrando (sin emplear el diagrama de Venn) que AUB = AOIB-(AOB)I donde A y B . (b) ni roja ni azul. @) p(A'rr. Hallar la probabilidad de que sea (c) naranja o roja. 1. B. Si aI menos un hijo en una famiüa con dos hijos es un niño ¿cuál es la probabilidad de que ambos hijos sean niños? Demostrar que la probabilidad condicional definida por (17). 12 defectuosos. (g) al menos una sea azul. remplazando la bola extraída después de cada extracción. (¿) roja.83. 7. SiA. 1. (b) la primera sea roja ylasegunda sea blanca.80. Resolver el Problema 1. Explicar el significado de cada una de las siguientes: (a\ P(AroA!r). Determinar la probabilidad p.87.?9.4 ). son inde- .página 8. PBOBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES f . jota de tréboles o reina de diamantes al extraer una sola carta de una baraja común de 52 ca¡tas. (b)AyBñC.t4. 1. p6gina Generalizar los resultados (I0 ) 30.82. o azul.86. L. (b\ p(AluA2\. (h) máximo una sea roja. 1. Halla¡ la probabilidad de que (a) ambas sean blancas.92. Se extraen dos bolas sucesivamente de la caja del Problema 1. y A3 el suceso "rey en la tercera extracción".89. (c)A y B-C. Un experimento consiste en la sucesiva extracción de tres cartas de una baraja. Demostrar el resultado (1 1). (d) blanca.90. para cada uno de Ios sucesos siguientes: (c) La aparición de un rey. 1. Hallar la probabilidad de que si dos bolas se extraen aleatoriamenremplazamiento) (o) ambas sean azules. 1. (e) Al menos aparezca una cara en tres lanzamientos de una moneda honrada. (e) la segunda no sea azul. .P(A¡B). o un estimador de ella. (d) sean rojas o blancas o de ambos colores (roja y blanca). Se exürae una bola aleatoriamente de un caja que contiene 10 bolas rojas. y así demostrar eI resultado (l ) del Problema 7. 1. (e) pl(A1nAr) u (A"nAr)]. (¿) p(A1^A'2ñA\).77.91.(A ñ B) son mutuamente excluyentes. üe (sin Una caja contidne 2 bolas rojas y 3 azules.tA'r). (c) ninguna sea naranja. (¡) solamente una sea roja.42 el suceso "rey en la segunda extracción".85. Sea A1 el suceso "reyen la primera extracción". 20 azules y l5 naranjas. 1. (b) La suma 8 agatezca en un solo lanzamiento de un par de dados honrados. y (I I ).84 si no hay remplazamiento después de cada extracción. cartzs 1.54. Csonsucesosindependientes. (b) ambas sean rojas. (c) no azul.1. CALCULO DE PROBABILTDADES 1. blanca 1. 30 blancas. Demostrar que si P(A ) >P(B ) entonces P(A I B) Si > P(.7t. 1. Completar la demostración en el Problema 1.

(D) 3 libros determinados deben estar juntos.34 CONJUNTOS Y PROBABILIDAD Sea lcAP.1O3. (b) doe mujerer determinadas no deben centar¡e juntar.+tPt = nPtl. abrimos uno de los compartimientoa y hallamos un reloj de plaüa. caja / contiene 3 bolasrojasy Sblancas. ¿Para qué valor de n es . L. Luego ee extrae una bola de la segunda caja. En el tercer joyero eñ un compartimiento hay un reloj de oro. ANALTSIS COMBINATORIO. y una bola ertraída aleatoriamente e¡ blanca. .106.109.93.lO2. Hallar la probabiüdad de haber escogido la urna I. 3. Se lanza una moneda tres veces. 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. (c) 2 libros deüerminados deben ocupar lo¡ exüremos? (o ) 1. En cada compartimiento del primer joyero hay un reloj de oro. 1. (b) ¡C¡. Demostrar que A¡ . 3 blancas y 4 negras. y lrr urna ffl. A2 = BuG€so "núme¡o impar en el segundo dado". Atl At. Hallar la probabilidad de que sea blanca.cajas reeulta azul.10t. (c) cada mujer debe eetarentre dos hombres? COMBINACIONES 1.101. La escoge una bola aleatoriamente de la primera caja y se coloca en la s€gunda c¿ja sin ob¡ervar su color.ent¿nüoquelacajalfcontiene4bola¡rojasy2blancas. Se extraen tres cartas aleaüoriamente (sin remplazarniento) de una baraja de 62 ca¡tas. . Utiliza¡ un diagrama árbol para determin¡r la¡ diferentes poribilidades que pueden suceder. CUENTA Y DTAGNAMAI¡ ARBOL 1. .104.9?. 1.96. ¿De cuántas maneraa pueden coloca¡se l.99. 2. En cada compartimiento del Begundo joyero hay un reloj de plata. AziA2.106. Hallar el valor de (a) rC3. Se selecciona una urna aleatoriamente la urna II. 4 blancae y I nggra. (¿) roC¡. (b) las primeras dos cifras de cada número son pa¡es? lor números deben ser 1. ¿De cuántas formas pueden 5 personas sentarse en un sofá si tiene sol¿mente tres asientos? 1. . Az.43 no son independientec. Se TEOREMA O REGLA DE BAYES 1. en tanto que en el oho hay un reloj de piata Si seleccionamos un joyero aleatoriamente. ¿Cuántos números diferentes de 3 cifra¡ pueden formar¡e con 3 cuaEog. suceso "número impar en el primer dado". Resolver el problema anterior si la8 cifreÁ de los números pueden estar repetidas.96. I monedae diferentes en 2 posiciones diferentes? PERMUTACIONES 1. (¿) roP¡. ¿De cuántas forma¡ pueden ordena¡se 7 libros en un eEtanüe ei (a) er posible cualquier ordenación. . 1 1. ¿Cuánto¡ números de cinco cifras pueden formarse con los dÍgitos L.1OO.98.94. 1. ¿cuál es la pobabilidad de que el otro compartimiento tenga un reloj de oro? 1. Hallarelvalor de(a) oP2. á3 : "total impa¡ en ambos dados". 1. A3 lon independientes pero que 1. (ó) zPs.4 doeee y 2 tres€s? 1. Una caja contiene 3 bolas azules y 2 rojas mienüras que otra caja contiene 2 bola¡ azulee y 5 rojas. . 9 ¡i impares. ¿De cuántas formas pueden 3 hombres y I mujerec sentarse alrededor de una meea ei (o) no se impone ninguna resüricción. A ¡: auceao At. Una bola extrafda aleatoriamenüe de una de las. La urna I tiene 2 bola¡ blanca¡ y 3 negras.1O?.¿Guál es la probabilidad de haberla exbaído de la primera caja? Ttes joyeros idénticos tienen dos compartimiento¡.

(h) las cartar son frguras o picas o ambas. .( ") . Halla¡ la probabilidad de que uno de loe jugadores obtenga (o) ? diamantea. Demostrar que (o) É . (ó) ( ). reina' rey). (g) la seg.119. \ r/ 1. Halla¡ el número de (o) combinacionee y (D) permuüaciones de cuatro letras cada una quepuedenformarse con las letras de la palabra Tennessee./"\ . (b) un palo completo.. PROBABILIDAD UTILIZANDO ANALISIS COMBINATORIO 1.t24. 1l 1.e cuántas formas puede un grupo de 10 personas dividirse en (o) dos grupos de 7 grupos de 5. (f) la seErnda carta no sea una figura.. En un juego de naipee ee reparte a cada uno de loe 4 jugadores 13 cartas de una baraja de 52 cartae. 1."". Si s€ extraen 3 tiquetes de la caja uno a uno' hallar la probabilidad de que alternativamente s€an impar. (c) (t-r t)s.-tj(. (c) al menos una carta sea un diamante.110.117. ¿Para qué CONruNTOS Y PROBABILIDAD valor de n s€ cumple que 35 3' n+rC¡ : 7' nCzl..rnda carta no sea una figura dadoque la primera eí lo es. 2 héboles.. lJna caja contiene 9 tiquetes numerados del 1 al 9. (b) tres 1. Hallar la probabilidaddeque (o)laprimera carta no Bea un diez de tréboles o un aa. COEFICIENTES BINOMTALES 1. 1.4 mujeres.113. 1. 3 y 2 personas? y 3 personas. +/"\ \2 / /"\ . Con 5 estadistas y 6 economistas quiere formarse un comité de 3 estadistas y 2 economistas.cAP. ¿Cuántos comités diferentes pueden formarse si (o) no se impone ninguna restricción. Hallar el coeficiente de ¡ en lt * ¿)t. Se extraen dos cartas sucesivamente de una baraja de 52 eartas. 3 corazones y 1 pica. (b) j=t (-1).) = 0..120.f 23.118. Hallarlaprobabilidaddeobtenerunasumade?puntos(o)unavez. (b) en contra de A de perder los prir4eros dos juegos? 1.121. 3 niños y 3 niñas con 6 hombres.125. (b) /11 \ (r-a)4. par.C. 1. \4 / 1. (e) no más que una carta sea figura (jota. (c) un economista determinado no debe estar en el comité? 1. ¿f). (d) las cartas no sean del mismo palo. Expandir (o) (o+y)6. s€ impone ninguna restricción. (b) la primera ca¡ta sea un aÁ pero la eegunda no. (b) dos estadistas determinados deben estar en el comité.. Demostrar que (c) (b) \r¿l \o/ \r / + 1") * '.114. ¿De cuántas formas pueden seleccionarse 4 niños y 5 niñas si (o) no determinados? 2 hombres. (b) deben seleccionarse un hombre y una mujer 1.111.116.122.2n-1. impar o par' impar' par.(b)almenoe dos lanzamientos de un par de dados honradoe.126.8 mujeres. Calcular. (c) eC¡. (d) (rz*21t. ¿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. t"l kCz\QC¿)/DC.+ r-''i" 2/ \l )=o \o/ \r/ /"\ * /"\ I 1.115. unavez'(c)dosveces'en 1. j=1 = n. La¡ apuestas en favor de A de ganar un juego de ajedrez contraB son 3:2. Si se van a jugar tres juegos ¿cuáles son la¡ apuestac (a) en favor de A de ganar al menoa doc de los tre¡ juegos.

¡rara valores de n grandes. Al lanzar un par de dados la suma puede ser 2.134. p2 y 4p Halla¡ el valor de p.jota. Halla¡ la probabilidad de que (o) las cartas eean de un palo.139. 1. ¿Puede considera¡ee la moneda cómo honrada? Expücar. Hallar la probabilidad de que ocurta 11 por primera vez en el sexto lanzamiento. 1. hallar la probabilidad de que necesiüe 6 disparos.) + P(A)+ . An P(ArvA"u. Hallar la probabilidad de que un jugador tenga de 13 cartas g de un mismo palo.51.36 CONruNTOS Y PROBABILIDAD lcAP.143. Az. Demostrar que para cualesquiera sucesos Ar.uAn) < P(4.131.140.I's probabilidad de que un tirador dé en el blanco eede 213. (d) 4 ases. Supóngaae que al lanzar una moneda 500 veces hay una secuenci¡ de2(lsnzanientosqueresulüan"carast'. Halla¡ la probabilídad de que (o) sean diferen1. Un espacio muestral consiste de 3 puntos muestrales con probabilidadeg a¡ociadas dadas gor 2p. Enunjuegodepókerhallarlaprobabiüdaddeobtener(o)unaescaleraflor.reina. 1.133. Demostrar que aproximadamente 2nCn - 22"1\/ñ. Obüener una aproximación al resultado del Problema 1.140 para que la probabiüdad de obtener 11 por primera vez sea mayor que (a) 0.3. rey y as del mismo palo. ¿Podríamos asignar probabilidadee de 1/11 a cada uno de esos puntos? Explicar.12E. etc. ¿Cuántas palabras pueden formaree con 5 letras si (o) lae letras son diferentes. (o) Hallar la probabilidad de obtener la suma 7 en al menos uno de tres lanzamientos de un par de dador honrados. PROBLEMAS DIVERSOS 1. Demostrarque 1. 1 1. (b) máximo dqs sean igualee.138. Un par de dados se lanzan repetidamente. Se extraen cinco bolas aleatoriamente sin remplazamiento.127. (c) todas las letras son diferentes pero dos letras determinadae no puden estar juntas? tes. . (c) ca¡tas diferentes.129. 1. . . Cuatro enteros se eligen aleatoriamente entre 0 y 9 inclusive.142.146. Halla¡ la probabilidad de que 3 sean rojas y 2 azules. APROXIMACION DE STIRLING A n! 1. .'. . .135. 1.5.130. . (D) 2 letras son idénticas.145. Demosürarque siACB' entonces AnB:Q.. 1.13?. (b)al menos dos sean ages.. 1. ¿De cuántas formas pueden selecciona¡se 30 individuos de un total de 100? 1.l47.136.96? 1. Se extraen 3 ca¡üas de una baraja de 52. 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. 1. +P(Á") 1.144. 12. (b) ¿Cuántos lanzamientos se necesitan para quela probabilidad en (o) eea mayor que 0.. (b) tn full que consiste en 3 cartas de un valor y 2 de otro (por ejemplo 3 diecer y 2 jotas.queconsistedediez. 1. 1.95? 1. Hallar porcentaje de enor en la fórmula de Stirling para n : 10.132.). A-(A nf¡: AñB'. - L. 1. (b) 0. Una urna contiene 6 bolas rojas y 8 azules. l.141. ¿Cuál es el menor número de lanzamientos necesarios en el hoblema 1. Si diepara al blanco hastaqueledal¡primera vez. .

1. (ü) tres jugadores. Demostrar que /"\ = ! 1t'¡¡" . Desea descartar el 8 y remplazarla por otra carüa que espera sea un 5 (err ese caso obtendrá una "escalera"). que (Sugerencia: Consi¿s¡ar 1.1ó3.(i)' una interpretación combinatoria. 4.ISrí"r"ncia. 1.151.156.\¡/(. 1. . u¿ fi.:). .rtimientos separados.¿De cuántas maneras pueden colocarse 4 bolas idénticas en los compartimientos? (b) Resolver el problema si hay n compartimientos y r bolas. . 3.149. (a) Un estante contiene 6 compartimientos separados. 1.151. Un jugador de póker tiene las cartas 2.148.t't .8.6. Demostrar que la probabiüdad para que la secretaria del Problema 1.152. ¿Cuál es la probabilidad de que obtenga el 5 suponiendo que los oüro¡ tres jugadores en conjunto tienen (a) un cinco. (c) trer cincoe. Este tipo de problema se presenta en física en conexión con l¡a es tad ísüca Fermi-Diroc. (c) los cuatro jugadores tengan un palo completo.)va". (b) dos cincos. Demostrar l") .155.54 obtenga exacüamente I ¿-c / r\k sobres correctos ". Generaliza¡ el resultado del Problema 1.cAP. ¿De cuántas formas pueden colocarse 12 bolas idénticas en los compartimientos de tal manera que ningún compartimiento quede vacío? (b) Resolver el problema si hay n compartimientos y r bolas para r ) n.154. (d) ningfrn 5? ¿Puede resolverse el problema sin saber el número de cincos que tienen los otros jugadores? Expücar.541._ \r/ (1 + r¡t (1 + o¡"-t y hallar el coeficiente de ¡j en el producto). 1. una interpretáción combinatoria.50 si el juego se ümita a B lanzamientos. Este üipo de problema se presenta en física en conexión eonlaestadística Bose-Einstein. demostrar que p"(a) = 1 fipn-o (0) y luego emplear el resultado del Problema 1.' Denoüando la probabilidad deseada comopñ (a). CONJUNTOS Y PROBABILIDAD 37 (c) Un estanque contiene 6 compa.11)'-* 1i)'-l \"/ \o/ \t/ . Resolver el Problema 1. 1. 1l 1.150. "dar ¿ letras en los 1. Hallar la probabilidad de que en un juego de bridge (o) dos jugadores.

definida por r) = l(a) si Para¡ : nr (2) se reduce a (l) en tanto que para otros valores de r. etc. (I) de (2) Es conveniente introduct la funcíón de probabilidad. 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. por ejemplo el cuadredo del n(rmero de carac.. también conocida como la distríbución probabiliM. f(a) > o 2. x2..>Í(sl = t 38 .2. Con cada punüo muestral podemoe arcciar un nfrme¡o para X como se muesha en la Tabla 2-1. Supóngase que a cada punto de EJEMPLO 21. Esta función se llama wriable aleatoria (o uariable estocastiea) o función más precisamente función aleatoria (función estocástica).. Í! valores se asumen con probabilidades dadas por P(X=ryl=f(rx\ P(X = k=L. f(¡) : 0. Así definimos una en el espacio muestral.. 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. 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. geométrico u otro. En general una variable aleatoria tiene algún signifrcado físico. Supóngase que se lanza una moned¿ dos veces de tal forma que el espacio muestral es ¡f : {Cq Cg Sq SS). Repreoénteee por X el número de ca¡as que pueden resultar. Supóngase también que los dados por rr . Se concluye que X eo una variable aleatorir. En general f(¡) es una función de probabilidad 1. Comúnmente se denota por una leha mayúscula como X 6 Y. el nl¡mero de caras men(x el número de eelloa. Así en el caso de CC'(es decir 2 carae) X :2 e¡ tanto que para SC (1 cara) X = 1.

o simplemente la función de dístribución.2-f Eepectro Fíg..2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 39 donde la suma en 2 se toma sobre los valores posibles de probabilidad. 2-1 la suma de las ordenadas es 1 mientras que en el histograma la suma de l¡¡ áreas rectangulares es 1. P(X < (8) La función de distribución puede F(rl = P(x=r) -.de la función de probabilidad notando que r es cualquier número rl = F(u) real. Fig.. En la FA. (b) IÁ gráfica de probabilidad puede reprecentarse comoleindica en la Fig. o por un histogromo... (a) Halla¡ la función de probabilidad correepondiente a La variable aleatoria X del Ejemplo 2. Si X únicamente toma un número finito de valores lct. P(X:1) = P(CSuSC) = p(cs)+ p(sc) = i*i P(X=21 = P(CC) Así.)f(u) (0 donde la suma a la derecha se toma para todos los valores de z para los cuales u = x.) +.+/(r") x. Una gráfica de f(¡) se llama grdfica de (b ) EJEMPLO 2. 2-1.2. es decir . Tabla 2-2 =I r f(r) 0 I r/2 . Recíprocamente la función de probabilidad puede obtenerse de la función de dist¡ibución. 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 ) 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)=.5 y 1.2-2 Histograma FUNCIONES DE DISTRIBUCION PARA VARIABLES ALEATORIAS DISCRETAS varidble aleatoria X se define por La función de distribución acumuhda.1 x ( -.cAP.6. r/4 =I r/4 la función de probabilidad está dada en la Tabla 2-2. como se indica en la Fig. En el ca¡o del hislogama podemos considerar la va¡iable aleatoria X como continua. por ejemplo X: 1 significa que esüá enüre 0. pata vrta donde obtenerse. lxla . 2-2.1 y construir la gráfica de probabilidad. r.

(o) Halar representación gráfica. EJEMPLO 2. Si se selecciona aleatoriamente un individuo de un grupo numeroso de hornbres adultos. 1. Por tanto no podemos definir una función de probabilidad en la misma forma que para una va¡iable aleatoria discreta (págrna 38). que son verdaderos en general. Debido a esto se dice que es vnafunción monotónicamente creciente. la función de distribución para la va¡iable aleatoria X del Ejemplo 2. Entonces definimos la probabilidad de que X se encuentre entre ¿ y b como P(a<X<b) : Í"' f (n) d.2. F(r) se mues- Los aspectos siguientes acerca de la función de distribución anterior. nos conducen f(r) tal que o a poshrlar la existencia de una función 1. 2. A medida que procedemos de izquieida a derecha (es decir subiendo la escalera) la función de distribución permanece igual o aumenta. 2-3 frecuentemente se le llama función escalera o función paso.)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 . pagjna 38.@ e -. 1.2 su 2.3. 3.40 EJEMPLO VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD lcAP. f(r\ > 2. Estas ideas y la analogía de las Propiedades 1 y 2. por ejemplo. así el valor en 1 es 314 y no Ll4. DISTRIBUCION DE PROBABILIDAD Si X es una variable aleatoria continu4 la probabilidad de que X tome un valor determinado generalmente es cero. Este hecho permite obtener la función de probabilidad a paftir de la función de distribución. la probabilidad de que su estatura X sea precisamente 147 centímetros sería cero. 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. El valor de la función én un entero se obtiene del paso superior. Esto se expresa matemáticamente estableciendo que la función de distribución es continua por la derecha en 0.4. 714 corresponden exactanrente a las ordenadas en la Fig. Debido a la apariencia de la gráfica de la Fig. 2-1. (b) Obtener (a) f'a función de distribución es lo F(r) = ll ln la ln [1 I -o(¡(0 0<r--l l<r12 2<r1de (D) Larepresentación gráfica tra en la Fig.n (6) . Las magnitudes de los saltos en 0" 1. 2. 2-3. 712. tomando valores desde 0 hasta 1. deben notan¡e. Sin embargo hay una probabilidad mayor que cero de que X esté entre 145 y 150 centímetros. . 2 son LlA.

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

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

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

44 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP.f. si .y) dr dy (20) Fig. El volumen total limitado por esta superficie y el plano ry es igual a 1 de acuerdo con la propiedad 2 anterior. También debe notarse que m i-.esté entre c y d es.lafunción de densidadconiunta de X. f(r. llamada lasuperfieie de probabíIidad. es decir Generalizando. F(x. 2-6. El caso donde ambas variables son conünuas se obtiene fácilmente por analogía con el caso discreto al remplazar las sumas por integrales. Y (o.| ) /'(c. J_* J_f" f" se f@. como indica en la Fig. Y) se define por 1. Así la función de probabilidad coniunta patalas variables aleatoriasX..@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.o. Y respectivamente. La probabilidad de que X esté entre o y b en tanto que Y .¡ = mn i:r 1 k=l 2 f.y\itrd. El Lafunción de dístribución conjunta de X.2 Debido a que las probabilidades (/5) v (16) se obtienen de los márgenes de la tabla frecuentemente nos referimos a fr(x¡) y fr9e) (o simplementn ft@l yfr(y))como las funciones de probabilidad marginal de X. y) representa una superficie. 2-6 A representa cualquier suceso existirá una región (.tá dada gráficamente por el volumen sombfeado de la Fig. como más comúnmente se llama.f":" f (r. 2. a r y An 5 A. En tal caso podemos hallar la probabilidad de A efectuando la integración sobre fi.'=. Y se define por (1e) En la Tabla %3.u) > o z. Caso continuo.y) es la suma de todas las entradas para las eue r.o del plano ry que corresponde a é1. 1.y = 1 Gráficamente z : f(x.e<Y<d) : . 2-6 y matemáticamente por P(a<X<b.

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

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

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

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

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/. así que cada punto muestral tiene probabilidad 1/36. (2. 2-8 o en la Fig. (b) Consbuir una gráfica para esta distribución de probabilidad.4).1.2).2) tenemos X : 5. 2-9 la suma de todas las óreos rectangulares es 1.1) así que la probabilidad asociada es 4/36. 2-8 la suma de las ordenodas es 1 en tanto que en la Fig. Nótese que en la Fig.cAP. obtenemos la Tabla 2-4.3).Po¡ ejemplo. (c) LospuntosmuestralesparaloslianzamientosdeunpardedadosestándadosenlaFig. Tabla 2-4 'x 1'17'página18. . 2'9. Supóngase que se lanza un par de dados honrados y que la variable aleatoria X denote la suma de-los puntós.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 49 Problerna.Jo 4/36 2/36 (ó) Podemos emplear un espectro o un histograma como los dados en la Fig. Utilizando el hecho de que los 36 puntos muestrales son igualmente probables. variable aleatoria X es la suma de las coordenadas para cada punto. garaX:5 corresponden los cuaho puntos muestrales (1.s restreltos VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCRETAS 2. (3. Así para (3. de acuerdo con si deseamos considerar a X como va¡iable discreta o continua. (a) Obtener la distribución de probabilidad paraX. (4.

(a) Hallar la función de distribución F(r) para la variable aleatoria X del Problema 2. Se encontró quelrr probabilidad de obtener eractamente r veoea A en los n intentos es icrp'q. Obsérvese que el cero del eje r se ha desplazado. tenemos P(eractamente r niños) = P(X = r) = .)' Tabla 2-6 fr 0 donde la variable ale¿toria X representa el número de niños en la familia.2 2. 2-10 o en la la FI. La función de probabilidad para X.c.. 0123 Número de ¡¡iñoc X = ¡ Fis. ip=q:L12. A y A'. (c) Hallar la disgibución de probabilidad de niños y niñas en familias con 3 hijos.(.t-. (a ) EI Problema 1.(i) \-'l /r \3 f(r) r/8 3/8 L/8 (b) La Eráfrca va¡iable X como discreta o continua.. Enüonces de los resultados del Problema 2. (Obeérvese que X se define sobre el eepacio muestral de tres inüentos). f(r) = . Fig.".46 trató el caeo de n intentos mutua¡t¡ente independientes.JNCIONES DE DISTRIBUCION DISCRETA r/t 2.1 hallamos F(rl = 0 -e 1r<.". dependiendo sobre si deseamos considerar a puede representarse como en la Fig.¿6 2r/36 18/3rt 15/36 12/36 9i 36 6/36 3136 . c.2. donde cada intento tenfa dos resultados posibles. 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. I 3/8 . 2-10 (o) Tenemos que F'(r) = P(X = tl u=x 2 Ífu¡. Por tanto.)"(t'-' = .2-L2. (b) Représentar gráficamente la distriUución en (o).3. suponiendo iguales probabilidades para niños y niñas. 2-11. 2-ll (b) Véase Fig.) 3 se indica en la Tabla 2-5. siA e¡eleuceeo"niñott.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.50 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP. F(r) 1 33/36 30/36 27 i36 I 24/'. D:3.L y (b\ repr€sentar gráficamente esta función de distribución.(.on probabilidadesp y g: 1-prespectivamente.

/ -\-'l (* :u. )? estÉ entre 1/3 y 1. 2-13.itan-rc . (b) Hallar la probabilidad de que f(r)=c/(n2+l). 1 C" F(r) = )_-t{")a" = i)__ n du _ = !l-t.entonces ó -l < x = -f. f .12 + | = "t"r-rrl r-o = "L.\r-.r .-.4.6. la constante c. Hallar la función de distribución conespondient¿ a la función de densidad del Problema 2./J f = " =.r12*L =zC' oJ6.. (c) Hallar la función de distribución F(*) para la va¡iable aleatoria representar gráfrcamente esta función de dishibución." r¿*l = ?['*-'(1) .e¡décir t-... I -u. rL t__J = 11h.6.2V @) (o) Uüilizando la Tabla 2-5 del Problema 2.t¿n-r (+)] I = z(z-z\ = 6 6/ "\4 2.rr_rrl.2-13 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2.<6.(-. Un (¿) (a) Debemostener aXtienelafuncióndedensidad o".'= J-.2l VARIABLES ALEATORIAS Y DISIBIBUCIONES DE PROBABILIDAD 51 2. X del Problema 2. t*tantolaprobabilidadpedidaes t(-'lstt oJ-t dn *lft dr IL'rJ¡5.cAP. _.2 obtenemo¡ F(rl (ó) L8 gráfica = de la función de distribución de (o) se muestra en la Fig. donde -o(ú. acf que c=Ur.ran-l(--)J = l[r*-' " "if = i. t:_flu)ttr = 1. z2 = 1 (ü) si* = x2 =t.. F(¡) I 7t8 6/r 6tE 4/E 3/8 2t8 I UE t Fig.6.

U\ : 0 de otra forma. (c) Hallar P(X>l.F(-g) = (1 -e-e)-(0) = l-e-B DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2.. fir-\ = dt l-F1. (b) la probabilidad de que X > 2. debe ser igual a 1.7. y) para los cuales las probabilidades son diferentes a crero se indican en la Fig. tenemos que c : L142. = = F(2) = | .Y s2\. Por tanto. 0 = U < 3. (a) tos puntos muestrales (r.e-4. P(-3<X<4) = P(X=4) -P(X<-3) = r'(4) .¡l = f2"-u l0 r)0 r10 le-1 (ó) P(X>z) Otro método. y pueden tomar todos los valores enteros tales que 0 < n 3 2.42c. y (c) la probabilidad de que-3<X<4. se indican en la Tabla 2-6. 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.8.y f(r. las probabilidades asociadas con esos puntog dadas por c(2x * y). (o) Hallar el valor de la constante c. Tabla 2-6 Y X 0 0 0 I c 2 3 Totales ü I 2c 4c 6c 3c 5c 6c I . (b) Hallar P(X =2. Puesto que el gran total.2 2. La función de probabilidad conjunta de dos variables aleatorias discretas X. )-11. (o) . donde r.A) = c(2r *y).du = -e-2"1 = L-e-8 lo l{ Otro método.) 2c 4c 6c 3c DC l4c 22c 42c 7c L5c Tota les+ 9c l2c .62 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP. P(X>z) = f -(1 -e-r) = (c) e-4 p(-B<x<4) = ln¡rulou = f_roa"+ ton2r-r. Por defrnición P(X =-21 = )" ze-z"du = -u-r"1. Y = l). Y estÁ dada por f(r.

Y=L) + P(X=21 P(Y=L) E resultado también se deduce del hecho de que la función de probabilidad conjunüa. para todo r. P(X=2.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD De la Tabla 2-6 determinamos que 53 (b) P(X=2.9. Si las variables aleatorias.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. (o) Debemos tener la probabilidad total igual a 1. Demostrar que las variables aleatorias X.Y : A) = P(X = r\ P(Y = Y¡ Pero. 2. l22c=17/2r n=2 fz(u) y puede obtenerse de los de probabilidad marginal pata Y está dada por P(Y = a) = totales del margen en la última fila de la Tabla 2-6. es decir | | f@.8.. La función de densidad conjunta de dos variables aleatorias continuas X.Y=\ = asr que h P(x=4 = # P(Y=l) = I (2x rr y)142. Hallar las funciones de probabilidad marginal (c) de XV (b)de Yparalasvariablesaleatorias del Problema 2. no P(X--2. De estos vemos que 6c=L/7 | P(X=r) = ft@) = jUc=1/3 verificación:l+1*11 '7 3'21 (b) La función =r r=0 u=t. (o) Hallar el valor de la constante c.u) = lcnU 0(r<4. De estos vemos que P(Y=Y¡ = verificación:1*3 +!+1 ''7 74'7 t4 fz( =t 2.cAP. y. Y <2). (o) La función de probabilidad marginal para X está dada por P(X = r) = ft@) y puede obtener¡e de los totales del margen en la columna derecha de la Tabla 2-6. P(X = t.u) d.8 (b) y 2.{.11.r du = I . Y son independientes debemos tener.8 son dependientes. 2<Y <3). 2. puede expresarse como una fi¡nción de ¡ veces una función de y.9. Y del Problema 2. (b) Hallar P(1< X <2. 1<g<5 de otra forma 1o (c) Hallar P(X>3.10.Y=l)=5"=a 42 (c) De la Tabla 2-6 determinamos que P(X>t. como se determina de los Problemas 2. Y es f (n.

'uau)a' = *f. = e6c Entonces 96c = 1 y c : 1/96. (o) L¿ función de di¡t¡ibución marginal para X ¡i 0 < ¡ ( 4 ec Ft@) = p(X=r) = f' ¿u=-4 ¿O=-@ f" fet.r"=.:o J"=rcnvilxils ft rrs = " J.54 vARIABLEs ALEAToRIAs y DrsrRIBUcIoNEs DErRoBABTLTDAD -l IcAp. fi uo = # 1.* s /rz11z .- ñ E P(x>s.podrfamocremplazarenlaerpreaiónanüerior(por<.F . fv J-"=oJ"'='ffiauao = + .olduclo dudo = P¡re o > ft (s J. la integral tiene el valor f4 ¡5 J. y). Oo = #Í:=.'=.frarau = * Í'^='lÍ"'="u aafa' = + f"="#l'"='* L f4 Br. 1""=140.=. 4. = = 1 C' 5r. .o' = "Í.12. para 5 < 0.(a) = 0.1Í":=. Por t¡nto Fr(rl = 1.11.2 Empleando la defrnición de /(. Ft(¡) = 1. =y( 5 ec Fzful = P(Y <-vl = Í¿t=_@ f1 ¿ú=l f" f@. 7 ñ J"="To' = ln 2.r=o(ry-.'=r$l'"-.)* = "Í:=rr2adr = "tu*)l'_. xaau )clx = "!.=oL.=o J"=.o)ctud. [ Í=.Y=z) = í:="í"'=. Hallar las funciones de distribución marginal (c) de X V(bl de I' del Problema 2.Yl'"=. 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."=.Tn' = idt\t/|.¡¡'J. (ó) Utiliz¿ndo el valor de c hdl¡do en (a) tenemoe P(l <x <2.'=.2<Y ' (c) <3) = Í.r.

Las distribuciones marginales . o 0 ( ¡<4 f de otra forma . Y puede escúbirse como el producto de una función en r veces una función en y. J ( por < . Puesto que f(x. región sombreada en la Fig. En la Fig. 2-15 muesha la definición por trazos de .¿v I < Y < 5 [ 0 de otra forma L/96. 2-I6 . 2-16 hemos indicado la región cuadrada 0 ( ¡ ( 4.L2. la Fig.l\ (r6)(24) Fig. En el Problema 2. Para U < l.14. ! c(t = c : F(r.LL se observa que la función de densidád conjunta para X. Y son independientes. esta probabilidad está dada por 'í Í"'=. donde J tt.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. av = ut-[:. F{A) = 0. [f=. 2-16..13. Y del Problema 2. y) resultante.ul = fr(r) f2(y). Fz@) = 1.F(r.F ¡ (r) V Fzp) se determina¡on en el Problema 2. Halla¡ la función de distribución conjunta para las variables aleatorias X.' *u au)a* Fig. En efecto. 1 < y ( 5 dentro de la cual la función de densidad X. Por tanto Fzfu) Puesto que F2 (y) es continua en y = 4@r-t)tz+ tfy<b a=6 l.Yl = rz(az .cAP. 2-15 2. y) : Fr G\ Fz@). Del Problema 2.(ul = { (. l\¡. 2.2l Para y VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD OD = 5. podríamos remplazar en la expresión anterior [o u<r : 1.| l rr.11 hallar P(X+ y < conjunta de 3).Y es diferente de cero.11. !""=.n ffia. Se deduce que X.¡ ryl96 sobre fi. 3.t : 5. t = 1. La probabilidad rc. de tal manera que su función de distribución conjunta eetá dada por F(r.

Análogamente podemos demostrar ('36) para el caso donde . Dr P(r1<X1rz. podemos demostrar que u y u también crecen. Entonces.. Demostrar el Teorema 2-3..y) fe2 dr dy Remplazando avanzado que r : Út@. u) en la integral de la derecha tenemos por un teorema de cálculo flrrtu. 92fu. El teorema también se puede demostrar si rl'(u) 0 ó r/'(u) ( 0. Úz(u.1)llJ duda ("' ("'n. Por tanto = fI¡rfu.z 46. ' olü au = ¡'tl f ¡¡gqullv'tu:du Esto es válido pr.u.u11V1o.a) a@'a) donde es d\u. (r) (t tlt(u) es una P(ut LI 1tt"): P(rtlX1rr\ f¡7 (2) Remplazando x escribirse como /'ü: | t\u) titr 'ul |. .. Demostxar el Teorema 2-4. como puede deducirse de la figura. página 46.66. u aumenta a medida que r aumenta (Fig.2fu.(' 'u2 l3-' '. u). 2 lu=rd' CAMBIO DE VARIABLES [r(3-r)z r 'rldr 48 2. "rl "" /{.17. Véase Problema 2. ) O.rl duda = f"' (''' Ju. donde ry''(u¡ ) 0 (es decir la penCiente es positiva). también podemos demostrar que (31) se cumple (véase Problema 2.56 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP. es decir g(u) _..16 ó P(ut<Uiu.4v. págir..15. esto es. Primero considere el caso donde u : ó@) 6 x : tenemos función creciente. L es una función decreciente de ¡.v)dud.o'tlJ J< que es (3ti).a todo u1 y u2 solamente si los integ'andos son idénticos.. Demostrar el Teorema 2-t. y : Ju. La función de probabilidad para U está dada por s(u) = P(Lt ") = Plo(x) . pá$na 46.fl. Igual que en el Problema 2..' ut 12 : ¿ ttt V@) en la integral al lado derecho. Ju.u).¡. para el caso donde J 0. 2-1'7). pá4ina 46.Ll Plx = gfu)) = f lv@)l En una manera análoga puede demostrarse el Teorema 2-2.At<Y<Az) = | fre | l(r.= fu ).r\uti._-.u .=o g6. Jtl r s(u.f .2 1 L (" = J.t'@) Este es un caso especial de (34). Primero suponemos que a medida que r. y crecen. | trrr J| s(u. esto es. u) ellacobiano. 2. Para el caso donde rlr'(u) -< 0. (2) puede Fig.1 . pá$na 46.a).16. 2-17 f . = 2.páqina 46.67).\: ?u.

I9. UyXqtídadapor y8€hatomadol¡raízrealpositiva.2.!7. Como se obeerva en esta ffuura el intervalo . 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).2 = _. Tenemos tL = tr2 ó r = *\ñ. . o por el Probler¡¿ 2.82.)óx:L2-3u. página 46. Los valores de r para los cuales. 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 ¡. de otra forma ..'ll = 1 2. | .+ l larelación entre loe valoreedeuyrdela¡variablesale¿torias donde u:2.3 y* = 6 rcn u = 6 y u -2re¡I¡ectivamente.A¡íparacadavalorderhayunoydamenteu¡valordeuy función de densidad para U ee s(ut Verificación: = ilt'. HaJlar la densidad de probabüdad de la variable aleatoria U = )? donde X es l¡ va¡iable aleatoria del Problema2.Loe valore¡ de u que correrponden a¡= . 2-18."1:-.cAP.18. La función de ptobabiüdad de una variable aleatoria X (2-' ü=1..tt¡¡f".3 ( ¡ < 3 corresponde a 0 s z s 9 er tanto que 3 (¡( 6 corresponde a 9 ( u ( 36.3. página 46.e por el Teorema 2-3.2-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.U<u) = P(-B<X<\fr) = J-s f@lA. Puesto que ú'(u) : dx/du : . U: * .. de probabilidad pedida para U ea ( z-ni i s("! = 1o utilizando el Teorema 2-1.Enüonce¡1.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD es 67 2. La función de es disüribución para U G(ul = P('tlu') Entonces si 0 Fis.. f(r) = to de otra forma Halla¡ la probabilidad para la va¡iable aleatoria a = X4 + Puesto que l.E2.16 que la Tbnemosu:tl3(L2-f.19.. En este caso no podemos emplear el Teorema 2-4 directamente ¡rero podemor proceder de la manera eiguienüe. u= r+11 6 r =n/F1.3 ¡e deduc.2O.16..17. recfprocamentg.. 2.sutz¡21 ].¡función u = 2. du ¡5 <tz:_su. = P(..3 ( 6 corresponden a los valores para los cualeo 0 S 36 como se muestra en la Fig. o el hoblema 2..

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

2l como VARHBLES ALEAI"ORIA"S Y DISTBIBUCIONES DE PROBABILIDAD 69 'lar p determina refiriéndo¡e a lae regioner ¡ombreadas I.a función de di¡tribución de la variable eleatoria X + 2Y erüá dada por P(x *zY É ut = Íl rr2y 3 t@. Nlétod.21. IL m de b Flg. El Jacobia¡¡o estó dado por .o 2. Mo ¡oe conducealasolucióneimultánea s=p2/34-r/t.2-2O Fig. [. Considére¡e u : xy2 .2)2 (u reeultado dd método L para 6 ( u ( 10.' I":". Al dividir egüa¡ ecúaciones obtenemoe y/r = u/u aef que y = ut/v. u = x2 y ."'' gunoo = Í"::'lW-#fo' + 4)t2304.i 1<c<5 Pa¡¿ 21u ( 6 obserraÍros al r€ferirnoo a la Fig. 2-19.22. 2. V = )PY.y=y2/3p-rl3.au i*Z=. 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"--. Si las variables aleatorias & Y tienen la función de densidad conjunta 4' L <s <5 f(r.11) hallar la función de densidad conjunta de U no uu está dada por o<azlgu-r/t<4 gue son equivalentee a .L(y(Senelpla' (véase Problema 2.ytdrdy " = ÍÍ fta. eüc.cAP.2-2L 2. Fíg. De un¿ manera análoga podemoe obtener el Al deriva¡la con respecto a ¿ 8e encuentra (u .u2 t< 7) uztga-rls < L26'u 6 1 64u 1u2 < Eata región ee muesba eombreada en la Fig.a) : {*''nu de otra forma :':' 0 L = XYz. I/aimagende0(x14.

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

23 la función s(ul = t'.23 si X.8.l) = 6(e-zt . de densidad de U: X * Y e¡ y): f t@) fz(yl.a J_ú En el integrando f1 se anula cuando u ( 0 y f2 8e anula cuando u ( u.cAP.-*) = 1 2. 2. HaJlar (al f(y l2).o{üau = tfo'k-r"-"-rv\d. (o) Empleando los ¡esultado¡ en los Problema¡ 2.d.<0 L0 ü>o * fg"-to a=o " frfu\ '-\e' =1l0 a<0 Y.rru-u)f2@t)(-d.{olf2(u-olito = f t* fz que es la conuolucidn de h y fz. R'ex.241a función de den¡idad pedida es la convolución de f t y fz y eetá dada por c@) = ft*fz = f' fr(o. Y son variables aleatorias independientes que tienen funciones de densidad ft@l =112"-t' .f .olver el hoblema nes de densidad f t@). halla¡ la función de densidad de su sumao U = X Por el Problema 2. (b) P(Y : 1lX : 2'¡ pan la distribución del Problema 2. obtenemos (-' Ítrfz = . Demostra¡ gue fi t. 2.to ¡iu>0yg(u):O¡iu(0.26.u:-dw.8 y 2.u = (.f 2* f1 (Propiedad 1.fw=n ..9 t¿nemo¡ ftutrt = arf que con ¡ : 2 ffi:*+#t f(ylz\=g#f=+ P(Y=rlX=2\=/(1l3r=*z (ó) . (y) respectivamente. Y son variables aleatorias independientes que tienenfunciof.ar@u . Por tanto Cful = | JO f! (2e-2ül(ge-sru-u))do (" = 6"-su.w) = (" DISTRIBUCIONES CONDICIONALES fz@\lt@-u)dut = fz'ft "/u=-n 2.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD 61 2.24.e-tr¡ f -'.f2(u-t:ld. así que por el Problema 2. En este caso la función de den¡id¡d eonjunüa et f(x. Ve¡ific¡ción: ao ifui = 6o.27.- u de tal maneraque u = u-u.f¿ . Si X.25. pígna 47\" Tenemos Ít* fz = | /r(") fz@-o) Jo=-a Haciendo fa da u)= a.

El resultado es (' Ítu. : J'(i**r)0.): fz@lr\ = !(u'a'-l = {'u'* h@\ lo La funeión de densidad condicional no está definida cuando JFr o=u=r otray (¡): 0- . (b) P(v > + I + < X <*+d'r).t'o<a<r [0 se muestra Hallar (a) la densidad marginal de X.62 VARIABLES ALEATORTAS Y DISTBIBUCIONES DE PROBABILIDAD lcAP. Y tienen la función de densidad conjunta r(r. (b) la densidad marginal de Y. Fig. = Í.2 2. !2@) Para = Í' Brydr = 4aÍ-u2'l lo¡ otros valores de y. Y por f(r.2-23. 2-23. 2-23 (c) La función de den¡idad condicional de X ec. (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. /(¡ | y) no ertó (ó) P(Y>l¿l+<x<l*drl = tr*.. El re¡ultado es para 0 (y(r. = t¡*} ftulr\ h¡a oü¡o¡ ralore¡ de = definid¿.4¡s pare 0 ( ¡ ( 1. 2-23.* :".¡. hl. ¡. pa¡a 0 ( y ( 1.rlrol+)0.rYP* está.) = Jt=o Sxydy .'.29. la deneidad marginal de Y se obtiene fijando a y e L. Pa¡a los ohos valoree de r.2E.a) = {t^" de otra forma 1=1=. ft@la) (d) = ffi . La función de den¡idad condiciond no está defrnida cuando L8 función de densidad condicional de Y es. para 0 ( r ( 1. dada I 16 2. como 8e integrando con reapecto a ¡ desde r = y hasta Í: indica por la franja horizontal en la Fig. Análogamente. y) er diferente a cero sombreada en la Fig.i¿¡t\ = {o (2r/(L-azl a=r=l otra¡ O. ft (¡) = (b) 0.ffr:j:r.a) = {i. (o) Para 0kc(1. Si X. f2Q): O. (d) la densidad de Y. La región sobre la cual f(r. La función de densidad conjunta de las va¡iables aleatorias X. rt*) hallar (a) f(alr). (c) la densidad condicio nal de X.

+ f t@) Í2fu). Y son independientes.30. : T zalo lr-(i) Jl.A\ = 8rA.2-21 Puesto que siempre se hace impacto en el objetivo. f(t. 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.32. y a¡í { Y son dependientes. = t.31. R es la dista¡rcia del impacto desde el centro del objetivo. Eeto ¡e debe a la restricción 0 < y < ¡. Dos puntos se escogen aleatoriamente en el intervalo 0 < de que la suma de sus cuadrados sea menor que 1.r'lúttr = Í"' fo" &or : .2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 63 Verificación: fo' ..30.rrrro. = lo'Ar"d. y) : 8ry. Si ecta ee remplazarí pu alguna reshicción en y no dependiente de r (como en el Problema 2. Puesto que se supone que intenalc igualec tienen probabüdadee iguales. Suponer que siempre se hace impacto en el objetivo. Y están dadas respectivamente por (r) f . tal conclusión serfa verdadera- APLICACIONES A LA PROBABILIDAD GEOMETRICA 2. Hallar la probabilidad de pegar en el blanco. b(Boz-br¡ =.29 son independientes.¡ _. la¡ funcionee de densidad de X. La función de deneidad ertá dada por f(r) r_ /r)rl = "Lt .)¿.21).[t . EnlaregiónsombreadadelaFig. 2-24). c es r¡na constante y o es el radio del objetivo (véase Fig.2-23. Íis.ls rbF /"\2-1. la función de densidad estd dada por . Jo L /r)'lo' = \a/ --) r de lo cual c = 312a. Determinar si las variables aleatorias del Problema2. tenemos ("fr. Ít@l = 4r?.)']0" Aquí. Determinar la probabilidad Denótense por X Y la¡ va¡iables a¡ociadas con lo¡ puntos dados. fz(A) : AaQ-A2'). que flr.r) = .(.G't = lI 0<¡<1 | 0 de oEa forma f zfu) : tf f 1 ofY=1 o de otra forma Entonces ya que X. Entonces la probabilidad de pegar en el blanco es Jo I rb t(. Portanto f(r. fot rrror¿a = fo 4A$-u2lda = | 7 f"'r.cAP.U) Debe anota¡se que no puede deducirse a partir de f(x. que se supone üene radio b. y) puede expresarsecomo una función de r por una función de y.(.t L \a/ 2. htotdda -- Ío' 2. ¡ < 1. = .

(D) La función de di¡tribución marginal para X er fr(a) = P(x = al = Í.2 (2t (t) donde r(x. l. Í'='Í"'=oLt!du¿.| 126 ts) d.t tztut = {. f.Y> Z).Í""= _ . "(u.t La función de di¡tribución marginal para Y es .'=--Í"": -ot.u do Fz@l = P(Y =. (RP(X + Y > 4).(elP(X > 3). * +)ltro" Pare que e¡to ¡e¡ igual a 1.'= _.ffoua.'=-. (4t) la función de dishibución conjunta.:=. = )) fr. ?f Fis.l(u. Entoncee puerto que (3) repreecnte el á¡e¡ de R observamos que b probabilidad pedida es n14. (c) las tunciones de densidad marginal para XV f.'y¡ = [.'=.yt = tr". o sea un cuadrante de una circunferencia de radio 1 (Fig. (o) t a probabilidad total está dada por f.'=-.que las variables aleatorias X. (h) si X. U = 0.ud'o I"=" !'"=o\ffauao Í""=."_r"(to. debemor 0ener c Í.tsl duit't: Í. = o u2 a<o I l6v 105 6=y(b t"'=ozffauao I y26 . x >: O. 2-26). f"'=o o(2-r I sl itr dv = !. (d)P(3 < X< 4. Y son independientes. a" au P(xz + Y2 = t er la región def¡nida gnt r2*y2 5 l. Supóngase. = 2l0c : Ll2lO.í.'=.Í"'=--odud'' = = Í"'=.t"É s "r* O"O" rI Se deduce que la probabilidad peüda *.33.f.64 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAI) [cAP. f tienen la función de densidad conjunta f(a. r.2-25 PBOBLEMAS DÍVERSOS 2..ü Hallar (o) la constante c" (b) las funciones de distribución marginal para X y Y.l. *+)0. f"'= --rru..

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

¡) = I F(r'Y\ = I F(r. Xf si la función de densidad conjunta de X. Hallar la función de densidad de U : Método f Sea . Lor result¡dos completoe se muestran en la Frg. V: X.Y es f(.al + ft@lfzfu) o. F(r.36.yeatarolucióntienelaepropiedadeodeseadas.IBUCIONES DE PROBABILIDAD [cAP.vl -| F(r. 2.2rs = - 2U8 a = h(r) = ¡fi e8 u¡¡a rolución.8 elJacobiano eetáda- .Y=y:l¡(*)üienenuna correrpondencia uno a uno en una forma continu¡.al + Fr(r) F2fu).2-28.a\ - o Fig.yt = d+# F(r. i) ¡e encuentra dentro del rectángulo.y 1 l. !: u/u. 2-2t (h) Las va¡iable¡ aleatorias aon dependientee ya que f(r. B. P(X = di¡tribución deben ¡er igualee. do por U: XY. etc. obtenemos oha erpreción.2 Cuando (¡. Por tanto.Entonce. Br2 .y) = I 2z2y*xy2-8!-ZV2 420 F(x. para 0 ( r. lo que er equivalente F(r. 2.yl = F(r.3') = g F(z. ala¡cuales correcponde u:Í1. u: x 6r:u.1) ó &: a2 6 PortntoY:*tE. Por incpeccióa.ntonc€. o<Y<1 de otra forma Suponemoequelafunciónde¡conoeidahestalqueloeinüervalocXSr. r): P(ts< yI e¡ decir la¡ funcione¡ de Jo f " au$ - u) ttu = (u Prt(t Jo BAI t)2) d.r. y).84. 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 |.66 VARIABLES ALEATORIAS Y DISTB.

ü d. a Fig.1)* = Í:"ár('."\ ) aa a partir de La cual se obtiene la función de densidad marginal de U.la" | J _ l^ tdfr árt l# #l I o 1 | | lo-t -u. 2-29 Fig.0 la región de integración ge muestra sombreada en la Fig. Una aguja de longitud a1l cae aleatoriamente al piso.X)* por la hipérbola a Q.. Hallar la probabilidad de que la aguja intersecte una línea. )0.IBUCIONES DE PROBABILIDAD arl ú .. La función de distribución de U es = o@. 2-30 2. 2-30 )' Sea @ una variable aleaüoria que da el ángulo agudo entre la aguja (o su prolongación) y la línea.r du ft t / G(u) = lf ¡gSu Pa¡a u =. s(u) Método 2. Observamos que G(u) = .t-zl | _u-r Por..f_: t f"-.2-29.Denotamos porry0cualquiervalordeterminadodeXy@. Sea X una variable aleatoria que da la distancia del punto medio de ta aguja a la línea más cercana (Fig.r\.36..y\<t1¡)ar Derivando con respecto a u utilizando la regla de l. V es | .u.'. (Este problema es conocido como el problema de la aguia de Buffon). cuando la región de integración está ümitada El mismo resultado se obtiene para u ( trazos en laFig..eibniz./ ..cAP.r\. También @ puede tomar cualquier valor entre 0 y ¡l2..y¡aylar * [o'll:-' r(r.:)a.. 2-29.2l VARIABLES ALEATORIAS Y DISTR.anto la función de densidad conjunta de U.(. t". Un piso tiene líneas paralelas a distancias iguales I entre sí.u) s(u = 6r\".ú J _* = J_-. obtenerños g(u) : f: (+) .Se deduceque .SeobservaqueXpuedetcmarcualquiervalorentreOyll2.(. + !o'i. asíque 0 s ¡ < t/2.

M. Dos personas acuerdan encontrarse entre las 2:00 P. en tanto que loe dos triánguloe de lar esquinas tienen áreas +(*X*) cada uno. las funciones de densidad de notamos que X y @ están ¿"¿r" po. medido en fracciones de hora después de las 2:00 P. que es igual a t .ul = : 1/4 f t@) fzfu) = 1o (l 0S¡SL..2 P(r<X<rIdr) =la. la función de densidad conjunta es (r) f(r. Pue¡to que X y @ son independientes la función de dencidad conjunta ee l(r'c)=?'Z=! ltlt De la Fig. fz|/) : 2ln. M. La probabilidad de 1 ¡r/2 f(a/2)se { | | li )s=¡ ). puesto que X.=¡ e drd o = 2A t" se Cuando la expresión anterior se iguala a la frecuencia de caídas observadas en experimentos reales. M. 2-31.R = lf a" au donde R es la región sombreada que se muesha en la Fig.37. obtienen valores precisos de Í Esto indica que el modelo de probabilidad descrito es apropiado. Y las va¡iables aleatorias que representan el instante de llegada. con el conveniode que no se esperar¿ln más de 15 minutos. 2.68 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILÍDAD lcAP. Comoverificación 9 :de = | JoÍ Jo ¡rl2 I ia'=r L ?ll2 . Va que el cuadrado tiene área 1.0<a<L de otra forma es Pueeto que 15 minutos de hora.{})(}) = ¡!. la probabiüdad pedida (e) e(rx - vr É 1) . fr(¡): 2ll. 2-31 Entonces. 2-30 ee obeerva que la aguja realmente toca la lfnea cuando este ¡uceso está dada por X = (ol2) s€n @. Y son independientes. Por tanüo la probabilidad pedida ee 7176. El lado derecho de (21 es el área de egta región. P(c<c=c+dc) =?d. esdecir. de las dos personas. . ¿Cuál es la probabilidad de que se encuentren? Sean X. Suponiendo que a intervalos de tiempo iguales corresponden probabilidades de llegada igrales las funciones de densidad de X. y las 3:00 P. Y están dadas respectivamenüe por ft@l= lzful = (r 0:<¡=l de otra forma lo lo lr 0=a<L de otra forma Fig.

cAP.41. (ó) P(1 < X < 2). de digtribución para la variable aleatoria del Problema 2.46. La función de probabilidad de una variable aleatoria X ee muestra en la Tabla 2-7. Una variable aleatoria X tiene función de deneidad f(n) = | "r' 1 "r L0 L< aé2 21r13 de otra forma .2.4O.42. repreeenüar gráficamente la di¡tribución.89. (¿) P(X > r. La Tabla 2-8 muestra la función de distribución de la variable aleatoria X. (D) P(l < X g).IBUCIONES DE PROBABILIDAI) 69 Problenra.1 y 2.38. Sea X la yariable ale¿üoria que representa el número de ases extrafdos aleatoriamente en 4 ca¡tas de una baraja de 62 cart¡¡. 2. probabilidad.39.39 si s€ extraen las bolas c.41.47. (c) P(X >21. Una variable aleatoria X tiene función de den¡idad l(x) Ilallar (o ) = 1o = (ce-g" c)0 rso (d) P(X < 1). Si se extraen doe bolas aleatoriamente sin remplazamienüo y X denoüa el número de bola¡ blancas. (c) Problema 2. (a) Construir una üabla que muestre la distribución de probabilidad de X V (ü) FUNCIONES DE DISTBIBUCION DISCBETA 2. lbbla 2-? 2 3 Tabla 2-8 r f(n) I L/2 r F(r) I r/8 2 3 4 r/3 r/6 3/8 314 I 2. (o) Conetrui¡ una tabla que indique l¿ función de dietribución de X y (b) representar gr6ficarnente e¡ta función de distribución.on remplazamiento.rlo s VARIABLES ALEATOBIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCBETAS 2. (r) P(.42. 2. Hallar la di¡hibución de probabilidad de Z. la con¡tante c. (D) Problema 2. Rnpre*ntar gráfrcamenüe las funciones de densidad y digtribución.46. Hallar la función 2. Sea Z lz va¡iable aleatoria que repres€nta el númcro de ca¡a¡ menos el n(rmero de seüo6 en dos lanzamientos de una moneda honrada.E¡ suplernenta.47.4L.40.2l VARIABLES ALEATORTAS Y DTSTR. Una moneda ¡e lanza tres vece& Si X es l¡ variable aleatoria que indica el número de caras que rerultan. 2. Obtener l¡ función de dishibución y su gráfica para el (o) Problema 2.48. (o) hallar la di¡tribución de probabilidad para X V (b) repreeentar gráficamente la distribución. Comparar los re¡ultados con los Ejemplos 2. (a) construi¡ una tabla que muestre la distribuci6n de probabilidad de X V (b) representar gráfrcamente la di¡tribución. Obtener la función de distribución y su gráfica para el (c) Problema 2. Resolver el Problema 2. (b) Problema 2. 2. = Determina¡ (o) la función de VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2. 2.19.44. Una urna tiene 5 bolas blancas y 3 neg¡a¡. s). 2. describiendo la relación entre ella¡.18.38. (dl P(X < 3). 2.

Hallar las funcionee de probabiüdad marginal de (c) X V (b) (c ) y para las va¡iables aleatorias del Problema 2. 2.3. (cl P(llz < X < 3/2). (d\ P(X > 21. DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2.56 para el caso donde las variables son continuas. (fl P(X = r). (c) P(X > 1). La función de probabiüdad conjunta de dos va¡iablee aleatorias discretae )d Y eet6 dada por f(x. Halla¡ las funciones de distribución 2.67. Hallar (o)laconstante c. 2. Halla¡ la función de probabilidad condicional (o) de Problema 2. (b)lafuncióndedensidad.ó8.!: L. Y son independientes solo si poro todos los uolo¡es de x.64. marginal (a) de X. (b) P(X=2. Demostrar que las variablec aleatoúas di¡ctetas X.ót.(c)P(|<X<*). E)emo¡trar el resultado del Problema 2.2. (c) P(X>l). X. De'rerminar ¡i X Y son independientes. (d) la función de dietribución.ñ.2. (g) P(Y = 3). 2. 0< gr< 1 f(r'u) = 1o deotraforma Determina¡(o)laconstantec.Y>+). pendientes.54.52. Y = 2). (b) P\X'> PROBABILIDAD [CAP.49. 0= ¡=1 deotraforma 2.Y = 3). Sean 2.63.54. cerode otra forma. y): cxy parar: L. (b) P(1-12< X <312).56. Y variables aleatorias continuae que tienen función de densidad conjunta (c(r2*a2) 0Ér< 1. f(r) = 1o 0=rÉ2 deotraforma Hallar (a) el valor de la constante c. (e)siX Ysoninde 2. 2 2). DISTR¡BUCIONES CONDTCIONALES Y FUNCIONES DE DENSIDAD 2.70 VARTABLES ALEATORIAS Y DISTRIBUCIONES DE Hallar (a) la constante c. (e\ P\Y < 2).3. (D) de Y dada X para la distribución del . (d) P(l<X<2). (b) de Y para la función de dencidad del Problema 2.69. SiP(X:3):0hallar(o)laconstantec. ¿Puede ser la función (c(I-12) F(r\ = 1o una función de dishibución? Explicar. (c) P(I<X< 2. X dada Y. La función de distribución de una va¡iable aleatoria X está dada por 2. Sea X una variable aleatoria que tiene una función de densidad (r.(b)P(X<+.56.57.(d)P(Y<{). 2.60. y su función de probabilidad conjunta puede expresarse por el producto de rfna función en ¡ y una función en v. Halla¡ la función de distribución para la variable aleatoria X del Problema 2.

SiXüienefuncióndedenaidad f(r):(2v)-r/2"-érz. hal|arlafuncióndedén¡idad deY=*. Y. . (b) Y dada X.2l VARIABLES ALEATORIAS Y DTSTRIBUCIONES DE PROBABTLIDAD 77 2. Si X tiene función de densidad f(r) Hallar la función de den¡idad de l"-. si f(r. < 5 < @.*. 2.paraloscaso¡ (al g.57 . Veúfic¿r que la integral de gr(?r) en el método 1 del Problema 2. (ü) *.63. (bl Xs + 1. Demo¡tra¡ el Teorema 2-2.cAP.67.2.página46..62. -a <a < . 2.6!. 2. Completar la labor necesa¡ia para hallar gt(u) en el método 2 del Problema2.2L e¿ igual a 1.rl:j"<s<L Hallar la funcióa de den¡id¡d ondicional de (a) X dada Y. Hallar la función de densidad condicional de (c) Xdada Y..72. (e-(r+u) x>0.at = 1.@) < 0.6t. l. de otra forma [^ la función de ilen¡idad conjunüa de X. Hall¡¡ la densidad condicional de (c) X dada Y. Sea dada X.p6gna 46. para la digtribución del Problema 2. n)0 = to r=o Y: X2. (*e-2. 2.69. (b ) Iluatrar el re¡ultado en la parte (a) erco$endo f(rl = i: l0 y verificar la solución.7O.(ulZ 0. hall¡rladensidadde Y = tan-rX. (ü) Y dada X. y>0 f@. 2.64. -.71. Siladen¡idaddeXes f(r)=U"(r2 *1). (D) Y CAITIBIO DE VARIABLES 2.ú = { 0 J^ ^¿_. u >0 n1O 2. 2. 2. 2. (c) r¿.(¿) S 0.66. (o ) Si la función de den¡idad de X es f(r ) hallar la función de densidad de X3 .2I y verificar su reapuesta. DemostrarelTeorema 2-3. Sea la den¡idad de X Í@l = Halla¡ l¡ densidad de (¿) 3X (l/2 to -l<r(l deotraforma . 2.66.

Hallar la función de dengidad de Z = XY. -e 16 1o. .halla¡ la función de den¡id¡d de (a) U : XYz.t1. hallar la fi¡nción de den¡idad conjunta de U y V. Re¡olver el Problema 2. Sean X. Si.77. Sean función de densidad de X. 2.t2. 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' 2.72 VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD Verifica¡ por medio de integración directa [cAP. yz0 deotraforma {o = X/Y.79. Emplear el Problema 2. 2. ofrf 1.R y @¡ott tt. < U < @.emosha¡que (a) lt*(fz*fs)=ft*fz*ft*fs' (b)/rt'(lz+fs) =(/rof)*fs' = Z y lttryo utiliz¿ndo convolucione¡ 2. y:8 ¡enO demoeEarqne la -@ I e¡ ob\=i ¡r"-tz/2 r=0 r'(0 l0 2.76. y tienen función de den¡idad onjunta f(r'u) = y tJ (e-(t+vt r>0.21 primero efectuando la Ea¡rdormacií¡ 2Y 2.8E. osv51 to deotraform¡ la función de densidad conjunta de Y. Si X.22. f.74. APLICACIONES A LA PROBABILTDAD GEOMETRICA 2. thll¡r proübiUd"d la de que lo¡ trec reg¡mentor de lfnea formado¡ de e¡t¿ m¡nora puedan ¡er los lados de un triángulo.r""""va¡iablesaleatoria¡taleequeX:R co¡O. l¡ función de den¡idad conjunta h¡lloda en el hoblema 2.75.). (bl V = XzY.22 pare. para hallar la función de den¡idad de U = X + Z.76. 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. CONVOLUCIONES 2. Sean X.7t.a) = (2r\-rs-(r2+Yt). 2. Y variables aleatorias que tienen función de den¡idad conjunüa Í@. Doc puntor ¡e seleccion¡n aleatoriamente ¡obre un segmento de lfnea cuya longitud a o ) 0. 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. V = X I Y. Sea l(n'u) = ){ (1.2 2.8O. 2.

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

102. Hall¡r ta función de densidad de Z .. Y está dada por I r/9 r/6 r(r. y < g) = p(X > p(y < +. ¿Cull er el análogo del teorema de la convolución para variables aleatorias di¡creta¡? Ilustrarlo usando el hoblema 2. Generalizar (o) et hoblemz 2.L se rompe en dos parües.s7. ¿por qué? +l En el Problema 2.. (c) Iüllar p(x<rlz..ur = {"-'o |. /(z) = 2. * Y es ) 0. (b) X Si -X.2.98.99. o<Y <2 | c(2r+Y) o(¿(r' o de otra forma I (marginat)deX.1ü1. Y variables aleatoria¡ independientes cada una con función de densidad .a) = de deruidad (marginal) de Y. Y son independientes. (d) Harlar P(Ll2 2. u=0.(b)P(X>Ll2..93. .91 halla¡ la funciónde den¡id¿d de (o) X2. + y.. (D) Hallarp(1 <x<1. (c) Dererminar si X y Yron independienter. 2. (b) ttallarP(l S X< 3. -. 2. (d) Hallar 2. x.96. 2.2. Supóngase que la función de probabilidad conjunta de las va¡iables aleatoria¡ X. (c) HallarP(Y = r). ¿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. (b) Hallar p(X>tlz). y > 1). 0 os¡=2'o<Y=' de otra forma 2 (o) Determinar ei X. dada en la Tabla 2-9.1.y> 1/B). Sean -(_ Y vari¡ble¡ aleatori¿¡ independiente¡ di¡tribuidae idénticamente y con función de densidad (2v)-r/2¿-úr2. Un¡ estaca de longitud . (o) Halla¡ las funciones de probabilidad margi- Tabla 2-9 Y X 0 0 I 7lS 1/18 1/6 2 r/18 r/6 Ll9 1/18 2. 2. f tienen función de den¡idad conjunta f (r' u) = t o llla 0(¡(U.L.78 y (b) el Problema 2. Y está. Estudia¡ ¡i considerra que eltar oupoeiciones Bon realistas y cómo podrÍa mejorarlas si no lo son. X Y va¡iable¡ aleatoria¡ que tienen función de den¡idad conjunta f(r.96.(u) = ¡1e:r donde l.). 2. Sean X.101.0<U<t de otra forma P(X + (a) Determinar ai Y> rl2r.Y<312). En el Problema 2. Demo¡trar que la función de den¡idad de X s(u) I @# u=0. nal de X y f.94. La función de probabiüdad conjunta para las va¡iable¡ X.79 a tres o má¡ va¡iables.74 VARIABLES ALEATORIA"S Y DISTRIBUCIONES DE PROBABILIDAD sean lcAP.(d)lafunción Hallar(o)laconstantec.103.y>1).2 2.X2 + Y2.93 ee cumple que P(X > +.( tt ( -.101.(c)lafuncióndedensidad 2.. Y son independientes. t2<X< l).

Z.2-32 2. Si es l¿ f (r'a' z) = ( 1 rv2zs 01r11.s de radio q e dirige haci¡ un obietivo hemi¡férico ABC co¡ centro en O como ¡e indica en la Fig. Ilallar (o) P(X > Y< +r.cAP.2l VARIABLES ALEATORIAS Y DIÉ¡IT.ede O a cualquier punto P del objetivo) forma con el eje. c Fis. Supóngase que la¡ variable¡ aleatoria¡ X Y. 2. - 2.1O4 para que la probabilidad de intersección ¡ea mádma? Erpücar ru rcluci6n. r *"loq. es decir ¡ur factores funci6n de densidad marginal. er igral a o(4t o\ltf . (¿) 2.J'v 1r' o1z. Un haz cilínüico de partícula. 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. . 0< y1l.z) Demo¡ka¡ que au¡que = ito-""trtcosracos¡rz :.1O7. Z tienen función de den¡id¡d conjunüa r(r.1O4.107 halla¡ la probabiüdad de gue una ¡rarüfcula pegue 8l objetivo entre A = O y0 : Í14.10t.'"L'. Z> $).IBUCIONES DE PROBABILIDAI) 76 2.ri"r" dos de esta¡ va¡iables aleatoria¡ eon independientee. la! b€s no son independientes. Pa¡a una aguja de longitud dada ¿cull debe ¡er el t¡do del cuadrado en el Problena 2.¿. En el Problema 2.1O5.. P(Z<X+Y). Un piso ertá con¡huido de cuadrado¡ de l¡do L Una aguia de lon¡itud o1l a lanza al piro. función de den¡ided conjuata de tres variable¡ aleatoriea X.106. Y. Demorbar que la probabilidad de que l¡ atuja intersecte al meno¡ un liado. 2.a. 2-32. 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. 0121L o de oha form¡ 1.109.

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

Si P(Y=v¡: X es una variable aleatoria discreta con función de probabilidad /(¡).l(ir) a' = * : cE(X) ALGUNOS TEOREMAS SOBRE ESPERANZA Teorema 3-I: 3-2: 3-3: Si c es cualquier constante. Si X es la va¡iable aleatoria del Ejemplo 3.2. y\.Y)l EJEMPLO " = ¿-.(i. . Por tanto en un juego honrado es de eeperarse pagar $5 EJEMPLO 3.) /(".fo" .. Y son variables aleatorias independientes. E6n : E(X) E(Y) (10) Generalizaciones de estos teoremas se hacen fácilmente. Se deduce que el jugador puede esperar una ganancia de $5. Els(X. E'ex2_ zx) ..y) r)r d. La función de densidad de una variable aleatoria X está dada por f@l = El varor esperado de X es f*u 1.cAP..Entonces Y FTJNCIONES DE VARIABLES ALEATORIAS Sea X una variable : g(X\ también (¡ | s(¡)==y) es una variable aleatoria y se deduce :* 1. 0<r12 de otra forma E(xt = Í:_. . + g(x")f(n"\ (5) = É' s(r.2. Y son variables aleatorias.oO¡f@)dr Generalizaciones a funciones de dos ejemplo si entonces la esperanza de g(X.a) f(r.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) se obtiene por aleatorias se hacen fácilmente.y \7) 3.) = ) i 2.con función de densidad f(r).3. entonces E[s(x)] : g(n)f(r) + s(rz)Í(r"\ +'. = Ío'tro.¡0. Y son dos variables aleatorias continuas con función de densidad conjunta f(r.=+ aleatoria.'. entonces (6) Elsul = f.r(r)dr = Í. entonces - E(X+ y) = E(x) + E(y) entonces (e) Teorema Si X.rrr-z.ables X. entonces E(cX) Teorema Si (s) X.Jf*f g@.= *|.. Así por " -Ur. Si s(r) /(¡) X es una variable aleatoria.f"_rt" -2x'¡f@)dx .

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

Entonces podemos @ol x* . = i(r.¿o:1.yenestecasohayfórmulasanálogasa(23)y(24)enlascualesp:0. En palabras. VARIABLES ALEATORIAS NORMALIZADAS Sea X una variable aleatoria con media ¡r definir una uariable aleatoria normalizadd como y desviación típica o (o ) 0).' @61 .l (r) du -. Los valo¡es de una va¡iable normalizada se denominan algunas veces referencias tipificafus y X tipificadcs (es decir.p)'l @2) donde r:1.6¡.. . MOMENTOS El momento r de üna uariable aleatoria X alrededor de la media p. Las variables normalizadas son útiles para comp¿üar diferentes distribuciones. esto es.p).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.. Tenemos p.'. La relación entre estos momentos se expresa por @5) t". Sededuceguel.Y) = Var (X + (Y) ó Var (X) + Var (Y) 6 Var (X) + Var o2. la varianza de la suma de variables independientes es igual a la suma de sus va¡ianzas.. o se toma como unidad al medir X .f@) = )(rf@ p)'l\r) (variablesdiscretas) (variables \23) (24\ t'. l. o2* + (18) (19\ Generalizaciones del Teorema 3-7 a más de dos variables independientes se hacen fácilmente. = pi- (l)r.2. y) = Var (X . Y son variables aleatorias independientes.cAP. también conocido como el momento central r..*y o?-v : = ol o2* * o2. se dice está expresada en unidades sín dimensiones. se define como p. 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.l. es decir -"Ol cero y vayianzal.2.esdecirelsegundomomento central o segundo momento alrededor de la media es la varianza.fi' f continuas) X alrededor del origen se define como pi'= E(X') dc:cler:0.j=l ti.)-l-¡t"i* "' * (-r)'¡.r. Teorema Var(cX) -- (17\ 3-7: Si X. .lJr:0y¡re : 02. : E[(X ...a)" 1es mínima cuando a : p : E(X).. + "' + (-\'(. = 7)l momento'r de .

r.#l+ "' * r:#+''' ¡"i (r 1) Puesto que los coeficientes en esta expansión nos permiten hallar los momentos. la justificación del nombre función generatriz de momentos es lógica. AIfUNOS TEOREMAS Teorema SOBRE LA FUNCION GENER ATR. ¡ri es la r-ésima derivada de M * (ú) evaluada en ü : 0. (t) respectivamente..función generatríz de momentos se define como Mx$) ee decir = E(e'*) er"f (28) (variables discretas) (2el (30) M*(t) = M"(t) ¡ . 2p" 6¡Ir¡12 tt. Teorcma 3-I0 (Teorerna de la unicidad): Supóngase queX.15 (c)] M*(t') : I + tLt * r. Donde no exista lugar a confusión escribimos M(ü) por M"(tl. erf(r\ dr (r) (variables continuas) Podemos demogtra¡ que la expansión en serie de Taylor es [Problema 3. = l"L. la función generatnz de la suma de va¡iables aleatorias independientes es igual al producto de sus funciones generatrices de momentos. donde i es la unidad imaginaria en la función generatriz de momentos obtenemos una función importante llamada lafunción característíca.16(D)l = fi*"Oll. entonces M**"(t) = Mx(t)MtQ) (3 /r) Generalizaciones del Teorema 3-9 a más de dos variables aleatorias independientes se hacen fácilmente. f M " son variables aleatorias con funciones generahices de rnomentos M y "(t) (t) respectivamente. IUI y (t\ idénticamente. De la expansión podemos demostrar que [Problema 3. La denotamos por . Yson variables aleatorias con funciones generatrices de momentos M * (t) y M . (r) .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. Entonces X.=t eo'f(r¡) = 2 ) _.r(t\ Teorema = """'**(l) (33\ 3-9: Si X.-" (32) es decir. entonces la función generatriz de momentos de (X + a)/b es + Mr*ro. utilizando pl = p ygb:1.3 Como casos especiales tenemos. FUNCIONES CARACTERISTICAS Si remplazamos ú : i<.80 ESPERANZA MATEMATICA lcAP.t"2 lrt = t"L-Bp'rtr * l"t : t't.'NCION GENERATRIZ DE MOMENTOS (27) - 'i|¡'a I-a. En palabras.. Y tienen la misma distribución de probabilidad solo si M.4pip I FI.

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

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

= r)f 1(r)dr 2. f@ln) da alrededor de cualquier valor c como = E(Y lX: *)..o - *r).r"siX:l.tf. f : Y6. Un teorema importante en probabilidad y estadística que revela una propiedad general de las y varianza finitas se conoce con el nombre de desigualdad. Kti a2 P|X - pl> ko) k2 . x = a) = Í__. así quepor la Propiedad 1 anterior y E(YIX -0) = E(f¡wolX=0) = E(Y*rol = c E(YIX= 1): Z'(ysorlX=l) = E(y5*) = b Entoncea la Propiedad 2 da (con la intcgral remplazada por una zuma). Y tienen función de densidad conjunta f(x.cAP. E(Y lX = r) = E(Y) si X' }z son independientes. 1. 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.glX -. y)lf t@\ donde f1(r) es la función de densidad marginal de X.YautoV YbussonindependientesdeX. P|X-pl | 3.5.con. Entonces si e es cualquier número positivo.rr - *r\2 | X = r) = Í_- . de Teorema 3-18 (Desigualdad de Chebyshev): Supóngrise que X es una variable aleatoria (discreta o continua) son media ¡t y vañanza o2 finitas. p€rsona eeperado? 3. I nlv les.LosTeoremas 3-L. EJEMPLO E(Y) : . { Y: Yauro si X:0. y el tiempo de viaje.) s 4 rr | / (58) (5e) o. ¿Cuál ee su tiempo de viaje donde Aquf eetamo¡ considerando la distribución conjunta del resultado del lanzamienb. Definimos la espensnzrt condicio¡wl o media condicio¡wl de Y dada X por E(ylX:r) = . yl. para una moneda honrada.tf*rf@lx)da _^ Obsewamos las propiedades siguientes: @5\ donde "X: N" debe entenderse como x 1X S r * d¡enelcasocontinuo. 12 y 3-3 también son válidos para la esperanza condicional.* Con frecuencia eb conveniente calcular las esperanzas empleando la Propiedad 2 y ¡ro directamente. El tiempo promedio de viaje a una ciudad lejana es c horas en automóvil o b horas en buó. 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.Presuntamenb. asf que lanza una mor¡eda. 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 ¡.3l ESPERANZA MATEMATICA 83 ESPERANZA. - al. VARIANZA Y MOMENTOS CONDICIONALES Si X. Una no puede decidir si conducir o tomar el bua. Tambiénpodemosdefinir elmomento condicionalrde YdadaX a\.:}(. X.

1. este teorema establece que la probabilidad de que la media aritmética S. lim + X" (n=L. . Los valores que corresponden a tales áreas se llaman uolorcs percentila o simplemente percentíhs. 3-2 es c. . . Aunque la ntedia es la más empleada.pero cuando n '+ @. . 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. Si h : 2 en la desigualdad de Chebyshev (59 ) vemoo que P(X-pl>2s) í= 0.. Por ejemplo.10 6lO% y se Fig.25 6 P(lx-pl<2"\ > 0. tres o más valores que tienen relativamente grandes probabilidades de octrrrencia. f(r) es máúma. realmente es falso. Moda. .34). .. Estas son lamoda y lamediana. Xz.84 EJEMPLO ESPERANZA MATEMATICA lcAP. tiende a cero : g. llamado la ley de los grandes números. =o "( *-" =. Un resultado más fuerte. la probabilidad de que X se encuentre dentro de 2 dewiaciones típicas de su media es rnayor que o igual a 0. Mediana La mediana es el valor de r para el cual P(X = x): P(X.75 Literalmente.2.6. tiene la mayor probabilidad de ocurrir..) Sn/n (60') Puesto que Sn/n es la media a¡itmética de X1 . la desigualdad de Chebyshev. En tales casos decimos que la distribución es bímodal.q en la Fig. Así por ejemplo el área a la izquierda de la ordenada eD f. la probabilidad de que X diflera de su media en más de 2 desüaciones típica8 €8 menor que o iEral a 0. el ánea a la izquierda de r. Xn..25. La moda es el valor que con mayor frecuencia ocurtre.19 (LeV de los gnndes números): Entoncessi S. En tal valor r. cada una con media g y varianza o2 finitas. Con li31 frecuencia este resultado se denomtna ley de los grandes números en forma fuerte.. equivalente. trimodal o multimodcl respectivamente. Sin embargo podemos demostrar que OTRAS MEDIDAS DE CENTRALIZACION : li*S"/t Como hemos visto anteriormente la media o esperanza de una variable aleatoria X provee una medida de centralización para los valores de una distribución. En el caso de una üstribución discreta puede no existir una mediana única (véase Problema 3. Teorema es una consecuencia interesante de 3. .3-2 . r): 1l2.75. y.ro sería 0. en contraste.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. el resultado del Teorema 3-19 se llama ley de los gundes números en forma débil. 2. que esperamos sea verdadero. se implica la ley débil.. Algunas veces tenemos dos. variables aleatorias mutuamente independientes (discretas o continuas). también se emplean otras dos medidas de centralizaciiln. : Xt* Xz+ .\.3 3. o en otras palabras.. Cuando se hace referencia a la "ley de los grandes números" sin ninguna especifrcación./n difiera de su valor esperado ¡¡ por más de e. 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. Sean X. es que p con probabilidad uno.

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

41.(i)" = +.0005) + (0) (0. El precio justo a pagar por un boleto es 6 peeoo. por el Teorema 3-2.) E(xt = Para halla¡ esta suma. Comúnmente se compara con la curya nonnal (véase Capítulo 4).1.ero que se ganará un boleto. [. Y los puntos que aparecen sobre los dos dados. ¿Cuál es el precio justo que se debe pagar por un boleto? Sea X la variable aleatoria qrre denota la canüidad de Tabla 3-2 d:.s. 20 premios de $750 y 5 premios de $3000 Suponer que se colocan a la venta 10 000 boletos.'(#). que tiene un coeficiente de curtosis igual a 3.86 ESPERANZA MATEMATICA lcAP.z. Es posible definir coeficientes de sesgo y curtosis utilizando otras medidas de centralización y dispersión. ....002 3000 0./ 'l*)* 7 E(X+Y) = E(X\*E(Y) = 3..3 que es una cantidad adimensional. - E(Y) ^/t\ = tll) * \o/ "' .002. js = !+ | + á + # +.002) + 3000 (0. La esperanz¿ de X en pesos es r (pesos) 150 0.'(*). Hallar la esperanza de la suma de puntos al lanza¡ un par de dados honrados. Sean X. Véase también Problema 3. |s = i . Entoncee Restando.(*) . Sin embargo una lotería gana dinero..3. Problerna. Por ejemplo la probabilidad de obtener uno de los 20 boletos que dan un premio de $ 750 es 20/10 000:0.s resueltos ESPERANZA DE VARIABLES ALEATORIAS 3.9?75) : 6. = 1 PorüantoS:2.os diferentes valores de X conjuntamente con sue probabilidades se muestran en la Tabla 3-2. En una lotería hay 200 premios de $150.02) + 750 (0. Hallar la esperanza de una variable dada por aleatoria discreta X cuya función de probabilidad está Itrl Tenemos : (i)' (t=r.'(*) .(+).o\El = t7 \o.(i). pero los definidos anteriormente se emplean con mucha frecuencia...977t D(x): (150) (0. el precio del boleto sería más alto. 3.'(+).2. hágase á... Tenemog E(x) Entonces.0005 0 P(X : r\ 0.02 750 0..00 ó 6 pesos. s = .

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

Halla¡ (a) la varianza y (b) la desviación típica de la suma obtenida al lanzar un par de dados honrados. Entonce¡ l¡ varianza e¡ Var (X) = Etá .)'= i o = tFf-var(x) = \E = t r" : Ot¡o ¡nétodo. Demoshar el Teorema 3-3.10.(l) var(X) Var (X * ' . y) puede expresarae como una función de r multiplicada por una función I. E(x2) = E(vz¡ ='. Además. con¡iderada di¡creta. Pa¡a va¡i¡blee dependientec generalmente no ee cumple. Y rcn E(XY) = 22 Í!J! --t ra f@. Obsérvese que la validez de eate teorema gira alrededor de si f(. con las eumas apropiadae remplazadas por integracioneg. por el Teorema 3. y): f tG) /2 (y). por el Teorema 3-4.7. Y ¡on independientes. = Var(Y) = +-(.1/2.'/'Q)2afztu) . p6g¡na 78. página 77. Por tanto Y. Y ron independientee. ea decir. / ." (')no(')l E(X) E(Y) Si cualquier va¡iable e¡ continua la demoetración ee desarrolla de igual manera. var(X) (D) 3.r.(+)-Fr. Demostra¡ el Teorema L4. tenemos E(X): E(Y)= 7 12. VARIAT'IZA Y DESVIACION TIPICA 3. de ¡i X. Sea ¡t(¡.88 ESPERANZA MATEMATICA [cA". = Wa"(X+Y) = 1/g v6 3. y) la función de probabilidad coniunta de X. Por el Teorema 3-4. puetüo que X. püa todo ¡.*(á) # :%1 Entonces.(. y.3 3. independienteo.p\zt = '[(* -])'] = l:_ (" _'L)' t*. Si la¡ va¡iablec X..8. (o) Del Problema 3.2.7 Y) = Var (X) (Y) = F (b) ox+)."*' ""'*"' =i'|í'. tenemoe f(x. o.\2 ^a = f-('-L)''"-"0' = i = El(x-r)21 E(xz¡-ll(x))2 = t.y f t@) fz(a) )1. Hallar (¿) la varianz y (b\ la desviación típica para la variable aleatoria del Problema 3.4.:r:¡:* .9.u) = ) ) . (o) Como en el Problema 3.4 l¿ media de X ee ¡t= E(Xl -. Tenerno¡ E'(x ^"' * u' -'u.)'= * Var y.

. mínimo de El(X-o)'l ocutre cuan- 3.ar Y gnr -Y .!^r_':i.í':.(i\*.)"n'-' + (-t)'p'l J \r-r/.py) + (Y . Pr = El(x-pl'l = nfL x.px) + (Y . pág¡na 79..12.cAP.P)21 + (P ..13.. . . \t / \r/ + .. se ri' y emplear cl Teorema 3-6.11.pi E(Y - py) - o ya que X.a)2 pueeüo que E(X . = .' ." -. y el hecho de que E[(X tt)z1= 3. e¡ decir cuando a : ll. (a) puesüo que E(X) = E(x*t ¡r. * .u..E(x. f)e esto vemos que el valor do (t¡ . Y y por tanto X gue al remplaz.n)21 E[(X .t'+ "' + {-r\r\l)r..px)(Y .ft\tr*"-.págna79.r. + (-r\'-'( n .r. página ?9. Er(x-'''./ /\ /"\ = . Var (X + Y) = E[{(X + Y) - (px + pv))2] = = = = utilizando el hecho de que . .r?2.pv)l * El(Y EI{(X Var (X) + Var (Y) px)(Y pvl2) El(X - - pv)l = E(X .-'u \I/ + . !¡rw-u¡ = L¡nwl-r) = a' o \ (x*) 0 (b) var = u" (?) = \o¡1x - u¡"1 oz =I utilizando el Teorema 3-5.\x. Demostrar el Teorema 3-6. = t(4=\ / =....:._i.EÍ6 . p{ina 79.lt:0. página 79.-iut + "' + (-l)'-t¡ur * (-l)-rnt donde al combin¡r loe do¡ úlüimo¡ término¡ re¡ulta (-l)r-1(?'- 1)p'.'tut '\'/ + "' + (-L)'-'( t .o)n = O.px)2 * 2(X .2] + zEl(X .)t(")u'-l + (-t)rpr \.14.tt): E(X). . Demeshar el resultado (26).3] ESPERANZAMATEMAIICA 89 3..i.t .ttv eon independiente¡. La demo¡tración de (I9)..TNCIONES GENERATRICES DE MOMENTOS 3. Si X* : (X . Y . MOMENTOS Y FI.ltx.pv)}21 EllX .pl|.t:.tt)lo es una variable aleatoria normalizadq demostrar que (u) E(X*¡ = 0' (b) Var (X*¡: 1.u\(Y . + r-r¡t('.)¡. Demostrar el Teorema 3-7.(i )/.-. * t-t'(T)t1"'-.

17.. 8-18...I con probabiüdad 1/2 cada uno. p'+=L..*rá#*u.. = L*pt*uLr4.r|r*frr. (o) utlliz¡ndo lrr erpaneión en serie de potencia de eu (8.rfr.1 = ._" 3.t (D)Tenemor hsonce¡ et = e_t t+r+#.+"-. Demostra¡ el Teorema B-9.. = . La variable aleatoria X pugd. cualguier función de X y cualquier función de y son independientes.. Apéndice A) tenemoe Mxe) = E(etx¡ = n(t+tX-t2x2. For t¡¡to Mx*vQ) = Elet(x+Yr) = E(etxetv¡ : E(etx) E(¿tv¡ = MxG) My(t) 8.. Demoshar (o) el resultado (Br ). M(t) = Eletx¡ = f" J eEf(t)dr fo" ""1. (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 . (o) Eqetx¡ = ..*#. página g0.Lf".(. página g0.(á) = |G. -T! \ 12 rg t + tU(x) + ae(xr) +¡a1xa¡ a . Eltt (o) la función genératriz de momentos y (b) lós primeros-cuatro momentos alrededor del origen.*"-.2'. (r) (zl (I)V e\ = 1_¿+ r+_#*fr_ . 'r"') \ .. 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. ¡á=0.e t-oma¡ los valores 1 y . g s... ffirol.* pL=1.*#*.16.ú3x3.. Todo¡ los momentos impares 6on cero y los pares Eon uno.-'. = L+tlt*uL#*ri#*.r ze<t-Dt : -T=Tlol@ = z li't<2 z-t. Y ron independiehtee.) * .90 EspERANzA MATEMATToA [cAp. Pcto Al comperu Mx(\ tenemog t!:0.16.'. = 2 fo'e<t-z>'d.) cn(ú - o)" cn = i..-"'ro.. (b) el resultado (g2). !utt" quc X.

(l) -." = B t../!\'_ . tti = *.*. . '.". p6gin 80.-+e i. = 2 ^f FI. Hallar los primeros cuaho'momentos (c) alrededor del origen. 2 4 8 p'n 16 Pero M(t) = * tt + uí#* rtfr+ tt^fi+ "' = P¡.cAP./+b(.". Por tanto.Lp.. = 27-s\s5. tenemos ttl t2 = r-(*)'= # = 02 Fr .17.\.*L*!-L*!*.216 pi = E(Xr) = . para unava¡iable aleatoriaX con función de densidad r(r) (c) = i.r.8?b B6eg 8?50 ztcy q\.'NCIONES CARACTERISTICAS 3. (b) alrededor dc la media. = . 3. t = )2.".20. "\5/ tt4 y.. : c¿. = E(X) =#Í""*z¡s-¡z)itr =f pL tt = Elxz¡ = # 1"" *rn - s2) d.) = \ -.19. = .'''-r2)/8r :"=i. Hallar la función ca¡acterística de la va¡iable aleatofia X con función de densidad dada por I r/2a lrl < a f(t) : io deotraiorma .i¡en./!\./ \ -/ = cosa coso empleando las fórmulas de Euler ¿io con 0 * isena s-io = cos. Jo "ot. = l(3.17(o) al remplazar t : i<¿ 3.r)\B/ -t\Ei _ ^.(+) * .\51 ...'. Halla¡ la función característica de la variable aleatoria X del Problema 3. El resultado también puede obtenerse del Problema 3. /t = \. pi (b 12) dr = -51 ) Utiüzando el resultado (27\..216 -r.1!) * r/9)' 85 ".r. al comparar términos.21.'. 3] (b) S¡ lúl ESPERANZA MATEMATICA 91 ( 2 üenemo¡ z_t z L_tlZ 1 I = '. La función característica está dada por Eteiux.

la función ca¡acterística está dada por E(eiax¡ = . = *t_""^"0. arf 2c O + . Yl = E(XYI -. página 82.f(r)dr tlÍ-"eíore-o<-x. l:.c-atxt d.t an + !o' "-"r. = "{lo 4f-o u-n<-.l*-ei.r'. Puesto que f(r) es una función de densidad tenemog Í).e-ho 2ia. 3. a."-*l* = -Alo = I - Entonces c: ol2.pxE(Y) .23 = Cov(X. página 82.donde c ) 0 y c es una constante apropiada.io') = _a2 a2 * o2 COVARIANZA Y COEFICIENIE DE CORREIACION 3.. Por definición la covarianza de X.lxtty = E(XY) _ E(X) E(Y) Cov (X.f?o/.r = "lÍ:. -oo < Í 1 @.3 D(etx¡ = f-.LJ_-e(a+t@)ro" q. Demostüar el Teorema B-14.. e-(a-i@)¡ 2 a*io l-" ' .22. Hallar la función característica de la variable aleatoria X con función de densidaa f@) = ee-atEt. . = 2a io l-o = | al@t la ela@ . Por tanto. 3.o = 8en Cú. y eon independientes entonces E(Xy) : E(Xl E( y) . Si X. por tanto por oxy el problema 8. e<o+iarz * Jo ¿-<a-.ryttx * pxpv = ElXy).p*y . Demostra¡ el Teorema B-15.o<t> ¿sf . Y es oxy = Y) = El(X .."r._(a_io) ü a L 2(o* io) 2(a.Fxpy .rrrrru.92 ESPERANZA MATEMATICA La función ca¡acterfstica está dada por lcAP. + fo* n. o" = asf que I .23.6-'l "iar¿-.pvX..24.* npv] = E(XY) .pyE(X) * E(pxpvl = E(XYI .E(X)E(ts) = 0 .útit¡) l€ lo lo . úu empleando las fórmulas de Euler (véase problema 3.pv)] = E[Xy .20) ceñ d = ao.¡xXY .

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

Presentaremoe la demostración para variables aleatorias ecntirruas. = var (y) = E(vz¡ _ l'(y))2 = t# _ (#)' = t.(#). .=o.(ui) .(rlytdr = í"'"(#*S* El=a\ 3. * a) dr tru = # otr .(#).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. página 61.za condicional de Y dada 2(L-ys¡ 2(l+y*y2) --¡O+7I- x para eI problema 2.. X: 2 es E(Y =2) "x = ? r(+) X: donde la suma se toma sobre todo y que corresponde a E(y. pág¡na 62.var(X) = E(xz¡-ll(xtl2 = #. Hallar lavariar¡.29."=.pág1na62.^:. 3 (d) (el u') b) (h') (t oxy =# E(Yz¡ = h f. la función de probabilidad eondicional de Y dada X : 2 es ftutz) = Entonces la esperanza condicional de Y dada + 2.g. . La demosbación para variables discretas es semejante si ee remplazan las integralee por sumas.2g.28(o).zlB del Problema 8.2g. Esto oru o"oo oo.(#)' = *tq*$ o2.30. [. Demostrar la desigualdad de Chebyshev. p= oxoy -200l3969 /50s615e6-0 {r6únsn -200 t/zsnr/te zzs = ESPERA}IZA. f u'.27.# E(xz¡ =h Í.rrrr.x=2) = -..03129 aprox. (o) (ó) E(ylX=r) = Í-_afrtuldau = ír'r(rr")* = + E(xly=y¡ = f_-".94 ESPERANZA MATEMATICA fu'=o [cAP.\r-. Como en el hoblema 2.rrr.(iu) = ii 3. Hallar la esperanza condicional de Y dada X : 2 en el problema 2. Si f(r) es la función de densidad de X entonces .28. VARIANZA Y MOMENTOS CONDICIONALES 3. pág¡na62.)\t)* J_- donde hemos utilizado el hecho de que ltz: E(Y lX: r) :2.27. DESIGUALDAD DE CHEBYSHEV 3. . * v) dx da = cov(x.y) = E(xy)-E(x\E(y) = ?-(?f)(*t) oxy = -# -0. . Hallarlaesperanzacondicionalde(c)YdadaXv(b)XdadaYenelProblema2.

) = o . DeI Problema 3.* .+E(x")l = L(nt) = = Var(Xr)*..t <1) = "(l*-*l . Para la variable aleatoria del Problema 3.|ww.¡.cAP. el valor de la integral solamente puede disminuir cuando el int¿rvalo de integración se reduce.04e?e = plr- = 7/4.¡rl > 1). La desigualdad de Chebyshev P|X-pl > f) resulta P(lX¡r] = 1) < oz = 0. página 84.). Demostrar la ley de los grandes números establecida en el Teorema 3-19. /ts r|. Tenemos E(Xrl = E(X2l = .*Var(X. '|.t)/ = . .18.(l*-*l \t o2 =t)/ = 1-(1-e'r) = p2 e-s = 0.31..ul=') 02 esto se conviertq.t+.'.(-:. (b) Utilizar la desigualdad de Chebyshev para obtener un límite superior de P(lX .. Por tanto P(lX-rl > 6) 3.*X.. (c) hallar P(lX .x. LEY DE LOS GRANDES NUMEROS 3. Por tanto 02 t¡z-ttlZe rlr-yl=.rl > 1) y compararlo con el resultado en (a).25 Comparando con (o) observamos que el límite dado por la desigualdad de Chebyshev e¡ ba¡ta¡te crudo. ¡¡ (o) = 1/2.18.) = ¡toz tt Var(S") = Var(Xr*'.|) ol ¿l \l \ o = J¡ | f :l/2 Ze-udr = 1 - e-3 Portanto (b) Del Problema 3. como se pide.3l ESPERANZA MATEMATICA 95 02 = EI(x - p)21 (' = J-* @ - p)2 l(r) dr Puesto que el integrando es no negativo.18. Entónce¡ P1x ¡. En la práctica la desigualdad de Chebyshev se emplea para dar estimativos cuando es inconvenientc o imposible obtener valores exactos. ". = E(X) = p Var(Xr) = Var(X2\ = "' = Var(Xn\ = o2 Entonces t(*) = "(*'*'.. ¿lr-al=e Pero Ia frltima integral es igual a P(lX - pl ? . | \ _ ul=_ .32.'*"') . Así por la desigualdad de Chebyshev con Tomando el límite cuando n ) -.) así que t'" (+) = 4 var (s") = * X: Sr/n üenemos _/ls" | \ donde hemos empleado el Teorema 3-5 y una extensión del Teorema 3-?.

96 ESPERANZA MATEMATICA lcAP. Halla¡ (a) la moda y (b) la mediana. Ob¡érvese que este valor da el máximo ya que la -24x 187 . (b) La medianaee 1. (c) Comparar la moda" la mediana y la media.?3 aprox. Ahorapara0(a ( 3. En este caso probabilidad esLl2."on-r2tdr = #(Y-t) 2aa_36a2 all2 hallamoe que *91 = 0 de donde _ia2 = 36a\436P-4(2X81-) . que ea La moda pedida. El máximo relativo de la derivada es cero. 3-6.84. P(x<a) Igualando eeta = *. l(r't 3. . La moda. eetá dada por = n-Zr/.60 = 1. .3 OTRAS MEDIDAS DE CENTRALIZACION 3. aquel valor deo parael cudlp(X é a): ll2. la mediana y la media se muestran en la Fig. una va¡iable aleatoria discreta tiene una función de probabilidad f(r) : !12' donde 2. . que debe enconharse entre 0 y B..¿rL 81 -_l = 'r2) df ar. 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. y (c) compararlas con la media. e8to e3 f(r ) ocurre dondc .62 apror. r.[. = fr: aegunda derivada.36='ñ¿r ze) az de donde o = sli{z- q Por tanto la mediana pedida.9 - -'l 86 - 8l l2r2 = u Entonces . . (b) Hatlar la mediana. (c) ' E(x) = + ('¡z(g-xz\da = !(t*-+)l'= 8l\ 5/lo 8lJo que prácticamente ee igual a la mediana. r: 1. es Í: L. (o ) La moda se obtiene hallando donde la densidad f (x) ea máima.33. para el cual la . ea negativa para x = 1fá. (a)/ La moda es el valor de 4 asociado con la probabilidad más grande.

098 aprox.10.r :: . OTRAS MEDIDAS DE DISPERSION 3.-1998 0. :. Del hoblema 3.3.33. es decü 312. tomamoseluolor móximo de ¡: 3.35. Determina¡ (a) el recorrido.r - pl f (n) dr = l"' l' . Empleando el método del Problema 3. = - p|) = l_".655 apror.")[#. (" .33(b) tenemos (o) LadécimapercentilaeselvalordeoparaelcualP(X5o):0.P(X=r):l12yP(X.68 aprox. Hallar el coeficiente y (b) curtosis para la distribución del Problema 3. En forma análoga puesto que todos los valores ¡ ( 0 tienen probabilidad cero.0 : 3. : 2.".098 y 2. (b) Por el Problema 3.33 la media Desviación media ee lt : 1.60 : 8/ó.19.3l ESPERANZA MATEMATICA 97 (b) Si¡escualquiervalorentrely2.1253 3693 8750 (a) Coeficiente de sego -: o. o sea ¿ 0.19 tenemos 02 ll 25 It3 oo - 32 8?5 -0.33 hallamos que s : 0.33. Por coneecuencia escogemos el punto medio del intervalo..l0.)[#'n .a septuagésima quinta percentila es el valor de ¿ tal que (18o2 - a4 ¡¡8t: o @a.t):ll2. Del Problema 3. (c) Del hoblema 3. M. Entonces el recorrido es 3 .L21 aprox.36. (c) Como se encontró en el Problema 3.*l[#.? 5.cAP. : 1. Por tanto Recorrido semi-intercuartflico = ?121 .. (b) el recorrido semi-intercuartílico y (c) la desviación media para la distribución del Problema 3. PERCENTILAS 3. a (c) f. (b) La vigésima quinta percentila es el valor de a tal que (L8o2 P\X<a)=#(Y-fl = "# aa -a4¡¡8t \l8L : O.121 reepectivamente. (b) vigésima quint4 (c) septuagésima quinta percentilas para la distribución del Problema 3. I. Por tanto el orden de las tres medidac es contrario al del hoblema 3.Portantacualquie¡númeroentrel y 2 podrfa representar la mediana.33.n "¡fa' = Í^" (.'"¡)a' = SESGO 0. (o) Puesto que todos lós valores ¡ ) 3 tienen probabilidad cero.37..esdecirlasoluciónde(18a2 : 0. Entonces E(lX = D. .o .35 los valores de la vigésima quinta y septuagésima quinta percentilae son 1. Determinar los valores de la (c) décima. Y CURTOSIS de (a) sesgo 3. tomamos el uolor mínimo de ¡ : 0.b1 aprox.l : 2.")] d' + Í.25.

./" . Si M(tl es la función generatriz de momentos para una variable aleatoria X demostra¡ que la media €S g : M'(O.' '^'y'.(ar tra -= k =S o*Ja " ¿i{r'..Para una variable ¿leatoria continua. o1_o o..Z.x¡ ¿ior¡ = - i -) r^. yp¡ los coe¡icietttes tte iour¡"r. es algo menos apunüeada que la 3€.Iu-| é(o) E1er. J. respecto I @ desde 0 hasta 22..i)o ¡f. (b) Mulüiplicar ambos lados de la expresión (r) .1. Qk¡).1.¡ rru. ¿ k icr_.tlZ Se deduce que hay un sesgo moderado a la izquierda.1. = I#+i:"-o 2¡ tt'' sr(.... pk 1 12= T. " t*''L i:.. coS c do -e ':.. .. (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 -.. . = 2¡p f -o --n .l ¡rt" .. ." . . 4¡ J. De (32).. tenemos remplazando r : L y r : 2. Utilizar el Problema 3. ._ .3 (b) Coeficientedecurtosis = et :.. "" Entonces j f'= " -iia 4.. ti = M'(ol Entonces de (27) tL = M"(o) p = Iú'(0) 3. n2.39.39 para obt€ner 14 distribución de probabilidad de una variable aleatoria X cuya función característica es O(<¿ ) : cos . - I zt. puesto que f_"n.página 80. remplazaudo j por h..t_ | eú .(".n..u-¡ . Sea p... PROBLEMAS DIVERSOS 3.rf t1o k+j k---j Por tanto rt ¡ P¡ .¿.r-.. .. ú"r**:r. Del Problema 3. X una variable aleatoria que toma los valores t n.l l''. = o" = M"(0) - lM'10¡12 1. 3.38. la serie de Fourier se rernplaza por la integral de Fourier (véase página 81).{o) r/o Con frecuencia llamamos Q$. como se indica en la Fig. . y la varianzaes 02 : M"(O)-ÍM'1O¡12..> ]¡xeik. = .39 I pt. f tl' . f-ri". . También la distribución distribución normal. .....98 ESPERANZA MATEMATICA lcAP.r i r)d (¿@ I ¿ir r 1. .. que tiene una curtosis de 3.40.j .

.3l ESPERANZA MATEMATICA 99 Si&:lhallamosr'=$. 3 Por tanto el coeficiente de curto¡i¡ e¡ -i-ó . Por tanto el coefi- La di¡tribución tiene I¿ apariencia de la Fig./. Por simetrÍa./g\ = {. 3-? (b) Tenemos p. = E(xz¡ = -+ ¿l" l/2r -.20.si. Por ta¡¡to la va¡iable aleatoria ectá dada por X=) Comó una verificación vúas€ hoblema 3. . -f rz ¿..1"/l) = -{. # to' '"t2"-'d'o B L 4. = Z Jo {i . 2'\2/ dadas en donde hemos efectuado la transformaciín xz 12 : u y utilizando las propiedader de la función gama (2\V 6\ del Apéndice A.2.= -z-rll) . con probabiüdad Ll2 con probabilidad Ll2 -r 3.2"-22/2¿¡ ¿u = + 'to f'sz¿-x'/z¿. \ Fig. = h Í.8.41. (.k:-1hall¡mogp-r=*.Pa¡alo¡oEdvalore¡dektenemo¡p*=0. Iülla¡ el coeficiente de (c) sesgo y (b) curtosis con densidad de la distribución defrnida por la curua normal. "_. cientc de sesgo es cero.\2/ {.cAP. 2 2'\2/ = . Análogamente obtenemos ti = E(xr¡ = h fl= o. (r |. 3-7.)21 = E(X2) = pí = ps = qllX -p){] = E(X4) = p'n -o2 'lt4-.p.1"/1) = r \/.. {2¡ or." *.x2/2 ¿. (o) f(t)= l¿-"'" l/Zn- -co<n<e l!\ : llt = O y lt\:0.'\2/ Entonces = EI(X.

!\'Entonees el lado izquierdo puede escribirse El¡. g. Sean X.Y El(Y _¡v)21 c(X - Px))21 = 0 / ol.otr ___q__ .( "..Y = ] 3 prob.45.46.44. = o?."Í\"-. 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). Una variable aleatoria X tiene la función de den¡idad (e-' r>0 /(r) = {l0 ^ ¡(0 Hallar E(e2x/31. -2"":'\ -" -* \"r* ) -/ = oí+oil"-.42. / . 3. (b) E(Xr).3 3.{) * -.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. I 1 3. + n?. (c) E'l(X-1)21. (b) E(Xz *)a2). (bl E(}X-21. 3. La función de densidad de una variable aleatoria X es /(r) = (e-r r>0 de oüra forrns 10 Hallar (o) Eo(l. Para cualquier constante real c tenemo¡ . 1/3 por .-".¡. .48.s suplernent&rio s ESPERANZA DE VARHBLES ALEATORIAS 3. (c\ E(Xt). 9. ¿Cuál es el número esperado de puntos que resultan en 3 lanzamienüos sucesivos de un dado honrado? ¿Parece razonable su solución? Explicar. (b) E(zX + 6). Demosbar que -1 < s1 (véase página 82). 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). (cl E(X21. Sea prob. Hallar (a) E(XI.47. I Problerna. Una variable aleatoria X se define | -2 prob. * c2El(Xr ¡x)21 . ll2 .zl \ 'xv\2 "i" "x/ --t-"i = ""*"1-o'*"=-0 ó *=1 '7ní queesequivalenteap2 < "'*"?.49.zcEl(X. (c) E(XY).x)(Y- pv)l = + c2al - 2co*.100 ESPERANZA MATEMATICA p [cAP.

(b) E(2X2-Y2). (c) E(X-rY). 1/6 Xzl .58.52? Explicar. (ft E(xY). . + Xn).7/2 prob.0=tt<2 lr(t*u) l\x'a) = f deoüraforma 1o (b) E(Y). (x) = io x>-0 de otra forma Hallar (o) Var (X). * Xil.49. (f. (ó) E6?+ X'r+ .69. 3. (d) E(XY). 1/4 Hallar (o) E(3X+2Y).E(X) E(Y).50.55. 3. s) = ] : de otra forma |0 Y). (b) "x. 3. (b) "x.62. (cl E(XY). . 3. que (o) D(X + Y) = E(X) + E(Y). Y va¡iables aleatorias con función de densidad conjunta Hallar (o)^E'(X)..53.XY\ 2 = E(X) E(Y\. (d) E(X2t'). VARIAT{ZA Y DESVIACION TIPICA 3. (b) E(Y). 1/B prob. Sean X.48? Explicar. Xn n variables aleaüoria8 que están distribuidas idénticamente tal que | 1 Xt. .57. Y va¡iables aleatorias con deneidad conjunta f(r'al = iat' Io o-<:us1' o<tl<1 de otra forma Hallar (o) E(X). E(Y\. 3.'. Sean X1 . tc)E(X+Y\. en el Problema 3. ¿Se cumple que (o) E(X + Y) = E(X\ + Sean X. X2. Si /(t. 3. Hallar (o) la varianza y (b) la desviación típica del número de puntos que resultan en un EoIo lanzamiento de un d¡do honrado. ¿Se cumple que (c) E(X + Y) = EIX) + E(yl.. = I Z [ -_r Hallar (o) E(Xt+ prob.(zr+y) 0<r='I. en el Problema 3. (b) E(Xy) -. 0f s<I. (d)E(XY). 3/4 prob. Sea X una va¡iable aleatoria con función de den¡idad (1/4 -2f x=2 l(rl = jo deotraforma Hallar (o) Var (X).50? Explicar. Y variable¡ aleatorias independientes tales que ^ vt || prob.cAP. en eI Problema 3.66. (b) E(.54. . 1/3 \o prob. Sea X una variable aleatoria con función de densidad f (e-.2/3 v) | 2 i -a prob.0lyf 3.3l ESPERANZA MATEMATICA ¿Se cumple 101 3. . Sean X. (b\ E(XY) : E(X) E'(Y).51. 3. 3.

(b) Var (X). E(X): 2. 3. MOMENTOS Y FUNCIONES GENERATRICES DE MOMENTOS 3. momentos al¡ededor de la media están dados por = p1 - ItI"'(. 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. 3. - 1)2] = L0. g Problema 3. 3.65. 3. Ei6 - . página 81.67..72. Hallar (o ) Var (X ).64. (b) Problema 3.43.62.71.(0) + 6M"(o)lM.44. ESPERANZA MATEMATICA Hallar la va¡ianza y la desviación típica para la variable aleatoria X del Una va¡iable aleatoria X tiene (a ) [cAP. 3. 2\21 Si una va¡iable aleatoria X es tal que E[(X Demostrar el Teorema 3-1. y 4o. 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.r02 3. Hallar la función carar:terística de la variable alcatoria X con función de densidad f¡): (x/2 io 05rtZ deotraforma . (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.63. E(X2 ) : 8. 3. 3. Hallar los primeros cuatro momentos alrededor de la media en el Problema 3. (b) de la media.'(0) ¡f.61.66. (c) o¡. 1/2 -tn primeros cuatro momentos alrededor del origen. página 77.01 - 3M"(0) ¡l'(0) + 2lM'(0\13 Ifrivr(Q) 4M.69. 3.44. (b ) ox. 1/2 prob. 3.(0)]2 - 3[M'(0)]4 FUNCIONES CARACTERISTICAS 3. Hallar (o) la función generatriz de momentos de la variable aléatoria x = y (b ) los ( U2 1 prob.7 lxl I a deotraforma 4. Si M(ú) es la función generatriz F:t de momentos de la variable aleatoria X. 3.43.. Hallar el hésimo momento alrededor (a) del origer^. Si X tiene función de densidad ¡t") : -i (l/(b-a\ O a'=r=b de otra forma. (a ) 3.68. En el Problema 3. Halla¡ Ia función ca¡acterística de la variable aleatoria (a X = 7 ó I prob.60. (á ) Problema 3. Demostra¡ el Teorema 3-11.73.6 hallar (a) E(X).70.67 halla¡ los primeros cuatro momentos alrededor de la media.

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)

En este caso la función panZ puede obtenerseapartir de (4) alremplazar! = 0V o: 1. P(-3< Z<3) = 0.73% Fig.451/" y 99.68. La función de distribución correspondiente está dáda por F(z) = P(Z < z) = I t/2" Í'-"-. 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.Nl/s-> 96..73% del área total.8 yque3) las cuales rcn iguales aJ.-.96.".9545. Tenemos z de la variable tipificada el wlor tipificado. ert (z).-2y I2.z: + .99?3 (10) ¡$$. que es uno.46%.2 y 3 desviacionestÍpicasde lamedia(esdecir entue z: -1y * L. 99. du = + # fo' .. La función F(z) eú(z) = z-frÍr' e-u'd. Si hacemos que Z sea la variable normalizada correspondiente a X. 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.u y F(z) : á['. 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. du (s) se Algunas veces llamamos al valor encuentra relacionada con la función enor. Esto quiere decir P(-1<Z=L) = 0. P(-Z=Z<2) = 0.110 va¡ianza DIsrRIBucIoNEs DE IRoBABTLTDAD coN NoMBBE pRoplo [cAp. 4 En este caso decirnos que la variable aleatoria X está normalmente distribuida con media g y l..z. En esta representación gráfica hemos indicado las áreas dentro de L. *t(ft)] (e) En la Fig. : .. algunas veces conocida como la curva normal tipificda. (r) Este resultado se conoce frecuentemente como la iunción o la distribución de densidad normal tipif!eada. resultando de f(z) : le-"'" V2" .27%. 4-1 se muestra una representación gráfica de la función de densidad (7).6827.

.cAP. 1.4l 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.t7). 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.¿r) : L J" f"-u2tz ¿r. donde tr es una constante positiva dada. El hecho de que la distribución binomial tiende a la distribución normal puede describirse aI escribir Literalmente. L.D.2. se llama la distribucíón dePodsson (en memoria de S. y en el límite es total. DISTRIBUCION DE POISSON Sea X una variable aleatoria discreta que puede toma¡ X esté dada por los valores 0. Los valores de f(r) en (13) pueden obtenerse empleando el Apéndice H.. . decimos x -'p . 2. . o utilizando logaritmos.. . n+€ \ vnpq / 1/2n que la variable aleatoria tipificada (X . ALGUNAS PROPIEDADES DE LA DISTRIBUCION DE FOISSON Algunas de las propiedades importantes de la distribución de Poisson qe presgnf¿rr en la tabla siguiente. que da los valores de e-r para diferentes valores de ). En la práctica la aproximación es muy buena si ambos np y nq son superiores a 5. 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. La aproximación es tanto mejor conforme aumenta n. tal que la función (1g) de probabilidad de f(r) = P(X--x): {] r=0. quien la descubrió a comienzos del Siglo XIX) y una variable aleatoria con esta distribución se dice que está distribuida de acuerdo con la distribucién de Poisson. (Véase Problema 4. Poisson. .rup)ll/nfiqes t¡m P(a= (12) normol asintóticamente.. Esta airi¡Uu"iór.

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

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

r=Nq (21) (I9) V e0\ se conviertan respectivamente en P(X = x'¡ = (22) p--nP Obsérvese que cnando (23) escribirse como N -+ .n'-" o2 = 'ILPQ p=nP esperábamos. = i@-a).=#=*. que puede (24) p(x=t:) y (23) se reduce a = (I)o.s=#=# de modo que 6 b=Np. párySna 109.114 DISTRIBUCIONES DE PBOBABILIDAD CON NOMBRE PROPIO [cAP.4 (20) 'tL -: D+r nb Si consideramos que el número total de bolas blancas y rojas es N. (281 X tiene la dbtribución de Cauchy. Los resultados son los que N gmnde el muestreo sin remplazamiento realmente es idéntico al nuestreo con remplazamiento.p respectivamente. ya que para (25) de acuerdo con las primeras dos entradas de la Tabla 4-L. en tanto que las proporciones de bolas blancas y rojas 6onp y q = L.(ó N es grande comparada con n). DISTRIBUCION I'NIFORME Una variable aleatoria X está distribuida uniformemente en a 3 fi 3 b si su función de densidad es f (t\ = Il/(b-a) {o a<r<A de otra forma (26) y la disbibución se llama duúnbución uniforme. (221 se reduce a (I8). La función de distribución está dada por F(rl = P(X = x) = j (t. entonces . si la función de densidad de X es (2el .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 ".

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

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

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

(+)' ) /. Y. Teorcma 4. p.9: Teorema fYF 4-r. r. M(t\: aquella en que el primer éxito ocura.rr. É¡r p2son las medias de X.. las constantes o. . lt:po'=p2 r"rq E+S La va¡iable aleatoria aquella en que el r-ésimo éxito ocurra. La función ca¡acterística se obtiene de la función generatriz de momentos. donde se da. ... Distribución binomial negativa o de Pascal. Con frecuencia nos referimos a (49) como la distribución normal bidimensio¡ul. El caso especial X representa el número de pruebas de Bemoulli hasta.u\ : 2rororl/T-p" ". e incluyendo. f (r) : P(x = . DISTRIBUCIONES DIVERSAS En las diskibuciones descritas más adelante.0(* :.CUADRADO.118 Teorema DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. RELACIONES ENTRE LAS DISTRIBUCIONES CHI.. e incluyendo. 1ú. Y.o. remplazando t = ia. y p es el coeficiente de correlación entre X y Y.ottoz sonlasdesviacionestípicas de X. r : 1 da la distribución geomékica.. b. p es la probabilidad de éxito en una sola prueba.Z.r'X?) . : L/4'rr'r.r *1. .r. Para cualquier dishibución conjunta la condición p = 0 es necesaria para independencia de las variables aleatorias (véase Teorema 3-15)..51). 2. .= + X. 410: 4.4 *8: 4-o. = t!-qprzt. Distribución geométrica f(t) = P(X=r) = pq'-' r=t. = (X -t)o'n'-' r :.r. se considenn positivas al menos que se establezca lo confrario.. . -ú <A <6'. r=l ""=# Me)=# r. 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. En el caso de (491esta condición también es suficiente (véase Problema 4. Aquí La variable aleatoúa X representa el número de pruebas de Bernoulli hasta... 1.n] (4s¡ donde -o ( t.' {-[(?)' -.. a.

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

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

. Suponer que la probabilidad del nacimiento de un varón es t-..cAp. por ejemplo.\o/\6i \6/ \r/\oi \o/ 3125 .4. P(almenorlniño):1-P(nir¡gfrnniño) = l(b) P(al menos 1 niño y al menos una niña) ll)t \2/ = .\s/\z) \z/ . ¿cuántas calcula deben tener (c) al menos 1 niño./s\/t\'/qY \2/\6i \6/ \'i \ei \o/ * \o/\e/ \6/ * \s/\a/ \a/ 626 r25 25 1 763 . De 2000 familias r-:on 4 niños. -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. (c) 1 ó 2 niñas. (b) 2 niños.. de que en una familia de 4 hijos (c) al menos 1 sea niño. 3725 3125 = n76r n76. \r \zi\z/ .3. (d) ninguna niña? Refiriéndonos al Problema 4. (b) al menos 1 sea niña. -' /t\/ 1l\'/+)' = t.i \t/ \t/ = 2 8 p(4 niños) = (l\ /1)'11)'= f x-/\z) \z/ .ooo (lf) = 2000 18?5 Número esperado de familia¡ con 2 niño¡ 20OO ' P(2 niños) ó 2 niñas) = (3) = \ó.3888 4. 4l DTSTRIBUCIONES DE PROBABTLIDAD CON NOMBRE una PROPIO '.16 P(2 niños) : P(l niño) * P(2 niños) 16 16 * P(3 niíror) * P(4 nlñoa) 1 3 1 1 4 8'.3 vemoe que (o) (b) N(rmero esperado de familia¡ con al menos 1 niño = .4 16 Otro método. (o ) ee coüvierte en P(X>l) : P(X:l)*P(X=2)*P(X=3)*P(X=4) = 18 4.3888 ' 3888 ' 7776 ' 7776 .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.= 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\'. Entonces.es sea niño y al menos 1 Ll2. P(al menos 1 niño) /t)l+)'ll\' = \.zL (b) P(3 ocurra máximo vez) = P(X 1) = P(X = 0) * P(X = 1) = = 1l\/rY1¡\'*' ¡s) /r\'/rY .L' = /1\/1\'/l)'= l.

\r/ Entonces la función generatriz de momentos está dada por M(t) = E(etx¡ = )etxf(r'¡ n /n\ = ¡=0 .1.0.../ ) _)p.n) . Entonces es g : I . de un tornillo no defectuoso va¡iable aleatoria X el nl¡mero de tornillos defectuosos. Si X está'distribuida binomialmente.6.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 2.0. Sea la (o) P(X: t) = (rn ). P(al menos un ? en tres lanzamientos) = | . La probabilidad de un tornillo defectuoso e8 p :0..detalmodoquelaprobabilidaddenoTenunsololanzamientoesq:1-p:516.n" . f (r) P(x = r) = (!\o.2. HaIIar Ia probabilidad de obtener un total de 7 al menos una vez en tres lanzamientos dé un par de dados honrados.l# = fr X que está distribuida Hallar la funCión generatiz de momentos de una variable aleatoria binomialmente.nba j-ésima si éxito en la prueba j-ésima U=1'2.. determinar la probabiüdad de que de 4 tornillos escogidos aleatoriamente (a) 1.8)a = s. (ü) p(X = 0) = (c) P(x <e) = (fi)to.46e. 4.L22 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.:: =:"0.' (0..4 Número esperado de familias con 1 ó 2 niñas = tZOOOill) ' '\ 6 / \/ = 125 1250 (d) Nfrmero esperado de famiüas sin niñas = (2000)( i ) = 4. sean defectuosos.'(\*.q" .p:0.pet¡" Xi ' |0 {[1 si fracaso en la prr.rt't0. Para una secuencia de n pruebas de Bernoulli definimos n /n\ '?n ('/tr"')'0"-' (a -l.r. (c) menos de 2.6. = = Método 2.. página49).7. (b) 0.8.. Si el 20 % de los tornillos producidos por una máquina son defectuosos..46e6 ffi ? .8)r = ¡. Médodo 1. = 1:)l+Y/q\' \"/ \"/ \6/ - r25 216 y 4.

t y varianza 02 Íini- (r) en tol P(X-11 -ko\ flp.lro.) + (r - p)2p = i)".esdeciresperamolque40tornillosesténdefectuo¡os. tenemos.1 ):40. . como se requiere. entonces F = P(lX. li* Pll{-.. Pa¡a la función geraeratr:iz Mj(t) = stoqlettp .. M"(t) - 'f pst¡n 4.t/V6d.)(0.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L23 de momento¡ Entonces las X¡ son independientes y tenemos X: Xr * Xz *.. págirra 84.'* Xn. v (3 ) se convierte en P(lz -. de Los resultados anteriores también pueden obtenerse (pero con má¡ difrculüad) derivando la función genaetriz momentc (véaee Problema 3.8. (b) l'Iananza o2 : npq: (400) (0. 2. Por la desigualdad de Chebyshev. LEY DE LOS GRANDES NT. n. Procediendo como en el Método 2 del Problema 4.. .1.. página 83.9) : 36. Si la probabilidad de un tornillo defectuoso es 0. Demostrar el Teorema 4-7.1 = . entonces ¡.10. 4.'EBAS DE BERNOULLI 4.) Í+ó \l ?¿ -l = / = 0 El resultado también se deduce directaménte en el Teorema 3-19. halla¡ (a) la media y (ó) la desviación tipiticada para el número de tornillos defectuosos de un total de 400 tornillos.9.i)'== . .i .cAP. si X es cualquier va¡iable aleatoria con media tas.7 tenemos para/: L.npl > k1/i-npq) < i ó (3) Si hacemos c = k \l T." *Var(X) = npq donde hemos utilizado el Teorema 3-7 para o2 .) / \ 14 'l y tornando el límite cuando n -+ @ = 2+ ¡4r. (o) Medialt:np:(400)(0. Demostra¡ que la media y la varianza de una variable aleatoria distribuida binomialnente son p: np Y o2 : npg respectivamente.38) o direetamente de la función de probabilidád (véace Problcma 4.2.IMEROS PARA LAS PRI.q Entonces o2 p:E(X)=E(X'\+E(X2)+"'+E(X")-np = Var(X) = Var(Xr) *Var(Xz) +.)l*.e*pet M(t) = M tQ) LI2Q\' ' ' (i=1. página 80. con S.1.y (I)rc convierte En particular si X tiene distribución binomial o de Bernoulli. y1 E(X) = 0q*Ip = var (x.. o =.. Por tanto la desviación tipifrcada o = y'56 = 6. = X. o - {-npq. :-.n) (Q Entoncee por el Teorema 3-9.L52\.la ley de los grandes números (en forma débil) pa¡a las pruebas de Bernoulli. tt = flp.

94) O y z = 0. .81y z = L.rz¿u (c) ñ J" Area pedida .u + t/2" 'lo + ('"' "-u2tz 1¿4 2l 10. es el área pedida y representa la probabiüdad de que Z estÉ ent¡e O y 7.a'ley de los grandes números establece en este caso que la probabilidad de la proporción de los 3 en n lanzamientosdiferiendodel/6pormásquecualquiervalor€)0tiendeaceroamedidaquen-+€.1828 O yz ) lo mi¡mo que P(0. 0.=12 Fig. ee el área pedida y representa la probabilid¡d de que Z eté entre -0.i77Z + 0.27.941.Luego proceda a la derecha h¡sta la columna marcada 0.¿ ¿-uzr!¿u = -! Jfo \E = ___1__ -o.as 0.46 y z : O) * (área ent¡e z : O y z : 2. Por tanto .4738 - : 1.6.28.211 = + (''" {2r . (e) a la derecha de z: - L. represenüa la probabilidad de que Z eaté entre -0.!772 + 0. [.46 f ZÉ2. 0. El recultado. P(-0.21. 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. Halla¡ el área bqio la curva normal tipiñcada (a\ enfte z: Q y z: 1.(área enhe z :-0.46 " 1 e-u.t _o.3849. Por tanto P\0=z=r. 4-3 (b) Area pedida : área entte z : O y z: *0. (c) entre z : -0.46 y 2.2I) : O.11.+e "-u2t2f.0.2L) : (área entre z : O y z : 0. = "-u!/t 0.6636. \.46 y z: 2. baje por la columna z basta alcanzar el valor 0. Por tanto P(-0.46) * (área enbe z:0 y z : 2.gg4g z=O .2.4864 : 0. Por üanto'.. proceda a la derecha hasta la columna 8.68 (por simetría).C.94.ildlt + _= |^2 ¿¡ = O. Entoncee.2517.25f ? El área.68 y 0.6636 e-ú'/! clu = 0.2.68 sz=o) = -! l'o {2¡ J = | r' -o.4964 | t/Zt Js \/2r Jo "-uz/z 1 (d) Area pedida : (área entre z : : E¡to es - (área entrez : 0.2) = | {u ¡rz Jo ¿r.68 y z : 0.(b) entre z:-O. baje por la columna ma¡cada con z hasta alcanzar el valor /. El resultado. DISTRIBUCION NORMAL 4. (d) entre z: 0.68 "- u.81 0.81 = Z = L.12.2910 = 0.L (o) Utiüzando la tabla en el Apéndice.L24 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.4 4.

Area entre -1.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROP¡O Area pedida L26 (e) - (área entre z: -t. Caso 0.0277 (árca entre -1.30 47.cAP.8621.694 utilizando interpolación lineal.4332.4549 y z: l'ig.L6. (b) el área a la izquierda de e sea 0.5 kg en unidades tipificadas : (71. (b) Puesto que el área es e-tt/2 du = 0'3770 mayor que 0. Entoncec la z pedida es 1. 0 y z esO.09. Por tanta z: + 1. z : -1.5: 0.O2l7 : Entonces el á¡ea entre z).5)/10 68.14.O2l7 + 0.5 )/10 .O2L7 : 0.5:0. suponiendo que se regis' han al valor de kg más próximo. (b) más.4115 de lo 2: z es negativa pero a Ia izquierda de -1.8621 .69. hdlar el número de estudiantes que pesan (a) entre 48 y 71 kg. El peso medio de 500 estudiantes varones de una universidad es de 68. el valor 0'3?70 se encuentra a la derecha de la fila ma¡cada 1.16 es otro valor de z. Area entre 0 y z es 0. Suponiendo que los pesos están dishibuidos normdmente.5 kg en unidades tipificadas 68.4332- Entonces el área entre 0 y z es cual e: -1. de lo cual z:1.3621. (c) el área enhe - 1.0217.7O ?1.5. o.5.de 91 kg.3??0.5 kg.5: 0. hallar el valor o los valores de z tales que (a) el área entre 0 y-z sea 0.35.5.28'y z = O) T 1área a la derecha de z : 0) = 0. El problema es equivalente a resolver para z la ecuación rfz G ).1 y bajo la columna 6.8997 Esto es lo mismo que P(Z > -1. 4.5 y 0' (c) Si z fuera positiva el área sería mayor que el área entre que es 0.28). por tanto z debe ser negativa."O. o.4332 :0.5 y z : 0.4332. Caso 1: z es negativa pero a la derecha de -1.(área entre 0 y z) (área entre 0 y z) 0. Si "área" se refiere al área bajo la curva nonnal tipifrcada. 4. (o) Los pesos registrados entre 48 y 7l kg pueden realmente tener cualquier valor entre 47.5 y 71.3997 + 0.16.5 kg y la desviación tipiiicada es de 10 kg. -1. z debe ser positiva. Por simetría. con menos precisión.4-ll -1.13.0. z : -t.:1Tí"11u (área entre 0 y O. Area entre z v -t'5: 9ü. (a) En la tabla en el Apéndice C.5: -2.5 y 0 ) .4332- : 0. : (47 .5 y z sea 0.

1-14 Obsérvese que si consideranros el intervalo L. 4-r3 Si W denota el peso de un estudiante escogido aleatoriamente.30) : (área entte z: -2. podemos resumir los resultados anteriores en términos de la probabilidad al escribir P(47.0126: L.0107 es 2. el resultado anterior se modifica ligeramente.600 P(W -.2 Por tanto el porcentaje de lavadoras defectuosaÁ es 10002 Fig.10 y z Ol * (área eítte z = O y z : 0.2 L.010?): $.2) .275 cm y la desviación típica es 0.3849) = 0.26 a 1.2 . El propósito prira el cual se han diseñado las lavadoras permite una tolerancia máxima en el diámetro de I. Sin embargo para doe cifrar significativag los resultados son iguales.295 cm.1179 = kS ee 0.5 . (área a la derecha a. d1) = "ut'<o2t2/2t (J-ú "-tr-ort" l/2" .600) kg.(área entre z : O y z : 2.2) yz Proporción de lavadoras no defectuosas . . suponiendo que los diámetros están dishibuidos normalmente.tt)lo: uenlaintegralde M(tl = -= | \/2r J-14q modo quer:¡¡+ dx: o d4 tenemor dt. Hallar la función generatrrz Tenemos de momentos para la distribución normal general.68.L26 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.29 cm como representando realmente los diámeüros de¡de L.(dos veces el área enhe z : = 2(0.O]-25: -1.29 en unidades tipificadas : : (1.SO) (área a la derecha de z : 0 ) .10 y z:0.2 -77% = 23%.5 Proporción pedida de estudiantes 91'5 kg en unidadee tipificadas: (91.16.4 Proporción pedida de estudiantes : : = (área entre z = -2. de otra forma las lavadoras se consideran defectuosas.266 a 1.29 .275')lO. 1.11.30 Entonces el número de estudiantes que pesa más de 91 kg Fig.6000 Entonces el nfimero de estudiantes que pesa entre 48 y 7f 500(0. : Z.1. (D) toe e¡tudiantes que pesan más de 91 kg deben pesar al menos 91.5 - 0.9tOt 4.275)l O. Determinar el porcentaje de lavado¡as defectuosas producidas por la máquina. r.26 s 1.0125 cm.30 = 600(0. La media del diámetro interior de una muesha de 200 lavadoras producidas por una máquina es 1.26 (1.4821 + 0.4893 = 0.6)/10 : 2.300) 0.(área bajo la curva normal entre z : L. M(tl = E(etx¡ = L= Remplazando (x ot/2r J -- (' ette-(t-tD2/2c2 dtr g. etrt+oot-tu2/2.29 cm.l.5)=0.91¡ = 6.5<W<71. = 300.30) 0. 4.26 en unidades tipificadas 1.I.7698 ó O yz : 77% -1. .2 : -7.

.ó8 : -1.5 . obtenido en la parte (o).17.* "á Ar P(X=A) /ro\/fY/r\'_ = \4 /\z/ \z/ P(X=6) = 106 stz /to\/r\o/r\n _ = (. ro¡ Entonc. La precisión es aün mejor para valores .)\. Tqqbié"r!g_.E \ /\2/ \2/ =5) = l. mostrada a trazos. 4-16 y puede aproximarse por el área bajo la correspondiente curva ncrmal. Hallar la probabilidad de obtener entre 3 y 6 caras inclusive m 10 lanzamientos de una moneda honrada utilizando (c) la distribución binomial. (o ) Sea X la variable aleatoria que da el número de carag en 10 lanzamientos.5 en unidades tipificadas : (6.¿*\ / = ewt+(ozt2/2) APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 4. se'deduce que 3 a 6 caras pueden considerarse como 2.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L27 Entonces sustituyendo u - ot: u hallamoc que ettt+(c2t2/2)( M(t) : + f\t/2" J-* "--.7734 que se compara muy bien con el valor verdadero superiores de n.95) (área entre z :-1. 4-r5 23{587E Nfrmero de caras Fig. 4-16 trata los datos como gi fueran continuog. en la Fig.-o) l+Y 5 ll)' : .5)/1. (b) la aproximación normal a la distribución binomial.5 a 6.68 y z = O) * (área entre z : 0 y z : 0.4429 + 0. )\.cAP.5 caras.e O.5)/1.7718 (área entre d.58 y z : 0.95) : O.5 en unidades tipificadas : (2. Entonces dadas por/r= np=10(4\= 5yo = {nw = y'(10)(+)(+) 2.)'_ . 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.X.) ffi. La probabilidad pedida es la suma de las áreas de los rectángulos sombreados en la Fig.#*¿%*# 03 = # = 0..3289 : 0.95 Probabilidad pedida : : z: -1.p94!l y la varianza para la distribución binomial están = 1.7784 Probabilidad 2341678 Nfrmero de caras Fig.58 6.6. Entonces p(x=B\ = P(x ('f)(.58. Cor¡siderando los datos como conünuoe.es la probabilidad pedida es P(B=x<6) = #.58: 0.

250y11. o si consideramos : (219.311 : (área ent¡e z: O y z: -5.35) : 0.(.' La probabilidad de que resulte un 4 es p: l16 y de que no reeulte esg : 5/6.02y z: Probabilidad pedida -O. un 4 debe apariecer 14 vece¡ o menos en aproximadamente la décima parte de estas muestras.02 y 2 : -1.(i) = 250 s '= \/ill = .94 260."p: .OB tipificadas : -0. Un dado se lanza1-2O veces.3557 -0. Entonces -0.5..94 y z: 0.0. 239.20)14. o si conslderamos los datos como continuos.5 y 260.3? (D) Procedemos como en ha parte (o).5 en unidadee tipificadas :-5.18: .. .5 en unidades : (área bajo la curva normal entre z: -5.0.'.94 ib) Necelitamoe la probabilidad de que el n(¡mero de caras la encuentre entre22O y datos como continuos.. 219.35) : (á¡ea entre z : O y z : -5. ¡ rzo\1¡\''l5_\'o' r8 \.19. o \ i \6/ \6/ -{. entre 239. Una moneda honrada se lanza 500 veces.4 4.02) : : -(área enhe z O Y z : 0. Hallar la probabilidad de que resulte 4 (c) 18 veces o menos y (b) 14 veces o menos.1443: 0. remplazando 18 por 14.6/ r7 \ /\6/ \6/ \ /\6/ Con¡idenndo los datos como continuos que 0 a También . empleamos la aproximaclón normal.6528 = (239..5 .6 - 2O)l4.5 en unidades tipificadas: (14.18 (o) Necesitamo¡ la probabilidad de que el número de caras se encuentre enbe 240 y 260..6 .5 en unidades tipificadas hobabiüdad pedida .5 - 250 )/11.O2 14.(área entre z : O Y z :-1.5 en unidades tipificadas : 2.5 -..5 en unidades tipificadas : : (área bajo la curva normal entre z: -0.31-i Probabilidad pedida : (área bajo la curva normal enhe z : -5.5 y 280.94) : (dos veces el área enhe z: O y z :0.5 en unidades tipificadas 28O..mr.18 : -2. : 4.5 a 18. t. .94):2(0.73\ por más de 30.- -1.(lX*) : -5. = .e z: O y z:2.0. entre 219. (rzo\/r\/!\'.5 cuatros..5 se 0.5 en unidades tipificadas : 1-0. Hallar la probabilidad de que el número de caras no difiera de 250 por (a) más de 10.37) -0. AsÍ si resulta que el númerc real de caraa ee Se deduce que podemos estar muy confiadog de que el número de caras no diferirá del esperado (250) es honrada.4115 : 0..7 3 Probabilidad pedida : (dos veces el á¡ea bajo : 2(0'4968): 0'9936 la eurva normal enb. l8 cuatros pueden tratarse como tt = ttp = Entonces 120( )l = ZO \o/ /t\ y q = 1/-n7tq .02) .. (b) por más de 30.. suponiendo que el dado es honrado.3264): 0.)(+) = I 1.L28 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP.08 . podríamos considerar que la moneda no 4.OB pero debido a que el habajo involucrado en la computación es excesivo.02 18. .0885 Se deduce que si fuéramos a tomar muestras repetidas de 120 lanzamientos de un dado.18. es decir etabacargoda 280. pbr (o) Deseamos la probabilidad del número de 4 entre 0 y 18. Esta se encuentra exactamente ¡rzo\/f\"i 5\'o' .7 3 280.b.

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

1.1) - 1.23.' . X tiene una distribución de Bernoulli./íil 2 o et't-(. vC. exactamente 2 estén defectuosas.18 En general la aproximación es buena si p É 0.tr r/iñ 1o + per/ lliii tvr ll-nw 1n ¡pt e ' tnp.0"-' .323 Una evaluación exacta de las probabilidades empleando la distribución binomial requeiiría mucho más trabajo.(d) I¡¿-)\ donde p(x-Bt .4 4.001. (b) más de 2 individuos tengan reacción.. Si la probabilidad de que un individuo sufra una reacción por una inyección de un determinado suero. tfi-oa = > ¡=0 |\_.180 (b) P(X>2) = 1-[P(X=0) *P(X:1) +P(X=2)] _ I fzo¿-z. sultan defectuosas.. (b) la aproximación de Poisson a la distribución binomial. e t. Entonces de acuerdo con la distribución binomial p(x:zl (b) Tenemos )\: np (tJ )10.- 6 P(X=2) = %: = 0. (o) La probabilidad de una herramienta defectuosa es p :0. Halla¡ la probabilidad de que en una muestra de 10 henamientas seleccionadas aleatoriamente. TEOREMA DEL LIMITE CENTRAL 4. )r. Denótese por X el número de individuos que sufren una reacción.130 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.2te-z --z! . lioo ¡ln p¿tar liii¡ {ili ¡n .1e37 ó o.re = (10)(0. es decir P(X:x\ -. empleando (o) la distribución binomial.1 y \ = np 5 5.183e ó 0.np)/l/nW y la función generatriz de momentos Eletx'¡ E(et<x-nú/t'/-nil¡ tnnr rliii g 1"txrl noÁ ¡ "" = e-tnpt. podemoa suponer que X tiene una distribución de Poisson.001) :2 _ 0. 4.r -Lót 1! ) = l-6e-z = 0. Yerificar el teorema del límite central para una variable aleatoria X que está distribuida binomialmente y así establecer la validez de la aproximación nonnal a la distribución binomial.. pero ya que las reacciones se suponen sucesos raros. es 0. determinar la probabilidad de que de un total de 2000 individuos (c) exactamente 3. _/1t\ para X* es ". t ¡t qn.22.24. La variable tipificada para X es X* = (X .1# ^:?¡p:(2000)(0./)(p". Zze-21 -.r¡r1s.e¡' = \z/ 0. Entonces de acue¡do con la distribución de Poisson I¡¿- P(x--x) .t ¡n = le(qe + pet. Diez por ciento de las herramientas producidas en un proceso de fabricación determinado re. Denótese por X el número de herramientas defectuosas de las 10 escogidas.

Var(S") = Var(X1)*Var(Xzl+" '*Va¡(X) Se deduce que la = noz variable aleatoria tipificada correspondiente a S. Paran:L. Zo'n o\/n que .EntoncesXt.r¡1*'-p)21 * ....) \ n Pero el límite de esta expresión a medida que n -+ @etet2/2. Así el resultado pedido se sigue por el Teorema 3-10.1 donde.si¡ = / Iz (t*..25. /...Xz. Por tanto. hemos utilizado respectivamente los hechos de que las X¡ son independientes y que están di¡tribuida¡ idénticamente... = r+fi+.+.)/ot/.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Entonces empleando la expansión 131 eL hallamoa = L*u* t+gl u2 uj +"' qe-to/.... = .. et<x^-tJ/ol. Demostra¡ el teorema del límite central (Teorema 4-2. debido a que las X¡ eon independienter. por una expansión en serie de Taylor. .2..XntienenmediallyvarianTa ¿(s") = E(X)+E(X) + "'+ E(X. p)2 .n6r-É) n orJ + ft.'.Elet<x"-Dta{. es sÍ La función generaEiz de momento¡ para .(t ) h+ m. Por tanto +X2+"'*Xr. ..Elet<xt-. e(x2-tt)/"G.f = Efet(xr-ülo6).. = r++@++Gz)-.) = nu y. .. Elet<xr-u)ro{i1 .queeslafunción genetafrizde momentosdela función normal tipificada..cAP.r[r + L t(xt _ p) tz(x-t.Sl es s" -JP oVn E(etsi¡ - Efet<s^-nutror/i 1 .. "' \ -.. o\t z"Pq-r / '/"Ñoo(n-!-g\ * .. tzqz . 4. = q+p+-'iroo : L+h+. se sigue el reeultado pedido. en los dos últimoe pasoa. página 80. t2 Portanto E(etx'l: (r*!+"')" \2.. página 80.E(er.Elet<xz-ú/"6). = {Eletrxr-utr"ñ1¡" .qte es la funci6n generatriz de momentos para la distribución normal tipifrcada. tq . pig¡naLL2\.. por el Teorema 3-10.-] + 2o2n + ovn J = de modo E'(1) + l.tar I peta/tlnnf..tenemosSn:Xr o2..?/ Pero a medida que n + e el lado a la derecha üiende a et2/2. Entonces.

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

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

o*r"-ro. l'(a r.'#0" p2(a*t)a."-r{r-x)F-tlitr = frffiJ." "loo"¡. ya que I'(a + 2) = (c * 1) r(c * 1) = (a * 1)a I(a).. El segundo momento alrededor del origen es * 0) l'(a + 1) r(B) o I a B E(xz¡ = f(a)f(p) (t . HaJlar la media de la distribución beta.¡a-\d. (b) o2 (a) = oB2.33. fo"' .. Demostrar que la media y lavananza de la distribución gamma están dadas por (a) p: aP.¡^. = r@l#l = :a+-a DISTRIBUCION GAMMA 4.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. t.1o" xlQ: t tenemos : f..lff.)*: = ift)"("+z) = n2 Í. Por tanto p2 = Bz(aIL)a"2 . la función de densidad de X está dada por s(r) que es la distribución de Cauchy.E(X2) - (ap)z - "Bz DISTRIBUCION BETA 4.+fl Jo * l* _ r(a)I'(p) r(c r'(a + 4)- Jo (t *su+t11 2) l'(B) n)e-r ¿." ". página 46. = Í..." ffi. Hallar lavarianza de la distribución beta.31. . 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_! .. .134 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Considerando la baruformación [cAP.r . r Y dx Íz+a' Entonces por el Teorema 2-3.19: t tenemos E(xz¡ = ff"*. p = E(x) = ### fo'*¡." = ffirt"+f¡ = R RemPlazando p= Bon f' Fe-tdt aB (ó) Remplazando E(Xz¡ = t.rÍ".32.4 ¡: a tan 0 tenemog o-t¡¡-L! a .z¡ro-r1l.

como se ve al página 116. 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. utilizando el Problema 4.s(v-2)/2e-<L-2t>r/2 dr =J-r(v/2) )o 2.36. a * v. Sean ¡t y X.6. Efectuando el cambio de variable x : *t/T en la última integral. ! X. do ) función generatriz de momentoo de Z = X.ztl-v/2 fa u<v/z)-re-udu = (L-zt¡-'rz r'(v/z) )o 4.CUADRADO 4.v2 gadosde übertad. grados de liberta u2 Z:Xt *X.2t)-. por el Teorema B-18.a una distribución normal para X.36. página g1. Sea X una variable aleatoria distribuida normalmente con media 0 y varianza 1. .4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 135 Entonces.1 en la última integral hallamos M(tl = 2./2dü (-.)Eqéx"¡ : 1l-2t¡-'r/2 1l-2t)-vz/2 utiüzando el koblema 4.34.t Pero esta es una distribución chi-cuadrado con 1 grado de libertad. Esta debe ser la distribución de Z.'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. colocarz: 1 en (39).cAP.la varianza es 02 = E(xz¡-l'(x)l= _(rro)'= cr6#T_Fn : (1.84. Al generalizar los resultados anteriores obtenemos una demostración del Teorema 4-4.B2. Y: x2 dad. ea M(t) : Enet(xr+xü1 : E(etx. es con (¿ dA v. obtenemos P(Y < ú = -! fs rrrze-uz t/2r Jo d. Pa¡a ( 0es lóglco que P(Y SU) y> 0 tenemoe P(Y<u): P(Xz<a) = P(-\/u=X<+\/a) +fr"-.t2r(v/2)Jo " r-2t \r-2t/ : ll .r2 Al remplazar (l - 2t)n/2 = 7. pero procedemos de :0. cia entre Paray Deseamos hallar la distribución de la manera siguiente.'rz¿s (-fr"-. pá4ina 1-1.34 que una distribución cuya funéión generatriz de momentos es (1 2t)-<vt+v2)/2 es la dishibución chi-cuad¡ado con v11. 4. t : (1 - N¿¡-Qr+v2t/z (b) Se observa del Problema 4. Puesto que Ia correspondenX y Y no es uno a uno no podemoe aplicar el Teorema 2-3 como está. DISTRIBUCION CHI.-rr/2e-.r2. y utilizar el hecho de que r(á) = V7. grados de libertad.

4. x.x?o¿s.¡ (puesto que la mediana es la percentila 50 ) los valores: (o) S.831 y 12. .95 y xz2 Refiriéndose a la tabla en el Apéndice E. (b) 2I. a! es 0.5 correspondiente a z: 50. ¡! que corresponde a (a) 9.¡ se deduce en la misma manera.10.61.05. escoger las dos áreas iguales. X. hallamos en la columna ¡. parav> 10 los valores de la mediana son iguales av . (c) 50' Utilizando la tabla en el Apéndice E hallamosenlacolumna ¡2er.025. entonces el á¡ea a la izquierda de representa la nonagésima quinta percentila.la cual del Apéndice E es 12..8.O5): 0. el átea a la izquierda de percentila 99.1. Fig. como puede observarse de la tabla. (d) Si el área sombreada a la derecha es 0.01.2-.38.0. (b) el área total sombreada: 0.40.(b) 2T. y Si el área sombreada a la derecha es 0.2gs. Véase Problema 4. Es de interés notar que los valores de la mediana están muy próximos al número de los grados de libertad' En efecüo. Hallar los valores de ¡2 para los cuales el área de la cola 15.píryina 116. Demostrarel Teorema 4-3.esr. Entonces.05.3correspondiente av:28. en la columna /. . Hallar los valores de xf.831. la cual es igual a 15.136 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 2. en este caso cada área:0. Por tanto los valores son 0.. se acostumbra.la cual es igual a 0. qi" Z = X?*X2" tiene distribución chi-cuadrado con 1 * 1:2gradosdelibertadsiXr y X2 son independientes. Por ejemplo. y x? (c) Si el área sombreada a la izquierda es 0. (b) Puesto que la distribución no es simétrica.1 es el valor pedido de 12. (c) S9.39.O. Entonces del Problema 4.025.7.5.? conespondiente a la derecha de la distribución ¡2 es 0.10.01. 4-18. entonces X? V X3 tienen distribución chi-cuadrado con 1 grado de libertad cada una. para v : Por el Problema 4.8. xl es (1 . (Véase las consideraciones sobre notación en la página 116). (d) el área sombreada a la derecha: 0.05... x! por los cuales (a) el área sombreada a la derecha: 0. hay muchos valores para los cuales el área totál sombreada : 0. Entonces procédase hacia la derecha hasta la columna x%r.025: 0. los valores: (a)25.tán distribuidas normalmente con media 0 y variánza 1. xi representa la décima percentila.99 y ¡22 representa la 4. 4-18 (o) Si el área sombreada a la derecha es 0. lcAP. La representación gráfica de la dishibución chi-cuadrado con 5 grados de libertad se muestra en la Fig.37. si el número de gndos de liberbad v es igual a (c) 15.05. búsquese el valor 5. (c) el área sombreada a la izquierda: 0. Sin embargo.O25 representa la percentila 2.150.026. El resultado 11.04 en tanto que el área a la izquierda es 0. X. 4. x. (c) 67. el área a la izquierda de x? es O. (b) 28 y (c) 40 grados de UtÍIizando la tabla en el Apéndice E.3correspondiente^v :40. (b) 32. el área sombreada a la derecha puede ser 0. si el á¡ea sombreada a la izquierda es 0.Ia cual es igual a 1.5.0 correspondientear: av:21.¡2.0.35(b).34correspondienteav:9.. Hallar el valor de la mediana de libertad.05. u"mo.9?5 Análogamente.01. xz:.¡r. al menos se especifique lo contra¡io. el área sombreada a la izquierda de x3 es 1 ¡j iepresenta la percentila 9?.36 vemos que si X¡ y X2 es. El resultado general para todos los enteros positivos l.4 4.

*^ I' = - *l Í": como z('' .0(v¡lorre¡l =L24./4 f ( 7<rrz>-r e-<yz+ztrz ¿..41.42. DE STUDENT 4. página 117.@ hast¿ rl/z/r..lt * T ) eeto puede eocribir¡e d.rzrl. oon un alüo grado de aprorimación..64+/199P = 124.rr-r"-.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPTO 13? 4.FA = zp I t/Ft x| = *(zo+tffj¡z (o) Si v=50.u [f=.. himero fijamor r z b = integramos con reepecto a y de¡de .tzt'(vl2\ ).tz¿ul¿" LJ":_-e A = urfi en la integral entre parénteais rectangulares hall¡mo¡ . / mayor que 30..zl ztÍt + <t2 | v>r a")au ( " Susüituyendo F(r) = G.u\ .y ¿2 # donde la integral ¡e toma ¡obre la región ( del pleno lz parn l¡ cr¡¡l g ut/ñ. -/.3).tzl(vl7\ Jz=o = . #.\2/ r\ (l + u2¡'¡<'+t>rz ."a']au de acuerdo con lo pedido. . xlgs = \@.locuale¡tÁde¡cuerdooonelvalor6?.Lu€{p integrannr_conrespecto az de¡de 0ha¡t¡o.z \f 2nz. Hallar xlerpm (a) v : 60 y (b) y .cAP. z ) La función de di¡tribución de I = Ylt/ffi e¡ F(u) = P(T=r) = P(Y=er/Zfi) = y@2.(z..o 6 . Para .64+rfss¡z =69. zo/2)-re-z/21ffi e-uzzr2. Debido a que Y y independientee ¡u función de den¡id¡d coqjunta er 6l producto de (I ) y (2). dud. tn¡r( z\ Ju= -' . 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.rf ¡"ffi "-r.(' F(r) = _ tf Jr=-.t¡ e¡tl c¡¡i dbEibuido norm¡lmenüc con medie certr y varianza uno.100 gados de libertad. podemoe ercribir.ss+rtrOool-t¡z = |(1...er dccir z<v/z)_te_ :|-r+zr/2 para -o 1g 1lo. DISTRIBUCION ü x3s¡ dado en el Apéndice E.Elrode donde t6=t = . podemor utiliza¡ el hecho de que ({Tx2 .r/2."^' + zo+"/2 Í"'=-* d.va J"' {2r2./ .t' / 2 e. er la percentil¡ 10Op de l¡ di¡trlbución nornd tipilicada.6 = f. Por tanto tenemos Remplazando F(xl = . Demostrar el Teorema 4-6.=o"r.es+ftool-t)2= +(1.2.= .#. (b) Si r=100. Entonca ti z.-j(* . '\ z / (.

'') (?ñ rr^ o(vz/2) -| "-'. entonces el área total sombreada es (1 .r) a\.25. De la tabla hallamos t.9?5 y úr reprecenta la percentila 9?.99.005. búsqueee en Ia columna y el valor 9.99.01.lL=-=_rü=02 L"a/ ar t'2ú | vl1t2' . (b) el área total sombreada: 0.01 y el área sombreada a la derech¡ es 0. t.quedelatablaes igual a 1. hallamos en la columna te. ) 0.er5. . Sielá¡eaalaizquierdadeú¡ es0.gg) = 0. 4. (d) el área sombreada a la izquierda : 0.025): 0. losvalores: (o)L.. Efectúe Ia transformación u 1/ v1 . La representación gráfica de la distribución (c) el área sombreada a la derecha en la Fig.82. ú. De la t¿bla t ss = 2. La función de densidad conjunta de f '' V¡ y V2 etá. El resultado 1.:. Entonceg búequese la c. vlW v2 .05. r / Ll+ lvt/v)).es.t u(v2/ 2) .01 es (e) -2. 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. Deimostrar el Teorema 4-?._tr Fig. (e) el área a la izquierda de ü.olumna ¿.e.0.01/2 : 0.entoncesúl correspondealapercentilagO.05. (El último e¡ el valor que se obtendría utiüzando la cu¡va normal. (c) 200.ú.[. -1)(v'\/2) "-.82.) = 6"i.45.645 correepondiente a y: 200. En el Apéndice B e¡te valoi corresponde a la enhada en la última fila ma¡cada ó).83 es el valor pedido de t (b) Si el área total ¡ombreada es 0.la/2. ODt=r. t.. ú es 0. (b\ 27.01. entonces el área a la izquierda de ú¡ es (1 repreeenta la percentila 95. (c) Si el irea total sin eombrear ee 0. J z t .05 Refiriéndonos al Apéndice D. 4-19.025 por simetría.0.e0.38. ) 0 y 0 de otra forma. t.1 ez(vt+ v2)/2 lQl/21 f (u2/2) <t | + ú2)' ri o. 4-19 tt (a) Si el á¡ea sombreada a la derecha es 0.01.'.05. Del Apéndice D hallamoe 2.:"i = l::"'.DZ=ü l1U7D Entonces el Jacobiano es i'.::l = l"*:" 'u':'" Denotando la densidad como función de u y w por g(u.5.O5): 0.u) = . Por tanto el á¡ea a la izquierda de ú1 es (1 .rl).css = 3. (d) Si el Área sombreada a la izquierda es 0.4 4.2 g(u.44.70 correspondiente a v = 27i (c) 1. a.05.(b) 1. sea 0.90.nD\]uJur0.138 DTSTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO ú [cAP.l4\ -1- f 'pw\"rz'-' ID'-''-"e '"''o'-.26 como el valor pedido de ú. ¿. entonced el área sombreada a la derecha es 0. tenemoe | 1U) t.:: ::'. .O.75 correcpondienteay:16. dada por 1 (. DISTRIBUCION 4.43.95 y úr Refrriéndonos a la tabla en el Apéndice D. entonc€s por simetría el área sombreada a la derecha es 0. (c) el área total sin sombrea¡: 0.90. Halla¡ el valor de ú1 para el cual de Student con 9 grados de libertad se muesha : 0. Por tanto el área de t para el cual el área sombreada a la izquierda es 0.

+t.rr.7L = (2.2\/2)-t e-tt+<v{/v2)t(o/2> z(tt ' u2)/2 t0t/21 l.257.\/2i-r. r.TZ) \ (-" se Utilizando el criterio de la segunda derivada podemos demoetra¡ que realmente trata de un máximo. etc.. RELACIONES ENTRE LAS DISTRIBUCIONES F. que es el reeultado pedido..ul F'. ) 2' de (. = # = 0.'..oc. 10.rr.so.+v2't/2r-r = 0 Dividiendo Wt ut|ti2)-2(t2l t¡t)-[("\+t.t e.. donde.47.-'1t'"tvp)-uvr\j-:.o.au d.2* .. Demostrar que la distribución F es unimodal en el valol ¡v' ' La moda localiza e! valor máximo de la función de deneidad.18)2.o5 en el Apéndice F con e¡a¡ en l¡ distribución ú bajo ú.ee.(vz/2) Jo -tL-!:j!::-:(I5). er hkt) = ei u (. Pero de Tenemoe (r h(u) / v2\vr/2 4Q 1/'' . rr. (o) DeI Apéndice F. (d) F. la función densidad de la di¡tribución F es r[(t. : (4.ot. = 0. A diferencia de una conetante.1 = (3. 4.46. 15.*r. hallamoa \-i. ro.1-2\/ /\..o.. \. ¡2 y ú 4.. (b) F .'r2\ ) = 0 ó trt ry = /. .'rrr.80. 4. u.ss : t?n (b) fl. hallamos F. página 118. Utilizando la tabla para la dist¡ibución F en el Apéndice F. hallamog .9..48.\rt.\z .. rr.0g (d) Por el Teorema 4-8.r.ss : ". > 0 y 0 de otra forma.- r1u)-¡(.. 11 .0 = 4. Apéndice A. hallar (¿) F.F' gs.\ z /.2* r.96. donde vt -. r¿ desde La función de densidad (marginal) de U puede encontraree integrando con recpecto a decir 0 ha¡ta €.L5.s. /. \ : ¡... /.326.30.1 -.s. 7.o.78)2. Verificar que (o) /.l¡. Vemos que 18. (a) Comparar ia¡ entradas en la columna de la tabla F..io = F_¡ .8 = 3. ro.ut = t'(P) ap Jo da) ) 0 y 0 ei rt É 0.ob. .. (c) = 10.n. ( " *. .i/2)--t (v2:L vru)-(r.e75. es decir (r.50¡2..\i = /v' I vr\ ) si u ) 0 y 0 ¡i z¿ 5 0.r.t .r' / 2(. =- 9. i \rn) - 2\ / v' \ si v.l= *.t r rz)tz Si tiene un máximo relativo se presentará cuando la derivada sea cero.71)2.cAP. (c) Por el Teorema 4-8. ir ua 0. F.5. (b) Del Apéndice F.¿t.5 L6l = (72. rs = 3.t)- tyt ('4fa) (.4l si u DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 139 > 0. página 118.rt) - (¡'r +t2)/2 - .. primera f.

4.-. .'.sí generalizar los resultados del Problema 4.48. y que P(U 5 . P.r¡ n'(.l. t { l'-'u-r./ para u /_u_r. Entonces por la definición de un valor de percentila.2 -. Vemos que 4050 : (63.9 " / +1\ -t'* "" t / vv/21l-12v-(. que puede establecerse simplemente como F r-p = t? ott¡ l(4í).Ft-o) f(u): 0 para ¿ < 0.-¡l r.página 11?].r(l +3!) t r-ru+l)/9 ) O. tenemos P(T=+tlrno¡ = t -Pi .49.140 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP.'.4*)___\-.. P(. Por tanto ^\ F..60)2.66)2..)" ..(. \ : {". etc.eer.o) r\ \ '/ ll '=2 | '\ .u/2¿-r/2(y + ul-(r1tr/2 ^/.1 = (5.+tfttur¡ = P(T s +VFt-p) . '\2/'\2/ "11\ "/r\ t -/. 34.84)2.5 = (9. Entonces y a. Demostrar el Teorema 4-9. 98.0 <'T = *t/Ft_o) ú donde ? es una variable aleatoria con distribución de Student con u grados de libertad.4 (b) Comparar la¡ enhadas en la primera columna de la tabla F. + r\ r( ol -r- .(4.t. página 118. v2 = v en la funeión de densidad para la distribución F f (ul = . I ^F.P(f 0) = = P(T=+\E|-+ donde hemo¡ usado la simetría de la distribución ú.ee en el Apéndice F conegarenladistribución ú bajo ú. vemos que el lado izquierdo de la última ecuación es igual a z.es el nhmero tal = 7- * t\ "/" ./" + r\ \ / l+1) "/ \-(!¡!'/'l tru = } -p En la integral efectf¡e el cambio de variable t=t t/-u: r)r'rl '\ J -'(f+-¡ dt = t-p 2-r 2.r( . Sea 11 . Re¡olviendo. 21.)" \/ Com¡rarando con (42).*rr.'.l / +z\-r¡ \ '/ ¡=. pfuina 116.rtF.92)2. Por tanto t-P 2 = Pp<T:.

si X. etc. DISTRIBUCIONES DIVERSAS 4. lo cual provee la verificación requerida. entonces la función de densidad normal bidimensional (49). por definición.r'il ) y y puesto que este es un producto de una función solamente r.00 =.. Demostrar que X.r"?ll--+"-.60 -. lo cual provee la verificación requerida.94 3. K (r(r . Análogamente la probabilidad de no obtener un 3 en el segundo lanzamiento ee 5/6.7 2.il = (4 .. página 118... Entonces vemos que a r': ó) con etc. Entonces vemos que 6. )Lo. la probabilidad pedida es Y/r\ \6i \6/ / s c. Comparar las entradas en la última fila de la tabla . en el Apéndice E. 4.. Y son independientes solo si su coeficiente de correlación es cero. Verificar el Teorema 4-10. que era lo que se querfa demostrar.50. se convierte en l@..:\/2= en . Sean X. = @) con = "'13..52.(p/z\\ = l-?. (c) Comparar las entradas en Ia última fila de la tabla F o= en el Apéndice F (correspondientes las entradas bajo ¡..78 = #. ya que la función de densidad de Ia distribución positiva. lotll.145.51. f(x. La probabiüdad de no obtener un 3 en el primer lanzamiento es 5/6. + * en la distribución F en DISTRIBUCION NORMAL BIDIMENSIONAL 4.02 = #. _ 9.¡ !. 't7 2. Méüodo 1.+. La prueba general del Teorema 4-10 se deduce tomando el límite cuando U2 la prfuina 117. y se deduce que X.95 y (b) p : 0.1.ú los valores de = t-+o-.8t (b) -.GB a ¡'. 4. para (a\ p : a1 0.'. 3. producto de una función solaménte en. s. y este nfimero se determina finicamente. Y variables aleatórias cuya función de densidad conjunta es la distribución normal bidimensional. Hallar la probabilidad que en lanzamientos sucesivos de un dado honrado resulte un 3 por primera vez en el quinto lanzamiento...s2 T r.. tt tt¡/z.¡ es el número üal que P(T=tt. Entonces la probabilidad de no obtener un 3 en lo¡ primeros cuaho lanzamientos es (5/6)(5/6)(5/6X5/6): (5/6)4. s.4!¡ 4 2.25 77i6 .99.21 . r por una función solamente en y para todos ser el Inversamente. etc.. y) dada por (49) debe para todos los valoxes de x.CAP. Esto es posible sólo si p : 6. = tt-(p/zt ó Fr-p : tl2t'-tptz'. Por tanto ú es estrictamente +\/F.4] DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L4t Pero.. 3. Si el coeficiente de correlación p = 0.F e. -. er el Apéndice F (correspondientes las enhadas bajo x:nn en el Apéndice E. Y son independientes.'. Y son independientes. Ll . Véase Problema 4.L . página 118.Por tanto la probabiüdad de obtener un 3 en el quinto lanzamiento es 1/6..r y una función solamente en y.

4.63.""tb)-t a-ub I ur/be-! du Jo a_. 11. 6 = 36 forma¡ en las cuales ambo¡ dadoe pueden caer.6)r : 9. 2¡. Determinar la probabilidad de que de 5 estudiantes (a) ninguno. (c) al menos uno..977?6.tbr donde hemo¡ ütilizado Lr ¡ustitución u f@ ab ('/"\ du /' (r. ó aproximando O. . ó aprorimando 0. etc./ du (' = o-r. (b) la variarrza.2692.4.92.ra evaluar la (ü) E(Xz¡ = fo- oOro*r¿-oto¡lg r "b ('/z\r*ttro> e-!:u(t/b)-t = o"o )o \. de la distribución Weibull. 4 Utilizando la di¡tribución geoméhica.6)4 = 0.08 (D) P(re gradúe uno) = 5Cr(0. DISTRIBUcIoNEs DE rRoBABTLTDAD coN NoMBRE Método 2 (utilizando fótmula).55. La probabilidad de que un estudia¡rte que ingrese a la universidad se gradúees 0.of ¡(1 + 3) b/ L\ . i) integral. eon p: Ll6. Verifrcar las expresiones dadas para la (a) media. E¡ta¡ ¡on 1 cn el grimer dado y 1 en el regundo dado.q:616. (b) uno. (D) al menos dos veces en 6 ¿ead¡¿o¡ por (1. : atb pa.4)0(0. ¿Cuál es la probabilidad de obtener un total de 9 (o) dos lanzamientos de r¡n pa¡ de dados? en veces. pedida er pRopro [cAp. \i)"-".¡ :6 Gzl vemo¡ que la probabilidad /t\/o\' _ \6/ \6 / página 119.4)1(0.64. etc. ó aproximando 0. 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. i7't6 4. (a) P(ninguno ee gradúe) = 5Cs(0.be-! = o-2/br\t + a) Entonce¡ / o\ ¿u 02 = El(X-u¡21 = E(Xz)-uz = PROBLEMAS DIVERSOS o-".26 (c) P(al menos uno re gradúe) = 1 -P(ninguno se gradúe) :0-92224. (o) t' = E(X) = JO f abrb e-o"o d.oJs u. página 118.r I ú ). se gradúe. 1 en el primer dado y 2 en el regundo dado.L42 . alf hay 6 . - f.p(\ t + +)-l ó/J 4.

0676 : O. 4. Halla¡ los coeficientes de (a) sesgo y (b) curtosis de la distribución en el Problema 4. Por tanto la de¡üación tfpica = /56 = 6. (a) (b) Coeficientedeeeego= Puesto que es positivo.5?."'\g/ ' ^/rY/s\u. un total de 9 ocurte en 4 cqlos¡ (3. ^ /r\ta.2:{). 10 puntos. eb necesario con¡idcrar los datoe como si fueran continuoe./ \ó/ * '"'foi ó * '''Gi 72689 1 10240 960 48 61 = 681 440 65f ¿¿T . 4). Si la probabilidad de un tornillo defectuoso es 0./ * '"'(. (b) la calificación máxima del L0% más bajc de la clase. ^ /r\'/e\'. (o) P(9 do¡ veces en seis lanzamientos¡ = 6"'\t/ /q\t-' .3418 - y e = 0) (áre¡ entre z :{.4I DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 143 De estas 86 forma¡ todar igualmente factibles ¡i los dados ¡on honrado¡.6 (área entte 0. (a) Media : np :400(0. la distribución está sesgada a la derecha.5 puntoe.2. .6 a 6. 5). 3). (c) la calificación mínima delL0% más dto de la clase.1. dependiendo del número de respuestas conectamente solucionadas de un total de 10.0 (6. Véase Fig.er)*P(9cincovecer)*P . La calificación media fue 6.133 coeficienüedecu¡tosis: l. Suponiendo que las calificaciones están distribuidas normalmente.1XO.cAP./ \. (6.7)1L. (5..5Bt 441 = 531 441 441 Otro método. == vnpq H = 0. hallar (c) la media y (b) la desviación típica para la distribución de tornillos defectuosos de un total de 400.-"^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.a di¡tribución ee s+l---^6:q : 3+ff1-6(0'1X0'9) = nuq 3'01 ligeramente má¡ apuntada que la distribución normal.5 en unidadee tipificadar hoporción pedida: á¡ea entre : : . (a) la di¡tribución normal a datos discetoe. . . (D) Varianza : npe: (40OXO.5gr 441 * ss1 441 .7)1L.2 = -'1. 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. ^ /r\u = 'c'(o/ \é/ * '"'(.1): 40. Para aplicar : 6.9): 36.-.6u.\0/ \e/ \s/ ^/l\'/q\' ffitZü 7268s 4.5 ./r\'/e\a.? y la desviación típica fue 1.ó6.17 (5. determinar (c) el porcentaje de estudiantes con 6 puntos. P(al menoe 9 doa veco) : 1 - P(9 cero vecer) - P(9 una vez) : . 4-20. es decir podemoselpemr que 40 tornillo¡ esüén defectuosos.56. Las calificaciones de un parcial corto en biología fueron 0.6. L. 4.6.. ^/r\'/a\'. 6).5 en unidader tipificadar : 5.2. Por tanto una calificación de 6 puntos ¡e cor¡sidera como 5. (4.17 z: -1 y 277o z: O) 0.17 z: -1 y z:-4.2788: .58.

I -0.I At. Entonces (x2 - 6.r2 la calificación mínima pedida zz =L.L14 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP.17 I'ig.6.on O como el origen. De la Fig. Refi¡iéndose al Problem^ 4.2 ! 22 Eu equivalente en unidades tipificadas.4 . por tanto área.69 halla¡ la probabilidad de exactamente una cuenta en el tiempo t. Si (b). 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. 4-2L el la izquierda de z¡ eo LOT. 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. 4-22 repteeenta el eje de tiempo c.Z:-t.28.7)17. a Area entre zt y O: 0. Si se suponen lar llegadae de lae partícula¡ sucegos independientes.P6(0): c e¡ la probabiüdad de no cuenta¡ en elüiempoGrro. Un contador Geiger se emplea para contar la llegada de partículas radioactivas.26 6 aproximando y al entero má¡ cercano.40 : -L. = 0. Máe precisamente. La Fig. 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 . exiatirán término¡ adicionalecqueincluyen a (Aú)'y órdene¡ ruperiores. Por tanto la probabilidad de no contar en el tiempo At ec 1 .69. tenemoS (r) De (I ) obüenemos (2) Po(ú+a¿) = lú Ps(Ú)[1 -IAú] = -IPo (¿) At+0 lim Po(¿-f a¿) - PoQ\ e¡ decir (.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. Por tanto.2 u 8 aproximando al entero má¡ cercano. Por tanüo c = I y l¡ probabilidad pedida ee (11 Po(¿) = ¿-^t 4. 4.60.4-20 Fig. zt Enüonces zt = (xt . Halla¡ la probabilidad de que en un tiempo f no se cuenten partículas.7)lt. pero no se consideSea P6 (ú) r-----]--l Fig.28y Ír:6.28 (aproximadamente). por simetría : L. 4-21 (b) Sea r ¡ la calificación máxima pedida ] z¡ !u equivalente en unidadec tipificadas. rin considerar los términoe que incluyen (Aú)2 y término¡ cuperiores. la probabiüdad de no cuenta en el tiempo t Entonces Po (ú + At) es la probabilidad de no cuenta en el üiempo ú + Aú.28.x2:8. cue¡rta en el üiempo SeaPl(ú) la probabilidad de una cuenta en el tiempo f+ I de modo queP¡(t + Af)er la probabilidad deun¿ Aú.4-22 o ran si AÍ es pequeño. (c) Sea .10.que lógicamente e¡ 1. At.

s supletnenta. Si P(X=2). Hallar fal¡o.69.59 esto convierte en dP.t * \P.rlos DISTRIBUCTON BINOMIAL (BERNOULLI) 4. Suponer 4. (r) Esto puede escribirse Pl (ú + a¿) = Pr (ú)(1 - r aú) + P0 (¿)r a¿ Pr (¿ + (2) l¿) Lt .64. (c) 2. (c)o2ó3niños? probabilidades iguales para niños y niñas. (b\ P(X <21' (c) P(1<x=3). 4. P1(0) eo la probabilidad de 1 cuenta en el tiempo 0. (d) 3' @l a.¡e-rtt esto puede escribirse como d. (b ) menos de 4. ¿cuántaseeperaríantener(o)3niños. caras. con un par de dados? ¿Cuál es la probabilidad de obtener un 9 exactamente una vez en 3 lanzamientos 4.ar una moneda honrada 6 veces aparezcan (o) 0.cAP. sin coruiderar los té¡minos que incluyen (Aú)2 y ruperiores.(b)5niñar. Por tanto (7') = ¡¿¿ . Utilizando e¡to en (6) hallamos Pt (Ú) c2 0. 4. tr¿-At (3) dt = ^Pl o d.62.66. . que es cero. (b) dog vece3' en dos lanzamientos de un par de dados honrados. Por tanto.i que es [a distribución de Poisson. 4 caras en un solo lanzamiento de 6 monedas hallar (o) P(X = 4. u) Multiplicando por (5) e^¿ d.66. Problerna. DeSOOfamilia¡con Shijos. Hallar la probabilidad de obtener un total de 11 (c) una vez.P. La probabilidad de (ii) es Po(ú)I at.61.I"(t) = XF'o(¿) - IP1 (¿) ge Tomando el lfmite cuando Af -+ 0 y utilizando la expresión para Pe(ú) obtenida en el Problema 4. Iülla¡ la probabilidad de (o\ 2 o már honradas. (n 5.rt ú Continuando de esta forma podemos demostrar que la probabilidad de exactamente n cuentas en el tiempo está deda por (8) Pn(t\ = (^t). (b ) 1.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 145 La probabilidad de (i) es P1(ú)(1 . la probabilidad de acerta¡ correctamente al meno¡ 6 de 10 res¡ruestas en un examen tipo verdadero- . @l 6 caras. 3). ¿@xtPr) = x que al integrar (6) Pr(t) = \¿¿-rú+c2e-\r Si : t:0.67. Halla¡ la probabilidad de que al lznz.I a¿). X denot¡ el número (d) de caras en un solo !¡nzamiento de 4 monedas.

4. ¿cuántos estudiantes tienen estaturas (o) ¡nayores que 1.58.56. llallar el área bajo la curva normal z: 0.96 =_ Z < t.85V 4.2O y z --2.e z: -1. Demostrar que si una dishibución binomial con n : 100 es siméhica. (c) solament e 2.71.5722.81' 4. 0.t ! 2 o.608 pul.4 respectivamente.78: Hallar los valores sea 0.oo ¿ea 22c/a. Un agente de una compañía de reguros vende pólizas a 5 personas.2 respectivamente. determinar el porcentaje de los cojinetes de municiones con diámetros (a) entre 0. 4. (/)ala izquierda de z:-2. (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.El m inclusive.900.7O. (dl al menos I persona esté viva. (c) el área entre de z tales que (a) el área a la derecha de z sea 0.9.75. todas de edad idéntica y con buena salud. (ó) el área a la izquierda de z sea -0.(b)z=I.85 m.5 o? 4'83. Calcular la (o) media.61? pul.80' 4. haltar (a) P(Z = -1.84.23yz:1. ¿qué porcentaje de esas mediciones diferirá de la media por (o ) más de media desviación típica.82.79.59 y 1. 4. (d) el áreaentre 1. hallar P(X > S).t'c.2 o.0025 pul. 4.2266. su coeficiente de curtosie es 2.45. (b) Determinar los puntajes de dos estudiantes cuyas calificaciones tipificadas fueron y 1.4O. (D) mayor que 0.!6. lt!aosea . ¿Cuál es la cslificación mínima que debe obiener un estudiante para recibir una A ? Si un conjunto de mediciories está distribuido normalmente.O?30.74. (c) Si las estaturas de 300 estudiantes están distribuidas normalmente c\on media 1.6 y 1.96). (d) correspondientea z>:2. Z está distribuida normalmente con media 0 y varianza 1.80< z< !. La calificación media de un examen final fue 72 y la derviación típica g. EnelProblema4.?8. (b) a la izquierda de z:0. 4. (c) menores que 0.77. Interpretar los resultados.64). Evaluar (o) ) (c - p\3 f (r) v (b) > (r .r)af(rl para la distribución binomial.L46 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.72.?0 m? cm. En un examen la media fue 78 y la desüación típica 10. (e)correcpondientea-0. 4.6140 pul y desviación tipificada 0. Demostrar las fórmulas en la página 109 para los coeficienües de seego y curtosis. dondeZestádistribuidanor¡nalmenteconmedia0yvarianzal. entre (o) 4.52 y a la derecha de z: 1. (b) por fuera del recorrido ¡t ! 1.15 y z *aO. (b) menos que p . (c) coeficiente de sesgo.83.618 pul inclusive. 4.82. DISTRIBUCION NORMAL 4. ¿qué porcentaje de las medicione¡ están (o) dentro del recorrido I. (c ) mayor que g 1. El l}'.85- 4. (b) desviación típica.? y n : 60. Hallar el área bajo la curva normal (o) a la izquierda de z : -1. (d) iguales a 0. entre 1. z:-I. (e) el áiea en¡e-z y z 4.610 y 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. Si X está distribuida normalmente con media 5 y desviación tipificada 2.68.?O m y desviación típica 10 Si los diámetros de los cojinetes de municiones están normalmente distribuidos con media 0. (d) igual a 1.76.79' 4. (b) menos que o iguales a 1. (c) a la derecha d.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 -0.615 pul. (d) coeficiente de curto¡is para una dishibución binomial en la cualp : 0.0314. Si (c) P(lzl > r).8{. Hallar la probabilidad de que en 30 años (o) Ias 5. (a)Determinarlas calificacionestipificadasdedog estudiantes cuyos puntajes fueron 93 y 62 respectivamente.86. (b) P(-1. -0. 4. Hallarz¡ si P(Z-21)= 0. (c)z:-2.55 m.69.23 y z sea O. 4.b superior de los estudiantes recibirán una calificación A (excelente).50.gShallarlacon¡tanteatalqueelporcentajedelo¡casos(o)dentrodelrecorrido 7 í'. (b ) al menos 3.4 4.

página 113. (c)entre y 46.b. Hallar la probabilidad de que un estudiante pueda acertar eorrectamente lasrespuestas a(a)12 o más de 20. página I 1 1 . Explicar por qué se podría esperar que el teorema üengan la distribución de Cauchy. "heses". Demostrar el resultado (l 7). hallar la probabilidad de que en una muestra de 100 lámparas eléctricas (a) 0. TEOREMA DEL LIMITE CENTRAL 4. de loe tornillos sean defectuosos. Generalizar el resultado a n variables.ar la función generatriz de momentos). el promedio de ahogados en accidentes por año es 3.97. (d) 55 o más. 1/2 -r -t Demostrar el teorema del límite central para las variables independientes 'Yk donde g = | | 1 prob. . Demostrar que si respectivostrr X1 ¡l X2 son variables independientes con distribuciones de Poisson con parámetros ytrz.(Sugeren- cia: Utiliz. <x< @ 4.(n5lámparar sean defectuosas. Si 3% de las lámparas eléctricas producidas por una compañía son defectuosas. Department of Health. 4.t9.cAP.96. . hallar la probabilidad de que (of rnís de 5. Halla¡ la probabilidad de que el resultado sea: (o ) 1 "uno". r¡ : L - p. (d) exactamente 100 cara¡. 4. 4. arí generalizando el Problema 4. o 2lámparas eléctricas sean defectuosas. (b) entre 1 y 3. f. 4.(b)2. Un talego contiene una bola roja y siete blancas. ( t 3 ). 36 LO"/o de los cuales son defectuosos. . 1/2 prob. (b) cada ca¡a una vez. Hallar la probabilidad de obtener más de 25 "sietes" en 100 lanzamientos de un par de dados honradoe. hallar la probabilidad de que en 8 de tales extracciones se seleccione una bola roja 3 veces. En el Problema 4. ( L 1 prob. Education and Welfare. .91. Demostra¡ el teorema del límite central para las variables independientes xk = 4. Se extrae una bola y se obsen'a su color. Hallar la probabilidad de que en 200 lanzamientos de una moneda resulten (a) entre 80 y 120 caras inclusive. Entonces se coloca la bola en el talego. .#Tf DISTRIBUCION MULTINOMIAL 4. (b)entre 30y 60. Halla¡ la probabilidad de que 4. Se lanza un dado honrado 6 r¡ece¡. . S.95.88. (e) 4.94.entoncesXr+X2 tieneunadistribucióndePoissonconparámetro). (c) menos de.(e)entre4y8. 4l DISTRIBUCIONES DTSTRTBUCTONES DE PROBABTLTDAD CON NOMBRE PROPTO PROBABILIDAD PROPIO I47 L47 APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 1. son independientes y están distribuidas idénticamente con la distribución de Poisson.92. (bl 24 o más de 40 preguntas en un examen tipo verdadero-falso.87. Según Ia National Office of Vital Statistics of the U.9!. Demostrar el teorema del lfmite central para el caso en q rre X ¡. Utilizando (o) la distribución binomial y (b) la aproximación de Poisson a la distribución binomial.93. p pr. 4.(c)6. 4.97. DISTRIBUCION DE POISSON 4.90. (b) 7. -'. 4. 4.10O. Xz. Una máquina produce tornillos. (d) 3. (b) menos que 90 caras. del límite central no sea válido en el caso que X¡ .101. 3 . (c)2.0 de cada 100 000 personas.(f)menosdeS ahogados por año. Xz. 2 "doses" y . (c) menos de 85 o más de 116 caras. Hallar la probabilidad de que en un muestreoaleatorio de 400 tor4illos producidos por estamáquina (a)máximo 30. enunaciudadcuyapoblaciónesde200000ocurran(a)0.99.2. f(r) =.98.(d)8.1 t\.

o:2. Una variablealeatoriaX tiene una distribución gamma conQ:3. Determinar el coeficiente de (a) > ll 6/.11?. Hallar la probabilidad de no obte4er un 1. DISTRIBUCION HIPEBGEOMETRICA 4. dad de que (a) 6 sean figuras. 4. (t) P(l = X=2).116. De 60 aspirantes a una universidad 40 son del oriente.107.119.148 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cA¡. (c) al menos una sea roja. Y son independientes y ambas eetán distribuidas uniformemente en el intervalo de 0 a 1. sesgo y (b) curtosis de una di¡tribución uniforme. ó (24\ se para resolver el Problema 4. página 115.(b)8 sean rojas y 2 amarillas. azules y amarillas en la proporciün 4t 3z 2: L. cuando N ' e. Hallar la probabilidad de que de 10 bolasextraída¡: (o) 4 rean rojas. S blrncar.págrna114. (b) P(lX-11 = +). página 108. 2 ó 3 en cuatro lanzamientoe de un dado honrado.11E. DISTRIBUCION UNIFORME reduce a (I ). 4.con < 2). blancas. 4. Suponga que X tiene una distribución de Cauchydeacuerdocon(29). Hallar (a) el tercero y (D) el cuarto momento alrededor de la media de una dishibución uniforme. Generaliza¡ el resultado del Problema i. Si se seleccionan 20 aspirantes aleatoriamente.106 y e¡tudia¡ la precisión 4. Una caja contiene una gran cantidad de bolas rojas. Si se seleccionan 8 bola¡aleatoriamente (sinremplazamienüo) determinar la probabilidad de que (a) 4 sean rojar. y (b) la función caracterfstica de la di¡tribución gamma . Demostrar que el recorrido semi-intercua¡tílico para la di¡tribución de Cauchyeeo. Hallar la función generatriz de momentos para la di¡tribución uniforme. 4. 4.z 114. tl¡llar(o) P(X= 1).114. ¿Porqué en este caso el 4.121.108. (b) P(Xz > r2).104.122.fl DISTRIBUCION DE CAUCHY 4. 4. 4.págin. hallar la probabilidad de que (o) 10. (b) ninguna sea figura. Demostrar directamente que (22). (b) no más de 2. normalmente con media 0 y varianza l Demostra¡r que Y: Xt lXz tiene una distribución DISTRIBUCTON GAMMA 4.4 4. hallar P(lX .Hallar(al P(X <1). Si Xt y Xz son independientes y distribuidas de Cauchy.113. entoncel su mdia 4.109.120. 4.Hallat(a) P(X i. Demostrar que si X1 y X2 son independientes y tienen la misma distribución {e Cauchy. Determinar los valore¡ modales de la distribución gamma.115.102. hallar la probabili4.111.112. Yerificar la (a) función generatriz de momentos dadas por (33 ). Una caja contiene 5 bolas rojas 5l l0 blancas.105. (b) todas sean blancas. Si X. 4. página 116.106. 2 zzulee y l amarilla. Si se seleccionan 13 cartas aleatoriamente (sin remplazamiento) de una baraja de 62 cartas.116.110. es una función de densidad. 4.9: 4. sean del oriente. 4.103. Emplear la aproximación binomial (18) obtenida. Verificar que (31 ). Z. SiXestádistribuidauniformemente en-2< x=2. recorrido gemi-intercuartílico es un eustituto de la desviación tfpica? aritmética también tiene esta distribución.

- 2). Si la variable U tiene distribución chi-puadrado P(u < x?) : 0.05.99.90. hallar x2. (o) llaltar x! y x? tales que el área bajo la distribución x2 correspondiente a v -. Hallar 4. Resolver el Problemz 4. (d) 40.126.13E.90yy:25t (b)eláreaalaizquierdade-ü1 sea0. la distribución ú es 0. = t2ul(v1* . Demostrar que para 1 grado de libertad la distribución ú es una distribución de Cauchy.cAP.4l DISTRIBUCION BETA DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO t49 4.20 91tt: 1i Y_4_. (e) el área entre -f1 f f1 sea 0. hallarlaconstantec talque (a\ 0.10'(d)el sea 0.or'so'lr-.2gs para r = 150.131. 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.%t con y :7. 250. (b) Demostrar que si la suposición de áreae iguales en la parte (o ) no se cumple.os.' dada Por r * . Hallar el valor de: (a) F.05. (d) el área a la derecha de ú1 sea 0.¡.132. Demostrar que la distribución beta tiene una moda l¡nica en DISTRIBUCION CHI-CUADBADO r: (a - l)/(a P(lX-+l = +).ss.rz.123.2. (D) P(-a= U 3 c) :0.01. (c) F.727 si el área de la cola derecha es 0.1 de la función de densidad (45'¡.133.55 ! 4.eo. 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. Si una variable Utiene una distribución de Student con ¡.05.z¿i (d) F.or. (b) 19.01 y ¡. (c) P(U = cl = 0'20. Hallar los . v. (c ) 25.oo.páSrrra 115. f f.rales a la derecha de xB y a la izquierda de x!.rs. 4. 4.13?.9¡' P(U>c)= 4.025. 4. / una buena aprorimación para percentila (100p) de la distribución normal tipificada. Halla¡ (o) 4.(b)eláreaalaizquierdadetlsea0.140. es una función de densidad. y x! tales que (a) P(U > x?rl = 0'025.ss. 4. v ) 2.donde zo hra una distribución f de Student con 15 grados de libertad.zoi (.136.128./(. Demostrar que para grandes valores de 4. Hallar (a) es la x.rúmero e. (c) P(x?< U < x2z) = 0. (b) el área a la izquierda de xi sea 0. (ó) y (b) x.130.02'5yv=20'(c)eláxea 16. er igual a 1.. \b\ Yar (7zl -.(c)eláreaaladerechadeú1 eea0. hallar el valor ie . lJnavariablealeatoriaXtieneunadistribuciónbet¿cono:3.95.gc. ee la 0.01.9:2.01.139.50.124. (d ) 60.2\' 4. (c) 28.ol/l'.142. ¡2o egtá x?ozs y (b) xizs para'r = 4. v: -f1 sea 0.:10.125. pígirn 117.? 9:?^5: suponiendo ireae'ig.¡' 4.141. Verificar que la integral desde u lsugerencía: Hágase a : 0 hasta e v2u). hallar el valor de ú¡tal que (a) el área a Ia derechadeú1 seaO. (c) el á¡ea a la derecha de xl sea 0.ti ti¡l gue (o) el área a derecha de ¡l sea 0. : 6. Demostrar que la va¡ianza de la distribución t de Student con t. 4. si el r. Demostrar que (a) E(xz) = DISTRIBUCION ú DE STUDENT 4. grados de libertad DISTRIBUCION x . + p .01.98. los valo-res de x? y x! no son únicos' 4. área combinada a la derecha de ú1 y a la izquierda de -f1 4. Q) F. si el número de 4. (b) F.129.12?.136.95. Verificrü que (34).134.. Para una distribución chi-cuadrado con 12 grados de libertad.g.rzo. (b) 12. (e ) 150.valores de grados de libertad I ú para los cuales el á¡ea de la cola derecha de es igual z (a) 4.i) 4. (d) P(U 2 c) = Q.

4. son independientes pero no necesaria. y varianza 1. Xz.16O.0. .A) = ke-(!¡z+2bra+"v'l donde a. página 118. Demostrar los resultados (20) y (23)..X.147.155.157. ..153.162. Suponer que X. constantes y b2 < ¿c. Verificar que estas constantes son l¿¡s dadas en (19).' o) 4.36.150. 4. Si X está distribuida normalmente con media g y variznza grado de libertad? Véase Problema 4. Demosha¡ el teorema del límite central para el caso donde Xt. página I44.. (véase página cada unacondistribucióngeométrica. prfuina 118.146. .pfuinal77. k=l son variablee aleatoria¡ independiente¡ disürluna distribución chi-cuadrado con y libertad.154.. Demostrarque k=l ) X* tiene distribución de Pascal 118).o2)a(0. de 4.prgradoe X¡ + .149.r. ¿tiene X2 una distribución chi-cuadrado con 1 X1.r. (a > o' o . PROBLEMAS DIVERSOS 4. + Xn. DISTBIBUCION NORMAL BIDIMENSIONAL 4. 4.. . c. 4. hallar la función de distribución de lonva¡iablesaleatoúasindependientescon di¡tribuciónchi-cuadradoypr..8.6O. Y tienen la función de densidad conjunta f(r. (ó) io ".. .. É^ ¡=o .I Y T' 4. Y mnjuntamente tienen la distribución bidimensional (19). 4.159.7ffi1.4 4.15E...0r. página LL8. 4.^h. Completar la demostración de la ecuación (8) del Problema 4. Demostrar el Teorema 4-8...37 demost¡ando que si buidas normalmente con media 0 grados de 4. Si X...145. Generalizar el Problema 4. Demostrar que cuando v "> @ la distribución f de Student tiende a la distribución normal tipificada. b. Demostrar el resultado (46). Demostrar el Teorema 4-10. Halia¡ el valor aproximado de (t3o). rj +n'r l¡ = ¡'oof 4. 4.156.150 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. página 114.144..c<ts -..14E.e8)2ez \3 /' y dar una interpretación de probabiüdad. Sean las variables independientes n X¡. (Sugerencia: Ilaga la transformación u : 1/u). . mente tienen una distribución idéntica.143. RELACIONES ENTRE LAS DISTRIBUCIONES CHI-CUADRADO.X.. Demostrar que 2u (. Si Xr.1 o2 . k=1.n.0.Porevaluacióndelasseries dos del Problema (") 4.161. Demostrar el Teorema 4-5. mente con varianzas h aon 4.... demostrardirectamentelosresulta- 4. 4. página 116. libertad respectivamente. demostrar que e8t6n distribuidas marginal- "? y oi respectivamente. ¿Puede deducirse la ley de los grandes números en forma débil del teorema del límite central? JuEtificar su solución.e8¡zsa \z /' * (tlu)to. ento'nces ) Xf ti"tt" 51. Hallar la función generatriz de momentos de la di¡tribución hipergeométrica. 4.

162.esdecirlarafzcuadradade la velocidad media al cuadrado). Determinar (a ) la conetante c. Estudiar qué le sucede a la media ¡i (o) r = .164. y varianza de la distribución gas para loc casos (o) (b\ v2= 4. (b ) la velocidad media. (c) v1* 4.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 4. (d) la velocidad efectiva(rme. (b) v = 2.163. 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. Estudiar qué le sucede a la varianza de l¿ distribución t 4.F' f. . (c) la velocidad más probable. Comparar sus resultados con l¡ entrada 5.cAP. página 119.

.

Farte tl ESTADIST¡CA .

.

tenemos la alternativa de colocarlo o no en la uma antes de una segunda extracción. EJ EMPLO 5.S. Se podría obtener una muestra al examinar. El muesbeo donde cada miembro de una población puede seleccionarre más de una vez se llama muestreo con rempla. Desearíamos extraer conclusiones reapecto a los colores de 200 bolas (la población) en una urna seleccionando una muestra de 20 bolas de la urna. 155 .s y no los individuos u objetos. generalmente finito. mienhgs que en el segundo caso solamente puede seleccionarse una vez. donde cada bola seleccionada se regresa luego de observar su color.lo cual puede resultar difícil o imposible. Esto se hace con el propósito de inferir cieitos hechos respecto de la población de los resultados hallados en la muestra. EJEMPLO 5. EJEMPLO 5. Desearfamos ertraer conclusiones respecto a la honradez de una moneda deüerminada al lanzarla repetidamente.Y SIN REMPLAZAMIENT\O Si extraemos un objeto de una urna. puede llegarse a la idea de examinar solamente una parte pequeña de esta población.Capítulo 5 Teorío de muestreo POBLACION Y MUESTRAS. El-proceso de obtener muestras se llama muestreo. mientras que si cada miembro no puede seleccionarse más de una vezwllamamuestreo sin remplazamiento. En forma semejante el número en la muestra se llama el tamóño de la muestr. zamiento. En este caso los tornillos producidos durante la ¡emana conforman la población. En el primer caso un objeto determinado puede seleccionarse una y otra vez.n: 60.s observaciones o medida. Segundo.c.2.4. comítnmente denotado por N. Deben nota¡se varias cosas. INFERENCIA ESTADISTICA Con frecuencia en la pÉctica estamos interesados en extraer conclusiones válidas respecto a un grupo grande de individuos u objetos.3. por ejemplo. la población puede ser finita o infinita. N : L2 000. 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. MUESTREO CON.1 podemos hablar de la población de 12 000 estaturas (o pesos) en tanto que en el Ejemplo 5.1. Tercero. EJEMPLO 5. Primero.4 podemos hablar de Ia población de todos los 200 colores en la urna (algunos de los cuales pueden ser iguales). En cambio de examinar un grupo entero. como en "la población de determinada ciudad es de 180 000". 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. Así en el Ejemplo 5. n = 100 mientras que enelEjemplo S. denotada pot n. un proceso conocido como inferencia estodística. loa primeros 60 lanzamientos de la moneda y notar los porcentqiea de caras y sellos. la palabra poblacíón se utiliza para denota¡ la.Nesinfinito. que se llarna la muestra. En el Ejemplo 5. La población consiste en iodos lc lanzamientos poeibles de l¿ moneda. 1 . la palabra población no tiene necesariamente el mismo significado como en el lenguaje común. el número se llama el tamaño de Ia población. en tanto que los 120 tornillos escogidos constituyen la muesha. llamado la población.

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

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

r es F*. estn lim P(Z -z z) = -= f = J 1 vzr -* "-uztz ¿r. la media de la población. oft = . . y si el tamaño de la muestra es n S N. página 112.158 TEORIA DE MUESTREO Jrf ll |"'Fi.-. denotada por oi.(¡¿ -n\ -f / en tanto eue ¡r* aún se da por (4). Entonces es natuml buscar la distribución de probabilidad del estadístico muestral X. Si una muestra de tamaño 5 resulta en los valores muestrales 7. Teorema 5'1: La media de la disbibución muestral de medias. que se llama la distribución muestral para h media de la muestm o la distribución muestrcl de medias. El Teorema 5'1 establece que el valor esperado de Ia media muestral Teorema 5-2: Si una población es infinita o si el muesheo es con remplazamiento.5.¡ n lcAP. 5 (3) EJEMPLO 5. = t' es la media de la (l) población..6. Se supone aquí que la población es infinita o que el muestreo es con rernplazamiento. dada por Z: es x-r "/\n es (7) normal reintóticamente. Los teoremas siguientes son importantes en este sentido. 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. está dada por E(X) = donde ¡. est. 9. 1. Teorema (5) 5-3: Si la población es de tamaño N. entonces (5) se remplaza por o2/N . entonces la varianza de la distribución muestral de medias. De otra forma Io anterior es conecto si remplazamos o/l/-n en (7\ por o* como se da en (6). denotada por .ux. 2 entonces la media muestral . (s) El Teorema 5-5 es una consecuencia del teorema del límite central. si el muestreo es sin remplazamiento. Nótese que (6) se reduce a (5) cuando N . Entonces la variable tipificada asociada con X.á dada por E[(X-ti'l: "l = ¿ n donde o2 es la va¡ianza de la población. Teorema (6) 5-4: p y vaianza o2 entonces la media muestral p y vananza é/n. = 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.

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

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

(21) está normalmente distribuida si la población de donde se toma¡on Ias muestras de tamaño n está normalmente distribuida. pagjna 117. que ? tiene una distribución de Student con n Teorema demuestra en el Problema 5.1 grados de libertad. Para una demostra- CASO DONDE LA VARIANZA POBLACIONAL SE DESCONOCE En los Teoremas 5-4 y 5-5 hallamos que. en tanto que es normal asintóticamente si la población no es normal dado que n >: 30.22.cAP. Una posibilidad es estimar la varianzá poblacional utilizando una o más varianzas muestrales y luego colocar la corespondiente^ desviación típica en (21). En (2I ) hemos supuesto lógicamente que se conoce la varianza poblacional o2 . 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. Establecemos esto en el teorema siguiente. 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. 5l TEORIA DEMUESTREO 161 DISTRIBUCION MUESTRAI. . en muesa la particular diferencias de medias.i2 o2 (20) o- La distribución de esta variable aleatoria se describe en el'teorema siguiente. S/\n X-t' slltn'- (22) r ü Podemos entonces demostra¡ utilizando el Teorema 4-6. resulta ir¡ ande o e un bien complicada.Si. En cambio de hallar la distribución muestral de S' ó S' es conveniente hallar la distribución muestral de la variable aleatoria relacionada nS! .la variable tipificada Z= X-¡t "/yñ. Si. 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 . - 1. Es natural preguntar qué sucedería si no conocemos la varianza poblacional. se Debido al Teorema 5-6 la variable en (20\ ción de este teorema véase Problema 5. En cambio. Sin embargo.grados'de libertad. podemos considera¡ él estadísü próxima a 1 indicaría una pequeña pequeña indicaría una gr¿rn áiierencia mientras que una relación diferencia. 5-7: DISTRIBUCION MUESTRAL DE RELACIONES DE VARIANZAS En la página 159 indicamos cómo pueden obtenerse distribuciones muestrales de diferencias. UtilizAndo la misma idea po es más buci ¿" diferencias de varianzas. 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. 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. 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. denota con frecuetlcia por ¡2.24.

(r/ I lo 't/tt l1(t1 que es casi igual a o2para valores deir trr j .!f S.p en todos los casos son dn¡crr Medianas - "!t. (1) . Para n '. la moda.i Las notas para desviaciones típicas sqn igualmente aplicables aquí.1 ) en caso de que la población sea Va¡ianzas (-') O. Tabla 5-1 ERRORES TIPICOS PARA ALGUNAS DISTRIBUCIONES MUESTRALES Sus Distribución muestral Error típico Notas especiales Se cumple para muestras grandes o pequeñas donde la población es infinita o el muestreo es con remplazamiento. u.t o \/n muest¡al de medias se ájusta mucho a una normal (normal asintóticamente) para n = 30 incluso para poblaciones no normales.!!1.t normal. la media poblacional en todos los casos. Si la población noesnormal.-_.: ir. Los resultados dados son válidos solamente si la población es normal o aproximadamente normal. Nótese que (2) se reduce a (1) cuando ¡.5 5.1.?/.t62 Teorema TEORIA DE MUESTREO [cAP. el estadís_ tico F lr^ -_ '1.¿s ción. OTROS ESTADISTICOS Muchos otros estadísticos además de la media y la varianza o desviación típica pueden definirse para muestras. Para n =) 100 la distribución muestral de la S es muy próxima a una normal..o con gran aproxima- O. lo que se cumple para poblaciones normales.j respectivamente.-8: Si se extraen dos muestras aleatorias independientes de tamaño m y n respectivamente de dos poblaciones normales con valianzas oi.. /. Enlonces si las varianzas de las muestras aleatorias están dadas por .Í . n 1 grados de libertad. Por ejemplo la mediana.. r. el sesgo. d . los momentos. EI teorema también puede aplicarse en el caso de que las distribuciones de población no sean normales pero tengan forma de campana. la curtosis. ttp . Nótese que (2) se convierte en (.2533 0 \/n Para n = 30 la distribución muestral de la mediana es muy próxima a una normal.ra : 3o4 .puede utilizarse (2 ). Sr respectivamente.ac\ \{r/ tiene la distribución F con ffi 7..: nSj/('n 1)or. Proporciones oP \ ^7ett " ¡ !. La distribución Medias o.Sl.100. (l) Desviaciones típicas o" Os !t/ 2n población oq está dada por (1) solamente cuando es normal (o aproximadamente (r) normal). etc. 6n Las notas anteriores para medias igualmente aplicables aqu í.

5-1 ercepto que el eje vertical es frecuencia relativa en cambio de frecuencia.-r-l correspondientes a esta clase Ia correspondiente frecuencia de clase es 5. El ancho del intervalo de clase 7-ésimo.5-59. o al menos sus medias y desviaciones típicas (errores típicos). EI punto medio del intervalo de clase.'RECUENCTA Si una muestra (o una población) es grande. o por un polígono de frecuencios uniendo los puntos medios de los techos del histograma.5 se conocen como límites reqles de clsse. La suma de ias áreas es 1 ó l-00'. inciicadas por 6G-62. Por esta razón es útil organízar o agrupar los dofos.5 y 60.l .5.5 pulgadas.5 y 62. EI siguiente intervalo de clase sería entonces 62. Es interesante observar que Ia gráfica parece indicar que la muestra se extrajo de una población de alturas normalmente distribuida. . En el intervalo de clase 59. Tabla 5-2. 5-1. conjuntamente con los dados. es difícil observar las diferentes características o computal estadísticos tales como la media. etc. el resultado sería una distribucíón de frecuenciarelatiua oporcentual. se llama marca de clase.5. Si en la Tabla 5-2 registramos la frecuencia relativa o porcentual en cambio del número de .'J ir z 61 64 6t- l0 ?3 76 (pulgadas) Estatura (p [:ig. Orden3mos los datos en clases o categortbs y determinamos el número de individuos que pertenecen a cada clase.) de tro estudiantes É tr-r (::i t'. 5l TEORIA DE iúUESTREO 163 definiciones son análogas a esas dadas para poblaciones en el Capítulo 3. etc. puecen enct-¡ntrarse con frecuencia. es Ia diferencia entre el límite real superior e inferior. DISTRIBUCIONES DE FRECUENCIA RELATIVA Y OJIVAS estudiantes err cada clase. DISTRIBUCIONES DE F. Distribuciones muestrales para estos estadísticos. Algunos de estos. se ¡nuestqan en la tabla anterior. por ejemplo.5:3. Puesto que 5 estudiantes tienen estáturas casoc:62.5 los números 59.Por e¡emplo. Tabla 5-2 ESTATURAS DE 1OO ESTUDIANTES DE LA UNIVERSIDAD XYZ o H o 10 (pulgadas) fir) Estatnra i Número -f. consiste de estaturas desde 60 hasta 62 pulgadas. desviación típica.5-62. la frecuencia relativa o porcentual correspondiente a la clase 63-56 es 18/100 ó 18'i. 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. Como ilustración suponga que una muestra consiste de las estaturas de 100 estudiantes de la univelsidad XYZ. podríamos haber registrado el intervaIo de clase como 59. que puede tomarse como representativo de la clase.. En este La primera clase o categoría. 60-62 es 61. Ya que una estatura registrada tromo 60 pulgadas realmente está entre 59. se conoce como d¿süribución de frecuencia o tablade frecuencia.5--65. denominada la frecuencia de clase.5-62. como se muestra sombreado en la Fig.5 pulgadas mientras que unaregistrada como 62 pulgadas realmente está entre 61.5 y 62.cAP. Io que se llama uninterualo de clase. La ordenación resultante. denotado por c¡r que comúnmente es el mismo para todas las clases (en cuyo caso se denota por c). El histograma correspondiente es entonces semejante al de la Fig.:) riri {l¡ ¡ lii 12 o ilr -71 27 8 .

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

r !11 0. etc. Halla¡ (a) la media de Ia población. 6. : t: hl . para muestras.U (b) . (c) la media de la distribución muestral de medias. la curtosis. Si escribimos il.-'(i)r ¡) ri 5b *rt-f. (b) la desviación típica de la población.^..i7-- xIi- f /¿¿' n entonces las relaciones (3f ) también son válidas para las M.(ir.gWiMí + 2M'r3) lnt = cl(xIi.ll ---- 30 Lr. Una población se compone de los cinco números 2. . l¿ I' . 3.fi l-''' n * f rt'i' 4JÁ s f. (d) la desviación típica de la distribución muestral de medias.s resueltos DTSTRIBUCION MUESTRAL DE MEDIAS 5. Lógicamente la segunda ecuación de (32) es igual a la (28). '1 9 + 0 c + 41'21 - 10.gM'r") (32) etc.tt¿'i2 ntlt . . _ l(.(tr l cr- de tal modo que obtenemos de (3I ) las fórmulas claves 0 = c2(XIi-M'l) l1tt = cj(Mi.utiui+ 6It[i'M3 . Itt Fórmulas semejantes existen p¿üa momentos superiores. Así los momentos r con respecto a la media rl n (2e) . el error típico de medias. (30) Las dos clases de momentos están relacionados por ?ll1 Q tnz -: 1n:. Considerar todas las muestras posibles de tamaño dos que puedan extraerse con remplazamiento de esta población. es decir. 5l TEORIA DE MUESTREO 165 y al origen respectivamente están dados por ¡'rt .cAP. 8. Pero 'rrr : >("j)l lln = /tlr = n¿z )'/[(a + c¿r) -.r 11. It..\3 t)t1 mimit+ün\2ntí-Bn{ra f. ((i _1 (8. 11. pueden hallarse Probletna.29.8 y o = 8.1. (a) r o2 = 12___i_E_l_e_ll J :l --.Snt\mí + 2tn. De una manera semejante otros estadísticos como el sesgo. /l¿¿ tni (s 1) etc.

11) (1r. se considera la misma que (8.0.5.0 -('25-10 - c.8) (8. Las correspondientes medias muestrales son 2.6).5 + 10 /r.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). y la media de la distribución muestral de medias es 9. 4. 5.0 7. Lo mismo que en el Problema 5..8) (11.2) (11. 7..0¡:: -f -' .4.0 8.0 (2.-..2). (o) y (ó) como en el Problema 5.5 7.0 4. Estas so r (2. 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.0 otr 3. o: 3.1. elevando al cuadrado cada diferencia. Para una demostración general véase Problema 5. l'I1!11-q9-"'-lgl-99'":'I9't3ls 25 comprobándose que ) 150 tt - o'' t{' -. ¡'.5 = 6. 7.b - 6. 6) (3. (3.5 9.5 .?.5 11. ll ).2t (3.O.o2/ N .8) Las correspondientes medias muestrales son 2. 5.to oue el sesundo miembro ^^ . (3. rj). de la distribución muestral de medias x es 6. (6.8/2 = 5.f. 11).5. 3) (2.2.5.. (3. ¡r: 6 y o2 :10.40.U t< (. (6.5 ¿" (l 8. 8). 5.3) 111.0 9.0 + 7.6) (6.5 5.5.0 6. (2.3). 4 135 : -.0.40 de modo que o.01.. sumando los 25 números así obtenidos y dividiendo por 25.1¡ muestras (2. (8. 2) (8. 3) (rl. 8).5 + 9.0 5.8) \3. de la distribución muestral de medias se obtiene restando el valor de la media 6 de c¿da número de (1 ).8).0r 6.47.0.1 para el caso de muestreo sin remplazamiento.05.6) \2.5 7.5.0 : itO + 6. 5.6.0 -i. El resultado final es .5+ 5.2) (6. (d) I'a varianza o{.6.* .D 6.11) (8.puestoqueel segundo miembro es 10.5 + 4.11) (6.8) (6.8.11) 4.!lr_115. 3) (3.2) 12.3)."2*= o2/r.\ N _irl. Para una demostración general véase Problema 5. 7. (2. ) "l .0 y la media de la distribución muestral de medias .5 6.29.0).1-¡ . éstas son (2. _Í ) . 10'8/5 .3) (6. Para una demostración general de este resultado véase hoblema I .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).r ) 4.166 TEORIA DE MUESTREO lcAP.0 es 8.2. que es el valor obtenido anteriormente. 6) (8. + (9. or".0 poniendo de manifiesto el hecho de que tÍ - (d) La varianza.* 2.r' = 16.8.5 1 4. 11) La selección (2. (c) Hay iC-.0 5. 11). nuesto que segundo -:^-L-^ "" (. 8. de acuerdo con el valor anterior. 6. 4..2\ Esto pone de manifiestrque '' . por ejemplo. + l:1.0)2 = 4.05 Y ox r.0 O.6) (tt.11) (3."\.5 I.

5-3 5. : (área bajo la curva normal entre z : -2.4772 + 0.30 onzas.4 pulgadas .67) : : (área a la izquierda de z : 0) y z : O) .67 Proporción de muestras con medias menores de 66.0)/0.5) : O. Fig.6 pulgadas y puede.(área a la izquierda de z : -2. que son muchas más de 80. 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.3.0 pulgadas y Yox=- ox = o=3 \/n {zs = 0. cabría esperar que la distribución muestral experimental de medias se distribuya aproximadamente normal con media 68. por tanto.6 pulgadas 3000 3000 (b) p* = p - 68.8 y 68.25 -1 que es ligeramente menor que 0.0pulgadas o vn N-n _3 N-1 \/% .0 pulgadas y desviación típica 0. (b) menor de 66.0 pulgadas.0)/0.4.6687 Entonces el número de muestras esperado es (80)(0. \a) p*.6 (68. cojinetes de bolas tienen un peso medio de 5.4 en unidades tipificadas: (66. habría mucha aproximación entre las dos disbibuciones muestrales.6682) ó 59.(área entre z : 0.5 - 0.3 en unidades tipificadas : : (66. (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.1915 : 0.6 : -2. Supóngase que las estaturas de 3000 estudiantes de una universidad se distribuyen normalmente con media 68. Así.0 pulgadas y dewiación típica 3.304 o cero.3 .3 La media X de una muestra en unidades tipificadas viene dada por Z X-p* aX X-68.6 : -2.5. Quinientos onzas. pues. Por ello.5\ :(áreaentree:-2yz:O) * (área entre z : O y z : 0. 5. (b) 66. sino solamente una distribución muestral experimenú¿1.6 (o) 66.4 - 68.8 y 68. De aquí que con 80 no se obtenga realmente una distribución muestral de medias.68. = tL = 68.4962 : -2. pulgadas. ¿cuál será la media y'la desviación típica esperada de la distribución muestral de medias resultante si el muestreo se hizo (o) con remplazamiento.0 0.5 Proporción de muestras con medias entre 66.0098): 0.0)/0.0038 -2 A7 Entonces el nhmero de mueshas esperado es : (80)(0. Si se toman 80 muestras de 25 estudiantes cada una. considerarse la misma que en el muestreo con remplazamiento.02 onzas. para todo propósito práctico.30 500 /ioo 500-1 - 100 0.0 y z : O. la media y desviación típica esperadas serán muy próximas a las de la distribución teórica.3 cabría esperar una media (o) entre 66.0 : 0.02 ? . Así se tiene.5l TEORIA DE MUESTREO r67 5.6 pulgadas.68. puesto que el número de muestras es grande.4 pulgadas? ¿En cuántas muestras del Problema 5. Sin embargo.02 onzas y una desviación típica de 0. (b) de más de 510 Pa¡a La distribución muestral de medias ox- o yn !* = p = N-n N-1 5.cAP.8 .67 0.3 pulg. 0.8 en unidades tipificadas 68.

son ina"p"nl'i"nt".96 ) El peso total se éncontra¡á entre 496 y 500 onzas si la media de los 100 cojinetes y 5.7 4) (áre^ entte z : -2.10 .5 y 72.5-5 5. Demostrar el Teorema 5-2.ruo2. X.7. 3-7 " x.2704 : 0. página 158. Hallar la probabilidad de que en 120lanzanientos de una moneda el número de ca¡as (o) esté comprendido entre el 40% y el60%.02)lO. mediante la aproxlmación normal a la binomial.. '1-.96) :0. tenemos l¿-12 E(X¡) = * Entonces ya que la media muestral se define como -Y='' x. .5 ..216-1 (área entre z : : 222 -074 Fie. F'ie.5.96\ (área a la derecha de z:0) .0.00 - 5. solamente se darán 3 casos cada 2000 de obtener una muestra de 100 cojinetes con un peso total superior a 510 onzas.O2\10.027 5. y 6Ol/" de l2O. tenemos por los Teoremas 3-5 y Var (X) -f vu. Se 1-2O...+"'") =. son variables aleatorias que tienen la misma distribución que la población.) - .(área entre z : -4. En esta población la probabilidad de cara es p : I12 y la probabilidad de sello es C :1P : l12.(.E6)) = L(rr\ = t! 6.00 onzas.+ "' + -' Entonces puesto que X¡.7 4 : -2.5 se encuentra entre 4. DISTRIBUCION MUESTRAL DE PROPORCIONES 5. 6 72.02)lO. se pide Ia probabilidad de que el número de caras se encuentre entre 47. Demostrar el Teorema 5-1.5-4 (ó) El peso total excederá de 510 onzas si el peso medio de los 100 cpjinetes sobrepasa las 5.5.96 5. (a) ' pide ra probabilidad de que el número de caras en los 12Q lanzamientos se encuentre ent¡e 4O(/o de 6 48. 4.O27 : -2. Se procede como en el Capítulo 4.. página 158.(área entre z : O y z = 2.7 4 y z : O) = 0..22 : --0.pues. X2.22 y z : O\ .00 en unidades Probabilidad pedida tipificadas : (5.O27 : 2.168 (o TEORIA DE MUESTREO lcAP.6.ttr rr"rr"n Var uuri^X..+-\1L tenemos como se requiere l E(X) = ]lEtX.22 y z : -0. 5.10 en unidades tipificadas: (5.10 onzas.0015 : (área a la derecha de z Así.. Se consideran los 120 lanzamientos de la moneda como una muestra da la población infinita de todos los posibles lanzamientos de la moneda. (b) sea 5/8 o más del número de lanzamientos.8.0.t - . Tenemos .96 Probabilidad pedida : 2. (x1) r rI (x.4985: 0.48(i8 . Puesto que X1. Puesto que el número de caras es una variable discreta. la cual tiene media ¡1.96 en unidades tipificadas: (4.

5 en unidades tipificadas = 72.19 : 2(0.28 que concuerda con lo obtenido por el primer método.0041 7.5/120 y (b) Empleando el segundo método de (o) se tiene.6250 - 0.cAP.(áreaentre z : 0 y z : 2.0040 -_ 0'6250 5. 5l TEORIA DE MUESTREO ¡r: núrnero de ca¡ae esperado .5 .74% de ellas con porcentaje de ca¡as entte AOVI y el .40 0.00417) en unidades tipificadas Probabilidad pedida .=1p= ^FY = 120 = 0.9. (o) En el apartado (o) del Problema 5. (b) 518 o más de sus lanzamientos resulten cara? Este problema está estrechamente ligado al Problema 5. que 0'00417 0. las proporciones pedidas en unidades tip! 0.np = rzo(!) = oo o= 47 \/"pq 47.detamaño 120 cada una.50 0.28y2:2.65) : 0.51720 del primer método.4857) : Aunquees:cresultadotiene dos cifras significativas. (área bajo la curva normal entrez=-2.40 72. Aquí se consideran S00muestras.4887 ) : O.4960 : 0.60.86 : (área bajo la curya normal a la derecha de z : 2.48 Probai¡ . de 0.00. Cada persona de un grupo de 500 lanza una moneda 120 veces.117 l1 a 0.977 4 ttp=P:i=o.6250.I9 : -2.uo ".idad pedida = 2.60 + 0. 0.28 : : : Otro método. puesto que L1240: 0. - 0. Así pues.0456 (0.1.0'60 = 2.5 .0.971.0r56 - 0. puesto que 5/8: - 0.00417) y (0.I9 en unidades tipificadx: ffip z sí la probabilidad pedida es el área bajo la curva normal entre 0.8 se ha obtenido que todas las posibles muestras de 120 lanZamientos de una moneda. = 2.t9 yz : 2. no concuerda exactamente.00417) corresponden a las proporciones 47. Teniendo esto en cuenta se resta 11 Z" = Al¡. = . ¿En cuántos individuos cabe esperar que (o) el númoro de caras se encuentre entre eI 40% y el 60% desuslanzamientos.50 = _2. puesto que no se ha utilizado el hecho de que la proporción es realmente una r¡ariable discreta.0456 40Vo enunidades tipificadas 60o1c -2.5 5.65\ : (área a la derecha de z : 0) .40 y se Buma .0041?-0.60+0.28 _ y 0.8.28) 2(área errtre z : O y z : 2.s los posiblea l¿nzamientos de una moneda.60 5. de la población infinita de todo.5 en unidades tipificadas = - 60 72.fn ficadas son. i:abe esperar el encontrar un97. Adviértase que (0.0456 = 2.28) 2(O.48 .

0.1056 Si no se hubiese aplicado la conección se hubiese obtenido 0.0040) de sus lanzamientos sean caras. (b) 1000 individuos elegidos aI azarde entre la población votante se hubiese obtenido una mayoría de votos para dicho candidato.1131 .18) 0. 12 o más significa 11.3869 :0. como variable continua.0'02 -: 0. : 2 personas se esperará que los 5/8 o más 5.5025 Probabilidad pedida : .25 y como antes la probabilidad pedida (b) {0.5 y así la proporción sería 100.02 I 0.98) v = 400 _ 0. Se sigue que en 489 individuos se esperaría que su número de caras se encontras€ entre eI 4O% y el 6O%.26): 0. pero ésta.5/200 = 0. 0.57L4 Si no se hubiese aplicado la corrección.25 hobabilidad pedida : (área bajo la cu¡va normal a la derecha de z : I.170 TEORIA DE MUESTREO lcAP.4G y ".0025.1056..0714 se : O.8 : - 1. Este tipo de error es un rresgo que se presenta siempre que se trata con probabilidades.5 en unidades tipificadas : " : {"w : (11. se concluye que en (500X0.5000 - 0.p = :p = 0. (b) 2% o menos? PP'=P=0.489 : 1I individuos cabe esper:ü que su número de caras no se encuentre entre el 4O% y el 6O% de los lanzamientos.a es .50 + 0..10.007 Mediante la corrección para variables discretas. L/2tt.11. ó 489 muestras con esta propiedad. hubiese obtenido 0.8)12. (2()'o de 400) = 3 Entonces 11. (Esta proporción puede también obtenerse dándose cuenta que 101 o más indica mayoría.={-= .o3_o. sería 100. una mayoría se obtendría en la muestra si la proporción en favor del candidato fuese 0. ¿Cuál es la probabilidad de que en una partida de 400 piezas sean defectuosa. Se ha encontrado que el 2% de las piezas producidas por cierta máquina son defectuosas.2t) : 0.02 (o) y oP=tE= : 1/ 0. Determinar la probabilidad de que de (a) 200. También puede utilizarse el aegundo 5. En ó00 muestras se puede esperar 97 .00125) en unidades tipificadas 0'02 r 010q1?5 .18 Probabilidad pedida : : (área bajo la curra normal a La izguierda de z 0.21 (área bajo la curva nonnal a la derecha de z : l. Otro méüodo. se tiene (o.00125.46)/0.5 o más. Los resultados de una elección demostraron que un cierto candidato obtuvo el 46% de los votos.oo125)enunidadestipificadas=W=|. (a) Puesüo que I. (b) Razonando como en (o). Es interesante advertir que en 500 .5025. En concepto continuo.14 = 20 0.0352 L12n: ll40O: 0.) Entonces.5 6OVo.5000.5 y'1+oo)1onz)¡rsg : 2. (3% de 400 ) : 12 piezas defectuosas.0764.5025 o más. método del apartado (o).5025 en unidades tipificadas : (0.0362: 1.02(0.-' 0. 1/800 0.0025 : 0. Tales individuos pueden razonablemente sospechar que sus monedas no están bien hechas aunque sí lo estén.s (o) 3% o más.7 4% de 500.5000 + 0. p0.

.. (o) (b) (c) Éy.6g) = 0. = mediadelapoblaciónU. (f._ri. rnientras que las de otro fabricante B tienen una duración media de 1200 horas con una desviación típica de 100 horas.ia de 1400 horas con una desviación típica de 2OO horas.) nu.cAP. Las bombillas eléctricas de ün fabricante á tienen una duración Lned.46@Ba)/1000= 0._u.= \Ej7r-.m=!T. = varianzadelzpoblación U.13.. 6 r¿.) o (e) . (f) n'u r- u" = mrianza de la población (U 1- U 2) (1-3¡z + (5-3)2 + Oo.iu. y 0..e + ll = La población consistente en las diferencl¡e de cualquier término de U¡ y cualquiera de (J2 ea 3-2 3-4 Entonces 7-2 7-4 media de 8-2 8-1 (U1...j ut-v2 (6-3)21(-. @). Si se toman muestras al aza¡ de 125 bombillas de-cada fabricante. [. 14 (d.46. ou. = media de La ]{S*?*8) = l. Calcular (a) *u.q/n = y'd.6l (b) pp TEORIA DEMUESTREO = p: 0..5025 en unidades tipificadas = ff*s : 0. = (2-3)2 * (4-3)2 =l ó ou"= l. ¿cuál es la probabilidad de que las bombillas deA tengan una du¡ación media que sea al menos (a) 160 horas. ofi. = varianza de la población I/' (3-6)2 + (7-6)2 + (8-6)z _ 33 a2u. -3)2 + (3-3)2 + (4-3'¡z b L7 3 Eeto concuerda con el reeulüado general para muestras independient"" ou.' Éiinz. = població n lJn = f.' ¡ecado dc 5.. sacado de (o) esto concuerda con el resultado general FLtr_uz= y (b).69 Probabiliüd pedida : (área bajo la curva normal a la derech¿ de z = 2.Ur) Fur-u. 7. (b) 250 hóras más que las bombilhjde B? . o. (d) V @ ).]ESTRALES DE DIFERENCIAS Y SUMAS 5..4. (b\ pu._u".7 g .4964 DISTRIBUCIONES MT.0036 = 2. = FLrt = 4Lrr.a demostración del resultado general se deduce del Teorema g-7 .0158.5000 - 0. = t/f.-(e) ou". 8 y U2 lavariable de los elementos de lapoblaciín2.12.. (t) vr. Sea Ut la variable de los elementos de la población 3.

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.

0 o o É o C t{0 6 N^^ Eou o O .6.2. así por ejemplo. Cuatro grupos de estudiantes.32.56 ó 1. el porcentaje de lanzamientos en los que haya menos de 2 caras es igual aI porcentaje en las que haya menos de 1.4. Entonces _ )/¡ n .8.TEORIA DE MUESTREO Nfimero de lanzamientos Nfrmero de caras (frecuencia acumulada ) 0 Porcentaje de lanzamientos (frecuencias acumuladas porcentuales) 0. . La Fig.5.8 5.10 y 18 individuos registran una media de pesos de 162.4.1 Número de caras Fig. 2x It 5 qA +3 | fi + 5 + 4 + 5 + 2 + 8 + 6+ 5+ 4 + 8l.6..31. Hay seis 5.aparece para todos estos valores (indicado por la línea horizontal). 5-11 o en la Fig. CALCULO DE LA MEDIA.2 52. dos 3. dos 6. Hallar la media aritmética de los números 5.75. de modo que eI mismo porcentaje l8.3 + 4 + 5+ 4 + 8 1 2+ 5+ 4 20 =ñ:n'" Método 2. Método l.1 menor que 0 menor que 1 menor que 2 menor que 3 menor que 4 menor que 5 menor que 6 100 38 t82 524 811_ 975 1000 9?.5.0 3.3.3.(6)(5) +(2)(3) +(2)(6) + r5)(4) I (2)(2) +(3)(8) 6+21-2+5+2+3 96 20 = 4.4. respectivamente. Nótese que las Figs.8 18. 20.10 N-^ EOU G' o :! . 1.2.8.23 caras. formados por 76.2ol. cinco 4.6.5 100. 153 y 140 libras. 5-12 Fig.4. 5-9 y 5-10 de la parte (a).10 Hzo o lzo A 0123456 Número de caras 6 0123. 5-11 es Ia más lógica para representar datos discretos.5. La Fig.5-ll (c) La representación gráfica puede indicarse como en la Fig. Hallar el peso medio de todos los estudiantes. dos 2 y tres 8. 5-11 y 5-12 corresponden a las Figs. 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. L48. 5. 5-12.4.8.4 81 .

45 pulgadas Los cálculos involucrados pueden conveitirse en tediosos. 5 = 150 libras 5. Entonces la desviación de. La solución puede ordenarse como se indica en la Tabla 5-10.34. )fu = l5 u = "*(?t. Derivar la fórmula clave (27). 63-65 pulgadas. 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 >/ - + . etc. = a*c! )/'rr' . especialmente para los casos en los que los números son grandes y hay muchas clases. Adviértase que todos los estudiantes con estaturas de 60--62 pulgadas..t yaque n=2f¡.. para hallar tatura media de los 100 estudiantes de la Universidad. para la media aritmética. por ejemplo.35. 18 tienen una estatura de 64 pulgadas. es igual al tamaño de intervalo de clase c multiplicado por algún entero u¡.página 164.34 para hallar la estatura media de los 100 estudiantes de la Universidad XYZ (véase Problema 5-33). XYZ. -.)" = 67+ (i%). 5. )/'(o*crr¡) = o>f.33. Denótese la clave de marca j-ésima por . Véase Problema 5. si 5 tienen una estatura de 61 pulgadas. Utilizar la fórmula clave del Problema 5. etc.35.¡ (tambiénescrito brevementecomor =a I cui. La media está dada por fi _ 2f¡r¡ = = nnnn.45 pulgadas . es decir r¡ -o:cltj óx¡: a *cu.180 sfn TEORIA DE MUESTREO lcAP.. se consideran como teniendo estaturasde 61.64. El método se denomina el método claue y debe emplearse siempre que sea posible.rj. Elproblema entonces se reduce a encontrar la estatura media de 100 estudiantes. T abla 5-lO 5. pígina 163. Utilizar la distribución de frecuencias de estaturas en la Tabla 5-2.ffiq = 6?. etc.r¡ con respec[o a alguna marca de clase determinada a. 67. xj .. la es La solución se indica en la Tabla 5-9. alcú" 2f¡u. pulgadas.o. Técnicas breves se encuentran disponibles para disminuir el trabajo en tales casos.

8):¿ + 3(8 - 4.39.36. Hallar la desviación típica de las estaturas de los 100 estudiantes de la Universidad XYZ Véase Problema 5.20 . (o) Método 1.45 -0.4200 n=)/=100 2 2f(r-ñlz= 852.31.34 tenemos ri = a + cui y ft = a*c'" 2f.8)2 _ (b) De (o\.a solución puede ordenarse como se indica en la Tabla 5'11.55 o.5050 I¡D.37. : y'Gb.6 (libras)2 : \6bS libras : 8.rlgadas. x: 67. [.45 2. " 2f(r-r\2 _ n 6(5 . 5.0L25 214.36.31 tenemos ú = 4.8)2 = 2QA (2_20 4.45 lr - fr)¿ Frecuencia 5 / f(r ñ\2 60-62 63-65 66-68 69-71 -6.cAP.z - 2 f(r . aír 20 Méüodo 2. = +:q = 65'6 en unidades libras cuad¡adas o (libras)2 .6025 11. Entonces n20 _ 59. HaIIar Ia desviación típica de los pesos de los estudiantes del Problema 5.8.4. Como en el Problema 5. 5l TEORIA DE MUESTREO 181 5.96 y "-rfzs6=1.45 4t.20 20 2. Derivar la fórmula clave (28).DO'O 64 67 70 73 -3. Del Problema 5.7500 100 = {dEfB = 2. para lavarianza.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.33.9025 208.7500 f(r TL n\z 852. donde hemos utilizado el hecho de que las 5.45 pr.11 Estatura (pulgadas) Ma¡ca de clase 61 r r- r-r = 67.38.8025 72-74 246.r\2 n 15(162. .92 pulgadas 5. página 164.5025 30. Como en el Problema 5.u.33. Tabla 5.2025 6.2460 8.32.10 libras.Do 18 42 27 8 0. s2 = 59. Hallar (c) la varianza y (b\ la desviación típica para los números en el Problema 5. = a*cú' t¿ .

41. 2 't t f.- o¡. + tlz) 2xt = *2 : t.1"u.40.33.> f .jú.40 obtenemos la Tabla 5-13.u.-a¡z i) = "i 2 ¡ .<"? .92 pulgadas. Utilizat la fórmula clave del Problema 5. Esto nos permite halla¡ 6.39 para hallar la dewiación típica de las estaturas en el Problema 5. : }> f ."? -'#2 2ú2c2 r¡u.u? -t t - C2[ /2f.35. 2lu=75 )fqz = 97 lalEr lo-s primeros del Problema 5.f!n'LN c2[u2 (.{r.\t 't t l = = ". cr¡atro momentos con respecto a la media para la distribución de estatu¡as Continuando el método del Problema 5. = ¿2.'r".o. La solución puede ordenarse como se indica en ta Tabla 6:12./¡¿)'l = ¿21¿ .az¡ n \n /l = ta)'f-re? / rs Vl = Ltoo-\t*/J ^ ó'b-275 y s: 2.33.u? = ¿2 ¿2 * .'1 \fu/J _ ú2]l 5. Tabla 5-12 r 61 u t D fu -10 -18 0 fuz 20 18 0 64 +67 70 73 -2 -1 0 1 18 42 27 8 27 8 27 32 2 z=)/=100 5. De la frltima columna tenemos ¡ como en el Problema a2 = "rfL>l!'. 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 ¡@. + c2úz *> r.L82 Entonces s2 TEoBTADEMUEsTREo [cAp. b = f._ "o¡.

(b) Hallar la media y la desviación típica de la distribución muestral de medias en (o).nL¡ = ca(M't. que tomamos como 67 pulgadas (la marca de elase).(0. utilizando La TEORIA DE MUESTB.15X0.53 M'r') = 9[0. (o) Emplear dos dígitoe para numerar a cada uno de los 100 estudianües: 00.3?59 5.6275 B(0. Así 51 conesponde a un estudiante con estatura 66-68 pulgadas. Asf los 5 estudiantes con esüaturas 60-{2 Tabl¡ 6-14 pulgadas s€ numeran 00-{4.43.67 pulgadas respectivamente.5275 rttt Coeficiente de cu¡tosis as=E = : 199..3759 ffiz:s2=8. OL. De (D) yemos que e8 menoc apuntada que la dishibución normal (que tiene un coeficiente de curtosir: 3).97) -3(0. Hallar los coeficientes de (o) sesgo y (b) curtosis para la dishibución de estaturas del Problema 5.97 M. . Cada Nf¡mero Estatura n(rmero de estudiantes se denomina número'muestral.15 ML=Zy = o. etc.5275)3 (b) Del Problema 5. que tomamos como n(¡meros muestrales aleatorios.1b)B] = -2.41.3759 qa-szrgy _ 6 al = z't+ De (o) vemos que la distribución está modetadamente sesgada a la izquierda. 67..cAP. tenemoe 183 M] = >fu n = 0.6982 . (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.BB Mí= >fu2 n y de (32). Entonces extraeremo8 nl¡meros muestrales de la tabl¡ de nf¡meros aleaüorios (Apéndice I). PROBLEMAS DIVERSOS 5.14 m+ Entonces = 199. 27. -0. cada uno de los cuales determina la estatu¡a de un eetudiante determinado.88 "z1ML- 8.15)(0. 99 (véase Tabla 5-14).4MiML+ 6M'r2ML- BMin) 81[2. (pulgadae ) Frecuencia 5 muestral 60-62 63-65 66-68 69-71 72-74 00-04 18 42 27 8 05-22 23-64 65-91 92-99 27.. fflg = p: { (8.^=>+=2.6l Entoncee. 46 resultan en'estatu¡as de 70. 02. los 18 eetudiantes con estaturas 63-65 pulgadas se numeran 05-22.9?) + z(0. ffi2=s2=8. .41.33.53-4(0. 40.9? . etc.5275 Entonces mB = -2.EO notación de la página 165.. explicando cualquier discrepancia. lttt = ffi2= ffi3= 0 0. 46.6932 a3 Coeficiente de eesgo = a. (c) Comparar los resultados de (b) con los valores teóricos. (o) DeI Problema 5.15)2(0. Del primer renglón hallamos la secuencia 5I.42. En forma semejante 77.1s)2] = ca(ML-gLI|Mi+ zM'Lz) = 2?[0. 7'1.15)41 : 199.33) + 6(0.

24. 18 70. 16. 67.28.0L. 67. 67. 19.25 67. 70. 67.00 66. 21.00 70.91.73.25 70.57.22.24 64.76) = 1. g8 25. 63.93 14.25 Cl¡enta Í 1 u fu fu2 16 0 8 6 0 2 ñ( /t/t )#{ 6 4 A a+67.00 -4 -3 -2 -1 0 1 -4 0 -4 -6 0 0 4 / 28 45 16 23 d D . 58 70. 13. 70. 43 1f.5 Por eete proceso obtencmo¡ l¡ T¡blr Fló quc rnue¡tra lo¡ n(¡mcro¡ mue¡trale¡ extrafdor.00 extnfdo¡ Estatr¡¡as corespondientec 64.33. 70 64.42.70 Trbl¡ 6-16 Media muestral 64. 64. 76.25 68.25 66. 67 64.50 68. = 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).50 66'.2L 10. 51. tt.73 67.00 67. 67 70.25 64. 12 3.67 67.97.6L.6r. 30.64. 3 14 16 4 I l.08. 67 29. 73. 40.25 67.96. 67. L¡ medi¡ y la derviación tfpica ee obtienen como es usual por los métodos claves delcrito¡ anterbrmeuüe.64.64 73. 19.03.00 64. 73.64.2L.36 08.96.50 1.27. 70. 55.73 73.50 68. 70 67. 67. 64. 70 73.25 69.50 67.41. 6L.00 66. Medi¡ = a*cú Derviación = o*c2fu típicr = = e - 6?. 56. 64.52 13. 39 13. 64.93 5.46. 61.75 65.62 4.91.50 66.60 67. 73 67. 67 64.ón dc l¡ trbl¡ de nl¡rncro¡ dcatoiio¡ h¡brfrmo¡ podido inici¡¡ en eualquier parte y escoger cualquicr patrón dctetmindo.f = n 30 4 ). 58. 68. 64. 64 70. 07.75 69. 67.58.84 64. 42. 10.00 68.23. 46 2. 73.70. 64 67. 67 67.77. 67 Ír¡f¡f media 66. 73. 64.50 79. ?1. 70.fu.64.70. 70.'7L. 33 m. 73. 67.87 26. 56.64. 1t. 67.98. 73.25 67.54 2:2. 67 67. 31. 75. 64.25 69.50 68. 67. 67.25 69.41 pulgadar .67 64. 06.58 9. 03.50 69.54.09. 51.91.08 12.70 medi¡ 67. 98. 67 23. 67 .184 TEORIA DE MUESTREO lcAP. 96. 86 6. 67 70.64. 70 64.74.79. 65. 67. 45.70 7.70. l. 6? 15.75 68.00 (0'75)(23\ = * 'ñ- 67'58 Pulgadaa 2fuz />1"\' n -\ i " (0. 59. 56.74. 70 6L. 60. 67.75 67. 87 fl.93 27. 67 70.30 58.75 69. 70.83. 70. 34. 73 67.79 70. 70.32 8.25 68. 70.00 67. 90.31.8s 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. Esta ee una distribución mucet¡al de mediu.02. 67. 67 70.82. 93.99 23. 07.93. 67. 05.70.50 68. 67. 67. L2. 67. 67.50 65.04. 11. T¡bh 6-ró Nf¡meros muesFale¡ Est¡twr¡ o- E¡la+ Nfrmeros muestralea extrafdo¡ rrcqrondieatcc 67. 15. 67. 67. 10.97 24. 53.75 66. 67.67. 70. 21. 81.28.44.64.69. 20. 67.70 70. 67.25 65. 45. 64 67.

8libras? La distribución mueetral de desviaciones típicas es aproximadamente normal con media 10.44 tendrían dewiaciones típicas (o) mayores que 11.0)/0.0 libras.50Ib v400 5.f 'LJ" f t@ta*l'/t. (b) menores que 8.4. Podemos considera¡ que el muestreo es o de una población infinita o con remplazamiento de una población finita.r. 5. tenemos: ( ¿[.50 libras.46 pulgadas.con el valor de 67.' ¡p¡ a*)"lJ'"-r.58 pulgadas de la parte (b).0. 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) . donde la dewiación típica poblacional o = 2.?d L -r.0.5 .0y0.50 : -2.41 pulgadas de la parte (b).45 pulgadas (vóase hoblema 5.0 .45. es igual a o/y'[. por tanto el porcentaje pedido ec 0. Puesto que o/t6':2.8 . (a) : 11.0 libra¡ en unidades típicas: (11. Hallar (c) la media y (b) la dewiación típica de la distribución muestral de las dewiaciones típicas. Entonces la probabilidad de que las primeras 4 sean rnayores que ü y las 2 últimas 6ean menores que u es decir - nc. /(r) tr. dada por o*.44.l' ra. 5.".5 . La desviación típica teórica (error típico) de la distribución muestral de medias. . La desviación típica de los pesos de una población muy grande de estudiantes es de 10.10. Í:-lÍ.) ps: o = ts=-' o 10.g2/fi = 1. pfuina 162.50 : 2. ) ea el producto de (1 ) y (2). esto es Q\ (r) f" sean .. dada por a¡.1 aJ. De la Tabla 5-1.0. de (b) 8. El área bajo la curva normal a la izquierda z : -2.0228.40) y el tamaño de la muestra n : 4.t J.8%.4918) : 0.. El área bajo la curva normal a la derecha de z 2. de acuerdo.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. es ig¡ual.46.) au .cAP. por tanto el porcentaje pedido es 2.a la media poblacional ¡r que 67.4772) = 0..0 lb ( lr) \/2" + = 0.33).10.0082.8 libras en unidades típicas : (8.5l (c TEORIA DE MUESTREO 185 ) es t a media teórica de la distribución muestral de medias.r . Una muestra de Por 6 observaciones se hace aleatoriamente de una población. ¿Cuál es la probabilidad de que las dos últimas observaciones sean menores que las primeras cuatro? Suponemos que la población tiene función de densidad f(xl. ¿Qué porcentaje de las muestras del Problema 6.a a.0 es (0. Las discrepancias se deben a que solamente 30 muestras fueron seleccionadae y el tamaño de la muestra fue pequeño.0 libras.4 es (0.92 pulgadas (véase hoblema 6.t. estamos de acuerdo con el valor de 1.0 libras y desviación típica 0.3'/'. Se escogen muestras de 200 estudiantes de esta población y se calculan las dewiaciones típicas de las estaturas de cada muestra. ¡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 €.

5 1.: lt# \=y a¡) v dondelyzvaríande1aN. . I X¡= a¡) au I = *4. X¡= ar) = P(X¡: a^) P(X¡ = a. Es intere¡ant¿ notar que l.a¡) = p)l ¡J.X): -"21(N -L). 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"). l/N l/N (i = 1.2. x2 una población finita de tamaño N. En verdad.a probabilüad no depende de la dist¡ibución de probabilidad f(r). por álgebra elemental.47. xj= prob.). t(or-¡. Entoncee. ez.* = tN P EIX:. oN}.. (or-r)(o'-r) - 1) términos. donde las c no son neceesriamente di¡tintas.r" o' Entonces (6) d.la distribución conjunta de X1 y P(Xr= a¡.pXxr NN = +("+)^á. . 5. Por tanto convierte en F(B) cus t1 (' Jo f(4) ¿z(t-¿)titp = 4=6-a = G I que es la probabilidad pedida.-p) .)I(oz-p)+'.. : !l_ . cuando está dada por i*h.. que correqronden a todas las parejas poN N ) = I=1 ("^-t'\2 +..s..f(u)itu @.186 Para evalua¡ esta erpreeión hacemos (5) TEORIA DE MUESTREO lcAP. l+v:l _ ("^-pl(o. Demostrar que si la media y varianza poblacional son ¡J y o2 entonces (a) E(Xi) = ¡r. (b) Cov (X¡.o .n) X¡ Sin embargo.Xyl ). Este es un ejemplo del eat¿dístico no parométrico puesto que no ae necesita oonocer ningún ¡rarámetro poblacional. prob. N (o) (b) Qov E(xi\ (X¡. Suponer que la población con¡i¡üe del conjunto de números {dt. u r-o = !"'nO* (4 ) se Cuando u : - u : 1 y cuando u =- = 0. 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. no son mutua¡nente independientes.*(or-p)12 . y z deaiguale. . Eato quiere decir que las XJ eetán dishibuidas idénticamente."0 = X.: I ) a¡P(X¡ ..

.51.50.(n_'.' " ) = . ó.62.Ét suplernenta.1'". (b ) sin 6. En el Problema 5.39 onzas.rlo s 6.49.¡ = . (c) sean menor de 22.(-r¿_ i)] = Lfr-"-rf = 4(N-"\ nl." +a¡v = a N 02.47 están dadas respectivamente por t*= (o) E6) = "1 =*"(x=) /X' +.á. (c) la media de la digtribución mueshal de medias.f x"\ D p (.Ét ".) = #[.53.. Encontrar (c) v (d) directamente de (c) y (b) mediante las fórmula¡ 5. (b ) la dewiación típica poblacional.51. Si se erüraen 300 mueetras de tamaño 36 de e¡üa población.iE(x)+"'+E(x")l 1 =1 n (p -r "'+p) donde hemoe empleado el Problema 6. Considerar toda¡ lae posibleamuestrasde tamaño dos que pueden extraers€ de esta población con remplazamiento.48.(. (d) la dewiación típica de la distribución muestral de media¡.048 onza¡. Resolver el Problema 5. g (o¡ - p)(o. Una población est6 formada por los cuatro nfrmeros 3. (b) sean rnayor de 22.37 onzaa.49 si el muestreo fuese sin remplazamiento.38 o mayor de 22.51 si la población 5e compone de 22 cojineter.7. 15.cAP.4L .. determir¡ar la media y la dewiación típica eeperada¡ de la di¡tribución mue¡tral de medias si el muestreo se hace (o ) con remplazamiento. = p (b) Uüilizando loe Teoremar 3-5 y 3-16 (generalizadoe). obtenemos var(x) = Sv^.á var(X¡) * . . remplirzamiento. (d) ¡ean menor de 22.40 onzas y dearriación tfpica 0. 5.( rr-:--r l(-.x¡)] = #ú* *.p) = -Noz r \ -2 'r' X¡) = . Loa peeos de 1600 cojinetes de bolas se distribuyen normalmente con medla 22. cov(x¡.LL. Por tanto I+v:l Cov (X¡.42 onzae.N\N-rl' 't/ 5.N-1J '¿\N-1/ Problern DISTRIBUCION MUESTRAL DE MEDIAS a.a7 @). y el Problema 6-4?.6l TEORIA DE MUESTREO En esta ecuación. ¿en cuántae de lag mue¡tras aleatoria¡ cabe ecperar que sus medias (a) ertén enl'l.e 22. Hallar (o ) la media poblacional.N-1 ^' . adecu¡das. el lado izquierdo e8 cero. Resolver el Problema 6. NÉ y la primera suma en el lado derecho er igual por definición.4L onzas? y 22. ya que por definición a1 187 -la2+'. Demostrar que (c) la media y (b) la varianza de la media muestral del Problema6.

¿en cuántos lotes cabe esperar (o) menos de g0 bombillas buenas.' ¿Cuál es la probabilidad de que dos grupos de estudiantes. Un fabricante despacha 1000 DISTRIBUCIONES MUESTRALES DE DIFERENCIAS Y ST'MAS 5. tomada de entre ellos tenga una duración media de (a) entre 790 y 810 horas.R o I en las proporciones adecuadas. 5. difieran en su puntuación media en (o) 3 o más puntos. Se extraen dos cotecciones de 30 bolas cada una con remplazamiento y s€ anotan sus colores.57 si se consideran 100 en lugar de 200 niños resultados. 6. Los resultados de una elección mostraron que un cierto candidato recibió el 65% de los votos.54.6 6. Hallar la probabilidad de que una muestra aleatoria de 16 tubos.60. (d) enhe ??0 y 830 horas.63 si se comprueban 100 cables de cada fabricante? Explicar las diferencias. ¿en cuántas cabe esperar que (o) menos del 4OVo sean niños. comprobar que . formados de 28 y 36 eetudiantes.57.56. (b) 98 o más bombillas buenas? 5. respectivamente. A y B fabticzn dos tipos de cables.12.6?.188 TEORIA DE MUESTREO lcAP.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.69. Lo mismo del Problema 5. ¿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.65. ¿Cuál es la probabilidad de que las dos coleccionee difieran en 8 o más bolag Resolver el Problema 5. que es de 8200 libras? DISTRTBUCION MUESTRAL DE PROPORCIONES 5. y explic. En lugar de bolas rojas y blancas. (ó) al menos 450 libras más que A? 5.6t.5t. Los pesgs de los paquetes recibidos én un departamento de almacenamiento tienen una media de 300 libras y una desviación típica de 5O libras. En una prueba de aptitud puntos? la puntuación media de lo¡ estudiantes es de ?2 puntos y la dewiación típica de 8 puntos. 5. (b) l2 bolas rojas y 8 blancas. (c ) el 63"h o más sean niñas? Resolver el Problema 5. (b ) entre el 4O% y el 60% sean niñas. 6. 5. Supónganse iguales las probabilidades de nacimientoe de niño y niña.nedias a larotura de 4000 y 4500 libras con desviaciones típicas de 300 y 200 libras. (b) 6 o más puntos. (d) 10 o más bolas blancas? Dseña¡ un experimento que ponga de manifiesto los resultadoe del Problema 5. (b) menor de 785. que tienén unas registencias . 5. ¿en cuántas cabe esperar (a) igual número de bolas rojas y blancas. (c) entre 2 y 5 Una urna tiene 60 bolas rojas y 40 blancas.54 si la muestra extraída ee de 64 tubos. Si U¡ y U2 son los co¡r¡\ntos de nhmeros del Problema 5. sob¡e las que se escrriba la inicial . llallar Ia probabilidad de que de los próximos 200 niños nacidoe (o ) menos d.63. sacadas de la urna con rempliazamiento.64.59. (ó ) entre el 43% y el 57% sean niñas. se pueden usar hojas de papel.el 4Oi'o sean niños. Si normalmente el 6Vo de las bombillas es defectuoso. (c) 8 bolas rojas y 12 blancas. (c) mayor de 820 horas. 5. Hallar la probabilidad de que en dos muestras aleatorias compuesta cada una de 200 votantec. haya una diferencia superior al1^o"k en las proporciones que votaron por dicho candidato.62. respectivamente.66.66 si las exüracciones son sin remplazamiento al obtener cada colección. ¿Cuáles son las probabilidades del Problema 5. 5. Explica¡ la diferencia. De un total de 1000 muestras de 200 niños cada una.60. ¿Qué enores pueden introducirse al utilizar dos conjuntos diferentes de monedas? lotes de 100 bombillas cada uno. 5. rojas? 5. Si se comprueban 100 cablesdeA y 50 cablesde B' ¿cuál es la probabilidad de que Ia media de resistencia a b rotura sea de (a) al menos 600 libras más que A.55. 5. (c) más del 640/o sean niños.61. Ciertos tubos fabricados por una compañía tienen una duración media de 800 horas y una dewiaeión típica de 60 horas.

Número de tubos L4 46 58 76 68 62 48 22 6 Solueionar el Problema 5. El voltaje medio de una baterfa e¡ de 15. 6 Frecuencia de Ia cua¡ta clase.97 y 62. y Se halla que CASO DONDE SE DESCONOCE LA VARIANZA POBLACTONAL 5. Reeolver el Problema 6.?6. para diseñar una tabla de distribución f de Student como la dada en el Apéndice D. TOTAL 400 .E0. respectivamente.72. = 5.2 voltios. página 161.74.499 500 . (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. (b) se encuentre enüre 50 y 70 horas. ?s 6.79. (b) ou1+ur = \Grtr. Si se extraen muestrae de tamaño 5 de esta población. hallar (o) Ia media de la distribución muestral de varianzas. Si se seleccionan 10 .2 veces. (b) ambas b0 horas. (c) Marca de clase de la séptima clase.8 o másvoltios? DISTRIBUCION MUESTRAL DE VARIANZAS 6. 6. (e) Tamaño del intervalo de clase. I 6. Determinar la probabilidad de que la varianza de la primera muestra sea mayor que (o) dos veces. Explicar cómo podría utilizar el Teorema 5-7.899 900 .70. (b) 7. Dos muestras de tamaños 4 y 8 se extraen de una población distribuida normalmente.82. una distribución ú de Student con r. La Tabla 5-17 rmuestra una distribución de frecuencias de la duración de 400 tubos de radio comprobados en la L & M Tube Company. Con 6.05 y 0.cAP.0 voltios y la dewiación tfpica 0. Verificar si los resultados del Problema 5.399 400 . Una en tanto que muestra de 8 bombillas se toma de A y 16 de 8. DISTRIBUCION DE FRECUENCIA 5. referencia al Problema 6.05.01. Verificar si los resultados del Problema 5.01? Dos compañías. ó.35. (b) Límite inferior de la octava clase.599 600 .60. Tabla 5-17 Duración (horas) 5.54 libras.i se confirman por este valor y explicar cualquier diferencia. A y B fabrican bombillas.5I TEORIA DE IIIUESTREO ttur2 189 (a) 4. (ó) P(1.50.21.78. o menor que 0.699 700 . (b) el error tfpico de varianzas. (d) Límites reales de la última clase. (g) Flecuencia relatir¡a de la sexta clase.49 se confi¡man utilizando (a) P(-1 < f < 1) = 0.77.54 libras con dewiacionee típicar de 0.49.72 ei el muestreo es sin remplazamiento.73.50. Se pesan tres cantidades dando 20. (h) Porcentaje de tubos cuya duración no sobrepasa .48. 6. (b) mayores que 20.376) .tr*Lrr: ru. De acuerdo con la tabla de distribución ú de Student para 1 grado de libertad (Apéndice D) tenemos P(-1 < 1) : 0.75. Una población normal tiene una vari¿nza de 15. DISTRIBUCION MUESTRAL DE RELACIONES DE VARIANZAS 5. La duración parz A tiene una desviación de 40 horas la duración de B tiene una desviación típica de 50 horas. donde ? tiene.80 si las desviaciones típicas de las duraciones son (o) ambas 40 horas. ¿qué porcentaje puede tener varianzas (a) menores que 10. Con referencia a esta tabla determinar: (¿) f 'ímite superior de la quinta clase. 5.5 veces la otra mayor que 0.799 800 .3?6 < ? 1.0. ¿Es la probabilidad de que una ttarianza sea mayor que 1.tubos aleatoriamente hallar la probabilidad de que la dewiación tfpica muestral (o) no exceda a 50 horas.999 300 1000-1099 1100-1199 las 600 horas. la de la segunda. = 1.71. entie 0.46 y 0. ¿Cuál er la probabilidad de que cuatro de estas baterfas conectadae en serie tengan un voltaje conjunto de 60. Hallar (o ) la media y (b ) la desviación típica de la suma de las cantidades.8f .0.

736 0.327.82 construir (o) una distribución de frecuenci¿s acr¡muladas. 5.735 0.90.734 0.(a) el tamaño de intervalo de clase. (b) una distribución acumulada relativa o porcentual. (h) una ojiva.736 0.735 0. ¿cuál es el promedio adecuado para sus calificaciones? (b ) ¿Cuál sería si todas las ponderaciones son iguales? 6.63. (e) un polígono de frecuencias relativas. Estimar el porcentaje de tubos del Problema 5. ó.729 0.738 0.738 0.93. Si las marcas de clase de gna distribución de fiecuenciaa de estoe diámetros vienen dadas en pulgadas por los números 0. La Tabla dos. Para los datos del Problema 5. (d) un histograma de frecuenoias relativas.735 0.725 0.735 0.?30 0. respectivamente.55 segundos. Los tiempos de reacción de un individuo a determinadoe estímulos fueron 0.736 0.742 0.82 con duraciones de (o) menos de 560 horas.740 0. ee¡ie de nfimeros está formada a¡itmética ? por seis 6.333 y 0.736 0.94.742 0. Una 6.741 0.737 0. ocho 8. (c) entre 620 y 890 horas.739 0. ?6. 4 y 6. O. (c) los límite¡ de clase. (c) Si las ponderaciones asignadas a cada asignatura rcn 2.740 0.72t 0. Con log resultados del Problema 5. nueve 9 y diez 10.?30 0.734 0.734 0.?39 0.?38 pulgadar.735 0.95. (i) una ojiva porcentual. y 0.?36 pulgadas. horas.731 0.190 (i) (j) TEoRTA DE MUEsTREo Porcentaje de tubos cuya duración es mayor o igual a 900 horas.728 0. hallar. sue clasee .t4. "de"*- Tabla 5-18 0.82 construir (o ) una distribución de frecuencias reliativas o porcentual. lcAP.E5' Para los datos del Problema 5.732 0.89.732 0. 0.89 para los dato¡ del hoblema 5. (c) una ojiva. correspondientes a la distribución de frecuen- 5.733 0.733 0. (b) no superioree a 0.730 0. Resolve¡ el Problema 5. 0.731 0. (c) di¡tribución de frecuencias relativas. Con los datos del Problema 5.738 0. respectivamente. Deüerminar el tiempo medio de reacción del individuo a los estÍmu- 6.732 0. DESVIACION TIPICA Y MOMENTOS PARA MUESTRAS 6. Comparar estos resultados con los obtenidos directamente de la colección de datos de la Tabla á-18.729 0. (c ) un polígono de frecuencia¡ relativas. (b) 9?0 o mág Los diámetros interiores de las arandelas producidas por una compañÍa pueden medirse con aproximación de milésimas de pulgada. Porcenüaje de tubos cuya duración es al menos de 500 horae pero menor de 1000 horas. CALCULO DE LA MEDIA.0.5 5.63.724 0. ó. 0.736 0.88 consüruir (o) un histograma.735 0.734 0.89 determinar el porcentaje de cojinetes de bolas que tienen diámetros (o) superiores a 0. Tles profesore¡ de economfa regieünron una ealificación media en sus eiámenes de 79. (b) un polígono de frecuencias. Hallar la media a¡itmética de dichas calificaciones.744 0.49.82.0. Construir una distribución de frecuencias de los diámetros utilizando intervalos de clase 5.740 una 5.46.732 pulgadas. 0.50. 0. (f) una distribución de frecuencias acumuladas.743 0.91.321. 0.737 0. 5-18 niuestra los diámetros en pulgadae de una muestra de 60 cojinetes de bolas fabricados por una compañía.737 0.386.324. (b) los límites reales de clase. (d) una ojiva porcentual.128 0.732 0.746 0.741 0.746 0.96.733 0. (c) entre 0. Construir (a) un histograma y (á) un polígono de frecuenciae ciaa del hoblema 5.0.83.82.86.52.330.735 0.726 0.88.735 0.739 0. 5.74 y 82. siete 7.?30 y 0. 6.92. (g) una distribución acumuhdá porcentual. ¿Cuál es ¡u media Las calificaciones de un estudiante en las tres asignaturas del curso fueron 77. 82 y 96.78 y 89. 5. 93.?36 0. (b un ) histograma de frecuencias relativas.87.727 0.44 los. Las calificacione¡ de un estudiante en cinco aeignaturaa fueron 85.732 0.

2 11.2. TEORIA DEMUESTREO 191 y 11 estudiantes.262-0.98' (b) 6. 25 las clases.7267 0. tlalla¡ la dewiación üípica para las distribuciones del (o) hoblema 6.101.2. 6. Halla¡ i 9. pero diferentes medias. 12.7. 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.7270 0.7253-0. .6.104.9. 10' L6.7249 0.?276 0. Log salarios medios anuales pagados a hombies y mujeres de la compañía fueron $á200 y $4200.100. i) 5.6por2ydespuéssumando6seobtienelaseriell.?.7259-0. (b) 3.8-10.4. (b) el méto' do clave.7258 0. .4.8-r2. 5. 15. 2.5. L7.3-11.102. (b) el método clave.6 se obtiene la s€rie 8.7.8-11.7255 0.22.5.7274-0. (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 6.3-L2.6. Hallar la dewiación típica de la serie de nl¡meros de la progreeión a¡iümética 4.1273 0.g?.cAP. (o) Sumando 5 a cada uno de los nl¡meros de la serie 3. 11 . Hallar la desviación típica de los número¡: (a) 3.7 L2.3- 9.7280-0.7.4. (c) 0. 1.0.1.2. 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) 0.7256-0.7 t2 17 l4 6 3 1 Tabla 6-2O fr 11. respectivamente. Demostrar que ¡as dos series tienen lae mismas desviaciones tfpicas. 7.7268-0. Tabla 6-19 Carga móxima Nl¡mero de cableg (toneladas cortas) 9. 19.7265-0.0.7264 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 0.99. Calcular el diámetro medio.103.0.7250-0.6..2 624 2 462 480 498 516 534 552 570 588 606 12.7 10. ' 164.7247-0.5l estaban formadas por 32.7252 0. Determinar el porcentaje de hombres y mujeres empleados en la compañía.3-10.6.6. Determinar lacalific¿ciónmediaparatoda8 5.7277-0.2. ¿Cómo están relacionadas las medias? (b) Multiplicandocadaunodelosnúmeros3. 1' 1' 5. Determinar la media de la carga máxima empleando (a) el "método latgo". L. . 10. para los daüos de la Tabla 6'20 empleando (o) el "méüodo largo".99.0.726L 0.7271-0. ó.98. Tabla 5-21 60 ó.2 10.8-L3.106. 1.2 TOTAL Í 98 75 56 42 30 21 15 11 6 compañía. El salario medio anual pagado a todos los empleados de una compañía fue de $6000.2.7 .8.7282 TOTAL de de Sfmenos de 36-menos de 40-menos de 16 L2 30 36 40 45 I o 2 TOTAL 54 250 6.7. reqrectivamente. Calcular la media de los datos de la Tabla 6'22.7279 0.

f 07. determinar los correspondientes momentos (o) respecto a Ia media. Hallar (o) m t . (c) tercero y (d) cuarto orden respecto al punto ? para los números del Problema 5.r5 1. = nt. Los momentos de cuarto orden respecto a la media de las dos distribuciones del Problema6.. (b) segundo. Hallar los momentos de (a) primero.f f O.(b)curtosisparaladistribucióndelProblema5. 8. 5.lOO. ¿cuál es la media? 5. 5. 30 5. (c) lrq .125.t s).. (b) rr. ¿Qué distribución está más sesgada a la izquierda? 6. Los momentos de segundo orden con respecto a la media de dos distribuciones son g y 16. k) ¡¡. tt.L92 TEORIA DE MUESTREO lcAP. (D ) Derivar una fórmula análoga par^rns. @') mt y (d) ma para los números.1!2. (b) ¿eué porcentaje de diámetros se encuentra entre (r1 . 1.102(c). Demostrar que la desviación típica de La serie de números es fi. (c) nt3. Comparar con el problema b. la fracciónp son unos mient:'as que la fracción q : 1 -p son ceros. Con los resultados de los hoblemas 5.119.111.120. 5.+. la distribución del Problema 5.llE.1 y -12. (a) Demostrar que .g. l. tlallar los momentos de (o) primero.11g.111.8 respectivamente.114.1o6. ) Construir una distribución de frecuencias para los datos y hallar la desviación (c) Comparar el resultado de (b) con el de (a).. S. 5. si la distribución fuese normal. 14. (b) segundo.li. Hallarelcoeficientede(c)sesgo. (b típica.-Btnini l2m'rs. (o) Hallar la desviación típica s de los diámetros de los remaches del Problema b.L22. Hallar (a) ntr.116. Hallar el coeficiente de (o) sesgo. la fracción p son unos mientras que la fracción q : 1 p son ceros. De un total de n números. (c) respecto al origen. (b) respecto al punto 5. (a) De un total de n números. y (i) (i+ rFpara 5. (t l3s)? (c) Comparar los porcettajes'de (b) lo. I 4 o 10 7 5.108 para los datos del problema 5.¡nz = ml- 5'115.0.r5.l F. ¿Qué distribución se aproxima más a la distribución normal desde el punto de vista de (a) apuntamiento.108. Si el momento de primer orden con respecto al punto 2 es igual a 5.126. mientras que los momentos de tercer orden con respecto a la media son -8.10.117. 5'121.126 son 230y 780 respectivamente. - ?n: - 1m'rm! * l}m'r2nt!.nl_ thnirni+6ml2rn. (c) tercero y (d) cuarto orden de los números 4. t¡l F..111.113.109. (b) curtosis para la distribución del Problema 5. (t t 2s). 5. 5.0.124. (b) mz. Hallarloscuatroprimerosmomentosconrespectoalamediadelosnúmeros0. 17. (b) asimetría? .2_ Bm. 5'112. y comentar las diferencias observadas. l. (c) tercero y (d) cuarto orden con respecto los números del Problema 5. (f) s. Hallar los momentos de (o) primero.1.5.98.121. comprobar las relaciones entre momentos (a) mi2. 5. Véase Problema 5. (a) Hallar la media y desviación típica para los datos del problema 5. . 20 22 2 AI. 6. 3. "on 5. Calcular los primeros cuatro momentos con respecto a la media para la distribución de la Tabla 5-23. @¡. (b) segundo. a la media de 5. Hallar los cuatro primeros momentos con respecto a la media de los números de la progresión aritmética 2.722. 5.101. - l}rnlstn" * 4n. 5. teóiicos esperados.30explicandoelsignificado 5. Lo mismo del Problema 5.123. 5. Hallar (a) la media y (b) la desviación típicaparaladistribucióndelProblema de los resultados obtenidos. 5 5. (l). Tabla 5-23 f t2 t4 16 18 5. 11.98.gg.1 . (b) m.mt. Aplicar el resultado de (o) al Problema b. Si loscuatroprimerosmomentosdeunaseriedenúmerosrespectoalpunto3sonigualesa-2.111 y 5.. Calcular los cuatro primeros momentos con respecto a la media para la distribución del Prol¡lema 5.g.127.2g.-2bybO.

134.6l PBOBLEMAS DIVEBSOS TEORIA DE MUESTREO 193 5.* (n .+(n-l\z=fn(n-Il(2n-1).1 5. a * 2d.104. 1z+22+32+". En el Problema 5. (b) la dewirrción tfpica de la duración exceda 96 hora¡? ¿Qué ruporicioner deben hacerse? 6.136. mt = 0. Demoshar que los primeros cuatfo momentos con respecto a la media de progresión a¡itmética a. La compañfa envfa 1000 lotes de 100 tubo¡ cada uno.cAP...129(o) y explicar ous reeultados.133.al2d. halla¡ la media de la distribución muestral de varianzae si el muestreo ee (o) con remplazamiento.@z-L)dz.131. 6. Si muestras de tamaño 5 se ertraen de esta población y se calcula la varianza de cada muestra. Demoetrar que Vt y Vz definidas en el hoblema 5.128. fSugerencia: 14+24 +34+' . pfuina 160.135. (a) Demostrarquelarvarianzasdelconjuntoden nfrmerol a. Una mueetra de 8 obeervacione¡ se hace aleatoriamente de una población.'*(n-1)=in(n-1). (n-1)d (eadecirun¿ 6. (o) Hallar la calificación mfnim¿ del 2O% superior de los eetudianües.132. Determinado¡ tubos producidos por una compañfa tienen una duración de 900 horar y una dewiación típica de 80 horas. En un exarnen las calificaciones fueron normalmente disüribuidas con media 72 y dewiación típica 8. .129 si la medi¿na de duración es de 900 horas.. ¿En cuántos lotee cabe esperar que (o) la duración exceda 910 horar.115. hoblema 6.fsugerencio: Utilizar - l+2+3+.1)a = $n(n-l)(2n-ll8n2-Bn1 ). (b) Hallar la probabilidad de que en una muestra aleatoria de 100 eetudianües la calificación mínima del 2O% superior Eea menor que 76.22..aI progresión aritmética con primer término o y raz6n d) erlt6 dada por tl1-2 (n2 Dd2 ..1 (b)Emplear(a)enel 6.. 5.. tno = ñ(n2-l\3n2-7'td4 CompararconelProblema 5. ¿en cuántos lotes cabe eErerar que la mediana de duración exceda a 910 horaa? Comparar ¡u solución con el hoblema 5.130. Una población de 7 números tiene una media de 40 y una desviación típica de 3.. Demostrar el resultado (I9). página 175. (b) sin remplazamiento..a|(n-l)dson 11 ffit = 0. son independientes. ¿Cuál es la probabilidad de que lae primeras tres obgervaciones sean mayores que las'últimas cinco? ó. mz = i.129.a*d.. 5. a * d.

U 13 t) = o2. La distribución muestral de la media y la mediana. es decir. EJEMPLO 6. si el tamaño de muestra es n > 30). la media poblacional' Sin embargo.03 pies. Por tanto. S realmente es un estimador sesgado de o. ambas tienen la misma media. Si. &s-2o"EFsl%a'" ó ¡r. SEGURIDAD La estima de un parámetro poblacional dada por un número se llama estima de punto de. se está dando una estima de intervalo. 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. ESTIMAS POR INTERVALOS DE CONFIANZA. utilizan estimas sesgadas o no eficientes.1. se dice que la distancia es 5. u-¡r"* 3o" . por la relativa facilidad con que algunas de ESTIMAS POR PUNTOS Y ESTIMAS POR INTERVALOS. 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. 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. Véase Tabla 5-1. Si se dice que una distancia viene dada por 5. la distancia real se encuentra entre 5. cabe esperar que el estadísticoSseencuentreenlosintervalos&s o^s8Í. respectivaménte. puesto que E'(X) = u. El valor correspondiente del estadístico se llama estima insesgada del parámetro.2. pero esto no siempre es posible.73% de las veces.28 + 0. si la distribución muestral de S es aproximadamente normal (lo que se ha visto-. eonq de esttmocton : .2_5 y 5.l parámetro. Lógicamente se prefiere tener estimas que sean eficientes e insesgadas. DE PARAMETROS POBI. ya que en general Z(3) + o. €l 68.27 % .28 pies. EJEMPLO 6.r--Bo.s*o.46% y 99. EJEMPLO 6.Capítulo 6 rF I | . en las páginas 157 y 160 son estimadores insesgados de la media poblacional ¡r y de la varianza poblacional 02. la media provee una estima más eficiente que la mediana. el estadístico con la menor varianza se llama estimador eficiente de la media. Los valo^res i y 3 z se llaman estimas insesgadas. la va¡ianza de Ia distribución muestral de medias es más pequeña que la distribución muestral de medianas. En la práctica se ellas pueden obtenerse.ACIONALES Sean ¡rs y o" la media y la desviación típica (error tÍpico) de la distribución muestral de un estadístico S.s.. se está dando una estima de punto.. L94 .3.31 pies. La media X y la varianza 3' d"finid".95. Entonces. Si las distribuciones muestrales de dos estadísticos tienen la misma media. por otra parte. página 162.que es cierto para muchos estadísticos. Sin embargo.

Utilizando los valores de o. y S -r 2.cAP.46% y 99.58 o. Los números 1.68 2.73% o.73% s9% s8% s6% s5. En general. 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. En este caso utilizamos la distribución t para obtener los niveles de confianza.27 %.o.. etn. de modo que para obtener los límites de confianza anteriores. Pequeñas muestras (z < 30).58 ox respectivamente. ps er los intervalos S . Más generalmente. Para niveles de confianza que no se encuentran en Ia tabla. Poi estos se 99. Por ejemplo si -t.95. INTERVALOS DE CONFIANZA PARA MEDIAS 1.27%.96. a S * o' delasveces. se utiliza la estima muestral S o S.96 o7 Y X + 2.1.srs .05 2.szs y ú. entonces un intervalo de confianza para ? está dado por (véase pagina 161) (N -t. los valores de z" pueden sacarse de las tablas de la cuwa normal en el Apéndice C. Tabla 6-1 Nivel de confianza zc e9. la desviación típica poblacional o es desconoc^ida.szs son los valores de ? para los que el 2."\\ñ s (3) . entonces los límites de confianza d'el95% y 99% para la estimación de la media poblacional ¡.68.F') se hacen fácilmente modificaciones apropiadas para obtener los intervalos de confianza.00 2.96.96 1. .96 o. t 6 .45%y te.9q -V 0. vienen dados por X r. son los límites de confianza del96% V 99% (ó 0.33 2. 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. $ I 3or) son llamados los límites de confianza del 68.respectivamenllama¡ a estoé intervalos los interualos de confianza del68. Iímites fiduciales.99) para p". S +.645 r. S -+ 2o.28 1. De los niveles de confianza se pueden obtener los coeficientes de confianza y recíprocamente..46% 95% 90% 80% 68. Si el estadístico S es la media muestral X.27%. En la Tabla 6-1 se dan los valores de z" que corresponden a distintos niveles de confianza utilizados en la práctica.. como otras veces sé conocen.00 1.1.46%y99. en el caso de un S insesgado).27% 60% 3. de los límites de confianza se llaman coeficientes de confianza o ualores críticos y se denotan por zc.6% del área se encuentra en cada "cola" de la distribución ü. S-2o" a S+2o" ó S-3o.6l TEORIA DE ESTIMACION 195 Análogaménte cabe esperar o se puede confiar en encontrar.73% "pueden Análogamente. 95.6746 En los casos donde un estadístico tiene una distribución muestral que es diferente de la distribución normal (como chi-cuadrado. obtenidos en el Capítulo 5.73% para la estima de ¡rs (es decir. El porcentaje áe confianza se"llama también nivel de confíanza.Grandes muestras (n > 30). para estima¡ el parámetro poblacional. se puede ver que los límites de confianza para la media póblacional vienen dados por Xtz"* vn N-tt.00 0. & S*Sorenel 68. si el muestreo es sin remplazamiento én una población 2. 2. Los números extremos de estos intervalos (S i o5.r.

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

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

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

58o/tñ.33: Estima insesgada y eficiente dé la verdadera altura Del Problema 5. 6.45 pulgad.88 < tt<68.57 pulgadas. (b) la verdaderavarianza.02 pulgadas. Determinar unas estimas insesgadas y eficientes de (c) la verdadera media.32 y 6.6l TEORIA DE ESTIMACION 199 6.2.35)2 2(n-ñ\2 - n-l = = es insesgada + (6.32 6. 6.36-6. Así. pues.3. (o) Del Problema (b) ó. Dar una estima insesgada Problema 6.35)2 + (6. = n .3).88 y 68.3. Para la muestra dada 67.33.ó.00055 cm2 Nótese que 0 = /0"00055 = 0. = i2 = .35)2 5-1 0.3?-6. que puede denotarse por 66.02): 0. (b) la verdadera varianza.45 ! 1. Se puede.93 pr¡]Éadas como una estima de o (véase Problema 6. ESTIMAS POR INTERVALOS DE CONFIANZA PARA MEDIAS (GRANDES MUESTRAS} 6. Una muestra de cinco medidas del diámetro de una esfera se registraron como 6.95. JC = . (a) Los límites de confianza del 95% son X t I. (o ) Estima insesgada y eficiente de la verdadera media (es decir. por tanto. En símbolos se escribirá P(66.45 ! 0.36. Utilizando n : 67. (b) Los lfmites de confianza del 99% son X 2.4.as y i : 2.96(2. 2.6136 : y. 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.5275) = 8.023 es una estima de la verdadera desviación típica pero esta estima no ni eficiente.88 a 68.45 -- 0.96.saa = tln ! 2. 4er.45 ¡ + z.? = /8.36 cm. 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 6.02 pulgadas es.38: Estima insesgada y eficiente de la verdaderava¡ianza media: t : 67.35)2+ (6. 95Vc ó 0.3?-6. Para las cinco medidas puestas en orden de magnitud la mediana es 6.37 centímetros. - iT $.35)2 F (6. no hay esencialmente diferencia entre 6.02 pulgadas.96"/\f. de la media poblacional).02.93.93/V100) ó 67. Determinar unas estimas insesgadas y eficientes de (o) la verdadera media.336.6136 s2 Así .iroentre s yG. = S tr. n-1" (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.2. el intervalo de confianza del 95% para la media poblacional ¡t es 66. 6. decir que ia probabilidad de que la estatura media de la población se encuentre entre 66. 6. Adviértase que puesto que n es grande.88 < p < ti8.46 pulgadas. los lí¡nites de confianza son 6?.cAP.37.JDani (b) Estima insesgada y eficiente de la verdadera varianza (es decir.TG pulgadas . de la varianza poblacional).88 y 68.!1t.58-?+ = V100 67. 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..

z:zc Puesüo que el área total bajo la curva es 1. de aquí que z":2. srn embargo.6-l (b) S" busca z" tal que el á¡ea desde z : entonces z. : t. Si se utiliza. 6. puee.645.200 TEORIA DE ESTIMACION lcAP. : O es Asi pues. Los límites de confianza d.0.7.0U89pulgadas.el 99o/.sa| = r*z.824 t 1. para n > 30 se puede asumir que s y 3 son prácticamente iguales..33.824=z.49. se puede considerar el factor es necesario = 0.6 Asf. los límites de confianza del90ak son n!I.b6 y 0. de modo gue no 6?.el 99. se habría empleado ?: \/n/@4s = y'200[99s que puede tomarse como i para todos los propósitos prácticos. que puede denotarse por 66.= vn Vn V200 ó 0.i :. son xtz. v (bl99% para el diámetro medio de todos los cojinetes.ss9 = 0.0049oulgadas t/-zoo sn 0. pues.g6a = Vn 0-824:t 0. ñ!3+ \ñ - 0. (a) " lok. En general.gg9!9 = \/zo0 0.6. 6. 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. Oa z : zc ea O. el área a la izquierda de z:-zce8 también lVo. 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.E8y. (o ) Los límites de confianza del g5% son 6 (b) x t 1.0069 pulgadas Fig. Lad medidas de los diámehos de una muestra de 200 cojinetes de bolas hechos por una determinada máquina durante una.00??putgadas t 0. se utilizaría t.6450'942 = 0.69 a 68.82¿!L.21 pulgadas.69 (¡¡ < 68.45 1 0.824! 0. lugar de Para y muestreo sin remplazamiento. Entonces por simetría.73V. los límites de confianza anteriores se convie:rten en 67.G.824tSL93 = \/zoo .96? como 1. Para obtener los intervalos de confianza.824 ! 0.00b8 pulgadas Los límites de confianza d. los cojinetes del Problema Hallar los límites de confianza del (a) 98%.824 t 0. (b) 9O% y (c'¡ 99. respectivamente.824 * 2.006 Pulgadas .73% para el diámetro medio de G.824 pulgadas y uná desviación típica de O.O42 pulgadas. los límites de confianz¿ del 98% son r ! 23g+ = \/7i Asi 0.96ry = \/200 0.so! = Vn 0.' o^.semana dieron una mdia de 0.824t0.Hallar los límites de confianza del (o) 55"1. r.824:r0.45 t utiliza¡lo.008 pulgadas.824 0.21. Adviértase que se ha supuesto que la desviación típica dada es la desviación típiez modific¿d¿ i Si la desviación típica dada fuese S.{ñ= 0. el área desde z eE 0. es total.645a (c) .4í.73 pulgadas. el intervalo de confianza del 997o para la media poblacional ¡r e¡ 66.

siendo 0.2S z"=L6 z"=0.hallamoat. (b).Tomando o = la estima eerá menor de 0. er decir.8. Entonces los lfmite¡ de confianza del 964o eon .38 t 2. (b) Loe límite¡ de confianza del 99% son X t 2.01 soliamente ¡i n es 167 o mayor. (c) v : 30.81. debe emplearse la fórroul¿ para poblaciones finitas con muestreo sin remplazamiento. Asf el área ¡ombreada en la col¿ derecha es 0.setienequel.gzs:2. Los coeficientes de confianza del 96Vo ("d.01.09. (ó) +2.orr.n r1s/t/Á¡.26 &- Vlo-1 = 4.e?'. Puegtoque¡.01 si (1.00. arrojó una media de 75 y una desviación típica de 10.051/\/n = 0.*.4 60 límitee de confianza pueden repreaentarse por Ítz"ox deede z 68. Una muestra de 10 medidas del diámetro de una esfera dio una media ñ: 4. 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.50 2oo-L = 76!2. Halla¡ los límites de confianza para el diámetro verdadero del (o) 96% y (b) 99%.f I l.9.9df (b) tos vn N-n A¡-1 = N-n N-1 75 t 1. un sicólogo estima que la dewiación típica del mismo (c) .i=r.11. (o) Los llmitee de confianza delglovo están dados por.38 pulgadas y una desviación típica s : 0.9Tolfi.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.21o. (c'¡ t2.04.8 ó n : 96.t = t. : 166.58')(0.96X0. 6-3 6.g6ol{n. 6-8 debe ser 0. Aef.cAP. de aquf que el grado de confianza pedido *162(O. (o) ¿Cuáles sonloslímitesdeconfianzadel9Ú% para la estima de la media de las 200 calificaciones? (b) ¿Con qué grado de confianza poüá . 6. lo¡ límitee de confianza del96% pedidos eon 4.06 pulgadas.:n-L:10-1:g.01 segundos? 0.06)/0. AsÍ.38 y c : 0.goo*.05 segundos.oble cola") para la distribución normal vienen dados por i1.. (d) t= 60? Pa¡a los coeficientes de confi¡nza del 96% ("doble cola") el área total en la Fig.2910. pues.96)(0. (d) =2.682ó ESTIMAS POR INTERVALOS DE CONFTANZA PARA MEDTAS (PEQUEñAS MITESTRAS) 6. Para lo¡ valores de v dados egtos son (a) t Z.4.0452 pulgadaa .81 es 0.05 segundoe. : 20. 1fi = (1.05)/\. ¿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. Una muestra aleatoria de 50 calificaciones de matemáticas de un total de 200. 8e tiene la confianza del99% de que el error de la e¡tima eerá menor de 0.06. Entonces (2.29lO):0.Entonces los coeficientes de confianza pedidos son tú.96. ¿Cuáles son los coeficientes correspondientes pala la distribución úsi (a) v = 9.04.6 : 0.q'-: 200 v50 200-1 = 75 + 1.96+ v50 (10) 200 . Eláreabajolacurvanormal : O t z: 0.05.58o/{i.23 zc h¡estoqueestodebeserigualaTSll.r¿ -.10.01.01 : 9. pues.026 y el valor crítico correepondiente es ú. = * t1. TEORIA DE ESTIMACION 20L es de Al medir el tiempo de reacción. Fig. se tiene que el error ser6 igual a 0.r.26fvéaeet¿mbiénProblema6.01 ¡i n e¡ 97 o mayor.X+r"L . .10(c)].7I 6.Entonce¡ utilizando ¡ : 4. <í n.38 + 0.Ze.

b0 Entonces.13.L2.045 TEORIA DE ESTIMACION lcAP.88 r 1. 0D > 0./e(l -p) ¡? V = 0.58ú6:5EXb:¡BtTdd = Los lfmites de confianza del 99.55 + 0. (b) En cada caso.l = 4.9ó utilizando el Apéndice C indica que e-Bt/fi-fl/n:0.13. (b) Comparar los resulüados de los dos métodos.045 : 4.O37pulgadas ? donde se ha utilizado la desviación típica muestral 0.88 i g.96-0-.f) = 4.. Puesto que (P .el95o/o para la población p son P : l.049 pulgadas.se5 - (b) Para v = 9.55 2. (a ) Los límites de confianza d. Análogamente.55 y la estima p : 0.= v-n 4.-'\ r1/pg-p)/n / rB I l-r'-tt'/z¿y t/2.qq /lo - 4. 0.315 a 4.06/y'10 .50.426 pulgadas. véase Problema 6. = 3.55 '^^ I(0'55)(0'45) :r 1'e6!ff : = 0.06 como estima de o.13 para que la confianza de que el candidato sea elegido sea del g5% z El candidato se elige si p ) 0. Hallar los límites de confianza del (a) 95%."-.p')/\/p(l .6 : se puede estar en la confianza del 96a/o de que el valor ve¡dadero se encuentra entre 4.14.73% parap son 0.96-9.25.38 + 0.38 t 0. t. (b) Los límites de confianza del99% parap son 0.38 * (2. t 3ú058)16:¡8 10d 0.55 t 0.55. utilizando P donde B = : 0. ¿Qr'é tamaño de muestra debe toma¡se en el Problema 6.18. (c) 6. los intervalos de confianza mues¡ras.50): 0. = P t 1. J_. Una muestra de 100 votantes elegidos aleatoriamente entre todos los de un distrito dado.55 para estimarp.73% para la proporción de todos los votantes que estaban a favor de este candidato.15.1. (b) 99%y (c) 99.335 pulgadas y 4. tenemoe 0.0 = 4. indicó que el 55% de ellos estaban a favor de un determinado candidato.06b0 pulgadas y el inüervalo de confianza del99% e¡ 4.88 + g.Z5(0.ssr(S/tñ-l.50 ó n= 27r .202 Asf. obtenidos mediante ios métodos de pequeñas muestras o teoría exacta del muestreo son más anchos que los obtenidos por los métodoe de grandes muestras.l)6or. 6. 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. Para hacer este problema de una fo¡ma más exacta. los límites de confianza del 99% son 4. (a grandes ) Mediante loe métodos de Ia teoría de grandes muestras los límites de confianza del 95% son X t 1.pV" es normal asintóticamente.446 pr'lgadas.88 + 0.06) /\t1.58)(0. Entonces loe límites de confianza del 99lo rcn i t ú.38 4.11 suponiendo válidos los métodos de la teoría de muestras.95. - ó Prob(p > e-Bt/p6-ffi¡ = + J(t t/2r -. (a) Soluciona¡ el hoblema 6. pues.6a5y'i6lBB)Io-75j7i : 0.50) Prob( que hob / J--ct t)_p .2/z¿y L645 Al comparar con Prob(p > 0.96.55 = o'55t0'10 donde se ha tomado la proporción muestral 0.27.55 del Problema 6. y para tener una confianza del g5% de su elección necesitamos : 0.

96.16.el 99% son: 1400 - 1200 12. pues.t 1.5B = 0.17 y 0. se puede encuentre entre 0. [-os límites de confianza para la diferencia de medias de.6l TEORIA DE ESTMACION 203 6. Hallar los límites de confianza d9l (c) 96% y (b) 99. (a) Los lÍmites de eonfianza del 95Va son 0.45 a 0. Una muestra de 100 bombillas del fabricante B dieron una vida media de 1200 horas y una desviación típica de 80 horas. se Así.96/il2OtG0I80)2/100 Así. dando.73% para la proporción de caras que se obtendrían en un ilimitado número de lanzamientos de la moneda. PzQz el - O.75.19 y 0.?4 y el INTERVALOS DE CONFIANZA PARA DIFERENCIAS Y SUMAS 6. el intervalo 0. 95"/o de = 200 t 24.25 = 0. se puede esperar con el encuentre entre 175 y 225 horas.83.respectivamente. pues.il3li. Así. se tienep : 0. se puede esperar con el 994n de confianza que la diferencia de las medias de las poblaciones se encuentre entre 167 y 233 horas.60 + 15. 100 adultos y 300 adolescentes dijeron que lei gustaba.. se puede esperar con confianza d.50 encuentre entre 0.73% como 0. esperar con confianza d./i120)r/15¡+-G0)r400 = 200 + 82.. Mediante la fórmula aproximada p = P + 0.50 ! Pz : 100/400 : 0.Xn-.6V n:40 enlafórmula \tF(l=A/. z" = 3.AquíPr:300/600:0. pues.27 da el intervalo de confianza del 95'ib como 0.23.15. Los límites de confianza para la diferencia de proporciones de los dos grupoe están dados por 'll1 1t2 dondelossubíndicesly2serefierenaadolescentesyadultos.Zb + 1. En 40 lanzamientos de una moneda.tr 7. se tienep = 0. Una muestra de 150 bombillas del fabricante A dieron una vida media de 1400 horas yuna desviación típica de 120 horas. z" = 1..6.33.?9.el 99Vo que la verdadera diferencia de proporciones . intervalo de confianza del 99.25 son las proporciones respectivas de adolescentes y adultos a quienes les gusta programa. Hallar los límites de confianza del (a) 95% y 99% para la diferencia de las vidas medias de las poblaciones A y B.g. se obtuvieron 24 ca¡as.50 - 0. pues.el ggVoson 0. se As( pues.37 a 0.96 La verdadera = 0. (a) Al nivel del g5o.60 La fórmula más exacta del Problema 6. ae confianza que Ia diferencia'de las medias de las poblrcionee (b) Los límites de confianza d.el 96% que diferencia de proporciones (ó) Los límites de confianza d. dando el intervalo 0.45 a 0. Hallar toi tí-mites ae confianza del (c) 967" y (b) 99% para la diferencia dé propoñiones de todos los adultos y adolescentes que ven el programa y les gusta.BZ a 0. SustituyendolosvaloresP:24140 = 0.06.25 ! Z. (b) Al nivel del 99.58\.cAP. En una muestra aleatoria de 400 adultos y 600 adolescentes que veían un cierto programa de televisión.4 y B son dados por (a) *o. gt= Ptz" t z¡/F(=ffi.25 = 0. PtQt .31.0g. 6. -loi*o'o -"1/"o-"" Los límites de confianza del 9b7o son: 1400 1200 ./.

osr* Ez+t:. (b) 99%.4 + 2.r+r 2+Er+84 = . (o) Alniveldel 95". (c) 99.0b4voltios. Así.6?45(0. 6. El valor de 0. . ee puede esperar con confianza del 99'y'" que la deerüeión típica de la población se encuentre entre 87. los límites de confianza del 99.19 deberá tomarse para que con confianza del 99. Si se conectan 4 baterías en serie.[4: "'rJ o'r.16 voltios.ozs. FfJ voltaje medio de las baterías producidas por una compañía es de 45. (b d.4 t 3(0.g.. Entonceg el error porcentual de la desviación es 3s/t/-at (¿) Si 300 _ = s.73% con: 180.f8.21 voltios. el tamaño de la muestra deberá ser 450 o más.1 voltioE y dc.1) = 180.9.4:t0.2 y 109. Hallar los límites de confranza del (c) 95% y (b) 99"/.4 t = 180.19. de la desviación típica para todos los estudiantes del colegio.204 TEORIA DE ESTIMACION [cm.x {2n 300//t = 5. La desviación típica de las estaturas de 16 estudiantes seleccionados aleatoriamente en un colegio de 1000 estudiantes es 2. * l'a. = 1la1ffiy : 0. se tiene ltlt+Ez+at+¿o = Fu..20.4 + 1. página 162)loslímites de confianza para la dewiación típica de la población son dados por S * z. entonces n : = 10..4 V r de confianza del 99% son: 180.8 horas. oE.= lr'.08 ÉEr+nz+E¡+Eo = 4(45. Si Er. el tamaño de la muestra deberá ser 1800 o más.08) = 180. (a) Loslímites de confianza delgSv" están dados por sy'7/x.24 ) Los lfmites (c) Loc lÍmites (d) toslfmitesdeconfianzadel voltios.4O pulgadas.73% y (d) 5O% para el voltaje total. La desviación típica de las duraciones de una muestra de 200 bombillas fue de 100 horas. En este caso se aplica la teoría de grandee muestras. * uotr* l'a.r-= oE.1 y 112. (b) Si }OO/\E : Aei pues.054 voltios se llama error probable. pues. puesto que /¿rr = lLEt lr'. pues. 6.el 95Vo que la desviación típica de la población se encuentre ) Al nivel del 99% los límites de confianza son: 100 * 2.4 (o) (b Los límites de confianza del95% son: 180. ¿Qué tamaño de muestra en el Problema 6. se puede esperar con confianz¿ entre 90.08)=180.e75 y st/n/x. Se utiliza la dewiación típica muestral para estima¡ o.t+ti. Hall¿rr los límites de confianza del (a) 95% y (b) 99% para la desviación típica de la población de tales bombillas. Así. Así. hallar lós límites de confianladel (a) g5%. 82. = orr./nloslímitesdeconfianzason:100 11.19. Por tanto (véase Tabla 5-1. 0.73"/o para o son S . 0.1 V y la desviación típica 0. Es y Eq representan los voltajes de las 4 baterías.96(100)i/200 = 100:tg. = 0.4i0. Y t¡. 46O. INTERVALOS DE CONFIANZA PARA VARIANZAS 6.08) = 180. entonces n 1800.* o".2L.9 horas. (b)LO%? De igual forma que en el Problema 6. donde 2.r Bo/l-zn Ss/\/Zn.73% la verdadera desviación típica de la población ::o difiera de la desviación típica muestral en más del (c) 6%.96(0.4 t de confi¿nza del 99.o/yEi.. utilizando s como una estima de o. o 6. = 45.58(0. 5O%son:180.58(100)/r/Zbd = 100 r 12. Entonces.04 volüios. pues.04 V.08) 0. indica el nivel de confianza.

sa+19. 1.= r\ri= (f.14. s! = 20.sor-79.8 ó ¡.o75 = |{zsrr.SO+19. x2nzs de donde ¡¡.49 pulgadas.50." x%os 1_l .40\f-I6/5. Entonces los límites de confianza del 997o son 2. pfuina 137' x.g = 88.n.92)2 = 253 lL6. ee decir.9212 : 239 161 = olz02s+V2(199)-1)e =. x1.!75= 5.9 y 1001800/t2.11.2 y 111.92)2 = : \2.oos = 72.9 y x.ozs.15. Por tanto se tiene la confianza del 95% de que la desviación típica poblacional se encuentra entre 91. .68 y 4.t./x Para v : sr.s¡5=2.19(b). : 200 - 1 : 199 g¡ados de libertad.19 utilizando la teoría de pequeñas muestras.oe5=5. X.49 pulgadas. (o) Los límites de confianza d. Por tanto se tiene la confianza del 99% de gue la desviación típica poblacional se encuentra entre 88. Paray:16-1:lSgradosdelibertad.el99% están dados por Sy'-nl¡.68 y 4. están dados por Sy'-nlx ors y Sl-n/y. Por tanto se tiene la confianza del 95% de que la dewiación típica poblacional se encuentra entre 1. Solucionar el Problema 6. x?szs = 27.2 a.3 horas.5 y Entonces los límites de confianza del 95o/. 6.oos:4. Este resultado debe compararse con eI del Problema 6.5 6 x.ee5 Para v y Sy/i/7. it.9 horas.el95')h están dados por Sy'-n.84 pulgadas. Este resultado debe compararse con el del Problema 6.9 horas respectivamente.¡¡5. (b) tos lÍmites de confianza del 99\i.?3 y xz.40\R/2.19(a).cAP.¡]oor=32.22. rz = 10.2.r+l/Z[I6Ef-T¡z = jtz. 1. 200 ..60 ó y. Entonces los límites de confianza del 95% son 2. esto es.9 y 115.26 6 7.o .50.40Vf 6 /1.7. y 18 respectivamente halla¡ los límites (o) Tenemos nt = l(t. Entonces los límites de confianza del 99% son 100/Eñ6 de donde X sq¡ INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6. = 15.5 = 91'2 y 100y'200/12'1 = 111'3 horas respectivamente.)rto = \/ 2o.ozs l-l Vz(rssl -r)z = itt. Si se encuentra que sus varianzas son 24 y (b\ 90% para la relación de varianzas._. (b) Los lÍmites de confianza d.6l Para o TEORIA DE ESTIMACION 206 x?ozs = 16- 1 = 15 gradoode libertad.24 y = 6.t-t. hallamos como en el Problema 4.24 y 2..40\f-16/2.' son 100y'2b-0 115.. Por tanto se tiene la confianza del 99/o de que la dewiación típica poblacion¡l se encuentra entre 1.2= 115. 3? = t=r"i = (lf)rznl = "? = 18 de modo qrre 26.s¡5.n25 = 2. Dos muestras de tamaños 16 y 10 respectivamente de confianza del (c) 98% se extraen aleatoriamente de dos poblacio- nes normales.23..1 : 199 grados de libertad.14.. y St/T/x.83 y 3.83 y 3'84 pulgadas.73 y 2.

Halla¡ la estima de máxima verosimilitud de la media. También del Problema 4.e5 2. gue tenemos (I) Puesto Por tanto l(rx.) Obsérvese que el intervalo de confianza del9O% e¡ mucho más pequeño que el intervalo de eonfianza del 98Vo. Por tanto el intervalo de #(ffi) s += 6 0. 6.eg oz 6. página 13p. pfui¡1g 19?.4437 oí = * ('z'6'g)(?q¿. reculta .'or¡ g.96 parapl : 16 1 : 15 ! U2 =LO-1 =9 grados de libertad.z8a =# : = rsee.#>@t-pl2 Tomando Ia derivada parcial con re4ecto raL 1:' fr.25. v Q) 90% para la relación de las desviaciones de las desigualdades del Problema 6. ü = \/2ro2 -J- r-<x¡-ü2rzoz L = f(nt. (#)(ffi3) o.89. Hallar los límites de confianza del (al 98% típicas del hoblema. Si n obsewaciones Xr & se toman de una población distribuida normalmente de la cual se desconoce la media y se conoce la varianza. Entonce¡ utilizando (171.0. ó )("*-p) = o e¡decir )"*-nr p-n 2 an = o (6) A¡f l¡ ectima de márima vero¡imilitud e¡ la media mue¡tral.24.84 V F.23 hallamos los lfmitec de confianza para el (¿) (ó) ESTIMAS DE MAXIMA VEROSIMILITUD o.sg<!=z. = (b) Como en (o) hallamos del Apéndice F que confianza del g0% es F. tenemos pataUl: 15 y ez:9 grado¡ de libertad f or : 1/3.e¡ = 3.47(b). pl = (2to2)-tt2¿-zbk-r)2t2o2 (z') (r) Fijando íLldp = 0 t¡L = a -f.6 Del Problema 4.6?=1=r. .47(d).tn1z.eo = ". 6. pl" 'f (r. como lógicamente era de eryerarse.59.89 de modo que l/F.(ffi) 4.os : 1t2. Al tomar la raíz cuadrada 98% v el9o%. tenemos F ge = 4.206 IEORIA DE ESTIMACION [cAP. = 3)@*-Pl reeulta Q. hallrrmoe para el intervalo de confianza del 98%.23..zt oz 0.

ca p= _6 + 1/@=lo" 2a z"P+27=W 2(n* z7\ 2nP I 22" * ""t/6F(L1VlT7" 2(nI zf. zi n -4nz | +! . se tiene e+ flt "" P(L-PI .63.13.) Dividiendo numerador y denominador por 2n."2) en cambio d. z7 n -4ü r+4 n o P (b) Utilizar la fórmula de (¿) para obtener los límites de confianzadel99. se tiene P-P Elevando al cuadrado los dos miembros.cAP. b--(2nP+"7) y c=nP2. queda. Si escribimos f (rx.0 hallamos Vé¿se Problema 6. En estos valores extremos. Entonces tomando la derivada parcial con reqrecto a 02. (a) Si P es la proporción observada de éxitos en una muesha de tamaño n.e f(x¡.cuyassoluciop son dadas por La fórmula cuadráti.P)/n Los valores mayor y menor de esüa variable tipificada son tzc.27.26. {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. = -fi+ uár> @t-r)2 02= 2 (rr - pl2 PROBLEMAS DIVERSOS 6.TS% delProblema 6.25 ha¡ta la ecuación (2) aplica. todo lo efectuado en el hoblem¡ 6.6l TEORIA DE ESTMACION 207 6.25 se conoce la media pero se desconoce la varianza.L n - pl pz-2pp*p2: (nI nes para zp\p2 "?P# z?lp Multiplicando los dos miembros por ¿ y simplificando. La proporción muestral P en unidades tipificadas .p oP = -1. Si en el Problema 6.p). - (2nP I * nPz = 0 Si o=n+z!. por tanto. donde z" deüermins el nivel de confianza. mostrar que los límites de confianz^ para estimar la proporción de éxitos p en la población a un nivel de confianza determinado poÍ zc esüán dados por p- P +ft* 22 z" P(l-P) .13. . halla¡ la estima de máxima verosimilitud de la va¡ia¡rza. estaecuaciónsereduceaafi*bp*c:0. tenemos ee i'# Fijando aLl0o2 . (a) como la utilizada en el Problema 6.

31.?3 ton./zn.55yn:100enlafórmula y 22"/nson despreciables y pueden sustituirsepor cero. 6. g.30 si se obtienen los mismos resultados para 30. Las medidas de pesos de una muestra fueron registradas como 8.09 ton.0 = 12.32.'.2 y 9. 6. lcAP. La media y la desviación típica de las cargas máximas soportadas por 60 cables (véase Problema 5.=B.3 91.r De la tabla se observa que un intervalo del95%. (b) 98Vo. respectivamente (véase Problema 5.8./Anz que se obtiene la fórmula pedida. 6'33.98) están dadas por 11.6 p=0.40 y 0.z.8 ¡.8.Es posible haltar otros límitee de confianza escogiendo valores críticos de X2 gar.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 6.7 a Lt3.44.. en general.6.ge = 15. zf.8.TSVo. Estimar (o) la media y (b) la desviación tÍpica de la población de todos los tubos de televisión producidos por esta compañía.05.8. etc. se tienep : 0.00058 pulgadas. (c) Si n es gtande.29.6%.208 TEORIA DE ESTIMACION (b) Paraloslímitesdeconfianzadelgg.Entonces.a.e6 : 15. ¡es=15.9 110.28.72642 pulgadas y 0.9 7..32 92.a los cuales la suma de las áreas en l¡as colas sea61. La media y la desviación típica de los diámetros de una muestra de 250 remaches fabricados per una compañía gon O..7s7=15. 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. (c) Comparar la desviación típica muestral con la desviación típicÁ de la población estimada. de amplitud sol.¡amente 19. respectivamente. Hallar los límites de confianza del (o) 951/. empleando t¡alores críticos tales como justifica el trabajo involucrado.2 19. (c) 95% y (d) 90% para el dirimetro medio de todos los remaches fabricados por la compañía.64. Hallar los límites de confianza del (o ) 99%.rlos ESTIMAS INSESGADAS Y EFICIENTES 6. respectivamente.13(a).O a 110.54 ¡.8 89. .s sr¡plernenta. cuya amplitud sea menor que la del Problema 6. X 032 y X 1¡2. dieron una du¡ación media de 1200 y una desviación típica de 100 horas.?3 20.e4 91.4 libras. entonces zf. En la Tabla 6-2 se indican varios valores críticos y los conespondientes intetwalos de confianza del 95%. es de g1.22(a) fueron obtenidos escogiendo valores críticos de y2 de tal manera que las áreas en cada cola fueran 2. Valores Crítico¡ Tabl¡ 6-2 Intervelo de confianza d.$=12'76. 8. (o) Solucionar el Problema 6.69 en acuerdo con el problema 6.42 a a 111.el 95"tb Ampütud 2r. ó 0.utilizando de (a).7. 10.o¡r y x e8l. Determinar estimae insesgadas y eficientee de (o) la media de la población v (b) la varianza de la población.6 = 12. X. horas Una muestra de 10 tubos de televisión producidoe por una compañía. de forma 6. la disminueión en el intervalo que 8e obtiene es comúnmente despreciable y no Probletn. 2g. Un intervalo con amplitud af¡n menor puede hallaree continuando el mismo método de aproximación x.30.100). 10.4 20.85. Sin embargo.s2=12. y (b)99dto para la media de las cargas máximas de todos los cables producidos por la compañía.7 7.0 a 110. y 0. pero de tal manera que las áreas en cada cola no sean iguales.

33.42. Una muestra aleatoriade 60 bolas extraídas con remplazamiento de la urna. Una r¡rna contiene una proporción desconocida de bolas rojas y blancas.46.g5. 6.40.24 onzze.40 verdadera no difiera de la proporción muestral en más del 6Vo sea (a) del 95Vo. respectivamente. Dar los resultados utilizando la fórmula aproximada y la más exacta del Problema 6'27.3? suponiendo aplicables los métodos de la teoría de los resultados obtenidos. Para los pacientes del primer grupo el número medio de horas de sueño fue 7. mientras que de 100 cerrojos de otra máquina 12 eran defectuosos.cAP. INTEBVALOS DE CONFIANZA PARA VARIANZAS Y DESVIACIONES TIPICAS 6. Cinco medidas del tiempo de reacción de un individuo a un cierto estímulo fueron registradas real de 0. (c) del 99.86. Hallar los límites de confianza del (a) 95%' (b)99o/oy (c) gg . (b)g|%t (c)997oV @)59. Hallar los límites de confiánza (a) del 95% Una compañía fabrica cojinetes de bolas que tienen un peso medio de 0. o. dio el 7O% de bolas rojas.41. Se cree que una elección resultará muy reñida entre dos candidatos. Hallar los límites de confianza del (c) g5%.2?.43.36 si el error en la duración media estimada superar las 10 horas? ESTTMAS POR INTERVALO DE CONTIANZA DE MEDIAS (PEQUEÑAS MUESTRAS) 6.2[horas. HaIIar los límites de confianza del (o) g5%. Hallar grandes muestras y comparar Solucionar el problema 6. 0. 0.41. ¿Cuál será el número mínimo de voranües que se deberá mue\trear para quelaeonfianza sea del (a) 8O%.012 libras.94" Hallar (¿) los Problema 6. ESTIMAS POR INTERVALO DE CONFIANZA PARA PROPORCIONES 6. Hallar los límites de confianza del (a) 95% y (bl99% para el tiempo reacción. 6.g1 sfoundos.73% la confianza de que el error en la media de la duración estimada no exceda de 20 horas? no debe ¿Cuáles serán los tamaños de muestra en el Problema 6. y (b) el error probable para la media de los diámetros del 6.a h diferencü de proporciones de cerrojos defrctuosos de las dos máquinas' Estudiar los resultados obtenidos. 0. 6. para que la confianza de que la proporción ¿Qué tamaño de muestra se debería tomar en el Problema 6. como 0'28.ParalosdelgrupoB fueron 6.6l' TEORIA DE ESTIMACION límites de confianza del 5O% 209 6. 6. (b\ 99% y G\ gg. (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 6.7 Bdn pá.g?.44. al primero le fue dado un nuevo tipo de somnífero y al segundo un tipo convencional.82 con una desviación típica deO. Hallar eI error probable de la desviación típica del Problema 6'46' . respectivamente.73V"? 6.g9. De dos grupos análogos de enfermos A y B formados de 50 y 100 individuos. 6. Una muestra de 200 cerrojos producidos por una máquina mostró que 15 eran defectuosos.76 y 0. 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. (b ) del 99%. 6.38 onzas los límites de confianza del (c) 95% y (b) 997o para la resistencia real' desviación típica de 1. ¿qué tamaño de muestra deberá tomarse puüa que sea del (a\96%.3g. 6.45.7g% para la proporción real de bolas rojas en la urna. Si la desviación típica de la duración de los tubos de televisión se estima en 100 horas. La desviación típica de resistencia a la rotura de 100 cables producidos por una compañía fue de 180 libras.gg. y una Una muestra de 12 medias de resistencia a la rotura de hebras de algodón dio una media de 7.30 horas.638 libras y una desviación típica de y (b) del 99Vo pata los pesos de lotes de 100 cojinetes cada uno.80.

de la du¡ación de 10 bombillas fabricadas por una compañía es 120 horas. Si n observaciones 6. Hallar los igr la 6. X1.62.60. . Solucionar el Problema 6.(d)v : 30' (¿) v: 40? Una compañía tiene 500 cables. -t 1 r ( -. X¡.e 24OO libras y una dewiación típica de 150 libras. . Solucionar el (o) Problema 6.49 utilizando la distribuciíny2 si una muestra de 100 bombillas tiene la misma desviación típica de 120 horas. La desviación típica compañía.51. 6.49. Xn de esta población. (b) gg% y (c) gg. . . Si Xr. .? ¿Son lc mismos a los dados en los hoblemas 6.52 y (b) Problema 6. Xn se toman de una distribución de Poisson con parámetro tr desconocido.62. Comparar los resultados con los obtenidos empleando la distribución normal.52.50.59.2to 6. 6.53. . . . . PBOBLEMAS DIVERSOS 6. límites de confianza del (o) 96'/o y (b)99Eb pa¡a la desviación típica de todas las bombillas fabricadas Solucionar el Problema 6. .(b)v:12. .49 si 25 bombillas tienen la misma desviación tÍpica de 120 horas. . 6. Hallar el estiniador de máxima verosimilitud de ). [(A'+t)st 0<¡:<1 de otra forma Xn de esta población hallar la estima de máxima verosimilitud de h. .54 si las muestras tienen tamaño 120 cada una. Xn de una población distribuida normalmente con media ¡l y varianza ¿Pueden determinarse estimas de máxima verosimilitud de ¡t y o2 en términos d.6 ¿Qué tamaño de muestra deberá tomarse para que la confianza sea del (a) 95%. Las desviaciones típicas de los diárnetros de los cojinetes de bolas producidos por dos máquinas son 0.042 cm y 0.. Si se toman n observaciones. del Problema 6.26? Explicar.63. INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6. . (o) ¿Cuáles son los límites de confianza del 951/o y 99% para estimar la media de la resistencia de rotura de los 460 cables restantes? (b) ¿Con qué grado de confianza podríamos decir que la media de la resistencia de rotura de los 460 cables restantes es de 2400 1 35 libras? ¿Cuál es el intervalo de confianza del 957. 6. En una prueba de 40 cables seleccionados aleatoriamente resulta una media de la resistencia de rotura d. Los coeficientes de confianza del 999á ("doble cola") para la distribución normal están dados por 12. Una población tiene una función de densidad dada por i@l = 2rt/r/" ¡2s-v*.48. 6.58.57. Hallar los intervalos de confianza del (o) 98% y (b)907. . r. . . ESTIMAS DE MAXIMA VEROSIMILITUD 6. Hallar Ios intervalos de confianza del (a) 98% y (b) 90% para la relación de Ias varianzas. . hallar la estim-a de máxima verosimilitud de z. 02 desconocidas. ¿Considera que las dos muestras del hoblema 6.(c)v:25.55.54. Una población tiene una función de densidad dada por 8e toman n observaciones l(r) = l^0 [ Si se toman n observaciones X1 .61. . hoblema 6. 6. basados en muestras de tamaño 10 cada una.58. 6.54 fueron extraídas de la misma población? Justificar su solución. 6..035 cm respectivamente.25 y 6. para la relación de las varianzas de las poblaciones de donde se exhajeron.56. ¿Cuáles son los coeficientes correspondientes para la distribución f si (o) v = 4. .7T% de que la desviación típica de una población no difiera de la desviación típica muestral en más del 2%? 6. . Determinar los intervalos de confianza del (o) 98%v @\gOVapara larelacióndelasdesviacionestípicasdel Dos muestras de tamaños 6 y E respectivamente tienen la misma varianza. TEORIA DE ESTIMACION [cAP.e 11.51 que tiene la menor amplitud? 6.

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

es decir. la probabilidad de cometer error del Tipo I. ? II.lo que significa que se puede cometer error con una probabilidad de 0. Si. es una normal tipificada (media 0. supóngase que con una hipótesis dada.95).. generalmente se fija antes de la extracción de las muestras. .96 a 1. lo cual puede ser o no ser posible. se puede formula¡ la siguiente regla de decisión o ensayo de hipótesis o signi{icación: (o) Se rechaza la hipótesis al nivel de significación del0.96 (puesto que el área bajo la curva normal entre estos valores es 0.96). Entonces la distribución de la variable tipificada dada por Z : (S ¡. va generalmente acompañádo por un incremento en el otro tipo de error.05.7-l Sin embargo. En tal caso se dice que la hipótesis ha sido rechazada aI niuel de significación del O. por ejemplo se elige un nivel de significación del O. se dice que la hipótesis se rechaza al niuel de significación del0.)/o. la distribución muestral de un estadístico S es una distribución normal con media p" y desviación típica o". lo que quiere decir que es un suceso con probabilidad de solamente 0.96 a 1. se puede estar con el 957o de confianza de que. Esto no es tah sencillo como pueda parecer puesto que para un tamaño de muestra dado.05 6 6"/. ENSAYOS REFERENTES A LA DISTRIBUCION NORMAL Pa¡a aclarar las ideas anteriores. Entonces puede decirse que esta z difiere signifícatiuamente de la que cabía esperar bajo esta hipótesis y se estaría inclinado a rechazar la hipótesis.1.96 podía entonces llama¡se región de aceptación de h hipótesis o región de no significación. En la práctica.. Esto equivale a decir que el estadístico muestral observado es significativo al nivel del 0. ¡--lglj .96 (es decir..1.96. De acuerdo con lo dicho hasta ahora.05 (área sombreada de la figura) si la hipótesis fuese verdadera.05 si la z obtenida para el estadístico S se encuentra fuera del recorrido .O6El conjunto de las z que se encuentran fuera del rango -1.05. aunque igualmente pueden emplearse otros valores. Representa la probabilidad de rumeter error al recbazar la hipótesis es decir. el valor de e obtenido de una muestra real para el estadístico S se encontrará entre 1. un intento de disminuir un tipo de error.=lD6 I'ig. Como se indica en la figura. 7-1.05 o que la z obtenida del estadístico muestral dado es significatiua al niuel de significación del 0. En cualquiera de los dos casos se comete un error al tomar una decisión equivoca- Para que cualquier ensayo de hipótesis o reglas de decisión sea bueno.96 a 1. se está con un 95% de confianza de que se toma la decisión adecuada. al diseñar un ensayo de hipótesis. z > I.96 ó z 1.O5. NIVEL DE SIGNIFICACION La probabilidad máxima con la que en el ensayo de una hipótesis se puede cometer un error del Tipo I se llama niuel de significacíón del ensayo. El área total sombreada 0.El conjunto de lasz que se encuentran dentro del recorrido .05 ó 0. y así se tiende a conseguir poner una limitación al error de mayor importancia. Esta probabilidad se denota frecuentemente por o. La única forma de reducir al tiempo ambos tipos de error es incrementar el tamaño de la muestra. debe diseñarse de forma que minimice los errores de decisión. si al elegir una muestra aleatoria se encuentra que z para ese estadístico se halla fuera del recorrido .1.96 a 1. un tipo de error puede tener más importancia que el otro. entonces hay aproximadamente 5 ocasiones en 100 en que se rechazaría la hipótesis cuando debería ser aceptada. varianza 1) y se muestra en la Fig.212 error del Tipo da. de modo que los resultados obtenidos no influyen en la elección. En la práctica se acostumbra a utilizar niveles de significación del 0.1. ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. si la hipótesis es cierta.96 constituyen lo que se llama región crítica o región de rechace de Ia hipótes¡'s o región de significación.96 y 1.01.05 es el nivel de significación del ensayo. Así pues.

Ia región crítica es una región a un lado de la distribución.la X-. La Tabla 6-1. 1.33 -2.28 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.cAP.28 ó -1.58 y -2. = op: o/1/i. tss =. o. es decir. 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).645 cí 2.88 y -1.58 2. La variable tipificada viene dada por Aquí S : X. Tales ensayos se llaman ensayos de una cola o ensayos unilaterales. con frecuencia se puede estar solamente interesado en los valores extremos a un solo lado de Iá media.01 se sustituiría 1. Véanse páginas 158 y 160. Debe ponerse de manifiesto que puedgn igualmente emplearse otros niveles de significación.96 1.. puesto que la suma del nivel de significación y el nivel de confianza es L00%. aceptaríamos -EI6 de que la media poblacional es p : o utiliza¡íamos el estadísti-EÍe (o al menos no lo . ENSAYOS DE UNA Y DOS COLAS En el ensayo anterior se atendía a los valores extremos del estadístico S o su correspondiente z a ambos lados de la media. donde o es la desviación típica poblacional y n es el tamaño de la muestra. para estimar o. tales ensayos se llaman ensayos de dos colns o ensayos bilaterales. con área igual al nivel de significación.58 (véase Tabla 7-L). es decir.6 1.645 y 1.. media muestral. utilizando un ensayo de dos colas.002 ó -t.08 y 3.05 001 45 0.08 ENSAYOS ESPECIALES DE SIGNIFICACION PARA GRANDES MUESTRAS Para muestras grandes.58 ó -2. en una "cola" de la distribución. será de utitidad para propósitos de referencia.58 2. puede también emplearse. si se utilizase el nivel del 0.88 2. los resultados son para poblaciones infinitas o para muestreo con remplazamiento' Para muestreo sin remplazamiento de poblaciones finitas los resultados deberán modificarse. Valores críticos de z para otros nivelei de significación. Tabla 7-1 Nivel de significación o Valores críticos de z para ensayos unilaterales Valores críticos de z para ensayos bilaterales 0.8I -3.i: ¡t. las distribuciones muestrales de muchos estadísticos son distribuciones casos' se pueden típica a !s V casi normales ótesis y significan o en reglas ante utilizar lo de interés práctl de los ente u asos ción.005 0. como por ejemplo. Por esta raz6n.96 en todo lo visto anteriormente por 2. Entonces. Por ejemplo. que da los valores críticos de z para ensayos de una y dos colas a distintos niveles de significación.10 0. Medias.96 y -2. La Tabla 7-1. Los co. Si4 embargo. se pueden encontrar utilizando la tabla que da las áreas bajo la curva normal. En tales casos. En cada caso. Z = -. Para ensayar la hipótesis nula (f) co (I ). en las dos "colas" de la distribución.81 2.33 ó -2. media poblacional. página 195.645 1. Cuando es necesário se utiliza la desviación muestral observada s (ó G).-: ú1V11.

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 . es decir. lt : !z.r. donde e : ! . Para otros niveles de significación cambiaríamos (2) apropiadamente.05 si p¿üa una muestra específica de tamaño n con media r (2) -1..... si es necesario.05 si ry olVn ríamos._ = Xr-X" \.= X/n. página 159.-X2-0 z _:. 3. = 0 O:. '\ l x2 (7) ¡ donde se puede. Con la variable tipificada dada por X. Entonces. Diferencias de medias. La variable tipificada viene dada por z: En el caso de que P . utilizar las desviaciones típicas muestrales sr V sz (ó 0t y 3.. Para ensay¿ü la hipótesis de que la media poblacional es menor que a acepta- iñ 2.EIo al nivel 0.e6 y lo rechazaríamos por el contrario. 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.2I4 ENSAYoS DE HIPoTESIs Y sIGNIFIcAcIoN lcAP. donde p es la proporción y n es el tamaño de la muestrsi o" : o.e6 = "ñ+ = 1. Considérese la hipótesis nula de que no hay diferencia entre las medias poblacionales. como estimas de or y 02. . la proporción de "éxitos" en una muestra. utilizando un ensayo de una cola. donde X en es el P-p \/pql" (5) número real de éxitos en una muestra. Proporciones.*r_*. de éxitos en la población (4) Aquí S : P. aceptaríamos Ilo (o al menos no la rechazaríamos) al nivel 0. (5) se convierte (6) Z= X-np \nLPrI Consideraciones semejantes a las hechas anteriormente para medias pueden hacerse. ? rechazaríamos) al nivel 0.05 si (véase Tabla 7-1).-'. : ltulln. 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.De (//). 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. ¡r" : ltp : p.p.

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

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

POTENCIA DE UN ENSAYO Se ha visto cómo el error del Tipo I pued. se describe más adelante. Sin embargo.29).elo vn vn Por tanto. Útt "trrayo ajuste de distribuciones teóric as. poüíamos realmente emplear el intervalo de confiaíza del Capítulo 6 para e¡¡sayar ttipótesir. conviene utllizar papel grófico de curua normal o papel grófico de probabilidad. r a¡ la bondad d. érrores de los empleados. Un resultado semejante para_ ensayos de una cola requeriría intervaloi de confianza unilateralás.14). como a veces se le llama (véase Problema 7. El método utilizado general: típica de la muestra para estimar la media y des 7. Es posible evitar el riesgo de error < nunca la hipótesis.05 es eq pigtm 195 conducente al intervalo de confianzadel96"/o se puede obsenrar que existe u eoría de ejemplo.31). Los gróficos de control suministran un método útil y sencillo para tratar tales problemas (véase Problema 1. significación. el enmyo chi-cuadrado. por ejemplo. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2t7 R. etc. El problema de ensay En un intento para determina¡ si una distribución normal representa un buen ajuste para datos dados.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. al menos en el caso de los ensayos de dos colias. donde s camb se deben simplemente a fluctuaciones causa de deterioro en las máquinas.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. .7. CURVAS CARACTERISTICAS DE OPERACION. es posible frecuenten llamadas "modelos" o distribuciones "esperadas") tras de la población.33. qué tamaños de muestras deben emplearse.136 y también Problema 6. la si de modo que puedan darse los pasos rápid ejemplo en control de calidad. (/ ) en la (1e) ñ _ L. A pesar de que la necesidad de tales intervalos es rara' es posible definirlos (véase Problema 7. 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. 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.32 y 7. GRAFICOS DE CONTROL DE CALIDAD importante conocer cuándo un proceso ha cambiado suficientemente.30.

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

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

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

Así.0358 en este casc. (b) Interpretar gráficamente la regla de decisión y el resultado del apartado (c).) +'noc.0.0358 del apartado (o).. /1Y. está representado por el área total sombreada de Ia figura.e la regla de decisión y es igual a 0.que muestra la distribución de probabilidad de caras en 100 Ianzamientos de una moneda bien hecha. 53 (o) (b) Por el Problema 7.-210 caras) FiE. Hallar la probabilidad de obtener entre 40 y 60 caras inclusive en 100 lanzamientos de una moneda. pues se habla de rechazar la hipótesis a un nivel de significación de 0.5. En una escala continua. Si en una serie de 100 lanzamientos sg obtiene una z entre -2..1. 7-2.'lóJ /1Yo .9642 : 0. . se dirá que esta z difiere significatiuamente de lia que cabría esperar si la hipótesis fuese cierta. (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. se acepta la hipótesis.en unidadee tipificadas = 60. la hipótesis de que una moneda está bien hecha. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 22r Problema. . la probabilidad de no obtener entre 40 y 60 caras inclusive si la moneda está bien hecha 1 . Entonces la probabilidad de rechazar la hipótesis cuando es correcta : 0.L0 y 210.5 ca¡as) = 2 l0 Si en una serie de 100 lanzamientos se obtiene un número de caras cuya z se encuentra en las regiones sombreadas.I de la regla de decisión y la probabilidad de cometer este error es igual a 0.2. Para ensayar (c) Hallar la probabilidad de rechazar la hipótesis. entre 40 y 60 caras inclusive es lo mismo que entre 39.1. Por esta razón.5 - 50 = 2. Región de recbace ? El error que se puede cometer de rechazar la hipótesis (39.0358. (2) de otro modo. uo Pueeto que np o-{ffi=['r{ffi=' = _2./lY' (. La regla de decisión se ve gráficamente en la Fig./ 1" (.10) 7. Según la distribución binomial. cuando debería aceptarse q el error del Tipo.0358.5 . puede utilizarse para la er¡aluación de la suma anteriqr la aproximación normal a la distribución binomial.CAP.1O y z: 2.5 en unidades tipificadas = q9'5-:-E 60.'| rrx'ti'\r/ /tY' \-/ \-/ \-/ \-/ \-/ La media y la desvi¿ción típica del nf¡mero de ca¡as en 100 hnzamientos vienen dadas por t. cuando en realidad es cierta. -.I0 Probabilidad pedida : : área bajo la curva normal e¡tíe z: 2(áreaentre z: O y z: -2.) =.7-2 z (60..0358 6 3. de otro modo se rechaza y se decide que la moneda no está bien hecha.tp = 1oo(.s resueltos ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NORMALES 7.58%. 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. probabilidad de error del Tipo I) se llama níuel de significación d. \ql .10 y nq son ambas mayores de 5.lO 2. ambos inclusive. 39.5 caras.. la probabilidad pedida es /1\'t0 'oocoo( i) /r \6r' . se rechaza.5 y 60. el área total sombreada (es decir.

(X-32)14:-1.0050 :0. sería el caso cuando la probabilidad de cara fuese realmente 0. (o) Primer método: Si el nivel de significación es 0.1. Entonces.58o y pt*. -zr Fis.5i2:-1. por ejemplo.1.96 y 1. entre 25 y 39 ambos inclusive. Si el nivel de signilicación es 0.1.84. . Tercer método: y np+1.01. Se puede aceptar la hipótesis cuando realmente debería rechazarse como.84que 32) < 1.O.32 y o -= t/iw = y'6llos)(05) = = (X p)/o 4 bajo Ia hipótesis de que la moneda está bien hecha.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.á bien hecha si en una muestra de 64lanzamientos de la moneda se toma un nivel de significación de {c) 0. Esto es lo que se debe afrontar cuando para tomar decisiones se toma cualquier línea de división. ? (c) Según la regla de decisión. (b -1. se habría rechazado la hipótesis.Asípues.96 y 1. (d) Si.01 . Entonces.58o. cada6rea sombreada en la Fig. Diseñar una regla de decisión para ensayar la hipótesis de que una moneda est. caras se encuentra entre (2) es Se rechazá la hipótesis en caso contrario. Entonces el área entre 0 y zr = 0.< 1.96 equivale a . (i ) Se acepta la hipótesis de que la moneda está bien hecha si el número de 24. Entonces Z la regla de decisión resulta: = (X - 32\14. se ve que con probabilidad 0. es decir.que también conducea ) obtenerse de la Tabla ?-1.(X-32)l¿:1-96óX:39.5000 .95. es decir. cada área sombreada en la figura anterior es 0. 2.96 < z < 1.575).96(4).25.96(4) :24. (2) Rechazarla en cualquier otro caso. Segundo método: Con probabilidad 0.np: 64(0.O25O : O-4750.76y 32+ -1. 89.96 <(x-gz)l¿. 7.bg (másexacüarnente 2.96. el número de ca¡as se encontrará entre ¡¡ decir.16<X< 39.16 y 39. np.5) .1.84. Para mayor discusión véanse Problemas 7 rechazarse ea error del Tipo 1I de la .96(4): 1. Estopuedetambién - el número de ca¡as se encontrará entre lr 2.32.96(4)< (x6 32.05.960 y ¡J + l.96.96(4) la regla de decisión anüerior. Siguiendo el mismo procedimiento del método segundo del apartado (o ).5. SiZ:1. El error que se comete al aceptar la hipótesis cuando debería decisión.96.84.y z¡ : 1. el área entre 0 y zr es 0. una posible regla de decisión es: (I ) Aceptar la hipótesis de que la moneda est:á bien hecha si Z está entre -1.t6.? en lugar de 0.23-7. pues.025 por simetría.96_ (2) Rechazar la hipótesis en cualquier otro caso.960. es decir.5000 0.2. g2-2.96 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. Así.966X=24. 7-3 es 0.96.96{npq o entre 32 - 1.05 y (b) 0.4950 ! zt = 2.58(4):21.222 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. 24.58(4\: 42.96(4)< X< 32 + 1. nótese que la media y la desviación típica de la distribución binomial exacta de caras están dadas por ! .96yñpq lleva a Ia regla de decisión anterior.99 .7-B 2r Los valores críticos la Tabla 7-1- -1. Se puede argüir que con solo una cara más que se hubiese obtenido.005. en ambos casos se aceptaría la hipótesis de que la moneda está bien hecha.3.

entonceseláreaent¡eOyzt:0.645.98 es mayor que 1. Rechazar Ia hipótesis en ca6o contraúo.4500. los resultado¡ son totalmente casuales Ht: p ) 0.P. 7.01 son probablemente significotiuos. Si la hipótesis está dado por ff6 es cierta. en lugar de aceptar la hipótesis. entonces se tiene que decidir entre las dos hipótesis siguientes: Si Hoi p: 0.5 üiene un valor tipificado de (31. Entonces el área enüre O y zt = 0.98 (ó 1.np = 50(0.P. puesüo que 32 en una eecala continua está entre 31-5 y 32.01.33.05 y (b) 0. Seglrn la üerminologfa.4900Y2r:2. es decir. Y zr : 1.64:1. . Fig. no significativos al nivel del 0. se deduce que los reeultado¡ no son significaüuos al nivel de 0.Puestoque32(ó 31. Sin embargo. lo que se hace es simplemente no rechazarla. lo que efnificarfa que ee rehuaa cualquier decisión en este caso.25\15.64: 1.26').S.5) = zb ! o=\/wq = /86(05)(-05) = ¡/Es = (a) Para un ensayo de una cola al nivel de significación de 0. zl (2) Si z es menor de 1.P.645. Asfrpues. ¿Cómo se podría diseña¡ una regla de decisión en el Problema ?. Para evitar este etlor. la regla de decisión o enaayo de significación es: (f ) Si la z observada es mayor que 1. Una completa discusión de tales casos requiere l¿ consideración de errores del fipo II (véanee hoblem¿s 7.S. Es desconocido-para el zujeto cuántas cartas rojas o azules hay en el lote. 7-4 Puesto que 32 unidades tipifrcadas (32 .06 se debe elegit z1 en la Pig.23-7. (I) ee Adüértase que tealmente debería aplicarse una conección de continuidad.omete al aceptar una hipótesis que debería ser rectrazada.5. los resultados son significativos al nivel del 0. mientras que los resulüados significativos a niveles superriores al 0.33. 31.5 .06 son no significatiws. es decir. en muchos ejemplos prácticos es importante decidir si una hipótesis debe eer aceptada o rech¡zada.) 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. Esto puede también eacarse de la Tabla 7-1.05 el individuo tiene fuerza de E.4.05 pero no al nivel del 0.5 y el sujeto tiene fuerza de E. Así por ejemplo.3(b) serfa: (I ) (2) No recltzz.ar la hipótesis si el número de caras se encuentra e¡fte 22 y 42 inclusive. la decisión rnantiene es decir.5) en unidades tipificadas es 1.5 V el sujeto está simplemente adivinando. Algunos estadísticos adoptan la terminología de que lios resultados significativos al nivel del 0.84) que es menor que 2.cAP.54 p=.05. (D) Sielniveldesignificaciónes0.01.S. los resultados significativos al nivel del 0.01.P.05 y el indiüduo tiene fue¡za de E. Sin embargo.84 llegándose a Ia misma conclusión anterio¡.S.6.26)13. puesto que no se está interesado en la facultad de obtener valoree bajos.645 los resultados Be deben a la casualidad.01 ¡on altomente significatiuos. En un experimento sobre percepción extrasensorial (E.645. p es la ptobabilidad de que el sujeto elija conectamente el color de una catta. sino en la facultad de obtener aciertos numerooos. 7-4 de modo que el área sombreada en la región crítica de r¡alores alüos sea 0.05. la regla de decisión del Problema 7. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 223 7. de modo que posteriores investigaciones del fenómeno están probablemente justificadas.3 que evite el enor del Tipo T? El error del Tipo I[ se c. la media y la desviación tfpica del número de cartas identificad¿c correcüamente 3. se concluye que al nivel del 0. Si el zujeto identifica conectamente 32 cartas' determinar si los resultados son significativos al nivel de significación de (c) 0. Se elige un ensayo de una cola. se concluye que los resultados del experimento anterior wn probablemente significatiuos.

P. la aseveración es legítima y los resultados obtenidos se deben a la casualidad (en cuyo caso Si se acepta 116 ). La duración media de una muestra de 100 tubos fluorescentesproducidosporuna compañía resulta ser 15?0 horas. . es decir.6. Entonces tre las dos hipótesis: se debe decidir Ho: p: 0. Si ¡.Ossetienelasiguienteregladedecisión: (/) Se rec}raza 116 si la z de la media muestral está fuera del rango . comprobar la hipótesis ¡¡ : 1600 horas contra la hipótesis altemativa r¡ # 1600 horas con un nivel de significación de (a) 0.23.7.r¡ = a.33 (en cuyo caso se rechaza H¡).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.. 3. altamente significatiuos (véase final del Problema ?. Ahora 16O en unidades tipificadas (160 .5(b). en este problemapuesto quep(Z > 1. mediante la simetría de la curva.1.dondegvoscnlamediayladesviacióntípicadelapoblación de todos los tubos producidos por la compañía. 7 Puesto que los niveles de significación sirven de guía en la toma de decisiones. Se zl Fig.33. o de la Tabla 7-1.01 . se llama a veces niuel de significación erperimental o descriptiuo. si el área sombreada en la Fig.En una muestra de 200 individuos que tenían la alergia la medicina suministrada alivió a 160 personas.S. 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(0.01. Denótese porp la posibilidad de obtener alivio de la alergia utilizando la medicina. es sobre el 3 por 100. El fabricante de una patente médica sostiene qu€ la misma tien'e un 9O% de efectividad en el alivio de una aler_gia.84):0. por un período de 8 horas.23: -4. Si se toma el nivel de significación del 0. . entoncegz¡ : -2.viacióntípicaop:s/1/i. Se tiene que decidir entre las dos hipótesis: Ho.01.5). La distribución muestral de X tiene una media r¿x-Éyunades.9)(o. Asípues. Por ejemplo. \/"pq = /?2ooxo.0322. puesto que Ee esüá interesado en determinar si la proporción de gente aliviada por la medicina es demasiado baja. lt:1600 hora. con una desviación típica de 120 horas.s.r es la duración media de todos los tubos producidos por la compañía.9 y la aseveración es correcta es falsa Hy: p10.96 a 1.9 y la aseveración Se elige un ensayo unilateral. (2) En caso contrario.$) : 1AO y " - 7. H1: ¡t* 1600horas Un ensayo bilateral debe utilizarse aquí puesto que g * 1600 incluye valores mayores y menores de 1600.96. (a) Paraunensayobilateralalniveldesignificaciónde0. El estadístico bajo consideración es la media muestral X. 7-5 toma como regla de decisión: (1) La aseveración no es legítima si Z es menor de -2.224 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. ta probabilidad citada en-este caso 0.05 y (b) 0. que es mucho menor de -2.l8O)14. 7. Determinar si la aseveiación del fabricante es cierta. (2) Se acepta l/6 (o no se toma decisión alguna) en caso contrario.33. como puede deducirse del koblema 7. algunos estadísticos citan las probabilidades reales inherentes. 7-5 es 0.

Como en el Problema 7. Esto cabe. basadas en ensayos de una o dos colas. con los niveles de significación de (¿) 0.58 a 2. Ilo es aceptada (o no se toma decisión alguna).7(b) mediante un ensayo bilateral. (a). se acepta Ile (o no se toma ninguna decisión) al nivel de sfinificación del 0. De aquí que se adopte la regla de decisión: (I ) Se rechaza H¡ si Z es menor de -2. se tiene g : 1600 y o* = a/t/n = 120/\/L00 = 12.Ff6 (o no se toma ninguna decisión) en caso contrario.01.33. II1: ¡t{ 1600 horas.01? Se tiene que decidir entre las dos hipótesis: Ho: lJ: Ht: lt > 1800 libras. 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. no están siempre en concordancia.oo loo/v5o que es mayor de 2. y hay un cambio en la resistencia Aquí debe emplearse un ensayo unilateral (véase Fig. por tanto la regla de decisión: -L. (2) S.33. que es menor de -2.33.7.9 6. se ensaya una muestra de 50 cables y se encuentra que su resistencia media es de 1850 libras.7(a) mediante un ensayo bilateral. Adviértase que esta decisión es la misma que la obtenida en el Problema 7. ' (b) Si el nivel de significación es 0.01 eI valor de z1 en la Fig. En el Problema 7. acepta H6 (o no se toma ninguna decisión) en caso contrario.¿ 7.7(a). I/e es cierta. Para ensayar esta aspiración.8. el rango -1.33.01. fle al nivel (b) Si el nivel de significación es de 0.T-Stieneunáreade0. ensayar la hipótesis p : 1600 hora. laregiónsombreadadelaFig.s frente a la alternativa horas.1600y12 : -2. el valor de e es -2.05.9.50. 7-4). naturalmente esperarse. se rechaza /16 al nivel de significación del 0. Mediante una nueva técnica en el proceso de fabricación se aspira a que esta resistencia pueda ser incrementada. Se debe < 1600 decidir entre las dos hipótesis: Ho: lJ: 1600 horas.645. puesto que se ensaya I/6 conha una alternativa diferente en cada caso. se rechaza pues.cAP.01.05. Debe aquí utilizarse un ens¿ryo unilateral (véase Fig. 7. puesto que z -2.33 los resultados son significativos al nivel de 0.50. 7-5). (a) Sielniveldesignificaciónes0. hay un aumento de resistencia al nivel de significación del 0.01. en efecto. que es menor de -1 .05.01 y.1600)/12 : (L570 . Las decisiones concernientes a hipótesis'lfe dadas.645.1800 -------------ó.05 y (b) 0.96 a 1 . Al nivel de significación del 0. 7-5 es -2. y realmente no hay cambio en la resistencia 1800 libras. Puesto que / : (X .645.96 en la regla de decisión del apartado (c) se sustituye por -2. el valor de z es -2. .50 se -l .50 se encuentra dentro de este rango. se rechaza pues. Bajo la hipótesis de que (I es rechazada.58.7 Como en el Problema de significación del 0. se tiene X-p ol\n 1850 .F/0 (2) De otro modo. (1 Hs si Z es menor de -1. Entonces.96 a 1. utilizando la desviación típica muestral como una estima de o.01 la regla de decisión es: ) Si eI valor de z es mayor que 2. ) (2) Se acepta. ¿Puede mantenerse que.0Sysetieneque zt : Se adopta. Se ¡ecltaza 7 . Adviértase que esta decisión es idéntica a la obtenida en el Problema 7. ¡. /ls al nivel de significación del 0. De aquí se deduce que los resultados son olúamente significatiuos y Ia aspiración de mejora debe ser admitida. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 226 eneuentra fuera del rango Bajo la hipótesis I/6.

=o n*r-rr"= "? .10. Se debe decidir entre las hipótesis: Ho: llt : H t: Ft ) Bajo la hipótesis. se deduce que los resultados son probablementesignificatiuos.la estatura media del primer gtupo ^o hay diferencia entre las estaturas mediases mayor que la del segundo ur?.645.2 pulgadas con desviación típica d.e 2. (b) 0. los resultados son significativos al nivel de 0.05.96.5.. La estatura media de 50 estudiantes de un colegio que tomaban parte en las pruebas atléticas fue de 68.4s Puesto que los resultados scin significativos al nivel de 0.0ó hay una diferencia significativa entre las dos clases y la segunda es probablemente mejor. "Z= l8r. ltz . ?.10 si se está dispuesto a correr el riesgo de tomar una decisión errónea con una probabilidad de 0. En la primera clase la puntuáción media fue de 74 con una desviación típica de 8. ¿Hay una diferencia significativa entre el restfltado de las dos ciases al nivel de significación de (a) 0. Debe sin embargo ponerse de manifiesto que la hipótesis puede rechazarse al nivel de 0. mientras que 50 estudiantes que no mostraban interés en tal participación tenían una estatura media de 67. ft1 "8. de acuerdo con la terminología utilizada al final del Problema 7. Entonces z= (a) (ó) Pata un ensayo bilaüeral. Se hizo un examen p dos clases formadas por 40 y 50 estudiantes respectivamente.11. Ensayar la hipótesis de que los estudiantes que participan en las pruebas atléticas son más altos que los otros. se rechaza la hipótesis lls si el valor de z fuese mayor de 1.53 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. = o n*r-'^" = !t-". ! la diferencia se debe simplemente al azar H t : Pt * ¡t2 .05 si Z se encuentra fuera del recorrido -1. Para un ensayo bilateral.-*. es decir.e o1 y o2. = 1# = -2. los resultados son significativos al nivel de 0. 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 aquí se deduce que al nivel de 0.01? ces.58 y 2.606 donde se han utilizado las desviaciones típicas muestrales como estimas d.El6 . Enton- Bajo ferencia de medias están dadas por Ho: ltt : llz. 7. De aquí se deduce que al nivel de 0.5 pulgadas.lp.05 pero no al de 0.58.01 no hay diferencias significativas entre ambas clases.01 si Z se encuentra fuera del iritervalo -2.01. I vez cada 10.226 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [g. - l"? . = o*r-fr. La media y la desviación típica de la di- uir-i. .10.hay una diferencia significativa entre las dos clases la hipótesis lls. !40*50 = 1.96 a 1. z ENSAYOS RELACIONADOS CON DIFERENCIAS DE MEDIAS Y PROPORCIONES 7.05.8 pulgadas. p2 .5 pulgadas con desviación típica de 2. ambas clases provienen de la misma población. Así pues. no se puede rechazar la hipótesis a este nivel de significación. mientras que en la segunda clase la puntuación media fue de 78 con una desviación típica de 7. n2 = 0.

se deduciría que el suero es efectivo al nivel de significación de 0.tt d \/a>r2.xz 4 . Se debe r! p2.II para que la diferencia observada de 0.75 y 65 individuos.05. se rechazaría la hipótesis IIs solamente si z fuese mayor de 1. deberá incrementarse el tamaño de cada grupo en ?8 será significativa al nivel de 0.645.5 ó t57 n>1b? 50 De aquí que se debería incrementar cada muestra en al menos : lO7 .75/\n 0.30./" Para la diferencia de 0. Entonces ry- en los dos grupos muestrales el valor (?5 * P. = o o.05.05 si Yif-t'uou (b) La diferencia observada ó 1/-n=8. 7. H t : pt ) pz. (2 ) sin decidir entre las dos hipótesis: es decir. Entonces. ¿En cuánto deberíán incrementarse los tamaños de muestra de cada uno de los dos grupos en el Problema 7.t. 14. Se administra un suero al grupo A.r-r._P" orr.01 si : 28 al menos. ui'!!=r.0648 ro.8 í¡ n>78 50 Así pues. (c) 0:10.o*r-*. .0648 donde se ha utilizado como estima de la proporción 65)1200 : 0. Se encuentra que en los grupos Ay 8.75 n . (b) 0. (b) 0.33. = o?. Ensayar la hipótesis de que el suero ayuda a curar la enfermedad al nivel de significación del (a) 0. al nivel de significación del 0.#) = 0.28. siendo en todo lo demás los dos grupos tratados idénticamente. bajo la hipótesis tiI6. 0. el suero no es efecüivo Ho: Pt : Pz. respectivamente las proporciones poblacionales curadas ( I ) utilizando el suero .zt.09 3. Dos grupos A y B fo¡mados cada uno de 100 individuos.01..70 y donde q : 1 p : 0.10.7 3. Puesto que esta condición es satisfecha. Puesto que el valor de z es 1.ebr(-#.y el suero es efectivo Bajo la hipótesis 116.?50 - = 1.7 observada en las estaturas medias se tiene xt . padecen una enfermedad.7\n 3'75 La diferencia observada será significativa al nivel de 0."io" dos grupos per- o*r- *.01. = 0 V p". se debe deducir que los resultados se deben al azar a este nivel de significación. (ó) De acuerdo con un ensayo unilateral (c) Si se utilizase un ensayo unilateral al nivel de significación de 0.54 (c) De acuerdo con un ensayo unilateral al nivel de significación del 0.ir_*. pero no al grupo B (que se llama gtupo control).zorro. = p de curas 0. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 227 7. urr-r'.L2.5¡z ¡ ".650 0."2 nn (2. se tiene .05. Denótese por P utiliza¡ suero.l las diferencias observadas son debidas al az.13.01? Supóngase que el tamaño muestral de cada grupo eB n y qLe las desviaciones típicas manecen iguales a las de antes.54.CAP.10 se rechazaría f/e solamente si el valor de z fuese superior a 1.7 pulgadas en las estaturas medias sea significativa al nivel de significación (o) 0. (a) o.r. De donde se deduce que a este nivel tambiénlas diferencias se deben al azgt. respectivamente se han recuperado de la enfermedad. se r*}lrazaría lahipótesis1116 solamente si z fuese mayor de 2.

Entonces = 0 or. Co¡r un ensayo unilateral y al nivel de significación del 0. Una muestra de 300 votant€s del distrito A y 2O0 del distrito B mostró que el 66% y el 48% respectivamente..15. Este es un riesgo que nb siempre deseamos suponer.P" = rrar. se debe decidir entre la hipótesis (f/e ).472. Solucionar el Problema 7. Al nivel de significación del 0. Sin embargo. Entonces 0.05. Denótese por pr y p2 las proporciones de todos los votantes de los distritos A y B.480 = -0^0456== nivel. se puede proceder a dar el'suero a grandes grrlpos de gente solamente para obtener entonces que realmente es inefectivo.zt y 195 del grupo B. respectivamente. Por otro lado. que están a favor del candidat<¡. se debe decidir entre la hipótesis (Ho : P t : pz\ y (Ht : P t * pz). Bajo la hipótesis (Ho: pt:pr ) se tiene l¡. se compone de 300 individuos y si se curan 225 i* : 0." 0.96a1.0374 . Esto muestra cómo al incrementarse el tamaño de la muestra aumenta la seguridad de las decisiones. se rechazaría Hs si Z estuviese fuera del in' tervalo-1 .05 se rechaza H¡ si Z fuese mayor de 1.560 dondesehautilizadocomoestimadepyqlosvalores +(0. . se rechaza É16 a este nivel y se deduce que el candidato es preferido en el dis' trito A . 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. z=ñ= - = 2.0374 P.?S.750 y 195/300 Adviértase que en este caso la proporción de gente curada en los dos grupos son 225/300 : 0. decir.67 es puesto que el valor de z es mayor de 2. _ 1. es decir.14.650 0.sol( r*-L * r*-L ) : 0. l'pr-pz = donde (225 0 ú¡'.6b0 respectivamente. . = ú(¡D=@=00456 f(0. se deduce que el suero es efectivo con solo una probabilidad de 0.56)(300) 0.195y600:0. ?.528 = z - P. que se estudia con un ensayo bilateralCon un ensayo bilateral y al nivel de significación del 0.-P.13 si cada grupo dividuos del Grupo.96.0.t 0. se está forzado a toma¡ decisiones en acuerdo con la información utilizable y asÍ se tendrá que correr mayor riesgo de tomar decisiones erróneas. Si los resultados se deben realmente aL azar y se toma la decisión de que son debidos al suero (error del Tipo I).zol ro. Bajo la hipótesis ^FIe. se puede deducir que el suero no ayuda cuando realmente sí lo hace (error del Tipo II)Tal decisión es muy importante especialmente si hay vidas humanas en juego..encontrándosedentrodelintervalonosepuedetechazatH¡ a este (b . (b) el candidato sea preferido en el distrito A.750 = ro. estaban a favor de un candidato dado.528 l'75 y 1-0.Puesto queZ:1. que son las mismas del problema anterior. En tales casos. (¿) Si solamente se desea determinar si hay diferencia entre los distritos.645.33.05 ensayir la hipótesis de que (o) haya diferencia entre los distritos.-t'r= se ú'G. en muchos casos es imposible el aumentar el tamaño de la muestra.01. ?. Puesto que éste es el caso. que se estudia con un ensayo unilateral. se puede rechazar la hipótesis al nivel de significación del 0.01 de equivocación.48)(200)l/500:0.228 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.70 utiliza como estima dep.. z Adüértase que las conclusiones anteriores dependen de lo que se esté dispuesto a arriesgar de tomar una decisión erróneá.

cAP. se rechaza Puesto que ?: 3. se toma una muestra de 10 arandelas. se dice que lamuestraresultaproboblemente significatiua (véaee la terminología del final del Problema 7 . Se rechaza. Puesto que T = -3.01 .L7¡"- 1= ?l|'!-_99rnJ .01. Se deduce que la afirmación del fabricante es extremadamente improbable que esté justificada.26 a 2. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Ú ENSAYOS RELACIONADOS CON LA DISTRIBUCION DE STUDENT 7. En el pasado una máquina ha producido arandelas con un grosor de 0.05.05. que para 10-1 tad es el intervalo -3.F/6 si ? se encuentra dentro del intervalo --f.86 . (b) 0. Para un ensayo bilateral aI nivel de significación del 0.16.050. . 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.36. (b) 0.86. á ú.un. se rechaza . = 4---f.00. Ensayar la hipótesis de que la máquina está en buenas condiciones de producción al nivel de significación del (o) 0.00. se adopta Ia regla de decisión (l) (2) (b Seacepta116 si ?esmayorde -ú.F/e en caso contrario. Para determinar si la máquina sigue en buenas condiciones de producción. que para 5 grados de libertad da 7') -3. se encuentra en buenas condiciones no se encuentra en buenas condiciones Bajo la hipótesis (o H¡ se tiene . : ) Para un ensayo unilateral al nivel de significación del 0.050.05 pero no al nivel 0. : 9 grados de liber- Puesto que ?: 3. se acepta.053 pulgadas y una desviación típica de 0. I/6 al nivel de 0.01 .01 se adopta Ia regla de decisión: (I ) (9) Se acepta . y la afirmación del fabricante está justificada es falsa 1 : ¡t 1 8000 libras. y la máquina de modo que se requiere un ensayo bilateral.g.01.ee5. Ya que se rechaza lls al nivel 0.26. ABI sería aconsejable comprobar la máquina o al menos toma¡ otra muesha. se adopta la regla de decisión (1) (2) Se acepta f/¡ : si ? es mayor de -f. ) Para un ens¿ryo bilateral al nivel de significación del 0. Puesto que ? -B . se rechaza ffs . 7.25 a 3.6). : ) Para un et¡sayo unilateral al nivel de significación del 0.ee.Efs al nivel 0. .05.050 pulgadas.00. -t/n- t = 9!$-.f.F/6 eri caso contrario.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.É16 elr cáso contrario. y la afirmación del fabricante de modo que se requiere un ensayo unilateral.i6= = -8. Bajo la hipótesisae se tiene (o . H lJ: 8000 libras.86. Se rechaza. lo cual para 10 libertad es eI intervalo -2. que resulta tener un grosor medio de 0.05 .01? Se tiene que decidir entre las hipótesis Ho:.. Se rechaza -1 :9 gradosde lls en caso contrario. y la máquina Ht: P + 0.4!9 ú0 -t -_.25.17.003 pulgadas. que para 6 Se rechaza. ¿Se puede admitir la afirmación del fabricante aI nivel de significación del (a) 0. Se desea decidir entre las hipótesis Ho: lt:0.F/s.o. -1:5 gradosdelibertad da ?) -2.01.

T= Entonces xt- X.?6 a 2.45 (¿) Con r¡n ensayo bilateral al nivel de significación del 0. la mitad de ellas fueron tratadas con el fertilizante y la otra mitad no (grupo control).01.05.ee5. El I. sé rechazará Ia hipótesis f16 si ? fuese mayor que ú.. Q. de los estudiantes de las dos zonas.19.S! + nrS! n1 -ln2-2 Entonces t6+L4-2 =9. "tf.4012 =o'397 v T= 5. La media de trigo conseguida en las parcelas no tratadas fue de 4.2 : 72 + t2 . n1*n2-2 "=!ffi (a) I 12(0. (b) Con un ensayo bilateral aI nivel de significación del 0. ¿Hay diferencia significativa entre el I. Así pues. Así pues. y ¡r2 las medias poblacionales del decidir entre las hipótesis I.2 : 22gradosde libertad es 2. 7. mientras que la media en las parcelas tratadas fue de 5.01.y la diferencia se debe al azar H t: pt ) tt1.85 Con un ensayo unilateral aI nivel de significación del 0. mientras que el L Q.01. eue para n¡ I nz . (cociente de inteligencia) de 16 estudiantes de una zona de una ciudad dio una media de 107 con una desviación típica de 10. se tiene que Ho: lt : ltz ! no hay diferencia esencial entre los grupos Hti ltt =* tlr. Q. Q.76. eue para 28 grados de libertad es el recorrido -2.1 - 4.01. En una estación agrícola se deseaba ensayar el efecto deun determinado fertilizantn sobrela producción de trigo. a ú. . tiene que decidir entre las hipótesis se Ho: lt : ltz. T- xt-x.40 fanegadas.ee.8 0.Ef6 al nivel de significación del 0.ffi + 12(0-36)2 t/". se rechazará Hs si T se encuentra fuera del recorrido -t. de 14 estudiantes de otrazona de la ciudad dio una media de 112 con desviación típica de 8.05. no se puede rechazar É16 al nivel de significación del 0.36 fanegadas. hay diferencia significativa entre el I. Para ello.O5 a 2. de los dos grupos al nivel de significación del (o) 0. lo cualpara n1 * nz . se rechazará la hipótesisl{6 si ?se encuentra fuera del recorrido --t r¡g¡.8 fanegadas con una desviación típica de 0. no se puede rechazar Se deduce que no 116 al nivel de significación del 0.y hay diferencia esencial entre los grupos Bajo la hipótesis lls.51. ? ?.ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. respectivamente. donde nrsl + n252.16 + 74 . ¿Puede deducirse que hay un incremento significativo en la producción de trigo por el empleo del fertilizante al nivel de significación del (a\ 7% V Q) 6%? Si ¡¡r y pt2 son las producciones poblacionales medias en los suelos tratados y no tratados.2: 28 grados de libertad es el recorrido -2.05.2:. Todas las demás condiciones fueron las mismas.05? Si se denota por ¡l-. no se puede rechazar. Así pues. Q.18. y (b) 0.y el fertilizante incrementa la producción Bajo la hipótesis I/6. "t/U"t+ Y"2 donde o - n.ctsa ú e75.01. de los dos grupos.1 fanegadas con una desviación típica de 0.3s7\n/12 + Urz = 1.44\/ l/16 + l/t4 = 1.44 y T= ltz - t07 9. se eligieron 24 parcelas de terreno de igual superficie.

Ffs al nivel de significación del 0. se rechazará. En el mismo examen. El número de grados de libertad para las clases son respectivamente rr¡ :16-1:lb. p. se rechaza . Sin embargo antes de sacar conclusiones definitivas referentes a la conveniencia del fertilizante. .05.nn no podemos techazar ff6 al nivel 0.1 para v : 20 . no se rechaza.1 : 19 grados de libertad. se rechaza ^Ef6 al nivel de significación del 0.oz. Entonces..01.la clase A tuvo una desviaóión típica de 9 en tanto que la clase B tuvo una desviación típica de1'2.05 que la variabilidad de la clase B es mayor que la de la clase A? (o) Tenemos. aunque no hubo diferencia significativa en medias de las calificaciones.2 para 19 grados sig de I O.ee : 2.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.4. 9tt" 4'rn. (o) (b) Mediante un ensayo unilateral.32 on?T.05.06.Por tanto .72. probablemente incrementado. ¿Es el aparente incremento de va¡iabilidadsignificativa al nivel de signifióación del (a) 0. F.05 Si el valor de X2 muestral fuese mayor 9ue x?gs.01 paraZ¡ = L5.LL para 15.01. sz :12 de modo -que G? = .!4 = '*rrrr'= 1Eo Hay que decidi¡ entre las dos hipótesis : o ¡ = o2.01 si el valor muestral de pues. que es igual a 30. ¡12 fuese mayor- Mediante un enaayo unilateral. Se deduce que el incremento en la producción de trigo alttilizar el fertilizante es probablemente significoúiuo. y los resultado¡ observados se deben alazar H 1 : o > O . sería deseable tener alguna prueba más.sr. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 237 (ü) Conunensayounilateralalniveldesignificacióndel 0.?0. Y deberá efectua¡se una revisión en la máquina.8. muestras en cuestión.25 onzas.tá h.EI6 al nivel de significación del 0. Una muestra aleatoria de 20 paquetes dio una desviación tipica de 0. llenados por una. LaclaseA tiene lGestudiantes en tanto que la clase B tiene 25 estudiantei.cAP.0 onzas.v2 = 24 tenemos del Apéndice F. en una asignatura específica. y la variabilidad se ha incrementado El valot de 12 para la muestra €8 X2 : nsz/sz :20(0.Alnivel 0.serechazarálahipótesisfl6si?fuesemayor que ú. lo cual para22 grados de libertad esL. que ás igual a 36. ENSAYOS RELACIONADOS CON LA DISTRIBUCION CHI-CUADRADO 7. empleando eubíndices 1 y 2 para las clasee A y B respectivamente.25 onzas. f ( F.01? Hay que decidir entre las dos hipótesis: Ho: o :0. = E = *n@ = r. ¿Podemos concluir al nivel d-e significación del (c) 0. Así. 4 = . Así puee.ltle al nivel 0. pues.32)2/(O.74 eí Entonces. ENSAYOS RELACIONADOS CON LA DISTRIBUCION ¡' 7-2L. (b) 0.É16 al ni- Se deduce que la variabilitlad se ha.Z5l2 = 82.05 y (b) 0.8g.01. 24 grados de libertad (véase Apéndice F).25 onzas. vemos que tampoco podemos rechazar.máqlLlina era de 0._Lr'? = if Itr¡ (e)2 = 86. ya que Ad F( F .e5. (b) Ya que f'. Un instructor tiene dos clases. y cualquier va¡iabilidad observada se debe al azol Íi1: o1>. se rechaza. En el pasado la desviación típica de los pesos de ciertos paquetes de 40.05. sr g. A y B. Vz:26-L=24.EIe al nivel de vel de significación del 0.er:z.

7)=70 60. se acepta cuando el p = 0.6. que representa el nivel de significación del ensayo de lfe. probabilidad de error del Tipo I) viene: dada por el área toüd c de la región sombreada ba. ¿Canbiarían sus conclusiones en eI ProblemaT.O1).5 en unidades tipificadas = 39.9' (d) P : O-4.5.58 = 70 y'6oo)(oJ)(0. es igual a 0. pues. llegando a una regla de decigión (2) Se decide sobre Q y P y después se llega a una regla de decisión.2L si existe una diferencia significativaenla media de las calificaciones de las clases? Justificar su solución.7 39 5 caras 60.22.5 en unidades tipificadas = - 60 60 = = 0. probabilidad de error del Tipo II).18 Entonces 9: área bajo la curva normal entre z : -4.6)=60 ú = lnpq = 60. con la regla de decisión dada hay muy poco riesgo de aceptar la hipótesis de que la moneda eetd bien hecha.99 60. En el diagtama se ve claramente que la probabilidad de acepLr .0192 Así. ?-6. entonces la distribución de carag en 100 lanzamientos eetá representada por la curva normal de la derecha en la Fig. Puesto que la media real de las calificaciones no se usó para nada en el Problema 7 .2 es decir.58 tipificadas = üipificadas - = = : -2.66 to'l.90 V(100)(0. la media y la desviación típica de la distribución de caras vienen dadas por !=np=(100X0.23. 7-6.5 39.5405 Asi pues.J? neda está bien La hipótesis ff6 de que la moneda está bien hecha.O5 ó O.ó y 60.5 en unidades ' = : r/"pq 60. CURVAS CARACTERISTICAS DE OPERACION 7.5 4. (a) Sip : 0.232 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. cuando realmente P : 0.5 p=o.8.6. ¿cu6l es la probabilidad de aceptar la hipótesis de que la mohecha cuando la probabilidad real de ca¡a es p : Q. .24.4) = 4. Solucionar el Problema 7.5 caras Fig.2L no inüeiresa su¡ valoree.6 p-0.? .5 4.Efs cuando realmente p : 0.7-6 Si la probabilidad de cara es p : 0.2(ol. Esto es de esperarse ya que no estamos tratando de decidi¡ si hay una diferencia en las medias de las calificaciones.102 -4. ?. La probabilidad de rechazar Ffe cuando debería aceptarse (es decir.7 (es decir. En la práctica se pue' den presentar otras dos posibilidades: (I ) Se decide sobre c (tal como O.18 yz : O.5 en unidades 39.3) = 4. con la regla de decisión dada hay un gran riesgo de aceptar la hipótesis de que la moneda está bien hecha cuando realmente P : 0.07 -6.jo la curva normal de La izquierda en la Fig.90 4.0358.6)(0.7.tO2: 0.¡O tn Entonces I: áteabajo la curva normal entre z --6'66 y z -2-O7 : 0. Adviértase que en este problema se tenía la regla de decisión de la que se obtenfa c y p. Para calcular esta área se obeerva que la distribución bajo la hipótesisp : 0.23 si (a)p:0. y después se calcula p.6. (c)p :0.7 7. Con referencia al Problema 7 . número de caras en 100 lanzamienüos se encuentra entre 39.? tiene una media y una desviación típica que Bon dadas por p=np=(100)(0. está dada por el área rayada p de la iigura. (b)p : 0. esta á¡ea d. sino solamente si hay una variabilidad en las calificaciones. rOalculada en el Problema 7.

p ee muestra en la Fig.1 06 0{ 0.6 0.2 0.cAP. 1c) Comparando con (b) o por cálculo.23y 7.0192 0.se gla de la decisión o enoayo de hipótesis.0000 muy aproximadamenüe.6.eedecir.0000 0.9 0.3 02 0.12 y z -4.23y7.p:0.4 0. Representar gráficamente los resultados de los Problemas 7.3 0.24 construyendo un gráfico cuyos ejes sean (a\ I y p.5 0.3 0.? 0./nW= 60. 7-1.09ó8 al nivel de significa- En general.6 0.5405 0.9642 y ha eido introducida en - L-p 1. si realmente'p : 0.2 0.t"p:0.12 p: área bajo la curva normal entre z : -10.24.0 0. Be ve que sip = 9.9642 0.88 -10.8 0.0000 la Tabla 7-3.8) = 80 y o=.5405 0. La Tabla 7-3 muestra los valores de p correspondientes a valores dados dep.0000 0. Nótese que p representa la probabilidad de aceptar la hipótesis p : 0.6 0.1 0 0 (a) (D) Fig.1 0..5 cuando realmente p tiene un valor distinto a 0.(a). .25. comolorobtenidosenlosProTabla 7-3 p B 0. blemas7.0358 :0.8 0. el apuntamiento mayor de la curva OC es la mejor regla de decisión pa¡a techazar hipótesis que no son válidas. Esta probabilidad es igual a 1 0.5 se puede interpretar p como la probabilidad de acepoar p : 0'5 cuando debiera ser aceptado.8.5405. (b) Sip=0.8 0.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION y'(100X0-S)(0¿) 233 =¿.9. Sin embargo.0000 0.6 en unidadeb tipificadas Entonces = ry = q9? : = = -4. 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 : 0.9 0.5 en unidades tipificadaa 39.9: 0 pa¡a todos los propóeitos prácticoe. Interpreta¡ los gráficos obtenidos.0 0.6 0.5.4 0.7 0. (b) ( 1 p ) y p.88 = 0.9 1. 7-z (o) El gráfico p.4 da el miemo valor deÉq. (d) Porsimetríap = 0. 7.enüoncea p=np = (100)(0.0192 0.

e potencia.26.p) ¡e llama a menudo función d.33) =30?. la regla de decisión anterior se convierte en: (I ) (2) (ó) Se rechaza 116 si la reeistencia media de 64 cuerdae excede a 30?.0 lb.0 libras en unidade¡ tipificadas : 300 (307. ¿cuál es la probabilidad de aceptar el proceso primitivo cuando en efecto el nuevo proceso incremente la resistencia media a.310 libras es cierta. ?-8): (t ) Se rechaza lle si la e de la media de resistencia muest¡al es riayor que 2. Se acepta ^Éfs en caeo contra¡io. Esta curva ae obtiene ¡encillamente invirtiendo la curva OC. Una compañía fabúca cuerdas cuyas resistencias a la rotura tienen un valor medio de 300 li bry" y una desviación típica de 24libras. es decir.26(br. Se cree que mediante un nuevo proceso de fabrica- puede inc¡ementarse la resistencia media. 7-9. de aquí que A - 310)/3 = Fig.158?. y el nuevo p¡oceso es mejor que el primitivo se un ensayo unilateral d nivel de significación del 0. Constmir (a) una curva OC v (b) una cun¡a de potencira para ei Problema 7.0 tb 307 tb 3r0 lb -1. 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.26. se puede hdla¡ p para loe caeor en que el . (2) Se'aceptqlfq pue¡to 'que z = cessi Z>2. tiene la siguiente regla de decigión (referenüe eon la Fig. y (Ht: tt: 310 libras). 7 -7 (b).00 = 0. respectivamente con las distribuciones normales de la izquierda y de la derecha de la Fig. (c) Diseñar una regla de decisión para rechazar el proceso primitivo al nivel de significación del 0. (b) Bajo la regla de decisión adoptada en (a).01. puesto que indica la aptitud o potencb de un ensyo para rechazar hipóüesie que son falsas.P). ae quiere decidir enhe las hipótesis: Ho: U: Ht: ! ) Pa¡a 300 libra¡. Si ción (a) ! es la resistencia media. X>300+3(2.27. es 7. Considérense las doe hipótesis (Ho: bras) Las distribuciones de las resistencias medias correspondiente¡ a estas dos hipóteeis se repreeentan.33.310 libras? Supóngase que la desviación típica se mantiene en z4libras.9qo.0 libras. suponiendo que la desviación típica de las ¡esistencias se mantiene en z4libras.J = 't.234 (D ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. en caso contrario. *r. i 800 *sz.00. La cantidad p se llama tambiénfunción caructerístico de operoción de un ensayo. 7.01 si se pone dé manifiesto qu¿ debe rechazarse al ensayar 64 cuerdas. y el nuevo proceso es igud que el primitivo 300 libras. Para hallar su valor nótese que 307. 7-9.7-9 = iren. H t : ! -.Enton= "lr/ñ 24/\/u Así. p ¡e muestra en la Fig. que debieran ser rechazadas. : -1. bajo la curva normal de la derecha a la izquierda de z dect. Esta es Ia probabilidad de aceptar Ho: ! : 300 libras cuando realmente es la probabilidad de comeüer error del Tipo II. ¡e llama curua de potencio de la regla de decición o ensayo de hipótesis. Razonando análogamente a como se hizo en el Problem¿ 7. I¡ cantidad (l . de modo que realmente ambos gráficoe aon equivalenüee.33. ? ) E gráfico (1 .

p > 0.0 . mientras que la restricción (B) requiere que la probabilidad de error del Tipo II eea a lo sumo 0 : 0.0000 296 1. en- 9: i¡ea bajo la curva normal de la derech¡ a la izquienda de z :0.305y9 = 0. la restricción (A) impuesta requiere que la probabilidad de error del Tipo I sea a lo sumo c : 0.1 p (lb) 300 300 3to 3t5 (o) (ó) Fig. de modo que no hay probabilidad de aeguir con el proceeo primitivo cuando la media de resistencia es mayor de 316 libras.5 en 0. ya que lae dog curvag eon esencialmente equivalentes. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 235 nuevo proceco da un¡ resistencia media ¡r igual a 306 librar.8 o.1 0. Determinar el tama¡1o mínimo de muestra necesario y enunciar la regla de decisión resultante. por encima del cual se rechaza la hipótesis de que p : 0.0038 320 0.9900 L1. (¡) U probabilidad de aceptar la hipótesis cuando realmentep difiera de 0.0 libra¡ en unidades tipificadas: (307.05.9 0.¡ o.6 0. (b) La curva de potencia se ve en la Fig.0000 300 305 0.5.7-11.4) debe ser á lo sumo 0.7-10(b). De la Fig. Para ensayar la hipótesis de que una moneda está bien hecha (es decir. sepuedenobtenerdeellalaomismasinterpretacionesque de la curva OC.l (excepto para el nivel de significación del 0. es piácticamente. si el nuevo da una resistencia menor de 300 librar. 315 librae.1 o más (es decir. Por ejemplo. En esta curva 6e ve que la probabilidad de seguir con el proce' so primitivo. Tabla 7-4 tt 290 1.2 0. se desea imponer las siguientes restricciones: (A) la probabilidad de rechazar la hipótesis cuando sea realmente conecta debe ser a lo sumo 0. Eeepués.28.6 6 p f 0.. y de aquí - 396 librae.6?. ri ¡r tonces 307. se ha puesto Denótese por n el tamaño de muestra pedido y por ¡ el número de caras en los n lanzamientos.cAP.05.7-r0 (¿) La curva OC se muestra en la Fig.0000 p 0.6? : 0. La eituación planüeada se ve gtáficamente en la Fig. p : 0.05. límite al riesgo de error del Tipo I Por ejemplo.7486 3r0 0. 7-11 se tiene: . etc. AquÍ y Tipo II.1687 316 0.7 0.01 cuando el nuevo proceeo da una media de 800 librar).05. ?-10(o). 7.0 B 0.?4Eo De esüa forma se obtiene la Tabla 7-4. la curva baia ró- pidamente hacia cero.5 0.5) mediante un número de lanzamientos de la moneda.

Para determinar si la máquina esconstruida para el fin que se destina. p = 0.73% de O.584 pulgadasi ee supone que la máquina es a- (2) De otro modo.806y'-n es De (3) y (4).05.el 95V". también s€rá 0. dentro del intervalo 0. L7 .Haciendo n : 319 en (3) o (4).05 o menoa. que representan la probabilidad de error del tipo II.645 ó (t) o. y se obsen¡a el diámetro medio de la muestra. muestrales puede tlevarse por medio de un gráfico tal como ee muestra én la Fig. = 0..5 en caso contrario.re'presentaría grárticamente la regla de decisión de (a).6n 0.5\/n De 0. es 0.0.6.025.egla de decisión mediante la cual se puede estar razonablemente cierto de qúe la calidad del producto esüá de acuerdo con las noÍnas requeridas. Para decir.584 pulgadas.98.9É!= -r. Obeérvese que tomando la probabilidad de aceptación como De(/) x ..6.7 3% se puede decir que la media muestral X debe estar denüro del intervalo (p¡ entre cae a m p ¡t:0.524 * Puestoque De aquí que la regla de decición eea como sigue: (l ) Si la media muestral decuada para el trabajo pedido. (b) S€ rechaza la hipótesis + 17 . Los límites de control determinadog anteriormente se llaman límites de confianza del gg. Se construye una máquina que pr-oducfuá cojinet€s de bolas teniendo un diámetro medio de una desviación típica de 0. el procelo está bajo control. . (2) es una cantidad muy aproximada. automáticamente tomarÍamos como 0. Sin embargo.5.6 n- 0.96 r ó (Sl u.05.674.seeigueque I se encontrará entre (0. (o ) 3o¡) a (p¡*3o¡) con el 9€.ít/n Vnpq= "- :0.564 y 0. Se sigue que el tamaño de la muestra debe ser al menos 31g.9801fa- e'¡ 9-.29.4r rtñ- (n. GRAFICOS DE CONTROL DE CALIDAD 7. es 0. la moneda al menos B1g veces. se adopta la riguiente regla de decisión: (o) Se acepta la hipótesiep:0. pueden igualmente determlnarse otros lfmiües de confianza.6 r¿ * 0.564 a 0.4 a 0.Saladerecha a" 7 (9) El área bajo la curva normalp 09" O. En tanto que los punüoe se encuentran entre los límites 0.) Eláreabajolacurvanorrnalp:0.49\/n n = o. La elección en cada caso depende de la¡ circunetancias particulares del tnismo. (b) Mostrar cómo se.x :177.r) - 0.008 pulgadas. tales como los límitee d'el 99% o d.5n = 1.5. Así pues.n: 318. Cada vez que se observa una media muestral se representá por un punto en el gráfico.O\4\'\/E) o Con confianza del 99 . ? (f.05 o menos cuando p tiene cualquier otro valor por fuera del recorrido 0.6 a la izquierda ae es 0. Por tanto un promedio ponderado de todas estas probabilidades. ¡- np :1-77 - 159. 7'l2. e¡ decir. se debe lanzar p - 0. 7 0. la máquina (b) Un registro de las medias no s€rú adecuada y habrá que buscar la razón de su ineptitud.6 n Y x - 0.49{n vnpq = '--.o:0. (o) Diseñar una.0'6n Realmente el área entre -f.05 en el "peor de loc casos".llamado grófico de control de colidad.574 . hay la posibilidad de que falle algo y se precisa una invesüigación del posible fallo.7 BVo o brevemente lfmite¡ 3o.0.5.236 ENsAyos DE Hrpornsls y sIGNIFrcAcroN lcAP.. se toma una muestra de 6 cojinetes ejemplo. Cuando un punt'o se rale de estoe límite¡ control (tal como en la tercera muestra tomada el jueves).014l\/6\ y (0.5 : .4s 1/A 0.008yn=6. enfte 742 y 177 si el número de carac en Slg lanzamientos está dentro del recorrido 159.5. .

: 2.C. x F a os74 a a a t I a : o 0 s64 o Fis. Se tiene P(x caras en una serie de 5 lanzamientos) : f(¡) = sCrprqs-".7 ó 309 150.3087 2 3 ^ 0. El ajuste se observa que es bueno. Ajustar una distribución binomial pectivas de cara a los datos del Problema 5.506)5-¡. página 163 puede ajustarse a una distribución normal. la media del número de caras es 2fr_ / _2470=2. dondep y q son las probabilidades resy sello en un solo lanzamiento de la moneda. Para la distribución de frecuencias observada.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 297 Lunes Martes Miércoles Jueves Viernes $ € bD osal 1} a a t ü {.0332 0.3162 0. Tabla 7-5 Número de caras (r caras) Frecuencia esperada Frecuencia observada 38 0 1 0. página 178.30.47 6 p :0. Así pues.1619 0.cAP.494. Utilizar papel gráfico de probabilidad para determinar si la dist¡ibución de frecuencias de la Tabla 5-2.2 ó 316 308. La bondad del ajuste se estudia en eI ProblemaT. La media del número de caras es ¡. .0294 5 6 33 161.30.31.43.47 rooo Igualando las medias teóricas y real se tiene 5p da viene dada por /(r) = ..(0.1507 0. la distribución binomial ajusta- En la Tabla 7-5 se han obtenido estas probabilidades así como las f¡ecuencias esperadas (teóricas) y las observadag.4 6 29 33. 7-12 AJUSTE DE DATOS A DISTRIBUCIONES TÉORICAS 7.9 ó 162 316.1: np : 6p.2 t44 342 287 164 25 7.¿94)¡(0.7 ó 151 29.

39 2.41 0.0 92.5 oD.5 7t. La¡az6¡ de esto se ve claramente con un diagrama.44. que da las áreas bajo la curva normal de 0 a z se obtiene con la tabla del Apéndice C. determina la bondad de ajuste de la distribución dada a la distribución normal. ? 76 Frecuenei¡¡ Estatun (pulgad¡¡) menor que 61. Por lo anterior.0743 72-74 6 4 20. El grado en que los puntoe así dibujados ee encuentran sobre una lÍnea recta.7L 6 28 7. Y se pone de manifiesto que ee ajuetan ba¡tante bien con las frecuencias observadas realmente. donde la media i y la desviación típica 6 se han obtenido en los Problemas 5.5 62.6 74.4177 0.68 6 2l 38. en un papel.70 -0.0 65. ?-r3 hoblema ?.grófico de probabilidad eepecial. Ajustar una cunra nonnal a los datos de la Tabla 5-2.6? 0.92 pulgadas (x mente El trabajo puede organiza¡se como en la Tabla 7 -7 .2771 0.92 ó 39 27.36 1.a -2.z z = .E 50 40 30 20 Primero. anotadas en la última eolumna.6 Rcl¡tiv¡¡ Acumulada¡ (%) 6.5 7¡. se rutiliz.0413 0. las frecuencias relativa¡ acumuladas expreeadar en porcentajes.5 66. 7-13. se obtienen lae frecuencias esperadas de la sexta columna.3892 0.4920 0.72 -1. Par:a. página 163. = 61.35 y 5.238 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla [cAP. dadas en la quinta columna.6 ¡¡+ 0.2068 6L65 6&68 69-71 68. la distribución de frecuencia¡ dada se convierte en una di¡tribución de frecuencia¡ relativas acumuladas. .0 Io a E ql € ó a () 95 90 80 70 Q0 a (t 6 . 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). son pasadas sobre los límites reales superiores de clase.6 68. Después.0 23.32.6 menor que 64.6 menor que 73. caicular e de los límites reales de clase.6 menor que 67.0 100. s = 2. De aquÍ se sacan las áreas bajo la curva normal entre los valores sucesivos de ¿. Tabla ?-7 Lfmite¡ realee Estatura de clase z pan los límites reales de clas€ Area bajo la cuna normal desde 0 ha¡ta z Area para cada cl¡ee Flecuencia eeperada Frecuencia observada (pulgdas) 60-62 r 59.5 menor que 70. como se muestra en la Tabla 7-6. se observa que hay una distribución normal que se ajusta e¡trechamente a los daüos. como se ve en la Fig.6 &tatura (pulgada¡) Fis. La "bondad {el ajuste" de la distribución qe congidera en el Problema ?.46 pulgadar. Véase o a I É to 5 o a d E 62. Multiplicando lo¡ valores de la quinta columna (que representan las frecuencias relativas) por la frecuencia total n (en e¡te ceso n = 100).5 7L.43 ít 7 4.t3 D 18 42 27 8 ñ.32. 7.tlls.40 respectiva- La cua¡ta columna.

56 6 ó 20 18 8 2 1 0.34. El número medio de accidentes es Número de I Número de accidentes.rj días. El cálculo de la varianza de la distribución da' da. En 200 lanzamientos de una moneda se obsen'aron 115 caral¡ y 85 sellos.0494 0.4066 0. Tabla 7-9 Número de accidentes. puede ser esto un indicio de la adaptabilidad de la distribución de Poison a la muestra de datos. puesto que 4. 0 r N(rmero de dÍasr Número de días obsen¡ado 2L 18 7 3 1 {r accidentes) 0. hi' la ) El valor crítico xlso para 1 grado de libertad = 6.'12 ¡ 85. > 3.01.84.* : P(r accidentes) 1118 2 7 o.1647 espeado 20.o loe números teóricos de días en los que ee presentarán ¡ accidentes (obtenidos multiplicando las correspondientes probabilidades por 50). da 0.63. ?] ENSAYOS DE HTPOTbSIS Y SIGNIFTCACION Tabla 239 7-t 7.2.63.9?. LA PRUEBA CHI. La Tabla 7-8 muestra el número de días f durante un período de 50 días.7:2 -L = l.CAP. Entonces y eeüos esperadas si la moneda está bien hecha son np : 100.0111 4 6 6 ó Nótese que el ajuste de los datos dados a una distribución de Poiseon es bueno. puesto que 4.np)z npt npz - (115__100)2 Pueeto que el número de categorías o clases (caras.3659 0. Comparando con el valor de \ : 0. la varianza d : L.36.60 hipótesis de que la moneda está bien hecha al nivel de significación del 0. < 6. np2 : tOO. 313 {11 = Iq"+ill En l¿ T¿ble ?-9 aparecen lae probabilidadee para 0.50 pótesis de que la moneda está bien hecha al nivel de significaeión del 0. respecti- xz = (o) El valor crítico (b @t:lptlz -(rz:. blemente bíen heclu. respectivamente rr = 115.33 I 2 3 18.30 8.33.3 y 4 accidentes de esta distribución de Poisson. Ensayar la hipótesis de que la moneda está bien hecha con un nivel de significación del (c) 0.50 . Para conveniencia de la comparación. .v: + (85:!00)2 = 100 h 4. Las frecuencias de caras vamente. Entonces. 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.47 0. se rechaza la xlo¡ para 1 grado de libertad es 3.84.eo Entonces. Entonces.1.01. Las frecuencias de caras y sellos observadas son.90 hallado.05. a¡í com. de acuerdo con la distribución de Poisson. Ajustar los datos a una distribución de Poisson.f 0l2r + : (21)(0) '50 (18X1) + (7X2) + (?liQ_l q)(a) = . Para una verdadera distribución de Poisson.CUADRADO ?. durante los cuales r autos tuvieron accidentes en una ciudad.. la euarta columna que da los números de días observados se ha repetido. véaee método 1 del Pro" blema 7.24 2. (b) 0.05. 100 sellos) es h:2.

g. Nótese que el cuadrado de este valor. 115 caras en unidades tipificadas Bajo la hipótesis de que la moneda está bien hecha. Se sigue como en el Problema 7.ema se cumple siempre que la prueba de chi-cuadrado comprende dos categoiías. El valor crítico a2e5 para 5 gados de libertad es 11. de nuevo en consecuencia del Problema 4.6)esh:6.2. no se puede rechazar Para 5 grados de libertad x%s: 1. Con la corrección para la continuidad.05)2 7 -37.20. ^-------::-:-. la media y la desviación tÍpica del número de caras espe- : (l1b -lOO)t7.5)z _ .npr o _ (rt-np)2 . Entonces 114.1. Solucionar el Problema 7. Esto se cumple siempre que la prueba de chiruadrado eomprende dos categorías y se aplica la corrección de Yates.00 20-+ n 20 Puestoqueelnúmerodecategoríasoclases(carasl.0.35.)z . De ello se sigue que la concordancia entre ambas frecuencias no es tan buena como para no dudar de Io deducido.86. de modo que X2 : 5. 7. Véase Problema 4.05 y un ensayo bilateral.36.5) =100yo=1fipq=/IZOO¡O.5 o más caras.06.5. si el valor de z está fuera del intervato -1.1.5)2 .4.v:h-1-:6-1:b.S¡(0f)--7.86.84. (185 _ __ 1001 Í4.5 .34' Esto Con un nivel de significación del 0. (rs-np¡.35. se rechaza la hipótesis de que la moneda eetá bien hecha.2o5 < 6. La Tabla 7-10 muestra las frecuencias observadas y esperadas allanzat un dado 120 veces.b8 a2.00 la hipótesis de que el dado está bien hecho.93_4)' _(15-20\2 .34 mediante la aproximación normal respectivamente.240 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. x2 (conegida) = = (lzt - nptl nPt 1001 0'5)z + !1""- np2l npz - 0'5\2 (1115 - 100 _ 0. 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. (rz-npzl2 . dades tipifica¿¿5 : 4.34 que la hipótesis se rechaza al nivel de 0.O7 : 2.L2. (24-20\2. (rr.s)z = 100_ 100 tt q^< 4.84 y 4. Esto conduce a las mismas conclusiones que por el primer método.15. es el mismo valor de X2 obtenido en el probl. 7. Nótese que el cuadrado del valor anterior. (rt-nptl2 . solucionar el Problema 7. .00 > 1.86. 115 o más caras equivale a 114.zvb Puesto que 4'205 > 3.5)z = _100 )_ (L[.7OO)17 . Método 1. a la distribución binomial.5 en uni: (114.34 utilizando la corrección de yates. Método 2. ? 7.96.07.-nps)2 (ra-npe)2 < 11.01.63 se deducen las mismas conclusiones que en el Problema ?.96 a 1. Pa¡a una comparación con los métodos a4teriores. (2. (23-20)2 +--lO .60. es igual al valor de ¡2 corregido con la corrección de Yates p¡ra la continuidad del Problema7. véase método 2 del Problema 2. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación del 0.01 el intervalo sería -2. Con un nivel de 0. Entonces.05 pero no al de 0. puesto que 5.07 :2.15. radasen200 lanzamientosdelamonedason¡r=np=(200)(0.58. (16_20¡z _ *--lO-+ +ñ=5. (ZJ2)2 : 4.05.

4?O > 0.. naranja.26 rugosos y amarilloe B4.como 23. En los erperimentos de Mendel con guisantes.L. Una uma contiene un gran número de bolas de cuatro eolores dife¡entes: rojo. teoría y los reeultados del experimento están de acuerdo.01. 101 rugosos y amarillos y 32 rugosos y verdes. ¿Hay alguna evidencia que permitadudarde su teoría al nivel de significación del (a) 0. Una muestra de 12 bolas extraída aleatoriamente de la urna dio 2 rojas.352. 7. Se deduce pues.76 *W = 0. ?. 108lisos y verdes.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.ss= = 3.352 y X2 :0.zS lisos y verdes Struol = frtssol 104.g El valor crítico d" x.'nr parav: h -1:9 gradosdelibertad es21-. amari'llo y verde. 9 que se da en la Tabla 7-11. Para evitar esto se agrupan las categorías de modo que los núme¡os esperados en cada categoría sea al menos 5.05.01.81. cabría esperar 3 bolas de cada clase en la muestra de 12 bola¡. de modo que no se puede rechazar la teoría al nivel de 0.7. r ry = 2s.40. ¡$5: 0. de modo que no se puede rechazar la teoría al nivel de 0.7I ENSAYOS DE HIPOTESIS Y SIGNIFICACION 241 7.se esperarían fttssel = -- 312. 4 amarillas y 1 verde.. 5 naranjas.470 Puestoquehaycuatrocategorías. x?ss: 11. ?. Puesto que eetos números esperados Bon menores de 5.05? El número total de guisantes es 315 + 108 + 101 + 32:556. (b) 0.75lisosy amarillos tol.2. .38. ¿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. Una tabla de números aleatorios de 250 dígitos mostró la distribución delosdígitos 0.3 >2!3 sededucequeladistribución observada dífiere significativamente de la esperada al nivel de significación del 0. Bajo la hipótesie de que la urna contiene proporciones iguales de los cuatro colores. loe resultados obtenidoe están sujetoe a unh razonable influencia de error muestral. la aproximación de chi-cuadrado será errónea.3. Puesto que los números esperados están en la proporción 9:3:3:1 (y 9 * 3 + 3 + 1 : 16). que la Nótese que para 3 gtados de libertad. estos números deberían presentarse en la proporción 9:3:3:1. De modo que aunque el acuerdo es bueno. . : 3. obseryó 315 lisos y amarillos. Ensayar la hipótesis de que la urna contenga proporciones iguales de los diferentes colores.01. x2.Qe-2512 try+ .76\2 3t2. . .cAP.39.h=4yelnúmerodegradosdelibertadesv=4-1=3. . De acuerdo con su teoría.

Puesto que el número esperado en cada categoría bajo la hipótesis de iguales proporciones es 6.ces P("siete") : 1/6(360):60 veces 6/36 : 1/6 y P("once") :2136: 1/18. ¿Es el resultado consistente con la hipótesis de que el nacimiento de varón y hembra son igualmente probables? .05(aunque sí se puede al nivel de 0. = siempre reduce el valor de ¡2 .0. = ry.5)2 (124 - 2ol - 0. se tiene x: = 0qj:_6Fo.(ig:lf-!éE.05.Desgraciadamente.:-:_+r::__-::_:sis de que los dados estén X¿ 4.84seestaríainclinandoarechazarlahipótebien. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación de 0.Entonces. Los resultados observados pueden imaginablemente deberse al azar. Esto cabía esperarse puesto que la corrección de Yates Debe ponerse de manifiesto que si se emplea la aproximación de siado pequeñas.10). Ento¡-. se agrupan las categorías de forma que la evidencia en contra de Ia hipótesis se muestre claramente. aun Otro método: Utilizando la corrección de Yates.ü.42. se rechazaría la hipótesis a algún otro nivel (tal como 0. pues con la X2 corregida. Sin embargo.242 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. para las que la muestra dio 3 y 9 bolas. En tales casos. "Siete" se puede presentar de 6 formas y "once" de 2 formas. De otro modo. 7. - e¡z -9 Parav:2-l:1.65 De acuerdo.xjr¡. ? Si se desea rechazar la hipótesis. se obtendría ¡2 a pesar de que las frecuencias sean dema- (2-3¡z . x' _ (1 -3¡:r ooo Puestoqueparav=4-1:3. l)na encuesta sobre 320 familias con 5 niños dio la distribución que aparece en la Tabla ?-12.5)2 #-g*): = 3.Asínosepuedetechazrlahipótesisalniveldesignificacióndel 0.81 sellegaríaalasmismasconclusionesqueantes. en 360 lanzamientos cabría esperar "siete" y 1/18(360):20 veces "once". empleando la corrección de Yates. (5-e)z . 7. se tiene (9 ^cuando las proporciones de los colores sean iguales. de aquí que cuando no sea aconsejable agrupar frecuencias se debe recurrir a los métodos exactos de probabilidad incluyendo la distribución multinomial.05. . 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. Un par de dados puede caer de 36 formas.05. Así pues.tz. no se rechazaría la hipótesis al nivel de 0. z. se tiene (174 (correglda.10). Esto se consigue en nuestro caso considerando las categorías "roja o verde" y "naranja o amarilla". = - 60l 60 - .rP. respectivamente. los resultados que se obtienen utilizando la correc- ción de Yates son más dignos de confianza que los resultados no corregidos.:?.puestoque4. se observaron 74 veces "siete" y 24 veces "once". (24-20\2 . se duda acerca de la decisión que se debe tomar. de modo que (74-60)2 . En 360 lanzamientos de un par de dados.. para grandes muestras tales como las de aquí. (4--3)2 . la aproximación ¡' para frecuencias pequeñas es pobre.x2l)s==3.84.41.r que conduce a las mismas conclusiones anteriores.0?>3. Sin embargo.) x2 _ = -6-.84.-ss:3.1. puesto que incluso el valor corregido de y2 se encuentra cerca del valor crítico.07 Parav:2-1:7. En general.

v = k .1 .32. Así se deduce que los reeultados son probablemente significativos y el nacimiento de varón y hembra no son probablemente iguales. . "!ü Puesto que el número de parámetros utilizados para estimar las frecuencias esperads e8 m metro p de la dietribución binomial).".30.Entonpiobabilidadee de (5 niños). De aquf queel ajuste de creerse.x2.(342_316.2)2 .(L44_161. como 8e indica en la Tabla ?-14...4. . Seap:probabilidaddenacimientodevarón..49. 100. Determina¡ la bondad de ajuste de los datos del Problema 7. xL¡s:0.92 27. (88_100)2.:z .44.959 > 0. (5 niñas) son dadas por loe términos del desarro(p llo binomial * C)5 = p5 + 5p1q I l|psqz ¡ l0pzqs ¡ Spqt 1- qs SiP:O:t12. Solucionar el Problema 7.103. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla ?. v : k . La¡ condiciones del problema se presentan en la Tabla ?-13.U Puesto que x:e5:11. Asf'puesto que X2 = 7 . .(26-29. Entonces. Utilizar la pmeba chi-cuad¡ado para determinar la bondad de ajuste de los datos del Problema 7.1 : 4.= (s8_33.m : 6 .os:0.setiene P(ániñosy0niñas) = (+)5 : # P(4niñosylniña) = 5(¿-)4(á) : ¡tz P(3niñosy2niñas) = f0(l)3(i)2 = # Enüonces el número de familiae que 8e espera P(2niñoey3niñas) : f0(l)2(l)3 = i8 P(lniñoy4niñas) = 5(+X+)4 = t P(OniñoeySniñas) = (+)5 = + tengan 5.cA¡.!.05. TABLAS DE CONTINGENCIA 7.43.2 : 2.--I¡Ié- .---r¡If. (110_100)2. x. De aquí (8_10)2 _.68 38. x. pectivas probabilidades anteriores por 320.103. Adviértaoe que ¡fo es equiyalente a afirma¡ que la recuperación eeindependie¿úe del empleo del suero. .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 .yg:1-p:probabilidaddenacimientodehembra.45..1 .^ _ (18_10)2 (56_60)2.i". y los reaultados son 10. . X?ss = 9. Para v : 2 (que son la me- = 2.-. es decir.--_-16-_¡&. Para y : 4.-El: .?)2. x2.412_ -58:t-- .1y0 niño¡seobtienemultiplicandolasres' (40-50)2.m : 5 .--lóo:t- . el ajuste no es "demaiido bueno".---T08J. el ajuate no es tan bueno como pudiera = 4.?11. .-r3)2 . 2. .959 7. (4 niños y 1 niña). (164-150.1 y x.3.=--_a6---_Eñ-----Jó¡-----i6b--_-Ed.L .sss:15.43 20.z = 6 4. 100.?)2 . 50. lag cla¡ificaciones 8on independientes. pero no al 0.serechazarálahipótesisalnivel de significación del 0.01. Para V 1 (que er el pará- los datos es muy bueno. puesto que X2 = 0.os= 5.9)2 .1 .13 *(18-2-0:68)2 *(a2:^-39=92\2-(27:3ft7rl2 *(8:?'j13)z:0.?11.13 utilizando la prueba chi-cuadrado.99. Bajo la hipóteeis nula lfq de que el suero no tie' ne efecto. cabría esperar que 70 individuos de cada uno de los grupos Be recuperase y 30 en cada grupo no se recuperase.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). BONDAD DE AJUSTE ?. 10. 50.(287_308. Pa¡a rr = 2.1 para y:61:6gtadosdelibertad.64 > O.212. Se deduce que el ajuste de los datos es muy bueno.. 7.

e5óx{-x. 7.47.05 utilizando X" equivale a rechazar esta hipótesis con un ensayo unilateral al nivel de 0.30\2 (36 *ffi = 2'38 Tabla 7-16 Para determinar el número de grados de libertad. X Sr.!t_. porejemplo. ya que. Asf pues.38 es el cuadrado del valor de z : 1. X. Esto podría haberse visto rápidamente. En la Tabla 7-16 se indican los estudiantes aprobados y suspendidos por 3 profesores: Sr. Se No ¡e recuperan recuperan TOTAL 100 100 Grupo.vó Obteniéndose que las conclusiones del Problema 7. _ ¡¡ (corre(rda) = (i75 -70\. En general. (125-301 -0.-. al rechaza¡ una hipótesis al nivel de 0. Ensayar la hipótesis de que las proporciones de estudiantes suspendidos por los tres . Está claro que solamente se tiene libertad lara colocar un número en una de las cuatro casillas vacías. ? Tabl¡ 7-14 FRECUENCTAS ESPEBADAS BAJO Ho Se re. conaidérese la Tabla 7-15. drado Cel valor de z. (35-301 -0.Xz egelcua- Nótese también que yn ensayo unilateral utiliaando ¡12 equivale a un enEayo bilateral utilizando.--. pueeto que una vez hecho esto loq números de las restantes casiüas vienen obligados por los üotales ya indicados.46. ya que la corrección de Yates siempre disminuye el valor de ¡¿".10 uüilizando z.A Grupo B TOTAL 140 60 200 Puesto eue X.5)r .84.13 FRECUENCIAS OBSERVADAS Se re. De modo que hay un grado de libertad.45 son también válidas aquí. 7.45 aplicando la corrección de Yates.54.¡.05.5)2 .244 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla 7. x2)x2ss correrpondea x>x. = I. 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.38 < 3. Z. Y y Sr. que es igual a la¡ dos dadas anteriormente.84 para 1 grado de libertad y puesto que ¡2 = 2.^se sigue que X er lo mismo que z en este caso.51). 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.ss : 3. Sr. Y 47 L4 61 Sr. como en la página 215 (véase Problema ?. habrían suspendido 27 lL80 : Iíc/o de los estudiantes y DO .No ee recuperan cupetan TOTAL [cAP.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.gs.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. Tabla ?-16 FRECUENCIAS OBSIERVADAS Sr.5)2 * ----TO* ?O S0 _ . pero en la que solamente se han puesto los totales.0. Solucionar el Problema 7. 200 140 30)2 o _ (75 x-1rc-?o70)2 - 70)2 . ^.profesores son iguales.5)2 * ----?O- (i65-701 -0. Nótese que X2 : 2.13. or^_. se deduce que lob resultados no son significativos al nivel de 0.Puestoqueparalastablas2Xz. obtenido en el Problema ?.

48.99._ (50-46. X ¿IO Tabla 7-18 Sr.1).zs¡ : 5.60-=4.5135-547ó-----d25 9J5 --.51. de otra forma se necesitan ajustes como los descritos en ( b ).gina 22O . * ó1)(o1 * o2) o1*óq*a21b2 n a2b. que es igual que la Tabla 7-L7 pero en la que solamente se han puesto los totales. (47.r"/" a1b2 (o. hay en este caso dos grados de libertad.L5% de 55 : I5% de 6t 9. Y 85% de S¡.75 = = 51. Puesto que x. Las frecuencias esperadas bajo FI¡ se muestran en la Tabla 7-17.núnR/n "r'. considérese la Tabla 7-18. Hay h (fz > 1.40)2 (5-8.15 61 15% de 64 8. . Y St.40 : Aprobados Suapen- Suspen.85 85V" d. se puede rechazar lfs aI nivel de 0.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.CAP. at__n_ = -nrrxJn (ór nrnsln)2 (b2.75\2 . Nótese.60 64 180 64 180 Entonces o x-.ó+ Pa¡a determinar el número de grados de libertad.05. Sr. todos los números restantes vienen obligados por lo8 totales.ecuencias teóiicas. 153 qn X Sr.25 OD : didos TOTAL 55 61 9. Entonce8 *.25)2 .n2nslnl2 . ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION habrían aprobado el 86Vo de los estudiantes.15)2 (8-9.61.1Xk . los resultados esperados bajo la hipótesis nula aparecen en la Tabla 7-20. Tabla 7-17 ITRECUENCIAS ESPERADAS RAJO Sr. Demostrar que -pa¡a la tabla de contingencia 2 X 2 que se muestra en la Tabla 7-L9 x2= Tabla 7-19 n(arb2- azbt\2 Tabla ?-20 TL\lLzlL¡fl's RESULTADOS OBSERVADOS I A B TOTAL at br RESULTADOS ESPERADO. 7. Nótese que este resultado es válido si se conocen los parámetros poblacionales necegarios para obtener las fr. sin embargo.85)2 (56-54. 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. Z TOTAL 153 27 Aprobair¡c didos TOTAL 85% de 55 : 6l 4G.60)2 4175 -. Mostrar que para una tabla de contingenciah X h tad es (h . Se deduce que el número de gtados de libertad hk . pá.n"n¡ln\z' nrnn/n ntftl. Está claro que como cada fila y cada columna han decumplir con loü totales.(h+Ic-l) = (h-lx/ú- 1) como se requería. Pero : (ar- nrnn/n)z (a". después de lo cual.10 si se está dispuesto a correr el riesgo de estar equivocado 1 vez de cada 10. no se puede rechazar I/e al nivel de 0.e 64 54.-. Z TOTAI. 7. k > 1) el número de grados de libereg * & - 1 totales independientes de un total hÉ. Í4-9.49. que puesto que x:eg : 4. Así pues.

ns = ür*ó2. - O2 l¿z' fL¡ tl' ó. da x' : D'- n(a.=&r*a2*b1*b2. ns = 100.Prl . Con referencia al Pro- (r) (2') P.bq - aqb'12 donde A:&tbz-azbt. ^ (t) n /otbr-ozbt\2 n lotbr. n1=at*b¡ nz=a2*b2. COEFICIENTE DE CONTINGENCIA ?.tn)z = 200il(?5x35) 2.49 paralos datos del Problem^I.49 x2= n(ap2. bz:35.P)2 que es el cuadrado del estadístico Z. Dr = 65. ür : 'tL¡ = flP. Or--m arb2 = - a2b.50.51. n2:60. a1 =75. r¿r(1 - Pr).=.. se tiene p la proporción poblacional.4S.49 da x2 = n(1aft2.ozbr\2 n /orbz-ozót\2 ml?¿B\ n n nzn¡\ n n¡r¡\ / / / n fatbr-tzDt\2 n ?zrs\ / que al simplificar.. (/ ) se remplaza por (21 "rr"r"^"" : nL2 nrnznAnB x2 (conegida¡ n(ltl. r¿¡ = 100. Halla¡ el coeficiente de contingencia para los datos de la tabla de contingencia del Problema 7. el resulüado eg el mismo que en el Problema 7.P)2 nWtPrA$ . C= vra = {*#fu : r/d'6112e = 0'1084 .10012 = 1. EnelProblemaT.45. 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). -flg L-p l-P2 = bc -= = q = -. 7 Análogamenta Así. dado en (IO) en la página 215. de modo que (r) (4) ú1 = nlPy az = nzPz. nt=140.49. 1-Pr . frA=úr*az.Pr)]2 nrnínpnq = nfri\+LlllrJ (Ya que n = nt+tt2l (Pt.46 ¡2 (corregida) = ---ñ^"" - = - (25X65)l (140)(60X100X100) . se puede escribir az-ry = ur-ry = Í2fts . ¡e tiene del Problema 7.52. Ilustrar el resultado del Problema 7. Denótese por P1 y P2 las dos proporciones muestrales y blema 7. entonces riI ) del Problema 7.azbtl .ln)? = -"r!rrrñr" 7. = #.38 : Empleando la corrección de Yates.45. bz = nz(l- Pz) tlg = flq Utilizando (3) y (4).93 7. yn:2OO. f.. . a2=26.a2b)2 -T nrn2nAnB nrn2(Pr. P.n2P2n{l .246 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. Sise aplica la corrección de Yates.

? Bajo la hipótesis p P(menoc de 7 corectas) : - 1 -P(7 o mác conectas) 1 .3. = 0.[roOi(0.54.. P(7 o más correctas) : P(7 correctas) * P(8 conectas) + P(9 corectae) * P(10 correctae) = .".¡* . donde g =L- p.618 .53.o. En tal caso.4)3+ roOs(0. En el problema 7.----80Entonceg el valor máximo de C e¡ .56. (d) p : O. D Tabl.". la probabiüdad de decidi¡ que el eetudiante no reeponde al aza¡ cuando es que si.4)2+ ro0a(0.i . En el Problema 7.6)?(0. adopta la siguiente regla de decisión: (i) si 7 o más respuestas son acertadas el estudiante no las acierta por casualidad.7)e(0..8.(.X.(+Xá) * . el e¡tudiante acierta alazar).4) + 10010(0.= (100 zw En general.9. en la gue el número de fil¡s y columnas eon ambas iguales a &.a 7.(á) = 0.6. Hallar la probabilidad de rechazar la hipótesis cuando es corTecta. (e) p : 0.L27). todor loe que tomen el suero 8e recuperarán y todor lor que no se lo tomen no Be recuperarán. 7.?0?1.cAP.0o)z (0 . (Véase Problema 7 .50)2 (0 .54..ro)¿ . hallar la probabilidad de aceptar la hipótesisp = 0..7)7(0.-60 .3)3+ r0Cs(0.6 la probabilidad pedida será 1 - [P(? conectas) * P(8 correctas) + P(9 cotrectas) + P(10 correctas)] =|- ho0?(0. Hallar el valor máximo de C para la tabla 2X 2 del Problema 7.5 (ee decir. = 1/@-ffi. Para taleo ca¡os. Para ensaya¡ la hipótesis de que el estudiante acierte por car¡udidad.".4. . suponiendo independencia total.(g)p : O.2. hallar la probabilidad de aceptar la hipótesis p P : 0.6)8(0. las únicas frecuenci¡¡ de casillas que no Eon cero aparecen en la diagonal que baja de izquierda a derecha de la tabla. ee 0.6)101 = 0.60)2 50 . PROBLEMAS DIVERSOS 7.1?19.3)2+ r0Ca(0.3504 7.5 cuando realmente (a) p : 0./Zt(xz + n'l = t/ñl@6T 2oo-) = 0. (f) p : 0.---80. 7l ENSAYOS DE HIPOTESIS Y STGNIFICACION 24V 7.t. son todas igualea a 50.. " x. para la dependencia total en uua tabla de conüingencia. (100 . Un instructor hace un cuestionario forurado por 10 preguntas falso-verdadero. Seap la probabilidad de que una pregunta sea contestada correctamente. (ii) en caso contrario.55.?1e Asi ee que ésta pues.5 cuando realmente = O'7' : O.13.ueno) TOTAL 100 (irupo ó 0 100 100 100 100 200 . La probabilidad de conteetar correctamenté Bajo la hipótesisp r pregunta¡ de las 10 será rcCrqqto-'.. Esta tabla de contingencia aparece en la Tabla 7-21.6)e(0. (b)P : 0. el estudiante está adivinando.".64. C. do¡ clasificaciones son perfectamente dependiente¡ o a¡ociadas.21 valor máximo de C ee presenta cuando la¡ Se recuperan No se recuperan 0 TOTAL 100 GrupoA (utilizando auero) (no utilizando .(iX. (c)p : 0.7)8(0. Nótees la probabilidad de error del fipo I.3) + r0Cr0(0.3)10] = 0.. Pueeto que las frecueneias eeperadas. (a) Sip : 0.

350 0. ? Loa resultados de (b). respectivamente.1. 7-14. l0 09 08 0? El gráfico pedido es el de la Fig. si en la moneda sale 5 veces cara. 4.01.000 0.59.5 cuando realmente p > 0. 7.5).2188. pero no d 0. la moneda está bien hecha).618 0.989 0.6 y 6 caras son dadas. (g) pueden hallar¡e análogamente y se indican en la Tabla 7-22 junto con el valor correspondiente a p : 4.4 0. 0.ó) y (Ht:.01 la moneda no está bien hecha? Considerar ensayos de una y dos colas. Puesto queP(0 ó no ee puede rec}ntzar H¡ al nivel de 1ó 5 ó 6 caras) = 2(t) = 0. . Nótese que la probabilidad se denota por p (probabilidad de error del Tipo II).t v i.5 0.05 ó 0. 7. 3.5). el resultado observbdo es significativo al nivel 0. viértase la semejanza con Problema 7-27.9 0.06. p + 0. (c).1 El grafico indica que la regla de decisión dada ee muy odecuado para rechazat p:0.6) y (Ht: p > 0. Ensayo unilateral: Aquí se deeea decidi¡ entre las hipótesis (Ho: p: 0. Ensayo u¡ilateral. pero no al 0. . 0. como se muestra gráficamente en la di¡tribución de probabilidad de la Fig.5)(ee decir.05 y (b) 0. no se puederechazar.5 dado por p : 1 . Sea p la probabilidad de ca¡a en un solo lanzamiento de la moneda. Pueeto que P(6 ó 6 earar): * + # = éa:0.t+. 7-15. Bajo la hipótesis (Ho: p: 0. Ad- la curva OC del 06 Si se hubiese dibujado (1 -p) yp. 2.0.7 0.01. Puesto que P(0 ó 6 carar): t'o+* = 0. se habría obtenido la curvo de potencia de la regla de decisión.8 0.57.121 0.945 0. **.05.!¡. por #.58.56 para construir el gráfico de É y p obteniendo así la cun¡a característica de operación de la regla de decisión del Problema. ¿Puede deducirse que al nivel de significación (c) 0.01).¡qn.7 hallado en el Problema 7 .3 0.01 (es decir.05. pero no al 0. Aquí se desea decidir entre la¡ hipótesir (Ho: p : 0. +i.013 0 828 7.1?19 : 0.2 0. Utilizar el Problema 7. Una moneda que se lanza 6 veces da 6 veces cara.54. Tabl¡ ?-22 p B 01 1.trf6 llnivelde .01. ee puede rechazar ñfe Ensayo bilateral: al nivel 0.01662 y P(6 ó 6 carad) = * +-# : 0.8. caraa en 6 f(x\ = P(x lanzamientos) = Entonces lae probabilidsdes de 0. Se ha irrcluido también el valor para p : 0.1094.828 del Problema 7.03125.6 0. 1.248 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. Ensayo bilateral.05 ó 0. . 03 02 0.68.64. $oluciona¡ el Problema 7. se puede rechazar.1094.Ele al nivel 0. .65.999 0.Puesto queP(6 caras): f¡ :0.

de (I ). con frecuencias esperadas flPt. sabemos del hoblema 4.. tiene aproximadamente una distribución chi-cuadrado.. el numerador en (2) tiene.+ph=L. ..62. busc¿ndo está dada por Iadi¡üribucióncondicionalqueeetamos P(Yt.Y¡=Ur I Yz* ... el Problema 7.endientec.Yz=U2r . Demostra¡ que la dist¡ibución condicional de las f dado que Yt*Yz+ "'+Yx = es precisamente la distribución multinomial de las X. p I Frecuencb observada Frecuencia esperada nP np II n(l.l\z : npz trr : zpr respectivamente..Y2=U2... yx= ax) = 19#)1-+gj. Pa¡a la función de probabüdad conjunta de ft l¡¡ Y tenemos (r) (21 p(y.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 249 7. de acuerdo con la resüricción (221.. Suponga que Xt. página 14?.. Enüoncec.. Yr + ). Asl el denominador tiene el valor "":. Tal como oe establece...= ut.aL. por definición..60.. (5) de la página 214.6t pa¡a demostrar que ¡2.96.Yt va¡iablesmutuaÍienteiñdependientes con dist¡ibución de Poisson y parámetros tr¡ : npt. Xz X¡ tienen una distribución multinomial. Sean f. ." Por tanüo (2) ee conüerte en P(Yr=Ur. Tabl¡ ?.23 Si P es la proporción mue¡tral para La categoes la proporción poblacional y n eo la frecuencia total.61 demuestra que podemos remplaza¡ las X por lae Y independienúes con dietribución de Poisson ai ae cumple que Y¡ + Y2 + " '* Y¡": ¡.. + ' ' ' + Y¡ es en sí migma una va¡l¡ble de Poi¡eon con parámetro np¡ * np2 + . Sin embargo. *Y¡= n¡ = que ee la distribución multinomial de la¡ X [compárese (I6).'.. . n(P. Por t¿nto reeecribimo¡ (2/ ) como (r) x2 = /t'=^')'*f"'=^'\'*.. (21) ea diffcil de manipular ya gue las X di¡üribuidas multinomialmenüe son dep.Yz=Az. ce pueden describir las ei- ría I. el valor En cuanto aI denojminador. . Epplear el resultado del ProblemaT.cAP.p)z = .tYx=at I Yr* Yz-1.1'"'-.Pl n(l-p)=nq TOTAL n .*/t'-^'\' \Vrr.L tu¿cione¡ por medio de la Tabla 7-23.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. ^#--"Jpltpf2"'plk 7. que Yr + Y..p)2 PQI'I¿ 7.¡Yt=Ur Y Yt+Yz+ "' *Y¡r= P(Yr+ Yz| "' * Y¡ = n¡ e-n n¡ Entonces.. .págtna 218... y2= u2. iYr. Mostrrir que una prueba en chi-cuadrado que comprende dos categorías es equivalente al ensayo especial de significación para proporciones (pagina 214)..nPz. i npn: n.... página 118].61. . *Y¡r= n¡ PlYr=At.¡p_r¡rll*l)q/ = '' \P Pq = (P-. npp respectivamente. como se define por (21).:í-^*f e-^ dondehemo¡uuiüzadoelhechodequept*pz+. / \V^r/ \Vrzl . = (nP . .

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

(o) ¿Qué regla de decisión ?.ebolac rojas que de azules. es decir.67.93 onzas. Recientemente.05 y (ó) 0. 7'68. Comentar la significación de este resultado al nivel de 0.. ee decir.e y azules.01.0ó? (d) ¿Cuál sería la regla de decisión si el nivel de significación fuera del 0. La "demostración" anterior (que puede hacerse rigurosa) muestra incidentalmente que cada restricción lineal colocada alas Z.1i¡ ee rechaza en caso co¡rtra¡io.69. .65. (o) Hallar la probabilidad de rechazar la hipótesis cuando en realidad aea correcta. Supóngase que en el Problema ?.01? Se lanza un par de dado¡ 100 veces y se observa que un total de ('siete" apa¡sce 23 veces. + V!f..entarios ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NOBMALES ?'63.Of O.0.64. 7.(o¡ : 1 s Por tanto la función . se quiere un nivel de significación del 0.63 se desea eneayar la hipóüeeis de que hay moyo. En un examen dado a un gtan número de estudiantes de muchas escuelas distintas.66.05. donde z : h - las bases para las reglas dadas en la página 219. proporción d. 7. Esüo provee Problernas suplem. (Zr)-t/2(ze) Al dividir (8) por (9) obtenemos el resultado deseado.01 que el es ahora peor? hilo 7 . Para ensayar la hipóteeis de proporciones iguales de e¡to¡ colores. la puntuación medi¡ fue de 74. (¿) ¿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.. y que E\W\ = VE(O) + \/p2(o)+ .e) = p(lWl < e) - e4(0)(Z€) = 7. mediante (of un ensayobilateralyla¡..7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 26L Para evaluar el denominador de (5) notamos que la variable aleato¡ia W = lptZl * es l-p222 + .05? 7. * p¡(1) = de den¡idad paraW es p(rr) : (Zr)-r/2e-u2/2.trLtroyo uniiateral y un nivel de significación del 0. 7.7 o.cAP.66 ei el nivel de significación es del 0.OO. y por tanto a la¡ Y o a las X reduce el número de grados de libertaá en X2 en 1. no cargados.9. (ó) Interpretar gráficamente la regla de decisión y el resultado obtenido en (o). Enaayar la hipóteaie de que los dados esüén bien hechos. se acuerda en tomar una muesüra de 64 bglas con anotando lo¡ colore¡ extraídos y adoptando la siguiente regla de decisión: (I ) se acepta la raen entre 28 y 36 bolas rojae. y Denominado¡ (.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 1.63 si ee quisiera que la probabitidad de rechazar la hipótesis siendo realmente conecta sea a lo sumo 0.01.05 desde el punto de vista de (o) un ensayo unilateral y (b) un ensayo bilateral. una muestra de 36 piezas de hilo dieron una resistencia media de 8. Un fabricante sostiené que al menos el 95% de los equipos que Euministra a una fábrica eetá de acuerdo con las especificaciones requeridas.40 onzas. Una urna contiene bolar roja. erplicando las conclusiones sacadas con estos ensa- ..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. Ensayar la afirmación del fabricante al nivel de aignificación del (o) O. Un examen sobre una muegtra de 200 de talee equipos reveló que 18 eran defectuosos.. En una escuela determinada con 200 estudiantes el mismo examen dio una puntuación media de 75. normal (puesto que e8 una combinación lineal de la¡ variablee Z normaies e independientee). se adoptarÍa en el Problema 7. Var (W) = pr(l) * pz$) * . + {pt Zt. yos. Solucionar el Problema 7. ¿Se puede deducir al nivel de signüicación del (o) 0.1 y la desviación típica fue 8.. Discutir las razones de las posibles preferencias de uno de estoe ensayos sobre el otro.

Dos tipos de soluciones químicas.7 7 ensayar la hipótesis ¡¡ : 1120 horas contra la hipótesis alternativa tt diante un nivel de significación del (o) 0. [.70 si el nivel de significación es del 0.05 y (b) 0. < 1-t2O horas. con los niveles de significación de (o) 0.01 y (ó) 0.05.80. 7.72 ensayar Ia hipótesis de que las bombillas del fabricante B sean mejores a las del fabricante A utilizando un nivel de significación del (o) 0.01. ensayar la hipótesis de que el nuevo fertilizante sea mejor que el antiguo. lcAP. Utilizando un nivel de significación del (a) 0.73. respectivamente. Análisis de 5 muestras de B dieron un pH medio de ?. 7 . una parcela de terreno se dividió en 60 cuadrados de áreas iguales. etc. 7. Ensayar la hipótesis de que (o) las dos máquinas tengan diferente calidad de fabricación y (b) la máquina B sea mejor que A.01 V (b) 0.01. Una muestra de 8 bombillasdelaproducciónactualdiouna du¡aciónmedia de 10?0 horas. respectivamente.72. El número medio de fanegadas de trigo cosechadas por cuadrado en los que se utilizó el fertilizante nuevo fue de 18. ¿Puede deducirse al nivel de significación del (c) 0.2% de cobre. Ensayar la hipótesis de que la duración media de las bombillas no ha cambiado. Para ensayar los efectos de un nuevo fertilizante sobre la producción de trigo.7L.63 fanegadas.8 y 0.01 las niñastengan mejor ortografía que los niños. ? 7. Unamuestrade 10 análisis dio una media de contenido en cobre de 23. A causa de lo costoso del mantenimiento de estas máquinas resulta que a menos que el tiempo 4e producción ee disminuyaen un8. mediante un nivel de significación del (a) 0. todos ellos tenían idénticas características de suelo. Una muestra de 100 bombillas de un fabricante A dio una duración media de 1190 horas y una desviación típica de 90 horas. Explicar las diferencias entre esto y lo que se pedía en el problema anterior. determinar si los dos tipos de soluciones tienen diferentes valores de pH.7 8. (b) 0.024.8f En el Problema 7. ENSAYOS REFERENTES A DIFERENCIAS DEMEDIAS Y PROPORCIONES 7. mientras que 15 estudiantes de otra clase tuvieron una puntuación media de 74 con una des- . la puntuación media de 32 niños fue de 72 con una desviación típica de 8.19.32%.01 y (b) 0. Mediante unniveldesignificación del 0.76.05. me- 7.05 y (b) 0. ¿Hay diferencias entre las duraciones medias de las bombillas de los dos fabricantes al nivel de significación del (o) 0.01.05.01.01? En el Problema 7 . Una muestra de 75 bombillas de otro fabricante B dio una duración media de 1230 horas con una desviación típica de 120 horas.a2. 0. Un experto efieiente mantiene que introduciendo un nuevo tipo de maquinaria en un proceso de producción se puede disminuir sustancialmente el tiempo de producción. 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.83. Utilizar el nivel de significación del 7.O7o laintroducciónde tales máquinas en eI proceso resulta antieconómico. 7. 1 . ¿Se contradicen los resultados con los del problema anterior? En un examen de ortografía en una escuela elemental. En seis pruebas de este tipo se obtuvo un decrecimiento en eI tiempo de producciónde 8.5% y una desviación típica de 0. Con un nivel de significación del (a) 0. ?. Muestras al azar de 200 tuercas fabricadas por la máquina A y de 100 tuercas fabricadas por la máquina B dieron 19 y 5 tuercas defectuosas. ENSAYOS EN RELACION CON LA DISTRIBUCION ú DE STUDENT 7.52 con una desviación típica de 0.05.05 ensayar la hipótesis de que las máquinas deben ser introducidas./o con una desviación típica de 0. Ensayar la hipótesis de que a los niveles de significación (a) del 0. exposción a la luz del sol. mientras que la puntuación media de 36 niñas fue de 75 con una desviación tÍpica de 6.4a. .05 y (b) 0.252 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Solucionar el Problema 7.77. En el Problem a 7 .2 con una desviación típica de 0. El nuevo fertilizante se aplicó a 30 de estos cuadrados y el antiguo fertilizante a los restantes.01.24%.76.54 fanegadas.a media y desviación tfpica correspondientes a los otros cuadrados fueron 17. ción típica de 6.49 con una desviación típica de 0.79 ensayar la hipótesis de que el contenido medio de cobre sea más alto que el que marcan las especificaciones. Análisis de 6 muestras de A dieron un pH medio de 7.7 4.05 y (b) del 0.05 y (b) 0. Las especificaciones para Ia producción de una cierta aleación piden el 23. En un examen de psicología de 12 estudiantes de una clase hubo una puntuación media de 78 con una desvia- 7.032.05 que el producto presenta las especificaciones requeridas? ?. A y B fueron ensayadas pa¡a ver su pH (grado de acidez de la solución).

Investigar la significación del aparente incremento enla variabilidad.90. (b) (1 -p) y p. En el Problema 7.25 considerando Ia analogía de bolas rojas y azules con caras y sellos respectivamente. Determinar los Iímites de control del (a ) 99% y (b)95% pam el número de tuercas defectuosas de cada muestra.E8. Dos muestras consisten de 21 y 9 observaciones. ?. . Construir (a) unacurva OC y (ó) .93.81 .84. (b) 0.27 si se eru¡ayan 400 cuerdas.89.05 y (b ) 0. (d) 0. se toma una muestra cada 4 horas de 200 de las tuercas producidas. al nivel de significación del (a) 0. durante los 15 últimos años.94.28 onzas. ENSAYOS EN RELACION CON 7 LA DISTBIBUCION F .05. t¿ ?.731o ó 3o. 7.27 GBAFICOS DE CONTROL DE CALIDAD 7. Para mantener esta calidad de producción. ENSAYOS EN RELACION CON LA DISTBIBI'CION CHI. se toma cada 3 horas una muestra de 16 piezas de hilo y se determina la resistencia media.01. (c) 0. cuando la proporción real p de bolas rojas sea (o) 0. Adviértase que en esüe caso solo son necesarios los límiúes de control super.8.7.65.64 onzas y una desviación típica de 1.90 construyendo un gráfico de (c)p V p. (o ) Solucionar los Problemas 7 . tienen varianzas dadas por s? : 16 y s2 : 8 respectivamente. (b) 99% sobre un gráfico de control de calidad y explicar sus aplicac¡o- nes. ?. En el Problema 7.01? CUBVAS CARACTERISTICAS DE OPEBACION ?. La resistencia a la rotura de una muestra de 8 cables dio una desviación típica de 300 libras. un cierto tipo de hilo producido por un fabricante tenía una resistencia media de roüura de 8. En relación con el Problema 7. ¿podemos concluir que hay una diferencia significativa en la variabilidad de los valores del pH para las dos soluciones al nivel de significación del 0.77 una muestra de 20 bombilta¡ reveló una desviación típica en la duración de 150 horas. Comparar estos gráficos con los del Problema ?.87 si las dos mueetras con¡i¡ten de 60 y 120 observaciones respectivamente. (b ) 0. En el pasado. Para determinar si el producto está de acuerdo a estas normas.0f . Con un nivel de significación del 0. desviación típica de las temperatwas anu¡legde una ciudad en un período de 100 años fue de 16" Fahrenheit. (b ) 0.05. Ensayar la hipótesis de que la primera varianza poblacional es mayor que la de la segunda a un nivel de significación del (o ) 0. (b ) ¿Qué conclusiones pueden sacarse de acuerdo con Ios riesgos de error del Tipo II cuando se incrementan los támaños muestrales? 7 .ores.91.86. Alrededor del lVo de las tuercas producidas por una compañía son defectuosas.26 y 7 . 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. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION es 263 superior al segun- viación típica de 8. ¿Concluiría que esto no es común? Explicar.3. Comparar estas curvas con las del ProblenaT . determinar Ia probabilidad de aceptar la hipótesis de que haya igual proporción de bolas rojas y azules. (e ) 0. Solucionar el Problema 7. ?. ?.01 . mediante un nivel de significación del (a ) 0. Ia desviación típica de las temperaturas anuales fue calculada como de 10o Fahrenheit.6.95.82.85. ?. La desviación típica de resistencia a la rotura de ciertos cables producidos por una compañía viene dada por 240 libras.CUADRADO 7. Con la temperatura media del día 15 de cada mes.05 determinar si el primer grupo do.cAP.9. Hallar los límites de control del (a) 99.63. una curva de potencia correspondientes al Problema 7. Representar gráficamente los resultados del Problema ?.92.

100. .g8 pueden ser aproximados estrechamente a una distribución normal. Ajustar una distribución normal a los datos del problema 5. 10. En 10 unidades del ejército prusiano y en un período de 20 años 1875-1894.e 12% A.100. 108 Mierc.05.se muestran en la Tabla ?-2g. utilizar papel gráfico 30 62 16 l0 . Un profesor nr¡evo da durante dos se_ mestres 22 A. 146 t20 7.05. Mar. las puntuaciones dadas por un grupo de profesores en un determinado curso dieron un promedio d.103. Ajustar una distribución de poisson a los datos del hoblema 2.r02 utirizando la corrección de yates.96. 6l ?. 114 Vier. El número de libros sacados de una biblioteca pública durante una semana determinada viene dado en la Tabla ?-22. se anota su color y se vuelven a la urna.108.^ 30 Frecuencia esperada )0 90 3() ?.66 C' 16 D y 12 F.05. resultados obtenidos son consistentes (.254 ENSAYOS DE HIPOTESTS Y SIGNIFICACION Tabla f 0 [car. Durante un largo período de tiempo.99. (á) 0. 3. 7.01.l 1 cara 108 bien hechas. 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. solucionar el Problema 7. Este proceso se repite un total de 120 veces y los resultados obtenidos.LB% B.0b. Ensayar la hipótesis de que la moneda está bien hecha utilizando un nivel de significación del (o) 0.CUADRADO 7'102' En 60 lanzamientos de una moneda se observaron 37 caras y 23 sellos. con un nivel de significación del (o ) 0.gg. Ajustar una distribución de Poiss<¡n a los datos. Delerminar al nivel de significación de 0.107. El número de defectuosas ""d" fueron 2. 9. Tabla 0 ? -25 I ?-101. 7.34 8. 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. 7.05 si el profesor nuevo sigue las mismas nornns de puntuación que los otros. (b ) 0. de probabilidad para determinar si los datos del Problema 5. Se eligieron aleatoriamente tuercas de la producción de .40% C. (o) Determinar las frecuencias esperadas.105. Se Tabla 7-28 0 rojo 2 blanco 1 rojo 1 blanco 53 si los extraen aleatoriamente dos bolas de la urna.106. Juev.98. I 65 22 a l 10!¡ I LA PRUEBA CHI. . 7 z AJUSTE DE DATOS A DISTRIBUCIONES TEORICAS -24 2 7. Número de libros sacados Tabla 7 -27 Lun.96 y comparar con el ajuste obtenido utilizando la distribución binomial.05 2 rojo 0 blanco Número de extracciones con Ios esperados. Ensayar esta hipótesis al nivel de significación del 0. Ajustar una distribución normal a los datos del problema 5. Ensayar la hipótesis de que el número de libros sacados no dependa del día de la semana.1'04.Lg?o D y 12% F. Una urna contienc 6 bolas rojas y B blancas. 7. el número de muertos por unidad y año debido a coz de caballo se dan en la Tabla ?-2b. (b) Determinar al nivel de significación del 0. 3 4 . Se lanzaron tres monedas un total de 240 vese observó cada vez el número de caras obtenido. 7. 7.0r .rrru de 4 máquinas.

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.ensayarlahipótesis de que no hay diferencia entre las píldoras de dormir y las de aziucar al nivel de significación del 0. Utilizar el nivel de significación del 0. N nivel de significación del (a)0.110. ensayar la hipótesis de que no haya diferencia entre los grupos vacunados y no vacunados. 7.la Tabla 7-32. Sobre una decisión de importancia nacional. la vacunación y esta enfermedad son independientes.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. medianüe un nivel de significación del (o) 0.112.01.L17. Posteriormente.118.01 y (b)0. 7l BONDAD DE AJUSTE ENSAYOS DE HIPOTESIS Y SIGNIFICACION 265 7. es decir.cAP.05 V (b) 0. 7. Los resultados de una encuesta hecha para determinar si la edad de los conducüores a partir de los 21 añoe.101.01 ensayarlahipóteaisdequeelnúmerodeaccidentes es independiente de la edad del conductor. ¿Qué poeiblee dificultades en las t&nicas de muestreo como en otras consideraciones pueden afect¿r las conclusiones? .96. Ia Tabla 7-33 da la relación entre las notas de los estudiantes en matemáticas y física.99. las dos claees. enfer No se maron 'enferma¡on Vacun¡dos No Vacunados I L7 42 28 ?. ensayar la hipótesis de que no haya diferencia entre. Mediante un nivel de significación del (o) 0.ensayarlahipóteois de que no hay diferencia entre ambos partidos en lo que a esta decisión se refiere.100. Hacer el problema con y sin la corrección de Yates. Mediante un nivel de significación del (o) 0.0ó. Mediante la prueba chicuadrado determinar la bondad de ajuste de los datos de (c) Problema ?.05 y en cada caso determinar si el ajuste es "bastante bue. a unos se les dio pfldoraspa¡adormi¡. De un grupo de enfermos que se quejaban de que no dormían bien. se Ies preguntó si las pastillas habían surtido efecto o no.116. 7. Suponiendo que todos los pacientes dijeron la verdad. Mediante la prueba chi+uadrado determinar la bondad de ajuste de los datosde (o)Problem¡ 7. Tabla ?-30 Aprobados Clase 7. IA Tabla 7 -29 muestra el resultado de un erperimenüo para investigar el efecto de vacunación de animales de laboraüorio contra una determinada enfermedad. (b) Problema 7. A 72 64 t7 23 Clase B 7. 7. A un nivel de significación de (a) 0. El resultado de sus respuestas se muestra en la Tabla 7-31. Solucionar el Problema 7.112 introduciendo la corrección de Yates.98.01 y (b) 0.01. los votos de los demócratas y republicanos registraron los resultados que se observan en.05 y (b) 0.05 v (b) 0. (b)hoblema 7.115.113. mientras que a otros se les dio píldoras de azúcar (aunque todoselloscreíonque suspíldoraseranparadormir).111.06. Ensayar la hipótesis de que las notas de física sean independientes de lás obtenidas en matemáticas.05.114.(b) ¿Es el ajuste "bastante bueno"? Emplear el nivel de significación del 0. (a) Utiliza¡ la prueba chi-cuadrado para determinar la bondad de ajuste de los datos del Problema?. tiene su efecto en el número de accidentes de automóvil (incluyendo todo tipo de accidentes) se indican en la Tabla 7-34. ¿Es consistente el resultado de (o ) con el del problema 7 .f09. Tabla 7.LOg? TABLAS DE CONTINGENCIA 7 Tabla 7-29 Se . Dott.06.

128. Demostrar el resultado (2) det Problema 7. 20. ( sin y con coeficiente de n de yates. mostrar que la frecuencia esperada para la casilla perteneciente a la fila i y a la columna j es n¡n. .125. respecüivamente.121. COEFICIENTE DE CONTINGENCIA 7.126. pero se desconocen las proporciones de boias rojas y blancas en cada una de las urnas./n.127. diantes.49. Si nI y n! denotan. 7.117. (b) el coeficiente COLOR DE PELO Rubio No rubio 25 96 7.LL4. la suma de frecuencias en la fila ¡ y en la columna j de una tabla de contingencia (frecuencias marginales). Demostrar que el coeficiente de contingencia máximo para una tabla 3 X 3 mente. es JUS:0. Hallar el coefieiente de contingencia para los datos del Problema ?. se toma una muestra de 50 bolas con remplazamiento de cada una de las urnas. Por similitud con las ideas desanolladas para tablas de contingencia h X &.266 ENSAYOS DE HIPOTESIS Y SIGNIFICACIOD¡ Tabla 7-33 lcAP. Dos urnas A y I contienen igual número de bolas. 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.¡¡¡.8165aproximada- 7. ? 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.) 7. Xu) r¡ñY Azules No azules 49 30 8-ó 7. donde n és la frecuencia total de todas las casillag.121.1 . (b) Con el resultado de (c) hacer el Problema 7. 7.?r para toda tabla de contingencia. Demostrar que el coeficiente de contingencia máximo para una tabla fr X k es 1/1t¡ PROBLEMAS DTVERSOS . señalando las posibles aplicaciones que pueden_tener. donde n es la frecuencia total de todas las casillas. (o) Demostrar eu€ ¡2 = 2@l/np. discutir las tablas de contingencia h X k X I. ?. Hallar el coeficiente de contingencia sin y con la corrección de Yates para los datos de (o) problema 7.122. 7'.119.11?.L23.1L2 y (b) Problema 7.

Solucionar el Problema 7. ?. Una moneda se lanza 8 veces y se obtienen ? caras.001' (d) 0.54. Solucionar los Problemas 7. es ahora 8.01.142. ?.130.10. (b) 0'01. En eI Problema ?. 7.132 empleando un ensayo unilateral. (b) 0.138.140. el número medio de millas por galón consumido en 5 automóviles análogos bajo idénticas condiciones fue de 22.133. Ensayar la significación de este resultado a un nivel de (a) 0. ?. Comentar cómo puede utilizarse la teoría del muestreo para investigar las proporciones de diferentes tipos de pescado presentes en un lago. el número medio fue de 21.141.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 267 dando la de A 32 bolas rojas y la de B 23 bolas rojas.136.01? Utilizar un ensayo bilateral.0ó. (b) 0. ?.64-7.48. A B Tabla 7-36 I &1 II A2 III dg ó3 'tLg TOTALES ?. 7.l4O para obtener el valor de TOTALES lr2 n .13?. Solucionar el Problema 7. Explicar cómo podría definir interualos de confianza unilateroles y dar una posible aplicación. Durante un período particular hubo 40 calificaciones A en un grupo de 300 estudiantes.55. Al nivel de significacióndel 0.cAP. Utiliza¡ el resultado del Problema 12 para el Problema ?.134. ¿Se puede rechazar la hipótesis de que la moneda está bien hecha al nivel de significación del (o) 0. (c) 0.56 si el 7 en la regla de decisión del Problema 7.132. Construir gráficos análogos a los del Problema 7. Mediante un nivel de significación del 0. 2. (c) 0.131.06 de que el estudiante no está contestando al azar. ?. Con una determinada marca A de gasolina.05. Demostrar que para la Tabla ?-36 y2 " n = o(l+ú+"?\ * 2a (u" +ú+ rt2 'tL2 ns/ rr o?) ns ¡\ ?t I \t¿r / -.54.132 si salen 6 caras. 7 n¡ ng üt fl1 b2 .4?.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. Comentar los resultados.4 con una desviación típica de 0. ?.140. hallar el menor número de preguntas que un estudiante debe contesta¡ correctamente para que el instructor esté seguro al nivel de significación del (o) 0.23 pzra el Problema 7. El porcentaje de calificaciones A dadas en un curso de física en una universidad determinada durante mucho tiempo fte L0%.13g.138 ¿hay mayor variabilidad en millas por galón utilizando la marca B que utilizando la marca A? Explicar. ?. Generalizar el resultado del Problema 7.135.0Sinvestigarsila marca A realmente es mejor que B proporcionando mayor recorrido por galón.05.129. ?. 7. Con otra marca B. Con referencia al Problema ?.54 ?.6 con una desviación típica de 0.

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

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

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

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

262 CURVA DE AruSTE. (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. n¿viértase qúe pueden obtenerse formalmente de (20) multiplicando por L. tenga la forma (20) z = a*br+cy Esta se denomina ecuación de regresión de z sobre r.denotamos por U". entonces una medida de la dispersión con respecto a la curva de regresión está suministrada por la cantidad sg. tenemos (23) (24) También podemos expres¿u s.23. ' Estas ecuaciones.s curvas de regreéión posible. x.c)y2 (21) tado de aplicar una definición análoga a la de la página 2sg. debemos hallar si n es lo suficientemente grande para que estén rectas alrededor del 68%. ó.. representa un plano en un sistema de coordenadas rectangulares tridimensional __Puesto se llama con frecuencia plano de regresión Pa¡a hallar el plano de regresión de mínimos cuadrados determinamos o.r)2 (22) r. = o2r +b>12*c)ry 2u" : "2u + b> ry 1. si creemos que dos variables inaependi"áfus y. c en (20) de modo que que (20) lz = tmtb)r+ "2a 2*. y respectivamente y sumando. Si r es la variable dependiente una ecuación semejante se llamarú ecuación de regresión de x sobre y. Genetalizaciones a más variables. llamadas las ecuaciones normales correspondientes a (20). . entón".: que se llama el error típico de pleó en la definición de la págin mínimos cuadrados tiene el más En el caso de una recta de regresión lest > (g/ n u". obtenido de la curva de regresión de y sobre r.' : f"(L-r') Í l. esto es -1 < r < 1.2. z. la cun¡a de o de la estima. por la recta de mínimos cuadrados en términos de la varianza v del coeficiente de correlación como s?. REGRESION Y CORRELACTON lcAP. se obtienen como resul- ERROR TIPICO DE LA ESTIMA Si. Por ejemplo. incluyendo ecuaciones lineales y no lineales conducentes a s¿. y.8 REGRESION MULTIPLE Las una ces busc hay ás variables. se hacán fácilmente.96% y 97% de los puntos muestrales res.-' perficies de regresión en espacios tridimensionales y superiores. si construimos p¿ües de rectas paralelas a la recta de iegresión de y sobre r a distancias vertióales te. puesto que >(A U. por ejemplo.r €l valor estimado de y para un valor dado de ¡. como se emtodas la. con a y b dados por (4). : a* br.."t)z = 2¿2.

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

a pot aquellos laicos con los fundamentos de la teoría de correlación) sino que hay poca correlaciín lineaL En efecto. r. Sin embargo. (31\. y se clasifican de tal forma. k = A.2. esüá dado por rs¡ad donde d 6>d L-i@r_l) = .. 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. y) en los datos ción graduaL La fórmula (36). n. (32). hallamos n2n'y'. excepto en el caso de regresión lineal. denotado por rgrad o sencillamente r. COEFICIENTE DE CORRELACION GENERAL I ZADO La definición (29) [o cualquiera de las formas equivalentes (3/) a @ )l para el coeficiente de conelación incluye solamente valores muestrales r. L'a conexión (25) entre el coeficiente de conelación y el error típico de la estima es válida para corelación no lineal. CORRELACION GRADUAL En cambio de utiliza¡ valores muestrales precisos. etc. 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.264 CURVA DE AruSTE. 8 Si utilizamos la transformación (9). el coeficiente de conelación gradual. y. se denomina fórmula de Spearman para la conela- . donde coincide con (30). coeficientes de correlcción múltiple. El signo se toma en cuenta automóticamenüe si empleamos el resultado (29). En particular. empleando los números t. por generalización apropiada. o cuando la precisión no puede obtenerse. Sin embargo. . es derivada en el Problema 8. Sin embargo. importancia. puede existir vna gran correlación no lineal. En consecuencia da el mismo número para todas las formas de curvas de regresión y no es útil como medida de ajuste. Entonces la conclusión a extraerse no es que hay poca correlación (conclusión algunas veces alcanzad.r. la última definición. los datos pueden clasifica¡se en orden de tamaño. REGRESION Y CORRELACION [cAP.()r')()y') (83) que indica que r es invariante bajo una traslación de ejes. si utilizamos (30) para obtener r debemos aplicar el signo apropiado. página 260.36. . y (86) : n: diferencias entre las clasificaciones de los conespondientes número de pares de valores (r. si lz : ñ. es ilógico utiliza¡ un coeficiente de conelación lineal donde los datos no son lineales. (8t) El coeficiente de correlación lineal puede ser positivo o negativo. Si dos conjuntos correspondientes de valores. 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). Puesto que un coeficiente de cortelación simplemente ¡ride qué tan bien se ajusta una cun¡a de regresión (o superficie) a los datos muestrales. (33) o (34). suponga que se aplica (29) a datos no lineales y se obtiene un valor que es considerablemente menor que 1. . (33) se convierte en 2'r'a' (2x'2)(2y'2) que comúnmente se emplea en computacion.

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

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

'\[+Fi. lo : a * bxs. Ensayo de la hipótesis p * 0. Denótese por üp elvalormedb predichodey correspondiente a x = Ío para la población [esto es.48. fo = E(YIX = co)]. De esta ecuación se pueden ha' llar límites de confianza para valores de población predichos.2 grados de libertad. Ensayo de hipótesis para valores medios predichos. = 1.1618"". Ensayo de la hipótesis p = 0.2 grados de libertad.45. 1. 2. En el caso de que p = O esta distribución es simétrica y se puede utiliza¡ un estadístico con distribución de Student. Entonces el estadístico t- su. (i=/ : 1'1513 tos'o(1 Estos hechos pueden también utilizarse para hallar los límites de confianza para los coeficientes de correlación.47 y 8.8l CURVA DE A'USTE. REGRESION Y COBRELACION 267 tiene una distribución de Student con n . es decir. 2. Para p + Ola distribución es sesgada. Denótese por Jo eI valor predicho de y correspondiente o. Véanse Problemas 8. Ensayo de hipótesis para valores predichos.49 y 8. Véase Problema 8.43 y 8. Esto también puede utiliza¡se para hallar inten¡alos de confianza p¿ua coeficientes de regresión poblacionales de los valores muestrales. Los ensayos siguientes resumen los procedimientos involucrados..2 grados de libertad.m (ao- úor\Ñ @a¡ tiene una distribución de Student con n . En ese caso una transformación debida a Fisher produce un estadístico que aproximadamente tiene una dishibución normal..er.46.cAP. Aquí utilizamos el hecho de que el estadístico f = rl/n-z \/fr (+s¡ tiene distribución de Student con n - 2 grados de libertad. 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#J aproximadamente tiene una distribución normal con media y desviación típica dadas por (50) -Zt" /1+p\ *. es decir. lo = a * bxs. = ffi - (51) Z de Fish.50. . 3. Entonces el estadístico t- ú- ru. Denótese Por Jp el valor predicho de y conespondiente 2. Véanse Problemas 8. Í : Ís para la población.44. La transformación (60) se llama transformación /1+p\ I o/' ". Denótese por ¡lo el valor predicho de y conespondiente i f : ts estimado de la ecu¡ción de regtesión muestral. De aquí pueden hallarse los tes de confianza para valores medios poblacionales predichos.ffi @o- a"\{n-2 Urr¡ tiene una distribución de Student con n . Aquí utilizamos el hecho de que el estadístico z =*r"(i+) = r. Véanse Problemas 8. Véase Problema 8.Para este propósito debemos conocer la distribución muestral de r.8 : to estimado de la ecuación de regresión muestral.

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

4). (9. página 260. (b) Í como variable dependiente. 2ra = a2r*b2r2 como 8e pedfa.642r.1 . 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.. 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. tales como P y 8.3. Ajustar una recta de mínimos cuadrados a los datos del Problema 8. 3 2 4 6 4 891114 o a t). 9) sobre un ¡istema de coordena' das rectangulares corno se muesha en l¡ Fig. (11.tl' a-r =ffiO-l.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. (3.rfnSOn a*bry albr2. Para un método que eümine la ne' eecidad de juicio individual. F(a.542r ó¡ U=l+0.1 ) y (72. 8-?. f. (o) Dibujar loe puntos (1.61.2. Una condición ó mfnimo (o un máximo) es necesaria para que esto sea un que aFlaa = O. 8-6 . Derivar las ecuaciones nonnales (4).8l 8. escójarrse dos puntoe cualesquiera sobre la recta.rA' ")t)'6"' Fig. .2 utilizando a (c) variable independiente. (6. (8. vé¡ee Problema 8'4 que emplea el método de mfnimos cuadrados. CURVA DE AJUSTE. (b) Hallar una ecuación para esta recta.7 . 8.4\.b) = l(o * br . 8.. 8-6. por ejemplo.os valores de y sobre la. dn = a*bxn-yn Fis. 12. 2).. Ya que # = >f. 6 y-l=0. (b) Para obtener la ecuación de la recta construida en (o)...4. es decir. 7). recta de mínimos cuadrados conespondientes a 11.g¡2. Puede demostrarse que eetas realmente resultan en un mínimo. dz: albr2-9". r como . para la recta de mínimps cuadrados. I 4 8 I Una rect¿ que se aproxime a los datoc se dibuja a mono olzada en la figura. 8) y (14.(4. Entonces el Problema 8..cAP. Refiriéndonoa a la Fig. aFlab = 0. 6). albnn Las dewi¡¡ciones verticales correapondientes son dt = a*br1-yt. Las coordenadas de e¡tos puntoa tomadoc de la gráfica eon aproximadamente (0.

50. REGRESION Y CORRELACION [cAP.636. la ecuación de la la recta de mínimos cuadrados es ¡ : c * dy.60 .sz El trabajo involucrado en el crilculo de las sumas puede ordenarse como ae indica en lá Tabla 8-2.2 utiPuesto que hay 8 pares de valores de.8 (o) La ecuación de la recta es y : o * b¡. y. Aunque la última columna no se necesita para esta parte del problema.()r)()ry) = (40)(524\ .r.50 d- - = 1. yla rectade mínimoecuadradoopedida es S t + lrx 6 U = 0.(56X364) lt ó0'545 = 6 --lE f8-i6 g=w =qffiffiá#l )c = cnld)y = frao.CURVA DE AJUSTE. Otro método.545. Nótese que esta no es la recta obtenida en el hoblema 8. b=+ ó0. t¿s ecuaciones normalee son )Y: 2ru: an*b)r a)r*b).546 + 0. a = ()y)()r2) . n lizando el método a mano alzadt.oso (b) Si se considera a r como la variable dependiente y a y como la variable independienüe. 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. 8c*40d = 56 40ci256d = 364 Estos valoree también pueden obtenerse de ()rx)sz¡ .Ga)(. se ha agregado a la tabla para emplearla en la parte (b).636 r. las ecuaciones normales son 2ru = c2y*d2a2 Entonces utilizando la Tabla 8-2.)ru) c=ffi==-0.50. las ecuacionee normales se convie¡ten en dedonde c=-* ó -0. d=9 ó 1.

hallamos que la recta de (5) que indica que la recta pasa por el punto (4. = tllu-úl Nótese que en general.500*1. y E=-t+*y. Nótese que al solucionar esta ecuación para y obtenemos y obtenida en la parte (o).50(3) = {.úr. Caso 1. se utiliza para estimar r para valores dados de y.4 intersectan en el punto (.60y t2 10 = y= e.60 + 1. - 0. pueeto eue6=*+t(?). lo cual es un¡ indicación de que los datos están muy bien descritos po¡ una relación lineal.50y.Resolviendoeimultánesmente. {. b por c.6)seencuenhasobrelarerfar=-++$y. y es la varirrble independiente.8l CURVA DE AJUSTE. llamedo el centroide.546 + 0.cAP. 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 ). r-ñ f). y. Por üanto la¡ rectas se interceptan en el punto (?.E. (b) Al remplazar x. se indican en la Fig. mfnimos cuadrados puede eecribirs€ como hocediendo como en el c¿¡o 1 intercambiando r. es (7.4. (o) Demostrar que las dos rectas de mínimos cuadrados obtenidas en el Problema 8.6).66? r 8 6 1 u= 0. U = &* Lrrr. (c) Estimar el valor de ¡ cuan' doY: 3' -2a40 a=T=¡-=o Luego el punto (6.6.8-8 8.60+1. 0. ú). 6) se encuentra en la recta U = 0. La recta obtenida en la parte (b) se llama la recto de regreeión de x eobre y. ti).636¡. la recta de mínimos cuadrados puede escribirse como Q) Caso que muestra que la recta pas¿ por el punto (á.pue¡üoque7=-*+*(6). (b) Estimar el valor de y cuando x: L2. ¡ = 7 .Í.333 * 0.546 f 0. [¡secuacionee delaedosrectassona= llamos 8.636 r o. U = 0'646 + 0'636(12) = g'Z' (c) Al remplazary:3 enlarectaderegresiónde¡ sobre a.Elpunto(?. Demostrar que una recta de mínimos cuadrados siempre pasa por el punto (i. REGRESION Y CORRELACION Por tanto la ecuación pedida de la recta de mínimos cuadrados es r = 0.7.ú).ha*+É. y : 0. ¡ ¡=-0. Lar gróficas de l¡s dos rectat.546 * 0. (o) El punto (?. 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. ¡ es la variable independiente.333 + 0'667 ¡' que no ee l¡ mi¡m¡ rect¡ 8. remplazando las constantes o. pero ¡e intergectan en (a.: L2 en la recta de regresión de y sobre n.5).6. F = -0.fi). Ot¡o método. las rectas (¿) V (S) no coinciden. Representar gráficamente las dos rectas obtenidas en el hoblema 8. .! :5.60 y.9. más exactamente.. d respectiremen' üe.636 ¡ 2 0 6tl012 Fig.60 * 1. 2. Nótese quelas dos rectas en e¡te caso prácüicamente coinciden.8.

tenemos D_ 2(r n2xy .t). pdgina 260. g 8.e¡z demo¡tración de (12).pdgina 261. h_ v- dondeh n2uU yk son constantes. 8. h = f. U .(2r.1 -ñF-trú.=7+h.n8z 2r2 I Entonces . y.. REORESION Y CORRELACION Demostr^ar que la tecta de regresión de mínimos cuadrados de y sobre forma (8). De la segunda ecuación en (5).úl = 2(rs-i:y-ir*efrl 2ra-ñ2u-ú2n1'2eú 2rU-nEú-nfrE*nitfi . sean c = d *h. y (véa¡e problema g.9.8 tenemos f. u=u'*k.al r. Tónemo¡ de 11) [eAP.()¿X)y) n)¡z .8.y.7 .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.(>.(2x')(2y'l n)s'2 . Problema 8. ¿ = ñ.9. j[n2ra Por tanto (I ) oe conüerte cn 2rU t (>¿X>y)] de donde ¡e obtie¡e el resultado (S ).10 Si en el Problema 8. re rigue intercambiando D - >(z::elfu. u=7+tc Por üanto . = n8ru-(2rl()ü _ n2xz _ (2r)z Entonces ti ú = út I h. U - g. + k.=-Ep=Ts¡t Del Problem¡ 8. Ir 2(a .(Ic)z¡ También >(r - t)(v .ú = b(x.-.(2rlz 2(¡z-2nr*12) 2r2-2ñ2r*2i:z 2r2-2n82 lniz 2s2 .t¡z = - t )(>x)2 |ín2rz . 8.272 CT'RVA DE AJUSTE. .nEú (I¡X)z) ¿ru . demostrar que D--i# .(2r)(2r'l n2r.)(2g. r puede escribirse en la (l).n2r'a' . página 260.tenemos .12).Demosharque .

849 .197 )92 = 64.L07 de donde hallamoe o : 36. de modo que lae ecuaciones normales se convierten en 9oe 2? 666 864 É¡ E 12o*800ó:811 800o*63.ae sumas se muestran en la Tabla 8. (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r.y deuna muestra de L2 padres y sus hijos mayores.82 y b = 0.9 ya que 2fr' = l(c-t) y análogamente = 2r-nñ = 0 ly' = 6.476. &11 La Tabla 8-3 muestra las respectivas estaturas lc. donde o y b se obtienen resolyiendo las ecuaciones normales.cAF.a2n*b2n2 [.476x. . La gráfica de esta ecuación ¡e muest¡a en la Fig. 72 de dispersión se obtiene dibujando los r = _8. 62 62 6{ 66 Fig.086/___V (b) f. 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. (c) Construir un diagrama de dispersión.82 + O.418b = 64. 8-9. Tabla 8-3 Estatura r del padre (pulgadas) 65 63 67 64 68 62 70 66 68 67 69 7L Büatu¡a y del hijo (pulgadas) 68 66 68 65 69 66 68 65 7t 67 68 70 (o) El diagrama puntor (r. REGRESION Y CORRELACION 273 Se deduce inmediatamente del Problema 8.88+r. y ) sobre un sistema de coordenadas rectangulares como se muestra en la Fig. 8-9.418 Zny = 54. (c) Hallar la ¡ecta de regresión de mínimos cuadrados de r sobre y.4.a recta de regresión de y sobre r está dada por y = a + b*. de modo que y :96.8l CURVA DE AJUSTE./ €70 6 !a 2a'= an * ólr 2ra .

9.L07 E1lc#54.()y)2 1.11 utilizando el método del Problema 8.11.036y. - 68 tenemos r.68 = 0. de r.036. u =7*68 = -**68 = IZ-LZ = b(u. = delascualeshallamosc:-3. Por tanto 6?.476 También ya que &' = ú . CURVA DE AJUSTE. Esto nos conduce a la Tabla 8-5. aparte de los enores de redondeo.(lyX>ay) n2yz .38*1.2y 2uY = c2Y*d2Y2 L2c Utilizando las sumae en la Tabla 8-4. esto ee a = 36.82.asfque¡:-3. b = dada por ry# = 0. se convierten en -f SLld = 800 64. y ( los números restados de r tee). Solucionar el Problema 8.086 8.á). = ñ . - (>¡XI=y2l.849d muestr¿ en la Fig. 8-9.Iagráficadeestaecuaciónse Otro método.476u u .68.67. Réstese un valor apropiado.38. .58 n I¡ =7*68 = -**68 = 66. 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).86 * 0. 8 "= (c) ecuaciones normales I]4ff de¡ sobrey viene = 85.68.d=1.6?.12. De una manera análoga podemos obtener l¡ ecuación de regreaión de r sobre y.5) - (10)z = 0. y.4?6 Larectaderegresión x:c* dy.g8. REGRESION Y CORRELACION lcAP. por ejemplo 68.476(n-66. = ú - 68.dondecydseobtienensolucionandolas 2a = cntd.274 Otro método.ú de acuerdo con el Problema 8. . ¿ = n>r!: (>!)l?nl = n2a2 .12s¡z _ _s. (12X106) (-16)f.07) 6 ecueción de regreeión pedida de y sobre x ea a .

(c) CuandoT=100.3019 6. .2833 1.8 49.40.(b) Escribirlasecuacidnes que¡elacionan aPy V. (c) Hallar elvalorde y y C. Entonces P=antilog1.2340 2.6 194. la última ecuación puede escribirse (r) U = oibr donde¿:logC.2077 3.40.a2r*b2r2 4. La Tabla 8-? da los valores ¡. Tabl¿ 8-7 s = logV L.b:-'1. a = ()y)()rz)-(>rX:g¿l _ n2"2-1>n\z .1 Presión P (lb/pul2 ) Ya que 6r. n.13 dibujando los datos en un papel logJog.13.20=logCy (b) Pvt.2ry . (c) EstimarPcuando V = 100.6762 1.ffi¡af'=-1. C=1.2878 2.2 PVt = C.1 lu = 8'7975 b )12 = 23.0043 12 ra 3.5 72. 8.40(21 =1.20-1.4685 3. y y= logP=4.40= lb/pulg2.7910 1.9294 2.7348 1.0997 3.0095 3.6946 1.0 10.7858 1.074L 2.8543 =-1.6 88.()rX>u) 6=-ffi.2 t9. obtenemos un punto que se dibuja en el popel log-log construido especialmente como se muestra en la Fig. debe existir entre las variables. 8-10.4Ou.cAP.log P : y.859? A = logP 1.60X104 y y=1. = C. De acuerdo con los principios de la termodinámica una relación de la forma PV.9479 2.7 28.4 118. Tabla 8-6 Volumen V (pul3 ) 54. r=logV:2 25.2976 )r = 11.14. La tabla 8-6 da valores experimentales de la presión P de una masa de gas dada correspondiente a varios valores del volumen V.4 37. P de Ia Tabla 8-6 y también indica los (l ) son 2a = on*ü)¡ de las cuales 2ry .0 pulgadas cúbicas.20. Solucionar el Problema 8.40 Luego Y = 4. Para cada pareja de valoree de la presión P y el volumen V en la Tabla 8-6.7943 4.0350 3. y conespondientes a los valores de V.0059 2xa - 16.4533 1.8l CURVA DE AruSTE.8309 t.to = 16. REGRESION Y CORRELACION 276 ECUACIONES NO LINEALES REDUCIBLES A FORMA LINEAL 8.40=-y.3 61. donde y y C son constantes.66L7 2. tenemos tomando logaritmos de base 10 cálculos involucrados en eI cómputo de la recta de mínimos cuadrados (l ).6953 (o) Puestoqueo=4. Las ecuaciones normales qorrespondientes a la recta de mínimos cuadrados logP = logC-ylogV logC ó logP*ylogV: Tomando log I/: x.000.20-l.

4. .. (nn.) d^ = o*üc"lorl-t^ y lrr ruma de lo¡ cuadrado¡ de le¡ de¡viacionee eotá dada por )¿t = )(o+ bxlca2-t)1 . .¡ U¡ ertfa dadar por dt = qtbx¡Ic¡.a)(2) = de modo que logP* 1.4 logV = 4. P: 26 de la g¡lfic¿.2 a = logP-ülog7 = lo926*1.2. Pa¡a obtener ¿ ¡e nece¡it¿ un punto sobre ce8 l¡ recta.Ut U2. re de numéric¡rnente por l¡ relación-de la longitud AB a le longitud AC. e2. . Por ejemplo cua¡do V: 100. .o*blogV ó g = o*bn Ie pendiente D.1rn ¡on olbr¡lcu!..!nl. U = a*ba*crz l¡ pa¡óbol¡ de mfni- Se¡n lo¡ puntos mue¡t¡alec (a¡Ittl.2. [¡ medida en este e¡¡o indica que D = -1.8-r0 150 ¡00 ú t00 También ¡e indica un¡ rect¿r (dibujada a mano alzada) que re aprorima a eeto¡ puntos. (r*uzl. of bur*wl l¡¡ de¡vir¡cionee de. Por t¡nto albn2*ct/. . . m 60 so r00 Volumen Y '{l Fig.276 CURVA DE AJUSTE. Entoncee lo¡ veloree de y ¡ob¡e moc cr¡¡dr¿dor cotrec¡rondieatet a a1. Deriva¡ las ecuaciones nomales (I9). para la parábola de mínimos cu¿dradoo. REOBESION Y COBRELACION [cAP. y PVtl = 16O00 PARABOLA DE MINIMOS CUAI)BAI)OS E.. . . que er negatlva en e¡te ce!o. Enton4. prigina 261.?"-al' dc = o*bu21-cú-!2.4..16.a*(1. 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 . logPTlle .8 l0 ú' 3o {0 ü.4 los100 = l. .

7 12 n3 xy 6.62 21.9 9. = + 2.00 Puecto que n (2) Reolviendo.8 7. e¡ decir 277 F(o.28 233.2b + 291.36 2ua = Zxu 291.t=o' *=o Enüonces # = ).O.971.360 + 18971.6 9.0 ?.7 4. págin¡ 261.79 s32.8 r87.2 6. REGRESION Y CORRELACION función de o.0 7.48 19.00 2.ólcs*clra H trabajn involucrado en computa¡ la¡ ¡uma¡ puede ordenarce qomo 8e mue¡ha en la Tabla 8-9.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).cl = )(o I Para minimizar esta función debemo¡ tener bx * cx2 - U)z Ti=o' . c = {).36 5?6.' 7.75 117.cAP.2ll0rt .9 7.b.19 2.L6 6470.70 26.9 5.7 7. o ción = 8.066.04 1.70 38.96 96.588 de mfnimoq cuadrado¡ pedida tiene l¡ ecr¡¡- .t2 9223.1 8.6 a I bx * cr2 a los datos de la t€ D.OI 32.8 4.46 254t.2 1.2110¡ arí la parábola 2.83 29.49 92. ? = )f.20 c = 48. c.8r 2n2g I¿= 42.688.66 259.1 t€ 14 a 4.2 6.04 48.4 2r2 - Ic3 = 2276. T¡bb ü u 1. b.06 941.o3to*óc*cr2-a)2 = )2(o+br*crr-a) k = )*a{o*br]-cnz-u)2 = 2Zr(a*brtcü2-a) aF :d.8 2.6 5.65 185.22 rzy 6.20 o + 2276.41 73.8l E¡t¡ ec CURVA DE A¡UsTE.12 67.08 10.6 2A = an*óI¡*c2n2 [¡s (r) ecuacionec normales son 2ry = o)¡*b2r9*c2rs 2n2a = o.42 291.2Ob+2275.7 4.92c : 1449.92 230.1 : 8.27 1.42 - - 1449.24 9. Tabl¡ u 1.8 4.82 4t. lar ecurciorÉ¡ norm¡ler (I ) rc convierten en 8a I 42.2a*2SL.19 36?.73 5. b = : 2.8 3.4E 1065.2 )u= 46.28 38.61 24.9 7.36c = 230.20 18.065 t .2 1.16.58 4.6 2. Ajustar una parábola de mínimos cuadrados de la forma ! Tabla 8-8.91 636. 8.8 3.49 60.8 7.93 342.44 3.40 10.2r2].1 12.5 6.

741 4.). [.página 262. .17. (c) Hallar la ecuación de regresión de mínimos cuadrados de z sobre x. (c) Estimar el peso de un muchacho de 9 años y 54 pulgadas de estatura. las ecuaciones normales pedidas (21) en la página 262 se obtienen. y. .278 CURVA DE AJUSTE.An) son respectivamenüe a*br1*ey¡ Por tanto las desviaciones de z¡. (ün. y.2)2 = 4. las estaturas x. (b) Determina¡ los valores estimados de e de los valores dados de r.19. Demostrar que la ecuación de regresión de mínimos cuadrados se obtiene al determinar a. c de modo que satisfaga (21.18 la forma z r.5 5.. b. 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. 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.16 para estimarlos valores de y de los valores dados de r.2) .962 7. 8.56L 2. Se desea estimar una variable z de las variables : Sean los puntos muestrales (ryUyzr). . . pág¡na 262.503 7.. Tabl¡ 8-10 Uest 4.Un. b.zn\.8 8. . Entonces los valores de z sobre el plano de regresión de mínimos cuadrados correspondientes a (r1. (rn. all.z¡ dt = a* br1 * cUt.588 + 2.zt.8 7. .os resultados se muestran en la Tbbla 8-10 junto con los valores reales de y. Ue"¡ = 2. REGRESION Y CORRELACION la.0.9 6.2.065(1.613 6.. Utilizar parábola de mínimos cuadrados del Problema 8. Análogamente se obtienen otros valores estimados.5 2. lcAP.2 6.7 u REGRESION MULTIPLE 8. Pata r = 1..0 7. vienen dadas por a*bnr*cyn dn = a* bnr* cUr.762 4.762. 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. .640 7.621 5.2110(I. La Tabla 8-11 muestra los pesos z ala libra más cercana. b y c a cero. c e igualando las derivadas parciales con respecto za. z.8 4. y por medio de una ecuación de regresión de a ! bx * cy.. ala pulgada más cercana y las edades y al año más cercano de 12 muchachos. y puede escribirse z: albnlcy Las ecuaciones normales (21). .

206 69. denoüado8 pot valoreg Tabl¡ 8-13 2est 2 64.= v.8l CT¡RVA DE AruSTE. Ír.8646.843 Utilizando esta tabla. o aprorimadamente 63 lb.2(Ufl -a.cAP. a = 6796 = 3.225 68. c = 1.139 34. demos- s'?.682 ?8.286 66.6068. el peeo estimado es zest : 63.356.b2r(u -a-br) .6612. Si la recta de regtesión de mínimos cuadrados de y sobre que el error típico de la estima sy. =í.e resultado¡ ¡e dan en la Tabla 8-18 junto con lo¡ mueshaleg de z.865r+1. REGRESION Y CORRELACION Tabla t-12 fi 64 Df 59 49 62 51 a 8 10 6 11 z. Utilizando la ecu¿ción de regreción (3) obtenemos log valores egtimados de z.136 64.20. y.168 48.¡ €stá dado por r viene dada por ! : a * b*..66+0.8436 * 6779c = 40.4t4 69.606u zesb al susti- ) tui¡ los valores correspondientes de x.926 66.r=n= = 2(a-a.-brl - o-bu) .664 78.! : 9 en (3).880 106o*67?9b+976o Rerolviendo. las ecuaciones normales (I ) ee convierüen en l2a1-643b *106c (2) 643¿ = 769 * 34. la ecuación de regrerión pedida es (t) (b z = 3.7r7 68.830 2yz = 6796 2uy = 6779 48. Entonces ^. ü = 0. ERROR TIPICO DE LA ESTIMA 8. 2a'- a2g n - b2rY por Ueet Loe valoreg de y ectimadoa a partir de la recta de regrerión vieneÍ'r dados = @ * ü¡.86? 65. 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."r)2 2afu 2fu-o-brlz o.920 64 7l 63 67 DD 68 77 67 66 61 76 68 (c) Remplazando ¡ : 54.

2r-b2rz = 2A = on * ó)c 0 puesüo que de las ecuaciones normales 2ru .81 U - Aest 0.19 2. denotados por lresr. Sabemo¡ que la recta de regreeión puede eecribiroe oomo blem¿ 8.. cotrespondiendo a ¡ = 65 tenemotgest:36.2¡ pará Del hoblema 8.98)2 12 = L64z .20 se obtiene el re¡ult¿do pedido.2na-o.76 L.22.r9)z:l-.a(2U.b2r'g' . Demostrar que el resultado del Problema 8.11.b2rtgt * nú(ú . También ¡e indican lor valorea y - Uest.81 62 66 66.€2 + O.33 0.82 + 0.b2r'Y' = 2(a .Cuandoeehacenestoeremplazo¡enelProlos datos del Problema 8.6? 70 68 69. como se obtienen de la recta de regresión.bt2y' .11(b ) la recta de regresión de y cobre x ea ! : 36.a2r * = b2u2 Entonces sí.ú)'- b)(c n - ¡)(u - ú'l Si ¡ = r' * A.7L 64 66 66. En la Tbbla 8-14 ee listan los valores reales de y (de la Tabla 8-3) y los valorec estimado¡ de y.38 7l 68.ana .bnü! = 2U'2 + nú2 .+(0.b2(r. I üyt * r.bi2r' .14 66 65 67.a)2 .21. güe ¡e neceaitan para el cálculo de oy.76.x = lTiltr= 1.476(66) : 66.20 N3' = 2u2-o'2a-b2xy = 2(a' + ú)2 .47 6r.71 -0. 8 2(A-a-bn) . E. Entonce¡ del hoblema 8.")z = "1. 2(a .al@ .o2(g' * fil .. 8.¡ Método 1.2O puede escribirse como ^z üu.b2(r' * ñl@' * úl = 2(y'2*2ytfi*¡z¡ .r.280 Pero CURvA DE AJUSTE.UpotA-ú. Por ejemplo.*nú') . que corteeponde a empezar con l--o+bryremplazando:oporcero.14 -2. 2u'=0 y ú = o*bt (que re deducen aldiüdiramboslado¡ de l¡ ecuación normal 2A = an * b)r por n¡.19 67 68 67.y.66 7l 70 69.28 pulgadac.bñl = 2O'' .71 69 68 68.66 >(u-u..á).14 ü a Uesl 65 68 66. REGREsIoN Y coRRELAcIoN lcAP.28 -1. (1.62 0.24 68 67 67 67. = 2a@-a-bt\ nll 2a2-a2a-b2ra Este ¡esultado puede extender¡e a ecuaciones de regresión no lineal.ó)(a .28 68 69 68.19 0.24)2+(0.24 -0.bn.b2t'g' .ú = b(r .o.29 -1. Método 2.xpot¿-á. Erto demueetra el resultado pedido.úl donde hemooutilizadolo¡re¡ultedot2r'=0." y 8t.24 63 66 65.81 0.2y-an-óIr = 0 2r(a-a-br) .anÚ . g = A'+ ú.!* e!\ = 2a'2 + 2y29' * nú2 . Tabl¡ t. / .ú = 2u'2 . Catcular el error típico de la estima¡ 8¡.

)(y-uu. Utilizando los valores - a -0. Uir examen poste- 66 6l 62 Otro método. Si los puntos están distribuidos normalmente respecto a la recta de regresión.04 (a) Variación explicada = (b) Variación no explicada -ú)2 = (-0.77 )(U". REGRESION Y CORRELACION 28L 8.g) sumando.11. ne dada por 6r..[t = (y ..22).82¡z+.30 0.82 -t. NOTA: Una mejor estima del error tfpico de Ia estima de la población de la cual so. cada una a una distancia vertical su.28) = 1. 2r(u . Las dos rectas paralelas. ú>@ - a - bn) puesto que de las ecuaciones normales 2(a = 0.25.23.) para 9 puntos (¡.el 6812 de los puntos se encuentra entre las rectas. . Tabla.brt Q. + (2. ts.un"J(v.abn) a .. (¿) Construir dos rectas paralelas a la recta de regresión del Problema 8. 8-11.40 pulgadas.cAP.nrr.22. tenemos 2(u-ú)2 . Calcular (a) la variación explicada. 8l CURVA DE AJUSTE.58).08 2.r 0..U""t)2 .. del Problema 8. y).25 1. Entonces el porcentaje pedido es 9l12 : 7 5d.56 -0..11 se muestra sólida en la Fig.11 a una distancia vertical sy. Entonces el porcentaje pedido es 9lL2: 7 5%.82 * 0. (o) ta recta de regresión y : 35.28 (véase hoblema 8. = tpiLo (1.12 (o de la Tbbla 8-4.rn.ne?. '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.0t¡z . = 1/@ se tomaron las estaturas vie- COEFICIENTE DE CORRELACION LINEAL 8. se muestrana trazos en la Fig. (b) Determinar el porcentaje de puntos de datos que se encuentren enhe estas dos rectas.A)'.t-ti) - A)" = 2(A - El resultado pedido se deduce si podemos mostrar que la última suma este es eI caso..t)2* )(yn"t-ú)2+ z>fu. Il . ya qve ú la Thbla 8-14 podemos construir la Tabla 8-15.13 -1.28 y 1. = 19. de datos. se encüentra entre -1. En el caso de regresión lineal )(v - Y'"'¡)(v" "r .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.a) = =Q :y.61 0. :: :. y-gfo".y""t) * (Uost .476¡ obtenida en el hoblema 8. = 1.28 (es decir. Del último renglón de la Tabla 8-14.13 1. la teoría predice que alrededor d.. parecen estar sobre las rectas.::.:'.34 0.'. Este hubiera sido el caso aproximado si el tamaño fuera más grande. 8-11. = )(U . (b) la variación no explicada y (c) la variación total para los datos del Problema 8. Demostrar que >(g Elevando al cuadrado A"'r)'* 2(U*r..S-15 Uest : 8]-LlL2: 67.?0.24.:: ... ya que es cero..61 -2.rr. 8.58 del Problema 8. Tenemos Uest de ú : 67 .

aumenta a medida que r aumenta.4 a'= tr'2 2..70 = 38.49 1. Utiliza¡ los resultados del Problema 8. (a) coeficientededetermir¡ación = t = '1Hi1iáf*1"io" =m= 0.'.6 0. del Problema 8. y Ulst = U.62 1. Entoncee. Entonces 2r'a' 40.= EF.3 a-v 0.-0v t'. (D) coeficiente de conelación = r : tVñ7d58. en el caso de regresión lineal.89 0. Puesto que la varirable yn". 8.09 7.3 4.7 1. (la fórmula producto momento).69 22.92 10.92.16 6. /i84s8)?58-3t Tabla E-16 = 0.29 1.16 2.36 68 il 'l .4 7l 67 68 70 -0.24.= !0.7 1.92 0.7 0.o.6 .09 5. para el coeficiente de conelación.7 3.68 5.69 u'a' a'2 0. utilizando A.4 ' 0. Por tanto se sigue el reeultado pedido. prágina263.7027 u 65 63 67 B4 a 68 66 68 66 69 66 68 66 r-t -t.26.66 0. pero negativa cuando /est disminuye a medida que r.89 13.16 o.82 7..68 2trtg'= 40.7 -3.27.282 CURVA DE AJUSTE.aumenta.4F7q de acuerdo con el Problema 8.69 0.6 0. obtener el coeficiente de correlación lineal para los datos del Problema 8.7 )y = 811 a = 8LUl2 2rt2 = 84.z b22r.2 /?r.7027 o con dos cifrar significativas r : 0. .32 1.02 1. ¡o )¿ = 800 i.16 6. E.3 2.66 -0.4 0.' .3 -1. Halla¡ (o) el coeficiente de determinación y (b) el coeficiente de correlación pa¡a los datos del Problema 8.7027. Utilizando la fórmula producto-momento.A)z = 19.4 -0. La recüa de regreeión de mínimos cuadrado¡ de y sobrer puedeescribfuse 1lest= b = 2r. Los resultados (b) y (c) pueden obtenerse por cálculo di¡ecto de la suma de los cuadrados.4 2.l2at2.96 2.:800/lZ = 66.76 11.))' l) n'\ ¡ \) '\il t' jó -0. la conelación ec poeitiva y por tanto escribimo¡ r : O.6 3.56 0.y = EP.11.42 -1. la expresión para r tiene automáticamente el signo conecüo asociado.4e88.29 18.18 0.3 -2.f.09 10.6 L.92 = 67.28.34 \/G.22 + 19. puesto que la'gt'es positiva cuando 3/ss¡ autnentá a medida que r aumenta.8 (c) Variación total : 2(a .donde ¡2= variación explicada va¡iación no explicada 2b2r.34 2a'2 = 38.76 1.)z \/ñtrW Sin embargo. REGRESION Y CORRELACION lcAP.) asír--*2r'a' ffi (2x.4 .s¿. El trabajo involucrado en la computación puede organizarse como se indica en la Tabla 8-16. página 264.25.?0.82 4. = y -f.= \Eá/ /rorl = \r¡. trt =r- E.32 7t 0.49 -2.11. tenemoa &*br 6 Ulr¡= bx. 8. A partir del resultado general (30).26(b).[bb tt 62 70 66 68 67 69 -4.y.6 0.L2 7.A.3 0.3 -2. derivarel resultado (34).

2ñ2r 4 ntz (2112 2(2nl' ()r)2 = 2rz = 2r2 .11 (b) y 8.nnn* v Entonces (I ) ee convierte en r(a-üz = 2a2 r : . .29 para halla¡ el coeficiente de correlación lineal para los datos del hoblema 8. págrna 261.>IY w@ : n2rA-(2r'l(2A) .28. la recta de regresión de donde A=?I. Demostrar que el coeficiente de correlación lineal viene dado por f= En el hoblema 8.cAP.31.29.476 d=ffi =1. donde ¿=? rz r sobre y er =a*ilu 8y Entonces b¿t = 1g\ 1g) = \c"/\oy.a recta de regresión de y aobre r es u=olbx Análogamente.30.26(D) y 8. [. 8.TUSTE. Demostrar el resultado (17). Del Problema 8.8l CURVA DE A.| ¿gl\/¿e¿\ 6 =(iiot/\al/ ' ¡=o'7o27 que está de acuerdo con lo¡ Problemae 8.27 ee demoetró que (r) Pero | = -4={@ñ4 = >(x-el(a-il = 2(ra-Da-sú*eúl = 2uU-e2A-fr2ntnD! = 2ru-nú-nfro-lnn! = 2rg-nDfi 2xt = --E . Utilizar el resultado del hoblema 8. 2(a-nlz = 2(rz-2rt*r2) = 2s2 . REGRESION Y CORRELACION 288 8./ 8.(>aXIY) n :E Puesto que = (2rlln V'ú = (2Alln" Arúlogamente.036 Enroncec rz = bd.11.11(c) respectivamente 484 ' ó=10fr=0.

3743 indica prácticamente ninguna relación lineal entre r. Hallar (a) s. y? (a ) Utilizando los cálculos de la Tabla 8-9 y agregando que 2tt2 = 290. paralos datos del Problema 8.78%de la variación total permanece no explicada. (d) ¿Qué porcentaje de la variación total permanece como no explicada por la suposición de la relacii.218 6 o. REGRESION Y CORBELACION [cAP.7027 como en los P¡oblemas 8.ilz = variación explicada 21. 8. supóniendo la relación parabólica obtenida en eI Problema 8. 8 8.L071 = 0.42) [(8)(2e1.31 para obtener el coeficiente de correlación lineal para los datos del Problema 8. hallamos r= n2ru - ()¡X)r¿) (8X230. COEFICIENTE DE CORRELACION GENERALTZADO 8.99r1)2 = 0.16.n¡zi = -0.34.01?g Por tanto 7. De la Tabla 8-4 r= n2ru . (b) Hallar el coeficiente de correlación no lineal entre estas variables.ú)2 = 21.n parabólic a entre x.. el error típico de la estima de y sobre I es B!. Utilizando (a) y el Problema 8." = ss\/T=F = 1. (c) Explicar la diferencia entre los coeficientes de correlación obtenidos en (c) y (b). Entonces la desviación típica de y es 8u= 2(u - ú\2 21. I del Problema 8.4'.16.2z .1 ¡.2g y g.30.3?43 (b) De Ia Tabla 8-9.. i = (2U)/n = (46.636 ó 1. Entonces variación total = 2(A .4)/8 = 5.()¡X)z) (8oo)(811) (r2)(54.Oz variación explicada .62. y.9922 = 0.32.64 (á) Primer método. (o) Del Problema 8.tal =ffi=0'9822 (c) El hecho de que la parte (a) muestra un coeficienüe de correlación de solo 4.16.284 CURVA DE AJUSTE.636y'i-(0.) (42.4O De la Tabla 8-10 Por tanto t-= = l(g""t-Al2 = 2l. variación no explicada va¡iación total (d) = l-r2 = L-0. Esto puede deberse a fluctuaciones aleatorias o a una variable adicional que no se ha considerado.40.20) - (42. (c) Hallar el coeficiente de correlación lineal entre las variables r.33 (b). y r =0'9911 var6eió.21(46.2)r][(8X2e0. Sin embargo.26(b). Ubtlizar la fórmula del Problema 8.52) - (40.33 (b). y (b) sr. como lo indica el hecho de que el coeficiente de conelación en (b) está muy cercano a 1.11.80. 2(A .16. 8.33. hay una muy buena relación no lineal dada por la parábola del hoblema 8.40 8 = 1.

la varianza de las desviaciones. Utilizando el Problema 8. dada en térrninos de e2r. Entonces si d¡ : r i . Sea rr: el grado dado al j{simo valor de x.37 Coeficiente de correlación múltiple de z sobre x.33' variación no explicada = 0. Ya que z se determina de ¡. ss t+2+.52. Análogamenüe.@ "" = 0'8418 = !ffi = thffia Debe mencionarse que si fuéramos a considera¡ la regresión de eobre y.88 = 629.os grados son enteros de 1 a n. y estamos interesados en el coeficiente de cor¡elaeíón múltiple de z sobre x. z. ! ¡ el grado dado al j'ésimo valor de y ' [.4L4\2 + "'+(68-65'920)2 = 258.22 8. = 12-82 = 12+22*.139 .218 ó 0. el coeficiente de correlación de ¡ CORRELACION GRADUAL 8.36.-. *n2 n n(n*r)(2n*11/6 2 n2-l t2 utilizando los reeultados 1 y 2 del Apéndice A. que Para obtenerlo. z gería en general diferente del valor anterior. y.l'ciñexptñat. pág¡na 264.a = = 299.L2(62. ¡ sobre y. Derivar la fórmula de correlación gradual de Spearman (36). Explicar córno determina¡ía un coeficiente de correlación múltiple para las variables en el Problema 8.8l Segundo método. tenemos 2a2-a2a-b2ra-c2n2a = 0.cAP. CURVA DE AJUSTE.25 Variación explicada Enüonces - 258. la mediaú ylavarianzasf sonigualesa(n l)12 y (n2 L)ll2 respectivamente.*n @l_ryz n*l En = mientras que la varianza es sf.22 Tercer méüodo.pl.I i son las desviaciones entre las graduaciones. AquÍ estamos considerando n valores de r (por ejemplo pesos) y n valores correspondientes de y (por ejem.218 6 0.88 Va¡iación total 2(z-2\2 ..76)z = 888'26 = 888.222-n22 48. esbturas). y I va. vemos del Problema 8.. al y el coeficiente de correlación entre grados por * - s2¿. [¿ media de r.35.19. viene a3: s?+r?-2rs¡ads"sv .19 Variación no explicada = 2(z - zo"tl2 (64-64. REGRESION Y CORRELACION 286 Utilizando el Problema 8.16 y el cálculo adicional 2gz 8y.

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?. 63. les asignamo¿ w orden meg [(6 + z + + 9) / 4 . 66. 7l y puesto que los lugares 6.l\ltZ . 69. REeRESIoN y coRRELAcIoN lcAP. las estatura¡ de los padres eon (r) 62. 69. 3. lac estaüuras de loe hijos ordenadas en gentido creciente son 66.(J) y (4).6. 7. 6. le. 69.6.37.6 11 .6 1 11 6 8. 8 y 9 repreeentan la migma estatura (68 pulgadas).6 3. 69. Calcular el coeficiente de correlación gradual para los datos del Problema 8. a las e¡tatura¡ de loe padres ee les aaigna los órdenes (2) (3) dio de 7 . por tanto las estatu¡as de los hijos quedan ordenadas @ Con las correspondencias 1. 10. 1. 9. tor \-"rttd- "3 - e¿.5.7. 3.6 10 t2 7. 69. 70.6. 6?.6 1.7.38. 66. ?.6 7. 66.6. 70. 8 (r) h¡ecüo que 7 = fgrad = eZ+sT-af.s" 0.66. AsÍ.8s45 indicando que hay una relación entre el rendimiento en laboratorio y teorfa. 9. la Tabla 8-B se convierte en Tabla E-19 Graduación del padre Graduación del hijo 4 2 6.(2d2)/n = L-nfu2] 8.6. 2.6 1.7. 6g.6 7. Análogamente. d d2 -1 -2 -1 1 1-1 I 1 3 I I I 2-L 4 1 -1 1 4 2d. 6. 6. Hallar el coeficiente de correlación gradual.6.286 Entoncee cuRvA DE AJUsrE.6.5. a los lugares 8 y 9 ae les asigna el orden 8. 4.5. 66. 6g. 71 Puesto que en esta ordenación loe lugares sexto y r*éptimo represenüan la misma estatura (6? pulgadas). 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. ordenadas en forma a¡cendenüe de magnitud.5 l.6 10 3. 11.6.5.c asignamos a estos doe lugares un orden medío de 6. 64. 69. Tbmbién se incluyen dz y 2dz.6. %. 10. 3.5.rz)/n y (l ) ge convierte en 7')/12 W @2 - * (nz 6>d2 . 12 De igual forma. Tabla 8-18 Diferencias de puntuacionee. 67.11 y compararfos rezultados con el coeficiente de correlación obtenido por otros métodos. 11.6 3 8. 66. 1¡ (t) y (2).6 t2 5 7.2 24 = Entonces rgrad= t-#!T = t-ir#?u = 0. 8. 6.

) La función de densidad marginal de X es f{r) = [. REGRESION Y CORRELACION diferencia en graduacionec d.26 1.6 2.Fpx. . En general.zBEl(X-pi(Y -¡.v)l + Gv-Ft'x-o)2 = "? * F2oI .6 -3. lo+zo¡a.25 2.25 1.o*t¡ .a* pr entonces A .6 1. = f.?466 que concuerda muy bien con el valor r = 0.P(X .26(b).25 2.40.P¡x.(r+2y) 0<n<7. INTERPRETACION PROBABILISTICA DE REGRESION Y CORRELACION 8.px) . Derivar (39) a partir de (37).26 L2.5 3.0 ü 12. E(Y .r.26 6. lo cud es una condición necesa¡ia para que F(q. 20. .cAP.39. Y es l\r'a) : (a | f. halla- tv = ol Ftx Por tanto si g .5 1. los cómputos de d2 y I¡ )d se mue¡tran en la Tabla 8-20.}j'2l.pvl .-ffi!\ = 0.2Boyy r (py .0=Y<L {o deotraforma Hallar la curva de regtesión de (c) Y sobre X.25 6.26 L2.5 -1.a) ó Fok = o*v a-tly="4tr-u*) A-Py - /'. 8.dlz} = El(y -pv)21 + BzEl(X-r.F) sea un mínimo.6 3.26 12.8l CURVA DE AJUSTE."l Igualando estas ecuaciones a cero.ol. Suponga que la ecuación de regresión Para la recta de regresión de es ! = E(YlX=r) = a*Fr mínimos cuadrados debemos considera¡ E{lY (a+ px)12} bóo¿r¡"-or utilizado = E{I(Y . utilizando esperanzas.25 2.5 -1.6 -1.0 1. Tabla 8-20 -3.9px.0.px\ ^t u\ox) | Debe notarse la semejanza de la demostraeión anterior para poblaciones.7027 obtenido en el Problema 8.Fy = p(r . (b) X sobre Y.ú2 E(X .00 d Entonces 2iP = 72. íE = dF Denotando la última expresión por F(c.00 2.px) * (pv .Fpx. p) tenemos AF u = mos -2(pv zBoi - 2oxv - 2px(pv . La función de densidad conjunta de las variables aleatorias X. los resultados para muestras tienen resultados análo- gos para poblaciones e inversamenüe.rv) = 0. utilizando sumas. con la correspondiente para muestras.5 -2.60 rgrad = t-#!T: .

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

de los hijos cuyp son 8. En eI Problema 8. hallar los límites de confianza d-ei 95'7. r8fl .9b Con un ensayo unilateral de Ia flistribucirin de Student a un nivel 0. Loslímitesdeconfianzadcl F = b-+f+) ' \ñ4\82 I para 12 .o+zul)arav =1 3 . Hallar los límites de confianza del 95'.B4o confianza del 95% de que 6 se encuentra entre 0.11. Por tanto no podemos rechazar la hiPótesis.2 = l0 grados de libertad) vienen dados por 95?iparap(obteni.2g para 12 .2: LO grados de libertad.'=o Í"'=o.4?6 r6 (Problema 8.cAP. se está en la ryHt\ = 0.476x. 8l CURVA DE AJUSTE.. Escribir las rectas de regresión de mínimos cuadrados de (a) Y sobre X.47G :t ' +('!!) t" / = 0.11).losaleolocar t=lt. .82 + O...los Ií¡:rites de conftanza del 95oy' para --j:lq--.-- ..81 para L2 .66 del Problema 8'11' 8. 1/ .t / ó (b) La recta de regresión de..2\ o.:2.r: L.43. 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 8.43.23 h es decir. 0.0 y lb) 70. sx: 2. sr.66 (Problema 8.lrv1l_z=-.o1f.e5: 1.44.22)y 1.q\I a.4?6 t Vlo\' t/tz.- 2. (b) X sobre Y para el Problema 8. (¿) La recta de regresión de Y sobre X es + oXY "+@ .476B-b t=r. Y ltr-2 donde 37e : 85.2U'L66 0'19916¡= = ya que eo. ¡rara ias estaturas yos padres tienen unas estaturas de (o) 65.nfi162\/28/Bz4 -0. (+) ó a -i : - ür I x) ó -.43)' y n: !2 1 r/o t r--- . = {". En el Problema 8..11 = -l/162/. ot : ".180 si ú ) ú.28 (calculcda en el Problem a 8.á para el coeficiente de regresión del Problema 8.28.2 : 10 grados de libertad.'lW\" .45. REGRESION Y CORRELACION 289 (e) xY = Entonces Í.r: L.-.82 + 0.05 rechazaríamos Ia hipótesis de que el coeficiente es tan bajo como 0..0 pulgadas' puesto qu€ t s7.8I 6.szs=!2.180.136 y 0.40. Ensayar la hipótgsis al nivel d-e significación del O.42.11 se halló que la ecuación de regresión de y sobre x eray: 35.Of Ae que el coeficiente de regtesión de la ecuación de regtesión poblacional es tan bajo como 0.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.- = .42.xY p = n-xÍ oxY oxoy = *-(s)(i*) = = - 1 162 0 -l/162 .

8 los límites (o) Si 16 : 65. ¿Puede concluirse a un nivel de significación del (a) 0.05 y (b) 0. hallamos [comparar con el hoblema 8.96sy.48). (o) Si.ss :7. el valor mÍnimo de n debe ser 032{n - 2 r/i -to.01 8.14 f es decir.?6 a 2'23 es decir. se puede tener confianza de 95Vo que la estatura media de todos los hijos cuyas estaturas de los padres son 65. de confianza del g5% son (ro .0.sz).' sr.32.2 pulgadas.75 para 18 -2: L6 grados de libertad.sz\/ra-z : p l.290 CURVA DE AJUSTE. Entonces 66. los límites de confianza del 95% para Uo fo son = 2. hallar los límites de confianza del96% para las estaturas'medias de los hijos cuyas estaturas de los padres son (a) 65.66 (Problema 8.6 pulgadas úo 0.78.Bb Sobre la base de un ensayo unilateral de la distribución de Student a un nivel 0. /e : 69. o.23 donde y¡ : ffisv.s1t : 2.01 que el coeficiente de corréhción poblacional es apreciablemente mayor que cero? Deseamos decidir entre las hipótesis (Ho: g :0) y (llr t = .45(c)] los límites de confianza delg1l".? y 6?. los métodos muestrales son exactos para una población normal. Ya que t.0.rcontalquero -ñnoseademasiadogrande. es decir.za\ = 66. 35. En el problema 8.48.1/l-z = = .0 pulgadas se encontrarán entre 65.82 + 0.11. ' (b) Si re :70.05.14 pulgadas. se puede esta¡ en la confianza d. = t.i¡z : (?O.t)2 : (65 .07 pulgadas.E. Porlo +1.Los métodos de este problema son válidos independiente del tamaño de n ó to .05? A un nivel 0.SOO112)2 : 11. rechazaríamosI/e si ú ) ú. ciertamente no podemos rechazarla al nivel 0.23 para 1 0 grados de libertad. Nótese que para grandes valores de n.05 utilizando un ensayo unilateral de la distribución que de Student.05. TEORIA MUESTRAL DE LA CORRELACION 8.46.0. 7. ¿Cuál es el tamaño mínimo tal de una muestra para que podamos concluir que un coeficiente de correlación de 0.8 pulgadas.476 r6 (Problema 8.0 pulgadas se encontra¡án entre 67. 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.o¡ para n - 2 grados de libertad .O .32 sea considerablemente mayor que cero al nivel 0. (o) (ó) Puesto que no podemos rechazar ) 0). y¡ : 66.1 y 7 4. Por tanto no podemosrechaza¡I/6 al nivel 0.69.11.0 y (b) ?0. Un coeficiente de correlación basado en una muestra de tamaño 18 resultó ser 0. t/6 al nivel 0.0 pulgadas.8OOtl2r2 : 2.0 y ?0.2óy6!2so.elgbVo de que las estaturas de los hijos están entre 64.6 pulgadas.05.80 pulgadas (b) Si 16 : 70.45 pulgadas. los límites de conñanza del 95% están dados aproximadamente 8.?6 pulgadas.09 pulgadas.0. es decir.45(ó)] los límites de confianza del 95%.11). se puede estar en la confianza del 96Vo de que las estaturas de los hijos están entre 63.Estoconcuerdaconlosresultados aproximados mencionados en la página 262. REGRESION Y CORRELACION lcAP.7 y 70.76 1 1.": 2.14 + 5.?6 t 3.16 :65. Tarnbién. También (x¡ . Entonces los límites de confianza del 96Vo so¡ 69. hallamos [comparar con el Problema 8.66./i=@0.47. es decir.

80 y n = 21. (b) p : 0.4904- = 1.05? o.80.=L. ¿Hay una diferencia considerable entre los dos coeficientes a un nivel de 0. Puesto que r : 0.72.r¡rlb*'.?1. (b) Sip:0. El coeficiente de correlación entre las calificaciones finales de fÍsica y matemáticas para un grupo de27 estudiantes se calculó era0.6932 0.75.:) = oz= La variable tipificada ee Fz = r.69. Entonces el tamaño mínimo de la mueetra ean:28.L6rt*(=. 8.0.r5tz'""(+l-&. t. Un coeficiente de correlación basado en una muestra de tamaño 24 se calculó era r : 0. = Deseamos decidir entre las hipótesis = 0.s|= l. (Hs p2r= Fzrl I (Hi Fzr* .5493y2:(0. n=26.5606.94./ 0.5366' p = = L.60. si Si pz Fz /r +"\ = l.Portantopodemos rechazar la hipótesis de que el coeficiente de correlación poblacional sea üan pequeño como p: 0. a un nivel de significación del 0.rrro.2182:L.s|= 1.5606.9730 0.30 respectivamente. Dos coeficientes de correlación obtenidos de muestras de tamaños nt : 28Y rtz:35 se cdcularon como rr : 0.) nzr-2. t=0.96oz = 1.64 y por tanto n: 25.50.rsr3 loc\t -.s0(-/l1 \ \y'n_B/ = 1.o.50.7L.49 y 0. Por tanto los límites de confianza del 95Vo para p son 0.9730-0. t.CURVA DE AruSTE.51. v=26. 8.5493)/O.50 y tz : 0.B0eb #*#= Fzrl. zz: r.6. ú.5366 a 1.50.s5=1./ = 0.50 a un nivel de significación del 0.9r : 1.el 95Vo püa pz vienen dados por Z=L. v =26. L {zt - = Z-pz oZ 0. p : 0.) 0.b4es.7L.r6r3t"" o.28z (ff3*3) = o. REGRESION Y CORRELACION Para un número Pa¡a infinito de grados de libertad.tJ2:1.266e = 0.05 utilizando un ensayo unilateral de la distribución normal rechazaría' mos la hipótesis solamente si z fuera mayor a 1.Hallarloslímitesdeconfianzadel96% paraeste coeficiente. Por tanto no podemos rechaza¡ la hipótesie de que el coeficiente de correlación sea tan pequeño como 0.e155.4620 Entonces ¡t2 tiene el intervalo de confianza del9SVo. pa¡a n=2g. para n=27. los límites de confianza d.(-) \r P.s2\/ñ/\Flfu2p.66.60. z = t.92.!613*(=. ¿Podemos rechazrir la hipótesis de que el coeficiente de conelación poblacional sea tan pequeño como (a) p (o) : 0.28 A un nivel de significación del 0. 8.16131og(++*) /r r-\ \r-'l / *t.unrr.sz\/rLtt/l-(u32Y = 1. t . t--032\r26^tr=@ = 1.05. t.49.05? zr = r.64.L613 logS:0. v =24.0e86 10.2182 = 1.

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-(#)(#)] =

.gZfy'f - (OfOg6P = = 9.821(o-70.60. s!.. Tenemoe 8"". Entonces utilizamos ( I 6 ). Escribir las ecuaciones de las rectas de regtesión de (c) y sobre del Problema 8.966.64.0 = (b) 6 r-ü='?o-o¡. (b) Í sobre y para los datos rr+qW = 64.o 8.63. (b ) r como Ia va¡i¿ble dependiente.64. en tanto que su covari¡nza es 160.65 utiliza¡rdo el resultado de la parte (c)' .e). De la Tabla 8-30 tenemos. REGRESION Y CORRELACION 299 Por tanto las desviaciones típicas de las calificaciones de matemáticas y fÍsica son 14. (b) SolucionarelProblema 8.e Ge.9 respectivamente.?686.7t9(u-69. a y-6e.0) x-?0.9) -69. Calcular los ertores típicos de la estima (c) er. Representar gráficamente los datos y las rectas de mínimos cuadrados utilizando el mismq conjunto de ejes coordenados. r. ParalosdatosdelProblemaS.s6oy'1:107686)á Problerrra.v ts.9 = 8.61 a.20 G&r'-áiÉfutB = o'7686 que concuerda con r hallado en el Problema 8. Ajustar una recta de mínimos cuadrados a los datos de la Tabla 8-31 utilizando a (a\ x como la variable independiente.hallar(o)losvalore$deycuenda x=6.uo+qY: 145+q'qfrEq = u= De los resulüado¡ del Problema ?o.0=q9ff##q(v-6e.934 s. = L4. r a 3 6 6 8 911 234668 8.60.cAP. para los datos del Problema 8.a guplementa.0).60. = 13. página 261 .64.5+E#9 = ú .2. E.rlos RECTA DE MINIMOS CUADRADOS Tabla 8-31 8. 0..926 y r = 0. Utilizar los resultados del Problema 8.x=L2.(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. para obtener las ecuaciones de las rectas de regtesión (¿) ó a-u='!w-nt..61. 0. 8y r-70. (a) (bl Ey..66.0=A+##€?!)@-70. 8xv 160.5¿8 8.66 8. = ¿yt/Ti-rz = = a"t/T7rz = f¿.0 y 14.62. (b) sr. 8l CURVA DE AruSTE.

o + bx r a 0 1 2 ó A 5 t) ¿x?alos datos de Ia Tabla 8-3¡t. y. Alustar una parábola de mínimog cuadrados. utilizando a y como la variable independiente.8?. u (mi/h) Distancia de parada d(p) 20 54 30 40 138 50 60 70 90 206 292 396 E. (c) Hallar la recta de mínimos cuadradoe que se ajuste a los daüos. t. (d) Si un estudiante obtiene una calificación de ?5 en álgebra.(b)Ajustarunacurvademínimoscuadradosdelaforma !=abxalosdatosyexplicarporqué esta ecuación específica da buenos resultados. (b\ Estimar z cuando a to 90 10 72 . 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. (c) Comparar los valores de y obtenidos de esta ecuación con los valores reales.ID 80 ?8 93 86 65 72 87 91 7L 98 95 68 84 89 tt 82 80 72 74 E. y : t 8. (a) Representar gráficamente d.300 CURVA DE AJUSTE.73. ¿cuál es su puntuación esperada en física? (e) Si un estudiante obtiene una puntuación de 95 en físice. 54 42 30 . I : o t bx * cx2 I Tabla 8-37 REGRESION MULTIPLE E. (D) Hallar la recta de mínimos cuadrados que se ajuste. (c) Hallar la recta de regresión de írínimos cuadrados de ¡ sobre y. 8 t. ¿cuál es su puntuación eeperada en álgebra? Tabla 8-32 Algebra (c) Física (y) . utilizando a r como la variable independiente. (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r. [.y:6.6 9. (o) Representar gráficamente los datoe. Tabla 8-36 Velocidad.71 rrcstrar c6mo una gráfica en papel semilogarítmico puede utilizarse para obtener la ecuación pedida sin emplear el método de los mínimos cuadrados. (o) Construir un diagrama de díspersión.2 5.74. (d) Representar gráfioamente las dos recta¡ de regresión de (b) y (c) sobre el diagrama de dispersión de (o).72. (d) Estimar el valor de y cuando r : J.(c)Estimardcuandou:45mi/hy80mi/h. con Ia escala logarítmica para yr la escala ariü- méticaparar.t--10. 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 8:69.3 14.70. o^ 2. 12 .a los datos. (o) Hallar la ecuación de regresión lineal de mínimos cuadrados de e sobre x. y.9 La Tabla 8-36 da las distancias de parada d (pies) de un automóvil que viaja a una velocidad u (millas por horas) en el instanüe que se observa eI peligro. Con referencia a Ia Tabla 8-33.I 3. (o) Representa¡ loe datos en papel semi-Iogaritmo. En el Problema 8.?1.a Tabla 8-37 muestra los 3 6 o n 8 t? o t4 valores correspondientes de tres variables x.6 21. REGRESION Y CORRELACION [cAP. z.u. 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. Escribir las ecueciones normales para la curr¡a cúbica de mínimos cuadrados dada por dx3 .68. (b) Ajustar una parábola de mínimoscuadradosdelaformad:oIbu*cuzalosdatos. El número y de bacterias por unidad de volumen pres€ntes en un cultivo después de ¡ horas viene dado en la Tabla 8-36.

r. yesr:0.88. 8.68(b) v (c ).80 para hallar el coeficiente de correlación entre los dos conjuntos de calificaciones de los exámenes del Problema 8.EO.r. 8l CURVA DE AJUSTE.75 para solucionar el Problema 8. ú=20. D. Multiplicar todos los valores de y por 3 y restarles 15.y para los datos del Problema 8. coeficiente de correlaciónentredos variables¡..67. Si sv. 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 dados en la Tabla 8-39. en E.74. Hallar el coeficiente de correlación entre los dos nuevos conjuntos de valores.Sis"=1. ¿Hay al' t.38 lación entre muestra las edades r y la presión sanguínea y d. (b) Multiplicar todos los valores de ¡ por 2 y sumarles 6. 8.68 (a) dircctamente.00.¡.85.z .50.Br * Ca I Dr2 * Ery * Fyz Obtener las ecuaciones normales para los eoeficientes de regresión de mínimos cuadrados.82. El 8. La Tabla 8.t3. (o) Hallar el coeficiente de corre' r. (ó) Determinar la recta de regtesión de mínimos cuadradoe de y sobre r. explicar por qué se obüiene o no el mismo resultado que en la parte (a). sr:2. Calcular (o) sv. ERROR TIPICO DE LA ESTIMA Y COEFICIENTE DE CORRELACION LTNEAL E. y obtener exptesiones para los coeficientes de regresión de mfnimos cuadradoe el resultado del hoblema 8. Hallar (o) sy ". . (c) Estimar la pre- sión sanguínea de una mujer de 45 años. y es 0.76. y.cAP. y.68. REGRESION Y CORRELACION 301 8. Utilizar 8.E2. " para los datos en el Problema 8.E4.60.86. Hallar los coeficientesde correlación para los datos del (o) Problema 8. Demostrer que la ecuación para regresión lineal de z sobre r.86. Calcular (a) la variación total en y. 8. (b) sr. (o) Hallar elcoef¡cientede correlación entre E.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.7 7 a(r-¿l+b(u-úl o. los dos conjuntos de calificaciones de los exámenes del Problema 8.89.i=10.64. (b) Problema 8. Tabla 8.68.68 utilizando la fórtnula producto-momento y comparar con el resultado del Problema 8.76. (b) r sobre y. 8. Hallar la covarianza para los datos del Problema 8. E. (b) utilizando la fórmula s¡s = rs¡sÍ y el resultado del Problema 8. ballar las ecuaciones de la recta de regresión de (o) y sobre x.81. Si el coeficiente de correlación entre. (o) Calcular el coeficiente de correlación entre los valores correspondientes de r.= 3y ss : 5.79.90.7t.! .81 u 8. Tabla 8-39 x a 2 4 5 6 811 18t210875 .eL2 mujeres.= E.68. ¿qué porcenüaje de la varfación total pennanece no explicada por la ecuación de regresión? 8.8f . (b) $.8?. (b) la va¡iación no explicada datos del Problema 8. Utilizar los resultados del Problema 8.60. halla¡ r. y tiene la form¿ z = A 1. (c) la variación explicada en y para los 8. y puede escribirse como z-2. (b) Obtener eI coeficiente de correlación directamente de las pendientes de las rectas de regresíón del Problema 8.

302 CURVA DE AJUSTE.92.lo6' función de densidad conjunta (o función de probabilidad conjuñta) f(x. 8.93.96gina 52. t.5g ufilizando el resultado (35). página t.(b)XaobreYparalosdatosdelhoblema2. ¿Ocurren algunae simplificaciones en la¡ curvas de regresión Ce Y sobre X ó X sobre Y para el caso de varia- . G. E.102. Tabl. REGRESION Y CORRELACION [cAP. (o) Calcular el coeficiente de conelación múltiple pars los datos del hoblema 8.68 v (b) Problema 8. t.(D)larvariacionee explicaday no erplicada. I COEFICIENTE DE CORBELACION GENEBALIZADO E'91. t.94. H¿ll¡rlacurvaderegreeiónde(a)YsobreX. variación toüal es erplicada por la ruperficie de regreeión? (b) ¿Quéporcenüajedela Demostra¡elresultado (27).8.8.98. H de acuerdo con sus preferencias. Mostra¡ cómo se puede diseñar un coeficiente de correlación múltiple. INTERPBETACION PROBABILTSTICA DE LA REGRESION Y LA CORRELACION E.y.90.99.s.96.paraelca¡odeunaauperficiederegresiónlinealparazsobrer. Halla¡ el coeficiente de conelación gradual y decidir eobre el acuerdo de loe jueces en su8 eleccioneg.84. C.106. F. en el ca¡o de do¡ variablee aleatorias X.gus observaciones en (o). tls[a¡ la recta de régresión de mínimos cuadrados de (a) Y robre X. de conelación para las variabie¡ en el hoblem" g. Hallar el error típico de la estima de z ¡obre ¡. t.rOO. t.lol. Da¡ un ejemplo para demostrarcómo hallaría (a) el error típico de leestima. ble¡ aleatoriac independientes? Explicar.99. y para lo¡ daüo¡ del Problema 8. lo¡ resultados se mueshan en la Tabla 8140. página 52.4O 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.págirra52. y\. estudiar una posible deeventaja del método de conelación gradual. COBRELACION GRADUAL E.¡ 8.96. t. el coeficiente de correlación gradual para loa datos del (a) Problema 8. (b) X cobre Y para Ios datos del hoblema 2. Obtener el coeficiente de correlación lineal para el hoblema 8.99. Hallar el coeficiente 264. Doa juecec en una competencia debían clasifica¡ a 8 candidato¿ A. (b) De. Il¡llar t. D.74.104. Halla¡ la recüa de regesión de mínimoe cuadrados de (a) Y sobre X. (c) el coeficiente de conelación generalizado.página 263.74.a) = [2r+3a Io o(c(L'o<Y<2 de otra form¡ Ilalla¡ la curva de regresión de (a) Y sobre X. Y con E. (D) X eobre Y para el hoblema 8. 8. (b) X eobre y. Y viene dada por f(r.lOS. (o) Hallar el coef¡ciente de correlabión gradual para los datos del Problema 8. Hallar el coeficiente de conel¡ción lineal para la¡ variableg aleatoria¡ del Problema 2. B. La función de den¡idad conjunta de las variables aleatorias X. t.97.

20.1 "l$- c2) 20.01. donde r¡¡ !/6¡ cl¡. TEORIA MUESTRAL DE LA CORRELACION 8.(b)997oparu un coeficiente de correlación que se calculócomo 0.(b)99%paralamedia'detodoslosvaloresde y correspondientesa¡ = 6. Si sr. Las rectas de regresión muestrales de mínimos cuadrados para un conjunto de datos involucrando X. (c) la media de lae presioñes sanguíneas de las mujeres de 45 años.00 y ñ = 7.80 y 0.50' ¿Podemosre' chazar la hipótesis de que eI coeficiente de correlación poblacional es (o) tan pequeño como p : 0.50. Demostrarqueelcoeficientedecorrelaciónentre¡. Un coeficiente de correlación basado sobre una muestra de tamaño 35 se calculó como 0.40.f-(1 -r2)s.(b\99% pra el coeficiente de regresión.sx = 3. ConreferenciaalProblema8.121. . A' = llo * c2y.tu] tan-'L rfti + si) -l E. (b) tan alto como 2. EnelProblemaS. 8.00 ¡. REGRESION Y CORRELACION 303 TEORIA MUESTRAL DE LA REGRESTON 8.5a = 3.01.60. 8. demuestre que el coeficiente de correlación entre r'.11?.00.tes t?.(b\ 99% para y cuando ¡ : 6.c2 soll constantes arbitrarias.110. (b) 0.* : 8.70. 8. Hallar los límites de confianza del (a) 957o.113. En el Problema 8. Un coeficiente de correlación basado sobre una muestra de tamaño 27 se calculó como 0. es (o) tan bajo como 8.123.10?.114 si el tamaño de Ia muestra es 52. que el correspondiente coeficiente de correlación poblacional es considerablemente mayor que cero? E.0 + 2. Demostrar que el cóeficiente de correlación - g.84. Hallar los límites de confianza d. Hallar el coeficiente de correlación lineal.114.el 95% para el coeficiente de correlación calculado en el hoblema 8.10? hallar los lÍmites de confianza del (o) 957o. 8. ¿Podemos concluir a un nivel del (o) 0. Sobre la base de una muestra de tamaño 27 se encontró que la ecuación de regresión de y sobre r era t = 25. DemostrarqueparaelcasoderegresiónlinealelvalormÍnimodeE'{[]'-(o*¡lX)lz.95 respectivamente. Solucionar el Problema 8.118.cAP. página 260.d'.60 de una muestra de tamaño 28.211Ú 8.01.el(o)95%. E.111. utilizando un nivel de significación del 0'05? 8.S4. 8. En el Problema 8. 5r .108. (b) ta presión sanguínea de las mujeres de 45 años.I22. ¿Podemos concluir a un nivel de significación del (o) 0.10? ensayar la hipótesis de que el coeficiente de regresión poblacional 1.\ es independiente de Ia elección del origen de las variables o de Ias unidades en que se expresan. 8l CURVA DE AJUSTE.116.hallarloslímitesdeconfianzadel 9fleparafo)elcoeficientederegresiónde y sobre r. y).00.05. (b) 0. (b) tan grande como p : 0.30. Verificar los coeficientes (5). Yvie' nen dadas por 2:r . hallar los límites de confianza del (c) 95%.!l = 2.l19. que hay una diferencia significativa en' tre los dos coeficientes? RESULTADOS DryERSOS 8.8. 8.?0.115.ypuedeexpresarsecomo il2 -:." = 1.112. para la recta de mlnimos cuadrados. (Sugerencia: Suponga quer' = noi c1r.109. . Demostrar que el ángulo entre dos rectas de regresión muestrales de mínimos cuadrados viene dado por . a un nivel de significación del 0.05. 8. y'es eI mismo que el entre.l0?hallarloslímitesdeconfianza d. Dos coeficientes de correlación obtenidos de muestras de tamaños 23 y 28 se calcula¡on como 0.

Demostrar que para regresión lineal 4 = +.4). Hallar (o) s".2 t23. 8.l2S. E.6 I 10.125.8 111. El período base es de L94? 1949 : 100.4 I14. (ó) Hallar la recta de mínimos cuadrados que se ajusta a los datos y construir su gráfica.129.1 t 10.2 r20.3 I 10.5 r14. (d) Predecir el Índice de precio para la asistencia médic¿ durante 1958 y compararlo con el valor verdadero (L44. Hallar los límites de confianza del 96% pára el coeficiente de correlación calculado en el hoblema 8. (e) ¿En qué año podemos esperar que el índice de costos médicos doble el del 194?1949.0 113.2 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 101.L24.3 1r 7. 19 5 o (t) e.127.7 114.8 114. 210-225 I . 8. Tabla 8. Con referencia a la Tabla 8-43: (o) Representar gráficamente los datos.128. f¡¡ 32 20 t2 q .304 CURVA DE AJUSTE.5 116. Ilalla¡ el coeficiente de correlación entre las estaturas y pesos de 300 adultos dados en la tabla de frecuencias siguiente.8 111.5 por mayor 103. REGRESION Y CORRELACION [cAP.8 102.y para loa daios del hoblema 8. 8ü 8É ¿Es el resultado válido para regresión no lineal? 8.2 Fuente: Bureau of Labor Statistics 8. - Tabla 8-42 Año Indice de precios al consumidor Indice de precios al 99.8 8.41 ESTATURAS . 8.1 25. 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 el coeficiente de cor¡elación entre los índices de precios al consumidor y los índices de precios aI por mayor para todos los artículos indicados en la Tabla 8-42. (o)HallarlarectaderegrecióndemínimoscuadradosdeysobrerparalosdatosdelProblemaS.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) .(ó)Estimar los pesos de doe hombres cuyas estaturas son 64 y ?2 pulgadas respectivamente.130. (c) Calcular los valores de tendencia y compararlos con los valores reales.r.126.6 L19. (b) Br.L25.1 114.

9 ¿ind 1935 1940 1945 1950 1955 24.132 para variaciones explicadas y no explicadas. Y variables a|s3fs¡i¡s con función de densidad conjunta (o función de probabilidad) f(x.7 21.3 16. si Ia hay. del Problema 8.¿(r) es cualquier función de r para el cual estas esperanzas existen. Tabla 8-44 Año Natalidad por cada 1000 habitantes 1915 1920 7925 25. 8. (Sugerencia. (a) Representar gráficamente los datos. 8.134. Sean X. En el Teorema 8-1.6 23.132.5 23.6 Fuentet Department of Health. Demostrar el Teorema 8-1.l35. Demostrar el Teorema 8-2. página 265.132). (c) Calcular los valores de tendencia y compararlos con los valores reales. Education 8.¿) donde . (b) Hallar la parábola de mÍnimos cuadrados que se ajuste a Ios datos.0 1030 18. . E.página265. Demostrar que si 9(r) = E(Y \ X = c) entonces EUY - É(x)1'!) = E{LI'- o(xl¡z¡ + Ells(x) - q(x)l. y).' Utilizar el Problema 8.cAP.8l CURVA DE AJUSTE.136. REGRESION Y CORRELACION 305 8.9 17. Con referencia a la Tbbla 8-44.9 Welfaie 19.131. ¿es g(r) única? Explicar. Estudiar la relación.133. (d) Explicar por qué la ecuación en (b) no es útil para propósitos de extrapolación. 8.

dl h : 7.. La gran media o media total es la media de todas las medidas en todos los grupos y se denota por c. o lo que es equivalente a ensayar la hipótesis nula de que las medias muestrales son iguales.. CLASIFICACION SIMPLE O EXPERIMEI{TOS DE UN FACTOR En un experimento de un factor se obtienen medidas u observaciones para 4 grupos independientes de muestras. En muchas situaciones existe la necesidad de ensayar la significación de diferencias entre tres o más medias muestrales.Capítulo 9 Anólisis de vqrionzq PROPOSITO DEL ANALISIS DE VARIANZA En el Capítulo 7 utilizamos la teoría de muestreo pÍua ensayar Ia significación de diferencias entre dos medias muestrales. cada uno de los cuales tiene b repeticiones o réplicas. . En el Ejemplo 9'L.1r2'.1. Tenemos _lb fr¡:62r. esto es r . desarrollada por Fisher.. de las cuales se extrajeron las muestras. Utiliza la distribución F considerada anteriormente en los capítulos previos.^ 306 (2) .ao lk : a0 i=t r=t -. 22. donde el número de medidas en cada grupo es b. medias de tratarrtiento o medias de fila. donde i : t.. Supóngase que en un experimento agrícola cuatro ttatamientos químicos diferentes del suelo producen rendimientos medios de trigo de 28. Aquf r¡¡ denota la medida en la fila j y Ia columna k. TYatamiento 2 itv t2. . . *iÉr. ¿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. r35 se refiere a la quinta medida para el tercer tratamiento. 2. . .. .. b. Hablamos de a tratamientos. Tabla 9'1 Tlatamiento 1 Ítt E2l rtz rzz xtb fr1. Supusimos que las dos poblaciones.2. Los resultados de un experimento de un factor pueden representarse en una tabla con a filas y b columnas (Tabla 9-1). se denominan medias de grupo.a Q) El punto en tj. tenían la misma vaianzi. . EJEMPLO 9.2. Por ejemplo. Los valores i¡. tg y 24 hU}l'a respectivamente. Ttatamiento ¿ üol fio2 rob tra Denotaremos por i¡ la media de las medidas en la fila j. se utiliza para indicar que el índice k se ha sumado. a : 4...r i:7.

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

T L¡r Los A.) = a(b . y la variación total V son va¡iables aleatorias que respectivamente toman los valores t)b.2. ai k : l. . mutuamente independientes con medias pi y varianza común l.l)o2 E(V'.y u de acuerdo con las definiciones (8). . Sin embargo... Podemos interpretar a p como la media pÍüa una clase de gran población que comprende todas las poblaciones de tratamiento. Definamos la constante ¡r por tL 1s.n = F. . (7\ y (3). Si.r--Lr}. e . . Íjb respectivamente. VALORES ESPERADOS DE LAS VARIACIONES La variación entre tratamientos V6 .ta¡¡ donde P". _ o?r. entonces tenemos de = '"+. De otra parte.Efo es cierta o no. .. b) puede expresarse como la (14\ X. .9). distribuidas normalmentp con media cero y varianza o2.? (23) . La constante o¡ puede considera¡se como eI efecto especial del tratamiento j. Entonces (I4) puede escribirse como (véase Problema 9.) : (ab-l)o2 + "1 (16) (17) b> a? (r8) (.El6 escierta. tienen una media común como también una varianza común.. X. .19) de modo que (20) es siempre la mejor estima (insesgada) de I independiente de si.¡. puedentomarsecomo variables aleatorias independientes (relativas ai y h)...a-l ¿'(Si) v ab-L (I6) (22) proveerá estimas insesgadas de o2. Cada una de las X¡n suma de su valor esperado y un término de "error": (h: L. las poblaciones de tratamiento.2. la variación dentro de tratamientos V.É[s es cierta tendremos ^/ I¡u E\fr)\ = J de modo que solamente en ese caso n(ffi)= a Qr- (21) Qz.18). La hipótesis nula de que todas las medias de tratamiento son iguales viene dada por (Ifo: ot= 0.. x¡2.. de (I6) V (/8) vemos que sólo si. que por suposición son normáles. Esto equivale a suponer que las X* (i : L. b) son va¡iables normales.E[6 no es cierta. Podemos demostrar que (véase Problema 9.o1o en forma equivalente por (I1o: Fi= pi i =t. t). Por tanto solamente hay una población de tratamiento y todos los tratamientos son estad ísticamente idénticos.. =O (15). .2.*= p*a.308 x¡1 ANALI$S DE VARIANZA [cAP. . .7o "b .2. i=1. si . .. 2.19) ' De (17) se deduce que E(Vt) = (a-l-)o2 + b> E(V.

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

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

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

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

proceso conocido como repetición.1) grados de libertad.cAP.I y (c . Para ensayar la hipótesis I1.1 grados de libertad.1) grados de libertad. * ./o2 tiene la distribución chi-cuadrado con c . Las distribuciones ¿" . ¿.1) (b . L'. En tal caso habrá más de un valor correspondiente a un tratamiento dado y a un bloque clado.lc (ú - l)(ü --1) rt1 ar* u" = )(r. Análogamente para ensayar la hipótesis I1[!) consideramos el estadístico ^3ySg.!'. s c-ls .!') 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. cambios apropiados pueden hacerse cuando los números de repeticiones no son todos iguales. la columna o bloque h y ala repetición /./S. . úe = l'Total. El teorema nos permite aceptar o rechazar H3" 6 H3'.V"/n2 tiene la distribución chi-cuadrado con b -1grados de libertad.1) (b . V.tt y Ht2'.l¡^i¡l v ^3yS: vienen dados en el teorema siguiente análogo al Teorema 9-3. Por conveniencia. Teorema 9-6: Bajo la hipótesis ll[.e.u I' lir./S3 ti"n" la distribución F con s . Supondrerfios que hay c valores para cada posición.IMENTOS DE DOS FACTORES CON REPETICION En la Tabla 9-4 sol¿rmente hay un '. ti"n" la distribución Fcon b . el Teorema ANALISIS DE VARIANZA 313 9-5: Bajo la hipótesis H[L). Bajo la hipótesis H'oz'el estadístico 3. página 312. El modelo viene dado por X ¡xt = ¡. (¿ -l)(¿r-t) grados de libertad Entre bloques.l. > (J'j - :L)2 a-l i | 3l ' -ra--1 con cr . Debido a la repetición debe utilizarse un modelo apropiado para remplazar el dado por (35).*-r)! EXPER. una tabla ^ análisis de varianza puede construirse code mo se muestra en la Tabla 9-5. como en el caso de factor uno. uc = (t>(tA-j)r b. 'L' - u.1 grados de libertad. Bajo ambas hipótesis HÍ. Bajo la hipótesis H[.r) el estadístico si.r * Fr * 7.1. Tabla 9-5 Entre tratamientos. niveles de significación especificados.1 y (c . Pa¡a obtener esto denotemos por X¡o¡ la variable aleatoria correspondiente a la fila o tratamiento j. Más información considerando los factores puede a veces obtenerse repitiendo el experimento. . (a-1)(l¡-l) con grados de libertad Residual o aleatoria.'alor ccrrespondiente a un tratamiento dado y a un bloque dado..V/o')tiene la distribución chi-cuadrado con ab .

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

Il[3) puede rechazarse.r A B c A C B A c C" Dr Au B6 Cuadrado Compleüa aleatoliedad Bloquee aleato¡ios Cuadrado latino Fis. 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 se denomina a veces como diseíw del experimento. aunque físicamente cualquier forma puede utilizarse) y asignar cada tratamiento. DISEÑO E)GERIMENTAL Las técnicas de análisis de varianza discutidas anterionnente se emplean despuós de que se han obtenido los resultados de un experimento.F' de 3?/S3 de la Tabla 9. (a . Dos casos poóibles se presentan.9-l Fig. El propósito de la aleatoriedad es la de eliminar varias fuentes de enor tal como fertilidad del suelo. Il[r) no puede rechazarse.1).6.1.4. El procedimiento se ilustra en el Problema 9-tr3. 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. Supóngase que tenemos un experimento agrícola como en el Ejemplo 9. 9-1 por cuadrados.j'z) utilizando las relaciones . En lo que sigue damos algunos ejemplos importantes de diseño de experimentos.2 Fig. Esto produce una tabla factor dos con valores singulares. C. Sin embargo. que pueden analiza¡se como en la Tabla 9-5. esto es oj = 0 I{2): Todas las medias de bloque (columna) son iguales.9-l . 9. Pa¡a üseña¡ tal experimento podríamos dividir el teneno en 4 X 4 = L6 parcelas (indicadas en la Fig. indicados por . D. a cuatro bloques escogidos completamente al aza¡. Completa aleatoriedad. y l/.cAP. Luego podemos ensay4r H. utilizando hs íelaciones F de G?liZ v 3:63 reópectivamente como se muestra enlaTabla9-6. En este caso podemos concluir que las interacciones no son muy g¡ánAes.l) + ab(c . página 306.o) y-H<2. para ganar tanta información como sea posible. Caso I. etc. esto es l3*= 0 I{:}): No hay interacciones entre tratamientos y bloques. Caso II.9-3 grecoJatino Fig. B.los detalles de un experimento deben planearse cuidadosamente con anterioridad.1) (b . 1.F de 33/0? V GfBi en cambio de esas dadas en la Tabla 9-6. Utilizaremos este procedimiento alterno. y utilizando este valor para remplazar el denominador 3! en el ensayo F. 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 . Por esta razón muchos estadísticos recomiendan que se ensayen I/é'. En este caso podemos concluir que las interacciones son considerabtemente grandes. Las diferencias en los factores serían impgrtantes solamente si fueran grandes comparadas con tales interacciones. 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. 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.

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

Análogamente = )(¿.ijk+ñ2\ = i. Verificar las fórmulas cortas (10)-(12).].=brj.k )(rji-zx.k / r'\2 rl rS/rl-zrJ.oi-ziri+ñ2) utilizando el Problema 9.¡.r b bI 1. B.k abúz )"i = j.u ó un -.k 2r@br\ aü*: )"'n = j.utilízandolanotaciónenlapágina307. Hallar (c) el rendimiento medio para los diferentes tratamientos. . = 't)61't). La Tabla 9-7 muestra los rendimientos en hl/ha de una cierta va- A B C . Utilizar el método largo.'*\ u u..k . (c) la va¡iación total. )1rc = ))*r* r = abt 9.cAP.4. -'#(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. o C. . (d) la variación entre tratamientos y (e) la va¡iación dentro de tratamientos. : abñ. + abú2 i.2(b) en el tercer renglón y el Problema 9. Tenemos página 307.k = )rr¡. el ANALISIS DE VARIANZA 317 g.. i'k f¡*" . (b) (c) Puesto que 7j.It - 1'b' Tabla 9-? 9.t) = )(¡.-¿)t )¿i = i.k .-!+abEz -* í.3.) r:r tenemos K por Ia parte (c). (b) la gran media para todos los tratamientos.2(o) en el tercero y último renglones anteriores.18 49 48 50 49 51 50 .(c) ?'..2(o) en el último renglón.zr>ti.j=lk=l 'i ) )'¿r.r-r): i.D6 I ab¡z s-? -4 ab =. Verificarque(o) (d) r: úbÍt(b). riedad de trigo cultivado en un tipo particular de suelo tratado con químicos A.2.2x)r¡¡ I i.18 49 50 47 19 . )r¡.

= ) @¡¡-E¡.96podemos techazar la hipóüesis nula de medias iguales al nivel 0.26. Tabla 9-E e (a) por Las medias de tratamiento (fila) para la Tabla 9-8 vienen dados respectivamente rr. obtenidog al sumar 45 a éstos. = !4(B+4+ 5+4. [cAP.g)r + (4.4. = lae+A+3*B) = 5 3. Entonces obtenemoe los datos de la. .95:4. B.f B+4+6+b+b¡ = Así la gran media para el conjunto original de datos es 45 * 4 : 49 hl/ha.4)2 + (4- + (2 -3)2 + (4-3)2 + (:J-U + (5-4¡r + (4-4): 3)2 + (3 .4)2 + (5 -.05. -¿).conut:2yu2:9.Tabla 9-8.k = (3.¿.@ir-E)2 = (3-4)r + (4-4)x + (6-¿)¿ + (4.318 ANALrsrs DE vARTANZA Para simplificar la aritmética podemos restar algún número apropiado. C (b) (c) .¡.5.05.4)! + (3 .¡. = b)) (é) Variacióndentrodetratamientos Otro método.:l = = r'. Por tanto los rendimientos medios. 4l(4 .4)'.: i(4+6+5*5) = respectivamente.)2 t. =.. = i(B+4-f b+4+2t.. = o.u = 14-8 = 6 (cl.5)r + (d--5)! -l (5-5)r + (5-5)r 412 9.4): + (5-4¡: =14 ((l ) Variaciónentretratamientos = tr.Puesüoque^F :6)F. 48 y 50 hl/ha para A.¿): + (4 -4):¿ + (6-4)2 + (5. ¡r.6. (b) la variación dentro de tratamientos.4)2 + (2 . Con referencia al Problema 9. eon 49.01? Tenemos con-o Con referencia al hoblema 9. 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. (a) (b) ? 3 9. Variacióntotal 4 =. ¿podemos rechazar la hipótesis nula de medias iguales al nivel - 1 : F=$=h = 3 6 - L : 2ya(b . de todos los datos sin afectar los valoree de las variaciones. de significación del (c) 0.4¡:: * (3 . 3 0. i.yemosqueF.4)2 + (4-4): + (3 . (o) ConreferenciaalApéndiceF.1): 3(4-1) : I grados delibertad.41-B. (b) 0. por ejemplo 45.4.

4.6:8. . (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.conur:2!uz:9.9no podemos techazar la hipótesir nula de medias iguales al nivel 0. Tabla 9-9 Gg=f. Utilizar las fórmulas cortas (101-(12) para obtener los resultados del Problema 9.?. = 4 +6+5*5 = 20 r = 16+12+20 = 48 Luego D6 1s-.a&-6 .vemoaqueF.6 ¡e muestran en la Tabla 9-9.=2+4+3*3:12 rt. = 3+4+6*4 = 16 tz.2/3 n con 2.9 o(b-1)=(3)(3)=9 gradoe de =14-8=6 libertad 9.Pue8toqucF=6(F.= Dentro de t¡ata 0w=0-0b a -63 ^' . I¿ tabla de aDáli¡is de va¡ianza para loe hoblemss 9. el ANALIS$ DE VARIANZA 319 (b) ConreferenciaalApéndiceF.. .4 ba'i ab 1 i062+t22+202) 0w: (^8\: te.4-9.O1.06-S8t = (b) Los totdes de las filas ¡on 206-rsz = 14 También rl.n) = : 2oo 6 _ tg2 = E (c) D-Qb:14-8 .cAP.

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

01. Por tanto no podemos rechazar la hipótesis nula a un nivel 0. el Formamosla Tabla 9-13. Utilizando el método largo.".t0i Muestra 2 Muestra 3 11 409 401 406 408 405 .)! ¿'.-+(8-7)z = 5): 72 -= J'K )(t. ensayar al nivel de significación del (c) 0.87 . las medias de grupo o muestrales y la gran media.-i)z -3(9 ' - 7\2 36 ! 5(7 + 4(8 -- 7)! = 36 . lógicamente tampoco la podemos rechazar al'nivel 0..(10 8r: I í8 __ 8)r -i rG 8): -1. 20 grados de libertad tenemos F . ".f)r!-i tÍf -f)): r t.. directamente observando que es igual a (7--9):r-(11.r.¡r .)rr¡(. Entonces tenemos .(i -5r2 . u..05. Es conveniente restar Tabla 9-14 Muestra 1 .-i. Tabla 9-13 Entre tratamientos.fti'k ¿rr.l-5rr -. y obtener la Tabla 9-15.2lIl I ab-I=24 I W = tz.1456 =ZO I | =.r (2 5):r -l.. ?t¡ = 655 tratamientos.i = Gran 8 media = 84 1t En esta tabla hemos indicado los totales de fila.9. ANALISIS DE VARIANZA 321.8 (5X4) t: Pata 4. por ejemplg 400. .)(r.108 406 408 un número apropiado.u¡.(8 _ 8l: - . MODIFICACIONES PARA NUMEROS DESIGUALES DE OBSERVACIONES 9.-¡. Tabla 9-15 Total Muestra 1 Media 9 7trI 4 27 8 5 2 Muestra 2 Muestra 3 6 25 32 5 10868 .01 si hay una diferencia en los tres tipos..ss: 2.u-1) = 5(4) rA = I l "u ?'.^.. 7):+(11 -?)2+. .102 410 .ru r También podémos obtener 72 -- 36 . La Tabla 9-14 muestra la duración en horas de las muestras de tres tipos diferentes de tubos de televisión fabricados por uná compañía. (b) 0.18-512: rl¡--5rr .05.cAP.1 .

+ 62 +8r-Q|2 = 72 a6 = ?t-. Tabla 9-16 [cAP.(25)2. F.99 : 8. como también los totales de columna.11. Rt=3.8 o. 72 t1.322 ANALISIS DE VARIANZA f. = 19= 1g 5.=27.2 Calculamos los totales de fila y medias de fila. Tabla 9-16. Tabla 9-1? Cosecha cosechas de plantas diferentes culparcelas tratadas con tres tipos diferentes de fertilizantes.2 ñ"¡'.6 7.-.os datos pueden resumirse en la tabla de análisis de varianza. De la Tabla 9-15.=32. 9. 12t nB=4.10.01. ensayar al nivel de significación de 0.7 45 8. so:. n=12. CLASIFICACION DOBLE O EXPERIMENTOS DE DOS FACTORES 9. .:25. ninguna diferencia en los tres tipos de tubos) al nivel 0.(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 9.9 6.02.9 utilizando las fórmulas cortas incluidas en (24). ¡=84 = + iL2 + . 12. La Tabla 9-17 muestra los rendimientos por acre de cuatro go. I 5.4 7.26. (b) hay una diferencia significativa en rendimiento por acre debido a las cosechas. Soluciona¡ eI Problema 9. las medias de columna y la gran media. como se indica en la Tabla 9-18..9. e Variación Grados de libertad Media de cuadrados F D¡=36 a-7=2 n-a=9 io.96 : 4.?. Por tanto podemos rechaza¡ la hipótesis de medias iguales (esto es. (25) V Q6l.5 Enüonces para 2 y 9 grados de übertad hallamos del Apéndice F que F.01 si (a) hay una diferencia significativa en rendimiento por acre debida a los fertilizantes.. = = 36 (27)2.2 7.05 pero no al nivel 0. Utilizando el método lartivadas en Cosecha I Fertilizante A Fertilizante B Fertilizante C u Cosecha III Cosecha IV 6.4 uru so'- 18 = 36 G1=?9=4 = 4.8 9.0 5.8 6. Por tanto ! = n2=5. rg.

. el ANALISIS DE VARIANZA Tabla 9-18 Cosecha 323 I Cosecha II Cosecha III losecha IV Totales de fila 24.5 18.ocz Al nivel de significación de 0.86 gl: 3.9 68 5.cAP.6.4¡z * (7.9 = = 81.2 6.6 .8 9.05 hay una diferencia significaüiva en el rendimienüo debida a los fstilizantes.8)2 + (5.8 : Variación de medias de fila con respecto a la gran media = 4U6. Tabla 9-19 6.0 33.4-6.8)2 + (6.8)2 + (6.8)2 + (5.8)z] = 2.8¡r+ (7.:5.8)2 + (?.6 columna u.8)2 -1 (9.58 F =G?/C?: a.6 5.8)2 + (8.3 .6.3-6.9 -6.6.6 ¡'=0"2/i3=0.5-6.0 7.7 5.8 .2 -6.S¡z a (7.S12 -'.8)2 + (6.5 6.5 -6.4¡z a (6.5 6.8 -6.6.2 23.6 grados de libertad.9 columna Medias de 19.6 7.05 con 2. (7.r.6 oi = t.2 8.2 Fertilizante A Fertilizante B Fertiüzante C Totales de 4.yaque 6.4 7.8 7. 64 7.2 .3 Gran media 6.32 U: Va¡iación total (4.8)2 + (5.0-6.8)2 = 23.podemos rechazar la hipótesis de que las medias de fila son iguales y concluir que al nivel 0. Ya que el valor d'e F correspondiente a las diferencias en las medias de columna ea menot que 1 podemos concluir que no hay difenencia significativa en el rendimiento debido a las cosechas.6.14.4-6.0 Gran total 22.zt gl: 2.8)21 = 13.6.14.7-6. Fq. : Esto conduce al análisis de varianza en la Thbla 9-19.2-6.08 ue : Variación aleatoria = Lt .8)2 + (8.9 .24> 5. .3 5.0 .6.2 2t.8 .8)2 + (5.7 -6.8 Media de fila 6. Entonces.r.7 8.68 u" : Variación de medias de columna con respecto a la gran media = 3[(6.

82 = 6.96 S-z Sro (24.324 ANALISIS DE VARIANZA las fórmulas cortas para obtener los resultados del Problema 9.88 2.2)2 81.88 ab = 23. Los resultados se indican en la Tabla 9-20.rol rt . D en la producción de tornillos.11..t2.08 de acuerdo con el Problema 9.2.11.88 = = 18.96 bj'j.2)2 (27-O'¡z r.9)2 = 1673. Los días de la semana se pueden considerar conro réplicas o repeticiones del rendimiento de cada máquina para los dos turnos.6 : 577.05 si hay (c) una diferencia en las máquinas.13.24 ¡ (22. 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 9-21.2)2 ¡ + (33. e 9. .n¡z (5.S¡z a (6.(23.. móquina y lurno. + 24.G8 = *>t-"ti = |trozs. En esta tabla se indican los dos factores principales.8+33. : lcAP.6)¿ = 2274.68 .5)2 + (18.2+23. C.ut - bb4.82 11 = = 23. Un productor desea determinar la efectividad de cuatro tipos de máquinas A. - 13. (b) una diferencia en los turnos. Nótese que para cada máquina se han indicado dos turnos. Efectuar un análisis de varianza para ensayar al nivel de significación del 0.2¡z (19.6 = (4.10 Entonces s-2 j* tt'r^ 12 ab = vr 1s-r-t' 577. Utlizar Tenemos de la Tabla 9-18 i.zu 'üc bb4. 554.k )"i T a .58 EXPERTMENTOS DE DOS FACTORES CON REPETICION 9.08 = uc Lnezln. 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. B.

(31)2. móquino y turno.0-8.3.. que llamaremos variación subtotal u".b --5 .(41)2.. (44)2. que es una tabla de dos factores con valores simples.4 Para considera¡ los dos factores principales.6 = 51. la suma de las variaciones entre filas y columnas (u. Esta viene dada por * u" ) obtenemos la 0i = 0"-D¡. viene dada por -.1795.6 rov = 8. Estos se ordenan en la Tabla 9-22.cAP. ZO - (126\2.6 : 66. (30)2. variación debida alasinteroccion¿s entre las filas y columnas.5 .5 = 1861.S .6 - 1?9b.¡2912. (38)2 ""--6-5 .S ..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 [.6-51.0c = 65. + 72 +L02-W = 1946- 1?95.b . 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+ .-.1 Si reetamos de la variación subtotal u.)' + qq -ld. concentremos nuestra atención al üotal de los valores de repetición correspondiente a cada combinación de factores.0 'tt" = --ñ.6 = 1b0. (119)r_eqq\2 ? 40 - _ 180s.?_1?e5.1 = 6.6 La variación enhe filas üene dada por (zee¡z 40 a' = (54)2 (85)2t' (6.ro ro 10 La va¡iación entre columnas viene dada por (zgq)' 40 = 1846. _124)2. (32)2.4 variación total para la Tabla g-22.

Si decidimos analizar los resultados combinando las variaciones residual e interacción como lo recomiendan algunos estadísticos.5 G? = zltt Aleatoda o residual. u= 150. hallamos para la va¡iación combinada y grados de libertad combinados u¡* u.o Columnas (turnos).Ya que hay 40 valores en la üabla original 9-2i el total de gradoe de libertad es 40 1 = 39.81?. Tabla 9-23. u¡ = 6.61. 32 grados de liberüad Fn. filas y columnas de la Tabla 9-22). D" = 84'8 Total. Por tanüo los grados de libertad debidos a l¡ va¡iación residual o aleatoria ee 39 7 : 32. .F nl: 2. que conduce a unava¡ianzacombinadade gL.:6.o" : 150. se halla reetando la suma de variaciones füa. eeto es. Al usar este valor en cambio de 2.4-65. Esto es equivalente a decir que al nivel 0. columna e interacción (ee decir. Para hallar loe grados de übertad debidos a la interacción obeervamoe que hay 8 valores en la Tabla 9-22. Po¡ tanto el total de gtadoe de libertad es 8 I : 7.SfSe:2.8 : 91. el reeto. Puesto que .326 ANALISIS DE VARIANZA lcAP.3 y 3 + 32: 36 respectivamenüe. - libertad cottespondientes a cada tipo de variación. podemos rechaza¡ |a hipótesis flllr ¿" la pógina 315.tr ¿" que lar fila¡ tienen ¡¡sdi¡¡ igualee.90 para B.16. Esto esequivalenüe a decir que al nivel 0. Siguiendo lae reglas de la página 315. B2 grados de libertad podemos rechazar la hipóüesis ll..05 podemos conclui¡ que las-máquinas no son igualmente efectivas.06 no hay diferencia iignificativa entre turnos. vemos que F para las fila¡ e¿ 6.42. Eeto resulta en a" = Q-(or*o"*o¡l = 7).6 + 84. ya que hay 4 filas en la Tabla g-22La variación debida a l¡s fila¡ tiene 4 . Entoncee ya que F calcul¡do para lascolumna¡es 8.! : Sgradosdelibertad.entantoquelavarirrcióndebidaalae 2columnastiene 2-L= Estas va¡iacionee se indican en el análisis de varianza. lo cual indica que la interacción no ee significante.4 Para continuar debemos determinar primero si hay alguna inüeracción significaüiva entre los facüores básicos (es decir. no podemos techazt la hipóteeio l/[zt ¿" que las columna¡ tengan medias igualee.6 : 84.: 4. 7 (3 + 1): 3. ce debe a interacción. 0c = 8'1 Interacción. I¡iabla también da el número de grados de Tabla 9-23 Filas (mÁquinas). Aef.8 1 grado de liberüad. la va¡iación subtotal) ¿L U variaóiOn tot¿l u.06.65 para el denominador de F en la Tbbla 9-23 no afectan las conclusiones alcanzadas anteriormente. 0' = 51'0 i? = tt. Puesto que 3 de esos 8e deben a filas y 1 a columna¡. 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). Para l. De la Tabla 9-23 vemos que pa¡a interacción F : 0. e Finalmente la variación reaidual.

1)¡ ff +ff + ff -5468. 32 grados de libertad y puesto que F para columnas es 3. 32 grados oe libertad y puesto que F para filas es 6.e0 = 7. CUADRADOS LATINOS Tabla 9-24 9. 29. Hdlamos Va¡iacióntotal : o= (18)? + (21)2 + (25)2+'. Efectuar un análisis de varianza para determinar si hay una diferencia significativa entre los fertilizantes a niveles de significación de (c) 0.4 -. Ya que ¡'.01 no hay diferencia significativa en los turnos.51 para 1. concluimos que al nivel 0.69 16 variaciónenrretratamienros = .14.19 - 5439.05 y (b) 0. = T*ry*ry 5723. 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. de modo que podemos proceder más al.At-ril.Ia variación üotal y las va¡i¡ciones para filas. C. B. Solucionar el Problema 9.06 : 329. También obtenemos el total de rendimientos para cada uno de loe fertilizantes como g€ muestra en la Tabla 9-26.25 *9'{ -(fftr = 284.06 . 4 : 5443..06 : va¡iación entre (77\2 (74\2 (78\2 (71\2 columru lS=?rc= 4 . D en el rendimiento de trigo.47 para 3.01. 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. A este nivel aún no hay interacción apreciable.19 (2eS1z - 5439.lá.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.' + (10¡z * (lT2 -@5Y 16 5769 - 6439.01 las máquinas no 6on igualmente efectivas. podemos concluir que aún al nivel 0.01.t: 4.l cAP. el ANALISIS DE VARIANZA 327 9. donde los números indican rendimientos en dkl por unidad de área.r.13 si se utiliza el nivel 0. Un hacendado desea ensaya¡ los efectos de cuatro fertilizantes A. Ya que F .94 Variación entre filas .06 = 4.25 + ry .05.49. columnas y üratamientos se obtienen común y corrienüe.4 .5439.15.75 .

284. como se indica en la Tabla 9-28.05 hay diferencia en la fertilidad del suelo de una fila a orra.r.328 ANALISIS DE VARIANZA El análisis de va¡ianza s€ muestra en la Tabla 9-27.lJtiliza¡ el análisis de varianza para determinar si hay alguna diferencia significativa al nivel 0. de modo que cada letra apatezca solamente una vez en cada fila y solamente una vez en cada columna.19 Residuales. . 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). i I}¡ 9.78.17.16. 4. Tabla 9-2? lcAP.05Ia hipótesis de que hay medias de fila iguales. Diseñar un experimento utilizando cuatro conductores. Sin embargo. podemos aceptar la hipótesis que no hay diferencia enla fertilidad del suelo en las filas (o las columnas) al nivel de significación del 0. sujetos a los mismos requisitos impuestos a las letras latinas. autos y caminos podemos emplear un cuadrado grecolotino.19 Columnas. Ya que el valor de. 11. B. cuatro autos y cuatro caminos diferentes.¡. (b) Ya que Fgo.8? (o) Puesto que F er. p.F para tratamientos es 4?. podemos concluir que hay diferencia entre fertilizantes. B.0 : 9. Puesto que se incluye igual número (cuatro) de gasolinas. 4. Supóngase que los diferentes autos se representan por las filas y los diferentes conduetores por las columnas. Es de interés determinar si hay alguna diferencia en el kilometraje por galón entre las gasolinas A. CUADRADOS GRECO. 6. Así cada conductor tendrá la oportunidad de conducir a lo largo de cada uno de los caminos.9 > 4. 29. Se deduce que al nivel 0. denotados por o. Asignamos las diferentes gasolinas A..o :4.05.76.. C. Tabla 9-28 CONDUCTORES 1234 B. e Filas. D aleatoriamente a filas y columnas. concluimos que no hay diferencia en la fertilidad del suelo en las columnas. Suponga que en el desarrollo del expeúmento del Problema 9-16 el número de kilómetros por galón es el dado en la Tabla 9-29. C.69 Tlatamientos. rechazamos al nivel 0. LATTNOS 9. Puesto que el valor F para columnas es menor que 1. conductores. Asignamos aleatoriamente los cuatro caminos que van a emplearse. Un aneglo posible es el dado en la Tabla 9-28. D.01.01. debemosconcluirquehay una diferencia entre fertilizantes al nivel 0. 7.' I A.76.

60 - 4096 = = 16. (62\2 -.60 ry*ff+ff+ry-ry 4 (16)'z = 4ros.60 -4096 = 111.os resultados se mueshan en el análi¡i¡ de varianza.4-T 4 . (61)2 4-4-4-4-16 4102. utilizando el método corto.50 - 7.00 - 6-50 - 11r.60 (A. Las filas.00 de modo que la variación debida al e¡ror e¡ 148. (61)2 .1 para un cuadrado de n X n. C. (68)2 4 . columnaE.6o-40e6 = ?. (81)2 . 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. como eigue: Atotal: 15+16+15+16 = Btotal: 19+18+2I+ 23 = Ototal: .50 La variación total ee (1S¡z * (le¡z + "' + (16)2 + (2s\2 -e66\2 =' 'I | \-vt 16 16. (59)2 . Filas: a----l---4 (64)2 .4 .60 I 4096 6. B. Tabla 9-31.60 Columnas: . Dl Caminos: (o' P.00 deliberüad.Portantolosgradosdelibertadparaelerroresn2 caso n f.Ennueetro . 7. (63)2 . 4 - (70)2 (256\2 16 Q6A)z 16 QAA¡z = 4112.60 = 6. -1--4(n-1)=(n-lXn-3). ó) Ga¡olinas: (62)2 4267. el ANALISIS DE VARIANZA 329 Prirpero obtenemos totdes fila y columna como ¡e indica en la Tabla 9-30. 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.50 4244-4096 = 148. (52)2 .cAP. leüras laüinas y letras griegas cada una tienern 1 grados : 4. E número total de gados de übertad es n2 .

6. Capítulo 5. e Columnas (conductores).01.or.s.330 ANATISIS DE VARIANZA Tabla 9-31 lcAP.3u*3" = op+\'¡ t=L i=l !:t' = (2p)/a. El tratamiento medias de la población viene dado por p¡ Por tanto ac = 9. página 308].. Demostrar que > oj = 0 [(15). J=r - =. (4. de Ia página 308. 111.-*.¡z > + ) (x.so.C. (b) la ecuación (I6).28 V F.50 2.r.-¡b-l ¡ es la varianza muestral para el tratamiento jr como que el tamaño de la muestra es b.) = bj¿E(Si) utilizando (I6) del Capftulo 5..= .tz = b j=r |Lo rEr' " ' ) = ¿!s? j=1 d. b 3 (¿'-1"'\ -i---t\ b / = a(b . Por tanto podemos rqchazar lahipótesisdequelasgasolinasson igualee al nivel 0.a:9. 7.l)oz - .50 Caminos (o' É' 7.18.D).". B. = 9..s : 29. Entonces. donde Sf é define por (15).5. (o) Poi definición tenemos v. Derivar (c) la ecuación (17). 5u.26 Tenemos F.500 :?*33=t. Se deduce que t=L )¡t* )"t j:r ' donde hemos utilizado la definición p )a. = F* e¡. PROBLEMAS DIVERSOS 9. ya E(v.*-i.} .19.60 Gasolinas.05 pero no al nivel 0. 6).

los diferentes días de la semana. 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.) + a.cAP. .05. el ANALISIS DE VARIANZA Por 331 (b) definición vt' = a ) 1*r. tenemos dd Teoreme 6-4. En el Problema 9..-x¡z t=r aa a o = b>*i-2bx)x. más el reeulüado dd hoblema 9. üenemos E(val = b>86?) var(i¡.+*i):-l -"ufLab J !+rr) " '' ) -LD aoz * b ) (p+ a¡)2 - o2 - s'b.p6gitn 116.21.) (d) (7) E(Xj. puesto que las varianza¡ S! bn indep el Teorema 4-4.18.2 9.01? Si existe alguna variación debida a las repeticionee se incluye en lo que ae llama el ertor re¡idual o aleatorio.20. E(U2) = Var (U) + lE(U)12.P = (a-l)o2 * abp2 + zbp> ". página 158: ( tr) var (5) =r Var(X) = # E(X) = p (i¡.t) X = ( )It.\12 lBlx¡12 E(xil : E(Xz) = Var (Í) + Pero ya que las poblaciones de traüamiento son normales. Entonceo.) = pj = p+ai Utilizando los resultsdos (2>(7). en la Tabla 9-23.) / \ // /\/ ' = b>*?. con medias ¡t¡ y varianza común 02.. que V-/o2 tiene dishibución chi-cuaüado cón o(b - 1) 9. = 84. página 309. Como ¡e indica en el Problema 9.+auxz l=r t=L ya que (f) (21 (.bgQ7z) Entoncee para cualquier variable aleaüoria U.Enloncex. esto es. Demostt'ar el Teorema $1. Por tanto lv(x. ¡úgina 161.19(o). ¿Podemos sostener esta conclusión al nivel de signifi cación del (c) 0.-ab*z j=1 a. obteniendo u" . P¡ra hallar la variación debida a larepeticiónutilizamoslostoüalegdecolumna cn la Thbla 9-21.1 gradoe de libotad. Por el Teorema 5-6. (b) 0. omitiendo el fndice de la euma. bSJ/o2 tiene drado con b . + > al - ob¡P (c--t)62 * b ) a.8.13 supusimos que no existían diferencias significativas en las repeticiones. en (I ) tenemos E(va) = b>[+*(¡.

.. es la Tabla 9-32. denotadospor ejemplo. La tabla final de análisis de varianza. Pero ya que Fe5: 2. g - (268)2 40 = 1807 . Sigñificados análógos se dan a E¡ ¡ ! r .2g grados de libertad. como se indica en la Tabla 9-33. T.4 De la tabla vemos que el F calculado para repeticiones es 1..1795. . denotados pot 41. Estas variaciones son entre clases del mismo tipo y entre clases de diferentes tipos (inúerccciones). Describir cómo se pueden utilizar las técnicas de análisis de varianza para clasificación triple o experimentos con los tres factores (con factores simples).Elvalorú¡¡. es la media de valores para las clases Il y C cuando Ar es constante. Tabla 9.C{luposdenotadosporC¡.. Finalmente d Existirá una uarioción total dada por (l) 1) = t. es decir. sedenotaporxjkl. 0' = 0c 51'0 Columnas (turnos). Ias conclusiones reliacionando máquinas y turnos son las mismas a las obtenida¡ en el Problema 9.32 Filas (máquinas). teniendo en cuenta las repeticiones.t 2 @¡rt- ú)z que puede dividirse en siete variaciones.*ucA-.. .u¡6. podetnos concluir que no hay variación significativa al nivel de 0.18. = 8'1 Repeticiones (días de la semana). los días de la semana no eon significativos. La interacción entre todas las clases se denomina como antes la uariación aleotoria o residuol.86. denota la media de valores en la clase C cuando A¡ y B:p se maitienen fijos.ú¡n< .C". C.4."o = 11. 8r. 9. o. I-a variación residual después de restar la variación debida a la repetición ea ue : 84..8 114: ?8. Ao) Barupos. Suponemos que la clasificación se hace en A grupos. Las otras variaciones son las mismas a las de la Tabla 9-23.332 ANALISIS DE VARIANZA [cAP. Reproduzca la tabla de análisis de varianza a emplearse en tal caso. El valor f. .827 = 73.k.767 | -=0. el número de grados de libertad asociados con esta variación es b 1 : 4. Las siete variaciones en las que se puede dividir (1 ) vienen dadas por u = DA+ürJ+uc lTIAB *.06 (y por tanto al nivel 0..6 = 11.. .4)2 .rpor denota la gran media.EIvalorenA¡.4 Puesto que hay 5 repeticiones. (47)2 (50¡z -.01) debi- da a las repeticiones...22.0g. l---g 6. e 1t=-+'re¡ (57\2 g (51)2 g .7! parz 4.¡r.8¡r.4 3 Aleatoria o residual a'" | 2.

t .BlSA. .2r@i*t.1Xó - l)(c - 1) gl os (entre grupos B) ó-1 c Ao og s "B .k.01.4ñ s gl t.I ót s.+ 0nc = "..k.+ i)\2 E)2 aABc = .. ? (E¡.r+ ñ)z !ct = b > (ñ¡t.34.4ñ sA. (a - 1Xó - 1)(c - 1) gl trac (entre gru- posByC) o¿ =o=ffi= (c-1X¿-1) acA .kc (b - 1)(c - 1). el donde U¡ ANALISIS DE VARIANZA 333 - .A^o 8ó^tsA. E. ce' ) (¿..cAP.s suplernerirta.23."" a a-l - 7. 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 .BC gl 0¡s (entre grupos AvB) (o-1)(b-1) (b-lXc-1) (o - 1)(b - L)." = uesc (o-l)(ü-lXc-1) Probletna.ñ. B..J- er" (ñ¡¡1.ñ. (fr.tt+ ñt.c (entre grupos C) -'l Añ "c . Dc ñ\2 : ab 2 @..-.ñ. (o - 1)(b - 1)(c - 1) sl u¿ (entre gr¡r- posCyA) (entre grupos (c - 1)(o .n\r.05.c)i. (a.rTabla 9-3$ Media de cuadrados r¡ Ao -q¿=-A o-l Varíación o¿ (entre grupos A) Grados de libertad F ?1..'uc c-1.ñ j*.(a-1)(b-1Xc-1) Añ.* ñ. variedad y los rendimientos (en hl/ha) son los mostrados en la Tabla 9.rt.(a-1Xb-lXc-1) AÓ. (b) 0.r.ó I Dg n rA^ Ét s^. C. D. Q¡n rB = = .¿).ByC) u (total) (o-1)(ó-l)(c-1) abc-7 9?.új..t..Bzcl.Bc -1) 3..% (c 1)(a 1).+ ¿.rlos CLASIFICACION STMPLE O EXPERIMENTOS DE UN FACTOR Tabla 9-34 A B C 9. Se efectúa un experimento para determinar el rendimiento de 5 variedades de trigo A.ri.Bc b-r. Suponiendo que las parcelas eon de fertilidad semejante y que las variedades se asignan aleatoriamente a las parcelas. (o 1)(b 1)(c 1) gl 1) ¡ A.. determinar si hay una diferencia significativa en rendimientos a los niveles de significación del (a) 0.c .- ñ¡.n..ñ.ú.

e 9. 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. tres grupos de 5 estudiantes se escogen aleatoriamente. (b) 0. 9.O1 si hay una diierencia significativa en sus calificaciones entre Ssas asignaturas. Se efectúa un erperimento para determinar el número de artículos diarios producidoe por cada operario utilizando cada una de lac máquinas. 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. Ensayar a loe niveles (o) 0.25. 9.05.01 si hay alguna diferencia significativa en las marcas. diferentes.29.26. página 311. [. vienen dadas (en miles de millae) en l¡ Tabla 9-36. La Tabla 9-37 da los números de mill¡s al galón obtenido por autornóviles semejantes utilizando 5 ma¡cas de gasolinas. El fabricante desea determinar ei hay una düerencia (o) entre operarior. (25) V Q6). Dar la informaci6n deseada utilizando un nivel de oignifi' cación del 0.30. II. Ensayar a loe niveleg de (o) 0. Durante un semestre un estudiante obtuvo las calificaciones indicadas en Ia Tabl. para el caso en que los 4úmeror de oba¿rvaciones dean CLASIFICACTON DOBLE O EXPERIMENTOS DE DOS FACTOBES 9. loa resultados se dan en la Tabla 9-39. Tabla 9. II1.28. donde cada tipo ¡e ha tratado en 6 automóviles semejantes asignando los neumÁtico¡ aleatoriamente. Luego se da el mismo examen a todoe los estudiantes y oe obtienen las calificacionee indicadae en la Tabla 9-36.24. Ensayar al nivel de (o) 0.06. (b) entre máquinas. (D) O.a 9-38. Para lleva¡lo a cabo.06. Tabla 9-37 I\[atca.01 si hay una diferencia significativa en los métodos de enseñanza. determinada de sus fibras. (b) 0. página 310.85 Tabla 9-86 9.06. D. Demostra¡ la¡ fórmulas cortae (3I fl34).334 ANALISIS DE VARTANZA [cAP.27. Un profesor desea eneayar treg métodos de en¡eñanza I. Demostrar los resultadoe (24). C. Determinar al nivel de (o) 0.01 si hay diferencia en lo¡ neumáticos. y a cada grupo se le enseña por un método diferente. Demo¡tra¡ el resultado (30). 9.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 9.81. I'z duración de log neum6ticor. prÁgina 311.05.os a¡tículo¡ fabricados por una compañfa se producen por 3 operarios utilizando 3 máquinas diferente¡. Una compañfa deeea ensayar 4 tipos de neumáticoe A. (b) 0.

a ^ B {amente con (o) las diferencias del terreno (esdecir.06 ¡i hay una diferencia en (o) lor ferüilizantes. B C 16 18 20 15 L7 16 2l 19 18 23 19 2l 23 20 D 9.40. Solucionar el hoblema 9. Tabla 9'4O TIPOS DE MAIZ bloque te a los hl/ha. Ios réeultados se dan en la Tabla 9'41. y así sucesivamente.38 al nivel 0. Suponer que en el Problema 9. ts Tabla 9-43 da el número de artículos produeidos por 4 operarios diferentes trabajando en dos tipoe de máquinas.41.40 utilizando un nivel 0. / y II.01. Suponer que el experimentg del hoblema 9. doñde los números in' dican 10 en el tope de los graduados.36. Suponer que en el Prpblema g.24ltprirnera observación para cada tipo de neumático se hace empleando una claee espeiífica de automóvil. Ensayqr la hipótesis al nivel 0. roy"t al nivel de 0. Tabla 943 Míquina Lun I Jue 20 18 Nláquina If Vie 15 12 11 L7 Opcario A Operario B Operario C Operario D l5 L2 t4 19 Mar 18 16 t7 16 Mie Vie t7 14 18 2L t2 11 13 18 l6 2g Lun lVlar Me Jue L4 16 18 L7 11 15 12 16 72 L4 16 L4 L7 15 18 20 .01. (b) las diferencias en el tipo de maí2. (b ) en los planteles.g6. Soluoiona¡ el Problema 9. los bloques). (b) las máquinas. 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. la eegunda observación empleando una segunda clase especffica. Analizar el ex' pelinojo rubio Alto Mediano Pequeño 76 81 73 78 76 castaño 80 79 perimento al nivel de 0. Solucionar el hoblema 9. en tanto que en un experimento semejante efectuado en el oe¡te da los resultados en la Tabla 9'42. el segundo a un estudiante de otro planüel. el ANALISIS DE VARIANZA 335 g. varfan significati- aleatoriamen' 5 .05 si hay diferencias signifiéativas en (c) loe operarios.34. Solucionar el Problema 9-31 utilizando el nivel de significación del 0.12. dUrante díae diferentee.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.33. Determinar al nivel de 0.g2.06 de que hay diferencia en (a ) d método de en¡eñanza. g. Ensayar al nivel 0.8?. 9. \4 9.01. E 18 22 2L l7 18 24 g. Solucionar el hoblema 9. 9.cAP. SLOQUpS C D E IIIUIIV t2 15 15 19 L4 18 11 16 16 l7 10 t2 16 L2 11 14 11 12 16.3ó r¡tilizando el nivel de significación del 0. EXPERIMENTOS DE DOS FACTORES CON BEPETICION T¡bla 9-42 A 9.01. c Semill¡s de 5 tipos de mafz ee siembran en 5 bloques' Cada ue se asignan 0.05.26 el primer valor para cada método de enseñanza corresponde a un estudiante de un plantel especffico.39.38.33 utilizando el nivel de significación del 0'01. 9. y así sucesiva-E mente. (b) las clases de automóviles.05 ¡i lo¡ rendirnienüos en bla 9-40.06 si hay diferrencia en (o) los tipos de neumáticos. (b) la localización. lo 77 9. Tabla 9-41 9.

Tz. . B.48. (b) colo¡ de pelo. como se muestra en la Tabla g-46. Cuatrotiposdecable?¡. eetableciendo cualquier conclusión a que pueda llegaree.Tc. (ó) 0.Cz. Tabla 9-44 efectúa un experimento para ensayar el efecto sobre el rendiniiento de 4 tratamientoe de fertilizanües A. BoG Dy l0 Ap8 c6 10 cialee. 7. Efectu¡r un análisis de la varianza del experimento al nivel de significación del 0. o. Sz S¡.4? c.05. Tabla 9-4t Alto Pequeño Mediano 110 95 Tabl¡ 9. T¡¡ fq¡talezas promedio obtenidas se dan en el cuadrado greco-latino de la Tabla 9-4?.44. B.Cuatro operarior A. B7 At4 Tabla 9-4ó c12 adicironal dando la sección donde naci6 el estudiante Eete.as cantidades diferentes del primer compuecto se indican por A. q D.a diferencias en (o) ertatura. Determinar al nivel (o) 0. Wt.336 CUADRADOS LATINOS ANALTSIS DE VARIANZA IcAP.05 ¡i hay una diferencia significaüiva en rendimiento académico de los e¡rudiantes debida.45. ?a sefabricanporcadaunadecuatrocompañfas.46.C1 . T3 T4 c6 t7l D.LATINOS wr ^S. 6. Centro. C. (c) lugar de nacimiento.44. eetableciendo cualquier conclueión a que pueda llegarse. 9.6 . Tr AB 164 c2 Bf 181 c3 ca Ay 193 193 207 166 c4 D6 160 T. Ensayar la hipótesis a un nivel del 0. 4 cantidades diferentes de dos compuestoc químicos se agregan a los ingredientes bási co¡.38 euponer que introducimos un factor 876 c81 o73 Tabla 9-46 o78 E'76 c80 o79 c76 877 w4 CUADRADOS GRECO.r 198 D. miden las fortaleza¡ de los cable¡. Det¿rmina¡ a un nivel de 0.43. El aliñento se da a los pollitos ordenados en grupos de acuerdo con 4 peeos ini- Cr8 464 Dp6 D66 S" ce7 865 BrB c D3 Av6 cr6 9. Se obtiene el cuadrado latino. B.47. Efectua¡ un análisiÉ de varianza al nivel Q. respectivamente.Ct. Ca. t¡ Tabla 9-48 contiene los datos sobre el moho acumulado en hierro tratado con químicos A. [. W¡ . (D) lae variaciones del terreno. y de variaciones del teneno en dos direcciones perpendiculares. Para producir un tipo superior de alimenüo pnra pollos. donde lo¡ números indican rendimiento de maÍz por unidail de á¡ea. Tabla 9. e 9. 9. St. C. w2 BB6 Dog ws Ao5 9. B o C.S4 Sr. D y las del cegundo por ü.05. Wc y 4 especies d-iferentes . Oes: te.1. c16 9.05. Con referencia al Problema 9. El aumento en peso por unidad de tiempo 6e da en el cuadrado greco-latino de la Tabla 9-46. É. D usando cuatro máquinas diferentes. Wz.01 si hay una diferencia significativa en los tratamientoc.05. Soluciona¡ el hoblema 9.49 105 103 118 A B 3544 4233 6465 Lt2 10? 90 115 c 108 lr2 93 104 96 L02 .01 de que no hay diferenci¿ en (o) los fertilizanSe C8 At4 D10 Á10 c12 BL4 D16 D12 B11 811 Dt5 Á10 tee.43 utilizando un nivel 0. Tabla 9. L62 BB L45 cB 2t2 A6 112 86 Do An 188 Bq 167 c7 136 PROBLEMAS DIVERSOS 9.

Demostra¡ (o) la ecuación (37). 9.53.54. 9.Q.55. Este Oeste Sur 88 84 86 Medio 80 78 82 Bajo 72 ¿o 9. Norte y centro 80 ¡D 79 g.4g. Derivar los resultados 9. Determinar eI nivel de 0. Solucionar el koblema 9.52 utilizando un nivel 0'01.59.5E. Bajo I. (b) la ecuación (38).cAP.51. Ensayar al nivel 0.Q. 70 9.40 suponer que un experimento adicional realizado en el noroeste produce los resultados de Ia Tabla 9-53. Solucionar el Problema 9. 9. medias y pequeñas. página 309.05 si hay una diferencia en los puntajes debido a diferencias en (o) el estado veterano. 9. Un experimento mide el L Q. Con referencia a los Problemas 9.01 si hay alguna diferencia significativa en los I. de estudiantes adultos de estaturas altas. Tabla 9-50 Alto I. Analizar la tabla al nivel de 0. . 9. relativo a diferencia de estaturas. 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.Q. (b) 0.50.Q. (b) los tres lugares.05 y establecer sus conclusiones.54 al nivel 0.5?. 70 En el Problema 9-42. (b) I. página 309.05 si hay diferencias debido a (o) los químicos. página 312. (b) la localización. (3) y ( ). (b)la ecuación@0). página 312. Demostrar el Teorema 9-2. rinden mejor' Los puntajes obtenidos se muestran en la Thbla 9-50.01.62.62.60.Q. ¿Es ésto cierto si cada valor se multiplica o divide por una constante apro' piada? Justificar su resPuesta.23 y 9. Demostrar el Teorema 9-3.05 si hay diferencia en (o) fertilizantes. página 372. en tanto que los resultados correspondientes para el oeste se dan en la Tabla 9-52.05. 9.Q. Los resultados se indican en la Tabla 9-49. t¿ Tabla 9-51 muestra los puntajes para una muestra de estudiantes universitarios de diferentes partes del país con diferentes I.ó6. Se realiza un examen para determinar si los veteranos o los no veteranos de diferentes I. ¿puede determinar si hay una diferencia significativa en el número de artículos producidos en los diferentes días de la semana? Explicar. Demostrar (o)la ecuación (39). Veterano No veterano 90 85 Medio ril 78 I. Suponer que los resultados en la Tabla 9-48 del Problema 9-48 son válidos para el noroeste.61. En los cálculos de análisis de varianza se sabe que puede sumarse o restarse una constante apropiada dp cada valor sin afectar las conclusiones. Tabla 9-51 Alto 9. Determinar al nivel (o) 0. Determina¡ al nivel de 0. el ANALISIS DE VARIANZA 337 g.Q' 9.

63. 9.01. lcAP.338 ANALISIS DE VARTANZA Solucion¡¡ el hoblema 9.66. ¿es¡rer¡rf¡ encont¡ar un (o) curdrado latino de Explicar.05 y eetablecer conclusiones. 0.69. En ln práctica.71.67. ¿Deberíen modific¡r¡e la¡ conclu¡iones obtenidas en el hoblema 9. 2X 2? (D) ¿un cuadrado greco-latino de 3 X 3? .21 hallamos una diferencia significaüiva en los días de la semana.06 y establecer conclusione8. e 9.7 16 D66 Br7 Haga el montaje de un experimento que conduzca al cuadrado greco-latino de la Tbbla 9-55.62 utilizando un niyol 0. Tabla $65 1 FACTOR ar6 863 FACTOR 2 BB L2 C64 Df 15 P" 18 Ae8 cs t4 De t6 cr 20 Bog Ae t7 466 co 9.64. 9. 816 FACTOB 2 c2r 823 416 AL8 ct4 Bt2 ct5 l á18 9. Efectua¡ un análisis de va4ianza en el cu¿drado latino de la Tabla 9-64 a un nivel 0.69. 9.13? Justificar sus conclusione¡. 9. Montar y solucionar un problema que iluetre el procedimiento en el Problema 9. 9. 9. las repeticionec. Haga el montai dc un erpcrimenüo que conduzca al cuadrado latino Tabl¡ 9-64 FACTOR 1 de la Tabla 9-54.68. es decir. Suponer que en el hobleme 9. Efectuar un análisig de va¡ianza en el cuadrado greco-latino de la Tabla 9-65 a un nivel 0. De¡cribir cómo emplear las técnica¡ de análisi¡ de varianza para experimentos de tres factore¡ con repetición.65.

Apéndices .

.

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

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

0=W m)0."md*=*or"' lg.APENDICE A 343 14. Í. = hÍ""c-tdr a')o. p)0 o) 0 16.l L-e(b'-1oc't4o I "VA tT.n)0 . to' .or)o denomina. Ío"''""n'^-rtcos2¡-¡0d.lafunción complementarb de enor. fr' .-. Ío'"-*senbc O" = ¿ft6 a)0 c)0. lB.o-'"-* o" -fa-f= Y 16.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.

0r 36 .0044 .0004 .06{4 .1 804 .0048 .0013 .0297 .2295 .0002 .0073 .00I7 .3989 .3056 .0022 .7 0.0363 .0013 .0075 .16'17 .0012 .r295 .0371 .3988 .0096 .0529 .3429 .3637 .140 .0519 2.0167 .Apéndice B Ordenadas (E) de la curva normal t ipif icada enz 0 I .0459 .2 .0264 .0355 .2203 .0184 .0050 .2565 .1 .3187 .:1825 .0620 .0003 .3391 .0060 .0246 .0007 .0003 .0213 .7 2.0303 .8 3.0002 .0540 .0277 .3144 I .22i5 .3621 .0065 .0069 .0 .0270 .0189 .0058 .0241 .0004 .0011 .0551 1.2 0.0957 .0339 oe OA .6 l.3910 .327L .3977 .3876 .13 .0032 .0010 .3982 .0099 .0596 .8 0.2227 .1334 .0 0.000? .4 0.3739 .3867 .0002 .0008 .331 2 3 4 D 6 7 8 o 0.1415 38 .0310 .0084 .381 4 .0042 .3166 .3980 .1057 .0122 .0488 .3932 .225I .0126 .3790 .07.0113 .0110 .2 1.3986 .0016 .0007 .0909 .0005 .0101 .7257 .3034 .2323 .3589 .1669 .oI47 .01?5 .24!r2 .0818 .2083 .3352 .0229 .0848 .0002 .1182 .0037 .0154 .0005 .0053 .0194 .3956 .3857 .1 .2 3.0036 .0498 200 .2756 .l lJf]4 .2613 .0001 344 .0508 .3 IA .2516 .0003 .3 0.0071 .0015 .0573 .5 0.1127 .1315 .0116 .8 .1435 .0396 .3778 .3079 .0014 .0016 .0431 .3683 .0051 .010? .0031 3.266I .3697 .3503 .3984 .0707 .0379 .0012 .28i1 .2637 .0005 .r1f)7 691 .1 .o024 .3251 .5 2.034? .0038 .2317 .0033 .2803 .0091 .0180 .0198 .l 2. ¡ .0030 -0022 .3448 .24G8 .0025 .0006 .¡ 3.0002 3.0449 .1965 .0020 .0325 .0002 .0 1.2920 .1919 .2444 .2685 .1.2589 .1872 .r023 .1736 .3989 .2780 .0i21 .r374 .0081 .3847 .0010 .3945 .0005 .0093 .0002 .3961 .5 3.0804 .1826 .0224 .0003 .2072 .2t31 .0669 .0219 .0079 .0468 .3725 .0235 .0.0422 .0008 .0026 .0014 .0005 .0317 .72i6 .0973 .0290 .0003 .3011 .3918 .0056 2.1781 .9 .3925 .1758 .3209 .1145 .1 0.0283 .1 tQ .3894 .0040 .1 561 604 .0012 .1539 .0010 .2513 .0151 .0020 .0002 .3555 .2396 .1771 .óooó .12 .016:l .0775 .156 .0833 .8 2.0047 .2732 .1040 .3605 .3538 .2989 .0002 .0003 .3230 .0002 .0006 0004 .0761 .9 .1 109 092 1.3712 .0046 .0863 .0002 .0023 .3989 .0005 .0017 .0055 .0002 .0203 .3101 .Dl éo .5 1.0061 .0989 .0893 .0252 .u077 .1518 .0004 .1 .1006 .3?65 .2t07 .002I .0694 .0001 .0413 .0018 .3836 .058.2850 .0008 .0027 .10?4 .0119 .3668 .0003 .0171 .0790 .2059 .0086 .0632 .0018 .0034 .0004 .3410 .8 I.1 .0019 .3 DA .0332 .0 3.9 2.0039 .0940 .0478 .3885 .0139 .0925 .0063 .0025 .0003 .0008 .0043 .3372 .1 7.3939 .3951 .0009 .0878 .1 .0004 .254r .6 ¿.0028 .l 163 .0007 .0681 .3970 .237r .3802 .0002 .3292 .3332 .00r1 .0104 .0036 .0387 .0067 .2897 .1354 1.1989 .1849 .0129 .1219 .2420 .0088 .0608 .0132 .0003 .2036 .I942 .2827 .0158 .3752 .0ri56 .0015 .01.0562 .6 o.0734 .2709 .3521 .0004 .0006 .0009 .3965 .3572 .0258 .0208 .2966 .1582 .1.3467 .0009 .9 3.1895 .0404 .3485 .0006 .39?3 .2t55 .0029 .3902 .6 2.1626 .

4 .4990 .4996 .4999 .3849 .5000 .4573 .0359 .48(.4981 .4999 .3264 .3133 .4993 .4738 .2794 .4968 .4999 .4997 .2642 .1879 .0 0.3997 .4916 .4452 .3 0.2967 .4936 .4998 .4382 .3665 .4881 .4032 .4 .48L2 .4986 .1406 .1517 .0478 .4803 .066? .4783 .4998 .0 3.2 1.2422 .4463 .4878 .4996 .4945 .0871 .3186 .4996 .5000 .4474 .5000 .2t23 .t443 .4929 .4975 .9 1.4994 .4207 .3340 .4887 .1628 .1987 .4750 .4977 .4808 .4319 .4535 .4773 .487L .2t57 .4963 4973 .4292 A25L .4345 .1103 .4699 .4948 .4306 .4960 .4222 .4990 .4t47 .4996 .0754 .6000 3.4015 .4999 .4332 .4495 .3869 .4767 .4664 .4999 .1L62 .4906 .4999 .4989 .4649 .0080 .4625 .4406 1.8 1.4842 .0279 .3944 .4726 .4995 .485? .2673 .4987 .4961 .43?0 .476t .4608 .2224 .3106 .4991 .1179 .4989 .4744 .6 3.3461 .3830 .1 1 2 3 4 6 6 7 8 I .4962 .4686 .4999 .4998 .1026 .5 1.1591 .4994 .4999 .4 0.1 .4999 .4999 .1368 .0199 .07L4 .4678 .4977 .4991 .4999 .4931 2.4999 .2190 .2088 .2258 .4953 .4995 .4817 .0832 .3643 .4656 .1331 .9 2.3078 .tzt7 .4998 .4932 .4994 .2823 .4117 .3577 .229r .4979 .() 3.3926 .1064 .0517 .5000 .4846 .4999 .4998 .4997 .4082 .0040 .2852 .1960 .4981 .4898 .4999 .4922 ..4985 .4955 .4979 .4992 .4591 .4997 .4732 .4991 .4967 .3508 .3708 .4554 .4993 .4918 .4525 .2454 .3485 .4995 .4778 .8 .3 1.3438 .4956 .4997 .4997 .6 2.2486 .4959 .2734 .4994 .{o9t .4893 .5000 .4793 .3r 59 .4896 .4992 .2 D') 2.0239 .5000 3.7 3.4995 .0987 .4719 .6 L.4978 .4999 .6000 .7 0.4974 .4616 .1915 .4909 .2704 .4582 .4772 .3170 .4999 .4984 .3272 .4989 .4999 .4927 .4115 .2357 .0 2.4192 .4993 .4999 .4925 .5000 .4990 .4987 .4996 .4941 .4997 .0948 .3810 .3023 .4984 .3599 .4998 .2580 .8 3.3554 .4830 .4756 .4429 .1ts26 .4131 .0675 .3531 .4834 .3686 .9 346 .26L2 .0398 .4999 .3790 .4980 .4993 .4875 .0696 .3888 .3238 .1480 .4279 .3365 .4265 .0636 .4997 .4983 .7 2.4995 .6 0.4821 .4049 .4994 .4992 .4940 .1985 .497L .4099 r.4999 .4999 .1293 .5 0.3907 .4946 .4884 .3980 .4974 .0319 .2996 .L265 .4545 :4633 .3621 .4986 .1 .4986 .2910 .)( 2.4788 .1844 .3413 .0160 .4999 .1 .4920 .0793 .4999 .2 0.4838 .4693 .3962 .4798 .444L .4962 .4964 .4995 .2881 .45L5 .4934 .2019 .4998 .4970 .4992 .4966 .4357 .4976 .4505 .1554 .4599 .4998 .1141 .4236 .4943 .3129 .44t8 .2 ¿-D .2939 .2389 .7 1.0000 .Apéndice C Areas baio la curva normal tipificada de0az 0 0.4988 .4864 .3051 .3749 .5000 .4972 .0910 .8 0.4998 .4999 .4998 .4854 .4997 .4997 .4901 .4394 .1 0.3389 .4913 .4997 .4868 .3315 .3289 .4949 .4999 .5 3.1?00 .2549 .4988 .2064 .0 1.4982 .1772 .2764 .2324 .4951 .4484 .4998 .4996 .4890 .4999 .4911 .0120 .4998 .4066 .1736 .4706 .4904 .4982 .0438 .4850 .467L .25t8 .4969 .1664 .4938 .4965 .1808 .4999 .4967 .4998 .4999 .4564 .

73 1.t27 . Stotistícal T¿bles for Bíological.66 1.49 2.6?9 .79 2.32 L.633 .258 .68 2.84 2.81 1.07 2.540 .47 2.83 1.86 1.17 3.534 .700 .683 .258 r.96 2.82 6.74 1.706 .30 L.256 .06 2.31 1.31 1.92 6.75 L.33 1.42 2.860 .692 .256 .126 .t2 2.32 1.05 2.26 2.32 L.277 .856 .31 1.06 2.257 .84 4.38 1.256 .66 2.325 .263 .29 L.896 .06 2.L0 2.76 2.711 .686 .941 .?18 .36 3.68 .07 2.09 2.88 2.60 4.535 .98 1.81 2.256 .130 .258 .?8 .t27 .856 .687 .03 3.858 .531 .686 .866 .261 .134 . .98 2.L27 .70 1.263 .42 1.37 1.137 .5L 2.r27 .691 .727 .32 L.255 .39 2.62 2.02 2.765 .L26 .08 2.83 2. Fistrer y F.816 1.683 .67 2.31 .694 4 6 6 .30 1.14 .256 .846 20 I.3?6 1.L28 .626 .76 L.254 .645 t.061 .563 .629 .35 1. con permieo dé lo¡ autores y editorea.669 .254 .266 .86 2.861 .531 t.630 .66 9.64 2.00 1.681 .47 2.92 2.L32 .66 2.r29 .14 3.864 .71 3.36 3.76 2.677 2.L27 .18 2.879 .71 t.978 .32 1. (previamente pubücado por Oliver y Boyd.32 2l 22 23 24 25 26 oa 28 29 30 40 60 .257 16 2.20 2.537 .96 4.260 .534 .06 2.L27 .zs üeo tso 3.74L .40 1.73 1.01 2.76 2.33 .76 2. AgriculturalondMedícol Recearch.?l 1.627 1.68 L.686 .ongman Group Ltd.44 1.688 .90 2.18 63.70 1.883 . 3 .34 1.46 2.78 2.82 2.703 .854 .23 2.128 .690 .62 2.920 .262 .542 .685 .259 .45 2.256 .64 1.530 .80 1.868 .34 1.66 t.906 .532 .643 1.684 .r3 2.08 1.128 .77 1.48 2.96 I7 18 19 .72 2.856 .L26 ..289 .842 Fuente: R.32 L.L27 .267 2.61? .70 2.r28 .04 2.57 2.848 .7L 4.31 2.48 úes t.624 .67 1.46 2.36 t2.72 1.76 3.260 t.sgs I .A.128 .t42 .09 2.569 .533 t2 13 14 15 .63 1.04 2.90 2.33 1.696 .727 .538 .L27 .257 .72 2.11 3.76 1.L27 .257 .858 .11 2.53 2.s.683 .szs tse 31.684 .t6 2.zo t.857 .3L 2.02 1.158 . publicado por l.48 2.873 . Yate.50 3.L29 10 11 .70 1.27L .266 .546 .t3 2.531 .92 2.256 . Edinburgh).532 .889 .131 .50 2.7L 1.Apéndice D Percentilrr de (tr) l¡ di¡tribsción f de Student con z grador de libertad v úss ¿oo t.72 1.90 1.584 .25 3.861 .33 8 9 .34 1.L27 .865 .536 .255 .531 .256 .689 .36 2.78 2.77 2.863 6.56 2.876 .30 3.94 1.000 .70 1.t26 .82 2.L28 .36 1.58 2.80 2.62 2.89 1.60 2.856 .t27 .54 3.L27 .727 .28 t20 € .688 .630 .8?0 .862 .869 .532 .71 L.36 1.06 3.130 .257 .539 .697 .00 2.684 .649 .674 .t2s .

3 17.3 16. xlo.26 6.6 17.E4 6 .7r 4.1 12.4 63.2 11.989 1.6 54. Hartley.1 .6 88.L 30.8 38.0039 .6 74.3 99.07 3..5 33.3 28.77 4.7 47.6 47.6 19.6 r3.6 12.O tt.6 43.3 49.3 11.1 10.3 27.8 34.0 19.8 70.6 36.6t 6.8 26.5 20.0 33.7 66.0 22.04 10.66 5.3 53.3 I 1.49 2.3 46.6 79.tl 4.79 t4.6 32.r7 2.3 23.o 22.2oo¡ xlo.6 108 118 8.362 l.3 18.0 26.4 85.8 45.34 8.26 9.3 2L. con permieo de lol autore¡ y editoree.3 t6.0 62.32 2.2 28.87 6.9 34.7 7.6 109 1r8 130 t28 140 t24 149 Fuente: E.2L 1.3 61.1 37.3 10.4 16.3 67.7 25.3 79.4 42.0 16.9 43.9 18.0 11.26 7.1 10.35 6.6 32.2 '19.9 11. Biomelr:iha Tobles fo¡ Stotitticíane.4 12.3 12.0 20.0 t2 13 18.8 36.6 61.2 11.1 41.4 40.3 61.9 1t.09 2.0 23.3 X.25 7.3 17.20 2.36 4.3 59.88 10.2 46.0010 .6 38.3 29.8 14.9 63.9 48.83 3.9 34.6 13.0? 5.3 69.2 10.5 20.8 28.3 22.34 9.4 100 t2.8 14.37 3.2 14.99 7.92 2.9 30.6 36.66 8.6 33.6 90.9 20.0506 .2 29.1 16.9 68.63 ?.gg x?rn y2 ^-00e .2 16.0 44.24 10.61 2.90 6.4 32.3 89. x?no X.63 6.7 16..39 2..1 t2.89 10.2 94.4 86.6 32. 347 .? 37.57 6.6 61.8 43.26 6.3 .0 36.84 5.8 55..1 DD.E 42.455 1.58 8. .9 t8.4 40.6 40.9 2t.81 9.3 26.73 3.2 12.7 37.3 35.1 16..34 10.6 46.4 34.9 40.3 23.9 39.24 1.7 18.7 33.06 1.t7 4.8 20.3 71.9 13.0 17.t 31.34 1.7 76.6 14.3 39.831 .7 38.1 31.6 50.8 t7.0 17.3 42.56 3.0 13.3 73.06 3.70 3.8 16.6 29.2 26.6 66rB 56.96 8 I 10 11 4.0 27.6 2L.L 80.103 x?.58 6.0 27.57 7.3 69.1 90.4 L02 113 rt2 t24 136 98.4 3.6 24.3 2L. Pear¡on y H.1 13.D'ID r.5 16.6 25.07 4.3 32.38 9.3 r6.45 4.1 39.39 10.3 18.2 6t.94 4.5 24.2 61.0 x2ot x'"0 .6 22.6 15.35 7.9 11.8 13.8 67.1 52.6 46.54 L0.L 2l.3 26.0 L07 6.9 23.5 16.2 24.6 26.4 37..15 1.6 48.30 r6.86 11.7 14.3 27.7 23.6 46.8 t9.8 63.8 18.40 6.0100 .91 7.9 29. x?o".57 4.7 23.6 92.8 12.02 7.3 5.8 26.2 35.0 r 7.7 26.4 20.3 49.8 16.0000 .2 88.6 28.5 43.7 28.3 20.6 22.2 37.6 .3 14.8 24.0158 .6 4.23 8.5 34.0 69.7 12.7 14.6 20.69 2.4 35.4 69.3 96.1 19.Apéndice E Percontilas (¡f) de l¡ di¡tribución chi-cuadrado con u grados de libertad v x.? 42.23 5.9 40.0 104 116 l4 16 16 to.7 60.3 29.3 45.1 27.8 13.1 40.39 6.6 31.78 9.3 19.01 5.6 14.82 4.3 13.8 48.872 L.8 9.6 12.30 7.4 13.2 67.91 9.60 5.472 .9 17.4 16.3 22.2 36.2 38. t3.1 8.684 1.3 24.2 11.4 43.8 32:0 33.4 23.1 37.7 28.291 .74 7.102 .2 66.3 49.7 29.1 13.31 10.2 29.7 2.2 59.26 3.03 t.3 61.41 ?.7 99.0002 .8 40.66 2.6 36.59 10.6 24.89 6.2 t3.4 83.S.6 23 24 25 26 27 28 29 30 40 60 60 70 80 90 100 41.l 22.1 28..64 .O' X.6 21.0 71.8 44.49 11.207 .1 ttz r26 13? 64.90 27.1 45.04 7.8 30.70 6.2t 11.5 96.7 16.7 46.2 44.3 49.8 67.9 L6.25 5.8 14.O.7 7L.3 13.9 26.6 28.1 12.63 8.0 4L.484 .1 27.11 5.64 9. 1(1966)' Tabla 8.01 7.7Ll 1.67 3.9 12.0201 .73 2.81 6.6 9.35 5.33 3.8 14.7 37.7 39.23 5.9 35.3 18.24 1.3 30.9 19.0 48.07L7 . Vol.57 t.60 3.7 2t.6 43.4 31.6 19. páginas 187 y 188.554 .3 15.8 79.L4 6.3 16.2 31.2L6 .4 29.26 8. x'.6 24.7 22.63 7.56 9.3 32.4 32.6 16.84 9.2tL . 3 4 o I .8 t7 18 19 20 2L 8.8 24.2 62.L6 2.0 14.3 82.116 .7 18.6 56.43 8.67 9.18 2.2 18.44 9.6 30.6 41.7 26.2 74.3 13.6 L2.1 77.6?6 .8 20.7 34.6 tt.3 16.7 73.

33 3.87 t.49 2.59 2.75 2.82 2.75 1.92 1.48 2.28 4.44 3.06 2.46 2.32 4.29 2.37 2.r2 2.33 2.85 2.57 3.04 3.23 2.LL 2.87 1.58 3.50 1. Vol.L8 2.56 2.98 1.16 2.61 2.23 2.19 2. .77 t.16 6.22 3.27 2.92 1.59 2.?0 1.22 2.73 4.35 3. (1972).L5 2.79 8.18 3. Eiom etriho Toblec for Stotíaticianc.68 2.84 40 60 t20 t.29 2.42 2.34 2.76 1.r3 2.L2 3.53 2.76 2.90 1.07 2.92 1.18 2. Tabla 5.89 8.3 4 o 6 I 19.09 2.97 3.55 2.42 2.59 5.7r 2.01 8.76 2.47 1.5L 2.60 2.7l 1.76 1. l'.4 19.25 2.22 2.03 1.16 2.1 7.77 L.74 2.41 5.32 2.24 2.10 4.40 2.16 2.27 2.80 2. S.01 2.01 1.05 2.07 3.2r 2.89 1.54 2.42 2.r5 2.84 1.62 2.01 1.60 3.90 2.56 2.10 2.35 4.92 2.63 3.88 4.?0 8.09 2.81 t.35 7.20 4.45 2.96 4.L2 9.31 2.28 2.79 2.t0 2.rL 2.38 2.03 1.96 t.29 3.08 2.43 2.38 2.49 4.46 4. Hartley.94 1.65 1.00 I.54 4.6L 2.94 8.70 I 2.64 3.29 3.26 3.85 1.47 2.74 8. Pear¡on y H.60 2.DD 1.08 4.53 2.83 2.05 4.86 2.7L 6.30 2.63 5.28 2.65 2.70 2.45 2.84 3.2q 3.96 2.17 3.32 1.09 2.20 2.72 5.6? 2.01 2.56 4.84 1.15 4.48 3.14 3.85 1.79 L.4E 2.L2 2.90 2.28 9.84 1.3L 2.85 8.32 2.46 2.r7 4.22 3.85 2.18 2.20 2.79 t.41 3.99 1.79 3.69 5.39 3.06 2.83 2.34 3.46 2.46 1.68 t.27 2.96 1.?3 3.34 2.87 3.93 2.89 1.63 6.93 1.81 2.51 2.64 2.57 2.90 1.4 19.27 2.00 5.70 2.46 2.22 1.36 2.55 8.42 3.78 2.18 2.04 1.52 j 3.79 2.96 1.37 2.69 4.7l 2.76 2.03 ¿.36 2.97 1.75 1.85 2.97 r.66 5.63 2.28 3.68 4.95 2.34 2.12 2.5 19.84 1.L9 2.64 2.25 2.01 4.35 2.5 19.95 2.53 4.50 3.50 4.81 3.60 4.66 2.t0 | 4.30 2.94 1.71 2.2 19.34 2.92 1.28 2.80 2.98 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 18.76 1.39 2.86 3.84 3.30 L2 13 14 15 16 L7 18 19 20 2.35 2.35 3.30 3.5 19.31 2.87 r.33 2.96 2.53 2. ¡O 5.58 1.90 2.r9 2.07 2.37 3.21 4.?9 r.38 2.78 2.25 2.65 2.74 4.66 2.39 t.89 2.t9 2.13 3.94 3.40 4.60 2.85 2.4e 3.00 3.38 3.09 3.6? 3.34 2.80 t.53 2.96 1.40 2.92 4.r7 2.79 3.96 2.74 4.88 4.46 2.6 10.3 19.78 t.07 3.97 2.94 2.58 2.42 2.46 2.98 2.77 2.59 8.1L 2.49 2.93 1. parr le di¡tribución F u1 grados de libertad en el numerador /2 gfados de libertad en el denominador ><.4 19.35 2.44 3.43 1.8z r.90 1.37 2.t5 2.99 2.04 1.34 2.4 19.25 2.85 6.71 3.20 2.5 19.66 8.58 2.62 2.67 t.15 3.t6 2.79 1 a^ 1.93 5.4 19.67 4.2L 2.26 6.40 2.43 4.4 19.98 1.08 3.93 2.45 2.87 2.24 2.4 19.08 2.t2 4.59 6.74 2.23 2.41 3. con perrniro de los autoreo y eütorea.12 2.67 2.84 4.60 2.99 1.19 4.95 4.68 2.91 1.75 1.73 1.69 1.24 2.20 3. O.02 r.87 3.39 4.62 2.02 1.L3 2.91 3.34 3.0r I | 4.91 5.31 2.07 4.24 3.53 2.47 3.54 2.64 1.80 a. página 178.7L 2.12 3.05 2.01 1.5 19.77 4.69 3.53 3.40 2.L0 2.66 2.32 2.99 5.59 1.00 3.28 3.37 2.55 2.88 1.7 4 2:28 2.06 4.84 1.36 3.06 t.61 I.tl 2.45 2.95 1.82 4.74 1.38 3.70 1.27 3.96 1.13 2.10 2.29 2.62 2.L0 2.51 3.87 3:70 3.61 2.04 1.9L 2.96 4.76 2.71 2.42 2.74 2.95 1.54 2.32 2.93 1.48 3.03 4.(}51.35 2.2 19.03 2.69 3.82 t.14 3.5 9.38 2.Apéndice F Porcentila 95 (nivele¡ 0.L6 2.91 1.18 3.86 5.30 2.0Q 2.99 1.44 2.01 2.07 3.45 8 I l0 11 5.54 2.24 2.26 2.64 2.11 2.L5 2.62 4.01 1.8L 2.02 2.49 2.84 2.61 19.20 2.22 2.59 3.6L 2.62 1.04 6.57 r.26 2.L8 2.81 1.30 4.2r 2.57 2.62 8.r8 2.84 2.11 3.88 1.94 1.15 2.06 2.09 6.49 2.66 2.98 2.77 2.01 2.83 t.0s 1.49 3.89 1.23 2.94 1.25 2.35 2I 22 23 24 25 26 27 28 29 30 3.07 1.47 2.68 3.46 2.07 3.81 8.25 2.66 2.39 6.05 4.96 5.70 2.49 2.84 3.lL 2.41 2.rL 2.37 2.01 2.53 r.61 2.53 2.64 8.69 1.57 8.20 2.77 2.26 3.73 2.76 4.00 2 Fuente: E.23 3.64 2.43 2.21 4.39 2.66 1.84 1.l I D.5L 2.69 2.27 2.90 2.g¡.83 2.91 1.86 1.44 3.41 3.75 4.92 2.23 4.57 2.42 2.0L 1.06 2.92 3.

?9 3.46 2.03 3.?5 8.7 16.45 s.2 ?.22 3.96 2.43 4.78 3.76 3.40 2.37 4.35 2.56 4.6 14.23 6.29 2.66 2.66 4.86 4.74 4.86 3.12 3.26 6.60 4.41 3.011.72 6.85 2.86 2.00 2.32 2.58 4.52 3.96 2.68 2.02 3.6 10.18 8.17 4.07 4.32 5.94 3.0 9.00 2.89 3.35 4.75 3.47 3.61 6339 6366 99.54 t7 18 19 4.98 2.08 3.87 4.2L 6.43 3.64 3.78 2.65 2.tL 3.22 4.63 3.98 6.o J 2.36 3.51 s.38 1.02 7.9 9.50 4. 2 (1972).54 3.?0 1.5 34.23 5.0 16.67 9.65 9.5 26. con permirc de lo¡ autoree y editoree.4 27.59 3.54 2.11 6.70 2.57 t2.7r 4.84 6. Hartley.30 3.31 4.69 2.29 7.9 99.54 3.85 7.42 4.99 5.66 2.56 6.70 6.23 3.60 3.46 3.26 4.4.66 2.3 13.37 2.54 5.36 2.68 7.63 4. 3.84 9.r3 2.57 2.30 3.09 3.86 4.91 6.3 8.81 4.43 3.46 2.71 3.4 13.52 2.3 14.11 6.oD 8 ?.03 1.37 3.91 .60 2.59 1.36 3.86 1.86 6.7 10.0 30.38 2.63 3.90 2.6? 3.44 2.56 5.95 7.01 3.20 2.70 8.67 5.02 2.30 7.94 1.3 27.93 z.18 4.83 2.7 14.46 6.1 6.39 6.32 3.4 99.64 2.28 4.5 13.26 3.95 4.19 l0 99.87 6.90 3.10 4.10 3.33 4.03 2.63 4.20 4.71 3.41 2.07 5.96 4.89 4.75 2.94 3.13 3.09 2.86 3.2 13.19 11. gFados de libertad en el numerador v2 grados de libertad en el denominador x1 I 98.51 3.65 3.49 2.t4 5.73 7.00 t20 Fuente: E.56 6.2'.54 20 9.5 14.21 3.2 29.93 4.40 8.11 2t.06 2. Vol.06 4.69 3.29 8.1 a. Tbbla 6.67 2.ó 16.34 4.16 3.77 4.00 2.04 3.42 6.10 4.89 3.5 26. 8.0 15..03 2.33 3.6 9.29 3.18 3.79 60 2.72 5.16 3.36 4.40 4.46 5.63 8.55 7.42 3.99 6.91 5.89 3.L7 4.35 4.17 3.23.63 5.01 3.S.64 7.06 6.07 6.76 1.89 4.0 9.17 3.78 3.62 2.18 3.92 2.62 4.56 3.59 6.4r 5.4 27.86 3.72 7.19 2.13 3.25 4.17 3.83 3.51 3.46 3.10 L2 16 20 24 30 40 60 L20 @ 4062 6000 5403 6625 5764 5859 99.35 3.85 4.33 2.18 5.78 9.99 5.49 12 13 6.31 9.06 4.95 5.20 4.68 8.50 2.0 10.03 5.3 L2.60 1.64 3.01 .39 3.47 5.03 3.01 1.t7 2.25 3.12 3.89 4.2 18.66 99.3 28.3? 3.19 5.1 13.4 11.82 4.04 4.7 99.80 2.2 9.8 99. l4 15 16 4.94 3.26 3.99 2.3 10.80 5.4 27.2 99.2 14.46 3.61 6.7? 7.r7 3.45 7.70 2.sz 2.2L 3.65 8.58' 2.60 6.80 3.02 7.07 4.20 2.76 2.L4 4.39 2.b8 2.4 9.92 2.10 2.87 3.64 6.84 2.42 2.63 2.60 '7.03 2.30 3.62 4.47 6.70 3.34 3.31 4.09 3.33 8.66 2.66 2.6 13.07 3.94 2.l 11.16 3.21 3.82 4.2 16.55 3.70 3.46 7.0s 1.74 6.01 6.93 3.92 2.r 26.72 7.39 4.74 4.54 4.99 3.25 4.5 26.t4 4.60 4.oo 7.68 4.80 3.02 6.78 2.10 3.39 4. F.78 3.60 3.O.49 2.02 7.66 6.67 3.21 2.ó9 3. .07 2.6 5981 6023 6066 6106 615? 6209 6235 6261 6287 99.16 5.4L 4.96 3.36 6.00 3.16 3.APENDTCE F 349 Percentila 99 (niveles 0.95 1.68 3.97 6.51 3. 3 4 o oot 28. Pearron y H.68 99.3? 3.41 3.56 2.76 4.7 27.20 4.28 4.89 7.L2 2.26 4.l 8 I 99.62 3.29 6.78 3.31 3.30 4.8 99.12 4.86 8.32 4.72 4.5 9.93 6.üb D.48 3.Ll 2.23 2.88 7.66 4.88 2.09 3.96 I 10 11 .67 2.26 3.80 6.87 2.72 5.44 4.36 2.00 3.31 7.55 8.4 26. página 180.47 t4.43 3.40 6.31 3.22 5.42 5.9 99.18 3.5 26.45 3.42 3..82 7.72 2.59 3.65 6 .37 5.81 6.7 13.44 4. para ls di¡tribución F v.29 2.66 3.82 4.65 3.31 3.67 4.88 2.64 4.30 3.5 10.62 5.08 3.72 2.94 3.13 2.52 3.59 3.1 7.3L 6.15 8.00 2.47 2.93 2.81 3.36 3.38 9.52 4.10 6.L2 1.31 2l 22 23 24 26 26 27 28 29 30 40 fó 4.3L 2.01 5.40 3.74 2.61 o.08 6.42 2.8 10.se. 3 4 o 6 .40 4.63 6.50 4.26 2.61 4.49 5.84 2.99 b.88 5.5 26.4 99.69 3.53 3.4L 2.67 6.04 3.7 10.75 2.2 9.2r 5.10 8.94 4. Biomeúiho Toblec for Statbücbnc.41 9.56 4.64 4.26 4.15 2.L4 5.84 2.78 3.

Apéndice G
Logaritmor dpcimale¡ con cuatro c¡fra¡

N
10

0

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

2

3

4

5

6

I

8

v

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

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

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

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

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

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

Partee hoporcior¡ales

22 23 24 26 26 27 28 29

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

4728 4742 4757

30
31

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

82
33

84 35 36 37 38 39 40

4829 4969 5105 5237 5366 5490 5611 5729 5843 5955

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

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

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

81114L7202226 81113L6L82L24

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

81113151719 81012141618 810t2L415L7 7 911131517 7 911121416

7 7 6 6 6 6 6 5 5 5

910121415 810111315 8 9111314 8 9111214 ? 9101213

7 ? 7 6 6

9101113 8101112 8 91112 8 91012 8 91011

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

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

4l
42 43 44 46 46 47 48 49 60

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

65/'2 6551 6561

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

5l
62 63 64

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

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

7tt8

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

N

2

D

6

I

350

APENDICE G

351

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

N
55 56 57 58 59 60
61

0

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

2

ó

A

D

6

7

8

I
1474

L23456789

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

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

7435 7513 7689 7664 7738

7443 7520 7597 7672 7745 7818 7889 7959 8028 8096

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

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

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

7

62 63
64

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

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

6 6
6

65 66

ot
68 69 70
7L

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

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

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

6 6 6
6

6 5 5 5

72
73

14

to
16 '/ó
79

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

8791 8797 8848 8854 8904 8910 8960 8965 9015 9020

5 6 5 5

80
81

82 83 84 85 86 87 88 89 90
91

9036 9090 9143 9196 9248 9299 9350 9400 9450 9499

9042 9096 9149 9207 9253

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

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

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

6
5 5 6

6

9304 9309 9355 9360 9405 9410 Q455 9460 9504 9509

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

o9 93 94 95 96 97 98 99

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

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

344

9786 9832 987? 9921 9965
I

9791 9836 9881 9926 9969

9?95 9841 9886 9930 9974
4

9805 9850 9894 9939 9983
6

9809. 9814 9818

9854 9899 9943 998?
n

9859 9903 9948 9991
8

9863 9908 9952 9996
a

3 3

4

N

Valorc¡ de e-^

(0<r<1)
}'
0

I

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

3

4

5

6

7

8

I
.9139

0.0
0,1

0.2 0.3 0.4 0.6 0.6 0.? 0.8 0.9

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

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

.9608 .8694 .7866 .7118 .6440

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

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

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

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

.8270
.7483

.677t
.6126 .5543

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

.5827

.5273
.477L .43L7
.3906

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

.Eore
.4538

.4107
.3?16

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

lo¡ valores

de

e-r

para otroe valore¡ de

I,
=

emplear lar leyes de los exponentes.
.03081.

Ejemplo:

-¿-3.48

=

(e-3oo)(¿-0.r8¡

=

(.0a929)(.6188)

Apéndice

I
Números aleatorios
74640 2349L
601 73

51772 24033
45939 30586 03585 64937
1

42331 83587

29044
06568

4662I
21960
1

62898 2L387 55870 86707 85659
551 89
41

93582 76105

04186 10863

52078
75797
81

25424 45406 82322 20790
98527 30277 60710 06829

1645

02133 79353 03355

31041 96799 65304

56974 12973
36081

37428
171 69

938

50884

19640 97453 93507 88116 14070 rL822 24434 41982 16159 35683

8?056 90581

94271

42t87
74950
15804

95863 51135 57683

5630

64759
56301

09448
21 631

62586 94623
5229A 87843

889

00745 25439
68829 48653 27279

65253
88036 06652
71

67283

85418 16835

49t59

9tt57
17480

7733L

590

t4676
47280

91097

294t4

28L95

47162

362

Respuestos o problemqs suplementqrios
CAPITULO
1

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

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

(c) {5i (d) t5}

k) @ (/) {3}

@) {2,6,3}
(¡¿) {6}

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

(d) {4} (¿) {3} (/) {3,4}

5/36

(c)

0.e8, (d) 2/9

(e) 7/8

) ) (c )
(o

(b

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

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

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

(e) 4/5

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

(e) IL/t6 (Í) L/5

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

(i\ (i)

6/26

52/225

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

(e) Lr/L5 U) r/5

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

1.86.

(a)

3/10

(b)

1/10

(c)

315

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

r.106.
1.107.

(¿)

32,805

(ó) 11,664

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

1260

1.108. (a)

120 10
6

(b) (b)

72

(c) L2 (c) 45

r.r09.
1.110.

(o)
tt.

70

.

1.96. 113 1.9?. t4/57
1.100.

=

1.111.210

8 12
(b)

1.112.

840 ?000

1.101. (a)
r-LO2.

2620

(c\

720

1.113. (a) 42,000 (b)

n:5 60
5040
(b)

lJla.

(a)

L20 150

(b) 2620 (b)

1.103.

1.115. (¿)

46

(c) 100

1.104. (o)

120

(c)

240

1.116. (¿) 1? (b) 163 1.117. (o)

1.105. (r¡) 8400 (b)

2520

20

(ó)

330

(c) t4199

353

354
1.118. (a)
16

RESPUESTAS A PROBLEMAS SUPLEMENTARIOS

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

6rys

¡

ya

1.119.2016

L.r22. (a) 5/L8 (ü) 11/36 (c)

1/36

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

44

(b)

2r

4

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

4152CB

r.127.

(6Ca)(aCz\/MCs

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

Ql

QCz. ¡¡'Ct

*

a'.Csl,l12cs

4(r3Oa\hgC+)/szCss 1025

r.l3E.

(o)

120

(ó)

60

(c) 72

1.131. 2.95 x 1.133. 0.8%

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

aproximadamente - 3

1.f40.

3L26/46,656

1.13ó. vT1
L.146. (a)

l.l4t.

(a)

4

(b) 14

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

4/52C5

r.t47.

2/243

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

126 462 3/32

(ó) , +,- rCn(b) (b)

r

,-tCn-t

1/16 (cl r/32

(d) 1/8
prob. empate

1,151. prob .4 gane

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

=

L26/216

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

2
0

2.38.

(¿)

I
3/8

o

3

2.39.

(a)

0

I
t6/28

.)

f(r)

r/8

3/8

t/8
t

f(r)

3/28

6/14

2.4o.

(a)

t

0

1

f(r)

9/64

r5/32

25164

RESPUESTAS A PROBLEMAS SI'PLEMENTARIOS

365

2.42.

(a)

r
f(r)

0 194,580

1

2 6768

3

4

270,726

69,184 270,725

r92
270,725

270,726

2.43.

(o)

r
F(n)

0

I
U2

2

3

L/8

7/8

I
4

2.46.

(o)

r
f(n)

I
L/8

2

3

(b) 3/4

(c\

7/8

(d)

3/8

(el 718

u4

3/8

U4

2.47.
2"48.

(o)

3

(ó) e-B

- e-6

(c)

e-s kll | -

e-s

F(r)

=

2.49. (al

6l2s

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

2.50. F'(c) =

2.6t.

(a) r/27

(r2/9 0<¡(3 de oha forma l0

(c) 26/27

(dl rls

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

fo

2.66. 2.67. 2.ó8. 2.60.

(¿)

(a)

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

(ó)

/r(u)

= {o

(Ale A = l'2'3
orra u

(d\

6116

(¿)

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

(ó)

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

tl1

*

al

o<a=l v=l

a=0

(a) (ó)

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

2.61

.

(a)

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

t)

=

rÍl'

0

5

Y

=

1

otra

r' O=A=I
0

(b)

l(r+ull@+l) 0 < ¿-< l, = 1o o<rsl,

=Y = otray

1

356

RESPUESTAS A PROBLEMAS SUPLEMENTABIOS

; i . ¡

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

0<rrl'

0=v<1

;
i |

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

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

,=o,u<0

A¿O

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

de oha forma

0 de otra forma

2.72. (o) c(u) =

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

(D) c(ut

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

i:i::
de otra forma

o

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

0 de otra forma

=

" {; '' 1"1í,""1.",t
I

2.82. c@)

=

{í'"-''u

:::

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

2.E3. l/4

-" ;: ;

2.s4.

s6/2*g

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

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

-

7e-o

2.89.

(a) c = (a)

1

(ó) 8e-2 c2=

,

2.9L. 2.s3.

cr=2,

I

- e-4 (ó) 9e-2-lAe-s L0

-

ze-r

(c)

4e-s-4c-?

(iI)

e-z-¿-t {ó

(el 4c-s

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

2's6' (a)

{r-^''
-rn2)

1"t"r0.".,-" (ó)
(r)
o1+

{;t'-"
zlrn

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

2.e0. (b) ;(1

lrnz

(¿)

2

,

2.e8. s(?)

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

2.ee.

(b)

7/L8

2JoE. \/r/z

3.72. Ft=2. p3 =-L2lll60.60.44. 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) \. 3.66.5e. (c) 315 3. (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 3.74.47. pl:L L6/3 3.62.61. 3.64.ezt\/zt2 (D) p = 4/3.'PLEMENTARIOS CAPITULO 3 3. 3. <1 (ó) p = l.E0.69. Fz:5. 7/0 (ó) 6/5 3. (c) 1/(1¿). 3. yí= 6.46. 10. 1e/10 (¡t') 6/6 a/3 @ 1 \Ng 3. 3. (a) 1 lb) 7 (c) 6 3./3s12 3. 3. Fz:3/80.7 3. pz=7-. p¿=35 (b) pr = 0.65.ó6. (o) (a) 1 (b) I (c) rla (c) 3.79. ps: -5. 3. pí=1.68.55. o*=1/t5/ZO 4 (b) 2 (c) . pn=33 (c) (bk+r'st<+r)/(k* 1Xb-o) peiaa (sen (ó) [1+(-1)k](ó -a. pi= 2. 3. pá: t6/5. (a) (3r +2\/(6r*3)para0 5 ¡<i t¿l lsu+Z)/(6u*3)para 0 = a = | 3.77. 3. 3.RESPUESTAS A PIOBLEMAS SI.6E.82.57.67. 3. 3. 3. (a\ l/2 parae>O (b) lParay>0 .E1.\klzk+t(k+ll I qeiab co)/ao 3. pí=0. 3. pi= Al=0. i¿l p4=230718960 2a 3.62.43.5 3 (b) r3n/6 (a) 35112 @\ (ü \Elm. (e2ia-Zie2ia-ll/"2 (a) (¿) (¿) Lr/144 (bl rr/L44 1c¡ t/iJttz (¿) (¿t) \/-LUr2 (e\ -L/L4a 0 -!rr 1 . (a) (a) 2/3 (b) 2/3 G) aB 7/a (c) @\ Als 3.E4.48. 3/2 (bl 3e/4 (a. pí= 2. ú= (a) h=0. 3.78.45. 3.\ +(et/2+e-t/2) = cosht (ó) p=0. (o) (f + 2te2t .54. nx=lE (al (a\ (ü) Var(X)=3/80. 3./m/L8 (d' \rzssñ8 (e) -9L/32a (Í) -sr/235 4 tb) 4/\/35 -t/tst¿.83'. (o) 1 (b) (o) Var(X)=5. 3/2 n (b) -2e/6 Lla !4 3. 3.50.

100.1)/4 (c) 16/81 3. (a) x Var (Y lX) 0 5/S I 416 2 (ó) Y Var (X I Y) 0 I 2S/36 2 24t49 3.116. (o) 1 3. (¿) 3.10E. (a) 3.8/2 (ü) 1/3 (c) 0 .125. (al 3.113. (o) (ó) ln 2 (D) I 3.e2. (o) 0. (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 3.358 RESPUESTA"S A PROBLEMAS SUPLEMENTARIOS 3.05r 3. .1or.118. (¿) 1/y'5 3. (a) 3.103.89.90. (o) (c) 8/16 1-+y'3 (bl v2 3.[o ) 3.109.o)/6 (a) -7/27 (c) 2(et-l-t¡¡¿z -Z(e--l-ü¡¡"2 (e) r/136 3.114.94.123.126. (o) (a) 3. (a) r 2 0 (ó) 8(21/2-r)/L6 (D \. (o) (c) 3 (ü) 3 3.127. (o) 3. ffiParao rle (b) 1 6x2*6n*L s r:< I . (b) 2415o (ü) e (al (a) (b) 6/e (b) 1/18 (c) (et * 2e2t + Sezt)16 (d) (d) (eto + 2e2to + 3e3. (a) (b) r/4 (b) 0.119. (o) 3.120. (o) no eriste (ó) (c) 3 -1 (c) e-z *0 3.85. 3.121 . (a\ L 3..105. t"l .10a.L22.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.###parao < nr 5r 3.f 6/9 7lr2 o 3.r/r-tsnflo) (ó) \F@i @ tlfr. 3.eziarlznl u) 12/6 3. (bl 3614 (1 @l atg (b) 2/e L (c) * 2te2t - e2')/2t2 (el -2\/fr/r6 (d) -(1 + zibe2ia .5 02.124.91.17 (c) 0. (d) 1- (1/\.

63.05610 (b) 0.t"/o 0.5. 4. 4. 84 (bl 8.1127 (dl2.9962 (b) 0. 4. 11/16 (dl 518 (a\ r7lL62 (a\ (a) 5/16 (c) 4.1008 (c) o.0286 (d) 0.82.9198 (c) 0.7t. 4. L93t5t2 (a\ @) 32/243 (bl re2l243 k\ a01243 (dl 2421243 42 (b) 3.64.726t (/) 0.2241 (d) 0. 4. 4.6 (b) e (b) 72. 4.E3.1342 0.66.849 (e) tt.E6.0668 (a\ 20 (b) 36 (cl 227 (cl (d) 40 @) 15% 4.0089 (o) (o) 0.84.0079 0.7% (al e5.0838 (b) 0.03eb .8?67 (b) 0.85.5976 (c) 0.86 (c) 2.4 (¿) 0.90 75.s27 1.08 (d) r. (a') pl (b'l npq(l - 6ps\ * 3n2p2q2 -1.73.66. 4.93. -0.e265 (d) 0.77 (a) npq(q (o) 1.2511 (b) 0. 4. (c) (p) 0.78.89.I RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS .4% (bt 23.0154 (e\ 0.06131 . 4.995 0. (a't (a) r/64 Ua 250 (b\ 3/32 (c) l5/6a @\ 5/L6 (e\ 15/64 (l) 3/32 (g) Ll6a (b) 11324 4.E8.74.69.68. 4.1680 (/) 0.6404 (d) 0. 359 CAPITULO 4 4.76.9495 (b) (ó) 0. 4.0?86 (c) 0.61.049?e (ó) 0.7% (b\ 54.87. 4.03?5 0.92.90.91. (a'¡ 6L.75 (b) -1.77 (c) 0.0687 0. (al93% 4.G¿s 4.76. 57/6a Q\ 2r/32 (b) (ó) 4. 4. 4.t9.4232 (o) 0. 4.15 (b) 0.0% (c\ 93. (o) 0.2991 (c) (o) 0.1494 0.626 ó 0.6826 4.550 (c) -0.0567 (b) 0. 4. 641243 25 (c) 500 4.0658 4.9500 0.62. 4.3% (a) (o) (a) (o) 1.7123 0.a7% 4.67. 0.224r (e) 0.80.E1. 4.

(a) ?0/429 (b) l/143 (c\ L42|L4B 4105 (.50. 82S\fe (b) (ü) (b) 2(b-al4/6 e/5 113 6. (a) 201. @\ 4.136.0228 (c) 0.8b2 (e) 0. (a) 0.75 1.gs (e) z.0 (b) 4.861 (.9544 5.B 4.r?r. o* = 0.00248 (b) 0.03 (¿tl 2.16 5.71 (ó) (b) (b) 1.2 2s6.360 RESPUESTAS A PROBLEMAS SUPLEIVTANTARIOS 4.L32. oi : 6.000295 4. o* = 0. (o) 5/3888 (b) 5/324 4.t : 5. (a) 237 22.64.130. (a) 9.101.0e (c) (c) (c) (c) 1.49.62.2 (c) suponiendo áreas iguales en las dos colas.75 2.) 4'106' (c) 4.L26.4972 (ó) 0.40 o¡ ligeramente menor que 0.s5 z.111.o rí. (a) 0 4. (¿) 4. (a) 0.005? (b) 2 (c) ninguna (dl 24 6. (Q 4. @) 2.76 1.94.2 zr.b9 84.58 5.Lo4.1033 (c) 0.4 ft\ *e-tn -1"-.55.? 3/4 16.. - 2.47 (c) 9.84 (d) 4. (a) 0.40 oz. (c) p.5 (b\ 4. (a) (d) (el 2.rr3.829 1.6e64 (/) 0.53. (a\ 3/4 . (o) e. (o) sx = 22.48 4.0000 .8164 (ó) 0.13?. (a) L22.. (o) 0.73 -0.s 20. ¡2. (a) (ile)/Q?) . 0.000948 (ó) 0.4O 0.ro9.3 (d) (d) 55.47 (c) e.008 = oz.r2o.7 (b\ 4.8 68. ('f) (l?)/(l?) (iSX?SXtt) sla 0 (b) (ó) (ó) (ü) l(¿ocoxzoc2ol+(4oc'l(nctsl* (qoc)(ncnl)taoczo 4.l 86.1 4.68 2.1b82 (c) 0. (a) e.62 (b) CAPITULO 5 (c) 0.166 6.s? 4.r y 26.1? v 7!r= !4.00J8 (d) 1.81 (bl2.0 (b) (b) 4.60 3.04462 (c) 0.L4L.L29.128.0 (b\ 4. (a) 4.2 4l.L27.008 oz oz (ó) (b) pX pX = 22.128 (d) -1.3/8 4.tr2.0620 4. (a) 2.r03. (a) 4.35 L7e.51.2 (c) (c) (c) 2B.40 oz.138.0 (d) 8.34 2. 22.00g oz oz oz. (a) 1.160? (d) 0.LB 4.s a8. (o) B0. (a) r 4.0918 (d) 0. Ll4 aJLa.ro2.BB (d) -0.136.0 (d\ 2.

3%' 99. (o) (o) (ó) (ó) 11.00?? (ó) 0.100.66. 5.0 s ?9 5. (a) menor que 0. 0.86 (ó) (c) -e1 (d) 63 .E6.5E.9t.8664 (c) 0.113. .49 (c) 0'28 5.105.47 (ó) e = 5.11 5.6 (fl @) a6% 100 (horas) (s) 62/a00 (h) 25.81. 0.tO. 5. (o) 5.20% ton.76..3226.6% (il 0't ts. 12.0. (a\ 2. (c) 0.72.01.0026 6.?9 0'0228 lb (b) 0.3204.65.6.1%.09 tons..91?2 6. 5.104.1o9.1841 (cl (o) 118.82.74. 501. 99.59.33f0.2 6. 5. 86 5. .?33 (c) 0.01 (b) entre 0.0064 (c) 0'4504 5. 5.6% = 0. (b) 0.1. (al 4018 6.99. O.326.60.60 0.. (c) 0. 6 0 -1 (ü) 40 4 6 (c) (c) 288 (d) (d) 2188 (b) 0 26.326-0:328.00 6. 1199.7349 pulg. (c) 0.56. 5. 80Eo.0316 5. 0.2160 (b) 0. 0. 5.322.33?6 pulg. (ó) 0.a84 5.0019 (ó) 0.63.49 0.01 (b) menor que 0. (¿) (o) (¿) (b) (b) 0. 11.94.7L. .323-0.01 (c) menor que 0.36 (ü) (ü) 0'17 0.108. 5.60 5.t7.67 0. 46 (@) 0. (ó) 38. (a) 82 6Jo2. 8.?4 lb I 2 (d) 126 0.92.8 lb.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 5.L6 (ü) 0.3265. (c) 146. (a) 24% (b\ rL% 5.33? 6.0% 76 5. (a) 5. .96. (a) ?99 (ü) 1000 (e) (c) 949.0136 0. 0.9 lb 5.e5.003 pulg.106.0482 .72642 pulgadas 26. 6.01?9 5.166 ó 16.50?.o% 78. (o) 0. (o) ñ = 2.LL2.73. (o) 0.97.68.0006?6 pulgadas (b) 72. 6.62. 0. . (@) 0.3196. 6. (a) 2 6 6 (b) 996 (b) (c) 218 12 5.111. (o) 0. (¿) 0.101.8869 28.0.0028 (b) 0.60 1'. 5. (o) 0.9596 (c) 0'1161 . 5. 78 á.t1 5.00496 pulg. .6 (d) 10995.26 5.93.90 5.7o.01 y 0.76% S.06 pero máe cerca a 0.10 5. (o) 10.

(o) 0.41.34. (a) 6. 0.07 t 6. 7 RESPUESTAS A PROBLEMAS ST'PLEMEI.2344.72642 t 0. (c) 0.3?.2 106 (ü) (b) 8.18.131. (a) 11.72642 + 0. m1 :0.129.62 6. 0.049 segundoe 6. 0. (a) 1200 hr 6.12 hr t 0.38.030 eegundoa (D) 0.62 r 0.86 lb reepectivamente 6.073 i 0.84914 6. 6.126.0 y 100. 6. 60 y 100 tuboc son respectivamenüe.0? (b) 0.5 lb (b) 0.97. (bl 0.28 (b) (s) ?8e. (o) (b) 105. 0. 0. n4= 0 -0. (q') (c) e2.82.88.24 tons. (b) 0.?3 onzas onzae (ó) Z.000085 pulg. ms = 0.362 ó.36206.68 a 0.24 lb2 (c) 0.125. 0.115. (o) ?8.116.124.16 onzas 0.09 t 0.69 I 0. (¿) ffiz: 0.09 t 0.41.94 Laprimeradistribución (a) la aegunda (b) la primera 5. 2. (d) 032642 a 0. m1- 89.30. 0. ó.u (o) al menos 323 hr (b) al menos 560 (c) al menos ?66 (b) 1.12t. (a) 0. (o) 0. (o) al menos 96 (ó) al menos 68 (c) al menos 16? (d) al menos 225 900 (o) al menos (o) 7. (o) 9.38 (a) ?. (b) -4.96 onzas t t I 0. 6. 0.112 .7.22.tu.38 I (a) 0.4 4 (i) (il 706. rn2= 5.0586.72642 + 0.00002b pulg.e5 5.. m1 = 0.546 2.000072 pulg.38 384 (b) al menos 221 (c) al menos 666 (d) al menos a 1.045 0.130.72ti42 t 0.000060 pulg. 6.20 (f) 7. 26. (ó) 11.127. = -3.123.?0 r 0.39.117.70 t 6.36.09 t 0.82 0.09? (c) 0.0696 r¡¿o 560 (c\ r.¡'TARTOS 5.43.40. 5.428 24.?8 y 0. (a) 5.7.74 5.045 6.128.0ab t 0.36. tb9 5. (a) 0. 6. 0.298 0. 101. 101. Las estimas de las media¡ de la población son 1200 hora¡ en todos los casos. 1193. (o) 0.38 (hl 22.000025 pulC. (o) 1.2464 (b) 52.1 ó.53743.241 7.18 tons.0090 CAPITULO 6 e.22 0.5 horas.000095 pulg. 6.31. 6.11 (ó) 0. L9.4 hr Las estimas de las desviacionee típicas de la población para los tamaños de muestra 30. -1r7. -0. 6.L2. (o) 0.29.2 (b) 0.493e (b) 5.?0 * o.2 (d) 7158. 42 5.33.122.Se (ó) ?.118.r5 (c) 0.25.9?.6.298 t 0.35 (e) 26.

15 6.51. 6.5 a CAPITULO 7 7.63.) (e) t2. 7. (a) al menos 87. (a) 6. .2606 7.01 en (o) ni en (b).78 (b) 0. k = -lln - (ct. I _ ()rr)/r¿ 6. (a) 0. 2400 t 45 librs¡.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 363 6.79 kl) t2.259 a 5.00 (ó) 13.45.ó4.99. rechazarla en caso contrario.05.269 (o) 0.8 horas 6.0 4802 (ó) al menos 8321 (c) al menos 11.ó2.r.52. 7.49. (d) Rechazar lfe ei se extraen más de 41 bolasrojas.. (a) 1800 t 6. 7.67.?41 a l.5).519 a 7.(b)0.50. r = .58 e 2.5). en ambos nivelea. Se puede rechazer la afirmación a ambos nivele¡ mediante un enaayo unilateral.63.06 (c) t2.05. Sí. (c) Aceptar la hipóterie ¡i las bola¡ rojac extrafdas esüán ent.8 t 0. (a) 63.20.61.250 6.5 horas (b) 88. y se acepta en ceso contrario (o no se toma ninguna decisión). 139. 86 lb (b) 1800 t 328 lb (c) 1800 t S82 lb 6. 7 No se puede rechaza¡ la hipóteric al nivel de 0. 6.68.66.1 a 288. (o) No se puede rechaza¡ Ia hipótesis al nivel de 0. (c) 106.1 a 140.02 (a) 0.6% 105.14 (a) 0. (o) t¿.58. (a) 95. 0.9 1?0.69. mediante un ensayo unilateral en ambos caso8. es 7.8 l: 0..458 a 4. (a) (IIe: p=0.lre 24 y 40.4E.7O. (b) Ensayo unilateral. 1.56.06? a 1.64.70 6. (b) Se puede rechazar la hipótesis d nivel de 0.9 6.58. (o) a 230.6 ¡ a 1g0.31 onzas 6. 6. (Hi p> 0.05 en ambos en!¡ayos.4 horas hora¡ horas (b) 78. El re¡ulüado significativo al nivel de 0.6 horas 2400 ! 59 libree (b) 87. kt') 0.62.70 (b) 0.24 249 onzas lb (ó) 63. -= 3' 2tritl "'+r3l 6. ?.944 (b) 0.17. (a) Aceptarlahipóteeissilasbolasrojarextrafdasestánent¡e22y42 rcchazarlaencasocontrario..9a1 a 2.Bb 6.69.654 a 1.65.1 horas 6.1 a 148.5 (ü) 102. (c) Rechazar 116 si se extraen más de 39 bolasrojasy acept:ula en caso contrario (o no tomar decisión alguna).60.46.673 a 2.138 a 10. .8 (b) 0.

32)r(0. 7. 23. E resultado es significativo a este nivel con un enar¡yo unilateral.7 Un ensayo unilaüeral muegtra quc la diferencirr e eignifrcaüive eB al nivel 0.El' 7 Un ensayo unilateral muestra que el proceso no debe inhoduci¡se si el nivel de significación adoptado es 0. No podemos concluir que la primera varianza 8e¡ mayor que la segunda a ningún nivel. es ?.86.6.3rL2 8.e5. El aparente incremento en la vai'iabilidad no es significativo a ninguno de loe dos niveles. 4.98.1. es 7.81 ln 7.4. Mediante un ensayo unilateral al nivel de eignificación de 0.06.6. 14.84.1.01 .73.7 y 0. (o) t 0. 66.7.0118 7. 7.1 y 0.1O0. 7. (o) 6 (D) 4 7. 39.l0l. Mediante un ensayo bilateral al nivel de aignificación de 0.2. bilate¡al muestra que no hay eúdencia s ni¡guno de los do¡ nivdes de que la duración media haya 7.71.9. Las frecuenciae esperadac 8on 1.0. al eegundo.05.87.8E.9.4. 43. 7.?. 7. 7.63 onzas 7. 53. pero debe introducirse si el nivel de eignificación adoptado e¡ 0.1. .5. 11. la¡ frecuenciae esperadar son 32.6. [. 4. 7.96 onzas (D) 8.05. 7. 5. Las frecuenciae eeperadas son 41.05.06.7 respectivamente.7. 60.0118 (c) 0 (d) 0 (e) 0.2.05 pero lo es al nivel 0. 0.20.64 + 0. 7 . 7.0.64 (ü) 0.t9. 7. 7.2. Un ensayo unilateral muestra que el nuevo fertiliz¡¡¡¿ superior a ambos niveles de significación.6.0 respectivamente. Podemos conclui¡ que la primera varianza es mayor que la regunda a ambos niveles. 13.99. no ¡e deduce que haya diferencia de acidez. y 4. 7. 12.1 y 1.A1 \¡¿ - lar frecuencias esperadas con 108. f (x) = T. Un ensayo unilateral rnuestra que a ambos niveles el contenido -nedio en cobre es más alto que el señalado en las especificaciones.RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS 7. ?. 7 (a) si (ó) no . pero no al nivel 0. ?. E aparente decrecimiento significativo al nivel 0. Un enrayo unilateral indica que no disminuye la media a ninguno de loo do¡ niveles. 7.96.?.3. Concluirfamos que el resultado no común al nivel 0.64 1 0. f (r) = aC"(0. Un ensayo cambisdo.7 respectivamente.72.76. Un ensayo bilateral a ambos niveles muertra que el producto no cumple con las especificaciones. Un enrayo unilatetal a ar¡bos niveles de aignificación muesha que la marca B es superior a la marca A.01. 7.05 pero no al nivel 0.6 respectiVamente. 50.01.7ó.e0.83 onzae (c) 8.ae frecuenciae esperadas eon 1. 9. 13 y 2 respectivamente. 21. pero no lo e¡ con un ensayo bilateral.4.77.79. 3.34.05.82. no 7. (b) Un ensayo unilateral muestra que I no ee mejor que A al nivel de 0.36.01. 49. 15. (a) 0.2.E3.94.6t)l-r.tO. concluimos que el primer grupo no es superior . (o) Un ensayo bilateral indica que no hay diferencia en la calidad de fabricación al nivel de 0.0.E5.78.

7.0872. La hipótesis no puede rechazarse a ningfin nivel. No puede concluirse que la marca A 7. 0.05. 7 . El proferor nuevo no sigue las miemas nortnas que los otroe.05.11f es es significante al nivel 0.06 pero no al nivel 0'01. 7.RESPUESTAS A PROBLEMAS SI'PLEMENTARIOS 365 7.109.110. (o) El ajuste 7.01' 7. (o ) 10. No hay razón para rechazar la hipótesis de que las monedas ¡ean hon¡adas.124. ? .113.465t 7 .13?. (b) El ajuste es bueno pero no "muy bueno".05 no rechaza la hipóteris (b de proporcioneo igudes. 7.1L7 . La hipótesis no puede rechaza¡se a ninguno de los niveles. No al nivel 0. (b) El ajuste es pobre al nivel 0.05. ?.06.106.05 pero no al nivel 0.108. La hipótesis no puede rechazar¡e al nivel 0.05. 1. No hay razón para rechazar la hipóteeis a ningún nivel. La hipótesis no puede rechaza¡se a ninguno de lo¡ nivdes. ?. (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).0738 (corregida) 7.114.10? . (a) 0. La hipótesis puede rechazarse al nivel 0. La hipótesis puede rechaza¡se a ambog niveles.109. La conclusión es la misma.132.103.134. 7. (a) 0.104. ?. 7. el re¡ultado er significativo al nivel 0. (o) El ajuste es muy pobre al nivel 0. La hipótesis puede rechaza¡se a ambos niveles. (b) (b) 7. sea mejor que la B d nivel 0. bueno (b) no (o) El ajuste es "muy bueno". . (c) si no si no (c) no (c) no ?.L72. La diferencia ?. (a) (b) (c) no ?. tul e no (b) 10 si (c) 10 (d) 8 7. ?.3863.05 indica que á tiene una mayor proporción de bolas rojas que B.138.t25: 0. 0. 7 . 60.0. . ) Un ensayo unilateial al nivel 0. 7.06. esto es consistente con el Problema ?.115.139.105. Mediante un ensayo unilateral. (a) Un ensayo bilateral al nivel 0.1985 (conegida) (D) 0.3179 (con conección de Yatea) 7 .2205. 7.116.133.L23.LO2.728. Igual conclusión. 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 0.129. (o) 7.05. Puesüo que la dietribuciónbinomialdaunbuenajustedelosdaüos.118.

6 E.60 (ó) 1.88.448 8. (a) 8.gBB+o.408 + 0.20 E.111. (¿) 0.427Y 61.s72 80.24 (b) 8.13 + 0. (o) (ó) 2.IBB72 616 8.74.60 (ó) 17. r¡o¿ = fi -o.000 + 0.00 (c) ?.92.96.E6.0 4.80 E. ft (d) Bg? (b') A=32.14(L.5t*3.0 t 8.0 t 5.9?.0 a 19.107. 37.8961 (b) u = 8.?801 y .113.1 E.9 2.151{" ¿O ó U -92. (o) v=0.) 1. 0.89 * L. (a\ 0.24. (o) 0. (a) 0.91¿6 y y 0.2 (c\ 182. 75/p 8.304 (ü) 1. (a\ u=-i+í" 6 u=.661¡ (c) r = -14.8. (bl u = 4.r10.6t-t.500a (cl r = 2.138 t a 0.9818 8. (o) 1.79. -0.90. - 1. u = 6.108.28 (o) (ó) Mediante un er¡rayo unilateral puede rechazaree la hipóteaia.00 t _1.?8 + 1.14¿0. (c) 37.126s 'y 0. Mediante un ensayo unilateral no puede rechazarse la hipótesie.6tly E. (o) 8.08?86 o¿ (ó) (c) t?0 ft.66r * 2. (a) 0.8861 1 t. 2.0 8.?3S(n-B)2 6 41.46¡r*l 8. (a) 3.0 a (b) B?.40 6 A:32.85.rz 8.7l4r (b) "=t*lu 10.77 y -.68.112.21r*O.00 8.00 6 r= (¿) 1.096 o * 0.188 ¡ (c) r32 8.66.oooo t 0.s912 (ó) 0.9927 8. (b) d 8.64. =0. 0.64y 8.29y 8.398 (ó) 192.?961 y (ó) 0.r3.Z.6633 1.366 CAPITULO 8 RESPUESTAS A PROBLEMAS SUPLEMENTARTOS 15o 8. (b) a = 29.69.84.968 (b.21 0.szos 8.?600 y 0.5 (b) (ó) g?.60 8.99.81.96.6 1.115.109.20(r-B) +0.14(10)0. (a) 0. (o) E. (¿) t 3.8r*12 (b) r= 0. B. (o) 1.2928 y 0. (a) 24.00*1. (o) (ü) t.ss56' 8. E.E0.1r4.89.71.70.67.r1y (d) 7g 95 t.4 si no no si E. (cr. (a) z = 3.87.6606 (ü) 0.

4547 8.(b)y:722.43. 9. (o) u = 3. una diferencia significativa en sus calificaciones a ambos niveles. No hay diferencia significativa en neumáüicos a ningún nivel. No hay diferencia significativa en operarios o máquinas.16-0.9254 y 0. (c) si no (ó) 8.oy:107. (a\ 20. de julio de 1950 (d) 142.36 lb 3.7096 y 0. (b)y:18.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 367 8.01. una diferencia significativa en marcas al nivel 0.L27. 9. una diferencia significativa en rendimiento a ambos niveles.38x E. 415 8.38. 9.01 .30 pulg. 9. 9. CAPITULO 9 9.deenerode1954.130.25.125.31. Hay una diferencia significativa en los sitios pero no en los fertilizantes aI nivel 0. 0.4 libras 8. 9.3?.128.05. 9.05. 9.4 (b) 116. 9. Hay una diferencia significativa en el tipo de maíz pero no en los suelos al nivel 0.32.01. 0.38.9653 (D) 8. 0. .7 (e)1977 1o. tlay 9.l31. No hay diferencia significativa en los métodos de enseñanza o plantelesal nivel 0.dondeyeslanatalidadpor1000habitantes.0.40: No hay diferencia significativa en neumáticos o automóüles al nivel 0.42*2. una diferencia significativa en operarios pero no en máquinas.lgxsilaunidadxesLl2añoyelorigenesel ¡ es un año y el origen es el 1o.6402 si la unidad 8. 9.05 pero no al nivel 0.129.23.7 y 173.11?. No hay diferencia significativa en operarios o máquinas. 8.116.05. 9.05. 9.120. llay una diferencia significativa en neumáticos y automóviles al nivel 0.36.126.01.01.44. 9.26. Flay una diferencia significativa en los métodos de enseñanza al nivel 0-05 pero no al nivel 0.39.6158 E.66.35.42.33 r .¡es5añosconorigenen julio de 1935.33. Ilay 9.24. No hay diferencia significativa en fertilizantes o suelos. No hay diferencia significativa en el tipo demaíz o suelosal nivel 0.1083¡*0.34.4653¡z.9*4. No hay diferencia significativa en el color del pelo o estatura. llay 9. flay 9.4f. Igual al hoblema 9.27. 9. No hay diferencia significativa en los sitios o fertilizantes al nivel 0. Igual al hoblema 9.43.

ó. C. al nivel 0.54. Al nivel 0.49. 9.01 las diferencias en los puntajes del examen debidas al estado veterano no son significativas. No hafl diferencias significativas debidas a los factores o tratamientos. pero no otras dife- ' ltray diferencias significativas en tipos de cables pero no en operarios. 9.Q.4E. 9.47 No hay una diferencia significativa en rendimiento escolástico debido a diferencias en estatura.54. 9. significativas debido a los sitios pero no a los fertilizantes. sílo son. 9.55. significativas en los puntajes de los exámenes debido al estado veterano y al I.Q. No hay diferencia significatirra en tratamientos a cualquier nivel. B. llay diferencias 9. ltray diferencias signifrcatiyas en especies renciag signif icat ivas.368 RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 9. fuual al hoblema 9.3.05. color del pelo o Iugar de nacimiento. 9. pero hay diferencias debidas al I.66. 9.Q.61.46.52. 9. FIay diferencias significativas debidas al factor 1 pero no al factor 2 o tratamienLos A. No ha! diferencias significativas en los puntajes de los estudiantes de diferentes partes del país.45.63. llay diferencias 9.62. pero las debidas al LQ.64. máquinas o fortaleza de cables. 9. 9. No hay diferencias significativas debido a sitios o fertilizantes. No hay diferencia significativa en los puntajes de I. 9. . y canüidades del primer compuesüo químico. No hay diferencias significativas debido a los químicos o s¡tios.

distribución gaussiana. 46 casillas. 2a6-2a7 . 82. 4 conjunto vacÍo o nulo. 30. 26 4. 224. 84 ajuste dé datos por la. 46. 315.78.3f6 bloques aleatorios. 2ó8 94. 342 axiomas de probabilidad. 2ll. 13 conjuntos bien definidos. 265-267 coeficiente de correlación lineal. 220. 27. 3O7.333 para experimentos de un factor. 1O9 relación de la a la distribución normal.237-239 aleatoriedad. 1l uti¡izando p¡obabilidad. 47. 89 282 diagramas á¡bol. 296 independencia y. 328. 144 cont¡ngencia. 115. 118.L28 relación de la a la distribución de Poisson. 28L-284 ensayo de tripótesis y significación para el. 213. 114. 31 curtosis.243.320. Só. 143. 26O clase. 306. 237 dispe¡sión. 26 4 coeficientes de confianza.297 teo¡ía muest¡al de. 344 curua parabólica. l. 246. 19ó coeficientes de correlación múltiple.2 conjunto universal. 135 distribución bimodal. 316. 108 bloques. 139'141 teoremas sobre la. 109.135-137. 1 conjuntos medibles. 349 distribuciones gamma. 239 propiedades de la. 296 Poisson a la. 3f6-321 clasificación tríp¡e o factor tres expedmentos. 112 clasificación simple o experimentos de un factor. 9. 118 distribución de Poisson. 344.97 dist¡ibución binomial. ó conjuntos iguales. 117. 117 ¡elación con la chi-cuad¡ado y t. 46. 10. 25 coeficiente de conelacion. 136. 333 cociente de inteligencia. número desigual de obseryaciones en 312-315 experimentos conjuntos. 85. 5 completa aleatorledad. 1 13. 297 poblacioml. 11O á¡eas bajo la. conelación y reg¡esión üneal perfecta. 244 264. 109 de la distribución de Poison.112.242. 2L7. 198. 217 convoluciones. 309 media y varimza de la. 1 (uéos¿ también conjuntos) clases y frecuencias de clase. 267. 21 1 desigualdad de Chebyshev. 264 curyas OC. 33O cuadrados latinos.145 ajuste de datos por.97-99. 319. 21 diagramas de Venn. 315. 118. 31ó álgeb¡a de sucesos.213 Bridae. 117. 130. 258-3O5 gradual. 3 dimensiones o unidades. 99 (uéase tombién distri' bución normal) áreas bajo la.269 cunas de regresión no lineal. lO. coeficientes de. 258. 221-226. 119- 310. 246 muestral. 291 26r. 284. 332. 11. 47. I29 aproximación normal a la. 116 reJación de la a la dist¡ibución normal. 317.112 219. 183 de la distribución binomial. L27. 13 2. 197. curua de ajuste. 295. 3 1 5 altamente significativos. 3 264. 266 (véose tom' bi¿n conelación y reg¡esión) curva de potencia. 24 complemento de un conjunto. 97 también varianza) dewiación tÍpica. 118.125. 311. 217. 26+ 246 püa datos agrupados. 81. 164. 263. 316 bondad del ajuste. 112 de Ia distribución normal. 306- continua a la derecha.2L6 área bajo la. 268 r23 aproximación de la dist¡ibución de interl¡retación probabilfstica de la. completa.294 generalización del. 1 77 combinaciones. 94. 31O.281-289 tabla. | (uéase también conjuntos) columna de conteo. 83. 263. 234. 316 püa de tres factores. 40 control de caüdad. 184 categorías. ' dife¡encia de conjuntos. 9. 112 relación de la a la distribución binomial. problema. 321. 259 típica (uéose desviación tíPica) desiación media. 258 relación de la a la distribución norrnaI. lO9 (véase tomb i¿n distribución no¡mal) distribución geomét¡ica. 115.246 Datos agrupados. 177. 24O. 6O. 2 (uéose deteminación. 7L.11-13 teoremas sobre. 263. 118 valores de Ias percentilas de Ia. 347 como caso especial de la distribución gamma. 108. 34ó cu¡va normal tipificada. 134 cuilas cdacterÍsticas de operación. L28. 316.37 Cambio de variables. 133 . 1 17 moda de la. 115. 61 disÉibución beta.28l-244 fórmula p¡oducto-momento para el. 22O.163 centroide o centro de gravedad de los datos. 1 51 contado¡ Geiger. 218. 135 teoremas sob¡e la. 2. 25-2 7 análisis de v xianza. dewiación. 112. 116 cuenta.244 conelación. 119 distribución ¡'. 297 distribución de Bernoulli (uéose distribución binomial) distribución de Cauchy. 168. 232-236. 8ó decisión. 139.26l múltiple.118 distribución hipergeométrica.293.86. 2a5'247. 316. 117. 269 ensyo chi-cuadrado Pua la.244 cuwa nomal. 12. 345 ordenadas de la. 230 coeflcientes binomiales. 268 generalizando. 115. 316 diseño experimental.324 el. 92- curua cuadrática. 248 curuas de aproximación.315. 133. 217. reglas de. 268.118 propiedades de la. 29G 292 correlación gradual. L24. 129. 100. 118.169 negativa. 112. 295. 127. 23. coeficiente de. 216. 6 conección de Yates para la continuidad.263 covuianza. 163. 82. 177. 85. 116.348. 316 27 distribución binomial negativa. 2 constante de Boltzmann. 1O8. 247 332. 321.316-321 aproxirración de Stirling a nl. 264. 264. 78. 88. 11O. 142 relación de la con la binomiál negativa. 306-338 fórmulas cortas en el.310. 92-94 teoremas sobre la. 11. 47 para el caso disc¡eto. 219.324 cuadrados ortogonales. 232-236. James. 264. 11. 161. 263. 11. principio fundameotal de. 9. 1 18 distribución chi-cuadrado. 78 diseño de experimentos. 111 r34 distribución de Pascal. 134. 225 análisis combinato¡io. 138.129 distribución exponencial.322 para experimentos de dos factotes.311 aleatorios. 83. cumplemos. Bernoulli. colección. cuenteo. 254. r97.2A2. 217. 267. 163 decilas. 1 conjuntos disjuntos 3. 82 cuadrados greco-latinos. 23A. 6 conjunto nulo. 56-60 pua el caso continuo. 248 decisiones estadlsticas. 116. E4. 266.lndice Ajuste de datos po¡ distribuciones üeóricar. 345 tipificada.

94. 22L- experimentos de un factor. 214. 5. 286-287 . 115. 164 acumulada. 342 función característica. 265 77 38. 346 media y vaianza de la. 221-226 mediante proporciones. 84 distibución uniforme. 164 f¡ecuencias elementales. 137. 43-46. 114 relación de la a la disEibución binomial. 141 probabilidad. 113 distribución Maxwell. 92.216. 4O. 163. 297 e¡rb¡ o residuo. 289.178.244. 157. 124-127 ajuste de datos por la. áreas bajo mediante relaciones de varianzas. 216.201 esti¡nas insesgadas. ó2 de funciones de vuiables aleatorias. 261. 156. 312 Einstein-Bose. 4 espacios muestrales no disretos. 132.263. 110 espermza matemática. ó1. 211267 estimas no eficientes. 1O8 . 4 46.215. 194 (uéate estimas insesgadas) toñbién mediante diferencias de medias. 91. 44. 45 función de densidad conjunta. 54 de sumas de variables aleatorias. 198.) distribución porcentual de frecuencias. 297 f¡ecuencia observada.267 formas igualmente factibles. 26ó también esperanza) estadfstica Bose-Einstein. 133 distribución Weibuü. 94. principio de. 25. 198. 76. 36 E. 48. 82 distribuciones de frecuencias. 117 disribución trimodal.318 de vuianzas. 1ó chi-cuadrado y. distribución f de Stud. 142 distribuciones condicionales. estadfstica (uéose estadís- tica Bose-Einstein) e1e x.294 pa¡a la püábola de mlnimos cuad¡a- teoremas sobre. 49. 306 Fistre¡. 29A espacios muestrales infiniio no conta- fumión complementaria de error. 324-327 variaciones pa¡a. 267 3-2L5. 44. 199 insesgada (u¿ose estima iDsesgada) estimas de máxlma verosimilitud. 92. 341 fracaso. ?7 muginal.139-141 ¡elación de la a la distribución normal. 61-63 distribuciones co¡iuntas. 160. 2L4. 199. 1ó espacio muest¡a] finito. 238 bidimensional. 81.¡ecuencia marginal. 77 (uéose dos. 237. 8l totales. 113 experirnentos aleatorios.312.2A6 224 espacio muestral. 159. 83. 114. 116. 4 espacids muestrales continuos.47 disc¡etas. 112 de la distribución normal. 36 función aleatoria (uécse vuiable aleatoria) función beta. 156. 276. 2L9. 43. 262. 266. 184 de medianas. 38.196. 119 distribución muestral. 311 notación paa. 118. 220. 194. 263. estadfstica. probabilidad de. definicid¡ de la. 14. 269. 118. 196. 312 efectos de lnteracción.4. 4 espacios muestrales inflDitos contables. 4ó para valiables aleatorias dlscrets. 113. 117 teoremas sobre la. 273. 2L6. 260 elementos o miemb¡os de los conjuntos. 44 va¡ianza pa¡a. 3O8 error tfpico. 77 espermza condiciona!. 157 función de densidad normal tipificada. 215. 16ó. 162. 343 función de densidad. traslación de. R. 162. 98. 43 teoremas sobre la. 162 de difetencias y sumas.A. 260. 290 . 81 fórmula de Spe¡man pa¡a la cor¡elación gradual. 194-210 eficiente. 1ó7. 16G162. 117.39. 213 ensayos de una cola. 44. 4. 164 acumulada. 1Og de la distribución de Poisson. 310. 314. 4 esperanzar 76.214 püa pequeñs muestras. 179 relativa. 39 (uéase tambíén funciones de distribución) función de distribución conjunte. 1O8 expansión binomial.277 para el plaao de regreslón de mfnimos cuadrados.226-22a mediaate la distribución chi<uadrado.pua el coeficiente de correlación. 306-31O. 4ó.ent.282. 160. 263. 194-2LO. 4 espacios muesfales discretos. 158. 213. 3 Ecuaciones norraales pua la recta de mfnimos cuad¡ados. 163. 3 7 Fisher. 194 estimas. 266 para vrimzas. 41 distribuciones de probabilidad discret¿. experimentos de dos faetores.61. l6 3 frecuencia relativa. 6 ensayo chi-cuadrado para bondad del ajuste. zLl. 212. 287. distribución de 2t6. 1O8 expamión multinomial. 161. 194 estimas po¡ puntos. 2ó9. ó3.226-228 mediante diferencias de proporciones. 290 estima. 81. 260 ejes.lores medios predichos. 241 3 mediante medias. 157 de dewiaciones típicas. 286 fórmula producto-momento para el coeficiente de cor¡elación lineal. 311 distribución t Student) 163 acumulada. 2t6. 163. éxito. 262. 2r9. 164 distribuciones de fiecuencia acumulada. 194 e¡aor tfpico de la estima. 218. dualidad. 111 distribución nomal bidimensional. 41 de funcit¡nes de vadables aleatorias. 231 experimentos de clasificación doble (uCose experimentos de dos facúores. 162 INDICE efectos de tratarniento. 6 enfoque clásico de probabilidad. pua variables aleatorias contfuruas. 164. 218 frecuencia porcentual. 296 derivación de la.P. 27 O. 16-321 225 la. t7l enfoque a posteriori de Drobabilidad. 178 (uéo¿e 213 mediante la distribución f de Student.2La. 297.6 286.266. 81 ble. 84 distribución multinomial. L4l 11 8. 206. 117. 6 enfoque a priori de p¡obabilidad. 212. 77. 52 distribuciones de probabilidad condicional. 111 teo¡ema de la unicidad para le. 41 conjunta. 13ó función de densidad para la. 278. 178. 285. 1 de proporciones.249 distribución nonnalr 109-1 11. en téminos de varimzas y del coeficiente de conelación. 162.293. 186 estadlsticos muestra¡es. Futl. 161. 47 interpretación gráfica de la. 16ó-168. (pe¡cepción ext¡as€nsorizlr. 223. mediante la disúribuclón F. 267 pua valores predlchos.177 enfoque de la frecuencia relativa de 308. 44 dis¡etas. 31 1 experimentos de Mendel. error típico de la (véose ettot tfpico de la estima) estimación. 138. óo conti¡uas.294 fómulm de Euler.179 distribuciones de frecuencia ¡elativa. 80. 1?3-176 de varios estadísticos. I76. 99 de la distribución binomial. 113. 38. 2I9. 83. 222 escalera flor. 236 mediante la distribución normal. 6 fórmula de inve¡sión. 264. 86-E8 condicionel.279- 164. 216 Fermi-Di¡ac. 39. 42. t¡ansformación Z de. probabilidad de. 168- de ¡elaciones de vuiauas. 117 relación de la a la chl-cuadrado y F. 289. 295. 216 para coeficientes de regresión.268 pua grar¡des muestras. 28t. fó8. 159. 262. 313-315.171173 de medias. 217 ensayos de dos colas. 261. 63. 194 estimas sesgadas. 326 función de distribución acumulada. 44 . 279 efectos de bloques. 64 293. 164 distribuciones de probabilidad.274.229-231 2L con repeticiooes. 17?179 acumulada. 266.S. 52-56 continuas.2t6 ¡elación con la teorÍa de estimación. 198. 119. óó estatura de padres e hijos. 5 enfoque uiomático de ptobabiüdad. 5.370 media y vaxi^nza de la. 35 estadfstico no puamétrico. 267.22L. 138. 2 interacción en el. 198. 162 distribución multimodal. 6..160. 2L9. 243 ensayo de bipótesis y significación. 109 propiedades de Ia. 14. 259 estimador insesgado. 231. 213 para va. 293. 40. 194 estimas por intenralos. 299 er¡ores del tipo I y del tipo II. 163.

6 muestras. 80. 342 fórmula de recunencia ptala. 157 media ditmética. 47 Pata conjuntos. 155 aleatorias. 155.313 ? probabilidad. 2+2. 99 pe¡cepción extransesorial (udase E. 1r6. 158. 97. 6r 3 ley de los grandes números. 163. 44. 197. r23.S. 42 para variables aleatorias discretas. 3. para el análisis de la varianza. 89-91. 76 de una muestra. 306. 203. 211. 69 para datos agrupados. ó4. 79 condicional. 177. l2 computación de la. 40.. 221 experimental o descdptivo. 79 alrededor del origen.221 experimental o descriptiva. 177 muestreo. 312 g¡an total.97 (véase tanrbién esperanza) pados. 159. 164. 44. ensayos de. 26L. lnteÁ. 309. 186. 156. 241 tabla de. 268 para vuiables aleatorias continuas. 55. 48. 49. 43 4O 268. 45.249-292 n factorial.49. 1ó5. 83. 259 ir¡tetcepto. 2 pea vErian¿as. Ojivas. 80 teoremas sob¡e la. 195 lÍmites fiduciales. 227. 1O9. 308. 97 medidas de dispersión. 164. t71. aproximación de Sti¡ling a.312. 163. 6 moneda b-omada. 96. 159 normal. 15ó. 26O intetsección de cotiuntos. 76. 54. 63 función de Drobabilldad coqiuDts. 39. 179 acumuladas. 1^O. 21?. 1ó8.23O Herencia. 44 g¡andes muestras. (cociente de inteligencia). 211 (uéase tombián ensayos de hipótesis y significación) hipótesis nulas. 96. 46. 1 56 independientes. 86 Marca de clase. 37 Poisson. gran media. 85. 212.D. 204 para medias. 117. 259 método de comprensión. pea conjuntos. (uéqs¿ rectas de mÍnitnos cuadrados) método y fórmula clave. 84.P. 3Oo funciones de distribución marginal. 110 eomplementaria. 196 población finita.Q. L22. 47 para conjuntos. 196. 3 ¡ey conmutativa. 156 población multinomial. para la convolución. 1óó. 2 lntcnalos de confianza. 184 teorÍa de correlación y regresión. 156. 156. 158 I. LS7. á1 lÍnea real. 94 función escalera.50. 2 núme¡os ¡eales. 113. 266. 1 (véase también conjuntos) prábola. 126. 2O2. 45 funciones de distribución. 311. 1ó8. 199-201 grupo. 194-206 para diferenciás y sumasr 196. 243 pua paábolas. 179-183 la distribución binomial.22O. . 217 gráficos de control de caüdad. 3O6 de de de de medias de grupo. S. 156 tamaño de la. 2t3. 342 fórmula asintótica de Stirling pa¡a la. 171.268 funciones de probabilidad marginrl. 166-167. potencia de un ensayo. 196 muestras aleatorias. 111 de la distribución ú o de Student. 165. 157 media total. 23O inferencia estadística.5 probabilidad condicional. 61-63 conjunta. 84. 97 medias de fila. 224 tabla de. 342 27. lf l. 27-23 población. acumulado. 163. 89'91. 308. 114. 5ó.266 pe¡mutaciones. 8 3O7. 8O. 96. 195 (uéose tambíén lÍmites de confianza) IÍmites reales de clase. ó3 niveles de confianza. 200 número. f16. 206 modelos matemáticos. poker. 8. 13 Iey distributiva. 213 números rleato¡ios. 11? de un conjunto de números. 84. ó8. para la convolución. 36.272 función error. 26. 98 integr¿les especiales.241 hipótesis estadísticas. 11ó. 196.297 miembros o elementos de un coqiunto. 163. 8O función monotónicamente creciente. 47. 269. 32 parámetros poblacionales.297 198 para rectas. 41. 3O7. 85. 217 259 236. 224 niveles de significación. 13 lÍmites de confianza. 341. 43. 1. 1ló de la distribución F. 162 no unicidad de la. 38 marginal. 214 histograma. 350. 79 momentos condicionales. para la convolución. 277. 342. 194. 1 7-2O función de la. 1á6 con o sin remPlazamiento. ó6. 123 la distribución de Poisson. 17? niedia. 156 196 Ley asociativa. 84. teorema de la unicidad pea la. para datos agru- Gas ideal. 117 la distribución normal. 184. 13 en los zucesos.234 pare propo¡ciones. 96 de la dist¡ibución beta. 352 números complejos. 183. 11 método de mínimos cuadrados. 195.237. 6. 39. f96-202 L44. 45. 85. ll.165.44.) mÍniinos cuadrados. 1 56 partículas radioactivas. 76.98 de la dist¡ibución binomial.293 medidas de centralización. 276. 117 modelo matemático lineal pua el análisis de va¡ianza. 1 44 pe¡centil¿s o valores percentüa. 264.INDICE función de probabilidad. 343 central. 217. 4O función factorial. 111 21 E inte¡ralo semi-intercuütÍlico. 205. 13ó de la distribución d€ Poisson. 351 loterm. 311 mediana. 94 moneda cargada. 2. 2 logúitmos comunesr tabla de.¡los abierto y cetrado. f 56 alrededor de la media.166. L21 Jacobiano. 112 la distribución F.45. lO9.2O3 para relaciones de vuianzas. 3. 259 para curvas. ró9 población infinita. 178 moda. 136 gráficos de control.5ó marginal. 6 suma de los pa¡a la distribución chicuad¡ado. 269. 2. 86.164. 112 de la distribución normal. 183. 342 función gamma. L78 I paradoja de Russell. 18O- población normal. 198. 96. 79 intenalos geml-abiertos o dos. 39 condicional. 155 población binonial. 48 probabilidad de causas (uéos(f teorema teoremas de la. 3 inteivalo de clase. 164. 197. 1O función paso. 21 hipótesis. 163. 164 operaciones de coniuntos. 19ó nivel de significación. 76.312 ordenadas. 12. débil ros) (ué¿se muestras independientes. 199. 313 polÍgono de frecuencias 179. 1ó1 grados de libe¡tad. \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.219. 1ó6. 19ó. 306. 2O4.179183 momelltos centüales. 97 mejor cuwa o recta de ajuste. 312. 81. 1 método de expansión. 206 semi-cerra2dO.342 función gene¡atriz de momentos. 198 dist¡ibución de muestreo de la. 44 371 molécula de gas ideal. 84. 40. 159. funciones de densidad marginal. 3. 27 . 177. 47. 156 parámetros de la. 1ól momentosr 79. 123 de la distribución chi-cuadrado. I 55 integrales de Fourier. invuianza baio üanstotmacióD. grupo control. 171. 3O6 medias de tratamiento.179 ojivas porcentuales. 84. 83. 1O9. 1 polÍgono de frecuencia. 164. 292. 95 para las pruebas de Bernoulli.84 Papel gráfico de curya normal. 266- 4t. 84 (véose también media) media muestral.

266.159.287-289 transformada inversa de Fourier. 64 gráfica.116 función (uéose función de probabilidad) geométrica. 1 subconjuntos p¡oFiós. 2a9. 11O v&iables aleato¡ias dist¡ibuidas uniformemente. 1O8 vuiables aleatorias distribuidas de a- cuerdo con la dist¡ibución Poisson. 266. 89. 311 tratamientos. 1Og de la distribución de Poisson. 292-294 cov^rianza. 198 rectas de mÍnimos cuadrados. 130. 58.123.2a4. grados de libertad 311 métodos cortos paa obtener las. 266.114.38 discretas. 1O9. 212 ensayos de. asignación de las. 237 . 21 variación. 164 dist¡ibuciones de la. 131 teorema o ¡egla de Bayes. 262.273 en términos de varianza muestral v teoría de muestreo exacto.158. 226 . 263.115 vtianza poblacional. 108 pruebas de Bernoulü. 3O9 regresión múltiple. para un conjunto de números. 45. 3O9. 2a7. 123 de la distribución de Poisson. 161. 164 probabilidad geométrica. 195 valo¡es de tendencia. 27 I relación fineal. 8 cálculo de las. 259. 112 de la distribución f'.2O2 interpretación probabilística de. 2ll (véase tombién ensayos de hipótesis y significación) vaiables aleatorias con dist¡ibución Cauchy. 113. 266.110 vüiables dependientes. 3O9 ent¡e filas o tratamienúos.39 vaiables aleatorias continuas. ó sucesos. región de. 217. 341 ¡elación con las dist¡ibuciones t y F va¡iables aleatorias con dist¡ibución Gamma. 289 ecuación. ó-7 sumas es¡reciales. 271 referencias tipificadas. 26O. 195. 26 2 teoría muestral de. 29O curva.124 las. 78 va¡ianza combinada. 249 de vaiables aleatorias distribuidas normalmente. 289. 264. 3O7 para . S2 sin dimensiones. 89. 243246 tablas de frecuencia (uéose ta¡nbién distribuciones de frecuencia) variables aleatorim distribuidas binomia¡mente. 4. 30. 151 82 seguridad. f91.lores esperados de las. pa¡a la función ca- vaiables aleatorias independientes. 156 temperatura Kelvin. 114 1ó8. 266.111. 264. 8O sesgada a Ia derecha o a la izquierda.6O teorema del límite central. 2ó9 Sec¡etaria. 79 pados. 6. 112. 63. 263.260 pua vriables aleato¡ias distribuidas binomialmente. 306. 68 proporciones.272 318 grados de libertad para. 15-17 p¡obablemente significativos.4 Recorrido. 79 tipificadas de. 260.lasificación simple.97 semi-intercuartr-lico. 111 de la dist¡ibución t. 165. 212 regla de Leibniz para la de¡ivación de una integral. 297 tammo de la muestra. 37 subconjuntos. 3O7. 1lO va¡iables aleatorias adimensionales. 3Og pua las. 324-321 residuo. 5 condicional. 15 sucesos elementales. 52-56. 261. 79 distribución de las. 311. (véase v atianza muesüral) continuas. 78 unidades tipificadas. ? sucesos independientes. 317. 49. 289. 25 Unidades o dimensiones. 6 algunos teoremas importantes sobre la. I 1 O pila distribuciones conjuntas. 312 regresión. 63 no conelacionadas. 26-27 231. 212.161:171 prueba de Bernoulli.372 o ¡egla de Bayes) concepto de la. 8O ¡acte¡Ística. 213 región de rechace. 264. 1O8 variables aleatorias dependientes (uéose variables aleatorias independieDtes) vaiables aleatorias discretas. 143. 48. 82 veiables aleatorias normales asintótica- ley de los grandes números paa 109. 63. 23a como una función de valor real.2a5 vaiación no explicada.94 de la distribución binomial. 115 cuadrado. 46. 38 variables aleatorias de la distribución de Bernoulli. 5. 1ó8. 31 1 entre y dentro de tratamientos. 196 tigmpo de reacción. 131. 29.318 múltiple. 160 esperanza de Ia. 45. para datos agrucondicional. 22O. invarianza bajo. 48. 281. 2O1 t¡ansformación de Fourie¡. 15 utilizando el análisis combinatorio. 279 unión de conjuntos.262 vüiación explicada. explicadas y no explicadas. 67. 29.2ó9 coeficiente. 111 vuiable estocástica (véase vuiables valores exponenciales. caso donde s . 151 teorema de unicidad.294 vaianza. 291) universo del discurso. 262. 4. 8O dist¡ibuidas binomialmente. 83. 85.89 combinada. 26A. 26O. 117 muestral. 8. entre columnas o bloques. 48 función de densidad de.82 de momen- mente.245 en análisis de varianza. 41 INDICE sobres. 112 de la dist¡ibución normal. 7. 242. 311. 13O. 49. 2t9. 259. 262. 131 prueba del. 260 variaciones. 3f 3-3f 5.27l uperf icies. I 18 tablas y distribuciones de frecwncias de doble v&iación. 14. 269.317. 85.244 representación gráfica. 79 vriables aleatorias con distribución Be- serie".86. dist¡ibución muestral de. 262.161 veiables aleatorir nomalizadas. 284. 38. 79. 79. 281. tabla de. 1 I O región crltica. 26I intersección de. 194.284.88. 46.284 relaciones no lineales. 26? traslación de ejes.49. 158 de la distribución no¡mal. I7 -2O. problema de la. 50 papel gráfico.2a4. 64 probabilidades.2a2. 81 transfomación. 265.2a5 vatiación residual o aleatoria. 270 va¡iables aleatorias. 3O6 triángulo de Pascal.experimentos de dos factores. 242. 17-2O. 262. 30. 7. pda la función generat¡iz tos. 37 serie de Fourier. 176 velocidad efectiva (¡ms). 38.3il1 Taylor. 263. 1 ilceso imposible. 2AL.81. Tabla de probabilidad coniunta. 1?9-183 vriable independiente. l94 sÍmbolos de inclusión. 79. 108. 81. LIL. 81 transformación Z de Fishe¡.266. 242. 46 scesos mutuamente excluyentes. 183 de la distribución binomial. 266. 1 14 independientes. 117 de la distribución muestral de medias. 43 t¿blas de clasificaclón doble. 85 sesgo. 38. plano.115 variables aleatoiias con distribución chi- ta. 164. 31O. 49 ¡éplicas. 322-327 tabla de c. 216 como segundo momento.98 serie de Taylor. 264-27 4. 254. 97-99. ó2-56. 9. 258 punto muestral. Valores críticos. 219. 259. 9.81. 42.63 vüiables aleatorias no relacionadas. variación total. 97. 50 dist¡ibuidas unifomemente. I O8 distribuidas normalmente.85.239 problema de la aguja de Buffon. 216 var\anza muestral. 266. va. 266. 3 significación. 258.259. 78.262 27 a. 161. aleatorias) 2 2 241. 22O tablas de con¿ingencia. 219 en anáUsis de varianzas.37. 6. 3O7. 39. 5O con distribución dg Poisson.78. 20. 3O8.249 computación de la. 11 1. 269 vdiables-transf o¡madas. 311. 223. 158. 352 293. 263. 195 desconoce la. problema de los. 27 8. 269.285 recta. 6 suceso seguro. 326 diag¡ama. ó. probabilidad empírica.

.

.

l .

.

.

adrni nistración de empresas (en prensa) Macroeconom ía Micrc¡econom ía óptica Probabil. i-rásicas de las ciencias de la ..i cilculo Programación BASIC Ouir¡ica f ísica (en prensa) Ouímica qener¿l Resistencii-..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 .dad Probabilidad y estadística co.ceri. 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..ico Análisis'.l.:a de tos fluidos Dinárn'ca de Lagrange Diseñ.ar ía Ecuaciones diferenciales Ecuaciones diferenciales rnoder¡las Espacio de estadn . máquinas Economía internacional (en prensa) Ecuac'rine.¡ sist¡ma lineai Estad ística F ísica gcnera I Fundamenrol de matemáticas superio. 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 .i.'M PUBLICADOS EN ESPANOL Acústica Algebra eiementai Algebra elemental rnoderna Algebra lineal Algebra superior Análisis estructural Análisis estructural avanzado Análisis de Fourier Análrsii numc.I$ROS DE LA SERIE SCHAI.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.

Sign up to vote on this title
UsefulNot useful