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.

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

Parte I PROBABILIDAD .

.

2. 3. EJEMPLO 1.6\. llamados míembros o elernentos del conjunto. Un conjunto puede definirse haciendo una lista de sus elementos o. 5. EJEMPLO 1. de {o.b. uloporelmétododecomprensióncomo{rlreeunavocal}. i. i. Obsérvese que la sola redistribución de los elementos no cambia el conjunto. A tenemos A C A. ¡ |¡ es un triángulo en un plano ) es el conjunto de los triángulos en un plano. o. e. . SUBCONJUNTOS Si cada elemento de un conjunto A también pertenece a un conjunto B llamamos a A un subconjuntodeB. e. b e C. Sic noperteneceaC escribimos a é C. u}. El conjunto de las vocales en el alfabeto puede definirse por el método de extensión como { a.6}. SiA C B pero A + B llamamos aA un subconjunto propio EJEMPLO 1. I a. A y B no tienen exactamente los mismos elementos.1. Se sigue que para todos los conjuntos exactamente los mismos elementos. EJEMPLO 1. e. El conjunto { Obsérvese que el método de extensión no puede utilizarse aquí. describiendo alguna propiedad conservada por todos los miembros y por los no miembros. es decir si B.4._l 'Cupítulo Coniuntos y probqbilidqd EL CONCEPTO DE CONJUNTO 7 El concepto d. Sinónimos de conjunto son c/cse. e } es un subconjunto. EJEMPLO 1. Si Ac B y B CAllamamosa A y B iguales y escribimos A : B. si esto no es posible. léase"elconjuntodeloselementos¡talesque¡es una vocal" donde la línea vertical I se lee "tal que" o "dado que". grupo y colección. EJEMPLO 1. el cual es un subconjunto (propio) del conjunto de todos los resultados posibles {L. 2. u ) es un subconjunto propio de {o.Para que un conjunto seabiendefínido.e conjunto es un pilar fundamental de la probabilidad y la estadística y de la matemática en general.2. puesto que los dos conjuntos son iguales. como siempre lo supondremos. pero no un subconjunto propio. 6). o. o.6.escritoAcB6B:Ayleído"AestácontenidoenB"o"BcontieneaA" respectivamente. mientras no se especifique lo contrario. escribimos de B. En general. 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. u}. y un elemento por una leha minúsculao.4. 4. u. Un conjunto puede considerarse como una colección de objetos. debemos estar capacitados para determinar si un objeto específico pertenece o no al conjunto. { 4 o. _ Si un elemento a pertenece a un conjunto C escribimos a€ C. En este caso AyB tienen A+ Si A no es igual a B. 3. Al lanza¡ un dado los resultados posibles cuando el resultado es "par" son elementos del conjunto {2. B. C. i. 4. a.5. i. Si o y b pertenecen aC escribimos a. denotamos un conjunto por una letra mayúscula A.3.5. El primero se denomina el método de extensión y el segundo el método de comprensión.

EJEMPLO 1.JNTO VACI( Para muchos propósitos restringimos nuestra d fico denominado el uniuerso del discurso. El conjunto de todos los elementos (o puntos) que pertenecen a A o a B. es un EJEMPLO 1. 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. o tanto como aB. 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. DIAGRAMAS DE VENN Un r¡niverso u puede representarse geométricamente por el conjunto de puntos dentro de un rectángulo. sirven para da¡nos una intuición geométrica respecto a las posibles relaciones entre conjuntos. 5. Si AC B y B CC.9.3. o simp espacio uniuersal y se denota por u. Los elemenr Es útil considerar un conjunto que no tiene r uacío o el conjunto nulo y se denota por p. EJEMPLO 1.7. l -2 Fig. Fig.T. El conjunto de loe rcsultados que consisten de las caras 7 u 11 sobre un solo dado es el conjunto nulo. Si lanzamos un dado. OPERACIONES ENTRE CONJUNT\OS 1. el conjunto de todoe los resultados posibles es el universo {L.a CONJUNTOS Y PROBABILTDAD lcAP. entonces AC C. En tal caso los subconjuntos de zt (como A y B indicados y sombreados en la Fig. l-3 Fig.4. 1-2). . CONJUNTO UNIVERSAL Y CONJI. Intersección. 1 El teorema siguiente es verdadero para cualesq Teorema I-I. Unión.8. 6}1. Tales diagramas denominados diagramas de Venn.2. 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 . se llamala unión deA yB y se escribe Au B (región sombreada en la Fig. 1-1) se representan por conjuntos de puntos dentro de los círculos. 1-4 2. 1-3).

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

= 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..1 0. l-? tos como números naturales 1.esdecirunodeloselementosdelconjuntóíqs)(ó{0.5.or . 4. como en el Ejemplo 1.12. . entonces el resultado del experimento es el tiempo f en horas que se encuentra en algún intervalo. g. o una "cara". por ejemplo. cara la primera y sello la segunda.1 ) representaselloen el primer Ianzamiento y cara en el segundo lanzamien[tr. 4. es decir es un conjunto de resultados el resultado'de un experimento es un elemento de A decimos que el suceso A ha ocunido. Sin embargo. Frecuentemente es útil dibuja-r un espacio muestral gráficamente. Si tiene tantos puntos como hay en algún intervalo en elejer. donde suponemos que ninguna lámpara eléctrica dura más de 4000 horas. Un principio fundamental es que si efectuamos tales experimentos repetidamenle bajo condiciones aproximadamente idénticas obtenemos resultados que son esencialmente los mismos.SS) caras. Si un experimento consiste en medir "la vida" de las lámparas eléctricas producidas por una compañía.tal como 0 f r: S 1. Si tenemos una máquina que produce tornillos.se denomina espacio muestral finito. 0 ú :: 4000. simbolizado por S ( ó 0 ). Si elemental o simple. EJEMPLO1. Obsérvesé que eJ córresponde al conjunto universal. Un suceso es un subconjunto A del espacio muestral. etc. el resultado del experimento es que algunos pueden estar defectuosos. si lanzamos una moneda dos veces y utilizamos 0 para represenmr sellos y l para representar caras el espacio muestral (véase Ejemplo 1. si lanzamos un dado el resultado del experimento es uno de los números en el conjunto {L.CONJUNTOS Y PROBABILIDAD [cAP. hay experimentos en los cuales los resultados no son esencialmente los mismos a pesar de que las condiciones sean aproximadamente idénticas. 1-7 donde. es lógico que el último no sería adecuado pan determinar. por ejemplo. Si lanzamos una moneda eI resultado del experimento es un "sello". Con frecuencia habrá qás de un espacio muestral que describe los resultados de un experimento pero hay comúnmente sólo uno que suministra la mayoría de la información. si un resultado es divisible por 3.en tanto que uno que es infinito no contable'se llama espacio muestral continuo o no discretoSUCESOS posibles. 2.dsdecirdos EJEMPLO 1.16. EJ EMPLO 1 .CS.3. Silanzamosunamonedadosveces. Tales experimentos se denominan experimentos aleatorios. 1. Un suceso que consiste de un solo punto de cJ frecuentemente se llama un sueeso . . Los siguientes son aLgunos ejemplos.6). 6 | en tanto que otro es lpar. 1 EXPERIMENTOS ALEATORIOS Todos estamos familiarizados con Ia importancia de los experimentos en la ciencia y en la ingeniería.16. EJEMPLO 1. por ejempio.15. simbolizadaporc(ó1). (0.11. En tal caso es deseable utilizar números en cambio de letras siempre y cuando sea posible. impar) Sin embargo.SC. Unespacio muestral que es finito o infinito contable frecuentemente se denomina espacio muestral discreto. EJEMPLO 1. Si tiene tantos punl'ig. es decir SC. Así cuando se produce un tornillo será un miembro del conjunto {defectuoso.13. un espacio o conjunto muestral de todos los resultados posibles se da por {1. 3. 1)).. . se denomina espacio muestral infinito contable.2. no defectuoso}.12) puede dibujarse por puntos en la Fig. Si un espacio muestrdl tiene un número finito de puntos. 'EJEMPLO 5.elresultadopuedeindicarsepor{CC. sedenominaespacio muestral infinito no contable.14. EJEMPLO 1.2. Si lanzamos un dado.

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

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

Ar. Az.. Hallar la probabilidad de que resulte 2 ó 5. En particular.. 1l CONJUNTOS Y PROBABILTDAD P(Ar) Teorema +P(A2)+. Az.79....A.) + P(Ar) + P(As\ .2. + P(ánA") (rr) ASIGNACION DE PROBABILIDADES entonces por el Teorema 1-18 Si un espacio muestral el' consiste únicamente de los sucesos elementales Ar.]) .P(A.. entonces P(A¿: '!y si A es k=1..2. Si asignamosprobabilidades iguales a lospuntos muestrales.4. si A (10) t.B\ Generalizando.6}. si suponemos probabilidades iguales para todos los sucesos simples.An (1+) P(Ai + P(Az) + ..3. 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..4.. EJEMPLO 1.cAP.entonces P(A) = P(AnAi + P(AñAz) *'. como el de la frecuencia relativa de la página 6. Teorcma 1-20: Para dos sucesos AvB P(A) Teorema = P(A1B)+P(A1B'\ (12) 7-21: Si un suceso A debe resultar en uno de los sucesos mutuamente excluyentes At... á3 son tres sucesos cualesquiera. entonces 1 6 . Podríamos lógicamente emplear otros procedimientos para asignar probabilidades...21.P(AsnA) (rr) + P(Lt\AzñAs) También pueden hacerse generalizaciones a n sucesos.+P(4") = 1 (e) 1-19: Si A y B son dos sucesos cualesquier4 entonces P(AuB) = P(A) + P(B) .. + P(A") = t Se concluye que podemos escoger arbitrariamente cualquier número no negativo para las probabilidades de estos sucesos simples siempre y cuando se satisfaga (14).P(üñAz\ - P(A|¡A. esdecir si suponemos que el dado es honrado.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 5.5. El espacio muestral es e-I: {1. Se lanza solo un dado. entonces P(A:U AzU ¿") : P(... Véase Problema 1.

r-9 EJEMPLO 1. TambiénP(AñBr:216:1/3.á PROBABILIDAD CONDICIONAL = t 1 Sean A yB dos sucesos (Fig.. Fácilmente se demuestra que la probabilidad condicional satisface los axiomas en la página 6. ilamamos a P(B I A\laprobabilidad condicio¡wl de B dada A. 1-9) tales que P(A)> 0. AnB Fig. 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. .22.2 6 g observamos por el teorema P(Bl = P(r) + P(2) + P(3') = -+-+-= 6662 1l1l suponiendo probabilidades iguales para los puntoc muestrale¡. (b)SiAeselsuceso{númeroimpar}observamosqueP(á):316= Entonces 1/2. A. 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. A3 tenemos P(AtñAzt\ás) = P(A) P(A2l At) P(Asl Atn Az\ (1e) En palabras. A2. el saber que el resultado del lanzarniento es un número iinpar aumenta la probabilidad de Ll2 a 213. = P(A)P(A|A. El resultado se generaliza fácilmente a n sucesos. (b) se da que el lanzamiento resultó en un número impar. (o) no se da ninguna otra información.Ya queB es la unión de los sucesos 1-18 que 7. se convierte en el nuevo espacio muestral remplazando el original e-I.41 ha ocurido tantas veces la probabilidad de que A3 ocura dado que At y Az han ocurido. es decir la probabilidad de que B ocrura dado que A ha ocu¡rido. Hallar la probabilidad de que en un sólo l¿nzamiento de un dado requlte un número menorque 4. Teorema 7-23: Si un suceso A debe resultar en uno de los sucesos mutua[iente Ar. 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 .) excluyentes á1. TEOREMAS SOBRE PROBABILIDAD CONDICIONAL Teotema 1-22: Para tres sucesos cualesquieraAl. . . (o) Si B denota el suceso {menor que 4). Denotamos por P(BiA) la probabilidad de B dado que A ha ocurrido. P(BIA\:"+#=#=? Por tanto. + p(A")P(AlA") (20) . Puesto que se sabe que A ha ocurrido. . . entonces P(A'. 1 indica por 2 U 5. Por tanto P(2u5) = P(2)+P(51 = *.CONJUNTOS Y PROBABILIDAD El ¡uceso que resulte 2 ó 5 ee [cAP.) + p(A)P(Al Azl + .

que podría llamarse una forma sofisticad. Si P(AnBl = P(A)P(B) de (I8). . Az. PRINCIPIO FUNDAMENTAL DE CUENTA. 1l SUCESOS INDEPENDIENTES CONJUNTOS Y PROBABILIDAD Si P(B lA) = P(B). .en n2 maneras diferentes. Inversanente. llamado diagrama órbol debido a su apariencia (Fig. Por esta razón con frecuencia se hace referencia al teorema fle Bayes como el teorema sobre laprobabilidad de causs. 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 . Si un hombre tiene 2 cami¡as y 4 corbaüac enüoncee tiene y luego una corbata.¡ maneras diferentes.a de contar. es decir la probabilidad de que B ocuna no está afectada por la ocurrencia o no ocurrencia de á. . entonces todas las fr cosas pueden realizarse en el orden especüicado en nr rr2 . es decir uno de los sucesos debe ocurrir.. 2' 4 : 8 maneras de eacoger una cami¡a Un diagrama. As son independientes entonces deben ser independientes por parejas.. = P(A)P(Az)P(A) (qsl Ni (22) ni (23) son sufrcientes por sí solo.23.91 y 1..2. surgen problemas cuando la cuenta directa se convierte en una imposibiüdad práctica En tales casos se ernplea el anólisís combinntorio. . Ar.3 (221 'y también debemos tener P(ArñAzñAr) te. V finalmente una k-ésima cosa puede realiza¡se Qr fl. . como se deduce Algunas propiedades de la independencia están dadas en los Problemas 1. Esto es equivalente a entonces A y B son independientes. . 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. ??¡ rn?D€rds diferentes. P(A¡nAx) = P(á)P(A*) j+lc donde j. entonces decimos que á y B son sucesos independicnües. se emplea frecuente' mente en conexión con el principio anterior.92..k=t. Sin embargo. ¡ealiza¡se EJEMPLO 1. La generclización a más de tres sucesos se hace fácilmen- TEOREMA O REGLA DE BAYES Supóngase que .A1. Ar. . 1-10). .. .cAP. ANALISIS COMBINATORIO la enumeración o cuenta directa de los puntos del muestreo necesa¡ios para obtener las probabili dades no es difícil. . si se cumple (2I) (21) Ar. An que pueden causar la ocunencia de á. An son sucesos mutuamente excluyentes cuya unión es elespacio muestral ef.

to. -se deduce por el principio fundarnlntal de cuenta que el número de ordenácionás.P. G es ¡P:t = fi. EJEMPLO 1. . EI número de ordenaciones o permutaciones diferentes que consisten de 3 letras cada una y que pueden forma¡se de las ? letras A.l)(n . lógi tos es Sup n conjunto que consiste de n objetos de los cuales nr son de un nguir entre sí). Si las camisas se representan por S¡. C.. I 2 1 Fig.2). o permutaciones diferentes como generalmente se les Uarnc está dado { 5 6 8 por Fig. consiste de LM. l-10 (25) . .. . Dichas selecciones se llaman combinah misma combinación. n. . Para el caso particular cuando r: . rr. son del hnr + nz + . 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. 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. D.1 : nt (26) que se denomina n factorial. Tt. + . = n(n.7 manerias r * escoger ét segunaoiU¡e_ to-. . . F. .l. l-10. (n .10 CONJUNTOS Y PROBABILIDAD [cAP. . 41. . n2 son de un segundo tipo. B.P. . (25) se conüerte en = n(n-l)(n-z). ?a. elnúmero de permutaciones de n objetos lomados de r en r. 43 y 2p EJEMPLO 1. . Tz. 52 y las corbatas por ?1.5 = 210 ...26. .s de escoger el primer objeto.r + l\ donde se observa que el producto tiene r factores. = . 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. clr no se Aquí. El número de permutaciones diferentes de las 11 leüras de la palabra u M/SS/SSIPP. y finalmente n 1 formas dó escoger-el r-ésimo objeto. en muchos problemas estamos interesados solamenos sin inteiesar su orden. Así el núm&o de permutaciones diferentes (28) Véase Problema 1. y luego de hacer esto n de .24. Así abc es di o lo Sin embargo. Llamamos a .34.6.P.. E. .

EJEMPLO 1.:nC.'6 = .cAP. Indique cómo describir a.s resrreltoa CONJTINTOS 1.(n-r-rr\ r! ó nP. . que también puede escribirse como (2e\ ("\ \r/ Fácilmente se demuestra que n(n-L\". Por esta raz6n decimos que el I unaexpansión asíntótica del lado izquierdo.yEñn"e-n donde e : 2. + .(t¡*" . Véase Problema 1. 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.)" (n) Tienen mucha.71828. Para un estudio más detallado de la fórmula de Stirüng véase el A¡Éndice A. (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! (30) /n\ ( J=( /n '.48. .36) ln\ \"/:nt¿r=rl@=T. (|)*-lt * (i)*"-. (a) A:kl* elementos. y)t = r:{ * (Í)". EI n(¡mero de manera¡ en lae cuales cartas diferentes es nU.s propiedades interesantes._.27.s! COEFICIENTES BINOMIALES 56 Los númerós de (29) se les llama frecuentemente los coeficientes binomiales puesto que provienen de laexpansión binomiat (r 1- u)^ : * .e¡decirA ..(t)**. . se. El símbolo .\s/ .r'2 :25". :25)que se lee"el conjunto de todosloselementosde¡ talesque. es la base de los logaritmos naturales.4 por (c) el método de comprensión y (b) el método de extensión. En tales casos se utiliza la fórmula (38) nl . Problenra. .1.r. escogerse o ¡elecciona¡¡e de un (91') 3 ca¡t¿s pueden total de 8 sc¡ = lt) = 8'J.podemosesaibir A: {5.describé dando sus (D) Puesto que t2 :25parar:5y x:-S. Sea A el conjunto de todos los números reales cuyos cuadrados son iguales a 25.r/\) \r/ \n EJEMPLO 1. U (n Tenemos (véase Problema 1.-5). @-l (:. .en (33) signifrca que la relación del al lado derecho se aproximá a 1 a medida eü€ /l + o.28.

-4}.-. 0.o} u {5.t. 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.3. si el universo 'u = {}.5. no hay objeto que no sea igual a sí mismo. r. Puesto que no hay un númeror tal que x2 :416x:2. pertenecen á.+. (e) A-8.-{r). Puestoque el conjuntovacloesunsubconjuntodecualquierconjunto.-fr. ".B: eonjunto de elementos en A que no están en B : [0. Si A = {r l r2=4. Cualquier objeto particular se supone ee igual a sf mismo. Aeícadaelemenüodeá esunelemento de C y por tanto A C C.4} utilizando el re¡ultado de (b).5)=0 sólosi x:B6x:6."áÁ y porüantoBC 1. ) La proposición es falsa. página 3.-4} (c) (AuB) n C = {-{2.enconhar(a) AnB.-2ly * )9. -rt.-qyC = {+.L2 CONJUNTOS Y PROBABILIDAD lcAP.--4} n {+. (c) (AUB)nC.+.+. C' : conjunto de los elementos en 'll que no están en C : {0.-4}n{+.-4}n{0.0. entonces AcC.r} = {0. DIAGRAMAS DE VENN Y TEOREMAS SOBRE CONJT..Demostrarque BcA. 2 es wn número re¿l mientras que {2} esw conjunto que consiste del número real 2.-r/2.u C.'NT\OS 1. Entonces ya que AC B. Por el Teorema 1-8. 5.0}n {5._\E}. puesto que {9} es un conjunto no voclo que conriste del conjunto vacío.-{2. Puesto quetambiénBCC. Demostra¡ que si Ac B y B cC. Determinar cuáles de las proposiciones siguientes son verdaderas y cor¡egir las que son falsas.5. -4} y los subconjuntos de u están dados por A : {-\n. n]. {*. (d) B' : conjunto de los elementos en t/ quenoestánen g = {0. Sea r cualquier elemenüo de á.4. Entonces B.4 u n = {-fr. se sigue queA: @.+.2. .üenemosB:{g. es decir cada elemento de A eetá en 8. (e) A .{0.0.-4} = Entonces (BnC\' = {0. (d) B'u C'.6}.0|. (b) "A es el conjunto de ¡ tal que 12 : 4 y ¡ ) 9'. r>g} y B: {fr | r<l}.8 = {6. seaA={rl*esunenteroimpar). (b) AUB.6.r.5. el conjunto vacfo. Yaque x2 -8x * 15:0 ó (r -3)(¡. Asf.o} u {0. Otro método. tenemosque¡ € C.5. tenemos x€ B.lQ}._\E} .r} {*.5. -4} = {+. 1.6. OPERACIONES ENTRE CONJUNTOS.r. +. (a) AnB = {-12. aA.pueotoqueloe elementos 3 y 5 son enterosimpares.o. r.15:0). entonces B) A..0. es deeir B ee un subconjunto de A. ¿Es cierto que {2} : 2? No.. (/) (Bn C).-4} = t-\ñ} (D) . (s) (AnC) e (Bne.o.-4} = {-18.6. = {0.r). 1 L. Entonces {x I x * x} : e. (o) (b) (o {rln+ü} -. AsícadaelementodeB perten.".-tf2.o.r. ee deci¡ ¡ € A.-fr}.2. üenemoe A-B = AñB'= (f) BñC = {6.-rt. El error radica en escribi¡ {@} por @..sededucequeACB6B)Aylrrpropocición Obaérvese que esto se lee es verdadera- 1.5.-¿}. B: {x I x2 -8r+.

(A¡C\ u(BnC) : @u {*.reBuC} I re A. 13 el de la parte (d) ilustra la segunda ley De Morgan. 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. 1-11.r€B') (b) = A' ^B' El resultado puede extenderse a cualquier número finito de conjuntos (véase Problema 1. página3:Tenemoo An(Bu C) = (AnB)U(AnC).8.9.-¿l = {+.cAP. Teorema !-L?tt.-4} Entonces t. Región sombreada = (AUB)' Región doblemente ¡ÜEÉru¡r qvvrs¡¡¡E¡¡w rayada ]_"7.al : (ArtB) u (A^B') : (AñB') u (A¡. (sl AnC = {-\/-2. (b) Ilus- har el resultado de la parüe (c) empleando un diagtama de Venn. Entonces A n (BuB') A r. En Ia Fig.74).nn. l-ll Fig. elconjuntovacío.7. sirve para euminishar relaciones posibles entre conjuntos que luego pueden probaree por métodos similaree al dado en (o ). {r {" (AnB) u (A nC) 1. Demostra¡ laprimeraley distributiva. Luego At ñ f|' se representa por la región doblemente rayada en donde se encuentran ambos conjuntos de líneas. página 3.reB 6 r€A.69). l-12 Obsérveee que un diagrama de Venn no suministra una prueba como la dada en la parte (o). Fig. 1-11 la región sombreada representa (A U B)'. Demostra¡ que para cualquier conjunto A y B tenemos A Método 1. .neB\ = {r I neA'. (AuB)' = {r I r4Ar-tB} = {" I rCA. (o) Tenemoe págrna 3: (A u Bl : A' n B'.xeB 6 reC} I s€A. Ao(BuCl = = = = = l r€A. 1l CONJUNTOS Y PROBABILIDAD Obsérvese que este re¡ultado conjuntamente con Tborema 1-12b. Sea C:8' en el Problem¿ 1. 1-12. 1.@.-ll . (AnB) u(AnB') A : {r I reA) = {. Sin embargo. B n C = {}.0} n {*. (c) Demostrar la primera ley De Morgan. Teorema 1-6. l reA¡B 6 neAnB'} M6todo 2.8') A = (AnB)u(AnB') El resultado puede generalizane (véase Problema 1.reC) @ | reA"'B 6 xeAnC\ {.-¿} [Vóase pa¡te (f)]. En el diagrama de Venn de la Fig.2.8. = (AnB) u (AñB'). y se observa que esta región es igual a la región sombreada de la Fig.

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

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.^^'rl i' r"u r--' resultado (l ) puede establecerse directarne¡rte (véase Problema 1. también ee rigre queP(. 1-15 (1) AUB: AUIB -(. (o) Tenemos AV A' :s[. página 6. tenemos usando el Axioma 3 y el Teorema 1-14: P (A u B) | i'.41 y Az . l-15 (An CALCULO DE PROBABILIDADES 1. (o) Tenemoe Az : At U (Az .At son mutuamente excluyentee.(A ñ .Puesto que P(eJ) sfnp = Q se sigue del Axioma P({)) 3 que s = P(d)+P(Q) 6 = 1.4n8)l Entonces puesto que los conjuntos A y B .77).42 ) = P(Al ). Una carta se extrae aleatoriamente de una barqia de 52 cartas.A¡ ) en donde .P(Ar) Puesto que P(.13. P(Az. 1l TEOREMAS SOBRE PROBABILIDAI) 1. Así por el Teorema 1-14 [partc (o)] y el Axiom¿ 2 P(A) < 1 primero P(A)=P(¿)=1 (c) Tenemos eJ : eJuQ. Fig. (b) Con anterioridad sabemos que P(A) > 0 por el Arioma 1. Aunque hemos utilizado el diagrama de Venn el i rlu^') ".At) = P(Azl . página 6. Encontrar la probabiüdad de . asr que Entonces por el P(42\ = P(ár) * P(A2. Para demostrar que observamos que A C et. Demostra¡ el (c) Teorema 1-14. (b) Teorema 1-15. axioma 3.42 . Entonceepuesto gue. (c) Teorema 1-16. página 6.cAP.15.Ar.14.Ar ) - 0 por el Axioma 1. Demostrar (a) el Teorema 1-17 y (b) el Teorema 1-19.B) son mutuamente excluyentee.

# -.sz = Lg Tbmbién había sidq posible conseguir este resultado del espacio mueshal del Problema 1. 1.. (d) no roja.10(o) en donde cad¿ punto mueehal.n. Una bola se extrae aleatoriamente de una caja que contiene 6 bolas rojas. trébol. P(4'^T')= 4(4 U ")'l: L- P(4 U ?¡ : 1. respectivamente. P.52.. (e) cualquier palo excepto corazones.13 .[P(4) +P(")-P (4 n T)] _. en tanto que S U C significa tres o corazón. por ejemplo. rcy. pica. 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..2.la probabilidad requerida es 36/52 = 9/13.10(tr).4' ñ T' = (4 U ?)'. t (b) P(11 ñC¡= :- (c) I * -I^ 26 ) +P(6 ñD¡: 62 52 = I " . . diarnante. a cada punto mue¡hal. Puesto que este complemento tiene 52 . (f) un diez o una pica" (g) ni un cuatro ni un trÉbol.* (d) P(c):P(ln c 62ñc6. l-r 1. . página 6. Empleemoe el espacio muegtral del Problema 1. (b) una jota de corazones. (c) azul. 13 pot aa. . 1-16.16. P(6 n (o) ") P(1): PG^e ó 1nP ó. (e) roja o blanca.P(C) = ! P(L0 Ln = ?uti[zando laparte (d)y elTeorema 1-1?.# = 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..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. Por tanto puede denotarse por P(4' ñ ?').y 1. D.16 CONJUNTOS Y PROBABILIDAD [cAP.* h* .16 : 36 puntos muestrales en él y cada punto muestral tiene una asignación de probabilidad Il52. 4 bolas blancas y 5 bolas azules.. Determinar la probabilidad de que sea (c) roja. eeto es 1/4.. ? para indicar coraz6n. Por simplicidad utiücelnos C. asignando probabilidades iguales de tl52 : L162. Así.L ñD ó 1 n ") =P((1 n c) +P(1 nP) +P (1 nD) +P(1 n r) 11111 = 52. Asf g n C significa tree de corazoneo. 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. doo. (c) un tres de tréboles o un seis de diamantes.1l _ 9 . 1 que sea (g) un as.. (b) blanca. (d) un corazón. (e) P(C') - 1 .lsnc) = #. en particular "as" tiene una probabilidad de 1/13.. Pero por el Teorem a 1-t2 (a).

) '!' .3 6 4 en el segundo lanzamiento.H 10 2 6+4 6+4+5 . Entonces si asignamos probabili' dades iguales Ll15 a cada punto muestral observamos que P(. .1?. 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. Denótese por R. debido a que hay 6 puntos muestrales que corresponden a "bola rojatt. Método 2. (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. 4: 12 maneras en que tanto A1 como . 6 6 6 en el primer lanzamiento V 1.J. .2. 2. .6:36 maneras.15 . que P(nuB):P(R) +P(B):?*# = ? PROBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES 1. página 6. P(roja o blanca) : P(R u r) : -"""'. 5 ó 6 son 3 resultados de las 6 probabilidadés igualmente factibles) y P(Az): ltO (ya que 7. --6+4+5=1b=s 662 Nuestro espacio muestral corisiste de 6 * 4I 6:15 puntos muestrales. blanca y azul. ' SeanAl elsuceso "4rS ó 6 enelprimerlanzamiento" y Az elsuceso "7r2. de las 6 maneras en que cae en el segundo lanzamiento.P(At)P(A. 19 1 .::"fl'"".3ó 4 son 4resultadosdelasGprobabilida' des igualmente factibles). Entonees L1 (o) P(n)= Mótodo 2. . P(AroAr) = P(At)P(A2lAr\ -. un total de factibles. Entonces P(ArnAzl . r(RUB)=P(A'): 1-P(A): I .cAP.364en elsegundo lanzamiento".'"::. Método 2. norparte(c).á = | Método 3.R ) : 6/15 : 215.t""i: .4 1) :316 (ya que 4.5 o blanca También puede resolverse l¡tilizando el espacio muestral como en la parte (c). 1l CONJUNTOS Y PROBABILIDAD Método 1. Método 1. Luego estamos buscando P(Ar ñ A2).42 ocurren. B y A los sucesos de extraer una bola roja. Puesto que los sucesos R y B son mutuamente excluyentes se deduce de (4). Un dado honesto se Ianza dos veces.. respectivamenüe.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). Hallar la probabilidad de obtener 4.También i"-or usado P(. Cada una de las 6 maneras en las cuales un dado cae en el primer lanzamiento puede asociarse con cada una 6.

P(Al -- L 27 -::99 1o. 1-17. Por ejemplo (5. /. Puesto que los dados son honestos y hay 36 puntos muestrales asignamos la probabilidad 1/36 para cada uno. 1-17. Puesto que se incluyen 8 puntos tenemos que P(A ): 8/36 : 219. aa {) (6. entonces P(A2 | A r) : 4152. si la carta se remplaza para la segunda extracción. P(A¡): 4152. p(A.42 suoeso "as en la segunda P(Arñ A2): P(A1) P(A2l A t).6) a (3. oaa (3. Se extraen dos cartas. l) (1. r) (2. (2.3) Si A es el suceso "7 u 11" entonces A se indica por Ia porción sombreada en la Fig.18. 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.2) signitica que el resultado del primer dado es b y el del segundo 2.azamiento la segunda ca¡ta también puede extraerse en una de las 52 maneras posibles. Entonces P(ArnA. Método 1.2) a a aa (5. 6) ({. Así ambas cartas pueden extraerse en (52 ) ( 51 ) maneras. 6) a 1.l Método 2. También. dados se muestra en la Fig.6) I (¿. 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. de una baraja de 52 cartas.19.3) (3. \.3) (4. {) (5. l'ig. 1. Hallar la probabilidad de que ases si la ca¡ta (c) se remplaza.6) (2. A. 1 Esto indica directamente que A 1 y A2 son independientes puesto que . Sea A1 buscando suceso ttas en la primera extracciónt' y ."A) = P(A) P(A. extracción".) = (b) Como en la parte (o). Entonces estamos (o) Puesto que para la primera extracción hay 4 ases en las 52 cartas. (b) no ambar¡ sean se remplaza."t (ol La primera carta puede extraerse en una de las 52 maner:u¡ posibles y ya que hay rempl. = las 51 cartas restantes.3) (8. puesto que también hay 4 ases en las ó2 ca¡tas para la segunda extracción.2. todas igualmente factibles. I a a aa (r.2l a a (6. . l) (3. .)(á) = P(ArP\A2l (2.2gara indica¡ y 2o. 6) El espacio muestral para cada lanzamiento de los (r. l-17 Utiüzando subíndices t. Encontrar la probabilidad de no obtener un total de 7 u 11 en ningunó de los dos lanzamientos de un par de dados honrados. así que P(A2l Ar Sin embargo si ocurre un as en la primera extracción quedarán 3 en ) : 3/51. Entonces P(A.2 a (6.tp(A2 A¡\ = (52")(*) = .1) a Se deduce que la probabiüdad de no dada por ? u 11 está 345 Primer dado P1A'¡ '= | . a (2.nA") =+:(. r'(A. Así que ambas cartas pueden extraerse en (52)(52) maneras.18 coNJUNTos y pRoBABILTDAD lcAP.' ( #)l#) == # r\ P(A1l:4152. todas igualmente factibles.

21. entonces los sucesos son independientes y p(. : guCe¡o (o) Si cada bola se remplaza. llallar la probabilidad de que se extraigan en el orden roja. entonces los suceeos son dependientes y p(nr n 82 n At)=p(Rr ) p@2lR¡ )p(Ar I Er n 82) :1\6 | u+ 5/\5 +4+5/\/ u 5/ el \/ n \5+ 3+ \=.P(A')P(A'2| = '! -(8X*) = *" Método 3. : 6.P(A'rnA'"\ = | . lanzamiento) = | .6 : 36. (b) no se remplazan. Así la probabilidad pedida es (4X3) (52)(51) I 2 1. P(ArU Método 1. A3 "azul en la tercera extracción". 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).cAP.P(ningún 4) : 1 -P(no 4 en 1er. Sea A I: suceso "4 en el primer lanzamiento" y : suceso "4 en el segundo lanzamiento". blanca y azul si las bolas (a) se remplazan.20.42 ocurran : 1 . Así Art. pero Bon independientes. 4 Az 1. por (1Ol V QI ) = 6'u-\ui\u/ * = * Método 2. Requerimos P(Rl ñ 82 n A!\. lanzamiento y no 4 en el 2o. Hallar la-probabilidad de obtener al menos un 4 en dos lanzamientos de un dado honrado.A2 ocurra pero : no At : 5 5 número de maneras en las que tanto A 1 como .16.suceso "roja en la primera extracción". P(A'tuA) = P(A) + P(A) .Rr n 82 ñ At):p(.P(At) P(Az\ 1 r /t\/t\ rr Por üanto. Si Rl . P(al menos un 4) Entonces P(al menos un 4) P (ningún 4) = 1 : 1 .J requerimos A2: : suceso "4 en el prirner lanzamiento o 4 en el segundo lanzamiento o ambos" suceso t'al menos un 4" A2).Rr ) p(82 lnr )p(A3 In. Nfrmero total de maneras igualmente factibles en las que ambos dados pueden caer También.P(ALñ42) = P(A) + P(A!) . I}2 : süc€so "blanca en la segunda extracción". Los sucesos A t I Az no son mutuamente excluyentes. número de maneras en las que A 1 ocurra pero no Az nf¡mero de maneras en las que . Se extraen tres bolas sucesivamente de la caja del Problema 1. nar¡ :P(Rr )P(82)P(A1) e \/ n u =(\6+4+5/\6+ 4+5/\/\6+4+5/\=_9_ 225 (b) Si no se remplazan las bolas.

24 que quien lanzala moneda no revela si resulta c¿¡ra o sello (de tal forma que la caja de 14 cual se sacó la bola no se revela). Hallar Ia probabilidad de sacar una bola roja. Así la probabilidad de sacar una bola roja P(Rt - P(nP@ Il+P\II\P(RIII¡ = /t\/ I \ /r\/ z (.4 debe resultar en uno de los dos sucesos mutuamente excluyentes At. si se obtiene sello se saca una bola de la caja /I.41 U Az): 11/36.23 con A: R. (b) ambas sean negras.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. Un talego contiene 4 bolas blancas y 2 bolas negras. SeaB¡ : suceso "bola blanca del primer talego". plear los resultados del Problema 1. fcAP. Si se extrae una bola de cada talego. Puesto queA resulta en uno de lossucesos mutuamenüe excluyentes 1-22 (Problema 1.20 CONJUNTOS Y PROBABILIDAD Luego el número de manera¡ en l¡as cuales por lo menos uno de los sucesos 11. La contiene 3 bolas rojas y 2 azules en tanto que la caja II contiene 2 bolas rojas y 8 azules.26. Si R indica el suceso "sacar una bola roja" mientras que 1 y 1I indican los sucesos escoger caja f y caja caja I /d respectivamente. Az entonces A = (AnAr)u(A¡42) PeroA ñAt y Añ Az son mutuamente excluyentes puesto que A1 y A2 lo son. Axioma 3 empleando (I8). Supóngase en el Problema 7.. . otro contiene 3 bolas blancas y 5 bolas negras.23. página t. hallar la probabilidad de que (¿) ambas sean blancas. Extensiones para valores mayores de n se obtienen fácilmente. 1 : Ar ó A2 ocurraes- 5 +5+ 1 L. (c) una sea blanca y una negra. Se lanza una moneda honrada. Si el suceso . At : I. Demostrar el teorema de Bayes (Teorema L-24.2/ 5 z TEOREMA DE BAYES L25. Si se obtiene cara se saca una bola de la caja.22.I. Demostramos el teorema para el c¡¡so n : 2. An tenemos por el Teorema P(A) = P(AI)P(A Ar) + ' " + P(A. Puesto que una bola roja puede resultar al escoger cualquiera de las cajas podemos em. Por tanto P(.)("+-ri-r:ri ---r:\ \2/\2+8/ \-/\-.. pero revela que se sacó una bola .23) Ay A2.\P(A:A. Asípor P(A) = P(AIA)+P(A^AI') = P(A) P(A i A) + P(42\ P(A I A2) 8... Demostrar el Teorema 1-23. I|2 : süc€so "bola blanca del segundo talego".. (d) P(BtnBil:P(Br )P(B2lBt):P(Br )P(B) = lt!")/-=) + 5/ = I 4 \4 + 2/ \3 P(B'tñnb:pelp@.O*' P(A\'Aki \ P1A¡ A¡ = P(A) P(A I Ak) P\Ak^A) = --PÁt ) P(A¡l P(A' Akl 1. j Dor tanto ".24. página 8.píryina9).) . Az: II.

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

8. = r¡ ! como en el Problem a 1. ¿De cuántas formas pueden sentarse? Los hombrcs pueden sentarse de 5P5 formas y las mujeres de 4Pa formas. 9 . El primer número puede ser cualquiera entre 9 y los tres restantes pueden elegirse de gPa formas. hay 9 formas para ocupar el segundo puesto. y 4 mujeres en una fila de modo que las mujeres ocupen los sitios pares. . (o) La primera puede ser cualquiera entre g (el 0 no). Así pues. (d) rPr.2. = 5..8.1. Entonces I ' 10 ' 10 ' l0 : 9000 son los números que pueden formarse.7: 4536son los númerosque pueden formarse.5. Se quieren sentar 5 hombres puede asociarse con cada ordenación de las mujeres.8..rP. es decir hay cinco maneras de llenar la primera posición. l.. 2. Cada ordenación de los hombres Elnúmerodeordenacionespedidoes = "Pr.7.4.. ¿Cuántosnúmerosdecuatrocifraspuedenformarseconlosl0dÍgitos0.6 . 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. (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). Otro métod<¡.2. La segunda puede ser cualquiera entre 9 (no puede ser la que ocupó el primer puesto). .. Cuando esto se haya hechó hay 4 maneras de llenar la segunda posición..oPo = 514! = (lZO)\24) 2gg0 1. persona!¡ tomadasde 4en 4es = tC. S para ocupar el tercero y 7 para ocuparel cuarto. Halla¡elvalorde (a) . por tlnto: El número de ordenacionesde lag 5 bolasen una filaes En general. 4. (b) uPo.r * l) Esto se conoce como el número de permutaciones de n objetos diferentes tomados de r en r y se denota por P. nPr. Entonces 9' sPs : I . Por tanto: El número de ordenacionesde 10 En general. 120 Elnhmerodeordenacionesdenobjetosdiferentesenunafilaes=n(n-l)(n-2\. g..Pr. Obsérvese que cuando | = tr.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 = 6.31.1 = 6 1. 7 : 4586 sonlos númerosque puedenforma¡se.32.3 = 860 (c) .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.9si(c)los números pueden repetirse.. Luego hay 3 maneras de llena¡ la tercera posición.30. tercera y cuarüa pueden ser cualquiera de las 10. (n . La primera posición puede ocuparse por cualquiera de las cinco bolas.3.22 CONJUNTOS Y PROBABILIDAD [cA?.29. = e 15 (d) ¡P¡ = 3.T = - 5040 El número de ordenaciones de n objetos diferentes tomados de r en r ea n = n(n 1) . 1 Debemos ordena¡ 5 bolas en 5 posiciones así -. (b) si los números no pueden rcpetirse. (c) tsPt. 1. puestos).28. á maneras de llenar la cuarta posición. (¿) aP¡ = 8. 1. L = b! =. . 3. y finalmente sólo 1 manera de llena¡ la última poeición. I . La segunda. cuando esto está hecho.

I 1. . El primer dígito puede elegirse de 9 maneras y los dos siguientes de gP2 formas. . . 1l CONJUNTOS Y PROBABILIDAD La primera cifra puede elegirse entre g.9 ! formas. 2 bolas blancas y 3 bolas azules: Si las bolas de igual color no se distinguen entre sí ¿de cuántas formas posibles pueden ordenarse? Supóngase que hay N diferentes ordenaciones. ll0. colocan en un eslante. de modo que dos de ellas no estén sentadas juntas es 720 . rt. . ePz:9 .33. Pero los libros de matemáticas pueden ordenarse entre ellos de aPa:4! formas. + tt¡ = n.cAP. Multiplicando N por el número de ordenaciones (o ) de las 5 bolas rojas entre sí. Entonces 9 son los números que pueden formarse. Entonces se tienen 9 libros que pueden ordenarse de 9P9 .34. n2 son iguales. Entoncesel número de ordenacionespedido será = 9l a! - 8 709 120 1. (b) si dos personas determinadas no deben estar una al lado de la otra? Considérese una de ellas sentada en cualquier parte. son iguales. En todos estos casos los libros de matemáticas están juntos. (b) solamente ios libros de matemátitas deben estar juntos? (o) Los libros de matemáticas pueden ordenarse entre ellos de aPa: 4! formas.35. ¿De cuántas formas pueden sentarse 7 personas alrededor de una (c) (b) mesa. COMBINACIONES 1.34estoes ¡ft - 10'f''8' . (b) de las 2 bolas blancas entre sí y (c) de las 3 bolas azules entte sí (es decir. Entonces ' 7 : 504 será el nfrmero pedido. Entonces las 6 restantes pueden sentarse de ?20 formas. 6l 2l3! - 207 360 (b) Considerar los cuatro libros de matemáticas como un solo libro. n¡ En general el número de ordenaciones diferentes de n objetos de los eue ?r¡ Soriguales* donde. se tiene el número total de formas en que 6 personas pueden sentarse alrededor de una mesa. 23 (c) ' 8'7 : 5O4 Otro método. Entonces hay 6 personas para sentarse en círculo. si (o) pueden sentarse de cualquier forma.PorelProblemal. . Cuatro libros distintos de matemáticas. ¿De cuántas formas pueden 10 objetos dividirse en dos grupos de 4 y 6 objetos mente? es respectivaotros 6 Esto Io mismo que el número de ordenaciones de 10 objetos de los cuales 4 objetos son iguales y los tambiénsonigualesentresí. multiplicando N por 5! 2l 3!) se obtiene el número de ordenaciones de 10 bolas si todas ellas fuesen distintas.. loslibrosdequímicade2P2:2! formasylostresgruposde3P3:3! formas. 1 n"+ .. es decir. que lo pueden hacer de 5! formas. ¿De cuántas formas distintas es posibliordena¡los si (c) loslibrosde cada asignatura deben estar todos juntos. g.24O: 480 formas. Entonces el número de ordenaciones pedido será = 4't.36. seis diferentes de física y dos diferentes de química se. la segunda entre 8 y la tercera entre ?. n#l* 1. Entonces. que es el total de car¡os que se dan en la ordenación de 7 personas en un círculo. 6! = Considérense las dos personas que no han de ir juntas como una sola. Así pues. 10 ! EntonceslSl 2: 3l)N = t0! y N - 101/(5! 2t Bl). el número de ordenaciones de 6 person¿N sentadas alrededor de una mesa con 2 determinadas de ellas sentadas juntases de 5! 2! :24O. mediante (o). Se ordenan en una fila 5 bolas rojas. Pero las dos personas consideradas como una sola pueden ordenarse entre sí de 2! formas. los libros de física de 5p5 :6! formas.

C. Número total de selecciones posibles = tCz'tCs = 3'35 = 105 L.37. Por tanto El número de ensaladas Otro método. Hallar el valor de (a) zCq (b) aCs. Entonces tC+:I.CL-l tC2+5Ca+ sC4+ scs : 5 *10+ 10* 6* 1 : 31 .4!B! = 7. se forma un corúité de 2 matemáticos y 3 físicos.SdelasSverduras. el número de formas de considerar lias cinco verduras es 25 formas.4 = l4.39.b = 126 1.6. es:25 - 1 : 31 Puedeseleccionarseldelassverduras.Olf/Vvienedadopor ^ n"r nl /"\ \r / . _ e! _ \s/-sws-BJ]T- e.5 71 ^ (ol . como si se escoge o como si se rechaza. 5.8.. 3 físicos de un total de 7 pueden elegirse de zCs formas.2delasSverduras.5. n. 1. escarola. 2 físicos restantes de un total de 6 puedtn elegirse de eCz formas. = #h = I si se define Nótese que formalmente aCa 0! = l.4O.objetos dados. (c\ eC+ 7. si (c) puede pertenecer a él cualquier matemático y físico. ¿De cuántas formas puede formarse. 2 matemáticos de un total de 5 pueden elegirse de sCz formas. 15 = 150 (c) 2 matemáticoe de un total de 3 pueden elegirse de sCz formas. (c) dos matemáticos determinados no pueden estar en el comité? (a) 2 matemáticos de un total de 5 pueden elegirse de sCz formas.24 CONJUNTOS Y PROBABILIDAD lcAP. Nfimero total de selecciones posibles = sCz' zCs = l0'35 = 350 (b).rl nP' 1. Pero las 2s forma¡ incluyen el ca¡o de no seleccionar ninguna verdura. lo que es evidentemente 1.5. endibia. 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).ur .Entonceselnúmerorequerido de ensaladas es -. 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. 6 uCt=oC1 =6' 5ú ff (c) +Ca es el número de grupos de 4 objetos que se pueden formar con 4 objetoa. De un total de 5 matemáticos y 7 físicos. ¿Cuánt¿s ensaladas pueden preparañ¡e con lechuga. ¿De cuántas formas puede elegirse una comisión de 5 personas de entre 9 personas? /g) = ^c. (b) un físico determinado debe pertenecer al comité. ae llamanúmerodecorñbinacionesdelosnobjetostomadosderenrysedenotapor... 4. 3 físicos de un total de 7 dan 7C3 formas..2 = 6. Número toüal de selecciones posibles = sCz. beno y achicoria? Cada verdura puede tratarse de 2 formas.6. no teniendo en cuenta el orden de los objetos dentro del grupo..38.1 = o'' --ll (b) oCs = 6 ! = 6. b! ?. En general el número de grupos distintos de r objetos que 8e pueden formar con. oCz = 10 .6.rl(n-rll n(n-11"'(n-r+1) r! .

Si escribimos lo¡ coeficientes de la expaneión binomial de (c * U)" púa n :0. de 1.tFV=fr . . que consten 4 consonantes y 3 vocales? No es necesario que las patabras tengan significado.r)l (n-r)(n-L)l * r(¿-1)! r! (n . ¿cuántas palabras pueden formarse. obtenemoa Ia distribución conocida como el trióngulo de Poscal: n=l n=2 n=3 n:4 n=5 n=6 et¿. Entonces: El nhmero de palabrae y las ? letra¡resultantee (4 q 7C1 ' óCa ' ?! : 35 .B.1l CONJUNTOS Y PROBABILIDAD 26 nCn Engeneral. La¡ 4 coneonantes pueáen elegirse (!e lC+ formas.r)l (¿-l)! (¿-1)! .41.r)'! r! (n .t) + f" . 3 vocales) pueden ordena¡¡e entre sf de zPz : ?! forma¡.42.1¡¡ 1" . ! = 2r-1.1). Halla¡ el término constan6 en h exDansión de 1r. .. Con 7 consonanps y 5-vogaJes diferentes.+!\". 1b:10 * 6."¡ /¿-r\ /"-r\ \ " )-\"-t) El resultado tiene la siguiente aplicación interesante.cAP.11)"-. 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. lss 3 vocsles de s0g formac consonantes. 2. 1.Cs+ -.*-.. .eüc. ¡raracualquier enteropositivo n.z. ee 1. 4.43. Demostrar q"" Tenemos que 11) \r/ = l" . $ \k /' 3 \& /'. r0.1r . n0r+ ncz+..' \"/ ü/ \ El término conetante corresponde a aquel para el cual 3& . \ r / \r-1l' (n-r*r)(n-1)! r! (n . 10 ' 6040 : 1 ?64 000 COEFICIENTES BINOMIALES 1..11. Aeí10:4I6. ee decir k = 4.y por tanto eetá dado por /12\ _ \n/= 12. 'xl (**!\" = r-:o (1?). De acuerdo al teorema del binomio *'\.= xau /rz)'.*.r e =4e6 .!2 = 0.

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

66. Halla¡ la probabiüdad determinados de matemáticas estén juntos. un dado honrado.{fi.4?.6ó. Los libros pueden ordenar¡e éntre ef de roPro = 10! formar. Por tanto la probabilidad pedida e¡ p(666.\o/ \o/ para todc lo¡ oEo¡ resultado¡ en los cuale¡ ocuren hec 6 y dos no 6. Análogamente '" . n7 . rey) x4crx4crxrcr) (rcr) szCs 64 162 496 (e) P(3 de un palo../r\3/s\2 = =*é)t1l)'= = I 't 'v. Hallar el valor de 50! Para n muy grande. eractamenüe 66.lf{| = 'ffi.p(6)p(6') .cAP. LuegoP(al menoa un ar) 1. jota. 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(6.4E.p"en-' = (n\o'o'-' sip: P(A) y q:1--p:P(A'\. Detenninar la probabilidad de tres seises en 5 lanzamientos de Represéntense los lanzamiento¡ del dado por cinco eepacioe no 6 (6'). u (c) (d) P(3 diece¡ y 2 jot¡¡) CONruNTOS Y PROBABILIDAD QCslQCzl 1 szcs 108 290 (4cr P(nueve. Supongamos que lo¡ 3 libro¡ determin¡do¡ de m¡temática¡ ee remplazan por 1. Por tanto aot-t/ffi5oso¿-so:N Para evalua¡ N uüilizamoe logaritmoe de ba¡e 10.por elmiamorazonamientoanüeriorlaprobabiüdaddeobtener r vece¡A en n enaayos independientes ea \n/ 1. etc.46. L¿ probabilidad pedida está dada por 8!3! 10! - 1 15 APROXIMACION DE STIRLING A z! 1.ó En generd./L\'/qY . puesto que hay 4 form¡¡ de eecoger el primer palo y 3 foim¡s de ercoger el regundo.n"¿-¡. diez. Pero hay rCa son mutua¡nente ercluyentes. Asf logN = los(/lofi¡o5o¿-50) 1f = i los100 I |losr * 60 log60 - 50 log¿ .á á *. = .\6/ \o/ BITT\6i \6i 8888 nc. 2 de otro) = q#@ = ffi = t -. Por ejemplo. Pero a su vez io¡ 3 libro¡ de matemótica¡ pueden cden¡r¡e enhe ¡f de 3P3 = 3 ! form¡¡. de que S libros . (/) P(ningrn *) = # = m. Cada eopacio tendr6 lo¡ ¡uce¡oc 6 o 6. reina.* = (il'eu)' : 10 de ertor nrceeor y pueeto que suponemoe que lor ¡uoesos ron independientee.66. Arf tenemo¡ un üotd de 8 libroe que pueden orden¡¡se enhe ¡f dc 6Ps = 8 ! formas. Un estante tiene 6 übros de matemáticas y 4 de física.á.

(o ) La probabilidad de obtener 7 en un sólo lanzamiento de una pareja de dados.P(B') P(B.Asílaprobabilidad.de2tablasenBpartidases(réase Problema 1. lanzamiento.P(B no gane ninguna partida) t . y 3a.':. y 3a..28 11 CONJUNTOS Y PROBABILIDAD lcAP.Xt(. Probabiüdad : 1 /6.10. 2a. 1-17.) suponiendo que los resultados de cada partida son independientes de los resultados de la¡ ohas. luego A o B gane.. Az. t. lallar la probabilidad de que (o) quien lanza primero los dados gane. luego gana A. (b) dos partidas terminen en tablas.6990) - 50(0. luego B) == ". 1á¡ n gane al menos una partida. (c) A y B ganen altemativamenie.. A y B juegan 12 partidas de ajedrez de las cuales A gana 6. B gana 4 y 2 tnrmrnan en tablas.46) 5 /s\ " \í)o'n'-' = t(.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. (ó) quien lanza segundo los dados gane. luego pierde B. 1 = ¿los100 | ¡lor3142 + 11 = i(zl * de donde 50 1og50 - 50 log2?18 ..íll 36 (d) P(B gane al menos una partida) : 1 . es 1/6 como se determinó en el Problema 1. Acuerdan jugar un torneo consistente en 3 partidas. lanzamiento. partida respectivamenüe.50 A y B juegan lanzando alternativamente un par de dados.z.4836 N= 3. (Esta suposición no sería justificable si un jugador fuera influenciad.P(B'roBj¡B'r) L .4343) = 64. un nfimero que tiene 6b dígitos. Bz.:'.'J?fi '.^. luego A.i :.4972) + 50(1. luego B. I|3 los sucesos "B gana" la 1a. ."u j /t\/r\/t\ * /r\/r \/r\ = \r/\5/\r/ \¡i \zi \¡i 5 . 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) = (. A pierde en el ler. \a) = n /r\2/<\ (c) P(A y B ganen alternaüvamente) : P(A gane. A 3 los sucesos " A gana" la 1.. Hallar la piobabiüdad de que (o) A gane las tres partidas.:. -/¿\/a\1¿\ = le ^ \3/\3/\3/ 27 1.) P@.'.18 y Fig. supuestamente honradoe. 2a.:.49. partida respectivamente..) . Probabiüdad = {¿)(f )($).04 x 100r. PROBLEMAS DIVERSOS 1. Quien obtenga primero un total de 7 q^? el juego. 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. Denótese por A B t.

Así Probabiüdad pedida = -H*-P 1. Prqbabilidad = (áX8X8X8X+).cAP. "blanca en la segunda extracción". l|/ los sucesos que el esposo 0.F/ y la esposa. gana A. de tal manera que la probabilidad es 3/8. pierde B. Véanse Problemas 1. respectivamente.51. Bl. Entonces y lI/ son sucesos independientes. Suponemos que .2)(0. Este resultado se obtiene así Si P(BJB)='+#=elwq=* Método 2. (c) al menos uno viva. 1.9. P(H): (o) P(ambosüvan) = P(H1W) = P(H)P(W) : (0. : 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) . Puesto que se sabe que la segunda bola es blanca solamente hay 3 formas de las restantes 8 para que la primera sea blanca. Una caja contiene 5 bolas rojas y 4 blancas. Hallar la probabilidad de que de 600 tornillos seleccionados aleatoriamente 12 sean defectuosos. pierde A.(5/6)2 11 . 1l CONJUNTOS Y PROBABILIDAD 29 (3) A pierde en el ler./l)/q)lq\It\ \6/\6.152.02 . ¿Cuál es la probabilidad de que la primera también sea blanca? Método 1.151 y 1. que la segunda es blanca. Las probabilidades de que un esposo y una esposa estén vivos dentro de 20 años están dadas por 0. Nótese que la probabiüdad de un empate que 11 ' 6-5 11 1 Esto no serfa verdadero si el juego fuera limitado. (b) ninguno viva. lo cual puede ser o no razonable. gane es /t\ /s\/s\/r\ . Sean ÁI.9 respectivamente.\6/ =5136=5 1 .9) = 032 (ó) P(ningunoviva) = P(H'nW') = P(H'\P(W') = (0.*/q\'*/q)'* \o/\e/t_' \o/'. el 3'/o 6 360 son defectuosos y 11 640 no lo son.8. Así la probabilidad de que g.53.1) = 0. lanzamiento.8)(0./s\/¡\/o\/s\/r\ * \6/-\6i \6/\u/ \6i \6/\Bi \u/\6i 1l-. pierde B. estén vivos en 20 años. De 12 000 tornillos. Se extraen dos bolas sucesivamente de la caja sin remplazamiento y se observa. Una rnáquina produce un total deL2 000 tomillos diarios de los cuales en promedio elSVo son defectuosos. P(W) : 0.52. Hallar la probabilidad de que en 20 años (a) ambos vivan. 1. estamos buscando P(Br lB2).' \6/\6/\6/\6/ * = /q\/r\T. respectivamente.tJ es cero ya Así iríamos 6 a 5 a que el primero que liance gana.8 y 0. I|2 son los suceoos "blanca en la primera extracción".

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

La primera de las n personar¡ tiene lógicamente algún cumpleaños con probabilidad 365/365 : 1. Halla¡ Ia probabilidad de que n personas (n < 365) seleccionadas aleatoriamente tengan n días de cumpleaños diferentes. por ejemplo n ( 30.' (Apéndice A' fórmulas 1 y 2) (Ir\ I+2+ "'*(n-1) = @. suposiciones que no se cumplen genetalmente en la realidad.56.1\:{. el segundo término y los términos superiores a la ae 1S¡ son dlespreciables comparados con el primer término. .55 para que la probabiüdad cumpleaños distintos sea menor que U2.-k).55.cAP. Problema. 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. Suponemos que solamente hay 365 días en el año y que todos loe días de cumpleaños son igualmente probables.693. 1." . Describir A de acuerdo al (o) método de extensión..(. si Ia segünda persona tiene un cumpleaños diferente.165/\'. la probabilidad de que la n-ésima persona tenga un cumpl'e¡ñoe diferent¿ de las otras n * 1)/365. (b) método de comprensión. tnp = .r)(Zn -r) 6 obtenemos para (3) (5) *::":: 16) rnp = -!!+ñ! ..-4\ . SeaA = {r r2-3r*2=0}. fótmula 7) que -r) -= --c - T- 3 así que (I ) puede escribirse como = ft+z+ : 2. 3.z\..n(r-l) i30 para n pequeño comparado con 365.s supletnentarios CONJUNTOS 1. Entonces.0.693 6 ln 2 = 6 (n . Finalmente.DeterminarsiACB o no.2 -r¿-506 = 0 = 0.ln p r¿(rr : - -- 1) ?30 ."' . Análoga' mente la probabilidad de que l¿ üerce¡a persona üenga un cumpleaños diferente de las dos primetas es 863/365. Por tanto tenemos es (365 - P(n cumpleaños diferentes) = #* # ffi = \'- ' 365 :-l! + 1 1\/'.). Denotando la probabiüdad dada por p y tomando logaritmos naturales hallamos (r) @\ (3) lnp tnp =t"(r-#) -r'"(. D = {t I 12<16).865)"'\'.23)(n'l 22) = g asf que n : 23.. Sea A eI conjunto de los números natwales entre 5 y 15 que son pares. debe ocurrir en uno de los otros 364 dlas. Por tanto tenemos n.-*(n-1)2 - n(n . Enipleando los hechos de que para n .^" --!.58.. 1l CONJUNTOS Y PROBABILIDAD 31 1. Determinar cuántas personas se necesitan en el Problema 1. .67.865 ) de 1.. 12+22 i-.l. asf que una buena aproximación en este Pa¡a (7) p : L12. "'+rn(t-#) ln(1 Pero sabemos de cálculo (Apéndice A. Así la probabilidad de que la segunda persona tenga un cumpleaños diferente de la primera es 364/365.

1. formule en palabras el (a't A'.72.66. =y.nC.76. 1.2}.60. (fllanzat una moneda y un dado.6 A: falredad de las propoeiciones siguientce.4.61. (c) Añ(BuC).69. B. entoncq cJeeJ. (s) (AnC)' u B. . ESPACIOS MUESTBALES Y SUCESOS L.} ! B = {rlreounnfimeroprimo. 1.62. (e) A. página (o) Eemortrar la segunda ley De Morgan. - .t B = IA-(AnB)] u ÍB-UnB)l 1. oPEBACIONES E¡ITBE CON. (ü) Teorema l-8.?0. (c) A'uB. de loe siguientes experimentos aleatorios: (o) 3 lanzamientos de 1. Demostra¡el (a) Teorema l-2.?f .?). A tenemo¡ A C A. Emplear un diagrama de Venn para dibujar ceda uno de loo conjuntoo eiguientec: (¿) A n (Bucl (ü) . página 3. 1.. 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. ei ¿[e como I Sea ci éeeI' o cl¿se de todos loe conjunüoc que no 8on elementos de eUos mi¡mo¡.31. Demo¡trarque (á -A)UA =á ¡ólo srBC A e ilugtrarlo utilizando un diagramade Venn. (d') A-8.(AuC). (ó) Sir yy son do¡ númeroereales sr¡alesquierq entonces x1y.A r. ¿EE (A - B)' : A' . B.4 u (BnC\ (c) A' n (BuC)' (rt) A . DIAGBAMAS DE VENN y TEOREMAS SOBBE CONJUNTOS 1. Sea'tl el conjunto de todos loi enteros no negativos y conaidérenee loe nrbconjuntoc A = {xl¡e¡unente¡ope¡. (e\ B-A. Ilustrar el principio de dudidad haciendo referencie a losteoremas de la pfuina 3. (bl AnB.uC'). (o) Si A y B eon dos conjunüos cuáleequiena.(BnC) (e) A' - (BuC)' 1.64.76. Tborema 1-120. (b) (AuB)uC. E¡tudiar la verdad o entonces A CB. De¡cribir un espacio muestral para cada uno una moneda.ñ(B. (d) el númer. (o) Demostrar que (b) Demoetrar que ri p-f Ge[. 1. I-a paradoja descrita se conoce Rusell.0(¡=4) Encontra¡ (a) AvB.32 CONJUNTOS Y PROBABILIDAD Demoeürar que para cualquier conjunto [cAP.68. (d\ (AnBlu(AnC).p6gina 3.5}. página B. EXPEBTMENTOS ALEATOBIOS. 0 @uB) . 1.). Afirmar -B = @. (Véase Problema 1.2. en un grupo de 600 hombre¡. (c) A'nB'. Generaliza¡ el recultado del Problema 1. (fl (A-B) u (B-A). Demo¡harque . 1. (d) AnB'. 15¡(6. x>y O i Demostra¡ que cualquier aubconjunto del conjunto vacfo debe ser el conjunto vacfo.5\ yrupóngarequeloerubconjuntoede'll son A:{1. signifrcadodecadaunadelasoperacionessiguienüee: (f) B A. 1.6?.73. (c) A)8. (Ó) el nhmero de fum¡dore. (e) el número de partícular nucleare¡ que enhan a un contador Geiger. B={2. A)8.7 o negar: Si A u (Ar\B) eilusha¡loporundiagramadeVenn.5.68.66.69' 1. entonce¿A = B. (c) lanzar un¡ moneda hasta que aparezc¿ un sello.Encontrar (a) Av(BuCl. Seaununiver¡o 'Ll:{L. C = {4. Generdiza¡ las primen y eegunda leyec De Morgan a cualquier número de conjuntos. (ü) B'. y (D) ilustra¡la utilizando un diagrama de Venn.B'? Ju¡tificar l¡ ¡olución.9.o de llamadas recibida¡ en une ce¡ttrat telefónica.(B. 1.1. 1.3.ruNTOS. (c) Teorema 1-4. 1 1. Un erperimento consiste en el lanzamiento de una moneda y un dado. (e) A-8. L. (ñ) A .

t1.83. (b ) A' es independiente de A es independiente de B demostrar que (o ) A es independiente de B . (c) no azul. L. (¿) p(A1^A'2ñA\). Hallar la probabilidad de que sea (c) naranja o roja.demostrarque pendientes. son inde- .42 el suceso "rey en la segunda extracción". as. Hallar la probabilidad de extraer 3 ases aleatoriamente de una ba¡aja de 62 remplazan. (¿) roja. 30 blancas. üe (sin Una caja contidne 2 bolas rojas y 3 azules. @) p(A'rr. (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.82. jota de tréboles o reina de diamantes al extraer una sola carta de una baraja común de 52 ca¡tas. SiA.87.cAP. Demostrar que si P(A ) >P(B ) entonces P(A I B) Si > P(. Demostrar el resultado (1 1).80. satisface los axiomas de probabilidad en la página 6 y por tanto todos los teoremas sobre probabilidad.14(b) demostrando (sin emplear el diagrama de Venn) que AUB = AOIB-(AOB)I donde A y B . (g) al menos una sea azul. (b\ p(AluA2\. B. B'. pfuina Demostrar que P(A'uB') = 1 .90. Hallar la probabilidad de que si dos bolas se extraen aleatoriamenremplazamiento) (o) ambas sean azules. 1.. Resolver el Problema 1.91. (b)AyBñC. (c)A y B-C.86. remplazando la bola extraída después de cada extracción. (b) La suma 8 agatezca en un solo lanzamiento de un par de dados honrados. 1.8t. 7. Determinar la probabilidad p. Halla¡ la probabilidad de que (a) ambas sean blancas. Sea A1 el suceso "reyen la primera extracción". 1. 1.P(A¡B). (d) blanca. (e) Al menos aparezca una cara en tres lanzamientos de una moneda honrada. cartzs 1.?9. (d) sean rojas o blancas o de ambos colores (roja y blanca). Csonsucesosindependientes. Se exürae una bola aleatoriamente de un caja que contiene 10 bolas rojas. (b) la primera sea roja ylasegunda sea blanca.89.83. blanca 1. 1.92. Un experimento consiste en la sucesiva extracción de tres cartas de una baraja. (D ) si las cartas (o) se no se remplazan.página 8.(A ñ B) son mutuamente excluyentes. y A3 el suceso "rey en la tercera extracción". 20 azules y l5 naranjas. p6gina Generalizar los resultados (I0 ) 30. (i) la primera sea blanca pero la segunda no. 1. .54.8 I . (c) ninguna sea naranja. Explicar el significado de cada una de las siguientes: (a\ P(AroA!r).t4. 1. pfuina ?.7t. o azul. (¡) solamente una sea roja.1. Se extraen dos bolas sucesivamente de la caja del Problema 1. o un estimador de ella. y (I I ).85. (b) ambas sean rojas. Completar la demostración en el Problema 1. Si aI menos un hijo en una famiüa con dos hijos es un niño ¿cuál es la probabilidad de que ambos hijos sean niños? Demostrar que la probabilidad condicional definida por (17). (b) ni roja ni azul. para cada uno de Ios sucesos siguientes: (c) La aparición de un rey. . PBOBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES f . (e) la segunda no sea azul. 12 defectuosos. (e) pl(A1nAr) u (A"nAr)]. 1.tA'r). (c) una sea roja y la otra azul. (c) AyBUC. 1. (h) máximo una sea roja. CALCULO DE PROBABILTDADES 1. ll CONJUNTOS Y PROBABILIDAD 33 TEOREMAS SOBRE PROBABTLIDAD 1.77. y así demostrar eI resultado (l ) del Problema 7.4 ).84 si no hay remplazamiento después de cada extracción.

4 blancae y I nggra. Hallar el valor de (a) rC3. En el tercer joyero eñ un compartimiento hay un reloj de oro. 1 1.93. ¿De cuántas formas pueden 5 personas sentarse en un sofá si tiene sol¿mente tres asientos? 1. (D) 3 libros determinados deben estar juntos. 3 blancas y 4 negras. A ¡: auceao At. L. 2. 9 ¡i impares. (ó) zPs. Se lanza una moneda tres veces. CUENTA Y DTAGNAMAI¡ ARBOL 1.43 no son independientec. ¿De cuántas forma¡ pueden ordena¡se 7 libros en un eEtanüe ei (a) er posible cualquier ordenación. Hallar la probabilidad de que sea blanca.1OO. .99. Uüilizar un diagrama á¡bol pa¡a determinar el nf¡mero de maneras en las que se puede exhaer (o) un diamante y un trébol y un corazón en secuencia (b) dos corazones y luego un trébol o una pica. en tanto que en el oho hay un reloj de piata Si seleccionamos un joyero aleatoriamente. Se extraen tres cartas aleaüoriamente (sin remplazarniento) de una baraja de 62 ca¡tas.1O?.109.96. Atl At.106. Resolver el problema anterior si la8 cifreÁ de los números pueden estar repetidas. (b) doe mujerer determinadas no deben centar¡e juntar. ANALTSIS COMBINATORIO. A3 lon independientes pero que 1. En cada compartimiento del primer joyero hay un reloj de oro. Hallarelvalor de(a) oP2. á3 : "total impa¡ en ambos dados". Se selecciona una urna aleatoriamente la urna II.10t.lO2. . abrimos uno de los compartimientoa y hallamos un reloj de plaüa.101. (¿) roC¡. Luego ee extrae una bola de la segunda caja. suceso "número impar en el primer dado". . . Una bola extrafda aleatoriamenüe de una de las.ent¿nüoquelacajalfcontiene4bola¡rojasy2blancas.96. caja / contiene 3 bolasrojasy Sblancas. AziA2. y lrr urna ffl. Demostrar que A¡ . (¿) roP¡. Az. .4 doeee y 2 tres€s? 1.1O3.cajas reeulta azul. Una caja contiene 3 bolas azules y 2 rojas mienüras que otra caja contiene 2 bola¡ azulee y 5 rojas. 1.¿Guál es la probabilidad de haberla exbaído de la primera caja? Ttes joyeros idénticos tienen dos compartimiento¡.9?. ¿Cuántos números diferentes de 3 cifra¡ pueden formar¡e con 3 cuaEog. 1. 1. (b) las primeras dos cifras de cada número son pa¡es? lor números deben ser 1. (c) cada mujer debe eetarentre dos hombres? COMBINACIONES 1. La escoge una bola aleatoriamente de la primera caja y se coloca en la s€gunda c¿ja sin ob¡ervar su color. (b) ¡C¡. Utiliza¡ un diagrama árbol para determin¡r la¡ diferentes poribilidades que pueden suceder. (c) 2 libros deüerminados deben ocupar lo¡ exüremos? (o ) 1.+tPt = nPtl. ¿cuál es la pobabilidad de que el otro compartimiento tenga un reloj de oro? 1. 1. y una bola ertraída aleatoriamente e¡ blanca.34 CONJUNTOS Y PROBABILIDAD Sea lcAP. Se TEOREMA O REGLA DE BAYES 1. La urna I tiene 2 bola¡ blanca¡ y 3 negras. 3.98. ¿De cuántas formas pueden 3 hombres y I mujerec sentarse alrededor de una meea ei (o) no se impone ninguna resüricción. ¿De cuántas maneraa pueden coloca¡se l. En cada compartimiento del Begundo joyero hay un reloj de plata.106. ¿Para qué valor de n es .94. . Hallar la probabiüdad de haber escogido la urna I. A2 = BuG€so "núme¡o impar en el segundo dado". ¿Cuánto¡ números de cinco cifras pueden formarse con los dÍgitos L. I monedae diferentes en 2 posiciones diferentes? PERMUTACIONES 1.104.

par. lJna caja contiene 9 tiquetes numerados del 1 al 9. 1.111. Si se van a jugar tres juegos ¿cuáles son la¡ apuestac (a) en favor de A de ganar al menoa doc de los tre¡ juegos.117. s€ impone ninguna restricción..rnda carta no sea una figura dadoque la primera eí lo es. (g) la seg. Hallar la probabilidaddeque (o)laprimera carta no Bea un diez de tréboles o un aa. (b) j=t (-1).119.114..110.113.. Hallar el coeficiente de ¡ en lt * ¿)t. ¿Cuántos comités diferentes pueden formarse si (o) no se impone ninguna restricción. (ó) ( ).(b)almenoe dos lanzamientos de un par de dados honradoe.118.116. (b) dos estadistas determinados deben estar en el comité."". Hallarlaprobabilidaddeobtenerunasumade?puntos(o)unavez.122.125.C. 3 niños y 3 niñas con 6 hombres.2n-1. t"l kCz\QC¿)/DC.121. Demostrar que (o) É . Si s€ extraen 3 tiquetes de la caja uno a uno' hallar la probabilidad de que alternativamente s€an impar. 1. (b) un palo completo.. j=1 = n.+ r-''i" 2/ \l )=o \o/ \r/ /"\ * /"\ I 1. 1. (f) la seErnda carta no sea una figura. Con 5 estadistas y 6 economistas quiere formarse un comité de 3 estadistas y 2 economistas. 1l 1. (b) /11 \ (r-a)4. Halla¡ la probabilidad de que uno de loe jugadores obtenga (o) ? diamantea./"\ .4 mujeres. (b) tres 1.t24. La¡ apuestas en favor de A de ganar un juego de ajedrez contraB son 3:2.) = 0. 2 héboles. (h) las cartar son frguras o picas o ambas. 1. (c) un economista determinado no debe estar en el comité? 1. (c) al menos una carta sea un diamante. \4 / 1. (c) (t-r t)s. Calcular... reina' rey). Halla¡ el número de (o) combinacionee y (D) permuüaciones de cuatro letras cada una quepuedenformarse con las letras de la palabra Tennessee.-tj(. Se extraen dos cartas sucesivamente de una baraja de 52 eartas. ¿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. Demostrar que (c) (b) \r¿l \o/ \r / + 1") * '. ¿De cuántas formas pueden seleccionarse 4 niños y 5 niñas si (o) no determinados? 2 hombres. ¿Para qué CONruNTOS Y PROBABILIDAD valor de n s€ cumple que 35 3' n+rC¡ : 7' nCzl.f 23. (b) deben seleccionarse un hombre y una mujer 1. En un juego de naipee ee reparte a cada uno de loe 4 jugadores 13 cartas de una baraja de 52 cartae. unavez'(c)dosveces'en 1.115. . (d) (rz*21t.( ") . Expandir (o) (o+y)6. (c) eC¡. (b) en contra de A de perder los prir4eros dos juegos? 1. COEFICIENTES BINOMTALES 1. +/"\ \2 / /"\ . 3 y 2 personas? y 3 personas. \ r/ 1. (e) no más que una carta sea figura (jota. ¿f).120.cAP.126. PROBABILIDAD UTILIZANDO ANALISIS COMBINATORIO 1. (d) las cartas no sean del mismo palo. impar o par' impar' par.e cuántas formas puede un grupo de 10 personas dividirse en (o) dos grupos de 7 grupos de 5.8 mujeres. 3 corazones y 1 pica. (b) la primera ca¡ta sea un aÁ pero la eegunda no.

135. Halla¡ la probabilidad de que 3 sean rojas y 2 azules. Hallar la probabilidad de que un jugador tenga de 13 cartas g de un mismo palo. (b)al menos dos sean ages. 1.130. A-(A nf¡: AñB'.95? 1.144. 12.13?. Se extraen 3 ca¡üas de una baraja de 52. ¿Podríamos asignar probabilidadee de 1/11 a cada uno de esos puntos? Explicar. l. (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. Halla¡ la probabilídad de que (o) sean diferen1.143. +P(Á") 1.51. Enunjuegodepókerhallarlaprobabiüdaddeobtener(o)unaescaleraflor. (d) 4 ases. Demostrar que para cualesquiera sucesos Ar. (b) tn full que consiste en 3 cartas de un valor y 2 de otro (por ejemplo 3 diecer y 2 jotas.queconsistedediez.134.. 1. . (c) todas las letras son diferentes pero dos letras determinadae no puden estar juntas? tes. - L. . 1.131. Un espacio muestral consiste de 3 puntos muestrales con probabilidadeg a¡ociadas dadas gor 2p. Hallar la probabilidad de que ocurta 11 por primera vez en el sexto lanzamiento.132. ¿Cuál es el menor número de lanzamientos necesarios en el hoblema 1. (b) 0. 1. ¿Puede considera¡ee la moneda cómo honrada? Expücar. Al lanzar un par de dados la suma puede ser 2.36 CONruNTOS Y PROBABILIDAD lcAP. Si diepara al blanco hastaqueledal¡primera vez. . Az.reina. 1.140.136. .12E. 1. rey y as del mismo palo.5. . Obüener una aproximación al resultado del Problema 1. 1. (D) 2 letras son idénticas.. p2 y 4p Halla¡ el valor de p.145. etc. Demostrarque 1. Esüudiar lo eiguiente: no h¿y tal cosa de que una moneda sea honesta pu6to que en cualquier número de lanzamientos es extremadamenüe difícil que el número de caras y Ee¡lor eea igual. (b) ¿Cuántos lanzamientos se necesitan para quela probabilidad en (o) eea mayor que 0.. Demosürarque siACB' entonces AnB:Q.uAn) < P(4.3. Una urna contiene 6 bolas rojas y 8 azules. Cuatro enteros se eligen aleatoriamente entre 0 y 9 inclusive. (b) máximo dqs sean igualee.l47. An P(ArvA"u. .I's probabilidad de que un tirador dé en el blanco eede 213.138.133. ¿Cuántas palabras pueden formaree con 5 letras si (o) lae letras son diferentes. Demostrar que aproximadamente 2nCn - 22"1\/ñ. . hallar la probabilidad de que necesiüe 6 disparos.'. 1. 1. 1.96? 1. Se extraen cinco bolas aleatoriamente sin remplazamiento. 1. APROXIMACION DE STIRLING A n! 1.139. Halla¡ la probabilidad de que (o) las cartas eean de un palo.142. Hallar porcentaje de enor en la fórmula de Stirling para n : 10.146.jota.141. (c) ca¡tas diferentes. ¿De cuántas formas pueden selecciona¡se 30 individuos de un total de 100? 1. Un par de dados se lanzan repetidamente.127.).140 para que la probabiüdad de obtener 11 por primera vez sea mayor que (a) 0. 1 1.129. ¡rara valores de n grandes.) + P(A)+ . . Supóngaae que al lanzar una moneda 500 veces hay una secuenci¡ de2(lsnzanientosqueresulüan"carast'.

151.rtimientos separados. 1. .156. Hallar la probabilidad de que en un juego de bridge (o) dos jugadores. Demostrar l") . Demostrar que /"\ = ! 1t'¡¡" . 3. Este tipo de problema se presenta en física en conexión con l¡a es tad ísüca Fermi-Diroc. (d) ningfrn 5? ¿Puede resolverse el problema sin saber el número de cincos que tienen los otros jugadores? Expücar. Generaliza¡ el resultado del Problema 1.152. u¿ fi. 1.149. 4. "dar ¿ letras en los 1.)va".8. 1l 1.(i)' una interpretación combinatoria. 1.154. ¿Cuál es la probabilidad de que obtenga el 5 suponiendo que los oüro¡ tres jugadores en conjunto tienen (a) un cinco. Un jugador de póker tiene las cartas 2.¿De cuántas maneras pueden colocarse 4 bolas idénticas en los compartimientos? (b) Resolver el problema si hay n compartimientos y r bolas. . una interpretáción combinatoria.t't .1ó3.50 si el juego se ümita a B lanzamientos.:). CONJUNTOS Y PROBABILIDAD 37 (c) Un estanque contiene 6 compa.ISrí"r"ncia.148. (b) dos cincos._ \r/ (1 + r¡t (1 + o¡"-t y hallar el coeficiente de ¡j en el producto). 1. . Desea descartar el 8 y remplazarla por otra carüa que espera sea un 5 (err ese caso obtendrá una "escalera").151. (a) Un estante contiene 6 compartimientos separados.54 obtenga exacüamente I ¿-c / r\k sobres correctos ". Demostrar que la probabiüdad para que la secretaria del Problema 1.\¡/(.11)'-* 1i)'-l \"/ \o/ \t/ . que (Sugerencia: Consi¿s¡ar 1. Resolver el Problema 1. Este üipo de problema se presenta en física en conexión eonlaestadística Bose-Einstein.541. 1. (c) trer cincoe. (c) los cuatro jugadores tengan un palo completo. ¿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. (ü) tres jugadores.150.6.155.cAP. 1.' Denoüando la probabilidad deseada comopñ (a). demostrar que p"(a) = 1 fipn-o (0) y luego emplear el resultado del Problema 1.

En general una variable aleatoria tiene algún signifrcado físico.2. f(a) > o 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. Comúnmente se denota por una leha mayúscula como X 6 Y. DISTRIBUCIONES DE PROBABILIDAD DISCRETA Sea X una variable aleatoria discreta y supóngase que los valores posibles que puede tomar están ordenados en orden creciente de magnitud. Esta función se llama wriable aleatoria (o uariable estocastiea) o función más precisamente función aleatoria (función estocástica).. f(¡) : 0. Supóngase también que los dados por rr . definida por r) = l(a) si Para¡ : nr (2) se reduce a (l) en tanto que para otros valores de r. (I) de (2) Es conveniente introduct la funcíón de probabilidad. Así en el caso de CC'(es decir 2 carae) X :2 e¡ tanto que para SC (1 cara) X = 1.Capítulo 2 Voriobles qleqtorios y distribuciones de probobilidod VARIABLES ALEATORIAS un espacio muestral asignamos un número. x2.. Repreoénteee por X el número de ca¡as que pueden resultar. por ejemplo el cuadredo del n(rmero de carac.>Í(sl = t 38 . etc. 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. Se concluye que X eo una variable aleatorir. En general f(¡) es una función de probabilidad 1.. geométrico u otro. Supóngase que se lanza una moned¿ dos veces de tal forma que el espacio muestral es ¡f : {Cq Cg Sq SS). Í! valores se asumen con probabilidades dadas por P(X=ryl=f(rx\ P(X = k=L. Así definimos una en el espacio muestral. el nl¡mero de caras men(x el número de eelloa. Tabl¡ 2-1 Punto muestral cc E cs I sc ss 0 x I Debe ob¡ervar¡e que también podrían definirre otras muchac variables aleatorias en este espacio mueehal. también conocida como la distríbución probabiliM.

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

Entonces definimos la probabilidad de que X se encuentre entre ¿ y b como P(a<X<b) : Í"' f (n) d. EJEMPLO 2. que son verdaderos en general. Por tanto no podemos definir una función de probabilidad en la misma forma que para una va¡iable aleatoria discreta (págrna 38). Este hecho permite obtener la función de probabilidad a paftir de la función de distribución. 2-3. deben notan¡e. 2. F(r) se mues- Los aspectos siguientes acerca de la función de distribución anterior. 1. 2. pagjna 38. 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. Esto se expresa matemáticamente estableciendo que la función de distribución es continua por la derecha en 0. Debido a esto se dice que es vnafunción monotónicamente creciente. 714 corresponden exactanrente a las ordenadas en la Fig. 2-1.3. tomando valores desde 0 hasta 1.@ e -. la función de distribución para la va¡iable aleatoria X del Ejemplo 2. El valor de la función én un entero se obtiene del paso superior. Para llegar a una distribución de probabilidad para una variable aleatoria continua notamos que la probabilidad de que X se encuentre entre dos ualores diferentes tiene significado. nos conducen f(r) tal que o a poshrlar la existencia de una función 1. Debido a la apariencia de la gráfica de la Fig. Sin embargo hay una probabilidad mayor que cero de que X esté entre 145 y 150 centímetros.40 EJEMPLO VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD lcAP. A medida que procedemos de izquieida a derecha (es decir subiendo la escalera) la función de distribución permanece igual o aumenta. . Las magnitudes de los saltos en 0" 1. 712. la probabilidad de que su estatura X sea precisamente 147 centímetros sería cero. por ejemplo.2 su 2. 2 son LlA.n (6) . Si se selecciona aleatoriamente un individuo de un grupo numeroso de hornbres adultos.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.4. 3. Estas ideas y la analogía de las Propiedades 1 y 2. f(r\ > 2.)I__ f(r\dx=r donde la segunda es una proposición matemática del hecho que una variable aleatoria de valor real debe ciertamente encontra¡se entre . 2-3 frecuentemente se le llama función escalera o función paso. (o) Halar representación gráfica.

n. En tal caso podemos remplazar cualquiera o ambos de los signos ( en (6) por Así. (o) HaIIar la constante c para que Ia función f(r¡ = {"^* L0 sea una o.UU ¡( 0 entonces F(.'!. #f.r) = P(X=r) f(r).'" de otra forma " función de densidad y (b) calcular P(l < X < 2). = # + F(r) = fo" . = 13 t'n ¡3 . ou + f"'f@)au = fo'!u. (b) Emplear P(l < r = 2\.ru.l-*Ít'lol' = )ow2dr . 2] VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 4L Podemos demostrar que esta definición satisface los axiomas de probabilidad dados en la página 6.5.'U". EJEMPLO 2.tu.-g ec y puesto que esto debe ser igual a 1 tenemos c: tl9.t) = 0. 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). el (o) Tenemos F(r) = Si P(X = r\ = o" Í__.n* =.6. (b) P(1< p(r<x<z) -.5.CAP. Entonces de . definimos la función de distribución F(x\ para una uariable leatoria continua por F(. : P(. Una función f(r) que satisface los requisitos anteriores se llama función de probabilidad o distribución de probabilidad para una variable aleatoria continua.f. página 39.1é/27 0<'<3 fr Obsérvese que s>s F(r) aumenta monotónicamente desde 0 hasta 1 como lo requiere una función dedistribución. la probabilidad de que X sea igual a cualquier valor determinado es cero. . (a) Hallar resultado de (o) para hallar el signo en (7\ puede remplazarse por la función de distribución para la variable aleatoria del Ejemplo 2.5. pero con mayor frecuencia se denomina función de densidad de probabilidad o simplementn función de densídad. V) En los puntos de continuidad de EJEMPLO 2.?1.au f""oou = 1 Por tanto la función de distribución pedida es r(o [o F(r) . lo que supondremos al menos se establezca otfa cosa. = Í. 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').a1X<r) s = J_-" ¡p¡au f' ( si se desea. debe satisfacer la propiedad 2 para ser una función densidad.. (a) Ya que f(r) satisface la propiedad 1 si c ? 0. en el Ejemplo 2. También debe observarse que F(r) en este caso es continua. Si 0 f: x 13 entonces F(rl Si¡>Sentonces = ou fo' . = *-h=:h 7 En el caso de que f(r) sea continua.

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

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

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

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

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

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

supóngase que tenemos un objetivo en la forma de una región plana de área K y una porción de ella con á¡ea K1 . (r) es la función de densidad marginal de X. puede ser menos probable pegar a áreas externas.Definimos '(r) y fr(r) es la función de f@tr) = y la llamamc y8 ## es ('t g) función de probabilidad condícional de Y dada probabilidad condicional de X dada Y es X. Por 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. Fis. Entonces es razonable suponer que la probabilidad de pegar a la región de área K. Lógicamente pueden plantearse ohas suposiciones. El tipo de suposición empleado define la función de dishibución de probabilidad.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). etc. Y : y) es la fi:nción de probabilidad conjunta probabilidad discreta para X. y) es la función de densidad conjunta de X. Y. APLICACIONES A LA PROBABILIDAD GEOMETRICA Varios problemas en probabilidad surgen de las consideraciones geométricas o tienen interpretaciones geométricas. Por fe1ü = dadoquerlX(r*dres Ll++ r(r¡ I &s¡ donde f(x. Por ejemplo. Análogamente la función de r(rlut = Algunasvecesdenota¡emosa @+¡ Estas ideas se amplían ejemplo. 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. la función de densidad condicional de Y dada X ¡1xlu) y f(alr)porfr(rla) I fr@lr)respectiva¡rente.AP. Y son variables aleatorias continuas. yl = P(X : Í.2-7 . fácilmente al caso en que X. es pre porcional a K¡. entonces (42) P(Y=ulX=r) : f\*'') f donde f(x.48 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD IC. /. Por ejemplo. (B: Y: J).

variable aleatoria X es la suma de las coordenadas para cada punto. (c) LospuntosmuestralesparaloslianzamientosdeunpardedadosestándadosenlaFig. garaX:5 corresponden los cuaho puntos muestrales (1. (b) Consbuir una gráfica para esta distribución de probabilidad. 2-8 o en la Fig. Utilizando el hecho de que los 36 puntos muestrales son igualmente probables. (2. Así para (3.Jo 4/36 2/36 (ó) Podemos emplear un espectro o un histograma como los dados en la Fig.4).2). así que cada punto muestral tiene probabilidad 1/36. Supóngase que se lanza un par de dados honrados y que la variable aleatoria X denote la suma de-los puntós.2) tenemos X : 5.Po¡ ejemplo. 2'9. Nótese que en la Fig.s restreltos VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCRETAS 2. de acuerdo con si deseamos considerar a X como va¡iable discreta o continua. (a) Obtener la distribución de probabilidad paraX.cAP.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 49 Problerna. 2-8 la suma de las ordenodas es 1 en tanto que en la Fig. (3. obtenemos la Tabla 2-4.1) así que la probabilidad asociada es 4/36. .3). Tabla 2-4 'x 1'17'página18.1.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/. 2-9 la suma de todas las óreos rectangulares es 1. (4.

D:3. siA e¡eleuceeo"niñott. Obsérvese que el cero del eje r se ha desplazado. tenemos P(eractamente r niños) = P(X = r) = . c.c. A y A'.(i) \-'l /r \3 f(r) r/8 3/8 L/8 (b) La Eráfrca va¡iable X como discreta o continua. (c) Hallar la disgibución de probabilidad de niños y niñas en familias con 3 hijos. (b) Représentar gráficamente la distriUución en (o). donde cada intento tenfa dos resultados posibles. Fig.)"(t'-' = . (a ) EI Problema 1.2.2 1/36 2fr13 3/36 3fr<4 6/36 4f s<5 sslso rr<"<rz I 12 0123 Número de ¡lños X = ¡ lrlq Fig. 0123 Número de ¡¡iñoc X = ¡ Fis. f(r) = .46 trató el caeo de n intentos mutua¡t¡ente independientes.".L y (b\ repr€sentar gráficamente esta función de distribución. Enüonces de los resultados del Problema 2..(. ip=q:L12. dependiendo sobre si deseamos considerar a puede representarse como en la Fig.. (a) Hallar la función de distribución F(r) para la variable aleatoria X del Problema 2. 2-10 o en la la FI. suponiendo iguales probabilidades para niños y niñas.1 hallamos F(rl = 0 -e 1r<. I 3/8 .2-L2.2 2.50 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP.(. 2-10 (o) Tenemos que F'(r) = P(X = tl u=x 2 Ífu¡. La función de probabilidad para X.JNCIONES DE DISTRIBUCION DISCRETA r/t 2. Este re¡ultado se aplica a este problema bajo la suposición de que los nacimientos eucecivos (loe "intentoe") eon independientes en cuanto se refiere al sexo del hijo. 2-11.) 3 se indica en la Tabla 2-5. Por tanto. Se encontró quelrr probabilidad de obtener eractamente r veoea A en los n intentos es icrp'q. (Obeérvese que X se define sobre el eepacio muestral de tres inüentos). 2-ll (b) Véase Fig.)' Tabla 2-6 fr 0 donde la variable ale¿toria X representa el número de niños en la familia.¿6 2r/36 18/3rt 15/36 12/36 9i 36 6/36 3136 .on probabilidadesp y g: 1-prespectivamente.3.t-. F(r) 1 33/36 30/36 27 i36 I 24/'.".

" r¿*l = ?['*-'(1) . _./J f = " =.cAP. (b) Hallar la probabilidad de que f(r)=c/(n2+l).(-.6. f .. (c) Hallar la función de distribución F(*) para la va¡iable aleatoria representar gráfrcamente esta función de dishibución.itan-rc . I -u.6.. la constante c.r12*L =zC' oJ6.2l VARIABLES ALEATORIAS Y DISIBIBUCIONES DE PROBABILIDAD 51 2. Hallar la función de distribución conespondient¿ a la función de densidad del Problema 2. t:_flu)ttr = 1.'= J-.\r-..6.rr_rrl. acf que c=Ur..entonces ó -l < x = -f.2 obtenemo¡ F(rl (ó) L8 gráfica = de la función de distribución de (o) se muestra en la Fig.t¿n-r (+)] I = z(z-z\ = 6 6/ "\4 2.2V @) (o) Uüilizando la Tabla 2-5 del Problema 2. X del Problema 2. z2 = 1 (ü) si* = x2 =t. )? estÉ entre 1/3 y 1.<6.12 + | = "t"r-rrl r-o = "L. 1 C" F(r) = )_-t{")a" = i)__ n du _ = !l-t. rL t__J = 11h. F(¡) I 7t8 6/r 6tE 4/E 3/8 2t8 I UE t Fig.2-13 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2./ -\-'l (* :u.4. t*tantolaprobabilidadpedidaes t(-'lstt oJ-t dn *lft dr IL'rJ¡5. Un (¿) (a) Debemostener aXtienelafuncióndedensidad o". 2-13.r . donde -o(ú.-.e¡décir t-.ran-l(--)J = l[r*-' " "if = i.

(a) tos puntos muestrales (r. = = F(2) = | . y pueden tomar todos los valores enteros tales que 0 < n 3 2. debe ser igual a 1.F(-g) = (1 -e-e)-(0) = l-e-B DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2.du = -e-2"1 = L-e-8 lo l{ Otro método. donde r.2 2.y f(r.8. Y = l). (b) la probabilidad de que X > 2.e-4.¡l = f2"-u l0 r)0 r10 le-1 (ó) P(X>z) Otro método. (c) Hallar P(X>l. 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. Por tanto. Puesto que el gran total. La función de probabilidad conjunta de dos variables aleatorias discretas X. fir-\ = dt l-F1.Y s2\. P(X>z) = f -(1 -e-r) = (c) e-4 p(-B<x<4) = ln¡rulou = f_roa"+ ton2r-r.. y (c) la probabilidad de que-3<X<4. (o) Hallar el valor de la constante c. 0 = U < 3.42c. (b) Hallar P(X =2.62 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP. tenemos que c : L142. Tabla 2-6 Y X 0 0 0 I c 2 3 Totales ü I 2c 4c 6c 3c 5c 6c I .A) = c(2r *y).) 2c 4c 6c 3c DC l4c 22c 42c 7c L5c Tota les+ 9c l2c . (o) .U\ : 0 de otra forma. se indican en la Tabla 2-6. P(-3<X<4) = P(X=4) -P(X<-3) = r'(4) . y) para los cuales las probabilidades son diferentes a crero se indican en la Fig.7. )-11. Por defrnición P(X =-21 = )" ze-z"du = -u-r"1. Y estÁ dada por f(r. las probabilidades asociadas con esos puntog dadas por c(2x * y).

2<Y <3). P(X=2.9.10. La función de densidad conjunta de dos variables aleatorias continuas X. Si las variables aleatorias.Y=l)=5"=a 42 (c) De la Tabla 2-6 determinamos que P(X>t. Hallar las funciones de probabilidad marginal (c) de XV (b)de Yparalasvariablesaleatorias del Problema 2.9.r du = I ..u) d.Y=L) + P(X=21 P(Y=L) E resultado también se deduce del hecho de que la función de probabilidad conjunüa. P(X = t. (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. De estos vemos que 6c=L/7 | P(X=r) = ft@) = jUc=1/3 verificación:l+1*11 '7 3'21 (b) La función =r r=0 u=t.8 (b) y 2.u) = lcnU 0(r<4.{.11. Y es f (n.Y=\ = asr que h P(x=4 = # P(Y=l) = I (2x rr y)142. y. como se determina de los Problemas 2. no P(X--2. 2. Y <2). (o) Hallar el valor de la constante c.8. puede expresarse como una fi¡nción de ¡ veces una función de y.8 son dependientes.Y : A) = P(X = r\ P(Y = Y¡ Pero. 2.Y<2\ = t2l (2c g32 * Bc 1'4c) -f (4c*5c!-6c) :-: 'L 42 4 n otcomo se indica por las entradas sombreadas en la tabla.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD De la Tabla 2-6 determinamos que 53 (b) P(X=2. es decir | | f@. 1<g<5 de otra forma 1o (c) Hallar P(X>3. De estos vemos que P(Y=Y¡ = verificación:1*3 +!+1 ''7 74'7 t4 fz( =t 2. Y del Problema 2.cAP. (b) Hallar P(1< X <2. (o) Debemos tener la probabilidad total igual a 1. Y son independientes debemos tener. 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. para todo r. Demostrar que las variables aleatorias X.

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

LL se observa que la función de densidád conjunta para X. En el Problema 2.l\ (r6)(24) Fig.11 hallar P(X+ y < conjunta de 3). 2-16 hemos indicado la región cuadrada 0 ( ¡ ( 4.t : 5.13. región sombreada en la Fig. 2-15 2. av = ut-[:. ! c(t = c : F(r. [f=.¡ ryl96 sobre fi.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.ul = fr(r) f2(y). 2-I6 .2l Para y VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD OD = 5. En la Fig. y) : Fr G\ Fz@). 2-16.Yl = rz(az .' *u au)a* Fig. 2.14. Se deduce que X. de tal manera que su función de distribución conjunta eetá dada por F(r.L2. F{A) = 0.cAP.(ul = { (. !""=.F(r. l\¡. Para U < l. 2-15 muesha la definición por trazos de . podríamos remplazar en la expresión anterior [o u<r : 1. Puesto que f(x. Y son independientes.n ffia. La probabilidad rc. 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. y) resultante. o 0 ( ¡<4 f de otra forma . J ( por < . esta probabilidad está dada por 'í Í"'=.11.Y es diferente de cero. Del Problema 2. t = 1.F ¡ (r) V Fzp) se determina¡on en el Problema 2. 3. Y puede escúbirse como el producto de una función en r veces una función en y.¿v I < Y < 5 [ 0 de otra forma L/96.. Fz@) = 1. donde J tt. En efecto. Y del Problema 2. Las distribuciones marginales .| l rr. la Fig. Halla¡ la función de distribución conjunta para las variables aleatorias X.

esto es. págir. u aumenta a medida que r aumenta (Fig. 2-1'7)._-.. Entonces. .66. Análogamente podemos demostrar ('36) para el caso donde . Véase Problema 2. pá$na 46. Dr P(r1<X1rz. Jtl r s(u.rl duda = f"' (''' Ju. página 46.a).a todo u1 y u2 solamente si los integ'andos son idénticos.16 ó P(ut<Uiu. ) O.1)llJ duda ("' ("'n. pá$na 46. El teorema también se puede demostrar si rl'(u) 0 ó r/'(u) ( 0. Primero suponemos que a medida que r.t'@) Este es un caso especial de (34). como puede deducirse de la figura. (r) (t tlt(u) es una P(ut LI 1tt"): P(rtlX1rr\ f¡7 (2) Remplazando x escribirse como /'ü: | t\u) titr 'ul |.¡. u) ellacobiano. para el caso donde J 0. (2) puede Fig.. | trrr J| s(u.2fu. Por tanto = fI¡rfu. y crecen.17.. Para el caso donde rlr'(u) -< 0.f .56 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP. 2 lu=rd' CAMBIO DE VARIABLES [r(3-r)z r 'rldr 48 2.o'tlJ J< que es (3ti).z 46. podemos demostrar que u y u también crecen.fl.u11V1o.y) fe2 dr dy Remplazando avanzado que r : Út@. es decir g(u) _..=o g6.4v. donde ry''(u¡ ) 0 (es decir la penCiente es positiva). "rl "" /{.a) a@'a) donde es d\u. Primero considere el caso donde u : ó@) 6 x : tenemos función creciente. Demostxar el Teorema 2-4.u.u).r\uti. pá4ina 46. Igual que en el Problema 2.v)dud.15. = 2.\: ?u. y : Ju.67). L es una función decreciente de ¡. Ju.2 1 L (" = J. Demostrar el Teorema 2-t. 2. esto es. La función de probabilidad para U está dada por s(u) = P(Lt ") = Plo(x) . 2-17 f . Demostrar el Teorema 2-3. 92fu. u).(' 'u2 l3-' '. también podemos demostrar que (31) se cumple (véase Problema 2.u .' ut 12 : ¿ ttt V@) en la integral al lado derecho..16. ' olü au = ¡'tl f ¡¡gqullv'tu:du Esto es válido pr.. u) en la integral de la derecha tenemos por un teorema de cálculo flrrtu.páqina 46. Úz(u.At<Y<Az) = | fre | l(r..1 .= fu ).Ll Plx = gfu)) = f lv@)l En una manera análoga puede demostrarse el Teorema 2-2.

Como se obeerva en esta ffuura el intervalo . u= r+11 6 r =n/F1. | . HaJlar la densidad de probabüdad de la variable aleatoria U = )? donde X es l¡ va¡iable aleatoria del Problema2.3 ( 6 corresponden a los valores para los cualeo 0 S 36 como se muestra en la Fig.+ l larelación entre loe valoreedeuyrdela¡variablesale¿torias donde u:2.I9.Loe valore¡ de u que correrponden a¡= ..3 y* = 6 rcn u = 6 y u -2re¡I¡ectivamente.¡función u = 2. du ¡5 <tz:_su..sutz¡21 ]. La función de ptobabiüdad de una variable aleatoria X (2-' ü=1.U<u) = P(-B<X<\fr) = J-s f@lA. Los valores de r para los cuales.)óx:L2-3u.. U: * .. 2. En este caso no podemos emplear el Teorema 2-4 directamente ¡rero podemor proceder de la manera eiguienüe. Tenemos tL = tr2 ó r = *\ñ. f(r) = to de otra forma Halla¡ la probabilidad para la va¡iable aleatoria a = X4 + Puesto que l.Enüonce¡1.e por el Teorema 2-3.. o el hoblema 2.. recfprocamentg. de probabilidad pedida para U ea ( z-ni i s("! = 1o utilizando el Teorema 2-1.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD es 67 2.19.2O.tt¡¡f". de otra forma . página 46.!7.E2.18.2 = _.2."1:-.17.3 ¡e deduc..3.A¡íparacadavalorderhayunoydamenteu¡valordeuy función de densidad para U ee s(ut Verificación: = ilt'. o por el Probler¡¿ 2.. UyXqtídadapor y8€hatomadol¡raízrealpositiva. Puesto que ú'(u) : dx/du : .'ll = 1 2.cAP..16.82.2-lt 5 r¿ = 9 tenemos G(u) = P(Il =ul = P(Xz=u) = Pl'-\n=X=rF'l nñ = J| -V-¡ Í@rar Perosi9(u(36tenemos G(u) rfr. página 46.3 ( ¡ < 3 corresponde a 0 s z s 9 er tanto que 3 (¡( 6 corresponde a 9 ( u ( 36. 2-18. La función de es disüribución para U G(ul = P('tlu') Entonces si 0 Fis. = P(. 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 ¡. .16 que la Tbnemosu:tl3(L2-f. 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).

= {. El Jacobiano está dado por Fr 0r J_lr"0o oa lüu la" att lo =l I 1 11 -. lo1u114 de otra forma . Por üa¡¡to la región 0 I r 1 4.u). Y tienen función de densidad conjunta r(x. uear¡do la regla de c@l Utiüzando la definición dada de = f(r) eeto se convierte en 0<z<9 9.a) (véase Problema 2.-ro 0 6<¿<10 f4 afu. Entonces la ¡olución ¡imultiinea re¡ulta r : u.2 < u . = 2.58 VARTABLES ALEAT1ORIAS Y DISTR. etcogiendo arbitrariamente l¡r eegunda relación. u : r. Si las variables aleatorias X. le * fil2136 z4B l. 2-19. 1 tZ _1.11) hallar la Método 1. función de den¡idad g(u) ee l¡ derivada de G(u) tonemos. 2-r9 Entonce¡ por el Teorem a 2-4 la función de densidad conjunta de U y V (u(u-t:l/384 21u-o( 10. 2 ea - Fig. 0 < a < 4 g(u'al = de oEa forma {o La función de den¡idad marginal de U está dada por 21u<6 ctfu) = f"^=oWo' J.1. ! : ll2(u .IBUCIONES DE PROBABILIDAD Pueeüo que la [cAP. función de densidad de U = X + ZY.=.r'nu ffr:i:0" 'Sea u = t I 2y.ol =#¿" .<¿<36 de otra forma 21rsrz Verificación: zlb.21. 1 < y ( 5 correeponde a la regiiin 0( u ( 4.u 110 que ¡e muesEa eombreada en la Fig.2 l*ibníz (12).

2)2 (u reeultado dd método L para 6 ( u ( 10.' I":". 2-19. u = x2 y .L(y(Senelpla' (véase Problema 2. Nlétod.ytdrdy " = ÍÍ fta. V = )PY.a) : {*''nu de otra forma :':' 0 L = XYz.au i*Z=. El Jacobia¡¡o estó dado por .2-2L 2. Mo ¡oe conducealasolucióneimultánea s=p2/34-r/t. Si las variables aleatorias & Y tienen la función de densidad conjunta 4' L <s <5 f(r. 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 1.22. Fíg."'' gunoo = Í"::'lW-#fo' + 4)t2304.21. eüc.a función de di¡tribución de la variable eleatoria X + 2Y erüá dada por P(x *zY É ut = Íl rr2y 3 t@. [.y=y2/3p-rl3.o 2.11) hallar la función de densidad conjunta de U no uu está dada por o<azlgu-r/t<4 gue son equivalentee a .i 1<c<5 Pa¡¿ 21u ( 6 obserraÍros al r€ferirnoo a la Fig.cAP. 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. I/aimagende0(x14. 2. Considére¡e u : xy2 .2l como VARHBLES ALEAI"ORIA"S Y DISTBIBUCIONES DE PROBABILIDAD 69 'lar p determina refiriéndo¡e a lae regioner ¡ombreadas I. 2'20 gue la últim¡ integral ee igud a Í"--. IL m de b Flg.2-2O Fig. Al dividir egüa¡ ecúaciones obtenemoe y/r = u/u aef que y = ut/v.

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

23 la función s(ul = t'.o{üau = tfo'k-r"-"-rv\d. Si X.olver el hoblema nes de densidad f t@).u:-dw.f2(u-t:ld.f¿ .rru-u)f2@t)(-d. de densidad de U: X * Y e¡ y): f t@) fz(yl.27.l) = 6(e-zt . obtenemos (-' Ítrfz = . (o) Empleando los ¡esultado¡ en los Problema¡ 2.<0 L0 ü>o * fg"-to a=o " frfu\ '-\e' =1l0 a<0 Y.cAP. Y son variables aleatorias independientes que tienenfunciof. Y son variables aleatorias independientes que tienen funciones de densidad ft@l =112"-t' .ar@u . pígna 47\" Tenemos Ít* fz = | /r(") fz@-o) Jo=-a Haciendo fa da u)= a..26. En este caso la función de den¡id¡d eonjunüa et f(x. Ve¡ific¡ción: ao ifui = 6o. Por tanto Cful = | JO f! (2e-2ül(ge-sru-u))do (" = 6"-su. 2.e-tr¡ f -'.f 2* f1 (Propiedad 1.d.f .- u de tal maneraque u = u-u.u = (.24. (y) respectivamente.8 y 2. R'ex.{olf2(u-olito = f t* fz que es la conuolucidn de h y fz.25.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD 61 2.8.a J_ú En el integrando f1 se anula cuando u ( 0 y f2 8e anula cuando u ( u.w) = (" DISTRIBUCIONES CONDICIONALES fz@\lt@-u)dut = fz'ft "/u=-n 2. Demostra¡ gue fi t. halla¡ la función de densidad de su sumao U = X Por el Problema 2.23 si X.9 t¿nemo¡ ftutrt = arf que con ¡ : 2 ffi:*+#t f(ylz\=g#f=+ P(Y=rlX=2\=/(1l3r=*z (ó) .241a función de den¡idad pedida es la convolución de f t y fz y eetá dada por c@) = ft*fz = f' fr(o. HaJlar (al f(y l2). así que por el Problema 2. 2.fw=n .to ¡iu>0yg(u):O¡iu(0. (b) P(Y : 1lX : 2'¡ pan la distribución del Problema 2.-*) = 1 2.

Análogamente. Pa¡a los ohos valoree de r. !2@) Para = Í' Brydr = 4aÍ-u2'l lo¡ otros valores de y. (b) la densidad marginal de Y. pa¡a 0 ( y ( 1. f2Q): O. El re¡ultado es para 0 (y(r.. (b) P(v > + I + < X <*+d'r).i¿¡t\ = {o (2r/(L-azl a=r=l otra¡ O. = t¡*} ftulr\ h¡a oü¡o¡ ralore¡ de = definid¿. ft (¡) = (b) 0. Si X.62 VARIABLES ALEATORTAS Y DISTBIBUCIONES DE PROBABILIDAD lcAP. hl. 2-23. (c) la densidad condicio nal de X.* :". = Í.): fz@lr\ = !(u'a'-l = {'u'* h@\ lo La funeión de densidad condicional no está definida cuando JFr o=u=r otray (¡): 0- . y) er diferente a cero sombreada en la Fig.) = Jt=o Sxydy .2 2. ft@la) (d) = ffi .a) = {i. para 0 ( r ( 1.4¡s pare 0 ( ¡ ( 1. (d) la densidad de Y. (o) Para 0kc(1. rt*) hallar (a) f(alr). dada I 16 2. 2-23 (c) La función de den¡idad condicional de X ec.2-23.2E. La función de den¡idad condiciond no está defrnida cuando L8 función de densidad condicional de Y es.'. /(¡ | y) no ertó (ó) P(Y>l¿l+<x<l*drl = tr*.rYP* está.t'o<a<r [0 se muestra Hallar (a) la densidad marginal de X.rlrol+)0. (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. la deneidad marginal de Y se obtiene fijando a y e L.a) = {t^" de otra forma 1=1=.¡. Y por f(r. : J'(i**r)0. La función de densidad conjunta de las va¡iables aleatorias X. 2-23. Fig.ffr:j:r. como 8e integrando con reapecto a ¡ desde r = y hasta Í: indica por la franja horizontal en la Fig. La región sobre la cual f(r. El resultado es (' Ítu.29. Y tienen la función de densidad conjunta r(r. ¡.

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

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

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

2-28. do por U: XY. 2. Hallar la función de densidad de U : Método f Sea . !: u/u.3') = g F(z.Y es f(.66 VARIABLES ALEATORIAS Y DISTB.ntonc€. B.1) ó &: a2 6 PortntoY:*tE. 2-2t (h) Las va¡iable¡ aleatorias aon dependientee ya que f(r. obtenemos oha erpreción.2 Cuando (¡.8 elJacobiano eetáda- .36. Br2 .¡) = I F(r'Y\ = I F(r. y).a\ - o Fig.y 1 l. para 0 ( r. r): P(ts< yI e¡ decir la¡ funcione¡ de Jo f " au$ - u) ttu = (u Prt(t Jo BAI t)2) d. etc.yl = F(r.y) = I 2z2y*xy2-8!-ZV2 420 F(x. V: X.84.2rs = - 2U8 a = h(r) = ¡fi e8 u¡¡a rolución. lo que er equivalente F(r.vl -| F(r. Si X tiene la función de densidad f(s) = Halla¡ la función Y { l6rÍ-r\ L0 o(o(1 de oha fotma : h(X) que tenga la función de densidad s@) = {:zf(r-a\ 0 |. u: x 6r:u.r.Y=y:l¡(*)üienenuna correrpondencia uno a uno en una forma continu¡.yt = d+# F(r. F(r. Por tanto. i) ¡e encuentra dentro del rectángulo. Por incpeccióa.IBUCIONES DE PROBABILIDAD [cAP. P(X = di¡tribución deben ¡er igualee.al + Fr(r) F2fu). ala¡cuales correcponde u:Í1.Entonce. 2.yeatarolucióntienelaepropiedadeodeseadas. Lor result¡dos completoe se muestran en la Frg.al + ft@lfzfu) o. o<Y<1 de otra forma Suponemoequelafunciónde¡conoeidahestalqueloeinüervalocXSr. Xf si la función de densidad conjunta de X.

u) s(u = 6r\".36.anto la función de densidad conjunta de U.f_: t f"-. t"...cAP. a Fig.r\.SeobservaqueXpuedetcmarcualquiervalorentreOyll2.IBUCIONES DE PROBABILIDAD arl ú .Se deduceque . 2-30 2.ú J _* = J_-. )0.. (Este problema es conocido como el problema de la aguia de Buffon).. Hallar la probabilidad de que la aguja intersecte una línea.'.Denotamos porry0cualquiervalordeterminadodeXy@.r du ft t / G(u) = lf ¡gSu Pa¡a u =.ü d.(..u. V es | .X)* por la hipérbola a Q.y\<t1¡)ar Derivando con respecto a u utilizando la regla de l.2-29. 2-29 Fig. Observamos que G(u) = .."\ ) aa a partir de La cual se obtiene la función de densidad marginal de U../ . obtenerños g(u) : f: (+) . La función de distribución de U es = o@. 2-29.la" | J _ l^ tdfr árt l# #l I o 1 | | lo-t -u..0 la región de integración ge muestra sombreada en la Fig.(. Un piso tiene líneas paralelas a distancias iguales I entre sí. s(u) Método 2.y¡aylar * [o'll:-' r(r.:)a. 2-30 )' Sea @ una variable aleaüoria que da el ángulo agudo entre la aguja (o su prolongación) y la línea. Una aguja de longitud a1l cae aleatoriamente al piso. + !o'i.1)* = Í:"ár('. Sea X una variable aleatoria que da la distancia del punto medio de ta aguja a la línea más cercana (Fig.r\. También @ puede tomar cualquier valor entre 0 y ¡l2. cuando la región de integración está ümitada El mismo resultado se obtiene para u ( trazos en laFig. asíque 0 s ¡ < t/2.2l VARIABLES ALEATORIAS Y DISTR.eibniz.t-zl | _u-r Por.

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

42. de digtribución para la variable aleatoria del Problema 2.48. 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.rlo s VARIABLES ALEATOBIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCBETAS 2.42. (dl P(X < 3).19.46. (c) P(X >21. Una variable aleatoria X tiene función de deneidad f(n) = | "r' 1 "r L0 L< aé2 21r13 de otra forma . Rnpre*ntar gráfrcamenüe las funciones de densidad y digtribución.cAP. (a) Construir una üabla que muestre la distribución de probabilidad de X V (ü) FUNCIONES DE DISTBIBUCION DISCBETA 2. 2. La función de probabilidad de una variable aleatoria X ee muestra en la Tabla 2-7. describiendo la relación entre ella¡. la con¡tante c.IBUCIONES DE PROBABILIDAI) 69 Problenra.44. probabilidad. 2.2. 2. Hallar la di¡hibución de probabilidad de Z. Hallar la función 2. Resolver el Problema 2.2l VARIABLES ALEATORTAS Y DTSTR.40. 2. s).47. 2.E¡ suplernenta. Obtener l¡ función de dishibución y su gráfica para el (o) Problema 2. Si se extraen doe bolas aleatoriamente sin remplazamienüo y X denoüa el número de bola¡ blancas. (r) P(.39 si s€ extraen las bolas c. Una urna tiene 5 bolas blancas y 3 neg¡a¡. 2. (o) hallar la di¡tribución de probabilidad para X V (b) repreeentar gráficamente la distribución. (ó) P(1 < X < 2). (¿) P(X > r. (a) construi¡ una tabla que muestre la distribuci6n de probabilidad de X V (b) representar gráfrcamente la di¡tribución.1 y 2.46. 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. (D) P(l < X g). (b) Problema 2.41.39. (D) Problema 2. Obtener la función de distribución y su gráfica para el (c) Problema 2. Sea X la yariable ale¿üoria que representa el número de ases extrafdos aleatoriamente en 4 ca¡tas de una baraja de 62 cart¡¡. Una variable aleatoria X tiene función de den¡idad l(x) Ilallar (o ) = 1o = (ce-g" c)0 rso (d) P(X < 1). La Tabla 2-8 muestra la función de distribución de la variable aleatoria X.41.38. Comparar los re¡ultados con los Ejemplos 2.89.4L. repreeenüar gráficamente la di¡tribución. Una moneda ¡e lanza tres vece& Si X es l¡ variable aleatoria que indica el número de caras que rerultan. (o) Conetrui¡ una tabla que indique l¿ función de dietribución de X y (b) representar gr6ficarnente e¡ta función de distribución.18.on remplazamiento.47.4O.38. (c) Problema 2. = Determina¡ (o) la función de VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2. 2.

(fl P(X = r). (g) P(Y = 3). 2.Y = 3). Demostrar que las variablec aleatoúas di¡ctetas X.60.52.64.54. Hallar (o)laconstante c. Y variables aleatorias continuae que tienen función de densidad conjunta (c(r2*a2) 0Ér< 1. Halla¡ las funciones de distribución 2. De'rerminar ¡i X Y son independientes. Y son independientes solo si poro todos los uolo¡es de x. Sean 2. Sea X una variable aleatoria que tiene una función de densidad (r. marginal (a) de X.ñ. 0= ¡=1 deotraforma 2. (d) P(l<X<2). X. (c) P(I<X< 2.56 para el caso donde las variables son continuas.Y>+).2. ¿Puede ser la función (c(I-12) F(r\ = 1o una función de dishibución? Explicar. (D) de Y dada X para la distribución del . (b)lafuncióndedensidad. y su función de probabilidad conjunta puede expresarse por el producto de rfna función en ¡ y una función en v. (b) de Y para la función de dencidad del Problema 2.69.54.(d)P(Y<{).57. (b) P(1-12< X <312). (e\ P\Y < 2). E)emo¡trar el resultado del Problema 2.49. SiP(X:3):0hallar(o)laconstantec. pendientes.!: L. X dada Y. 2. (b) P\X'> PROBABILIDAD [CAP. (c) P(X > 1). Halla¡ la función de probabilidad condicional (o) de Problema 2.56.(c)P(|<X<*). 2. (e)siX Ysoninde 2.ó8. cerode otra forma. Hallar las funcionee de probabiüdad marginal de (c) X V (b) (c ) y para las va¡iables aleatorias del Problema 2. DISTR¡BUCIONES CONDTCIONALES Y FUNCIONES DE DENSIDAD 2. Halla¡ la función de distribución para la variable aleatoria X del Problema 2. Y = 2). (d\ P(X > 21.3.(b)P(X<+. 0< gr< 1 f(r'u) = 1o deotraforma Determina¡(o)laconstantec. DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2.70 VARTABLES ALEATORIAS Y DISTRIBUCIONES DE Hallar (a) la constante c.67. (cl P(llz < X < 3/2).3. La función de probabiüdad conjunta de dos va¡iablee aleatorias discretae )d Y eet6 dada por f(x. (d) la función de dietribución.ót. f(r) = 1o 0=rÉ2 deotraforma Hallar (a) el valor de la constante c. La función de distribución de una va¡iable aleatoria X está dada por 2.56. (b) P(X=2. y): cxy parar: L. (c) P(X>l). 2.2. 2 2).63.

Sea dada X. (o ) Si la función de den¡idad de X es f(r ) hallar la función de densidad de X3 . hall¡rladensidadde Y = tan-rX. Si X tiene función de densidad f(r) Hallar la función de den¡idad de l"-. 2. (*e-2.2l VARIABLES ALEATORIAS Y DTSTRIBUCIONES DE PROBABTLIDAD 77 2.63.(¿) S 0. Hallar la función de densidad condicional de (c) Xdada Y. (ü) Y dada X. . Completar la labor necesa¡ia para hallar gt(u) en el método 2 del Problema2. Y. Hall¡¡ la densidad condicional de (c) X dada Y. hal|arlafuncióndedén¡idad deY=*.69. l.p6gna 46. para la digtribución del Problema 2.6!.71.6t.cAP. 2. 2.rl:j"<s<L Hallar la funcióa de den¡id¡d ondicional de (a) X dada Y. 2.66. Siladen¡idaddeXes f(r)=U"(r2 *1). DemostrarelTeorema 2-3.página46. (D) Y CAITIBIO DE VARIABLES 2. Sea la den¡idad de X Í@l = Halla¡ l¡ densidad de (¿) 3X (l/2 to -l<r(l deotraforma . (ü) *. -.*. Demo¡tra¡ el Teorema 2-2.62. (b) Y dada X. de otra forma [^ la función de ilen¡idad conjunüa de X.at = 1.57 .66.67. 2. 2. (c) r¿. (e-(r+u) x>0. SiXüienefuncióndedenaidad f(r):(2v)-r/2"-érz. n)0 = to r=o Y: X2.64.@) < 0.72.(ulZ 0. -a <a < .2. u >0 n1O 2.2L e¿ igual a 1. 2. (b ) Iluatrar el re¡ultado en la parte (a) erco$endo f(rl = i: l0 y verificar la solución.paraloscaso¡ (al g.7O. 2. (bl Xs + 1. < 5 < @.. si f(r.ú = { 0 J^ ^¿_. y>0 f@. 2. Veúfic¿r que la integral de gr(?r) en el método 1 del Problema 2.2I y verificar su reapuesta..

Sean X. 2.74. 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. yz0 deotraforma {o = X/Y.7t. Sean función de densidad de X. Doc puntor ¡e seleccion¡n aleatoriamente ¡obre un segmento de lfnea cuya longitud a o ) 0.77. CONVOLUCIONES 2. Sean X.22. 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' 2.76.). Si X.75. V = X I Y. Sea l(n'u) = ){ (1. -e 16 1o. 2. para hallar la función de den¡idad de U = X + Z. APLICACIONES A LA PROBABILTDAD GEOMETRICA 2. ofrf 1.r""""va¡iablesaleatoria¡taleequeX:R co¡O. 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.a) = (2r\-rs-(r2+Yt). Si.R y @¡ott tt. 2. osv51 to deotraform¡ la función de densidad conjunta de Y.t1.t2.2 2.8O. hallar la fi¡nción de den¡idad conjunta de U y V. 2. Y variables aleatorias que tienen función de den¡idad conjunüa Í@. Emplear el Problema 2. (bl V = XzY.emosha¡que (a) lt*(fz*fs)=ft*fz*ft*fs' (b)/rt'(lz+fs) =(/rof)*fs' = Z y lttryo utiliz¿ndo convolucione¡ 2. < U < @.72 VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD Verifica¡ por medio de integración directa [cAP. l¡ función de den¡idad conjunta h¡lloda en el hoblema 2.76.22 pare. y:8 ¡enO demoeEarqne la -@ I e¡ ob\=i ¡r"-tz/2 r=0 r'(0 l0 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.21 primero efectuando la Ea¡rdormacií¡ 2Y 2. Re¡olver el Problema 2. y tienen función de den¡idad onjunta f(r'u) = y tJ (e-(t+vt r>0.halla¡ la función de den¡id¡d de (a) U : XYz.79. Hallar la función de dengidad de Z = XY.8E. f.

es la función de densidad para una variable aleatoria 2. 8i no lo toma. . (e) H¡tlarP(X > 3). La función de probabilidad de una variable aleatoria X está dada por f(r) dondep es una constante. 2. (d) P(l <x<21. 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 . F(rl = 1"0_"_. (c) Representar gráficamente la función de den¡idad y la función dedistribución.t7. En el Problema 2.E4. (c) Repreeentar gráficamente la función de probabilidad y la función de distribución.0 {o deotraforma X. AB yCD tienen longitude¡ de 8 y 6unidadesrelpect¡vamente. Dos variables aleatorias independientee.2l VARIABLES ALEATORIA. 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. 2.S Y DISTBIBUCIONES DE PROBABILIDAI) 73 2.ln 2)lZ.91.. f(r) = ( cre-22 r >.9O. 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. deotraforma Hallar la función de densidad de la va¡iable aleatoria Y: X2 y verificar ¡u ¡olución. encontrar c.GlP(x+r>1). . (e) HallarP(2 s X< 3).. 2. (d) Hallar P(2 = X ( 5). 2. (b) Hallar la función de distribución. P(r=1). ¿Cuál es la probabiüdad de que tome el meüro? Se sabe 2.92. y la¡ 3:80 P.. M.u r€.DoopuntosPyQ se escogen aleatoriamente sobre AB y CD reepectivamente. Dos segmentoe de línea. P(l<x<2.t6..cAP.E8. Una va¡iable aleatoria X tiene función de densidad l$tr-¡z) o<¡51 f(xl = t. Supóngaee que 2. e¡ la función deprobabilidadparaunav¡¡iablcdeaüoriaX (o) Determinar c. ' PROBLEMAS DIVERSOS 2. (a) Demostrar que para una constante c apropiada.9L ¿cuil ea la relación en'tre la¡ rcluciones (c).t9.86.Y=ll. Supóngase que f(r) : cl3t. < X < 2).¡¡ue. (d) y (e)? Jurtifrc¡¡ . (b)P(X> 1). r :1. (o) Deüerminar a (b) Hallar la función de di¡tribución. X.(d)HallarP(X> 1). Halla¡ (o)P(0 < X< 3).t¡. M.1. tomará el metro. Un¡ pcr-na decide 6 minuto¡. t)o es la (0 rS0 (b ) Determinar P(1 función de distribución para una variable aleatoria X. 2.

X Y va¡iable¡ aleatoria¡ que tienen función de den¡idad conjunta f(r.1.( tt ( -. Y variables aleatoria¡ independientes cada una con función de densidad . y < g) = p(X > p(y < +. (c) Iüllar p(x<rlz.74 VARIABLES ALEATORIA"S Y DISTRIBUCIONES DE PROBABILIDAD sean lcAP. (c) HallarP(Y = r). y > 1).93. 0 os¡=2'o<Y=' de otra forma 2 (o) Determinar ei X.99. (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.(b)P(X>Ll2. Sean -(_ Y vari¡ble¡ aleatori¿¡ independiente¡ di¡tribuidae idénticamente y con función de densidad (2v)-r/2¿-úr2.94. f tienen función de den¡idad conjunta f (r' u) = t o llla 0(¡(U.s7. u=0.L se rompe en dos parües. * Y es ) 0.y> 1/B). (b) ttallarP(l S X< 3.1ü1. (d) Harlar P(Ll2 2.(u) = ¡1e:r donde l.101.2 2.2. Supóngase que la función de probabilidad conjunta de las va¡iables aleatoria¡ X.X2 + Y2. 2. x. dada en la Tabla 2-9. ..(c)lafuncióndedensidad 2.93 ee cumple que P(X > +.(d)lafunción Hallar(o)laconstantec.. Y está dada por I r/9 r/6 r(r. (c) Dererminar si X y Yron independienter. Generalizar (o) et hoblemz 2.103. ¿Cuál es la probabilidad de que una parte tenga una longitud mayor que el doble de la oüra? Indica¡ cla¡amente qué suposiciones se hicieron.a) = de deruidad (marginal) de Y. Estudia¡ ¡i considerra que eltar oupoeiciones Bon realistas y cómo podrÍa mejorarlas si no lo son.91 halla¡ la funciónde den¡id¿d de (o) X2.y>1). 2. En el Problema 2..96.98.Y<312). ¿por qué? +l En el Problema 2. 2. nal de X y f. Y son independientes.78 y (b) el Problema 2. (D) Hallarp(1 <x<1.102. ¿Cull er el análogo del teorema de la convolución para variables aleatorias di¡creta¡? Ilustrarlo usando el hoblema 2.96.0<U<t de otra forma P(X + (a) Determinar ai Y> rl2r..). t2<X< l). Hall¡r ta función de densidad de Z . 2. Y son independientes. o<Y <2 | c(2r+Y) o(¿(r' o de otra forma I (marginat)deX. Un¡ estaca de longitud .. Demo¡trar que la función de den¡idad de X s(u) I @# u=0. -.79 a tres o má¡ va¡iables. (d) Hallar 2. Sean X. La función de probabiüdad conjunta para las va¡iable¡ X. + y.L.ur = {"-'o |.. /(z) = 2. 2. (b) X Si -X.101.2. Y está. (b) Hallar p(X>tlz).

er igral a o(4t o\ltf . 2-32. .¿.cAP. Pa¡a una aguja de longitud dada ¿cull debe ¡er el t¡do del cuadrado en el Problena 2.a.s de radio q e dirige haci¡ un obietivo hemi¡férico ABC co¡ centro en O como ¡e indica en la Fig. es decir ¡ur factores funci6n de densidad marginal. Y.2l VARIABLES ALEATORIAS Y DIÉ¡IT.'"L'. En el Problema 2. - 2.1O5.1O4.J'v 1r' o1z.1O4 para que la probabilidad de intersección ¡ea mádma? Erpücar ru rcluci6n.10t. Un piso ertá con¡huido de cuadrado¡ de l¡do L Una aguia de lon¡itud o1l a lanza al piro.109. la! b€s no son independientes. P(Z<X+Y). c Fis.1O7.IBUCIONES DE PROBABILIDAI) 76 2. r *"loq. 2. Z. Si es l¿ f (r'a' z) = ( 1 rv2zs 01r11. Ilallar (o) P(X > Y< +r. Un haz cilínüico de partícula. Z tienen función de den¡id¡d conjunüa r(r.z) Demo¡ka¡ que au¡que = ito-""trtcosracos¡rz :. Z> $). (¿) 2. 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..106. 0< y1l. 0121L o de oha form¡ 1.ede O a cualquier punto P del objetivo) forma con el eje.ri"r" dos de esta¡ va¡iables aleatoria¡ eon independientee. función de den¡ided conjuata de tres variable¡ aleatoriea X.107 halla¡ la probabiüdad de gue una ¡rarüfcula pegue 8l objetivo entre A = O y0 : Í14. 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. 2.2-32 2. Supóngase que la¡ variable¡ aleatoria¡ X Y. Demorbar que la probabilidad de que l¡ atuja intersecte al meno¡ un liado.

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

Y son variables aleatorias independientes.fo" . Si s(r) /(¡) X es una variable aleatoria. Y son variables aleatorias. E'ex2_ zx) .Y)l EJEMPLO " = ¿-.¡0.3. entonces E[s(x)] : g(n)f(r) + s(rz)Í(r"\ +'. 0<r12 de otra forma E(xt = Í:_. + g(x")f(n"\ (5) = É' s(r. Els(X. entonces - E(X+ y) = E(x) + E(y) entonces (e) Teorema Si X.'.a) f(r.. Si P(Y=v¡: X es una variable aleatoria discreta con función de probabilidad /(¡). Así por " -Ur. Se deduce que el jugador puede esperar una ganancia de $5.y \7) 3.Jf*f g@.(i. Y son dos variables aleatorias continuas con función de densidad conjunta f(r. y\.r(r)dr = Í.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. .=+ aleatoria. E6n : E(X) E(Y) (10) Generalizaciones de estos teoremas se hacen fácilmente. .2. Si X es la va¡iable aleatoria del Ejemplo 3. entonces E(cX) Teorema Si (s) X...l(ir) a' = * : cE(X) ALGUNOS TEOREMAS SOBRE ESPERANZA Teorema 3-I: 3-2: 3-3: Si c es cualquier constante. entonces (6) Elsul = f.oO¡f@)dr Generalizaciones a funciones de dos ejemplo si entonces la esperanza de g(X. = Ío'tro.) = ) i 2.Entonces Y FTJNCIONES DE VARIABLES ALEATORIAS Sea X una variable : g(X\ también (¡ | s(¡)==y) es una variable aleatoria y se deduce :* 1.cAP. Por tanto en un juego honrado es de eeperarse pagar $5 EJEMPLO 3.y) r)r d.2.con función de densidad f(r)..f"_rt" -2x'¡f@)dx .ables X. La función de densidad de una variable aleatoria X está dada por f@l = El varor esperado de X es f*u 1.rrr-z. Y) se obtiene por aleatorias se hacen fácilmente.= *|.) /(".

tr71x-¡l f(*).+ (a"-plzlln que eslavarianzade turconjunto dez númerosf¡ ¡ . V la varianza por o2. &1.¡.- y la desviación tfpica "=\F=+ Obsérvese que si X tiene ciertas dimensiones o unüadeq por ejemplo entímetros (cm).¡ media 6 p = E(X) = 4/3.. = J-. la varianza es grande.)2 f(n) ita (151 I-a.p)r) = 2 @.. en tanto que si los valores tienden a distribuirse lejos de la media. . Fis.'¡* = .. La situación se representa gráfrcamente en la Fig. A la raíz cuadrada posiüva se le llama ladesviación típica y por úx = t/@ X = . Hallar la varianza y la desviación tfpica de l¡ va¡iable aleatoria del Ejemplo 3.p)rf(xtl = X (rEn el caso especial de (13) (I3) dondelas probabilidades son toda¡ iguales.NOS TEUREMAS SOBRE VARIANZA Teorema 3-4: é: donde p = E(X\. De acuerdo con el Ejemplo 3.3 TI|' VARIANZAY I.A DESVIACION TIPICA Anteriormente e_n la página ?6. varianza (o la desviación típica) es una medida de la díspersión o wriaeión de los valotes de la variable aleatoúa alrededor de ¡r. entonces la varianza "? = EÍi/. entonces la varianza de X tiene unidades cm2 en tanto que la desviación típica tiene las mismas unidades que X..4.2. plrf(a) ee\ Donde no exista lugar a confusión. para el caso de dos distribuciones continuas con la misma . ¡. ALGI.2 l. +.("-á) rota" = J. ("-i) l.l0(Xll (161 .78 ESPERANZA MATEMATICA lcAP. Es por esta rcz6n que con frecuencia se utiliza la desviación típica. EÍ(X -p)'l = E(Pl - p2 = E(X') ..media y se le denota por t. Entoncec l¡ varianza re encuenha por 02 = r/ t\21 tl("-n/l es / ¡\2 (z/ 2 ¿\r/f \ . Si los valores tienden a concentra¡se alrededor de la medi4 la varianza es pegueña. anotamos que la esperanza de una va¡iable aleatoria X frecuenüemente se le llama la. Si es una va¡iable aleatoria discreta con función de probabilidad entonces la varianza es a'l = E[(X.t)rl = Í__ O - ¡. es decir cm. 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. x^Si (1t) es X es una va¡iable ale¿toria continua con función de densidad f(r).. 3-r EJEMPLO ' 3. tenemos ¿ = l(u-p)r+(rr-p). la desviación típica se denota por o en cnmbio de o*..

Y son variables aleatorias independientes.. Las variables normalizadas son útiles para comp¿üar diferentes distribuciones.Y) = Var (X + (Y) ó Var (X) + Var (Y) 6 Var (X) + Var o2. Teorema Var(cX) -- (17\ 3-7: Si X.3l Teorema 3-5: Si c es una constante ESPERANZA MATEMATICA 79 c2Yar(X) Teorema 3-6: La canüdad E Í6 . o2* + (18) (19\ Generalizaciones del Teorema 3-7 a más de dos variables independientes se hacen fácilmente.cAP.)-l-¡t"i* "' * (-r)'¡. o se toma como unidad al medir X .'.l. se dice está expresada en unidades sín dimensiones..yenestecasohayfórmulasanálogasa(23)y(24)enlascualesp:0. En palabras. La relación entre estos momentos se expresa por @5) t". Entonces podemos @ol x* .lJr:0y¡re : 02.a)" 1es mínima cuando a : p : E(X). = 7)l momento'r de ..j=l ti.l (r) du -. ... = i(r.p).r. es decir -"Ol cero y vayianzal. Tenemos p...esdecirelsegundomomento central o segundo momento alrededor de la media es la varianza.p)'l @2) donde r:1.2. l.¿o:1.2. = pi- (l)r.*y o?-v : = ol o2* * o2.f@) = )(rf@ p)'l\r) (variablesdiscretas) (variables \23) (24\ t'. esto es. + "' + (-\'(.' @61 . : E[(X . la varianza de la suma de variables independientes es igual a la suma de sus va¡ianzas.6¡. y) = Var (X . también conocido como el momento central r. se define como p. Sededuceguel. Los valo¡es de una va¡iable normalizada se denominan algunas veces referencias tipificafus y X tipificadcs (es decir. MOMENTOS El momento r de üna uariable aleatoria X alrededor de la media p.fi' f continuas) X alrededor del origen se define como pi'= E(X') dc:cler:0. . VARIABLES ALEATORIAS NORMALIZADAS Sea X una variable aleatoria con media ¡r definir una uariable aleatoria normalizadd como y desviación típica o (o ) 0). 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.x---yUna propiedad importante de X* es que ti"rr" nombre de normalizcdc.

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

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

Sin embargo.> > (r . el Teorema 3-16 sd reduce al Teorema 3-7. = Cov (X.í = "? EÍr--¡.* = 22rf(a. Y no estón relacionadas. En G3) V (46) se remplazan por /.a) donde las sumas se toman sobre todos ro. Y. u"ror". y) tenemos oxy = Í:.p")f(r.y (t = l) -¡.to.ul x9 X.3 t"x = E(X) : .p*XY - (45) En t{rminos de la función de densidad conjunta f(x.(.rds.t )2f(r. Si X. 1"" @ . Y) : oxv : 0.1 = El(Y Í:. Y) (51) (52) (5s) Teorema 3-16: (. De otra parte si X.ylitxd. En el casodonde p: O (esdecir.s)(tnity .rits (48) y las varianzas son . entonces Cov(X. Var (X * Y) Var (X) * S Var (Y) * o'**v: "2*+"'l!2o*. Y son independientes. por ejemplo X : Y. Teorema Teorema 3-14: 3-I5: Si oxy = E(XY) . entonces Cov(X.a)d. lacova¡ianzaescero) decimosquelas variables X. ty = E(y) : Í:- f_'- uf@." = X2uf@. Y) = EUX . lo*"1 es Teorema 3-17: oro" El inverso del Teorema 3-15 no necesariamente cierto. Y son dependientes completamente. E(Xy) - pxtry (+s¡ X. Y) : oxv = oxoy.f _.O. Llamamos a p el coeficiente de correhción.y'¡ itr (ry tal (t 6) caso Consideraciones semejantes pueden hacerse para dos variables aleatorias discretas.f"_.y)d.82 ESPERANZA MATEMATICA [cAP.t")@ . f dada por oxY P- (5tt\ "*"" que es una cantidad adimensional. en este caso las variables pueden ser independientes o no. y son independientes. Y es la covarianza definida por ¡r")] Otra cantidad que aparece en el caso de dos va¡iables úxy = Cov (X. discretos de Los siguientes son algunos teoremas importantes sobre covarianza.E(X)E(Y) = o*". Y son va¡iables aleatorias independientes.t") f (r. COEFICIENTE DE CORRELACION Si X.u) tll ¡.p*)@ . Estudio posterior de la correlación se amplía en el Capítulo 8. (+r¡ Ura¡ oxy .f(r.t r). De esto llegamos auna medida de la dependencia de las variables X.*). .L= p < 1. Y) = 0 (50) 2 Cov (X. Del Teorema 3-L7 obsen¡amosque.f"_ rf(r.")ul = l:- !_'.

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

realmente es falso. .. . tiene la mayor probabilidad de ocurrir.34).3-2 . lim + X" (n=L.q en la Fig. tres o más valores que tienen relativamente grandes probabilidades de octrrrencia.75.25 6 P(lx-pl<2"\ > 0. . . En tales casos decimos que la distribución es bímodal.. Un resultado más fuerte. Si h : 2 en la desigualdad de Chebyshev (59 ) vemoo que P(X-pl>2s) í= 0..6. 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. 2. tiende a cero : g.pero cuando n '+ @. Cuando se hace referencia a la "ley de los grandes números" sin ninguna especifrcación.25. Con li31 frecuencia este resultado se denomtna ley de los grandes números en forma fuerte.75 Literalmente. Así por ejemplo el área a la izquierda de la ordenada eD f. o en otras palabras.19 (LeV de los gnndes números): Entoncessi S. cada una con media g y varianza o2 finitas. la probabilidad de que X diflera de su media en más de 2 desüaciones típica8 €8 menor que o iEral a 0.En el caso de una distribución continua la mediana corresponde a la ordenada que separa una curva de densidad en dos partes que tienen áreas iguales de Ll2 cada una. : Xt* Xz+ . es que p con probabilidad uno..ro sería 0. 3-2 es c. Xn. r): 1l2. Mediana La mediana es el valor de r para el cual P(X = x): P(X. en contraste. el resultado del Teorema 3-19 se llama ley de los gundes números en forma débil. el ánea a la izquierda de r. f(r) es máúma.84 EJEMPLO ESPERANZA MATEMATICA lcAP. trimodal o multimodcl respectivamente. =o "( *-" =.2. Xz. que esperamos sea verdadero.\. Teorema es una consecuencia interesante de 3. llamado la ley de los grandes números. la probabilidad de que X se encuentre dentro de 2 dewiaciones típicas de su media es rnayor que o igual a 0. Los valores que corresponden a tales áreas se llaman uolorcs percentila o simplemente percentíhs.) Sn/n (60') Puesto que Sn/n es la media a¡itmética de X1 . Algunas veces tenemos dos.3 3. .. En tal valor r.10 6lO% y se Fig. Aunque la ntedia es la más empleada. . . variables aleatorias mutuamente independientes (discretas o continuas). Moda. En el caso de una üstribución discreta puede no existir una mediana única (véase Problema 3. Estas son lamoda y lamediana. La moda es el valor que con mayor frecuencia ocurtre.. la desigualdad de Chebyshev. se implica la ley débil. Por ejemplo. y. 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. este teorema establece que la probabilidad de que la media aritmética S. equivalente. Sean X.. también se emplean otras dos medidas de centralizaciiln. 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./n difiera de su valor esperado ¡¡ por más de e. 1.

M. Una de las medidas es 'il "ü"é D[(x .) de una va¡iable aleatoria de lX.3l ESPERANZA MATEMATICA 85 llamaría la décima percentila (o la primua decilal. 3. 3-5.ts . como en la Fig. 1. 3-3. Cu¡tosis.l dr (variablescontinuas) : EllX -¡.plf(r) (variablesdiscretas) = DllX-¡.cAP. esta medida no tiene sentido si alguno de los valores extremos es infinito.p)n] o* p+ o4 (64) . Para una o. hay diferentes medidas de dispersión o variación respecto de estas medidas centrales además de la varianza o desviación típica. 2.1. 3-5 2.ll : f_.M. OTRAS MEDIDAS DE DISPERSION Así como hay varias medidas de centralización además de la media. Con frecuencia una distribución no es simétrica con respecto a un máximo sino que üene una "cola" más Iarga que la otra. Una medida empleada frecuentemente está dada por "4 :-_-----i--: E[(x. 3-4.25 se Ilama el recorridó intercuartiticoy Il2 (x. El recorrido es la diferencia entre los valores más grande y más pequeño de una distribución.(X) D. Recorrido. En otros casos la distribución puede ser relativamente plana como en la cun¡a a trazos de la Fig. En algunos cafios una distribución puede tener sus valores concentrados cerca de la media así que la dishibución tiene un pico grande como se indica por la curva sólida de la Fig. 3-3 F'ig.tlf(r. La mediana sería la quincuagésima percentila (o quinta decila'¡. Fig.É. se dice que la distribución está sesgada a la derechc. como en la Fig. Si la cola más larga se extiende a la derecha.zs) es el reconído semi-intercuartílico.r representan los valores de la vigésima quinta y la septuagásima quinta percentila la diferencitrc. La medida es positiva sesgada a la derecha o a la izquierda respectivamente.x.ts . Las medidas que describen esta simetría se denominan los coeficientes de sesgo o sencillamente sesgo. es decir D. Sesgo. mientras que si la cola más larga se extiende a la izquierda. Algunas de las más comunes son las siguientes. o negativa si la distribución está distribución simétrica o¡ : 0.p)3] ps (63) que es una cantidad adimensional.11 : (62) SESGO Y CURTOSIS 1.. 3-{ Fis. Si r. Recorrido semi-intercuartílico. 3-5.r. M.(X) X se define como la (6f ) ) lr.O . se dice que eslásesgada a la izquierda. Medidas del grado de apuntamiento de una distribución se llaman coeficientes de curtosis o simplemente curüosis. Lógicamente. esperanza Desviación media La desuiación media (D.r5 y x.

. por el Teorema 3-2.9?75) : 6..02) + 750 (0.'(*) ... que tiene un coeficiente de curtosis igual a 3.'(*).02 750 0. pero los definidos anteriormente se emplean con mucha frecuencia. - E(Y) ^/t\ = tll) * \o/ "' . 3.z. = 1 PorüantoS:2..3 que es una cantidad adimensional. Por ejemplo la probabilidad de obtener uno de los 20 boletos que dan un premio de $ 750 es 20/10 000:0. Comúnmente se compara con la curya nonnal (véase Capítulo 4). Sean X. Problerna. Entoncee Restando. El precio justo a pagar por un boleto es 6 peeoo.(i)..s resueltos ESPERANZA DE VARIABLES ALEATORIAS 3. ¿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:..ero que se ganará un boleto.'(+)..(*) . Y los puntos que aparecen sobre los dos dados.1.002) + 3000 (0. ..86 ESPERANZA MATEMATICA lcAP.(+).0005 0 P(X : r\ 0. Tenemog E(x) Entonces.. Sin embargo una lotería gana dinero.41.(i)" = +. 20 premios de $750 y 5 premios de $3000 Suponer que se colocan a la venta 10 000 boletos.002. hágase á.2.002 3000 0. Es posible definir coeficientes de sesgo y curtosis utilizando otras medidas de centralización y dispersión. Véase también Problema 3.977t D(x): (150) (0.'(#). Hallar la esperanza de una variable dada por aleatoria discreta X cuya función de probabilidad está Itrl Tenemos : (i)' (t=r. s = .3.s. |s = i .0005) + (0) (0.o\El = t7 \o./ 'l*)* 7 E(X+Y) = E(X\*E(Y) = 3. el precio del boleto sería más alto. En una lotería hay 200 premios de $150. La esperanz¿ de X en pesos es r (pesos) 150 0.00 ó 6 pesos. [. Hallar la esperanza de la suma de puntos al lanza¡ un par de dados honrados.os diferentes valores de X conjuntamente con sue probabilidades se muestran en la Tabla 3-2. js = !+ | + á + # +.) E(xt = Para halla¡ esta suma.

fL. = fo.rr /'-z'\ . .3l 3."-r. (b) E(Y). .rrr(g-"\ e")\-) + tzt\ -a /Jl.l@ ar = z fo* xze-z.)-' r(#) = + (d) Por los Teoremas 3-1 y 3-2. Demostra¡el Teorema X2. = 3 : Í:.e" *ta(#) dr ds = ! OEo método.t(g=\ll' : . tenemos utilizando partes (o) y (b) = E(x) E(y) = (*X+) = # = r(. Y.=..). . dv = Í"'=. Í:=. Y estádada por 3. = # (D) E(yt (d) (c) E(zx +Br) { . o. o. (b\ E(X. . @n las sumar apropiadae remplazadas por integraciones: Obsérvese que el Teorema se cumple ¡i X. conjuntamente con (o) y (b) E(zx+sy) = z^(x) + BE(y) 3.a\ dr da = E(xyt Í. \-T) X. página Z?.4.a. y) la función de probabilidad conjunta de X.-'a) E(Y) = E(X) + Si cualquier variable ee continua.rl _'/ _ / '-z'\-'tl' = . Y son independientes o no. pág¡na?7.a) = ¿+"'o'Y) + ) 2Yf. = + (c) E(xy) : !:" Í:.a) = (a) E(xt : Í:" Í:r f(r. Entonces E(x+y) = ))t"*úf(r. Sea f(r.e"-"\a. = 1 . la demo¡t¡ación se de¡arrolla de igual manera. = zf-. (c) E(XY).a.y f(r.fL.!:" f-er+Byv(r.v) dx lra/96 o<r14'LcY15 de otra forma io l.'=" f:=. (d) E(zx +By).(#)0. @ú r(x. considerada discreüa. arl(ffi) a.Í:.(ffi)a. 1 E(x2) = !l* x. . f(r\ = {"-* lO o>0 r-=0 (¿) (ó) E(x): íl-rrrr. Puesto que Y eon independientes.n=o l"'=.o. \ ":1"\ (1)\=4 /_jl.r.5.6.o=o Halla¡(a) E(X). La función de densidad conjunta de dos variables aleatorias f(r.y) dr dy = Í. EsPERANZAMATEMATTcA Una variable aleatoria continuaX tiene densidad de probabilidad dada por Hallar (a) E(X).údrda = Í. = .cAP.

10. (o) Como en el Problema 3.. E(x2) = E(vz¡ ='. tenemoe f(x.9. y) puede expresarae como una función de r multiplicada por una función I.'/'Q)2afztu) . por el Teorema 3. Por tanto Y. página 77.)'= * Var y. püa todo ¡. = Wa"(X+Y) = 1/g v6 3. Hallar (¿) la varianz y (b\ la desviación típica para la variable aleatoria del Problema 3. y): f tG) /2 (y). Obsérvese que la validez de eate teorema gira alrededor de si f(.3 3. (o) Del Problema 3.r. Pa¡a va¡i¡blee dependientec generalmente no ee cumple. Y ¡on independientes. Demoshar el Teorema 3-3. Sea ¡t(¡.(. Y ron independientee.2. Tenerno¡ E'(x ^"' * u' -'u.y f t@) fz(a) )1. Si la¡ va¡iablec X.8.)'= i o = tFf-var(x) = \E = t r" : Ot¡o ¡nétodo.*(á) # :%1 Entonces."*' ""'*"' =i'|í'. o. p6g¡na 78. Entonce¡ l¡ varianza e¡ Var (X) = Etá . / . = Var(Y) = +-(. puetüo que X." (')no(')l E(X) E(Y) Si cualquier va¡iable e¡ continua la demoetración ee desarrolla de igual manera. Y rcn E(XY) = 22 Í!J! --t ra f@.(+)-Fr.4.88 ESPERANZA MATEMATICA [cA".7 Y) = Var (X) (Y) = F (b) ox+). por el Teorema 3-4. Por el Teorema 3-4. Demostra¡ el Teorema L4.\2 ^a = f-('-L)''"-"0' = i = El(x-r)21 E(xz¡-ll(x))2 = t. y.:r:¡:* . con las eumas apropiadae remplazadas por integracioneg. tenemos E(X): E(Y)= 7 12. independienteo.1/2.4 l¿ media de X ee ¡t= E(Xl -. de ¡i X. Además. Halla¡ (a) la varianza y (b) la desviación típica de la suma obtenida al lanzar un par de dados honrados.p\zt = '[(* -])'] = l:_ (" _'L)' t*. y) la función de probabilidad coniunta de X.(l) var(X) Var (X * ' . VARIAT'IZA Y DESVIACION TIPICA 3.7. con¡iderada di¡creta. var(X) (D) 3.u) = ) ) . ea decir.

o)n = O. = . \t / \r/ + .t:.r.t .px)(Y .-iut + "' + (-l)'-t¡ur * (-l)-rnt donde al combin¡r loe do¡ úlüimo¡ término¡ re¡ulta (-l)r-1(?'- 1)p'..u. + (-r\'-'( n .'tut '\'/ + "' + (-L)'-'( t .ft\tr*"-..13._i.í':.)¡.pv)l * El(Y EI{(X Var (X) + Var (Y) px)(Y pvl2) El(X - - pv)l = E(X . !¡rw-u¡ = L¡nwl-r) = a' o \ (x*) 0 (b) var = u" (?) = \o¡1x - u¡"1 oz =I utilizando el Teorema 3-5. Pr = El(x-pl'l = nfL x.r. Var (X + Y) = E[{(X + Y) - (px + pv))2] = = = = utilizando el hecho de que . . Y y por tanto X gue al remplaz.ttv eon independiente¡.t'+ "' + {-r\r\l)r. = t(4=\ / =.a)2 pueeüo que E(X ..págna79.:. p{ina 79.pi E(Y - py) - o ya que X. pág¡na 79..-. Demeshar el resultado (26).ltx. * .(i )/.cAP.' . Si X* : (X .pl|..EÍ6 .E(x. La demo¡tración de (I9)..TNCIONES GENERATRICES DE MOMENTOS 3. e¡ decir cuando a : ll.P)21 + (P ./ /\ /"\ = .14." -.i.3] ESPERANZAMATEMAIICA 89 3.-'u \I/ + .u\(Y ..11.. se ri' y emplear cl Teorema 3-6. Demostrar el Teorema 3-6.r?2. y el hecho de que E[(X tt)z1= 3. (a) puesüo que E(X) = E(x*t ¡r.px) + (Y .)t(")u'-l + (-t)rpr \.ar Y gnr -Y . Y ..lt:0. página 79.pv)}21 EllX .py) + (Y .px)2 * 2(X . .)"n'-' + (-t)'p'l J \r-r/. Demostrar el Teorema 3-7.12.tt)lo es una variable aleatoria normalizadq demostrar que (u) E(X*¡ = 0' (b) Var (X*¡: 1.!^r_':i.tt): E(X).. * t-t'(T)t1"'-. página ?9.n)21 E[(X . + r-r¡t('. mínimo de El(X-o)'l ocutre cuan- 3. .\x. f)e esto vemos que el valor do (t¡ . . Er(x-'''... MOMENTOS Y FI.2] + zEl(X .(i\*.

-'. La variable aleatoria X pugd.'.. Todo¡ los momentos impares 6on cero y los pares Eon uno.*rá#*u. Demoshar (o) el resultado (Br )..*#*.. -T! \ 12 rg t + tU(x) + ae(xr) +¡a1xa¡ a .(á) = |G. (o) utlliz¡ndo lrr erpaneión en serie de potencia de eu (8.t (D)Tenemor hsonce¡ et = e_t t+r+#.-"'ro. 8-18. = L+tlt*uL#*ri#*..2'. = . cualguier función de X y cualquier función de y son independientes.*"-.1 = .*#...r ze<t-Dt : -T=Tlol@ = z li't<2 z-t..) * . For t¡¡to Mx*vQ) = Elet(x+Yr) = E(etxetv¡ : E(etx) E(¿tv¡ = MxG) My(t) 8. M(t) = Eletx¡ = f" J eEf(t)dr fo" ""1.(. (r) (zl (I)V e\ = 1_¿+ r+_#*fr_ .* pL=1.. página g0.ú3x3.) cn(ú - o)" cn = i. ¡á=0. Demostra¡ el Teorema B-9.+"-. (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 .. (b) el resultado (g2). Eltt (o) la función genératriz de momentos y (b) lós primeros-cuatro momentos alrededor del origen..I con probabiüdad 1/2 cada uno..16.90 EspERANzA MATEMATToA [cAp. p'+=L.e t-oma¡ los valores 1 y .Lf".17.rfr. = 2 fo'e<t-z>'d.. página g0._" 3.16. !utt" quc X. Apéndice A) tenemoe Mxe) = E(etx¡ = n(t+tX-t2x2. Pcto Al comperu Mx(\ tenemog t!:0. 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.. 'r"') \ .. g s.r|r*frr. = L*pt*uLr4. (o) Eqetx¡ = . ffirol. Y ron independiehtee..

= .(+) * . = E(X) =#Í""*z¡s-¡z)itr =f pL tt = Elxz¡ = # 1"" *rn - s2) d. Jo "ot.r.".-+e i.*.\. tti = *.cAP.Lp.r)\B/ -t\Ei _ ^.'''-r2)/8r :"=i. './!\'_ .20. = 27-s\s5.) = \ -.1!) * r/9)' 85 ". ..21... al comparar términos. /t = \.". = l(3.216 pi = E(Xr) = . 2 4 8 p'n 16 Pero M(t) = * tt + uí#* rtfr+ tt^fi+ "' = P¡.\51 . : c¿. 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 .8?b B6eg 8?50 ztcy q\. El resultado también puede obtenerse del Problema 3. Por tanto.'NCIONES CARACTERISTICAS 3.*L*!-L*!*. 3.".i¡en. 3] (b) S¡ lúl ESPERANZA MATEMATICA 91 ( 2 üenemo¡ z_t z L_tlZ 1 I = '.r.17..216 -r. p6gin 80. para unava¡iable aleatoriaX con función de densidad r(r) (c) = i./!\. tenemos ttl t2 = r-(*)'= # = 02 Fr . t = )2.(l) -. Halla¡ la función característica de la variable aleatoria X del Problema 3. = 2 ^f FI. Hallar los primeros cuaho'momentos (c) alrededor del origen. pi (b 12) dr = -51 ) Utiüzando el resultado (27\. (b) alrededor dc la media. "\5/ tt4 y./+b(..17(o) al remplazar t : i<¿ 3. = ./ \ -/ = cosa coso empleando las fórmulas de Euler ¿io con 0 * isena s-io = cos. La función característica está dada por Eteiux..'.'.19." = B t.

"r. l:. -oo < Í 1 @.io') = _a2 a2 * o2 COVARIANZA Y COEFICIENIE DE CORREIACION 3.l*-ei. Yl = E(XYI -.r = "lÍ:. úu empleando las fórmulas de Euler (véase problema 3. 3. a. . y eon independientes entonces E(Xy) : E(Xl E( y) . Y es oxy = Y) = El(X ..c-atxt d.24. = "{lo 4f-o u-n<-. = *t_""^"0.* npv] = E(XY) .pv)] = E[Xy ._(a_io) ü a L 2(o* io) 2(a..22. la función ca¡acterística está dada por E(eiax¡ = .LJ_-e(a+t@)ro" q.92 ESPERANZA MATEMATICA La función ca¡acterfstica está dada por lcAP. + fo* n. e<o+iarz * Jo ¿-<a-.ryttx * pxpv = ElXy). Si X.e-ho 2ia.útit¡) l€ lo lo . Demostra¡ el Teorema B-15. Puesto que f(r) es una función de densidad tenemog Í).¡xXY . arf 2c O + . 3. Demostüar el Teorema B-14.t an + !o' "-"r.E(X)E(ts) = 0 .lxtty = E(XY) _ E(X) E(Y) Cov (X.23."-*l* = -Alo = I - Entonces c: ol2. Hallar la función característica de la variable aleatoria X con función de densidaa f@) = ee-atEt. por tanto por oxy el problema 8. o" = asf que I . = 2a io l-o = | al@t la ela@ .donde c ) 0 y c es una constante apropiada.20) ceñ d = ao.o<t> ¿sf .o = 8en Cú. Por definición la covarianza de X.r'.pyE(X) * E(pxpvl = E(XYI .3 D(etx¡ = f-.Fxpy ..f(r)dr tlÍ-"eíore-o<-x. página 82.f?o/.6-'l "iar¿-.rrrrru. Por tanto.23 = Cov(X. e-(a-i@)¡ 2 a*io l-" ' .pxE(Y) . página 82.p*y ..pvX.

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

La demosbación para variables discretas es semejante si ee remplazan las integralee por sumas. Demostrar la desigualdad de Chebyshev. la función de probabilidad eondicional de Y dada X : 2 es ftutz) = Entonces la esperanza condicional de Y dada + 2. Hallar la esperanza condicional de Y dada X : 2 en el problema 2.rrrr.28.2g.(#). Si f(r) es la función de densidad de X entonces . * v) dx da = cov(x.rrr. [. Hallarlaesperanzacondicionalde(c)YdadaXv(b)XdadaYenelProblema2..27.)\t)* J_- donde hemos utilizado el hecho de que ltz: E(Y lX: r) :2.2g. DESIGUALDAD DE CHEBYSHEV 3. * a) dr tru = # otr . Presentaremoe la demostración para variables aleatorias ecntirruas. .zlB del Problema 8.(ui) . Esto oru o"oo oo. f u'.g. = var (y) = E(vz¡ _ l'(y))2 = t# _ (#)' = t.x=2) = -. página 61.29.94 ESPERANZA MATEMATICA fu'=o [cAP.pág1na62.y) = E(xy)-E(x\E(y) = ?-(?f)(*t) oxy = -# -0.var(X) = E(xz¡-ll(xtl2 = #.(#).28(o).za condicional de Y dada 2(L-ys¡ 2(l+y*y2) --¡O+7I- x para eI problema 2.03129 aprox."=. VARIANZA Y MOMENTOS CONDICIONALES 3.(iu) = ii 3.=o. 3 (d) (el u') b) (h') (t oxy =# E(Yz¡ = h f. (o) (ó) E(ylX=r) = Í-_afrtuldau = ír'r(rr")* = + E(xly=y¡ = f_-".^:.(rlytdr = í"'"(#*S* El=a\ 3.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. .# E(xz¡ =h Í. pág¡na62.\r-. p= oxoy -200l3969 /50s615e6-0 {r6únsn -200 t/zsnr/te zzs = ESPERA}IZA. X: 2 es E(Y =2) "x = ? r(+) X: donde la suma se toma sobre todo y que corresponde a E(y. . .27.(#)' = *tq*$ o2.30. pág¡na 62. Hallar lavariar¡.. Como en el hoblema 2.

. Por tanto 02 t¡z-ttlZe rlr-yl=.'*"') . | \ _ ul=_ . Así por la desigualdad de Chebyshev con Tomando el límite cuando n ) -.).31.25 Comparando con (o) observamos que el límite dado por la desigualdad de Chebyshev e¡ ba¡ta¡te crudo. LEY DE LOS GRANDES NUMEROS 3. ". Para la variable aleatoria del Problema 3.(l*-*l \t o2 =t)/ = 1-(1-e'r) = p2 e-s = 0..x.* . ¡¡ (o) = 1/2.|) ol ¿l \l \ o = J¡ | f :l/2 Ze-udr = 1 - e-3 Portanto (b) Del Problema 3.*Var(X.3l ESPERANZA MATEMATICA 95 02 = EI(x - p)21 (' = J-* @ - p)2 l(r) dr Puesto que el integrando es no negativo. Entónce¡ P1x ¡. DeI Problema 3.*X. ¿lr-al=e Pero Ia frltima integral es igual a P(lX - pl ? . el valor de la integral solamente puede disminuir cuando el int¿rvalo de integración se reduce.rl > 1) y compararlo con el resultado en (a).32.18.t)/ = .ul=') 02 esto se conviertq.04e?e = plr- = 7/4.) así que t'" (+) = 4 var (s") = * X: Sr/n üenemos _/ls" | \ donde hemos empleado el Teorema 3-5 y una extensión del Teorema 3-?.18.¡.+E(x")l = L(nt) = = Var(Xr)*.. (c) hallar P(lX .cAP..(-:..) = o . Tenemos E(Xrl = E(X2l = .¡rl > 1). (b) Utilizar la desigualdad de Chebyshev para obtener un límite superior de P(lX . Por tanto P(lX-rl > 6) 3.) = ¡toz tt Var(S") = Var(Xr*'. La desigualdad de Chebyshev P|X-pl > f) resulta P(lX¡r] = 1) < oz = 0.18.'. /ts r|. Demostrar la ley de los grandes números establecida en el Teorema 3-19. '|.|ww.t+. = E(X) = p Var(Xr) = Var(X2\ = "' = Var(Xn\ = o2 Entonces t(*) = "(*'*'. como se pide. En la práctica la desigualdad de Chebyshev se emplea para dar estimativos cuando es inconvenientc o imposible obtener valores exactos.t <1) = "(l*-*l . . página 84.

?3 aprox. (c) Comparar la moda" la mediana y la media. y (c) compararlas con la media. la mediana y la media se muestran en la Fig. . Ahorapara0(a ( 3. El máximo relativo de la derivada es cero. La moda.3 OTRAS MEDIDAS DE CENTRALIZACION 3.96 ESPERANZA MATEMATICA lcAP.84. (o ) La moda se obtiene hallando donde la densidad f (x) ea máima. .36='ñ¿r ze) az de donde o = sli{z- q Por tanto la mediana pedida.[. que ea La moda pedida. es Í: L. = fr: aegunda derivada. P(x<a) Igualando eeta = *. (c) ' E(x) = + ('¡z(g-xz\da = !(t*-+)l'= 8l\ 5/lo 8lJo que prácticamente ee igual a la mediana. r: 1. r. ea negativa para x = 1fá. (b) La medianaee 1. Ob¡érvese que este valor da el máximo ya que la -24x 187 .60 = 1. Halla¡ (a) la moda y (b) la mediana. aquel valor deo parael cudlp(X é a): ll2.62 apror."on-r2tdr = #(Y-t) 2aa_36a2 all2 hallamoe que *91 = 0 de donde _ia2 = 36a\436P-4(2X81-) . una va¡iable aleatoria discreta tiene una función de probabilidad f(r) : !12' donde 2. para el cual la . e8to e3 f(r ) ocurre dondc .9 - -'l 86 - 8l l2r2 = u Entonces . . 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.¿rL 81 -_l = 'r2) df ar. 3-6. l(r't 3.33. .. eetá dada por = n-Zr/. (b) Hatlar la mediana. En este caso probabilidad esLl2. (a)/ La moda es el valor de 4 asociado con la probabilidad más grande. que debe enconharse entre 0 y B.

.60 : 8/ó.r :: .Portantacualquie¡númeroentrel y 2 podrfa representar la mediana. (c) Como se encontró en el Problema 3. (b) el recorrido semi-intercuartílico y (c) la desviación media para la distribución del Problema 3.". : 1.n "¡fa' = Í^" (.t):ll2. Determinar los valores de la (c) décima.3l ESPERANZA MATEMATICA 97 (b) Si¡escualquiervalorentrely2.35 los valores de la vigésima quinta y septuagésima quinta percentilae son 1. Determina¡ (a) el recorrido.? 5. es decü 312.33.*l[#.-1998 0.")[#.098 y 2. Entonces el recorrido es 3 . (" .l0.cAP. M.. (b) La vigésima quinta percentila es el valor de a tal que (L8o2 P\X<a)=#(Y-fl = "# aa -a4¡¡8t \l8L : O.33 hallamos que s : 0.)[#'n . Del Problema 3. = - p|) = l_". (b) vigésima quint4 (c) septuagésima quinta percentilas para la distribución del Problema 3.655 apror. Entonces E(lX = D. Hallar el coeficiente y (b) curtosis para la distribución del Problema 3. o sea ¿ 0. :.a septuagésima quinta percentila es el valor de ¿ tal que (18o2 - a4 ¡¡8t: o @a.33.37.33 la media Desviación media ee lt : 1.3.36.10. : 2. (c) Del hoblema 3.1253 3693 8750 (a) Coeficiente de sego -: o.o .0 : 3.L21 aprox.33(b) tenemos (o) LadécimapercentilaeselvalordeoparaelcualP(X5o):0.098 aprox.l : 2. PERCENTILAS 3. Por tanto Recorrido semi-intercuartflico = ?121 . a (c) f.121 reepectivamente. Por coneecuencia escogemos el punto medio del intervalo. Empleando el método del Problema 3.19.r - pl f (n) dr = l"' l' . Del hoblema 3.b1 aprox. I.19 tenemos 02 ll 25 It3 oo - 32 8?5 -0.'"¡)a' = SESGO 0. tomamoseluolor móximo de ¡: 3. Y CURTOSIS de (a) sesgo 3..35. (b) Por el Problema 3. En forma análoga puesto que todos los valores ¡ ( 0 tienen probabilidad cero.33. OTRAS MEDIDAS DE DISPERSION 3. (o) Puesto que todos lós valores ¡ ) 3 tienen probabilidad cero.")] d' + Í.esdecirlasoluciónde(18a2 : 0. tomamos el uolor mínimo de ¡ : 0. Por tanto el orden de las tres medidac es contrario al del hoblema 3.25.P(X=r):l12yP(X.68 aprox..

X una variable aleatoria que toma los valores t n.. 4¡ J..> ]¡xeik..rf t1o k+j k---j Por tanto rt ¡ P¡ .38..98 ESPERANZA MATEMATICA lcAP. J...1. .¿. Utilizar el Problema 3..Z. También la distribución distribución normal. ¿ k icr_. 3.1...39 para obt€ner 14 distribución de probabilidad de una variable aleatoria X cuya función característica es O(<¿ ) : cos . respecto I @ desde 0 hasta 22. ...r i r)d (¿@ I ¿ir r 1.. Del Problema 3.. yp¡ los coe¡icietttes tte iour¡"r.u-¡ . f tl' .(".3 (b) Coeficientedecurtosis = et :. es algo menos apunüeada que la 3€. " t*''L i:. = I#+i:"-o 2¡ tt'' sr(.¡ rru.. la serie de Fourier se rernplaza por la integral de Fourier (véase página 81)..n.. que tiene una curtosis de 3. (b) Mulüiplicar ambos lados de la expresión (r) .{o) r/o Con frecuencia llamamos Q$. como se indica en la Fig. puesto que f_"n.(ar tra -= k =S o*Ja " ¿i{r'..l ¡rt" . remplazaudo j por h. n2.i)o ¡f. - I zt. . PROBLEMAS DIVERSOS 3. f-ri".39 I pt.página 80.l l''..1._ . (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 -. . = o" = M"(0) - lM'10¡12 1.. pk 1 12= T. = 2¡p f -o --n .x¡ ¿ior¡ = - i -) r^../" ... Qk¡). . . Si M(tl es la función generatriz de momentos para una variable aleatoria X demostra¡ que la media €S g : M'(O.Iu-| é(o) E1er.. . .. = . ti = M'(ol Entonces de (27) tL = M"(o) p = Iú'(0) 3.tlZ Se deduce que hay un sesgo moderado a la izquierda. y la varianzaes 02 : M"(O)-ÍM'1O¡12.Para una variable ¿leatoria continua." ...40. .j . De (32). ú"r**:r. o1_o o. "" Entonces j f'= " -iia 4. . Sea p. coS c do -e ':.t_ | eú .' '^'y'.. tenemos remplazando r : L y r : 2.r-.39.

2. ..8.cAP. -f rz ¿.k:-1hall¡mogp-r=*.= -z-rll) .1"/l) = -{.'\2/ Entonces = EI(X. 2 2'\2/ = . cientc de sesgo es cero. (r |.41.. (. Análogamente obtenemos ti = E(xr¡ = h fl= o.1"/1) = r \/.2"-22/2¿¡ ¿u = + 'to f'sz¿-x'/z¿. con probabiüdad Ll2 con probabilidad Ll2 -r 3.p./g\ = {.3l ESPERANZA MATEMATICA 99 Si&:lhallamosr'=$. 3 Por tanto el coeficiente de curto¡i¡ e¡ -i-ó . Iülla¡ el coeficiente de (c) sesgo y (b) curtosis con densidad de la distribución defrnida por la curua normal. (o) f(t)= l¿-"'" l/Zn- -co<n<e l!\ : llt = O y lt\:0. {2¡ or./. Por ta¡¡to la va¡iable aleatoria ectá dada por X=) Comó una verificación vúas€ hoblema 3. = Z Jo {i . 3-? (b) Tenemos p.\2/ {. = h Í..si.x2/2 ¿. = E(xz¡ = -+ ¿l" l/2r -. \ Fig. # to' '"t2"-'d'o B L 4. 3-7." *. Por simetrÍa.)21 = E(X2) = pí = ps = qllX -p){] = E(X4) = p'n -o2 'lt4-. "_.Pa¡alo¡oEdvalore¡dektenemo¡p*=0.20. Por tanto el coefi- La di¡tribución tiene I¿ apariencia de la Fig. 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.

.zl \ 'xv\2 "i" "x/ --t-"i = ""*"1-o'*"=-0 ó *=1 '7ní queesequivalenteap2 < "'*"?. (c) E(XY). 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).42.¡. Para cualquier constante real c tenemo¡ .49. Sean X. I Problerna. Sea prob.-".!\'Entonees el lado izquierdo puede escribirse El¡. Demosbar que -1 < s1 (véase página 82).45.100 ESPERANZA MATEMATICA p [cAP.47. ¿Cuál es el número esperado de puntos que resultan en 3 lanzamienüos sucesivos de un dado honrado? ¿Parece razonable su solución? Explicar. / . 1/6 X una variable aleatoria definida por la función de den¡idad ( 3n2 O< r=_L /(r) = 1 0 de otra forma Hallar (a) E(X).Y El(Y _¡v)21 c(X - Px))21 = 0 / ol.46. ll2 .r\' Para que Ia última cantidad sea mayor o igual que ce¡o para cada valor de c debemo¡ tener 1 ó -1 < p < l. -2"":'\ -" -* \"r* ) -/ = oí+oil"-.Y = ] 3 prob.s suplernent&rio s ESPERANZA DE VARHBLES ALEATORIAS 3. (b) E(Xz *)a2). 3. g.3 3."Í\"-.zcEl(X. (cl E(X21. (c\ E(Xt). 3.( ".x)(Y- pv)l = + c2al - 2co*. (bl E(}X-21. I 1 3. (c) E'l(X-1)21. (b) E(zX + 6).44. (b) E(Xr).{) * -. Hallar (a) E(XI. 1/3 por . + n?. Una variable aleatoria X tiene la función de den¡idad (e-' r>0 /(r) = {l0 ^ ¡(0 Hallar E(e2x/31.. Una variable aleatoria X se define | -2 prob. La función de densidad de una variable aleatoria X es /(r) = (e-r r>0 de oüra forrns 10 Hallar (o) Eo(l. * c2El(Xr ¡x)21 .48. = o?. 9.otr ___q__ .

(x) = io x>-0 de otra forma Hallar (o) Var (X). E(Y\. (b) E(Xy) -. = I Z [ -_r Hallar (o) E(Xt+ prob. ¿Se cumple que (o) E(X + Y) = E(X\ + Sean X. (ft E(xY).0=tt<2 lr(t*u) l\x'a) = f deoüraforma 1o (b) E(Y). Sea X una va¡iable aleatoria con función de den¡idad (1/4 -2f x=2 l(rl = jo deotraforma Hallar (o) Var (X). (d)E(XY). 1/3 \o prob. 0f s<I. (b\ E(XY) : E(X) E'(Y). (d) E(X2t'). Sean X1 .57. * Xil. Sean X. (b) E(2X2-Y2). Y variable¡ aleatorias independientes tales que ^ vt || prob. en el Problema 3. 3.51.. 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. 3. 3. Si /(t. (c) E(X-rY). 3. + Xn). 3.52? Explicar.. 1/6 Xzl . s) = ] : de otra forma |0 Y).55.50? Explicar. 3/4 prob.7/2 prob. (ó) E6?+ X'r+ .50. (b) E(Y).0lyf 3.54. . 3.cAP. tc)E(X+Y\. (b) "x.(zr+y) 0<r='I. que (o) D(X + Y) = E(X) + E(Y).66. . Y va¡iables aleatorias con función de densidad conjunta Hallar (o)^E'(X).XY\ 2 = E(X) E(Y\. (cl E(XY). ¿Se cumple que (c) E(X + Y) = EIX) + E(yl. . Sean X. 1/B prob.58. X2. Y va¡iables aleatorias con deneidad conjunta f(r'al = iat' Io o-<:us1' o<tl<1 de otra forma Hallar (o) E(X). en eI Problema 3.'.62.53.E(X) E(Y). (d) E(XY). VARIAT{ZA Y DESVIACION TIPICA 3.3l ESPERANZA MATEMATICA ¿Se cumple 101 3. (b) E(. . en el Problema 3.69. 1/4 Hallar (o) E(3X+2Y). 3. . (b) "x.48? Explicar.49. Sea X una variable aleatoria con función de densidad f (e-.2/3 v) | 2 i -a prob. (f. Xn n variables aleaüoria8 que están distribuidas idénticamente tal que | 1 Xt.

momentos al¡ededor de la media están dados por = p1 - ItI"'(.73.64.'(0) ¡f. 3. Demostra¡ el Teorema 3-11. Hallar la función carar:terística de la variable alcatoria X con función de densidad f¡): (x/2 io 05rtZ deotraforma . Ei6 - .71. 3. 3. (c) o¡.43.66.(0)]2 - 3[M'(0)]4 FUNCIONES CARACTERISTICAS 3. E(X): 2.6 hallar (a) E(X).70. (á ) Problema 3. página 77. MOMENTOS Y FUNCIONES GENERATRICES DE MOMENTOS 3.44. (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. (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.(0) + 6M"(o)lM. Si M(ú) es la función generatriz F:t de momentos de la variable aleatoria X. (b) Problema 3.65. Hallar los primeros cuatro momentos alrededor de la media en el Problema 3. y 4o.62. Si X tiene función de densidad ¡t") : -i (l/(b-a\ O a'=r=b de otra forma. 3. 3.68. Hallar (o) la función generatriz de momentos de la variable aléatoria x = y (b ) los ( U2 1 prob..61. (b) de la media. demostrar que el 3o. (a ) 3. Hallar (o ) Var (X ). ESPERANZA MATEMATICA Hallar la va¡ianza y la desviación típica para la variable aleatoria X del Una va¡iable aleatoria X tiene (a ) [cAP.01 - 3M"(0) ¡l'(0) + 2lM'(0\13 Ifrivr(Q) 4M.69.67 halla¡ los primeros cuatro momentos alrededor de la media. (b) Var (X)..63.43.7 lxl I a deotraforma 4. 3. Hallar el hésimo momento alrededor (a) del origer^. 1/2 prob.r02 3.72. g Problema 3.67. E(X2 ) : 8. 3. 3. (b ) ox. 1/2 -tn primeros cuatro momentos alrededor del origen. Halla¡ Ia función ca¡acterística de la variable aleatoria (a X = 7 ó I prob. En el Problema 3. - 1)2] = L0.60. 3. 2\21 Si una va¡iable aleatoria X es tal que E[(X Demostrar el Teorema 3-1. 3. página 81.44. 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.

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)

6827. 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. 4 En este caso decirnos que la variable aleatoria X está normalmente distribuida con media g y l. P(-3< Z<3) = 0. que es uno.8 yque3) las cuales rcn iguales aJ. du = + # fo' .99?3 (10) ¡$$.. algunas veces conocida como la curva normal tipificda.-.73% del área total. 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. ert (z).9545.110 va¡ianza DIsrRIBucIoNEs DE IRoBABTLTDAD coN NoMBBE pRoplo [cAp. (r) Este resultado se conoce frecuentemente como la iunción o la distribución de densidad normal tipif!eada. En este caso la función panZ puede obtenerseapartir de (4) alremplazar! = 0V o: 1..27%.". La función de distribución correspondiente está dáda por F(z) = P(Z < z) = I t/2" Í'-"-. *t(ft)] (e) En la Fig. La función F(z) eú(z) = z-frÍr' e-u'd. : . Si hacemos que Z sea la variable normalizada correspondiente a X. resultando de f(z) : le-"'" V2" . En esta representación gráfica hemos indicado las áreas dentro de L. 99.73% Fig.2 y 3 desviacionestÍpicasde lamedia(esdecir entue z: -1y * L.z. Esto quiere decir P(-1<Z=L) = 0. Tenemos z de la variable tipificada el wlor tipificado. 4-1 se muestra una representación gráfica de la función de densidad (7). es decir si hacemos (6) z=r= entonces den¡idad la media o el valor esperado de Z es 0 y la variartza es 1.46%.-2y I2.u y F(z) : á['.z: + ..Nl/s-> 96.451/" y 99. P(-Z=Z<2) = 0.96.. du (s) se Algunas veces llamamos al valor encuentra relacionada con la función enor.68.

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

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

3. es la función de probabilidad Xr...P: ¡'/\b + r\. escoge una bola aleatoriamente.x:-2.. . decir las bolas no se regresan a la caja después de seleccionarse.5 y6exactamentedos veces cada p. Xz:Tt2¡ donde ..Ak'ocurraennpruebassonnpr. 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.pedondePt. q --.. + ph)" . + flh : f..1. S. Xr..AppuedenocurrirconprobabilidadesPt. .-6P\'P')'' "P'. esto es .2.4.x.demodoque X1 -lXz* "'*Xt = +.An ocurreenuntotaldenpruebas. + . entonces p(x _ rl = V¿lu\r* .. E(Xr) : rlp2. la variable aleatoria (5"-np)/"1/ñ. 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.hPz.* (16) n. se mento. Xr. es verdadero bajo condiciones más generales.:1" SiXl . es Xr... El teorema también DISTRtrBUCION MULTINOI\{IAL SilossucesosAl. laprobabilidaddeobtener uno es ESta distribución..-. Xr=nx) : nr.xix*x¿xlxá)' #...ón hipergeométrica.+ p.....3. que es una generalización de la distribución binomial.... por ejemplo.. entonces empleando la distribución binomial (/ ) vemos que la probabilidad de r éxitos es (r 8) ya que p: bl\lt'tr). es Si modificamos el experimento anterior de modo que el rnuestreo sea sin remplazamiento. respectivamente...Az.il \?¿i (b\( r \ (1e) Esta es la distribuci..Pz.cAP. rr] . .. conjunta para las variables aleatorias multinomial puesto que (16) es el término general en laexpansiónmultinomiald" (pt EJEMFLO 4.en ét cü¡ se to.'rXk.. = 000344 ElnúmeroesperadodevecesqueAt. La media y Ia varianza paxa esta dist¡ibución son .A2. se llama la dístribución * pz * "' 1.. Si un dado honrado se lanza 12 veces.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 113 es decir. n" entonces P(Xt.Xo=2\ = z.Xr.hur(..=Z.l. Ar..--r. que es Ia variable tipificada a normal asintóticamente. * n..llt. se cumple cuando son variables aleatorias independientes con la misma media y la rnisma varianza pero no necesariamente distribuidas idénticamente...uv. .*Pz Xe sonlasvariablesaleatoriasrespectivamentequedanelnúmero devecesqueA¡.ftPn E(X1\ -' np1.

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

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

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

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

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

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

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

16 P(2 niños) : P(l niño) * P(2 niños) 16 16 * P(3 niíror) * P(4 nlñoa) 1 3 1 1 4 8'. -' /t\/ 1l\'/+)' = t. \r \zi\z/ .cAp. ¿cuántas calcula deben tener (c) al menos 1 niño. P(al menos 1 niño) /t)l+)'ll\' = \./s\/t\'/qY \2/\6i \6/ \'i \ei \o/ * \o/\e/ \6/ * \s/\a/ \a/ 626 r25 25 1 763 .L' = /1\/1\'/l)'= l.es sea niño y al menos 1 Ll2. (b) 2 niños.3. HaIaf la probabilidad (o) p(lniño) p(3niños) Entonc. (d) ninguna niña? Refiriéndonos al Problema 4.3 vemoe que (o) (b) N(rmero esperado de familia¡ con al menos 1 niño = . P(almenorlniño):1-P(nir¡gfrnniño) = l(b) P(al menos 1 niño y al menos una niña) ll)t \2/ = .. 3725 3125 = n76r n76. De 2000 familias r-:on 4 niños.ooo (lf) = 2000 18?5 Número esperado de familia¡ con 2 niño¡ 20OO ' P(2 niños) ó 2 niñas) = (3) = \ó. (b) al menos 1 sea niña. (c) 1 ó 2 niñas..\o/\6i \6/ \r/\oi \o/ 3125 .. Suponer que la probabilidad del nacimiento de un varón es t-. de que en una familia de 4 hijos (c) al menos 1 sea niño. (o ) ee coüvierte en P(X>l) : P(X:l)*P(X=2)*P(X=3)*P(X=4) = 18 4. por ejemplo. 4l DTSTRIBUCIONES DE PROBABTLIDAD CON NOMBRE una PROPIO '.= 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\'.4. Entonces.3888 ' 3888 ' 7776 ' 7776 .i tUO (c) P(l : P(l niña) * P(2 niña¡) niñoe) :P(l niño)*P(2 : I +3 : * .3888 4.zL (b) P(3 ocurra máximo vez) = P(X 1) = P(X = 0) * P(X = 1) = = 1l\/rY1¡\'*' ¡s) /r\'/rY . -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.i \t/ \t/ = 2 8 p(4 niños) = (l\ /1)'11)'= f x-/\z) \z/ .4 16 Otro método.\s/\z) \z/ .

.nba j-ésima si éxito en la prueba j-ésima U=1'2.p:0. Si X está'distribuida binomialmente.n" . = = Método 2.L22 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.l# = fr X que está distribuida Hallar la funCión generatiz de momentos de una variable aleatoria binomialmente.0.7.4 Número esperado de familias con 1 ó 2 niñas = tZOOOill) ' '\ 6 / \/ = 125 1250 (d) Nfrmero esperado de famiüas sin niñas = (2000)( i ) = 4.rt't0. 4..1. Médodo 1. \r/ Entonces la función generatriz de momentos está dada por M(t) = E(etx¡ = )etxf(r'¡ n /n\ = ¡=0 . de un tornillo no defectuoso va¡iable aleatoria X el nl¡mero de tornillos defectuosos.8)a = s..detalmodoquelaprobabilidaddenoTenunsololanzamientoesq:1-p:516.pet¡" Xi ' |0 {[1 si fracaso en la prr.n) .q" .46e./ ) _)p..0.r. Entonces es g : I .6.' (0. página49).46e6 ffi ? . (ü) p(X = 0) = (c) P(x <e) = (fi)to.:: =:"0. La probabilidad de un tornillo defectuoso e8 p :0.8)r = ¡..2. Si el 20 % de los tornillos producidos por una máquina son defectuosos. (b) 0..'(\*. HaIIar Ia probabilidad de obtener un total de 7 al menos una vez en tres lanzamientos dé un par de dados honrados. f (r) P(x = r) = (!\o. determinar la probabiüdad de que de 4 tornillos escogidos aleatoriamente (a) 1. Para una secuencia de n pruebas de Bernoulli definimos n /n\ '?n ('/tr"')'0"-' (a -l. (c) menos de 2. P(al menos un ? en tres lanzamientos) = | . sean defectuosos.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. = 1:)l+Y/q\' \"/ \"/ \6/ - r25 216 y 4.8. Sea la (o) P(X: t) = (rn )..6..

esdeciresperamolque40tornillosesténdefectuo¡os.'* Xn. 2. M"(t) - 'f pst¡n 4. (o) Medialt:np:(400)(0.1. LEY DE LOS GRANDES NT.2.8.. o =.t/V6d. como se requiere.)(0. Pa¡a la función geraeratr:iz Mj(t) = stoqlettp .t y varianza 02 Íini- (r) en tol P(X-11 -ko\ flp. . o - {-npq.1... = X. Demostra¡ que la media y la varianza de una variable aleatoria distribuida binomialnente son p: np Y o2 : npg respectivamente.9) : 36. de Los resultados anteriores también pueden obtenerse (pero con má¡ difrculüad) derivando la función genaetriz momentc (véaee Problema 3. página 80..'EBAS DE BERNOULLI 4.i .. (b) l'Iananza o2 : npq: (400) (0. págirra 84.q Entonces o2 p:E(X)=E(X'\+E(X2)+"'+E(X")-np = Var(X) = Var(Xr) *Var(Xz) +.n) (Q Entoncee por el Teorema 3-9. si X es cualquier va¡iable aleatoria con media tas.cAP. Por tanto la desviación tipifrcada o = y'56 = 6.npl > k1/i-npq) < i ó (3) Si hacemos c = k \l T. Por la desigualdad de Chebyshev. y1 E(X) = 0q*Ip = var (x.10.) Í+ó \l ?¿ -l = / = 0 El resultado también se deduce directaménte en el Teorema 3-19.) + (r - p)2p = i)".y (I)rc convierte En particular si X tiene distribución binomial o de Bernoulli.. tt = flp.lro." *Var(X) = npq donde hemos utilizado el Teorema 3-7 para o2 . li* Pll{-.) / \ 14 'l y tornando el límite cuando n -+ @ = 2+ ¡4r.7 tenemos para/: L. Procediendo como en el Método 2 del Problema 4.IMEROS PARA LAS PRI. .4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L23 de momento¡ Entonces las X¡ son independientes y tenemos X: Xr * Xz *.L52\.i)'== . n.e*pet M(t) = M tQ) LI2Q\' ' ' (i=1. entonces ¡. con S. halla¡ (a) la media y (ó) la desviación tipiticada para el número de tornillos defectuosos de un total de 400 tornillos.38) o direetamente de la función de probabilidád (véace Problcma 4. entonces F = P(lX.1 ):40. Demostrar el Teorema 4-7.la ley de los grandes números (en forma débil) pa¡a las pruebas de Bernoulli. Si la probabilidad de un tornillo defectuoso es 0.1 = .)l*. v (3 ) se convierte en P(lz -. :-. página 83.. 4.9. tenemos. .

baje por la columna ma¡cada con z hasta alcanzar el valor /.28.4964 | t/Zt Js \/2r Jo "-uz/z 1 (d) Area pedida : (área entre z : : E¡to es - (área entrez : 0.2. baje por la columna z basta alcanzar el valor 0. .46) * (área enbe z:0 y z : 2.1828 O yz ) lo mi¡mo que P(0.12.4864 : 0.211 = + (''" {2r .+e "-u2t2f. (c) entre z : -0.21.6.t _o. = "-u!/t 0.Luego proceda a la derecha h¡sta la columna marcada 0.rz¿u (c) ñ J" Area pedida . Por tanto P\0=z=r.68 (por simetría). 4-3 (b) Area pedida : área entte z : O y z: *0.gg4g z=O .46 f ZÉ2.25f ? El área.941.6636.ildlt + _= |^2 ¿¡ = O. Por tanto P(-0.11.C.27.a'ley de los grandes números establece en este caso que la probabilidad de la proporción de los 3 en n lanzamientosdiferiendodel/6pormásquecualquiervalor€)0tiendeaceroamedidaquen-+€.2L) : (área entre z : O y z : 0. Halla¡ el área bqio la curva normal tipiñcada (a\ enfte z: Q y z: 1.46 " 1 e-u.as 0.L24 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.i77Z + 0.68 sz=o) = -! l'o {2¡ J = | r' -o. \. El resultado.6636 e-ú'/! clu = 0.68 y z : 0.2) = | {u ¡rz Jo ¿r.94) O y z = 0.2517.(b) entre z:-O. Por tanto .81 0.0. [.2I) : O. proceda a la derecha hasta la columna 8.4 4.4738 - : 1.=12 Fig. 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.46 y z: 2. ee el área pedida y representa la probabilid¡d de que Z eté entre -0.!772 + 0.. 0. DISTRIBUCION NORMAL 4. (d) entre z: 0. (e) a la derecha de z: - L.68 "- u.81y z = L.¿ ¿-uzr!¿u = -! Jfo \E = ___1__ -o.2.u + t/2" 'lo + ('"' "-u2tz 1¿4 2l 10. 0.46 y 2. Por üanto'.68 y 0. represenüa la probabilidad de que Z eaté entre -0. P(-0.3849.2910 = 0. El recultado.46 y z : O) * (área ent¡e z : O y z : 2.94. Entoncee.L (o) Utiüzando la tabla en el Apéndice.81 = Z = L.(área enhe z :-0. es el área pedida y representa la probabiüdad de que Z estÉ ent¡e O y 7.

z : -1.de 91 kg. El problema es equivalente a resolver para z la ecuación rfz G ).:1Tí"11u (área entre 0 y O.4332.69.5 y 71."O.0277 (árca entre -1.4332- : 0.3997 + 0.3??0.0.4549 y z: l'ig.O2l7 + 0.28).8997 Esto es lo mismo que P(Z > -1. hallar el valor o los valores de z tales que (a) el área entre 0 y-z sea 0.5 kg. Caso 0.28'y z = O) T 1área a la derecha de z : 0) = 0.4332. : (47 .0217.O2L7 : 0.5 kg y la desviación tipiiicada es de 10 kg.(área entre 0 y z) (área entre 0 y z) 0. (b) Puesto que el área es e-tt/2 du = 0'3770 mayor que 0. hdlar el número de estudiantes que pesan (a) entre 48 y 71 kg. Caso 1: z es negativa pero a la derecha de -1. (b) el área a la izquierda de e sea 0.09.7O ?1.5 )/10 .cAP. Area entre z v -t'5: 9ü. Suponiendo que los pesos están dishibuidos normdmente. (c) el área enhe - 1.5: -2. Por tanta z: + 1. con menos precisión.14. o.8621 .35.4-ll -1. por tanto z debe ser negativa. Por simetría.5 y 0 ) .8621.694 utilizando interpolación lineal. Entoncec la z pedida es 1.5 y 0' (c) Si z fuera positiva el área sería mayor que el área entre que es 0. El peso medio de 500 estudiantes varones de una universidad es de 68. (b) más. 0 y z esO.4332- Entonces el área entre 0 y z es cual e: -1.5 y z : 0.5:0. (a) En la tabla en el Apéndice C.5. Si "área" se refiere al área bajo la curva nonnal tipifrcada. z debe ser positiva. Area entre -1.5 kg en unidades tipificadas 68.5: 0. 4.O2l7 : Entonces el á¡ea entre z).16.1 y bajo la columna 6.13.3621. 4. z : -t.4115 de lo 2: z es negativa pero a Ia izquierda de -1.5.4332 :0. (o) Los pesos registrados entre 48 y 7l kg pueden realmente tener cualquier valor entre 47.5)/10 68. suponiendo que se regis' han al valor de kg más próximo. -1.5 y z sea 0. de lo cual z:1.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROP¡O Area pedida L26 (e) - (área entre z: -t.5: 0.5 kg en unidades tipificadas : (71.16 es otro valor de z.5. Area entre 0 y z es 0.30 47.L6. el valor 0'3?70 se encuentra a la derecha de la fila ma¡cada 1. o.

podemos resumir los resultados anteriores en términos de la probabilidad al escribir P(47. etrt+oot-tu2/2. el resultado anterior se modifica ligeramente.SO) (área a la derecha de z : 0 ) .7698 ó O yz : 77% -1.1179 = kS ee 0.L26 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.16.29 .2 .5<W<71.5 .600) kg.0126: L. d1) = "ut'<o2t2/2t (J-ú "-tr-ort" l/2" .10 y z Ol * (área eítte z = O y z : 0.l.6)/10 : 2. 1.2) yz Proporción de lavadoras no defectuosas . (D) toe e¡tudiantes que pesan más de 91 kg deben pesar al menos 91.30 Entonces el número de estudiantes que pesa más de 91 kg Fig.5 - 0.(área bajo la curva normal entre z : L.300) 0.6000 Entonces el nfimero de estudiantes que pesa entre 48 y 7f 500(0.2) .5 Proporción pedida de estudiantes 91'5 kg en unidadee tipificadas: (91.30) : (área entte z: -2.2 -77% = 23%.295 cm. Sin embargo para doe cifrar significativag los resultados son iguales. .26 s 1. M(tl = E(etx¡ = L= Remplazando (x ot/2r J -- (' ette-(t-tD2/2c2 dtr g.26 en unidades tipificadas 1.0125 cm.29 en unidades tipificadas : : (1. La media del diámetro interior de una muesha de 200 lavadoras producidas por una máquina es 1.4893 = 0.(dos veces el área enhe z : = 2(0.2 : -7. 1-14 Obsérvese que si consideranros el intervalo L.26 a 1. Hallar la función generatrrz Tenemos de momentos para la distribución normal general. 4. El propósito prira el cual se han diseñado las lavadoras permite una tolerancia máxima en el diámetro de I. suponiendo que los diámetros están dishibuidos normalmente.11.275 cm y la desviación típica es 0. r.29 cm como representando realmente los diámeüros de¡de L.4 Proporción pedida de estudiantes : : = (área entre z = -2.(área entre z : O y z : 2.0107 es 2.91¡ = 6.3849) = 0. de otra forma las lavadoras se consideran defectuosas.2 L. Determinar el porcentaje de lavado¡as defectuosas producidas por la máquina.26 (1.30 = 600(0.2 Por tanto el porcentaje de lavadoras defectuosaÁ es 10002 Fig. (área a la derecha a.5)=0.I.29 cm.68.9tOt 4.275')lO. 4-r3 Si W denota el peso de un estudiante escogido aleatoriamente.30) 0.tt)lo: uenlaintegralde M(tl = -= | \/2r J-14q modo quer:¡¡+ dx: o d4 tenemor dt.4821 + 0.010?): $.O]-25: -1.600 P(W -. : Z.10 y z:0. .1.275)l O. = 300.266 a 1.

p94!l y la varianza para la distribución binomial están = 1.5 caras.6. (o ) Sea X la variable aleatoria que da el número de carag en 10 lanzamientos.4429 + 0.7718 (área entre d.E \ /\2/ \2/ =5) = l.* "á Ar P(X=A) /ro\/fY/r\'_ = \4 /\z/ \z/ P(X=6) = 106 stz /to\/r\o/r\n _ = (.95) (área entre z :-1.5 en unidades tipificadas : (6.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L27 Entonces sustituyendo u - ot: u hallamoc que ettt+(c2t2/2)( M(t) : + f\t/2" J-* "--.58: 0.58 y z : 0. La probabilidad pedida es la suma de las áreas de los rectángulos sombreados en la Fig. se'deduce que 3 a 6 caras pueden considerarse como 2.7734 que se compara muy bien con el valor verdadero superiores de n.95) : O.es la probabilidad pedida es P(B=x<6) = #. Entonces dadas por/r= np=10(4\= 5yo = {nw = y'(10)(+)(+) 2. Cor¡siderando los datos como conünuoe. mostrada a trazos.X.5)/1.5 a 6. 4-r5 23{587E Nfrmero de caras Fig. obtenido en la parte (o). 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. (b) la aproximación normal a la distribución binomial.#*¿%*# 03 = # = 0. 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.)'_ .)\.17.ó8 : -1.-o) l+Y 5 ll)' : .5 .¿*\ / = ewt+(ozt2/2) APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 4. )\.5 en unidades tipificadas : (2. ro¡ Entonc.5)/1. La precisión es aün mejor para valores . 4-16 trata los datos como gi fueran continuog.58.e O.68 y z = O) * (área entre z : 0 y z : 0. Tqqbié"r!g_. Entonces p(x=B\ = P(x ('f)(.58 6.cAP.7784 Probabilidad 2341678 Nfrmero de caras Fig.) ffi.3289 : 0. en la Fig.95 Probabilidad pedida : : z: -1..

5 en unidades : (área bajo la curva normal entre z: -5. . . Una moneda honrada se lanza 500 veces.02y z: Probabilidad pedida -O.. : 4.- -1.35) : (á¡ea entre z : O y z : -5.18.7 3 Probabilidad pedida : (dos veces el á¡ea bajo : 2(0'4968): 0'9936 la eurva normal enb.94 y z: 0.311 : (área ent¡e z: O y z: -5. pbr (o) Deseamos la probabilidad del número de 4 entre 0 y 18.02) . o si consideramos : (219.5 en unidades tipificadas 28O. o \ i \6/ \6/ -{. suponiendo que el dado es honrado.0. (rzo\/r\/!\'.35) : 0.6 . empleamos la aproximaclón normal.94 260.18 (o) Necesitamo¡ la probabilidad de que el número de caras se encuentre enbe 240 y 260.20)14. Hallar la probabilidad de que el número de caras no difiera de 250 por (a) más de 10.O2 14.b.37) -0.5 en unidades tipificadas : : (área bajo la curva normal entre z: -0.5.19. Entonces -0.e z: O y z:2.4115 : 0. 239.4 4..0.0.OB pero debido a que el habajo involucrado en la computación es excesivo.(lX*) : -5.3? (D) Procedemos como en ha parte (o).. un 4 debe apariecer 14 vece¡ o menos en aproximadamente la décima parte de estas muestras.mr. 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..L28 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP.7 3 280.)(+) = I 1.3557 -0.94) : (dos veces el área enhe z: O y z :0..6528 = (239. es decir etabacargoda 280."p: .18: .94):2(0.5 y 280.5 y 260.5 en unidades tipificadas : 1-0. (b) por más de 30. ¡ rzo\1¡\''l5_\'o' r8 \.02 18.6 - 2O)l4.5 -..5 en unidades tipificadas : 2. t. 219.5 cuatros.5 a 18. entre 239..5 en unidades tipificadas hobabiüdad pedida .18 : -2.1443: 0.02) : : -(área enhe z O Y z : 0. o si conslderamos los datos como continuos.5 en unidadee tipificadas :-5.3264): 0.. Hallar la probabilidad de que resulte 4 (c) 18 veces o menos y (b) 14 veces o menos. Un dado se lanza1-2O veces.08 . l8 cuatros pueden tratarse como tt = ttp = Entonces 120( )l = ZO \o/ /t\ y q = 1/-n7tq .(i) = 250 s '= \/ill = .OB tipificadas : -0. entre 219.5 se 0.5 .(área entre z : O Y z :-1. Esta se encuentra exactamente ¡rzo\/f\"i 5\'o' ..' La probabilidad de que resulte un 4 es p: l16 y de que no reeulte esg : 5/6.. remplazando 18 por 14. . podríamos considerar que la moneda no 4.250y11.73\ por más de 30.94 ib) Necelitamoe la probabilidad de que el n(¡mero de caras la encuentre entre22O y datos como continuos.6/ r7 \ /\6/ \6/ \ /\6/ Con¡idenndo los datos como continuos que 0 a También .0885 Se deduce que si fuéramos a tomar muestras repetidas de 120 lanzamientos de un dado.'.5 - 250 )/11.5 en unidades tipificadas: (14.(.31-i Probabilidad pedida : (área bajo la curva normal enhe z : -5. = ..02 y 2 : -1.

Primero. Segundo.I \n/ / r \ ¡-¡ ) n1@. Establecer la validez de la aproximación de Poisson a la distribución binomial. = "-^. . Entonces donde E(X) /-\ (I ) se convi'erte en rl Entonces cuando ¡. tenemos >{] !a1*="¡ = t=O -.20 realmente es uná función de probabili' dad. 1'-t)/'-?). n/\ n/ \ en tanto que ('-+) +. Hilgase ¡.'ir . Verificar que la función límite (2) del Problema 4./ \ --> = (r-\)'1t . Si X está dishibuida binomialmente. . ' .i)-' + m/ \ \ cálculo = €-tr empleando el resultado conocido del . página 80. : rtp de modo que p : I/n.20.+:: ¡=(l ' ' e-). 1...cAP.er = 1 y se completa la verificación. que ee la distribución de Poisson. obseryamos queP(X: ¡) ) r=0 O para r = 0.21. dado que ). 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.-r)" r?. (¿-r)(1) /. 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. El reeultado pedido entoncec ¡e deduce utilizando el Teorema 3-10.rl ('* i) = Se deduce que cuando n (2') / \¡ eu - pero I permanece frjo (es decir p -+ 9¡ P(X=r) + ¡:q. 4. entonces (f) P(X=r\ = l'"lqrq¡-r \r/ : np. Otro método. . ) 0.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L29 DISTRIBUCION DE POISSON 4.

determinar la probabilidad de que de un total de 2000 individuos (c) exactamente 3. lioo ¡ln p¿tar liii¡ {ili ¡n . podemoa suponer que X tiene una distribución de Poisson. empleando (o) la distribución binomial.1) - 1. 4. t ¡t qn.(d) I¡¿-)\ donde p(x-Bt . Zze-21 -. _/1t\ para X* es ". Entonces de acuerdo con la distribución binomial p(x:zl (b) Tenemos )\: np (tJ )10.23.1 y \ = np 5 5.180 (b) P(X>2) = 1-[P(X=0) *P(X:1) +P(X=2)] _ I fzo¿-z.1. exactamente 2 estén defectuosas.tr r/iñ 1o + per/ lliii tvr ll-nw 1n ¡pt e ' tnp. )r. Denótese por X el número de herramientas defectuosas de las 10 escogidas. Halla¡ la probabilidad de que en una muestra de 10 henamientas seleccionadas aleatoriamente. es 0. (b) más de 2 individuos tengan reacción. TEOREMA DEL LIMITE CENTRAL 4./íil 2 o et't-(.np)/l/nW y la función generatriz de momentos Eletx'¡ E(et<x-nú/t'/-nil¡ tnnr rliii g 1"txrl noÁ ¡ "" = e-tnpt.001) :2 _ 0.001. e t..183e ó 0.323 Una evaluación exacta de las probabilidades empleando la distribución binomial requeiiría mucho más trabajo. Si la probabilidad de que un individuo sufra una reacción por una inyección de un determinado suero.4 4.r -Lót 1! ) = l-6e-z = 0. (o) La probabilidad de una herramienta defectuosa es p :0. tfi-oa = > ¡=0 |\_.18 En general la aproximación es buena si p É 0.22.. X tiene una distribución de Bernoulli.e¡' = \z/ 0. (b) la aproximación de Poisson a la distribución binomial. vC.re = (10)(0. Entonces de acue¡do con la distribución de Poisson I¡¿- P(x--x) . 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. La variable tipificada para X es X* = (X . es decir P(X:x\ -.130 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP./)(p".' .0"-' .1e37 ó o.t ¡n = le(qe + pet.24. pero ya que las reacciones se suponen sucesos raros.2te-z --z! .- 6 P(X=2) = %: = 0.1# ^:?¡p:(2000)(0. sultan defectuosas.r¡r1s. Denótese por X el número de individuos que sufren una reacción.. Diez por ciento de las herramientas producidas en un proceso de fabricación determinado re.

+. = ... o\t z"Pq-r / '/"Ñoo(n-!-g\ * . debido a que las X¡ eon independienter. "' \ -. Paran:L..E(er.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Entonces empleando la expansión 131 eL hallamoa = L*u* t+gl u2 uj +"' qe-to/. .n6r-É) n orJ + ft. Demostra¡ el teorema del límite central (Teorema 4-2.tar I peta/tlnnf.. . .. Por tanto +X2+"'*Xr..cAP. Elet<xr-u)ro{i1 ..Sl es s" -JP oVn E(etsi¡ - Efet<s^-nutror/i 1 .1 donde.queeslafunción genetafrizde momentosdela función normal tipificada.Elet<x"-Dta{.Xz. tzqz . Así el resultado pedido se sigue por el Teorema 3-10.r[r + L t(xt _ p) tz(x-t.Elet<xt-. hemos utilizado respectivamente los hechos de que las X¡ son independientes y que están di¡tribuida¡ idénticamente. t2 Portanto E(etx'l: (r*!+"')" \2.. pig¡naLL2\.. Zo'n o\/n que ...... = q+p+-'iroo : L+h+.25.. por el Teorema 3-10..tenemosSn:Xr o2.si¡ = / Iz (t*. = r+fi+.qte es la funci6n generatriz de momentos para la distribución normal tipifrcada.. en los dos últimoe pasoa.?/ Pero a medida que n + e el lado a la derecha üiende a et2/2. por una expansión en serie de Taylor.. = {Eletrxr-utr"ñ1¡" .) \ n Pero el límite de esta expresión a medida que n -+ @etet2/2. /.. tq . Entonces..) = nu y.f = Efet(xr-ülo6). p)2 ...-] + 2o2n + ovn J = de modo E'(1) + l..EntoncesXt.XntienenmediallyvarianTa ¿(s") = E(X)+E(X) + "'+ E(X. 4.2. Var(S") = Var(X1)*Var(Xzl+" '*Va¡(X) Se deduce que la = noz variable aleatoria tipificada correspondiente a S.Elet<xz-ú/"6).'. = r++@++Gz)-. se sigue el reeultado pedido. página 80.r¡1*'-p)21 * . página 80. es sÍ La función generaEiz de momento¡ para .(t ) h+ m. e(x2-tt)/"G. Por tanto.. et<x^-tJ/ol.)/ot/.

La probabilidad de escoger cualquier bola roja es 5172.26. Método 1 (por fórmula).ri \z ) /ro\ \5.4 DISTRIBUCION MULTINOMIAL 4.rt. i-paIpo)G donde p.t \A/ Pero la misma selección puede realizarse en otros órdenes diferentes. 4 blancas y 3 azules.t i . lJna caja contiene 6 bolas blancas y 4 rojas. 2 blancas y 1 azul. y el número de estas formas diferentes 6l 3!2!1! como se expuso en el Capftulo 1. pero no se remplaza la bola.El número de formas diferentes de seleccionar las 2 bolas restantee de las diferenües que contienen 3 bolas blancas /a\ 4 rojas * (. Una bola se selecciona aleatoriamente de la caj4 se observa su color y luego se remplaza. Método 1. Una cqia contiene 5 bolas rojas.\ [ . 2 blancas y 1 azul en ese orden es /s\'/¿\'/rY \tll \.h(¡r)'(#)'(.+)' = ffi es es Método 2. 6t In\"lt\-/:lY z!r!\itl/ \itl \rrl $/ La probabilidad pedida es el término 44p" en la expansión multinomial de (p.'. P(roja en cualquier extracción) = # P(blanca en cualquier extracción) = h P(azul en cualquier extracción) p(B rojas. Entonces la probabilidad pedida es lr Método 3.132 DISTRIBUCIONES DE PROBABILIDAD CON NQMBRE PROPIO lcAP. Po=' 3/12' Porexpansión se obtiene elresultado anterior. pb = 4/72. Por tanto Ia probabilidad de escoger 3 bolas rojas. 12.27.i Entonces r azur) = . En forma análoga la probabilidad de escoger 2 bolas blancas e (4ll2l2 y la de escoger 1 bola azul (3/12)t . . ) Por tanto el número de mueshas y 2 rojas ". El número de formas diferentes de selecciona¡ 3 bolas blancas de 6 blancas * \r/. Hallar la probabilidad de que después de 5 pruebas del experimento se hayan escogido 3 bolas blancas. 2 brancas. /o\ /r'i \. Entonces la probabilidad de escoger 3 bolas rojas /5tl2\3 . Se realiza un experimento en el cual se selecciona una bola aleatoriamente y se observa su color. DISTRIBUCION HIPERGEOMETRICA 4. rc 2l . 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. Halla¡ la probabilidad de que de 6 bolas seleccionadas de esta forma 3 sean rojas.

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

l'(a r. .19: t tenemos E(xz¡ = ff"*.¡a-\d... Demostrar que la media y lavananza de la distribución gamma están dadas por (a) p: aP. HaJlar la media de la distribución beta. El segundo momento alrededor del origen es * 0) l'(a + 1) r(B) o I a B E(xz¡ = f(a)f(p) (t .z¡ro-r1l. Hallar lavarianza de la distribución beta. = r@l#l = :a+-a DISTRIBUCION GAMMA 4.¡^.o*r"-ro. la función de densidad de X está dada por s(r) que es la distribución de Cauchy.. r Y dx Íz+a' Entonces por el Teorema 2-3.32. página 46. 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_! . (b) o2 (a) = oB2.lff.31.rÍ". t.4 ¡: a tan 0 tenemog o-t¡¡-L! a .134 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Considerando la baruformación [cAP. ya que I'(a + 2) = (c * 1) r(c * 1) = (a * 1)a I(a).)*: = ift)"("+z) = n2 Í. fo"' . = Í. p = E(x) = ### fo'*¡..33.." = ffirt"+f¡ = R RemPlazando p= Bon f' Fe-tdt aB (ó) Remplazando E(Xz¡ = t.r ." ". .+fl Jo * l* _ r(a)I'(p) r(c r'(a + 4)- Jo (t *su+t11 2) l'(B) n)e-r ¿.1o" xlQ: t tenemos : f.t p\ f I sa(r - ¡)e-r fls rt"lrtBl r(a+1+B) I(a + É) dr(d) r(B) r(a) r(B) (" + P) f(4 + p) = 4."-r{r-x)F-tlitr = frffiJ. Por tanto p2 = Bz(aIL)a"2 .." ffi.'#0" p2(a*t)a." "loo"¡.E(X2) - (ap)z - "Bz DISTRIBUCION BETA 4.

como se ve al página 116.B2. grados de libertad.'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.34. Sean ¡t y X.34 que una distribución cuya funéión generatriz de momentos es (1 2t)-<vt+v2)/2 es la dishibución chi-cuad¡ado con v11. ! X. y utilizar el hecho de que r(á) = V7.CUADRADO 4. obtenemos P(Y < ú = -! fs rrrze-uz t/2r Jo d.1 en la última integral hallamos M(tl = 2.t2r(v/2)Jo " r-2t \r-2t/ : ll . Pa¡a ( 0es lóglco que P(Y SU) y> 0 tenemoe P(Y<u): P(Xz<a) = P(-\/u=X<+\/a) +fr"-. ea M(t) : Enet(xr+xü1 : E(etx. Puesto que Ia correspondenX y Y no es uno a uno no podemoe aplicar el Teorema 2-3 como está.a una distribución normal para X. Esta debe ser la distribución de Z.)Eqéx"¡ : 1l-2t¡-'r/2 1l-2t)-vz/2 utiüzando el koblema 4. t : (1 - N¿¡-Qr+v2t/z (b) Se observa del Problema 4.r2. pá4ina 1-1. página g1.6.36. colocarz: 1 en (39). es con (¿ dA v. DISTRIBUCION CHI. 4./2dü (-.ztl-v/2 fa u<v/z)-re-udu = (L-zt¡-'rz r'(v/z) )o 4. Efectuando el cambio de variable x : *t/T en la última integral.36.84.t Pero esta es una distribución chi-cuadrado con 1 grado de libertad. cia entre Paray Deseamos hallar la distribución de la manera siguiente.2t)-. pero procedemos de :0.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 135 Entonces.s(v-2)/2e-<L-2t>r/2 dr =J-r(v/2) )o 2.v2 gadosde übertad. Demostrar que X2 tiene distribución chi-cuadrado con 1 grado de libertad.la varianza es 02 = E(xz¡-l'(x)l= _(rro)'= cr6#T_Fn : (1. a * v.'rz¿s (-fr"-.-rr/2e-. Al generalizar los resultados anteriores obtenemos una demostración del Teorema 4-4. Y: x2 dad. utilizando el Problema 4. por el Teorema B-18. Demostrar que Ia firnción generatriz de momentos de una variable aleatoria X con distribución chi-cuadrado con I grados de libertad es M(ú) M(t) = E(etx¡ = ú+6ñ to* "r"rr. grados de liberta u2 Z:Xt *X.r2 Al remplazar (l - 2t)n/2 = 7.cAP. do ) función generatriz de momentoo de Z = X. . Sea X una variable aleatoria distribuida normalmente con media 0 y varianza 1.

(c) el área sombreada a la izquierda: 0. Entonces.831. (b) 32. parav> 10 los valores de la mediana son iguales av . 4.35(b). en este caso cada área:0. búsquese el valor 5. en la columna /. Por tanto los valores son 0. La representación gráfica de la dishibución chi-cuadrado con 5 grados de libertad se muestra en la Fig. si el número de gndos de liberbad v es igual a (c) 15.05.1 es el valor pedido de 12. Fig.9?5 Análogamente. (c) 67.¡2.831 y 12. X.05.O. si el á¡ea sombreada a la izquierda es 0.4 4. como puede observarse de la tabla.34correspondienteav:9.025.8.05. el átea a la izquierda de percentila 99.O5): 0. se acostumbra. Véase Problema 4. la cual es igual a 15.2gs. u"mo.? conespondiente a la derecha de la distribución ¡2 es 0. . (b) Puesto que la distribución no es simétrica.025: 0.¡r.99 y ¡22 representa la 4. (c) S9. 4-18 (o) Si el área sombreada a la derecha es 0. xz:. los valores: (a)25. Hallar los valores de ¡2 para los cuales el área de la cola 15.5.O25 representa la percentila 2.3correspondiente av:28. hallamos en la columna ¡.01. x. Hallar los valores de xf.40.. (d) Si el área sombreada a la derecha es 0.píryina 116..39.. el área sombreada a la derecha puede ser 0. Hallar el valor de la mediana de libertad. Demostrarel Teorema 4-3.la cual del Apéndice E es 12. Es de interés notar que los valores de la mediana están muy próximos al número de los grados de libertad' En efecüo. entonces el á¡ea a la izquierda de representa la nonagésima quinta percentila.. El resultado general para todos los enteros positivos l.7.37. a! es 0. X.0.8.¡ se deduce en la misma manera. el área a la izquierda de x? es O. el área sombreada a la izquierda de x3 es 1 ¡j iepresenta la percentila 9?. al menos se especifique lo contra¡io. 4-18.la cual es igual a 0.01.61. Sin embargo. y Si el área sombreada a la derecha es 0. (b) el área total sombreada: 0.esr. x.01.(b) 2T. El resultado 11.0. y x? (c) Si el área sombreada a la izquierda es 0.136 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 2.04 en tanto que el área a la izquierda es 0. hay muchos valores para los cuales el área totál sombreada : 0.. xi representa la décima percentila. xl es (1 .95 y xz2 Refiriéndose a la tabla en el Apéndice E.¡ (puesto que la mediana es la percentila 50 ) los valores: (o) S. 4.026. Entonces del Problema 4.38.0 correspondientear: av:21. Por ejemplo.36 vemos que si X¡ y X2 es. ¡! que corresponde a (a) 9. para v : Por el Problema 4. qi" Z = X?*X2" tiene distribución chi-cuadrado con 1 * 1:2gradosdelibertadsiXr y X2 son independientes. entonces X? V X3 tienen distribución chi-cuadrado con 1 grado de libertad cada una.tán distribuidas normalmente con media 0 y variánza 1. (b) 28 y (c) 40 grados de UtÍIizando la tabla en el Apéndice E. (b) 2I.5 correspondiente a z: 50. (d) el área sombreada a la derecha: 0. lcAP. . escoger las dos áreas iguales.5.05.05.10.150.3correspondiente^v :40. (c) 50' Utilizando la tabla en el Apéndice E hallamosenlacolumna ¡2er.025. x! por los cuales (a) el área sombreada a la derecha: 0.2-.x?o¿s. (Véase las consideraciones sobre notación en la página 116). Entonces procédase hacia la derecha hasta la columna x%r.Ia cual es igual a 1.1.10.

. página 117.locuale¡tÁde¡cuerdooonelvalor6?.FA = zp I t/Ft x| = *(zo+tffj¡z (o) Si v=50. DISTRIBUCION ü x3s¡ dado en el Apéndice E.cAP..tz¿ul¿" LJ":_-e A = urfi en la integral entre parénteais rectangulares hall¡mo¡ . xlgs = \@.(z.zl ztÍt + <t2 | v>r a")au ( " Susüituyendo F(r) = G. er la percentil¡ 10Op de l¡ di¡trlbución nornd tipilicada. dud./4 f ( 7<rrz>-r e-<yz+ztrz ¿.... tn¡r( z\ Ju= -' . oon un alüo grado de aprorimación. *^ I' = - *l Í": como z('' .4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPTO 13? 4. / mayor que 30..41.6 = f.rf ¡"ffi "-r.rr-r"-.r/2. (b) Si r=100.2.#.(' F(r) = _ tf Jr=-.t¡ e¡tl c¡¡i dbEibuido norm¡lmenüc con medie certr y varianza uno. Para .z \f 2nz..o 6 .3).t' / 2 e. Por tanto tenemos Remplazando F(xl = .64+/199P = 124./ .0(v¡lorre¡l =L24. Entonca ti z.er dccir z<v/z)_te_ :|-r+zr/2 para -o 1g 1lo.\2/ r\ (l + u2¡'¡<'+t>rz .lt * T ) eeto puede eocribir¡e d."a']au de acuerdo con lo pedido. z ) La función de di¡tribución de I = Ylt/ffi e¡ F(u) = P(T=r) = P(Y=er/Zfi) = y@2.@ hast¿ rl/z/r.64+rfss¡z =69. -/. '\ z / (. #.-j(* .42..rzrl. Demostrar el Teorema 4-6.100 gados de libertad.=o"r. podemor utiliza¡ el hecho de que ({Tx2 . podemoe ercribir.u [f=. himero fijamor r z b = integramos con reepecto a y de¡de .ss+rtrOool-t¡z = |(1.. Hallar xlerpm (a) v : 60 y (b) y .va J"' {2r2. 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.y ¿2 # donde la integral ¡e toma ¡obre la región ( del pleno lz parn l¡ cr¡¡l g ut/ñ.tzt'(vl2\ ).tzl(vl7\ Jz=o = .es+ftool-t)2= +(1.Lu€{p integrannr_conrespecto az de¡de 0ha¡t¡o.= ."^' + zo+"/2 Í"'=-* d.Elrode donde t6=t = . zo/2)-re-z/21ffi e-uzzr2. DE STUDENT 4. Debido a que Y y independientee ¡u función de den¡id¡d coqjunta er 6l producto de (I ) y (2).u\ .

entonc€s por simetría el área sombreada a la derecha es 0._tr Fig.90.70 correspondiente a v = 27i (c) 1. dada por 1 (. entonces el área total sombreada es (1 .t u(v2/ 2) .gg) = 0. ODt=r. .(b) 1. ú es 0. J z t . 4-19 tt (a) Si el á¡ea sombreada a la derecha es 0.01 es (e) -2. sea 0.es. Entonceg búequese la c. .05. hallamos en la columna te.82. (b\ 27. -1)(v'\/2) "-.05.O5): 0.r) a\. a.) = 6"i.01/2 : 0. Del Apéndice D hallamoe 2. entonced el área sombreada a la derecha es 0. (e) el área a la izquierda de ü. tenemoe | 1U) t.DZ=ü l1U7D Entonces el Jacobiano es i'. t. t. ) 0 y 0 de otra forma.quedelatablaes igual a 1.4 4. Halla¡ el valor de ú1 para el cual de Student con 9 grados de libertad se muesha : 0. La función de densidad conjunta de f '' V¡ y V2 etá.01.e. En el Apéndice B e¡te valoi corresponde a la enhada en la última fila ma¡cada ó).99..44.38.0.O. HaJlar los valores de f para los cuales el área de la cola a la derecha de la distribución si el número de grados de libertad es igual a (c) 16. (c) 200.83 es el valor pedido de t (b) Si el área total ¡ombreada es 0. DISTRIBUCION 4.05 Refiriéndonos al Apéndice D.25.[.138 DTSTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO ú [cAP. r / Ll+ lvt/v)). búsqueee en Ia columna y el valor 9.la/2. La representación gráfica de la distribución (c) el área sombreada a la derecha en la Fig.45.nD\]uJur0. (c) el área total sin sombrea¡: 0. losvalores: (o)L.01 y el área sombreada a la derech¡ es 0.05. (d) Si el Área sombreada a la izquierda es 0.::l = l"*:" 'u':'" Denotando la densidad como función de u y w por g(u. De la tabla hallamos t.9?5 y úr reprecenta la percentila 9?.'') (?ñ rr^ o(vz/2) -| "-'.82.5.u) = . El resultado 1.'.:.:: ::'.05. Deimostrar el Teorema 4-?.e0.olumna ¿.025): 0.95 y úr Refrriéndonos a la tabla en el Apéndice D. ) 0.l4\ -1- f 'pw\"rz'-' ID'-''-"e '"''o'-.0.005.645 correepondiente a y: 200.025 por simetría.1 ez(vt+ v2)/2 lQl/21 f (u2/2) <t | + ú2)' ri o.01. t.lL=-=_rü=02 L"a/ ar t'2ú | vl1t2' . 4. Efectúe Ia transformación u 1/ v1 .:"i = l::"'.43.rl). (b) el área total sombreada: 0.css = 3. (El último e¡ el valor que se obtendría utiüzando la cu¡va normal. 4-19.entoncesúl correspondealapercentilagO.2 g(u. (c) Si el irea total sin eombrear ee 0.99.75 correcpondienteay:16. entonces el área a la izquierda de ú¡ es (1 repreeenta la percentila 95.ú. Por tanto el á¡ea a la izquierda de ú1 es (1 . ú.90.01.er5. (d) el área sombreada a la izquierda : 0. ¿.. De la t¿bla t ss = 2.26 como el valor pedido de ú. Sielá¡eaalaizquierdadeú¡ es0. vlW v2 . Por tanto el área de t para el cual el área sombreada a la izquierda es 0.

l= *.1 -. Verificar que (o) /.. Pero de Tenemoe (r h(u) / v2\vr/2 4Q 1/'' ..\/2i-r. Utilizando la tabla para la dist¡ibución F en el Apéndice F.cAP. la función densidad de la di¡tribución F es r[(t.'r2\ ) = 0 ó trt ry = /.1 = (3.-'1t'"tvp)-uvr\j-:. ) 2' de (.i/2)--t (v2:L vru)-(r. 4.rt) - (¡'r +t2)/2 - . . (b) F . que es el reeultado pedido.\i = /v' I vr\ ) si u ) 0 y 0 ¡i z¿ 5 0. : (4. /.ut = t'(P) ap Jo da) ) 0 y 0 ei rt É 0.r. primera f. . etc. /. Apéndice A..47. i \rn) - 2\ / v' \ si v.+v2't/2r-r = 0 Dividiendo Wt ut|ti2)-2(t2l t¡t)-[("\+t.ot. . hallamos F.5 L6l = (72. 11 .\ z /. 10. donde.o. (b) Del Apéndice F.4l si u DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 139 > 0. Demostrar que la distribución F es unimodal en el valol ¡v' ' La moda localiza e! valor máximo de la función de deneidad. página 118.ob.*r. r¿ desde La función de densidad (marginal) de U puede encontraree integrando con recpecto a decir 0 ha¡ta €. (d) F. (c) Por el Teorema 4-8. RELACIONES ENTRE LAS DISTRIBUCIONES F.t e. rs = 3..5. 7.1-2\/ /\.TZ) \ (-" se Utilizando el criterio de la segunda derivada podemos demoetra¡ que realmente trata de un máximo.so.257. ¡2 y ú 4.8 = 3.s. donde vt -.. = 0.t)- tyt ('4fa) (.46. (c) = 10. \ : ¡.t r rz)tz Si tiene un máximo relativo se presentará cuando la derivada sea cero.48.2\/2)-t e-tt+<v{/v2)t(o/2> z(tt ' u2)/2 t0t/21 l.7L = (2.e75. rr.(vz/2) Jo -tL-!:j!::-:(I5).L5.50¡2.oc. 4.\z .ee. hallamoa \-i.o..ss : t?n (b) fl. = # = 0. A diferencia de una conetante.\rt. hallar (¿) F. ro. es decir (r. F.. er hkt) = ei u (..r' / 2(.0 = 4. (o) DeI Apéndice F. r.71)2. hallamog .ul F'.. ( " *.. Vemos que 18.0g (d) Por el Teorema 4-8. rr. ro.78)2.ss : ".. página 118. =- 9.. ir ua 0.96. \. (a) Comparar ia¡ entradas en la columna de la tabla F.- r1u)-¡(.¿t. 15.326.o.2* r..9. u.au d.'.o5 en el Apéndice F con e¡a¡ en l¡ distribución ú bajo ú.rr.n.80..r.18)2.rr.'rrr..+t.s..l¡.F' gs..io = F_¡ .t . > 0 y 0 de otra forma.30.2* .

21.140 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP. Re¡olviendo..(4.+tfttur¡ = P(T s +VFt-p) . que puede establecerse simplemente como F r-p = t? ott¡ l(4í). Entonces y a./ para u /_u_r. Por tanto ^\ F. Entonces por la definición de un valor de percentila.P(f 0) = = P(T=+\E|-+ donde hemo¡ usado la simetría de la distribución ú..'.o) r\ \ '/ ll '=2 | '\ .rtF.9 " / +1\ -t'* "" t / vv/21l-12v-(.-. Vemos que 4050 : (63. Sea 11 .ee en el Apéndice F conegarenladistribución ú bajo ú.eer.Ft-o) f(u): 0 para ¿ < 0.5 = (9. v2 = v en la funeión de densidad para la distribución F f (ul = .r(l +3!) t r-ru+l)/9 ) O.l.49. P(.'. 4. etc.l / +z\-r¡ \ '/ ¡=.66)2.48. pfuina 116.página 11?]./" + 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.(.es el nhmero tal = 7- * t\ "/" . t { l'-'u-r.60)2. 34. \ : {".4 (b) Comparar la¡ enhadas en la primera columna de la tabla F. + r\ r( ol -r- .sí generalizar los resultados del Problema 4..t.)" . '\2/'\2/ "11\ "/r\ t -/.4*)___\-. tenemos P(T=+tlrno¡ = t -Pi . vemos que el lado izquierdo de la última ecuación es igual a z. Demostrar el Teorema 4-9. I ^F.r¡ n'(.'.. y que P(U 5 .*rr.)" \/ Com¡rarando con (42).84)2.0 <'T = *t/Ft_o) ú donde ? es una variable aleatoria con distribución de Student con u grados de libertad.-¡l r. 98. página 118.1 = (5. P.u/2¿-r/2(y + ul-(r1tr/2 ^/.92)2.r( . Por tanto t-P 2 = Pp<T:.2 -. .

Análogamente la probabilidad de no obtener un 3 en el segundo lanzamiento ee 5/6.r"?ll--+"-. 3.s2 T r. etc. = @) con = "'13.L .. etc. para (a\ p : a1 0. Sean X.F e.7 2.Por tanto la probabiüdad de obtener un 3 en el quinto lanzamiento es 1/6.. y este nfimero se determina finicamente. y) dada por (49) debe para todos los valoxes de x.8t (b) -. r por una función solamente en y para todos ser el Inversamente. Méüodo 1. entonces la función de densidad normal bidimensional (49).95 y (b) p : 0.. Esto es posible sólo si p : 6. Entonces vemos que a r': ó) con etc.25 77i6 .'. Si el coeficiente de correlación p = 0. Y son independientes. si X.52. -. Hallar la probabilidad que en lanzamientos sucesivos de un dado honrado resulte un 3 por primera vez en el quinto lanzamiento.94 3.99. Comparar las entradas en la última fila de la tabla .1. Ll . Y variables aleatórias cuya función de densidad conjunta es la distribución normal bidimensional. _ 9. )Lo.. Entonces la probabilidad de no obtener un 3 en lo¡ primeros cuaho lanzamientos es (5/6)(5/6)(5/6X5/6): (5/6)4.(p/z\\ = l-?. por definición. y se deduce que X. 3. producto de una función solaménte en.CAP. lo cual provee la verificación requerida. se convierte en l@.. 4....60 -.. que era lo que se querfa demostrar.4] DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L4t Pero.il = (4 . lo cual provee la verificación requerida. Demostrar que X..00 =. 4. s. La probabiüdad de no obtener un 3 en el primer lanzamiento es 5/6.. s..21 .+. en el Apéndice E.r y una función solamente en y.4!¡ 4 2.51. página 118.50.'. DISTRIBUCIONES DIVERSAS 4.145. = tt-(p/zt ó Fr-p : tl2t'-tptz'. Véase Problema 4. f(x.02 = #. lotll.¡ es el número üal que P(T=tt. (c) Comparar las entradas en Ia última fila de la tabla F o= en el Apéndice F (correspondientes las entradas bajo ¡. página 118. 't7 2.ú los valores de = t-+o-.:\/2= en . Por tanto ú es estrictamente +\/F.GB a ¡'.r'il ) y y puesto que este es un producto de una función solamente r. Verificar el Teorema 4-10. tt tt¡/z. Y son independientes solo si su coeficiente de correlación es cero.. ya que la función de densidad de Ia distribución positiva. Entonces vemos que 6.¡ !.. K (r(r . la probabilidad pedida es Y/r\ \6i \6/ / s c.78 = #. Y son independientes. + * en la distribución F en DISTRIBUCION NORMAL BIDIMENSIONAL 4. er el Apéndice F (correspondientes las enhadas bajo x:nn en el Apéndice E. La prueba general del Teorema 4-10 se deduce tomando el límite cuando U2 la prfuina 117.

- f.of ¡(1 + 3) b/ L\ .be-! = o-2/br\t + a) Entonce¡ / o\ ¿u 02 = El(X-u¡21 = E(Xz)-uz = PROBLEMAS DIVERSOS o-". página 118.4)0(0.6)4 = 0.63./ du (' = o-r. La probabilidad de que un estudia¡rte que ingrese a la universidad se gradúees 0. Determinar la probabilidad de que de 5 estudiantes (a) ninguno. 1 en el primer dado y 2 en el regundo dado. etc.2692. 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.4. i7't6 4.L42 . DISTRIBUcIoNEs DE rRoBABTLTDAD coN NoMBRE Método 2 (utilizando fótmula). 4. (b) uno. E¡ta¡ ¡on 1 cn el grimer dado y 1 en el regundo dado. .26 (c) P(al menos uno re gradúe) = 1 -P(ninguno se gradúe) :0-92224. (b) la variarrza. Verifrcar las expresiones dadas para la (a) media.64. eon p: Ll6. (c) al menos uno. (o) t' = E(X) = JO f abrb e-o"o d. alf hay 6 . ¿Cuál es la probabilidad de obtener un total de 9 (o) dos lanzamientos de r¡n pa¡ de dados? en veces.92. 6 = 36 forma¡ en las cuales ambo¡ dadoe pueden caer.6)r : 9. 4 Utilizando la di¡tribución geoméhica. (a) P(ninguno ee gradúe) = 5Cs(0.oJs u.977?6. i) integral. etc.08 (D) P(re gradúe uno) = 5Cr(0. ó aprorimando 0.tbr donde hemo¡ ütilizado Lr ¡ustitución u f@ ab ('/"\ du /' (r.""tb)-t a-ub I ur/be-! du Jo a_. se gradúe.r I ú ). ó aproximando 0.¡ :6 Gzl vemo¡ que la probabilidad /t\/o\' _ \6/ \6 / página 119.ra evaluar la (ü) E(Xz¡ = fo- oOro*r¿-oto¡lg r "b ('/z\r*ttro> e-!:u(t/b)-t = o"o )o \. ó aproximando O..55. \i)"-". pedida er pRopro [cAp. de la distribución Weibull. 11. 2¡.q:616. (D) al menos dos veces en 6 ¿ead¡¿o¡ por (1.p(\ t + +)-l ó/J 4. : atb pa.4)1(0.

5).. (a) Media : np :400(0. 4./r\'/e\a.2.133 coeficienüedecu¡tosis: l.56.6 (área entte 0. . 4.1): 40. eb necesario con¡idcrar los datoe como si fueran continuoe.er)*P(9cincovecer)*P . Las calificaciones de un parcial corto en biología fueron 0. . L.3418 - y e = 0) (áre¡ entre z :{. Por tanto una calificación de 6 puntos ¡e cor¡sidera como 5. La calificación media fue 6.cAP. 6). ^ /r\ta. == vnpq H = 0. P(al menoe 9 doa veco) : 1 - P(9 cero vecer) - P(9 una vez) : .a di¡tribución ee s+l---^6:q : 3+ff1-6(0'1X0'9) = nuq 3'01 ligeramente má¡ apuntada que la distribución normal..0 (6./ \ó/ * '"'foi ó * '''Gi 72689 1 10240 960 48 61 = 681 440 65f ¿¿T . la distribución está sesgada a la derecha. 4-20.5?.5 en unidader tipificadar : 5.6 a 6.-. un total de 9 ocurte en 4 cqlos¡ (3.5Bt 441 = 531 441 441 Otro método.17 (5. es decir podemoselpemr que 40 tornillo¡ esüén defectuosos.2 = -'1.2:{). 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. (a) (b) Coeficientedeeeego= Puesto que es positivo. 10 puntos.7)1L. Véase Fig.6. ^/r\'/a\'. 3).5gr 441 * ss1 441 . . (b) la calificación máxima del L0% más bajc de la clase./ * '"'(.9): 36. Por tanto la de¡üación tfpica = /56 = 6. Si la probabilidad de un tornillo defectuoso es 0. determinar (c) el porcentaje de estudiantes con 6 puntos.\0/ \e/ \s/ ^/l\'/q\' ffitZü 7268s 4.1. Halla¡ los coeficientes de (a) sesgo y (b) curtosis de la distribución en el Problema 4.5 . 4). Suponiendo que las calificaciones están distribuidas normalmente.5 puntoe.17 z: -1 y 277o z: O) 0. (4. ^ /r\u = 'c'(o/ \é/ * '"'(.0676 : O.6u.7)1L. (6. (o) P(9 do¡ veces en seis lanzamientos¡ = 6"'\t/ /q\t-' .ó6. (5. (a) la di¡tribución normal a datos discetoe. ^ /r\'/e\'.2. Para aplicar : 6.4I DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 143 De estas 86 forma¡ todar igualmente factibles ¡i los dados ¡on honrado¡.? y la desviación típica fue 1. hallar (c) la media y (b) la desviación típica para la distribución de tornillos defectuosos de un total de 400.1XO. (c) la calificación mínima delL0% más dto de la clase. dependiendo del número de respuestas conectamente solucionadas de un total de 10."'\g/ ' ^/rY/s\u.17 z: -1 y z:-4. (D) Varianza : npe: (40OXO.2788: .-"^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.58./ \.5 en unidadee tipificadar hoporción pedida: á¡ea entre : : .6.

Por tanüo c = I y l¡ probabilidad pedida ee (11 Po(¿) = ¿-^t 4. = 0. 4-2L el la izquierda de z¡ eo LOT. Por tanto la probabilidad de no contar en el tiempo At ec 1 . Por tanto.I -0. Si (b).69.on O como el origen. 4. 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 . Entonces (x2 - 6.69 halla¡ la probabilidad de exactamente una cuenta en el tiempo t.P6(0): c e¡ la probabiüdad de no cuenta¡ en elüiempoGrro.4-22 o ran si AÍ es pequeño.60.28.7)17.40 : -L. Un contador Geiger se emplea para contar la llegada de partículas radioactivas.2 u 8 aproximando al entero má¡ cercano. At. 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. por tanto área.28y Ír:6. 4-21 (b) Sea r ¡ la calificación máxima pedida ] z¡ !u equivalente en unidadec tipificadas.6.Z:-t. exiatirán término¡ adicionalecqueincluyen a (Aú)'y órdene¡ ruperiores. rin considerar los términoe que incluyen (Aú)2 y término¡ cuperiores.L14 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP. por simetría : L. a Area entre zt y O: 0.17 I'ig.28. 4-22 repteeenta el eje de tiempo c.28 (aproximadamente). De la Fig. 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.10.4 . zt Enüonces zt = (xt .I At. la probabiüdad de no cuenta en el tiempo t Entonces Po (ú + At) es la probabilidad de no cuenta en el üiempo ú + Aú. Halla¡ la probabilidad de que en un tiempo f no se cuenten partículas. tenemoS (r) De (I ) obüenemos (2) Po(ú+a¿) = lú Ps(Ú)[1 -IAú] = -IPo (¿) At+0 lim Po(¿-f a¿) - PoQ\ e¡ decir (. Máe precisamente.x2:8. 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. Refi¡iéndose al Problem^ 4.que lógicamente e¡ 1. (c) Sea .4-20 Fig.26 6 aproximando y al entero má¡ cercano. Si se suponen lar llegadae de lae partícula¡ sucegos independientes.r2 la calificación mínima pedida zz =L. pero no se consideSea P6 (ú) r-----]--l Fig.7)lt.2 ! 22 Eu equivalente en unidades tipificadas. La Fig.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.

Suponer 4.66. Por tanto (7') = ¡¿¿ .67. 4 caras en un solo lanzamiento de 6 monedas hallar (o) P(X = 4. la probabilidad de acerta¡ correctamente al meno¡ 6 de 10 res¡ruestas en un examen tipo verdadero- .P. (b ) 1. (b ) menos de 4. 4.I a¿).s supletnenta. (d) 3' @l a. @l 6 caras. Utilizando e¡to en (6) hallamos Pt (Ú) c2 0. (c) 2. Hallar la probabilidad de obtener un total de 11 (c) una vez.(b)5niñar.cAP. (b) dog vece3' en dos lanzamientos de un par de dados honrados. 4. Si P(X=2). .t * \P.61. DeSOOfamilia¡con Shijos. P1(0) eo la probabilidad de 1 cuenta en el tiempo 0. con un par de dados? ¿Cuál es la probabilidad de obtener un 9 exactamente una vez en 3 lanzamientos 4.rlos DISTRIBUCTON BINOMIAL (BERNOULLI) 4. Problerna. X denot¡ el número (d) de caras en un solo !¡nzamiento de 4 monedas. (r) Esto puede escribirse Pl (ú + a¿) = Pr (ú)(1 - r aú) + P0 (¿)r a¿ Pr (¿ + (2) l¿) Lt .66.64.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).69. que es cero. (c)o2ó3niños? probabilidades iguales para niños y niñas. caras.¡e-rtt esto puede escribirse como d.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 145 La probabilidad de (i) es P1(ú)(1 . (n 5. ¿cuántaseeperaríantener(o)3niños. sin coruiderar los té¡minos que incluyen (Aú)2 y ruperiores. Hallar fal¡o.i que es [a distribución de Poisson.ar una moneda honrada 6 veces aparezcan (o) 0. Iülla¡ la probabilidad de (o\ 2 o már honradas. ¿@xtPr) = x que al integrar (6) Pr(t) = \¿¿-rú+c2e-\r Si : t:0.59 esto convierte en dP. La probabilidad de (ii) es Po(ú)I at. u) Multiplicando por (5) e^¿ d.62. Halla¡ la probabilidad de que al lznz.I"(t) = XF'o(¿) - IP1 (¿) ge Tomando el lfmite cuando Af -+ 0 y utilizando la expresión para Pe(ú) obtenida en el Problema 4. (b\ P(X <21' (c) P(1<x=3). Por tanto. tr¿-At (3) dt = ^Pl o d. 3).

72. Demostrar que si una dishibución binomial con n : 100 es siméhica. (b) a la izquierda de z:0. (b ) al menos 3.6 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.oo ¿ea 22c/a.64). Evaluar (o) ) (c - p\3 f (r) v (b) > (r .79' 4. 4.75.76. Hallarz¡ si P(Z-21)= 0. (c)z:-2.7O.2266.15 y z *aO. En un examen la media fue 78 y la desüación típica 10.2O y z --2. (d) correspondientea z>:2.2 respectivamente. lt!aosea .61? pul. (d) coeficiente de curto¡is para una dishibución binomial en la cualp : 0.L46 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. EnelProblema4.85V 4. (c) coeficiente de sesgo. 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. (c) el área entre de z tales que (a) el área a la derecha de z sea 0.45. (dl al menos I persona esté viva.900. (e)correcpondientea-0.2 o.e z: -1.610 y 0. ¿qué porcentaje de esas mediciones diferirá de la media por (o ) más de media desviación típica.68.50.t ! 2 o. 4.82.b superior de los estudiantes recibirán una calificación A (excelente).85 m. (d) iguales a 0. ¿Cuál es la cslificación mínima que debe obiener un estudiante para recibir una A ? Si un conjunto de mediciories está distribuido normalmente. La calificación media de un examen final fue 72 y la derviación típica g. su coeficiente de curtosie es 2. (c) a la derecha d. (c) menores que 0.6140 pul y desviación tipificada 0.6 y 1. todas de edad idéntica y con buena salud.4O.23 y z sea O.(b)z=I.? y n : 60.9.96). hallar P(X > S). Hallar la probabilidad de que en 30 años (o) Ias 5. (c) solament e 2.84. ¿cuántos estudiantes tienen estaturas (o) ¡nayores que 1. (c ) mayor que g 1. (b) menos que o iguales a 1.O?30.77. (a)Determinarlas calificacionestipificadasdedog estudiantes cuyos puntajes fueron 93 y 62 respectivamente. Z está distribuida normalmente con media 0 y varianza 1.8{. El l}'. entre 1.79.0025 pul. ¿qué porcentaje de las medicione¡ están (o) dentro del recorrido I. (b) Determinar los puntajes de dos estudiantes cuyas calificaciones tipificadas fueron y 1. (b) menos que p .96 =_ Z < t.86.71. Si X está distribuida normalmente con media 5 y desviación tipificada 2. z:-I.4 4.69.5722.gShallarlacon¡tanteatalqueelporcentajedelo¡casos(o)dentrodelrecorrido 7 í'. llallar el área bajo la curva normal z: 0. DISTRIBUCION NORMAL 4.80< z< !.55 m.618 pul inclusive.4 respectivamente. (c) Si las estaturas de 300 estudiantes están distribuidas normalmente c\on media 1. -0. determinar el porcentaje de los cojinetes de municiones con diámetros (a) entre 0.?0 m? cm.?8. Calcular la (o) media. 4.52 y a la derecha de z: 1.74.82. Hallar el área bajo la curva normal (o) a la izquierda de z : -1.80' 4. haltar (a) P(Z = -1. (b) P(-1.85- 4. Demostrar las fórmulas en la página 109 para los coeficienües de seego y curtosis. 4.615 pul. 4.608 pul.78: Hallar los valores sea 0.59 y 1. entre (o) 4.23yz:1. Un agente de una compañía de reguros vende pólizas a 5 personas. (/)ala izquierda de z:-2.5 o? 4'83. (d) el áreaentre 1.El m inclusive.83. dondeZestádistribuidanor¡nalmenteconmedia0yvarianzal. (e) el áiea en¡e-z y z 4. (ó) el área a la izquierda de z sea -0. (D) mayor que 0.81' 4. (d) igual a 1. 4.t'c. (b) desviación típica. 4. Interpretar los resultados.?O m y desviación típica 10 Si los diámetros de los cojinetes de municiones están normalmente distribuidos con media 0.r)af(rl para la distribución binomial. Si (c) P(lzl > r). (b) por fuera del recorrido ¡t ! 1.58.0314. 0. 4.!6.56. 4. (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.

del límite central no sea válido en el caso que X¡ . . 3 . son independientes y están distribuidas idénticamente con la distribución de Poisson. . 2 "doses" y . Halla¡ la probabilidad de que 4. Hallar la probabilidad de que en 200 lanzamientos de una moneda resulten (a) entre 80 y 120 caras inclusive. (c) menos de. página 113.9!.0 de cada 100 000 personas.101.96.(d)8. (d) 3. f(r) =. 4.91. f.88. Demostrar el resultado (l 7). Demostra¡ el teorema del límite central para las variables independientes xk = 4. 4. Education and Welfare.entoncesXr+X2 tieneunadistribucióndePoissonconparámetro). En el Problema 4. (d) exactamente 100 cara¡. . 36 LO"/o de los cuales son defectuosos. de loe tornillos sean defectuosos. (d) 55 o más. Se lanza un dado honrado 6 r¡ece¡. Entonces se coloca la bola en el talego. hallar la probabilidad de que (of rnís de 5.(Sugeren- cia: Utiliz. Generalizar el resultado a n variables. Xz. (c)2. 1/2 prob.(f)menosdeS ahogados por año. (c)entre y 46.#Tf DISTRIBUCION MULTINOMIAL 4. hallar la probabilidad de que en una muestra de 100 lámparas eléctricas (a) 0. o 2lámparas eléctricas sean defectuosas.98. (b)entre 30y 60. página I 1 1 . Una máquina produce tornillos.93. S. el promedio de ahogados en accidentes por año es 3. ( t 3 ). Department of Health. 4. 4.1 t\. -'. Hallar la probabilidad de obtener más de 25 "sietes" en 100 lanzamientos de un par de dados honradoe.92. Explicar por qué se podría esperar que el teorema üengan la distribución de Cauchy.87.97. 4. .(n5lámparar sean defectuosas. . Demostrar el teorema del lfmite central para el caso en q rre X ¡. Halla¡ la probabilidad de que el resultado sea: (o ) 1 "uno". (b) entre 1 y 3.(e)entre4y8.95. enunaciudadcuyapoblaciónesde200000ocurran(a)0.94.(c)6.ar la función generatriz de momentos).2. <x< @ 4.cAP. (b) cada ca¡a una vez.90. 4. Demostrar que si respectivostrr X1 ¡l X2 son variables independientes con distribuciones de Poisson con parámetros ytrz. Se extrae una bola y se obsen'a su color.b.(b)2. Hallar la probabilidad de que un estudiante pueda acertar eorrectamente lasrespuestas a(a)12 o más de 20. hallar la probabilidad de que en 8 de tales extracciones se seleccione una bola roja 3 veces. 4l DISTRIBUCIONES DTSTRTBUCTONES DE PROBABTLTDAD CON NOMBRE PROPTO PROBABILIDAD PROPIO I47 L47 APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 1. Si 3% de las lámparas eléctricas producidas por una compañía son defectuosas.97. . Según Ia National Office of Vital Statistics of the U. Utilizando (o) la distribución binomial y (b) la aproximación de Poisson a la distribución binomial. Un talego contiene una bola roja y siete blancas. (e) 4. (c) menos de 85 o más de 116 caras. (b) menos que 90 caras. DISTRIBUCION DE POISSON 4. ( L 1 prob. r¡ : L - p. 4. TEOREMA DEL LIMITE CENTRAL 4.10O. Xz. Hallar la probabilidad de que en un muestreoaleatorio de 400 tor4illos producidos por estamáquina (a)máximo 30. 1/2 -r -t Demostrar el teorema del límite central para las variables independientes 'Yk donde g = | | 1 prob.t9. "heses".99. arí generalizando el Problema 4. p pr. 4. (bl 24 o más de 40 preguntas en un examen tipo verdadero-falso. (b) 7.

Hallat(a) P(X i.z 114. es una función de densidad. hallar la probabilidad de que (o) 10. sesgo y (b) curtosis de una di¡tribución uniforme. DISTRIBUCION UNIFORME reduce a (I ). página 116. Generaliza¡ el resultado del Problema i. página 115. Demostrar que el recorrido semi-intercua¡tílico para la di¡tribución de Cauchyeeo. Una caja contiene 5 bolas rojas 5l l0 blancas. blancas. 4. SiXestádistribuidauniformemente en-2< x=2. 2 zzulee y l amarilla. Una variablealeatoriaX tiene una distribución gamma conQ:3. ó (24\ se para resolver el Problema 4. Si se seleccionan 20 aspirantes aleatoriamente.122. Hallar la función generatriz de momentos para la di¡tribución uniforme. 4. (t) P(l = X=2). (c) al menos una sea roja.Hallar(al P(X <1).109. DISTRIBUCION HIPEBGEOMETRICA 4. 4.con < 2). 4.114. Determinar el coeficiente de (a) > ll 6/. Z. Si se seleccionan 8 bola¡aleatoriamente (sinremplazamienüo) determinar la probabilidad de que (a) 4 sean rojar. página 108.115. Emplear la aproximación binomial (18) obtenida. azules y amarillas en la proporciün 4t 3z 2: L. Suponga que X tiene una distribución de Cauchydeacuerdocon(29). hallar P(lX . Yerificar la (a) función generatriz de momentos dadas por (33 ).(b)8 sean rojas y 2 amarillas. (b) ninguna sea figura.106.105.págrna114. De 60 aspirantes a una universidad 40 son del oriente. Demostrar que si X1 y X2 son independientes y tienen la misma distribución {e Cauchy.103. Hallar (a) el tercero y (D) el cuarto momento alrededor de la media de una dishibución uniforme. normalmente con media 0 y varianza l Demostra¡r que Y: Xt lXz tiene una distribución DISTRIBUCTON GAMMA 4.págin. 4. y (b) la función caracterfstica de la di¡tribución gamma .110.107. 4.108.116.102. Determinar los valore¡ modales de la distribución gamma. Si X. 4. 4. S blrncar.148 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cA¡. (b) no más de 2. Y son independientes y ambas eetán distribuidas uniformemente en el intervalo de 0 a 1. 2 ó 3 en cuatro lanzamientoe de un dado honrado. 4. o:2. Hallar la probabilidad de no obte4er un 1. (b) P(Xz > r2).113.106 y e¡tudia¡ la precisión 4. Demostrar directamente que (22). ¿Porqué en este caso el 4.120.111. cuando N ' e.11?. Si Xt y Xz son independientes y distribuidas de Cauchy. 4. entoncel su mdia 4. 4. (b) todas sean blancas.104.121.11E. (b) P(lX-11 = +). hallar la probabili4. Hallar la probabilidad de que de 10 bolasextraída¡: (o) 4 rean rojas.116.fl DISTRIBUCION DE CAUCHY 4.112. tl¡llar(o) P(X= 1).4 4. sean del oriente. Si se seleccionan 13 cartas aleatoriamente (sin remplazamiento) de una baraja de 62 cartas.9: 4. Verificar que (31 ). recorrido gemi-intercuartílico es un eustituto de la desviación tfpica? aritmética también tiene esta distribución.119. dad de que (a) 6 sean figuras. Una caja contiene una gran cantidad de bolas rojas.

v.9:2.4l DISTRIBUCION BETA DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO t49 4. er igual a 1. Demostrar que para 1 grado de libertad la distribución ú es una distribución de Cauchy.cAP. (o) llaltar x! y x? tales que el área bajo la distribución x2 correspondiente a v -.2. \b\ Yar (7zl -.99. hallar el valor ie .139. (c) 28. (b) F. (d) 40.12?.05. hallar el valor de ú¡tal que (a) el área a Ia derechadeú1 seaO.130.(b)eláreaalaizquierdadetlsea0. 250. Demostrar que para grandes valores de 4.os.05. Halla¡ (o) 4.g.90yy:25t (b)eláreaalaizquierdade-ü1 sea0. ee la 0. (c) el á¡ea a la derecha de xl sea 0. 4. hallarlaconstantec talque (a\ 0. 4.125.gc.134.ss.20 91tt: 1i Y_4_. (ó) y (b) x. Resolver el Problemz 4. Hallar los valores de úr para la distribución de Student que satisface cada una de'las condiciones siguientes: combinada a la derecha de ú¡ y a la izquierda de (a)eláreaentre-ú1 yút seaO.i) 4. (b) 12. lJnavariablealeatoriaXtieneunadistribuciónbet¿cono:3.rz. (b) Demostrar que si la suposición de áreae iguales en la parte (o ) no se cumple.ol/l'.136.¡.(c)eláreaaladerechadeú1 eea0. 4. (e) el área entre -f1 f f1 sea 0.01.? 9:?^5: suponiendo ireae'ig.or'so'lr-. Verificar que la integral desde u lsugerencía: Hágase a : 0 hasta e v2u).132. Si la variable U tiene distribución chi-puadrado P(u < x?) : 0. (b) el área a la izquierda de xi sea 0. si el número de 4. (b) 19. Hallar el valor de: (a) F.124.ss. Demostrar que la va¡ianza de la distribución t de Student con t. la distribución ú es 0.55 ! 4.10'(d)el sea 0.oo. Hallar (a) es la x.05.2\' 4. : 6. grados de libertad DISTRIBUCION x .z¿i (d) F. (c ) 25. es una función de densidad.123. los valo-res de x? y x! no son únicos' 4.140. (d) P(U 2 c) = Q.ti ti¡l gue (o) el área a derecha de ¡l sea 0.rúmero e. área combinada a la derecha de ú1 y a la izquierda de -f1 4.valores de grados de libertad I ú para los cuales el á¡ea de la cola derecha de es igual z (a) 4. 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.eo.95.727 si el área de la cola derecha es 0.2gs para r = 150. f f.. / una buena aprorimación para percentila (100p) de la distribución normal tipificada. Para una distribución chi-cuadrado con 12 grados de libertad. + p . Hallar 4.' dada Por r * . v: -f1 sea 0.133.142. Demostrar que la distribución beta tiene una moda l¡nica en DISTRIBUCION CHI-CUADBADO r: (a - l)/(a P(lX-+l = +)./(.. Demostrar que (a) E(xz) = DISTRIBUCION ú DE STUDENT 4.126.95.9¡' P(U>c)= 4.98.rales a la derecha de xB y a la izquierda de x!. Hallar los .025.13?. (e ) 150.01 y ¡. v ) 2.50.1 de la función de densidad (45'¡. (d) el área a la derecha de ú1 sea 0. Si una variable Utiene una distribución de Student con ¡.02'5yv=20'(c)eláxea 16.donde zo hra una distribución f de Student con 15 grados de libertad.01.136.129. ¡2o egtá x?ozs y (b) xizs para'r = 4. (c) F. pígirn 117.¡' 4.rzo.90.13E.141.01. hallar x2. 4. Verificrü que (34).or. (d ) 60.01. y x! tales que (a) P(U > x?rl = 0'025.%t con y :7.128. - 2).zoi (. si el r.:10. (c) P(x?< U < x2z) = 0.páSrrra 115. 4. (c) P(U = cl = 0'20. Q) F.131.rs. = t2ul(v1* . (D) P(-a= U 3 c) :0.

e8¡zsa \z /' * (tlu)to. 4..14E.. (véase página cada unacondistribucióngeométrica.. 4..16O. + Xn. rj +n'r l¡ = ¡'oof 4. Demostrar el Teorema 4-8.162.A) = ke-(!¡z+2bra+"v'l donde a..n.. Demostrarque k=l ) X* tiene distribución de Pascal 118). Verificar que estas constantes son l¿¡s dadas en (19). 4. y varianza 1.I Y T' 4.X. Demostrar el Teorema 4-5. (Sugerencia: Ilaga la transformación u : 1/u).159. mente con varianzas h aon 4. ento'nces ) Xf ti"tt" 51. 4. de 4. demostrardirectamentelosresulta- 4. 4. constantes y b2 < ¿c.e8)2ez \3 /' y dar una interpretación de probabiüdad.o2)a(0.8.157. PROBLEMAS DIVERSOS 4. hallar la función de distribución de lonva¡iablesaleatoúasindependientescon di¡tribuciónchi-cuadradoypr.r. (a > o' o .36. Demostrar que 2u (. (ó) io ".153.pfuinal77.0.' o) 4.150 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.prgradoe X¡ + ..37 demost¡ando que si buidas normalmente con media 0 grados de 4.150. ¿tiene X2 una distribución chi-cuadrado con 1 X1.. Demosha¡ el teorema del límite central para el caso donde Xt. Demostrar los resultados (20) y (23). . Suponer que X. .0r. página 116.. k=l son variablee aleatoria¡ independiente¡ disürluna distribución chi-cuadrado con y libertad. ¿Puede deducirse la ley de los grandes números en forma débil del teorema del límite central? JuEtificar su solución. Xz.145.X. Y mnjuntamente tienen la distribución bidimensional (19). .7ffi1.149. RELACIONES ENTRE LAS DISTRIBUCIONES CHI-CUADRADO. página LL8.. Hallar la función generatriz de momentos de la di¡tribución hipergeométrica.161.^h. Y tienen la función de densidad conjunta f(r.155.c<ts -. demostrar que e8t6n distribuidas marginal- "? y oi respectivamente. página I44.1 o2 ... página 114. Si X está distribuida normalmente con media g y variznza grado de libertad? Véase Problema 4. 4. .. DISTBIBUCION NORMAL BIDIMENSIONAL 4. c. Demostrar el resultado (46).156.143. mente tienen una distribución idéntica.144. 4. k=1. Demostrar que cuando v "> @ la distribución f de Student tiende a la distribución normal tipificada. 4. Completar la demostración de la ecuación (8) del Problema 4.Porevaluacióndelasseries dos del Problema (") 4. son independientes pero no necesaria.. prfuina 118...6O.0. Halia¡ el valor aproximado de (t3o). Si X. .. Demostrar el Teorema 4-10.146. libertad respectivamente. Sean las variables independientes n X¡.r. É^ ¡=o . 4. b. página 118. Si Xr..4 4.15E.147. Generalizar el Problema 4.. .154..

Estudiar qué le sucede a la varianza de l¿ distribución t 4.esdecirlarafzcuadradade la velocidad media al cuadrado). (c) la velocidad más probable.F' f. (d) la velocidad efectiva(rme.cAP. La probabilidad de que una molécula de un ideal terga una velocidad enhe u y u I du está dada por cuze-mv2lzkT du donde k e¡! la consúon te de Boltzmann y T es la üemperatura Kelvin del gas. Determinar (a ) la conetante c. (b) v = 2. y varianza de la distribución gas para loc casos (o) (b\ v2= 4. Estudiar qué le sucede a la media ¡i (o) r = .4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 4.164.162.163. Comparar sus resultados con l¡ entrada 5. (c) v1* 4. . (b ) la velocidad media. página 119.

.

Farte tl ESTADIST¡CA .

.

Deben nota¡se varias cosas.s observaciones o medida. la palabra población no tiene necesariamente el mismo significado como en el lenguaje común. En cambio de examinar un grupo entero.4 podemos hablar de Ia población de todos los 200 colores en la urna (algunos de los cuales pueden ser iguales).Y SIN REMPLAZAMIENT\O Si extraemos un objeto de una urna. MUESTREO CON. En este caso los tornillos producidos durante la ¡emana conforman la población. La población consiste en iodos lc lanzamientos poeibles de l¿ moneda. la población puede ser finita o infinita. el número se llama el tamaño de Ia población. puede llegarse a la idea de examinar solamente una parte pequeña de esta población.1 podemos hablar de la población de 12 000 estaturas (o pesos) en tanto que en el Ejemplo 5. un proceso conocido como inferencia estodística.Nesinfinito. llamado la población. El-proceso de obtener muestras se llama muestreo. Desearíamos extraer conclusiones reapecto a los colores de 200 bolas (la población) en una urna seleccionando una muestra de 20 bolas de la urna. 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.1.3. 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. EJEMPLO 5. donde cada bola seleccionada se regresa luego de observar su color. Desearfamos ertraer conclusiones respecto a la honradez de una moneda deüerminada al lanzarla repetidamente. por ejemplo. Tercero. 1 .4. 155 . loa primeros 60 lanzamientos de la moneda y notar los porcentqiea de caras y sellos. En el Ejemplo 5.n: 60. en tanto que los 120 tornillos escogidos constituyen la muesha.c.Capítulo 5 Teorío de muestreo POBLACION Y MUESTRAS. Se podría obtener una muestra al examinar. Así en el Ejemplo 5.lo cual puede resultar difícil o imposible. EJEMPLO 5. que se llarna la muestra.s y no los individuos u objetos. En el primer caso un objeto determinado puede seleccionarse una y otra vez. n = 100 mientras que enelEjemplo S. generalmente finito. zamiento.S. tenemos la alternativa de colocarlo o no en la uma antes de una segunda extracción. mientras que si cada miembro no puede seleccionarse más de una vezwllamamuestreo sin remplazamiento. El muesbeo donde cada miembro de una población puede seleccionarre más de una vez se llama muestreo con rempla. mienhgs que en el segundo caso solamente puede seleccionarse una vez. INFERENCIA ESTADISTICA Con frecuencia en la pÉctica estamos interesados en extraer conclusiones válidas respecto a un grupo grande de individuos u objetos. la palabra poblacíón se utiliza para denota¡ la. En forma semejante el número en la muestra se llama el tamóño de la muestr. N : L2 000.2. Segundo. comítnmente denotado por N. EJ EMPLO 5. como en "la población de determinada ciudad es de 180 000". EJEMPLO 5. Esto se hace con el propósito de inferir cieitos hechos respecto de la población de los resultados hallados en la muestra. denotada pot n. Primero.

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

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

Teorema (6) 5-4: p y vaianza o2 entonces la media muestral p y vananza é/n.¡ n lcAP. Teorema 5'1: La media de la disbibución muestral de medias. la media de la población. que se llama la distribución muestral para h media de la muestm o la distribución muestrcl de medias. está dada por E(X) = donde ¡. = 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. est. estn lim P(Z -z z) = -= f = J 1 vzr -* "-uztz ¿r.á dada por E[(X-ti'l: "l = ¿ n donde o2 es la va¡ianza de la población. denotada por oi. Nótese que (6) se reduce a (5) cuando N .-. Los teoremas siguientes son importantes en este sentido. si el muestreo es sin remplazamiento.5.158 TEORIA DE MUESTREO Jrf ll |"'Fi. entonces la varianza de la distribución muestral de medias. Se supone aquí que la población es infinita o que el muestreo es con rernplazamiento. 1. (s) El Teorema 5-5 es una consecuencia del teorema del límite central. oft = . 2 entonces la media muestral . denotada por .ux. = t' es la media de la (l) población.r es F*. Teorema (5) 5-3: Si la población es de tamaño N. 5 (3) EJEMPLO 5.(¡¿ -n\ -f / en tanto eue ¡r* aún se da por (4).6. De otra forma Io anterior es conecto si remplazamos o/l/-n en (7\ por o* como se da en (6). dada por Z: es x-r "/\n es (7) normal reintóticamente. Entonces es natuml buscar la distribución de probabilidad del estadístico muestral X. Si una muestra de tamaño 5 resulta en los valores muestrales 7. Entonces la variable tipificada asociada con X. y si el tamaño de la muestra es n S N. página 112. 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. 9.. . Si la población de la cual se toman muestras está distribuida normalmente con media está normalmente dishibuida con media Teorema 5'5: Si la población de la cual se toman las muestras tiene una distribución de probabilidad con media p y vatianza o2 que no necesa¡iamente tiene una distribución normal. entonces (5) se remplaza por o2/N .

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. En forma semejante por cada muesha de tamaño n.-s. Nótese que las ecuaciones (9) se obtienen mucho más fácilmente al dividir por desviación típica (np y {npq ) de la distribución binomial. como se ve del Teorema 5-5. n.P*. 5l or. La variable tipificada Z= (Xr- Xr) 'rl tm* ^* - (r. es decir las muestras son independienües (en obas palabras. .-s.P2t ox. Xz respectivamente. . En el caso de la moneda P sería la proporción de caras que resulten en n lanzamientos. 30).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. 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. Tomando las posibles combinaciones de estas muestras de las dos poblaciones podqmos obtener una distribución {e las diferencias. Para grandes valores de n(n > 30) la distribución muestral está muy próxima a una distribución normal. la población puede ser los posibles lanzamientos de una moneda honrada. (11) es con utilizando (4) V (5).tr. Entonces obtenemos qnad. P1 . Esto resulta en una distribución muestral para 51 cuya media y desviación típica denotamos por Fs. si p y q: 1 -p son las probabilidades respectivas de que un miembro dado exhiba o no exhiba una propiedad determinada. - pr) (12) en tal caso tiene casi una distribución normal si n. Resultados = semejantes pueden obtenerse para poblaciones finitas en las que el muestreo es sin remplazamiento empleando (4) v (6). J¡ o". os. que se llama la distribución muestml de la diferencia de estadísticos. o = \/le. (10) dado que las muestras escogidas en ninguna forma dEpendan enbe sí. . oz respectivamente por . DISTRIBUCION MUESTRAL DE DIFERENCIAS Y SI'MAS n'la media y la Se nos dan dos poblaciones. la segunda ecuación en (9) se remplaza por o¡ corDo se da por (6) con o = {-pq. extraída de la primera población computemos un estadístico 51.-sr. Si por ejemplo Sr y Sz son las medias muestrales de dos poblaciones.. en el que la probabilidad del suceso "cara" es p : Ll2. St .t¿*1-x2 : F*. = *4.5l TEORIA DE MUESTREO 1ó9 DISTRIBUCION MUESTRAL DE PROPORCIONES Si ura población es infinita y distribuida binomialmente. = 1/Q¡ "t". Para poblaciones finitas en las que el muestreo es sin remplazamiento. y n2 son grandes (nr.ltsr-ttrs. Por cada muestra de tamaño n.o*. exftaída de la segunda población computamos un estadístico 52 cuya media y desviación típica son ¡. La media y la desviación típica de esta distribución mueshal denotada respectivamente Pof ps.Este resultado también es válido para poblaciones finitas si el muestreo remplazamiento.Sr. están dadas por Psl-Sz. denotadas por Xr. r€sp€ctivamente. r€sp€ctivamente. las variables aleatorias Sr V Sz son independientes). Y os.cAP. Por ejemplo.

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

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

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

5-59. En este La primera clase o categoría. o por un polígono de frecuencios uniendo los puntos medios de los techos del histograma.5 y 62. la frecuencia relativa o porcentual correspondiente a la clase 63-56 es 18/100 ó 18'i. desviación típica.-r-l correspondientes a esta clase Ia correspondiente frecuencia de clase es 5.5 los números 59. 5l TEORIA DE iúUESTREO 163 definiciones son análogas a esas dadas para poblaciones en el Capítulo 3..5. o al menos sus medias y desviaciones típicas (errores típicos). DISTRIBUCIONES DE F. etc. se conoce como d¿süribución de frecuencia o tablade frecuencia.5 pulgadas. Tabla 5-2 ESTATURAS DE 1OO ESTUDIANTES DE LA UNIVERSIDAD XYZ o H o 10 (pulgadas) fir) Estatnra i Número -f.5 se conocen como límites reqles de clsse. Algunos de estos.Por e¡emplo. Distribuciones muestrales para estos estadísticos. consiste de estaturas desde 60 hasta 62 pulgadas. Puesto que 5 estudiantes tienen estáturas casoc:62. 60-62 es 61. La suma de ias áreas es 1 ó l-00'.5 y 60. etc.l .5-62.5--65.5:3. inciicadas por 6G-62. El histograma correspondiente es entonces semejante al de la Fig. DISTRIBUCIONES DE FRECUENCIA RELATIVA Y OJIVAS estudiantes err cada clase. Io que se llama uninterualo de clase. que puede tomarse como representativo de la clase. El ancho del intervalo de clase 7-ésimo. puecen enct-¡ntrarse con frecuencia. como se muestra sombreado en la Fig.) de tro estudiantes É tr-r (::i t'. 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. EI siguiente intervalo de clase sería entonces 62. Tabla 5-2. Como ilustración suponga que una muestra consiste de las estaturas de 100 estudiantes de la univelsidad XYZ. es Ia diferencia entre el límite real superior e inferior.5. se ¡nuestqan en la tabla anterior.'RECUENCTA Si una muestra (o una población) es grande. conjuntamente con los dados. denominada la frecuencia de clase. 5-1 ercepto que el eje vertical es frecuencia relativa en cambio de frecuencia.5 pulgadas mientras que unaregistrada como 62 pulgadas realmente está entre 61. el resultado sería una distribucíón de frecuenciarelatiua oporcentual.cAP. La ordenación resultante. Por esta razón es útil organízar o agrupar los dofos. En el intervalo de clase 59. Es interesante observar que Ia gráfica parece indicar que la muestra se extrajo de una población de alturas normalmente distribuida. es difícil observar las diferentes características o computal estadísticos tales como la media. podríamos haber registrado el intervaIo de clase como 59. Orden3mos los datos en clases o categortbs y determinamos el número de individuos que pertenecen a cada clase. Si en la Tabla 5-2 registramos la frecuencia relativa o porcentual en cambio del número de . EI punto medio del intervalo de clase.5 y 62. Ya que una estatura registrada tromo 60 pulgadas realmente está entre 59.:) riri {l¡ ¡ lii 12 o ilr -71 27 8 . por ejemplo. denotado por c¡r que comúnmente es el mismo para todas las clases (en cuyo caso se denota por c). .'J ir z 61 64 6t- l0 ?3 76 (pulgadas) Estatura (p [:ig. se llama marca de clase.5-62. 5-1.

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

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

0r 6. de la distribución muestral de medias se obtiene restando el valor de la media 6 de c¿da número de (1 ). elevando al cuadrado cada diferencia. ¡'. 10'8/5 .5 7.11) (1r.0 poniendo de manifiesto el hecho de que tÍ - (d) La varianza. por ejemplo.f.40. 8). El resultado final es .0)2 = 4.5+ 5.0 (2.6)."\. ¡r: 6 y o2 :10..40 de modo que o.8) (11.0¡:: -f -' .0 y la media de la distribución muestral de medias .5 . + l:1.2) 12. 3) (rl. 5."2*= o2/r. 2) (8.6) (tt. 3) (3.0 6. (c) Hay iC-. 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 8. + (9. Para una demostración general de este resultado véase hoblema I .5. (6. Estas so r (2. 8). 7. ll ). (3. (6.5.5 11. 3) (2.1 para el caso de muestreo sin remplazamiento. 11). Lo mismo que en el Problema 5. _Í ) .8/2 = 5.3) (6.. 5.01. 8.0 5. (d) I'a varianza o{.8) Las correspondientes medias muestrales son 2.8) (8.-. rj). 7.3). y la media de la distribución muestral de medias es 9.05 Y ox r.5 6. or".1-¡ .0 -i. ) "l .5.0).1¡ muestras (2.* 2.O. 4.\ N _irl.11) (6.0 + 7.5 I. (8.5 = 6.0 9.11) (3. 4.r' = 16. (o) y (ó) como en el Problema 5.8.0 -('25-10 - c. Para una demostración general véase Problema 5.8).puestoqueel segundo miembro es 10.0 otr 3. de la distribución muestral de medias x es 6.D 6. l'I1!11-q9-"'-lgl-99'":'I9't3ls 25 comprobándose que ) 150 tt - o'' t{' -.U t< (. (2. Las correspondientes medias muestrales son 2. (2.4. 6) (8. 6) (3.2t (3.5.11) (8. de acuerdo con el valor anterior.0 4.6.r ) 4.6) (6..2) (6.5 + 9.8.0 es 8. 11).5 + 10 /r.166 TEORIA DE MUESTREO lcAP.5 1 4.0. o: 3.3) 111.6) \2. éstas son (2.3). sumando los 25 números así obtenidos y dividiendo por 25.5 ¿" (l 8.5 + 4.5 5.40 = 2'32 Esto pone de manifiesto el hecho de que para poblaciones finitas en las que se efectúa muestreo con remplazamiento (o poblaciones infinitas). se considera la misma que (8.5 7.0 O.1. nuesto que segundo -:^-L-^ "" (.11) 4.0 7..?.!lr_115. 5.29.2) (11. 4 135 : -. 5. (3.0 : itO + 6.2).2.5.to oue el sesundo miembro ^^ .5 9.5 (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). 6.o2/ N .0.8) (6..6.* . 11) La selección (2.0.2. Para una demostración general véase Problema 5.0 5.47.8) \3. 7. que es el valor obtenido anteriormente.. (3.05.2\ Esto pone de manifiestrque '' .b - 6.

67) : : (área a la izquierda de z : 0) y z : O) . Fig. Quinientos onzas. 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.68.5l TEORIA DE MUESTREO r67 5. Supóngase que las estaturas de 3000 estudiantes de una universidad se distribuyen normalmente con media 68.cAP.4. cojinetes de bolas tienen un peso medio de 5.67 0.8 . habría mucha aproximación entre las dos disbibuciones muestrales.8 y 68.3. 5.4 pulgadas . pulgadas.02 onzas. : (área bajo la curva normal entre z : -2. sino solamente una distribución muestral experimenú¿1.30 500 /ioo 500-1 - 100 0.6 pulgadas.4962 : -2.3 en unidades tipificadas : : (66.0 y z : O.25 -1 que es ligeramente menor que 0.4772 + 0.4 en unidades tipificadas: (66.5\ :(áreaentree:-2yz:O) * (área entre z : O y z : 0.0 0. (b) de más de 510 Pa¡a La distribución muestral de medias ox- o yn !* = p = N-n N-1 5. (b) menor de 66. Si se toman 80 muestras de 25 estudiantes cada una.6 : -2.0 pulgadas y Yox=- ox = o=3 \/n {zs = 0.5 - 0. Sin embargo.304 o cero. Así. Así se tiene.67 Proporción de muestras con medias menores de 66.30 onzas.(área entre z : 0.8 en unidades tipificadas 68.8 y 68.0 pulgadas y dewiación típica 3.1915 : 0. pues.02 onzas y una desviación típica de 0.0 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.3 cabría esperar una media (o) entre 66.0)/0. que son muchas más de 80.6 : -2.5. = tL = 68.3 pulg.0 : 0. por tanto.3 La media X de una muestra en unidades tipificadas viene dada por Z X-p* aX X-68.5) : O.68. Por ello.6 (o) 66.5 Proporción de muestras con medias entre 66. De aquí que con 80 no se obtenga realmente una distribución muestral de medias.02 ? . \a) p*. cabría esperar que la distribución muestral experimental de medias se distribuya aproximadamente normal con media 68.4 - 68.3 . para todo propósito práctico. 5-3 5.0)/0.6 pulgadas 3000 3000 (b) p* = p - 68.0098): 0. 0. (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.6 (68. puesto que el número de muestras es grande.6682) ó 59. la media y desviación típica esperadas serán muy próximas a las de la distribución teórica.4 pulgadas? ¿En cuántas muestras del Problema 5.0)/0.(área a la izquierda de z : -2.0038 -2 A7 Entonces el nhmero de mueshas esperado es : (80)(0. (b) 66. considerarse la misma que en el muestreo con remplazamiento.6 pulgadas y puede.0pulgadas o vn N-n _3 N-1 \/% .6687 Entonces el número de muestras esperado es (80)(0.0 pulgadas y desviación típica 0.

(x1) r rI (x.6.7 4 y z : O) = 0. F'ie.0.O2\10.. X2. Puesto que X1.ttr rr"rr"n Var uuri^X.pues.+-\1L tenemos como se requiere l E(X) = ]lEtX. Se 1-2O.02)lO.96 ) El peso total se éncontra¡á entre 496 y 500 onzas si la media de los 100 cojinetes y 5. la cual tiene media ¡1. 6 72.216-1 (área entre z : : 222 -074 Fie.E6)) = L(rr\ = t! 6..027 5.7.96 Probabilidad pedida : 2.O27 : 2. tenemos por los Teoremas 3-5 y Var (X) -f vu.(área entre z : -4.22 y z : -0. Demostrar el Teorema 5-1.00 onzas. (a) ' pide ra probabilidad de que el número de caras en los 12Q lanzamientos se encuentre ent¡e 4O(/o de 6 48. son variables aleatorias que tienen la misma distribución que la población. DISTRIBUCION MUESTRAL DE PROPORCIONES 5.5 se encuentra entre 4. se pide Ia probabilidad de que el número de caras se encuentre entre 47.96 5. Hallar la probabilidad de que en 120lanzanientos de una moneda el número de ca¡as (o) esté comprendido entre el 40% y el60%.5 .10 onzas..7 4) (áre^ entte z : -2.00 en unidades Probabilidad pedida tipificadas : (5.10 .02)lO. Tenemos .5-4 (ó) El peso total excederá de 510 onzas si el peso medio de los 100 cpjinetes sobrepasa las 5. página 158. Demostrar el Teorema 5-2.O27 : -2. En esta población la probabilidad de cara es p : I12 y la probabilidad de sello es C :1P : l12. 3-7 " x..96 en unidades tipificadas: (4.0015 : (área a la derecha de z Así. tenemos l¿-12 E(X¡) = * Entonces ya que la media muestral se define como -Y='' x. '1-.(área entre z : O y z = 2.48(i8 .t - .+"'") =..0. Puesto que el número de caras es una variable discreta. Se procede como en el Capítulo 4. son ina"p"nl'i"nt".168 (o TEORIA DE MUESTREO lcAP..+ "' + -' Entonces puesto que X¡. (b) sea 5/8 o más del número de lanzamientos.5-5 5..4985: 0. Se consideran los 120 lanzamientos de la moneda como una muestra da la población infinita de todos los posibles lanzamientos de la moneda. mediante la aproxlmación normal a la binomial. y 6Ol/" de l2O.8. 4.10 en unidades tipificadas: (5.ruo2.22 y z : O\ . X.96) :0.(.5.5. solamente se darán 3 casos cada 2000 de obtener una muestra de 100 cojinetes con un peso total superior a 510 onzas.7 4 : -2.) - .2704 : 0.5 y 72. página 158.96\ (área a la derecha de z:0) . 5.22 : --0.00 - 5. ..

0. Así pues.9. de la población infinita de todo. Cada persona de un grupo de 500 lanza una moneda 120 veces.00.4960 : 0.50 0. 5l TEORIA DE MUESTREO ¡r: núrnero de ca¡ae esperado .5/120 y (b) Empleando el segundo método de (o) se tiene.40 72.48 Probai¡ .5 5.28 que concuerda con lo obtenido por el primer método.8 se ha obtenido que todas las posibles muestras de 120 lanZamientos de una moneda. (área bajo la curva normal entrez=-2. Adviértase que (0.detamaño 120 cada una.00417) y (0. puesto que L1240: 0.0'60 = 2. ¿En cuántos individuos cabe esperar que (o) el númoro de caras se encuentre entre eI 40% y el 60% desuslanzamientos. no concuerda exactamente.6250.0041 7.=1p= ^FY = 120 = 0. (o) En el apartado (o) del Problema 5.0456 = 2. puesto que 5/8: - 0.4887 ) : O.4857) : Aunquees:cresultadotiene dos cifras significativas.86 : (área bajo la curya normal a la derecha de z : 2.1. (b) 518 o más de sus lanzamientos resulten cara? Este problema está estrechamente ligado al Problema 5.28 : : : Otro método. que 0'00417 0.fn ficadas son.28 _ y 0.28y2:2.t9 yz : 2.5 .5 en unidades tipificadas = 72.5 .60+0. Aquí se consideran S00muestras.19 : 2(0.np = rzo(!) = oo o= 47 \/"pq 47. 0.8.50 = _2. de 0.74% de ellas con porcentaje de ca¡as entte AOVI y el .0r56 - 0.s los posiblea l¿nzamientos de una moneda.977 4 ttp=P:i=o.0040 -_ 0'6250 5.60 5.28) 2(O.971. i:abe esperar el encontrar un97.0456 40Vo enunidades tipificadas 60o1c -2.0456 (0.I9 en unidades tipificadx: ffip z sí la probabilidad pedida es el área bajo la curva normal entre 0.idad pedida = 2. puesto que no se ha utilizado el hecho de que la proporción es realmente una r¡ariable discreta.51720 del primer método. - 0.(áreaentre z : 0 y z : 2.28) 2(área errtre z : O y z : 2.60. = .cAP.40 y se Buma .5 en unidades tipificadas = - 60 72.48 .117 l1 a 0.00417) corresponden a las proporciones 47.I9 : -2.65) : 0.00417) en unidades tipificadas Probabilidad pedida . = 2. las proporciones pedidas en unidades tip! 0. Teniendo esto en cuenta se resta 11 Z" = Al¡.60 + 0.6250 - 0.0041?-0.uo ".40 0.65\ : (área a la derecha de z : 0) .

Los resultados de una elección demostraron que un cierto candidato obtuvo el 46% de los votos.00125) en unidades tipificadas 0'02 r 010q1?5 .5/200 = 0.0025. Se ha encontrado que el 2% de las piezas producidas por cierta máquina son defectuosas. p0. (b) 1000 individuos elegidos aI azarde entre la población votante se hubiese obtenido una mayoría de votos para dicho candidato.98) v = 400 _ 0.5000 - 0.57L4 Si no se hubiese aplicado la corrección.02(0.0'02 -: 0.8)12. una mayoría se obtendría en la muestra si la proporción en favor del candidato fuese 0. se concluye que en (500X0.0764.s (o) 3% o más.25 y como antes la probabilidad pedida (b) {0.5 y así la proporción sería 100.10.oo125)enunidadestipificadas=W=|. (Esta proporción puede también obtenerse dándose cuenta que 101 o más indica mayoría. (3% de 400 ) : 12 piezas defectuosas.o3_o..11.1056.2t) : 0. sería 100.5025 o más.0352 L12n: ll40O: 0.5 6OVo.5 en unidades tipificadas : " : {"w : (11. (2()'o de 400) = 3 Entonces 11.21 (área bajo la curva nonnal a la derecha de z : l.-' 0.1056 Si no se hubiese aplicado la conección se hubiese obtenido 0.50 + 0..0. (b) 2% o menos? PP'=P=0. 1/800 0.5025. se tiene (o. Otro méüodo. ¿Cuál es la probabilidad de que en una partida de 400 piezas sean defectuosa. Es interesante advertir que en 500 . En ó00 muestras se puede esperar 97 . También puede utilizarse el aegundo 5.) Entonces. Se sigue que en 489 individuos se esperaría que su número de caras se encontras€ entre eI 4O% y el 6O%. L/2tt.5000 + 0.02 (o) y oP=tE= : 1/ 0.25 hobabilidad pedida : (área bajo la cu¡va normal a la derecha de z : I.0714 se : O. ó 489 muestras con esta propiedad.4G y ".={-= . En concepto continuo.5 y'1+oo)1onz)¡rsg : 2. pero ésta. 12 o más significa 11. (b) Razonando como en (o).1131 .0025 : 0. (a) Puesüo que I.a es . hubiese obtenido 0.5 o más.0040) de sus lanzamientos sean caras. Determinar la probabilidad de que de (a) 200.7 4% de 500.p = :p = 0.26): 0.5025 Probabilidad pedida : .5000.170 TEORIA DE MUESTREO lcAP.489 : 1I individuos cabe esper:ü que su número de caras no se encuentre entre el 4O% y el 6O% de los lanzamientos.007 Mediante la corrección para variables discretas.00125.5025 en unidades tipificadas : (0.14 = 20 0.8 : - 1.02 I 0. Tales individuos pueden razonablemente sospechar que sus monedas no están bien hechas aunque sí lo estén.3869 :0.18) 0.0362: 1. Este tipo de error es un rresgo que se presenta siempre que se trata con probabilidades.18 Probabilidad pedida : : (área bajo la curra normal a La izguierda de z 0. 0. como variable continua.46)/0. método del apartado (o). : 2 personas se esperará que los 5/8 o más 5.

ia de 1400 horas con una desviación típica de 2OO horas. (b\ pu. 8 y U2 lavariable de los elementos de lapoblaciín2. rnientras que las de otro fabricante B tienen una duración media de 1200 horas con una desviación típica de 100 horas.0036 = 2.m=!T. (f) n'u r- u" = mrianza de la población (U 1- U 2) (1-3¡z + (5-3)2 + Oo.12.6l (b) pp TEORIA DEMUESTREO = p: 0.Ur) Fur-u. sacado de (o) esto concuerda con el resultado general FLtr_uz= y (b).cAP. (o) (b) (c) Éy..' Éiinz. Las bombillas eléctricas de ün fabricante á tienen una duración Lned. = població n lJn = f.4964 DISTRIBUCIONES MT..-(e) ou".5025 en unidades tipificadas = ff*s : 0. [.a demostración del resultado general se deduce del Teorema g-7 . ou. @).iu.7 g .. -3)2 + (3-3)2 + (4-3'¡z b L7 3 Eeto concuerda con el reeulüado general para muestras independient"" ou._u. 6 r¿.46@Ba)/1000= 0.]ESTRALES DE DIFERENCIAS Y SUMAS 5._ri.j ut-v2 (6-3)21(-. = t/f.= \Ej7r-. ¿cuál es la probabilidad de que las bombillas deA tengan una du¡ación media que sea al menos (a) 160 horas. 7..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. = varianza de la población I/' (3-6)2 + (7-6)2 + (8-6)z _ 33 a2u. (b) 250 hóras más que las bombilhjde B? .q/n = y'd. y 0.0158.5000 - 0. Sea Ut la variable de los elementos de la población 3._u". (f.69 Probabiliüd pedida : (área bajo la curva normal a la derech¿ de z = 2.. Calcular (a) *u. (d) V @ ). = (2-3)2 * (4-3)2 =l ó ou"= l.4.13. = FLrt = 4Lrr... 14 (d.) nu.46.. (t) vr.) o (e) .' ¡ecado dc 5.. o. ofi.6g) = 0. = media de La ]{S*?*8) = l. = mediadelapoblaciónU. = varianzadelzpoblación U.. Si se toman muestras al aza¡ de 125 bombillas de-cada fabricante.

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 3.10 Hzo o lzo A 0123456 Número de caras 6 0123. cinco 4.5-ll (c) La representación gráfica puede indicarse como en la Fig.10 N-^ EOU G' o :! .75.4.23 caras.2 52. Hallar la media aritmética de los números 5. Cuatro grupos de estudiantes.8 5.3 + 4 + 5+ 4 + 8 1 2+ 5+ 4 20 =ñ:n'" Método 2. 5-9 y 5-10 de la parte (a). el porcentaje de lanzamientos en los que haya menos de 2 caras es igual aI porcentaje en las que haya menos de 1. Hay seis 5.8.10 y 18 individuos registran una media de pesos de 162.6. dos 6.5. Nótese que las Figs. Entonces _ )/¡ n .32. 5-12.2ol. Hallar el peso medio de todos los estudiantes.2.56 ó 1. dos 2 y tres 8..4. así por ejemplo.8.5. 5-11 es Ia más lógica para representar datos discretos.1 Número de caras Fig.5.(6)(5) +(2)(3) +(2)(6) + r5)(4) I (2)(2) +(3)(8) 6+21-2+5+2+3 96 20 = 4. 20.aparece para todos estos valores (indicado por la línea horizontal).3.4 81 . dos 3. Método l. La Fig.4. 153 y 140 libras. CALCULO DE LA MEDIA.2. respectivamente.31.6. de modo que eI mismo porcentaje l8. 5-12 muestra el polígono de frecuencias acumuladas u ojiva de los datos y los trata como si en esencia fuesen continuos. VARIANZA Y MOMENTOS PARA MUESTRAS 5. . La Fig. 5. 5-11 y 5-12 corresponden a las Figs. 5-11 o en la Fig. formados por 76.8 18.3. L48. 5-12 Fig. 2x It 5 qA +3 | fi + 5 + 4 + 5 + 2 + 8 + 6+ 5+ 4 + 8l.5 100.4.6.0 o o É o C t{0 6 N^^ Eou o O .TEORIA DE MUESTREO Nfimero de lanzamientos Nfrmero de caras (frecuencia acumulada ) 0 Porcentaje de lanzamientos (frecuencias acumuladas porcentuales) 0.8.1 menor que 0 menor que 1 menor que 2 menor que 3 menor que 4 menor que 5 menor que 6 100 38 t82 524 811_ 975 1000 9?.4. 1.

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 >/ - + .180 sfn TEORIA DE MUESTREO lcAP.. La media está dada por fi _ 2f¡r¡ = = nnnn..45 pulgadas . etc.45 pulgadas Los cálculos involucrados pueden conveitirse en tediosos. es igual al tamaño de intervalo de clase c multiplicado por algún entero u¡.. Véase Problema 5.35. Utilizar la fórmula clave del Problema 5. si 5 tienen una estatura de 61 pulgadas. Utilizar la distribución de frecuencias de estaturas en la Tabla 5-2. 5.ffiq = 6?. especialmente para los casos en los que los números son grandes y hay muchas clases. 5 = 150 libras 5. Entonces la desviación de. xj .34 para hallar la estatura media de los 100 estudiantes de la Universidad XYZ (véase Problema 5-33).. pígina 163. )fu = l5 u = "*(?t.34.33. se consideran como teniendo estaturasde 61. -. La solución puede ordenarse como se indica en la Tabla 5-10. 63-65 pulgadas. para hallar tatura media de los 100 estudiantes de la Universidad. Técnicas breves se encuentran disponibles para disminuir el trabajo en tales casos.35. etc. XYZ. Derivar la fórmula clave (27). = a*c! )/'rr' . El método se denomina el método claue y debe emplearse siempre que sea posible. )/'(o*crr¡) = o>f. 18 tienen una estatura de 64 pulgadas. T abla 5-lO 5.rj. la es La solución se indica en la Tabla 5-9. para la media aritmética. alcú" 2f¡u.¡ (tambiénescrito brevementecomor =a I cui.)" = 67+ (i%). es decir r¡ -o:cltj óx¡: a *cu. Adviértase que todos los estudiantes con estaturas de 60--62 pulgadas.r¡ con respec[o a alguna marca de clase determinada a. Denótese la clave de marca j-ésima por . etc. por ejemplo.o.página 164. Elproblema entonces se reduce a encontrar la estatura media de 100 estudiantes. 67.t yaque n=2f¡.64. pulgadas.

5025 30. Como en el Problema 5. = a*cú' t¿ .2460 8. Derivar la fórmula clave (28). .37.7500 f(r TL n\z 852.8025 72-74 246.33. Tabla 5.10 libras.32.9025 208. (o) Método 1.31 tenemos ú = 4.11 Estatura (pulgadas) Ma¡ca de clase 61 r r- r-r = 67.45 4t.a solución puede ordenarse como se indica en la Tabla 5'11.cAP. Entonces n20 _ 59.8):¿ + 3(8 - 4.r\2 n 15(162.4200 n=)/=100 2 2f(r-ñlz= 852.8)2 _ (b) De (o\.5050 I¡D.34 tenemos ri = a + cui y ft = a*c'" 2f.7500 100 = {dEfB = 2.6 (libras)2 : \6bS libras : 8. página 164. s2 = 59. [.45 lr - fr)¿ Frecuencia 5 / f(r ñ\2 60-62 63-65 66-68 69-71 -6.8.u. Hallar (c) la varianza y (b\ la desviación típica para los números en el Problema 5.45 2.36. donde hemos utilizado el hecho de que las 5.4. Hallar la desviación típica de las estaturas de los 100 estudiantes de la Universidad XYZ Véase Problema 5.150)2 | 20(149-1si)i -tJ911!!:-!Li)2 + 18(140- 150¡z !5+20+10-f 18 Entoncee unidades siguen la leyes comunes del álgebra.39.rlgadas. Del Problema 5.33.20 . x: 67.38. 5l TEORIA DE MUESTREO 181 5. = +:q = 65'6 en unidades libras cuad¡adas o (libras)2 . HaIIar Ia desviación típica de los pesos de los estudiantes del Problema 5.92 pulgadas 5.55 o.6025 11. Como en el Problema 5.20 20 2. aír 20 Méüodo 2.2025 6.Do 18 42 27 8 0. : y'Gb.DO'O 64 67 70 73 -3. para lavarianza.31.96 y "-rfzs6=1. 5.0L25 214.36.45 pr.8)2 = 2QA (2_20 4.z - 2 f(r .45 -0. " 2f(r-r\2 _ n 6(5 .

cr¡atro momentos con respecto a la media para la distribución de estatu¡as Continuando el método del Problema 5. De la frltima columna tenemos ¡ como en el Problema a2 = "rfL>l!'.u? -t t - C2[ /2f.'r". : }> f . 2 't t f.\t 't t l = = ".35.'1 \fu/J _ ú2]l 5.f!n'LN c2[u2 (.{r.<"? . = ¿2. Utilizat la fórmula clave del Problema 5. Esto nos permite halla¡ 6.> f . 2lu=75 )fqz = 97 lalEr lo-s primeros del Problema 5.39 para hallar la dewiación típica de las estaturas en el Problema 5.u? = ¿2 ¿2 * .41.f ¡@.jú.92 pulgadas. 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 .- o¡.40 obtenemos la Tabla 5-13. 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.az¡ n \n /l = ta)'f-re? / rs Vl = Ltoo-\t*/J ^ ó'b-275 y s: 2. + tlz) 2xt = *2 : t.40. b = f."? -'#2 2ú2c2 r¡u./¡¿)'l = ¿21¿ .-a¡z i) = "i 2 ¡ . La solución puede ordenarse como se indica en ta Tabla 6:12.33.1"u. + c2úz *> r._ "o¡.u.L82 Entonces s2 TEoBTADEMUEsTREo [cAp.o.33.

EO notación de la página 165. ffi2=s2=8. utilizando La TEORIA DE MUESTB. -0.6275 B(0. Asf los 5 estudiantes con esüaturas 60-{2 Tabl¡ 6-14 pulgadas s€ numeran 00-{4.97) -3(0. Cada Nf¡mero Estatura n(rmero de estudiantes se denomina número'muestral. (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.43.5275 rttt Coeficiente de cu¡tosis as=E = : 199.41.15X0. 27.^=>+=2.9?) + z(0.5275)3 (b) Del Problema 5. etc.53-4(0.6982 . tenemoe 183 M] = >fu n = 0.33) + 6(0. .15 ML=Zy = o..6l Entoncee.88 "z1ML- 8. (b) Hallar la media y la desviación típica de la distribución muestral de medias en (o).53 M'r') = 9[0. En forma semejante 77. (o) Emplear dos dígitoe para numerar a cada uno de los 100 estudianües: 00..97 M. . (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. Del primer renglón hallamos la secuencia 5I. (o) DeI Problema 5.3759 ffiz:s2=8. Hallar los coeficientes de (o) sesgo y (b) curtosis para la dishibución de estaturas del Problema 5.41. 46 resultan en'estatu¡as de 70. que tomamos como 67 pulgadas (la marca de elase). 40.14 m+ Entonces = 199.(0. 46.cAP. cada uno de los cuales determina la estatu¡a de un eetudiante determinado. (c) Comparar los resultados de (b) con los valores teóricos. De (D) yemos que e8 menoc apuntada que la dishibución normal (que tiene un coeficiente de curtosir: 3). explicando cualquier discrepancia.. 67. lttt = ffi2= ffi3= 0 0.1b)B] = -2.6932 a3 Coeficiente de eesgo = a. los 18 eetudiantes con estaturas 63-65 pulgadas se numeran 05-22.33.3759 qa-szrgy _ 6 al = z't+ De (o) vemos que la distribución está modetadamente sesgada a la izquierda.3?59 5.15)(0.4MiML+ 6M'r2ML- BMin) 81[2.nL¡ = ca(M't.9? .5275 Entonces mB = -2. que tomamos como n(¡meros muestrales aleatorios. OL. 7'1.15)41 : 199. PROBLEMAS DIVERSOS 5. etc. Así 51 conesponde a un estudiante con estatura 66-68 pulgadas. fflg = p: { (8.1s)2] = ca(ML-gLI|Mi+ zM'Lz) = 2?[0. 99 (véase Tabla 5-14).BB Mí= >fu2 n y de (32). 02. Entonces extraeremo8 nl¡meros muestrales de la tabl¡ de nf¡meros aleaüorios (Apéndice I).15)2(0.67 pulgadas respectivamente.42..

73. 64.93. 19.25 68.97 24.42. 16.98.08 12. 67.00 64. 58 70.91. 56.00 extnfdo¡ Estatr¡¡as corespondientec 64. 90.70. = 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).25 67. 70. 70.25 69. 67.31.8s 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. 76. 73. 21. 67. 70.96.00 66. 70. 53.62 4. l.70 7.64. 6L.'7L.50 69.79 70.91. 67 67.41.ón dc l¡ trbl¡ de nl¡rncro¡ dcatoiio¡ h¡brfrmo¡ podido inici¡¡ en eualquier parte y escoger cualquicr patrón dctetmindo. 81.76) = 1. 67 23. 67 64. 46 2.58.50 66. 21.67 67. 07. 73. 67.36 08.25 67.50 1. 64. 67.25 65.73.83. 75.84 64. 73. 45. 70 6L. 11.25 64.50 68. 64.00 67.00 66. L¡ medi¡ y la derviación tfpica ee obtienen como es usual por los métodos claves delcrito¡ anterbrmeuüe. 31. 73 67. 67 70. 67 70.33. 67 64. 18 70.70 70. 51. 58. 64 67. 93.50 66'. 86 6. 64. 1t. g8 25.25 70. 67.44.6r. 67. ?1. 61. 19.75 69. 15. tt.91.75 68.f = n 30 4 ). 70 73. 12 3.50 68. 13. 40. 73 67.74.24 64. 70. 10. Esta ee una distribución mucet¡al de mediu. 67. 67.00 70. 43 1f.93 5. 67.60 67.99 23. 60. 70 67. 33 m.75 69. 67 29.04. 68.50 79. 67.70 medi¡ 67.96.6L. 63. 06.64. 70. 70 64.22. 70.79.93 27.64.69.2L 10.23.87 26.64 73. 64 70.25 69. Medi¡ = a*cú Derviación = o*c2fu típicr = = e - 6?. 67 Ír¡f¡f media 66.57.02. 73. 67. 67. 05.97. 56.64.00 -4 -3 -2 -1 0 1 -4 0 -4 -6 0 0 4 / 28 45 16 23 d D .70. 03. 42. 67 70. 3 14 16 4 I l. 64.00 68. 51. 67.50 68.25 68.67 64. 70.00 67. 59.27. 98.46.50 67. 20. 67. 87 fl.184 TEORIA DE MUESTREO lcAP. 67. 67.25 Cl¡enta Í 1 u fu fu2 16 0 8 6 0 2 ñ( /t/t )#{ 6 4 A a+67.2L. 39 13. 70 64.00 (0'75)(23\ = * 'ñ- 67'58 Pulgadaa 2fuz />1"\' n -\ i " (0.5 Por eete proceso obtencmo¡ l¡ T¡blr Fló quc rnue¡tra lo¡ n(¡mcro¡ mue¡trale¡ extrafdor.77. 34. 64 67.fu.70. 73.32 8. 64.70 Trbl¡ 6-16 Media muestral 64.93 14. 10.74.54.82.67. 67.52 13. 67.30 58.75 67. 30.70.41 pulgadar . 67.64.25 66.09. 55.64. 67. 64.50 65. 70. 67.24. 56.73 73. L2. 67. T¡bh 6-ró Nf¡meros muesFale¡ Est¡twr¡ o- E¡la+ Nfrmeros muestralea extrafdo¡ rrcqrondieatcc 67.50 68. 67 70.75 65.54 2:2. 65. 67. 70.0L.25 69.03.75 66.64. 45. 07. 6? 15.28.73 67. 67 .08.28.25 67. 67 67.58 9. 96.

0)/0.con el valor de 67. tenemos: ( ¿[.' ¡p¡ a*)"lJ'"-r. El área bajo la curva normal a la derecha de z 2. por tanto el porcentaje pedido ec 0.r .8libras? La distribución mueetral de desviaciones típicas es aproximadamente normal con media 10.. De la Tabla 5-1.50Ib v400 5.4772) = 0. Entonces la probabilidad de que las primeras 4 sean rnayores que ü y las 2 últimas 6ean menores que u es decir - nc.46.0.0228. por tanto el porcentaje pedido es 2.40) y el tamaño de la muestra n : 4.0 es (0. Podemos considera¡ que el muestreo es o de una población infinita o con remplazamiento de una población finita.5 . de (b) 8.0. La desviación típica de los pesos de una población muy grande de estudiantes es de 10.0.t. ¿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.44.0 libras.4.45. es igual a o/y'[.50 : -2. . /(r) tr. donde la dewiación típica poblacional o = 2.a la media poblacional ¡r que 67. dada por a¡. ¡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 €. 5.8%. ) ea el producto de (1 ) y (2)..r.0 lb ( lr) \/2" + = 0.5 . (b) menores que 8.t J. (a) : 11. Hallar (c) la media y (b) la dewiación típica de la distribución muestral de las dewiaciones típicas.46 pulgadas.33). El área bajo la curva normal a la izquierda z : -2.8 libras en unidades típicas : (8.0 libras.?d L -r.10. Una muestra de Por 6 observaciones se hace aleatoriamente de una población.4 es (0.44 tendrían dewiaciones típicas (o) mayores que 11.8 .0 . La desviación típica teórica (error típico) de la distribución muestral de medias.g2/fi = 1. Puesto que o/t6':2.) au . pfuina 162.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. ¿Qué porcentaje de las muestras del Problema 6. 5.) ps: o = ts=-' o 10.3'/'.0 libras y desviación típica 0.0082. estamos de acuerdo con el valor de 1.50 : 2.". de acuerdo. Las discrepancias se deben a que solamente 30 muestras fueron seleccionadae y el tamaño de la muestra fue pequeño.45 pulgadas (vóase hoblema 5. Ia probabilidad de que 3 de las primerae 4 observaciones sean mayores a u mientras que la cua¡ta obsenación se encuentre entre u y u I du e¡tá dada (1) .0 libra¡ en unidades típicas: (11.41 pulgadas de la parte (b). Se escogen muestras de 200 estudiantes de esta población y se calculan las dewiaciones típicas de las estaturas de cada muestra.92 pulgadas (véase hoblema 6.0y0.f 'LJ" f t@ta*l'/t.5l (c TEORIA DE MUESTREO 185 ) es t a media teórica de la distribución muestral de medias.50 libras..a a. es ig¡ual. esto es Q\ (r) f" sean .l' ra.10.cAP.4918) : 0. Í:-lÍ. dada por o*.58 pulgadas de la parte (b).1 aJ.

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

NÉ y la primera suma en el lado derecho er igual por definición.51 si la población 5e compone de 22 cojineter. Por tanto I+v:l Cov (X¡.N-1J '¿\N-1/ Problern DISTRIBUCION MUESTRAL DE MEDIAS a.(n_'. (b) sean rnayor de 22. remplirzamiento.LL.53. (d) la dewiación típica de la distribución muestral de media¡.6l TEORIA DE MUESTREO En esta ecuación.p) = -Noz r \ -2 'r' X¡) = . Encontrar (c) v (d) directamente de (c) y (b) mediante las fórmula¡ 5.iE(x)+"'+E(x")l 1 =1 n (p -r "'+p) donde hemoe empleado el Problema 6.51.38 o mayor de 22.49 si el muestreo fuese sin remplazamiento.4L . obtenemos var(x) = Sv^. Resolver el Problema 5.x¡)] = #ú* *. cov(x¡.48. 5.N\N-rl' 't/ 5. ó. (d) ¡ean menor de 22. (b ) sin 6.Ét ". Considerar toda¡ lae posibleamuestrasde tamaño dos que pueden extraers€ de esta población con remplazamiento.51. adecu¡das.Ét suplernenta.42 onzae.. ya que por definición a1 187 -la2+'. .40 onzas y dearriación tfpica 0. Resolver el Problema 6.' " ) = .á var(X¡) * . Una población est6 formada por los cuatro nfrmeros 3.39 onzas. ¿en cuántae de lag mue¡tras aleatoria¡ cabe ecperar que sus medias (a) ertén enl'l. (c) la media de la digtribución mueshal de medias.á.f x"\ D p (.rlo s 6. (b ) la dewiación típica poblacional.e 22.( rr-:--r l(-. (c) sean menor de 22. y el Problema 6-4?." +a¡v = a N 02.¡ = .) = #[.a7 @).4L onzas? y 22.7. Loa peeos de 1600 cojinetes de bolas se distribuyen normalmente con medla 22. el lado izquierdo e8 cero.50.49.. 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. Si se erüraen 300 mueetras de tamaño 36 de e¡üa población. En el Problema 5.37 onzaa. Hallar (o ) la media poblacional..(.cAP.47 están dadas respectivamente por t*= (o) E6) = "1 =*"(x=) /X' +. 15. g (o¡ - p)(o. Demostrar que (c) la media y (b) la varianza de la media muestral del Problema6. = p (b) Uüilizando loe Teoremar 3-5 y 3-16 (generalizadoe).1'".N-1 ^' .62.(-r¿_ i)] = Lfr-"-rf = 4(N-"\ nl.048 onza¡.

respectivamente. que es de 8200 libras? DISTRTBUCION MUESTRAL DE PROPORCIONES 5. sob¡e las que se escrriba la inicial . En una prueba de aptitud puntos? la puntuación media de lo¡ estudiantes es de ?2 puntos y la dewiación típica de 8 puntos.65.54. Un fabricante despacha 1000 DISTRIBUCIONES MUESTRALES DE DIFERENCIAS Y ST'MAS 5. Supónganse iguales las probabilidades de nacimientoe de niño y niña. (c) entre 2 y 5 Una urna tiene 60 bolas rojas y 40 blancas. (d) enhe ??0 y 830 horas. Los resultados de una elección mostraron que un cierto candidato recibió el 65% de los votos. (c) mayor de 820 horas. Los pesgs de los paquetes recibidos én un departamento de almacenamiento tienen una media de 300 libras y una desviación típica de 5O libras. 5.63.69.57 si se consideran 100 en lugar de 200 niños resultados. 5.60. difieran en su puntuación media en (o) 3 o más puntos. 5.54 si la muestra extraída ee de 64 tubos.60. Se extraen dos cotecciones de 30 bolas cada una con remplazamiento y s€ anotan sus colores.63 si se comprueban 100 cables de cada fabricante? Explicar las diferencias. (c ) el 63"h o más sean niñas? Resolver el Problema 5.6?. (b) 98 o más bombillas buenas? 5.66 si las exüracciones son sin remplazamiento al obtener cada colección. (ó) al menos 450 libras más que A? 5. 5. ¿en cuántas cabe esperar que (o) menos del 4OVo sean niños. Explica¡ la diferencia. que tienén unas registencias .188 TEORIA DE MUESTREO lcAP. comprobar que . ¿en cuántas cabe esperar (a) igual número de bolas rojas y blancas. 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.56. (c) más del 640/o sean niños.el 4Oi'o sean niños. ¿Qué enores pueden introducirse al utilizar dos conjuntos diferentes de monedas? lotes de 100 bombillas cada uno.57.R o I en las proporciones adecuadas. llallar Ia probabilidad de que de los próximos 200 niños nacidoe (o ) menos d. (ó ) entre el 43% y el 57% sean niñas. tomada de entre ellos tenga una duración media de (a) entre 790 y 810 horas. 5. En lugar de bolas rojas y blancas. Hallar la probabilidad de que una muestra aleatoria de 16 tubos.62. Hallar la probabilidad de que en dos muestras aleatorias compuesta cada una de 200 votantec. y explic. haya una diferencia superior al1^o"k en las proporciones que votaron por dicho candidato. sacadas de la urna con rempliazamiento. Ciertos tubos fabricados por una compañía tienen una duración media de 800 horas y una dewiaeión típica de 60 horas.59.5t.' ¿Cuál es la probabilidad de que dos grupos de estudiantes. Lo mismo del Problema 5. ¿Cuáles son las probabilidades del Problema 5. respectivamente. ¿Cuál es la probabilidad de que las dos coleccionee difieran en 8 o más bolag Resolver el 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.61. rojas? 5.12. (d) 10 o más bolas blancas? Dseña¡ un experimento que ponga de manifiesto los resultadoe del Problema 5. Si U¡ y U2 son los co¡r¡\ntos de nhmeros del Problema 5. (b ) entre el 4O% y el 60% sean niñas. 5. (c) 8 bolas rojas y 12 blancas. De un total de 1000 muestras de 200 niños cada una.nedias a larotura de 4000 y 4500 libras con desviaciones típicas de 300 y 200 libras. 6.6 6. (b) menor de 785. ¿en cuántos lotes cabe esperar (o) menos de g0 bombillas buenas. (b) 6 o más puntos. se pueden usar hojas de papel.66. formados de 28 y 36 eetudiantes. Si normalmente el 6Vo de las bombillas es defectuoso. 6.6t. A y B fabticzn dos tipos de cables. 5. 5.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.64.55. (b) l2 bolas rojas y 8 blancas.

75. (e) Tamaño del intervalo de clase. 5. donde ? tiene. (g) Flecuencia relatir¡a de la sexta clase. Una en tanto que muestra de 8 bombillas se toma de A y 16 de 8. o menor que 0. 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. (d) Límites reales de la última clase.?6. = 5.E0.72. ¿Cuál er la probabilidad de que cuatro de estas baterfas conectadae en serie tengan un voltaje conjunto de 60. (c) Marca de clase de la séptima clase. ó. DISTRIBUCION MUESTRAL DE RELACIONES DE VARIANZAS 5.999 300 1000-1099 1100-1199 las 600 horas.2 veces.i se confirman por este valor y explicar cualquier diferencia. 6 Frecuencia de Ia cua¡ta clase. DISTRIBUCION DE FRECUENCIA 5.80 si las desviaciones típicas de las duraciones son (o) ambas 40 horas. (b) se encuentre enüre 50 y 70 horas.599 600 .46 y 0.48. (b) ou1+ur = \Grtr.2 voltios.79.cAP.05. 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 referencia a esta tabla determinar: (¿) f 'ímite superior de la quinta clase. ¿qué porcentaje puede tener varianzas (a) menores que 10.799 800 . una distribución ú de Student con r. (ó) P(1. la de la segunda. Una población normal tiene una vari¿nza de 15.72 ei el muestreo es sin remplazamiento.60.82.70.05 y 0.35. La duración parz A tiene una desviación de 40 horas la duración de B tiene una desviación típica de 50 horas.49. A y B fabrican bombillas.0 voltios y la dewiación tfpica 0. Reeolver el Problema 6.5I TEORIA DE IIIUESTREO ttur2 189 (a) 4. 6. referencia al Problema 6. Verificar si los resultados del Problema 5. Tabla 5-17 Duración (horas) 5.01. (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. De acuerdo con la tabla de distribución ú de Student para 1 grado de libertad (Apéndice D) tenemos P(-1 < 1) : 0. entie 0. Dos muestras de tamaños 4 y 8 se extraen de una población distribuida normalmente. Si se extraen muestrae de tamaño 5 de esta población. Hallar (o ) la media y (b ) la desviación típica de la suma de las cantidades.499 500 . Con 6.49 se confi¡man utilizando (a) P(-1 < f < 1) = 0.73.8f .54 libras con dewiacionee típicar de 0.50. ¿Es la probabilidad de que una ttarianza sea mayor que 1.0.54 libras. respectivamente. (b) 7.699 700 .97 y 62. Se pesan tres cantidades dando 20.50.399 400 . = 1.tubos aleatoriamente hallar la probabilidad de que la dewiación tfpica muestral (o) no exceda a 50 horas.77. (b) Límite inferior de la octava clase. ?s 6. hallar (o) Ia media de la distribución muestral de varianzas.8 o másvoltios? DISTRIBUCION MUESTRAL DE VARIANZAS 6.74.376) . (b) mayores que 20.01? Dos compañías.5 veces la otra mayor que 0. I 6. 6. (b) ambas b0 horas. para diseñar una tabla de distribución f de Student como la dada en el Apéndice D. y Se halla que CASO DONDE SE DESCONOCE LA VARIANZA POBLACTONAL 5. Explicar cómo podría utilizar el Teorema 5-7.21.71. TOTAL 400 . Si se seleccionan 10 . (h) Porcentaje de tubos cuya duración no sobrepasa . página 161.899 900 .3?6 < ? 1. Determinar la probabilidad de que la varianza de la primera muestra sea mayor que (o) dos veces. Verificar si los resultados del Problema 5.tr*Lrr: ru.78.0. (b) el error tfpico de varianzas.

386. hallar.735 0.738 0.734 0.732 0.78 y 89.?36 pulgadas. O.735 0.82 con duraciones de (o) menos de 560 horas.744 0. Una 6.726 0.327.732 pulgadas. La Tabla dos. 0.?38 pulgadar. ocho 8. respectivamente. horas.735 0. 93.733 0. Resolve¡ el Problema 5. lcAP.740 0.0. Con los datos del Problema 5. 0.729 0.t4.738 0.86. 0. Si las marcas de clase de gna distribución de fiecuenciaa de estoe diámetros vienen dadas en pulgadas por los números 0.(a) el tamaño de intervalo de clase.740 0.?30 0.738 0. ó.727 0. sue clasee .0. correspondientes a la distribución de frecuen- 5. Hallar la media a¡itmética de dichas calificaciones. 5-18 niuestra los diámetros en pulgadae de una muestra de 60 cojinetes de bolas fabricados por una compañía. 4 y 6.733 0. (b) una distribución acumulada relativa o porcentual. CALCULO DE LA MEDIA.82.83.82 construir (o ) una distribución de frecuencias reliativas o porcentual.92. (c) entre 0.734 0.729 0.734 0.731 0.742 0. (b) los límites reales de clase. (d) un histograma de frecuenoias relativas. 5.728 0.732 0.50.739 0.190 (i) (j) TEoRTA DE MUEsTREo Porcentaje de tubos cuya duración es mayor o igual a 900 horas.93.736 0. (i) una ojiva porcentual.321. Construir (a) un histograma y (á) un polígono de frecuenciae ciaa del hoblema 5. "de"*- Tabla 5-18 0.46.746 0.740 una 5. (h) una ojiva. (g) una distribución acumuhdá porcentual.82. 6.55 segundos.746 0. 0. (c ) un polígono de frecuencia¡ relativas. 0.735 0.52.88 consüruir (o) un histograma.128 0. Para los datos del Problema 5.94. (c) entre 620 y 890 horas.89 para los dato¡ del hoblema 5. Las calificacione¡ de un estudiante en cinco aeignaturaa fueron 85. Porcenüaje de tubos cuya duración es al menos de 500 horae pero menor de 1000 horas. Deüerminar el tiempo medio de reacción del individuo a los estÍmu- 6.87.734 0. (b) un polígono de frecuencias.736 0.63. ¿Cuál es ¡u media Las calificaciones de un estudiante en las tres asignaturas del curso fueron 77.732 0.735 0. (e) un polígono de frecuencias relativas. (b un ) histograma de frecuencias relativas.736 0.88. 0. 5.737 0.732 0.742 0.91.E5' Para los datos del Problema 5.743 0.95.741 0. ¿cuál es el promedio adecuado para sus calificaciones? (b ) ¿Cuál sería si todas las ponderaciones son iguales? 6.736 0.44 los.?39 0.74 y 82.89 determinar el porcentaje de cojinetes de bolas que tienen diámetros (o) superiores a 0. (d) una ojiva porcentual.737 0. (c) Si las ponderaciones asignadas a cada asignatura rcn 2.737 0.96.736 0.63. 5. (c) una ojiva.49.0.733 0. Comparar estos resultados con los obtenidos directamente de la colección de datos de la Tabla á-18.735 0.324. ?6.739 0. Con log resultados del Problema 5. (b) 9?0 o mág Los diámetros interiores de las arandelas producidas por una compañÍa pueden medirse con aproximación de milésimas de pulgada.?30 0.?36 0.5 5.82 construir (o) una distribución de frecuenci¿s acr¡muladas. y 0.90.330. (c) di¡tribución de frecuencias relativas. Construir una distribución de frecuencias de los diámetros utilizando intervalos de clase 5. (c) los límite¡ de clase. ee¡ie de nfimeros está formada a¡itmética ? por seis 6. Los tiempos de reacción de un individuo a determinadoe estímulos fueron 0. siete 7.724 0.735 0.?30 y 0.735 0. (b) no superioree a 0. (f) una distribución de frecuencias acumuladas.730 0.741 0.89.72t 0.731 0. nueve 9 y diez 10. Tles profesore¡ de economfa regieünron una ealificación media en sus eiámenes de 79. 82 y 96. ó.732 0.333 y 0. respectivamente. Estimar el porcentaje de tubos del Problema 5. DESVIACION TIPICA Y MOMENTOS PARA MUESTRAS 6.725 0.

7 t2 17 l4 6 3 1 Tabla 6-2O fr 11. 7. (c) 0. TEORIA DEMUESTREO 191 y 11 estudiantes. (b) el método clave. pero diferentes medias. 6. 10.7256-0.6.98' (b) 6. reqrectivamente. 15. El salario medio anual pagado a todos los empleados de una compañía fue de $6000.7267 0. 5.99.7271-0.103.2.5l estaban formadas por 32. 12.7 . (o) Sumando 5 a cada uno de los nl¡meros de la serie 3. ' 164.1273 0.7.3-L2.262-0.8.2.7253-0.104.7264 Clase Frecuencia de 16 de 20 25 3 7 15 42 68 49 25 18 L2 4 1 lG-menoe 16-menoe 20-menos 26-menos 0. 1.7270 0. respectivamente. Calcular la media de los datos de la Tabla 6'22.106.7247-0.2. Log salarios medios anuales pagados a hombies y mujeres de la compañía fueron $á200 y $4200. tlalla¡ la dewiación üípica para las distribuciones del (o) hoblema 6. 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.3- 9.7255 0. 10' L6.6.7280-0. (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.?.7274-0. La Tabla 5-21 mue¡tra Ia distribución de los diámetros de las cabezas de los remaches fabricadoe por una Tabla 6-22 Freeuencia I 6 8 Diámetro (pulgadas) 0.7.98.2 624 2 462 480 498 516 534 552 570 588 606 12.6 se obtiene la s€rie 8.cAP.3-11.0. 1. 19.2..3-10. Determinar lacalific¿ciónmediaparatoda8 5.2.8-L3.7250-0.8-r2.22.7 10.6.g?. Determinar el porcentaje de hombres y mujeres empleados en la compañía.7268-0.100.7 L2.1.6.2 11. Tabla 6-19 Carga móxima Nl¡mero de cableg (toneladas cortas) 9.7252 0.0. Tabla 5-21 60 ó. L.8-10.7279 0.101. Determinar la media de la carga máxima empleando (a) el "método latgo". Hallar la dewiación típica de la serie de nl¡meros de la progreeión a¡iümética 4.8-11.5.7. 25 las clases.6por2ydespuéssumando6seobtienelaseriell.7258 0. (b) 3.4. Calcular el diámetro medio. (b) el méto' do clave.6. 2.7249 0. 11 .2 10.7265-0. Hallar la desviación típica de los número¡: (a) 3.726L 0.99.7259-0.0.7282 TOTAL de de Sfmenos de 36-menos de 40-menos de 16 L2 30 36 40 45 I o 2 TOTAL 54 250 6.?276 0.4. ¿Cómo están relacionadas las medias? (b) Multiplicandocadaunodelosnúmeros3.5.7.9. L7. ó. i) 5.2 TOTAL Í 98 75 56 42 30 21 15 11 6 compañía. . .0. Halla¡ i 9.102. para los daüos de la Tabla 6'20 empleando (o) el "méüodo largo".7277-0.4. 1' 1' 5. . Demostrar que ¡as dos series tienen lae mismas desviaciones tfpicas.

5.126.g. 5. (b) m. (b) respecto al punto 5. ) Construir una distribución de frecuencias para los datos y hallar la desviación (c) Comparar el resultado de (b) con el de (a). 5'112.-2bybO.11g. 14. Hallar los momentos de (o) primero. ¿cuál es la media? 5.2_ Bm. teóiicos esperados. (b típica.. (a) De un total de n números. (b) mz. (c) nt3. (c) lrq . la fracción p son unos mientras que la fracción q : 1 p son ceros. Lo mismo del Problema 5. la distribución del Problema 5. 5. l.t s).1!2.(b)curtosisparaladistribucióndelProblema5.113. Hallar los cuatro primeros momentos con respecto a la media de los números de la progresión aritmética 2. (f) s.lOO. 5 5. "on 5.l F. si la distribución fuese normal.722.127.117.gg. 11. 17. - l}rnlstn" * 4n.0. (t t 2s).116. ..126 son 230y 780 respectivamente.114. Calcular los cuatro primeros momentos con respecto a la media para la distribución del Prol¡lema 5. Si el momento de primer orden con respecto al punto 2 es igual a 5.li. @¡.30explicandoelsignificado 5.125. @') mt y (d) ma para los números.119.102(c). (D ) Derivar una fórmula análoga par^rns. Los momentos de segundo orden con respecto a la media de dos distribuciones son g y 16.. = nt. y (i) (i+ rFpara 5. la fracciónp son unos mient:'as que la fracción q : 1 -p son ceros.108 para los datos del problema 5. Aplicar el resultado de (o) al Problema b.L22.10.121.8 respectivamente.2g. (c) tercero y (d) cuarto orden respecto al punto ? para los números del Problema 5. 6. 5. Calcular los primeros cuatro momentos con respecto a la media para la distribución de la Tabla 5-23.nl_ thnirni+6ml2rn. tt.123. (l). (b) asimetría? . 5. 5..f 07. Hallar el coeficiente de (o) sesgo.r5. 5.llE.98. Hallar (a) la media y (b) la desviación típicaparaladistribucióndelProblema de los resultados obtenidos. Véase Problema 5. (o) Hallar la desviación típica s de los diámetros de los remaches del Problema b. (b) rr. (t l3s)? (c) Comparar los porcettajes'de (b) lo. (b) segundo. Demostrar que la desviación típica de La serie de números es fi.1.-Btnini l2m'rs.0.¡nz = ml- 5'115. 3.1 . 1. Tabla 5-23 f t2 t4 16 18 5. 5. determinar los correspondientes momentos (o) respecto a Ia media. tlallar los momentos de (o) primero.mt. (b) segundo. (b) ¿eué porcentaje de diámetros se encuentra entre (r1 .+.L92 TEORIA DE MUESTREO lcAP. Hallar los momentos de (a) primero. 5. 5.g. mientras que los momentos de tercer orden con respecto a la media son -8. y comentar las diferencias observadas.109. Hallarelcoeficientede(c)sesgo. 30 5. Con los resultados de los hoblemas 5. Comparar con el problema b. ¿Qué distribución se aproxima más a la distribución normal desde el punto de vista de (a) apuntamiento.f f O. (c) tercero y (d) cuarto orden con respecto los números del Problema 5. De un total de n números. - ?n: - 1m'rm! * l}m'r2nt!.111.101. Los momentos de cuarto orden respecto a la media de las dos distribuciones del Problema6. S. comprobar las relaciones entre momentos (a) mi2. 20 22 2 AI.111 y 5.108. t¡l F.111. (a) Demostrar que .r5 1. (a) Hallar la media y desviación típica para los datos del problema 5. I 4 o 10 7 5. (b) segundo. Hallar (o) m t . (b) curtosis para la distribución del Problema 5.120. l. 5'121.124. (c) respecto al origen. Hallar (a) ntr. a la media de 5. Hallarloscuatroprimerosmomentosconrespectoalamediadelosnúmeros0. (c) tercero y (d) cuarto orden de los números 4. ¿Qué distribución está más sesgada a la izquierda? 6.1 y -12.1o6.98. 8.. 5.111. k) ¡¡. Si loscuatroprimerosmomentosdeunaseriedenúmerosrespectoalpunto3sonigualesa-2.

129(o) y explicar ous reeultados. halla¡ la media de la distribución muestral de varianzae si el muestreo ee (o) con remplazamiento. tno = ñ(n2-l\3n2-7'td4 CompararconelProblema 5.. a * 2d. hoblema 6. En un exarnen las calificaciones fueron normalmente disüribuidas con media 72 y dewiación típica 8. Demoshar que los primeros cuatfo momentos con respecto a la media de progresión a¡itmética a.aI progresión aritmética con primer término o y raz6n d) erlt6 dada por tl1-2 (n2 Dd2 .a|(n-l)dson 11 ffit = 0. Si muestras de tamaño 5 se ertraen de esta población y se calcula la varianza de cada muestra.129.136.134..115.131. (b) sin remplazamiento. mz = i. pfuina 160..1 (b)Emplear(a)enel 6.135. (o) Hallar la calificación mfnim¿ del 2O% superior de los eetudianües..128. 1z+22+32+".@z-L)dz. son independientes. En el Problema 5. mt = 0..'*(n-1)=in(n-1). Una mueetra de 8 obeervacione¡ se hace aleatoriamente de una población. ¿en cuántos lotes cabe eErerar que la mediana de duración exceda a 910 horaa? Comparar ¡u solución con el hoblema 5. 6. (n-1)d (eadecirun¿ 6.cAP.* (n .6l PBOBLEMAS DIVEBSOS TEORIA DE MUESTREO 193 5. página 175. . fSugerencia: 14+24 +34+' .129 si la medi¿na de duración es de 900 horas...fsugerencio: Utilizar - l+2+3+. 5. Determinado¡ tubos producidos por una compañfa tienen una duración de 900 horar y una dewiación típica de 80 horas.22.104.132. (b) Hallar la probabilidad de que en una muestra aleatoria de 100 eetudianües la calificación mínima del 2O% superior Eea menor que 76. (a) Demostrarquelarvarianzasdelconjuntoden nfrmerol a. ¿Cuál es la probabilidad de que lae primeras tres obgervaciones sean mayores que las'últimas cinco? ó. 5. Una población de 7 números tiene una media de 40 y una desviación típica de 3.... Demostrar el resultado (I9).130.al2d. Demoetrar que Vt y Vz definidas en el hoblema 5. La compañfa envfa 1000 lotes de 100 tubo¡ cada uno.133. a * d.+(n-l\z=fn(n-Il(2n-1).1 5.a*d. (b) la dewirrción tfpica de la duración exceda 96 hora¡? ¿Qué ruporicioner deben hacerse? 6.1)a = $n(n-l)(2n-ll8n2-Bn1 ). ¿En cuántos lotee cabe esperar que (o) la duración exceda 910 horar.

se dice que la distancia es 5. EJEMPLO 6. ambas tienen la misma media.s. En la práctica se ellas pueden obtenerse. la media poblacional' Sin embargo. La precisión o conocimiento del error de una estima se conoce también como su seguridad. por otra parte.2_5 y 5. si el tamaño de muestra es n > 30). L94 .1. Véase Tabla 5-1.s*o.2. pero esto no siempre es posible. EJEMPLO 6. en las páginas 157 y 160 son estimadores insesgados de la media poblacional ¡r y de la varianza poblacional 02. S realmente es un estimador sesgado de o.95. 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. Sin embargo. ESTIMAS POR INTERVALOS DE CONFIANZA. Si se dice que una distancia viene dada por 5. &s-2o"EFsl%a'" ó ¡r.28 pies.r--Bo. por la relativa facilidad con que algunas de ESTIMAS POR PUNTOS Y ESTIMAS POR INTERVALOS.73% de las veces. u-¡r"* 3o" . Lógicamente se prefiere tener estimas que sean eficientes e insesgadas. U 13 t) = o2. La distribución muestral de la media y la mediana.. SEGURIDAD La estima de un parámetro poblacional dada por un número se llama estima de punto de. Si las distribuciones muestrales de dos estadísticos tienen la misma media. es decir. EJEMPLO 6. la distancia real se encuentra entre 5. ya que en general Z(3) + o.l parámetro. utilizan estimas sesgadas o no eficientes.que es cierto para muchos estadísticos. respectivaménte. página 162. DE PARAMETROS POBI. la media provee una estima más eficiente que la mediana. El valor correspondiente del estadístico se llama estima insesgada del parámetro. el estadístico con la menor varianza se llama estimador eficiente de la media. la va¡ianza de Ia distribución muestral de medias es más pequeña que la distribución muestral de medianas.Capítulo 6 rF I | .28 + 0.3. cabe esperar que el estadísticoSseencuentreenlosintervalos&s o^s8Í.31 pies. La media X y la varianza 3' d"finid". eonq de esttmocton : . se está dando una estima de intervalo.ACIONALES Sean ¡rs y o" la media y la desviación típica (error tÍpico) de la distribución muestral de un estadístico S.27 % . €l 68. Entonces. Los valo^res i y 3 z se llaman estimas insesgadas. Por tanto.. se está dando una estima de punto. si la distribución muestral de S es aproximadamente normal (lo que se ha visto-.46% y 99. 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. Si. puesto que E'(X) = u. El valor correspondiente del estadístico eficiente se llama estima eficiente.03 pies.

Los números extremos de estos intervalos (S i o5. la desviación típica poblacional o es desconoc^ida."\\ñ s (3) .o.szs y ú.96 o7 Y X + 2..00 1. como otras veces sé conocen.68 2.645 r.6746 En los casos donde un estadístico tiene una distribución muestral que es diferente de la distribución normal (como chi-cuadrado. . vienen dados por X r. ps er los intervalos S .73% o.73% s9% s8% s6% s5. en el caso de un S insesgado). t 6 .46%y99. Por ejemplo si -t.1. se utiliza la estima muestral S o S. obtenidos en el Capítulo 5.68. si el muestreo es sin remplazamiento én una población 2. De los niveles de confianza se pueden obtener los coeficientes de confianza y recíprocamente.6% del área se encuentra en cada "cola" de la distribución ü. & S*Sorenel 68. se puede ver que los límites de confianza para la media póblacional vienen dados por Xtz"* vn N-tt.Grandes muestras (n > 30).srs .96 o.28 1.58 ox respectivamente. $ I 3or) son llamados los límites de confianza del 68. los valores de z" pueden sacarse de las tablas de la cuwa normal en el Apéndice C. El porcentaje áe confianza se"llama también nivel de confíanza.96 1. 2. Tabla 6-1 Nivel de confianza zc e9. En este caso utilizamos la distribución t para obtener los niveles de confianza.F') se hacen fácilmente modificaciones apropiadas para obtener los intervalos de confianza.9q -V 0. Si el estadístico S es la media muestral X.27%. para estima¡ el parámetro poblacional. de los límites de confianza se llaman coeficientes de confianza o ualores críticos y se denotan por zc. etn. Poi estos se 99.cAP. En la Tabla 6-1 se dan los valores de z" que corresponden a distintos niveles de confianza utilizados en la práctica. Para niveles de confianza que no se encuentran en Ia tabla. Utilizando los valores de o. Los números 1.45%y te. En general. Más generalmente. entonces los límites de confianza d'el95% y 99% para la estimación de la media poblacional ¡.96.58 o. a S * o' delasveces.33 2. de modo que para obtener los límites de confianza anteriores. son los límites de confianza del96% V 99% (ó 0. entonces un intervalo de confianza para ? está dado por (véase pagina 161) (N -t.00 2. INTERVALOS DE CONFIANZA PARA MEDIAS 1. Pequeñas muestras (z < 30). Iímites fiduciales.r. 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. 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.6l TEORIA DE ESTIMACION 195 Análogaménte cabe esperar o se puede confiar en encontrar.05 2. S -+ 2o.00 0.27%.96. y S -r 2.46% y 99.respectivamenllama¡ a estoé intervalos los interualos de confianza del68. S-2o" a S+2o" ó S-3o.27 %.99) para p".1.73% para la estima de ¡rs (es decir..73% "pueden Análogamente.27% 60% 3.. S +.46% 95% 90% 80% 68.szs son los valores de ? para los que el 2. 95.95.

-. 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.tS L 975---= vn (t') con el 95% de confianza. N-n N-1 (7) si el muestreo es sin remplazamiento en una población finih rre hmaño N.s2 con tal de que las muestras sean independientes. Comparando (5) con (I) se observa que para pequeñas muestras remplazamoszc por t". . o con remplazamignto en una población finita. Con los valores obtenidos en el Capítulo 5 de op."rr* a < ¡r ( X+ vn ..196 13ORIA DE ESTIMACION lcAP. Debe anotarse que una ventaja de la teoría de pequeñas muestra. "". Para calcular estos límites de confianza puede utilizarse la estima muestral P para p. la probabilidad de éxito). vienen dados por \ T.o. los límites de confianza para p vienen dados porP ! z"op. esexacta) es que S aparece en (5) de modo que la desviación típica puede utilizarse en cambio de la desviación típica poblacional (que generalmente se desconoce) en (l ). 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 la diferencia de dos medias poblacionales. r"1474. z" y t" son realmente iguales. 51 +52 Sl + 52 t (e) Por ejemplo. - S. Un método INTERVALOS DE CONFIANZA PARA DIFERENCIAS Y SUMAS Si Sr V S: son dos estadísticos mueshales con distribuciones muestrales aproximadamente normales. t . (10) "r.6 de lo que se deduce que p se encuentra en el intervalo X-t. (8) mientras que los límites de confianza p^ra la suma de los parámetros poblacionales son ""nrr*.Sr! z"{fl--}s. en el caso de que las poblaciones sean infinitas.s (que lógicamente puede emplearse para grandes muestras..s2 : S. 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. 2. Obsérvese que estos resultados se obtienen de (I) y (2) remplazando X por P y o por Vpq. En general los límites de confianza pÍüa medias poblacionales están dados por y*¡"1 vn (5) donde eI valor f" puede leerse del Apéndice D. . t . dondeP es la proporción de éxitos en la muestra de tamaño n."1pmás exacto se da en el Problema 6. es decir.Patan > 30.27.". Análogamente los límites de confianza son .

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

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

3?-6. Determinar unas estimas insesgadas y eficientes de (o) la verdadera media. Se puede.58o/tñ.96"/\f.88 < p < ti8.93. el intervalo de confianza del 95% para la media poblacional ¡t es 66.58-?+ = V100 67. (b) Los lfmites de confianza del 99% son X 2.45 -- 0.023 es una estima de la verdadera desviación típica pero esta estima no ni eficiente. (o) Del Problema (b) ó. Una muestra de cinco medidas del diámetro de una esfera se registraron como 6.TG pulgadas .iroentre s yG.3.35)2 5-1 0.88 a 68.96..3). (b) la verdadera varianza.35)2 2(n-ñ\2 - n-l = = es insesgada + (6. que puede denotarse por 66. 2. (b) la verdaderavarianza.95. por tanto. 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. = S tr. = i2 = .33.saa = tln ! 2.3.37.57 pulgadas. 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.93 pr¡]Éadas como una estima de o (véase Problema 6.2.00055 cm2 Nótese que 0 = /0"00055 = 0. 6. ESTIMAS POR INTERVALOS DE CONFIANZA PARA MEDIAS (GRANDES MUESTRAS} 6.? = /8. Esto es equivalente a decir que se tiene un 95% de confionzo en que la media de Ia población (o verdadera media) se encuentre entre 66.32 y 6.4.6136 s2 Así . Así. - iT $.46 pulgadas. Para las cinco medidas puestas en orden de magnitud la mediana es 6. pues. 95Vc ó 0.38: Estima insesgada y eficiente de la verdaderava¡ianza media: t : 67.96(2.as y i : 2. de la media poblacional).36 cm.88 y 68.45 ! 1. JC = . no hay esencialmente diferencia entre 6. (a) Los límites de confianza del 95% son X t I. 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. Dar una estima insesgada Problema 6.JDani (b) Estima insesgada y eficiente de la verdadera varianza (es decir. Adviértase que puesto que n es grande. n-1" (6.cAP. Utilizando n : 67.2.!1t.88 < tt<68.02. Determinar unas estimas insesgadas y eficientes de (c) la verdadera media.3?-6. = n . Para la muestra dada 67.35)2 F (6.ó.88 y 68. 4er. 6. decir que ia probabilidad de que la estatura media de la población se encuentre entre 66. En símbolos se escribirá P(66. 6.45 ¡ + z. (o ) Estima insesgada y eficiente de la verdadera media (es decir.02 pulgadas.02): 0.336.36. de la varianza poblacional). 6.02 pulgadas.6l TEORIA DE ESTIMACION 199 6.32 6.36-6.45 ! 0.45 pulgad.35)2+ (6. los lí¡nites de confianza son 6?.35)2 + (6.33: Estima insesgada y eficiente dé la verdadera altura Del Problema 5.37 centímetros.5275) = 8.6136 : y.93/V100) ó 67.

b6 y 0.824 t 1.200 TEORIA DE ESTIMACION lcAP.824 0. : O es Asi pues.G. (a) " lok.45 t utiliza¡lo. 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.0049oulgadas t/-zoo sn 0. es total.008 pulgadas.' o^. para n > 30 se puede asumir que s y 3 son prácticamente iguales. se utilizaría t.006 Pulgadas . el área a la izquierda de z:-zce8 también lVo.el 99o/. : t.824 pulgadas y uná desviación típica de O. puee.O42 pulgadas.so! = Vn 0. los límites de confianz¿ del 98% son r ! 23g+ = \/7i Asi 0.6 Asf. lugar de Para y muestreo sin remplazamiento. los límites de confianza anteriores se convie:rten en 67. de aquí que z":2. los cojinetes del Problema Hallar los límites de confianza del (a) 98%.824=z. 6.96? como 1. z:zc Puesüo que el área total bajo la curva es 1.el 99. Si se utiliza.73V.824 ! 0. (b) 9O% y (c'¡ 99.824t0. son xtz.0069 pulgadas Fig. se puede considerar el factor es necesario = 0.6450'942 = 0.82¿!L.45 1 0.21.69 (¡¡ < 68. los límites de confianza del90ak son n!I.i :.645.Hallar los límites de confianza del (o) 55"1.gg9!9 = \/zo0 0.73 pulgadas. Los límites de confianza d.0U89pulgadas. ñ!3+ \ñ - 0.645a (c) . pues.. v (bl99% para el diámetro medio de todos los cojinetes.824 * 2.g6a = Vn 0-824:t 0.49. de modo gue no 6?. Lad medidas de los diámehos de una muestra de 200 cojinetes de bolas hechos por una determinada máquina durante una.7. el área desde z eE 0.69 a 68.{ñ= 0.00b8 pulgadas Los límites de confianza d.6. 6. respectivamente. Para obtener los intervalos de confianza.824tSL93 = \/zoo .824! 0.824:r0.semana dieron una mdia de 0.0.824 t 0. el intervalo de confianza del 997o para la media poblacional ¡r e¡ 66. En general. (o ) Los límites de confianza del g5% son 6 (b) x t 1.21 pulgadas.00??putgadas t 0.sa| = r*z.73% para el diámetro medio de G.4í.E8y. se habría empleado ?: \/n/@4s = y'200[99s que puede tomarse como i para todos los propósitos prácticos.= vn Vn V200 ó 0. que puede denotarse por 66.6-l (b) S" busca z" tal que el á¡ea desde z : entonces z. 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. r.ss9 = 0. Adviértase que se ha supuesto que la desviación típica dada es la desviación típiez modific¿d¿ i Si la desviación típica dada fuese S.96ry = \/200 0. srn embargo. Entonces por simetría. Oa z : zc ea O.33.

0452 pulgadaa . = * t1.05 segundoe.cAP.05.58')(0.i=r.05 segundos.01. 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.04.00. (c) v : 30. Aef.96. : 20. ¿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 0.01 soliamente ¡i n es 167 o mayor. arrojó una media de 75 y una desviación típica de 10. (b) Loe límite¡ de confianza del 99% son X t 2.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.38 y c : 0. pues.orr. AsÍ.Entonce¡ utilizando ¡ : 4.7I 6.r¿ -.f I l.gzs:2. Asf el área ¡ombreada en la col¿ derecha es 0. 6-3 6.n r1s/t/Á¡.10. de aquf que el grado de confianza pedido *162(O.06)/0.siendo 0.29lO):0. Una muestra aleatoria de 50 calificaciones de matemáticas de un total de 200. Una muestra de 10 medidas del diámetro de una esfera dio una media ñ: 4. 1fi = (1. (c'¡ t2.38 pulgadas y una desviación típica s : 0. 6. (b).t = t.96+ v50 (10) 200 .81 es 0.setienequel.38 + 0.e?'.9Tolfi. (d) t= 60? Pa¡a los coeficientes de confi¡nza del 96% ("doble cola") el área total en la Fig.01.38 t 2.01 segundos? 0.q'-: 200 v50 200-1 = 75 + 1. (ó) +2.26fvéaeet¿mbiénProblema6.Ze. se tiene que el error ser6 igual a 0. (d) =2.8.21o.2S z"=L6 z"=0. Halla¡ los límites de confianza para el diámetro verdadero del (o) 96% y (b) 99%. 8e tiene la confianza del99% de que el error de la e¡tima eerá menor de 0. 6-8 debe ser 0.X+r"L .hallamoat. pues.58o/{i..4 60 límitee de confianza pueden repreaentarse por Ítz"ox deede z 68. .4.Tomando o = la estima eerá menor de 0.96)(0.23 zc h¡estoqueestodebeserigualaTSll. Los coeficientes de confianza del 96Vo ("d.:n-L:10-1:g. TEORIA DE ESTIMACION 20L es de Al medir el tiempo de reacción. (o) Los llmitee de confianza delglovo están dados por. debe emplearse la fórroul¿ para poblaciones finitas con muestreo sin remplazamiento.06.r.04. Entonces (2. Eláreabajolacurvanormal : O t z: 0.8 ó n : 96.06 pulgadas.9df (b) tos vn N-n A¡-1 = N-n N-1 75 t 1. Entonces los lfmite¡ de confianza del 964o eon .01 ¡i n e¡ 97 o mayor.026 y el valor crítico correepondiente es ú.05)/\.01 : 9.09. Puegtoque¡. Fig.oble cola") para la distribución normal vienen dados por i1.81. un sicólogo estima que la dewiación típica del mismo (c) .Entonces los coeficientes de confianza pedidos son tú. Para lo¡ valores de v dados egtos son (a) t Z.6 : 0.96X0.2910.50 2oo-L = 76!2.11.682ó ESTIMAS POR INTERVALOS DE CONFTANZA PARA MEDTAS (PEQUEñAS MITESTRAS) 6.*.01 si (1.10(c)]. : 166. (o) ¿Cuáles sonloslímitesdeconfianzadel9Ú% para la estima de la media de las 200 calificaciones? (b) ¿Con qué grado de confianza poüá .26 &- Vlo-1 = 4.9. <í n.goo*. er decir. lo¡ límitee de confianza del96% pedidos eon 4. ¿Cuáles son los coeficientes correspondientes pala la distribución úsi (a) v = 9.g6ol{n.051/\/n = 0.

(a) Soluciona¡ el hoblema 6..13. J_. (c) 6.335 pulgadas y 4.55 del Problema 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.ssr(S/tñ-l. Una muestra de 100 votantes elegidos aleatoriamente entre todos los de un distrito dado.se5 - (b) Para v = 9.55 + 0. véase Problema 6.50) Prob( que hob / J--ct t)_p .38 t 0.049 pulgadas.el95o/o para la población p son P : l. pues. ¿Qr'é tamaño de muestra debe toma¡se en el Problema 6.25.55 '^^ I(0'55)(0'45) :r 1'e6!ff : = 0. los límites de confianza del 99% son 4. (b) 99%y (c) 99. t.315 a 4.88 r 1.qq /lo - 4.06 como estima de o. (b) Los límites de confianza del99% parap son 0. los intervalos de confianza mues¡ras.38 4.55 = o'55t0'10 donde se ha tomado la proporción muestral 0. Puesto que (P .f) = 4. t 3ú058)16:¡8 10d 0.06/y'10 .b0 Entonces.pV" es normal asintóticamente.11 suponiendo válidos los métodos de la teoría de muestras.0 = 4.18. Entonces loe límites de confianza del 99lo rcn i t ú.58ú6:5EXb:¡BtTdd = Los lfmites de confianza del 99.426 pulgadas.96. = P t 1.88 i g.55 2.15.l)6or.l = 4. (a ) Los límites de confianza d. - ó Prob(p > e-Bt/p6-ffi¡ = + J(t t/2r -.38 * (2. = 3. (a grandes ) Mediante loe métodos de Ia teoría de grandes muestras los límites de confianza del 95% son X t 1. 0D > 0. (b) Comparar los resulüados de los dos métodos.96-9.58)(0.= v-n 4.50): 0.73% parap son 0.95.27.L2.045 : 4. Hallar los límites de confianza del (a) 95%.6 : se puede estar en la confianza del 96a/o de que el valor ve¡dadero se encuentra entre 4.50. y para tener una confianza del g5% de su elección necesitamos : 0.1.446 pr'lgadas. Para hacer este problema de una fo¡ma más exacta. Análogamente. 0.06) /\t1.O37pulgadas ? donde se ha utilizado la desviación típica muestral 0.55 y la estima p : 0.2/z¿y L645 Al comparar con Prob(p > 0.50 ó n= 27r .045 TEORIA DE ESTIMACION lcAP. tenemoe 0.9ó utilizando el Apéndice C indica que e-Bt/fi-fl/n:0.13 para que la confianza de que el candidato sea elegido sea del g5% z El candidato se elige si p ) 0.55 t 0.88 + g. obtenidos mediante ios métodos de pequeñas muestras o teoría exacta del muestreo son más anchos que los obtenidos por los métodoe de grandes muestras.88 + 0."-.06b0 pulgadas y el inüervalo de confianza del99% e¡ 4.13.6a5y'i6lBB)Io-75j7i : 0. utilizando P donde B = : 0.55 para estimarp./e(l -p) ¡? V = 0. 6.-'\ r1/pg-p)/n / rB I l-r'-tt'/z¿y t/2.73% para la proporción de todos los votantes que estaban a favor de este candidato. (b) En cada caso.p')/\/p(l .Z5(0. indicó que el 55% de ellos estaban a favor de un determinado candidato.55.96-0-.38 + 0.14.202 Asf.

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.6l TEORIA DE ESTMACION 203 6. se Así. se obtuvieron 24 ca¡as.17 y 0. (b) Al nivel del 99. pues.Xn-./i120)r/15¡+-G0)r400 = 200 + 82. se tienep : 0./. Los límites de confianza para la diferencia de proporciones de los dos grupoe están dados por 'll1 1t2 dondelossubíndicesly2serefierenaadolescentesyadultos.?4 y el INTERVALOS DE CONFIANZA PARA DIFERENCIAS Y SUMAS 6.5B = 0.06.el 99Vo que la verdadera diferencia de proporciones . se puede esperar con el 994n de confianza que la diferencia de las medias de las poblaciones se encuentre entre 167 y 233 horas. En una muestra aleatoria de 400 adultos y 600 adolescentes que veían un cierto programa de televisión. Hallar los límites de confianza d9l (c) 96% y (b) 99.?9. esperar con confianza d.6V n:40 enlafórmula \tF(l=A/. SustituyendolosvaloresP:24140 = 0.50 ! Pz : 100/400 : 0. z" = 1.45 a 0. Una muestra de 150 bombillas del fabricante A dieron una vida media de 1400 horas yuna desviación típica de 120 horas.6..25 son las proporciones respectivas de adolescentes y adultos a quienes les gusta programa.BZ a 0.75.83.16. pues.4 y B son dados por (a) *o.Zb + 1.37 a 0. PzQz el - O.96/il2OtG0I80)2/100 Así.27 da el intervalo de confianza del 95'ib como 0.58\.el ggVoson 0.25 = 0.25 = 0.60 + 15. se puede esperar con el encuentre entre 175 y 225 horas. se puede encuentre entre 0.45 a 0.31.g. [-os límites de confianza para la diferencia de medias de. gt= Ptz" t z¡/F(=ffi. z" = 3.96. 100 adultos y 300 adolescentes dijeron que lei gustaba.50 encuentre entre 0. intervalo de confianza del 99.60 La fórmula más exacta del Problema 6.cAP. pues. -loi*o'o -"1/"o-"" Los límites de confianza del 9b7o son: 1400 1200 .96 La verdadera = 0. (a) Al nivel del g5o.19 y 0.73% como 0. se As( pues..respectivamente.15. dando. (a) Los lÍmites de eonfianza del 95Va son 0. se puede esperar con confianza d.33.il3li.50 - 0.AquíPr:300/600:0. En 40 lanzamientos de una moneda.73% para la proporción de caras que se obtendrían en un ilimitado número de lanzamientos de la moneda. pues. dando el intervalo 0. el intervalo 0.el 96% que diferencia de proporciones (ó) Los límites de confianza d.tr 7. PtQt .0g. Una muestra de 100 bombillas del fabricante B dieron una vida media de 1200 horas y una desviación típica de 80 horas. Mediante la fórmula aproximada p = P + 0.t 1. 6. ae confianza que Ia diferencia'de las medias de las poblrcionee (b) Los límites de confianza d. se tienep = 0. Hallar los límites de confianza del (a) 95% y 99% para la diferencia de las vidas medias de las poblaciones A y B. Así.25 ! Z. 95"/o de = 200 t 24.el 99% son: 1400 - 1200 12..23.

21 voltios. (b d. ee puede esperar con confianza del 99'y'" que la deerüeión típica de la población se encuentre entre 87. oE. 46O.. FfJ voltaje medio de las baterías producidas por una compañía es de 45. 6. pues. Hall¿rr los límites de confianza del (a) 95% y (b) 99% para la desviación típica de la población de tales bombillas. * l'a. de la desviación típica para todos los estudiantes del colegio. pues. INTERVALOS DE CONFIANZA PARA VARIANZAS 6.4 + 1.1 voltioE y dc. .58(100)/r/Zbd = 100 r 12. = 45.08) = 180.4 t de confi¿nza del 99.[4: "'rJ o'r. Es y Eq representan los voltajes de las 4 baterías.58(0. pues. se tiene ltlt+Ez+at+¿o = Fu..9.0b4voltios.. = orr.4 + 2.r Bo/l-zn Ss/\/Zn. utilizando s como una estima de o. El valor de 0.96(100)i/200 = 100:tg. se puede esperar con confianz¿ entre 90. Se utiliza la dewiación típica muestral para estima¡ o. los límites de confianza del 99.4 t 3(0.. Así. Hallar los límites de confranza del (c) 95% y (b) 99"/. indica el nivel de confianza. La desviación típica de las estaturas de 16 estudiantes seleccionados aleatoriamente en un colegio de 1000 estudiantes es 2. Entonces. 5O%son:180. hallar lós límites de confianladel (a) g5%. En este caso se aplica la teoría de grandee muestras.4O pulgadas.r+r 2+Er+84 = .1) = 180.2 y 109.19 deberá tomarse para que con confianza del 99. 0. entonces n : = 10.73% y (d) 5O% para el voltaje total.e75 y st/n/x.19. = 0.96(0.el 95Vo que la desviación típica de la población se encuentre ) Al nivel del 99% los límites de confianza son: 100 * 2.16 voltios.4 t = 180.73% con: 180. entonces n 1800. osr* Ez+t:. el tamaño de la muestra deberá ser 1800 o más. (a) Loslímites de confianza delgSv" están dados por sy'7/x.ozs.6?45(0.04 volüios. Así.t+ti.24 ) Los lfmites (c) Loc lÍmites (d) toslfmitesdeconfianzadel voltios.204 TEORIA DE ESTIMACION [cm.* o".73"/o para o son S .r-= oE.o/yEi. (b) 99%.4 V r de confianza del 99% son: 180. (c) 99.2L.19.04 V. Entonceg el error porcentual de la desviación es 3s/t/-at (¿) Si 300 _ = s. Y t¡. Así./nloslímitesdeconfianzason:100 11. * uotr* l'a.x {2n 300//t = 5.4i0. puesto que /¿rr = lLEt lr'.1 y 112. Por tanto (véase Tabla 5-1. ¿Qué tamaño de muestra en el Problema 6. Si se conectan 4 baterías en serie.4 (o) (b Los límites de confianza del95% son: 180. = 1la1ffiy : 0.054 voltios se llama error probable. (b) Si }OO/\E : Aei pues. (o) Alniveldel 95".20. 82.f8.= lr'.4:t0. (b)LO%? De igual forma que en el Problema 6.8 horas. 6. 0. o 6.08) 0. Si Er.1 V y la desviación típica 0.9 horas.73% la verdadera desviación típica de la población ::o difiera de la desviación típica muestral en más del (c) 6%. donde 2.08) = 180. el tamaño de la muestra deberá ser 450 o más. La desviación típica de las duraciones de una muestra de 200 bombillas fue de 100 horas.08)=180.g.08 ÉEr+nz+E¡+Eo = 4(45. página 162)loslímites de confianza para la dewiación típica de la población son dados por S * z.

5 = 91'2 y 100y'200/12'1 = 111'3 horas respectivamente..50. = 15. Por tanto se tiene la confianza del 99/o de que la dewiación típica poblacion¡l se encuentra entre 1.2 y 111.9 horas.60 ó y..2= 115. Dos muestras de tamaños 16 y 10 respectivamente de confianza del (c) 98% se extraen aleatoriamente de dos poblacio- nes normales. hallamos como en el Problema 4.22.. (b) Los lÍmites de confianza d. Solucionar el Problema 6. esto es.40\f-16/2.t.83 y 3. 1.s¡5.5 6 x.68 y 4. 1.23. pfuina 137' x.9212 : 239 161 = olz02s+V2(199)-1)e =.40Vf 6 /1.¡¡5.SO+19.19(b).sa+19.11.' son 100y'2b-0 115. Este resultado debe compararse con eI del Problema 6. : 200 - 1 : 199 g¡ados de libertad. y St/T/x.6l Para o TEORIA DE ESTIMACION 206 x?ozs = 16- 1 = 15 gradoode libertad. x2nzs de donde ¡¡.68 y 4. Si se encuentra que sus varianzas son 24 y (b\ 90% para la relación de varianzas.83 y 3'84 pulgadas. ee decir.oos = 72. Paray:16-1:lSgradosdelibertad.!75= 5..oe5=5.o75 = |{zsrr. y 18 respectivamente halla¡ los límites (o) Tenemos nt = l(t.49 pulgadas.73 y 2.92)2 = 253 lL6.s¡5=2.9 horas respectivamente.sor-79.n25 = 2. 6.n.el95')h están dados por Sy'-n.ozs.ozs l-l Vz(rssl -r)z = itt." x%os 1_l .9 y 115.19 utilizando la teoría de pequeñas muestras. x?szs = 27.)rto = \/ 2o. Por tanto se tiene la confianza del 95% de que la dewiación típica poblacional se encuentra entre 1. Por tanto se tiene la confianza del 99% de gue la desviación típica poblacional se encuentra entre 88.7.¡]oor=32. 3? = t=r"i = (lf)rznl = "? = 18 de modo qrre 26. X. Entonces los límites de confianza del 99% son 100/Eñ6 de donde X sq¡ INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6.o . s! = 20.92)2 = : \2. x1.?3 y xz._.40\R/2.. (o) Los límites de confianza d. (b) tos lÍmites de confianza del 99\i.50.oos:4.= r\ri= (f.24 y 2.r+l/Z[I6Ef-T¡z = jtz.1 : 199 grados de libertad.26 6 7. it.9 y 1001800/t2.9 y x. están dados por Sy'-nlx ors y Sl-n/y.8 ó ¡.14. Entonces los límites de confianza del 95% son 2.19(a). Este resultado debe compararse con el del Problema 6.2 a.t-t.15.ee5 Para v y Sy/i/7.g = 88.2. Entonces los límites de confianza del 997o son 2. rz = 10./x Para v : sr.84 pulgadas.5 y Entonces los límites de confianza del 95o/.cAP.40\f-I6/5.14.24 y = 6.49 pulgadas.3 horas. . 200 . Por tanto se tiene la confianza del 95% de que la desviación típica poblacional se encuentra entre 91.el99% están dados por Sy'-nl¡.

= (b) Como en (o) hallamos del Apéndice F que confianza del g0% es F.84 V F. Hallar los límites de confianza del (al 98% típicas del hoblema.6 Del Problema 4.59.89. pl" 'f (r.96 parapl : 16 1 : 15 ! U2 =LO-1 =9 grados de libertad.os : 1t2.6?=1=r. Halla¡ la estima de máxima verosimilitud de la media. 6. Si n obsewaciones Xr & se toman de una población distribuida normalmente de la cual se desconoce la media y se conoce la varianza. hallrrmoe para el intervalo de confianza del 98%. ü = \/2ro2 -J- r-<x¡-ü2rzoz L = f(nt. reculta ..e¡ = 3. Por tanto el intervalo de #(ffi) s += 6 0.23. = 3)@*-Pl reeulta Q. tenemos F ge = 4.24.e5 2.89 de modo que l/F.#>@t-pl2 Tomando Ia derivada parcial con re4ecto raL 1:' fr.sg<!=z.) Obsérvese que el intervalo de confianza del9O% e¡ mucho más pequeño que el intervalo de eonfianza del 98Vo.23 hallamos los lfmitec de confianza para el (¿) (ó) ESTIMAS DE MAXIMA VEROSIMILITUD o. 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.zt oz 0. Al tomar la raíz cuadrada 98% v el9o%. 6. Entonce¡ utilizando (171.4437 oí = * ('z'6'g)(?q¿.eg oz 6.(ffi) 4.eo = ". pl = (2to2)-tt2¿-zbk-r)2t2o2 (z') (r) Fijando íLldp = 0 t¡L = a -f. (#)(ffi3) o. gue tenemos (I) Puesto Por tanto l(rx.'or¡ g. También del Problema 4.25. v Q) 90% para la relación de las desviaciones de las desigualdades del Problema 6.tn1z. página 13p.0.47(d).z8a =# : = rsee. pfui¡1g 19?.206 IEORIA DE ESTIMACION [cAP.47(b). . como lógicamente era de eryerarse. tenemos pataUl: 15 y ez:9 grado¡ de libertad f or : 1/3.

todo lo efectuado en el hoblem¡ 6. (a) como la utilizada en el Problema 6. 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) .63. Entonces tomando la derivada parcial con reqrecto a 02. Si en el Problema 6."2) en cambio d.cAP.13.27.p oP = -1. (c) Mostrar que p¿üa grandes valores de n la fórmula de (c) se reduce a p=P¡2" \FF -nn. zi n -4nz | +! . por tanto. = -fi+ uár> @t-r)2 02= 2 (rr - pl2 PROBLEMAS DIVERSOS 6. estaecuaciónsereduceaafi*bp*c:0.TS% delProblema 6.6l TEORIA DE ESTMACION 207 6. b--(2nP+"7) y c=nP2.p).) Dividiendo numerador y denominador por 2n. En estos valores extremos.ca p= _6 + 1/@=lo" 2a z"P+27=W 2(n* z7\ 2nP I 22" * ""t/6F(L1VlT7" 2(nI zf. queda.25 ha¡ta la ecuación (2) aplica. z7 n -4ü r+4 n o P (b) Utilizar la fórmula de (¿) para obtener los límites de confianzadel99.0 hallamos Vé¿se Problema 6.L n - pl pz-2pp*p2: (nI nes para zp\p2 "?P# z?lp Multiplicando los dos miembros por ¿ y simplificando.e f(x¡. halla¡ la estima de máxima verosimilitud de la va¡ia¡rza.cuyassoluciop son dadas por La fórmula cuadráti. tenemos ee i'# Fijando aLl0o2 .26. {P(L = *2" p(. se tiene e+ flt "" P(L-PI . donde z" deüermins el nivel de confianza.13. . se tiene P-P Elevando al cuadrado los dos miembros. Si escribimos f (rx. - (2nP I * nPz = 0 Si o=n+z!. (a) Si P es la proporción observada de éxitos en una muesha de tamaño n. La proporción muestral P en unidades tipificadas .P)/n Los valores mayor y menor de esüa variable tipificada son tzc.25 se conoce la media pero se desconoce la varianza.

se tienep : 0. es de g1.22(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 6.09 ton./Anz que se obtiene la fórmula pedida.8. y (b)99dto para la media de las cargas máximas de todos los cables producidos por la compañía.a los cuales la suma de las áreas en l¡as colas sea61. (b) 98Vo. 10.z. de amplitud sol.7s7=15.8. dieron una du¡ación media de 1200 y una desviación típica de 100 horas. ¡es=15.s2=12.69 en acuerdo con el problema 6. (o) Solucionar el Problema 6. 8. Hallar los límites de confianza del (o) 951/.el 95"tb Ampütud 2r. y 0.98) están dadas por 11. respectivamente.32. Estimar (o) la media y (b) la desviación tÍpica de la población de todos los tubos de televisión producidos por esta compañía./zn. .4 20.9 7. Un intervalo con amplitud af¡n menor puede hallaree continuando el mismo método de aproximación x.0 = 12. La media y la desviación típica de las cargas máximas soportadas por 60 cables (véase Problema 5.'.8.208 TEORIA DE ESTIMACION (b) Paraloslímitesdeconfianzadelgg. La media y la desviación típica de los diámetros de una muestra de 250 remaches fabricados per una compañía gon O. g. en general.64.e6 : 15.44. (c) Si n es gtande.a.r De la tabla se observa que un intervalo del95%.7 a Lt3.$=12'76.6 = 12.rlos ESTIMAS INSESGADAS Y EFICIENTES 6.85. En la Tabla 6-2 se indican varios valores críticos y los conespondientes intetwalos de confianza del 95%.55yn:100enlafórmula y 22"/nson despreciables y pueden sustituirsepor cero. (c) 95% y (d) 90% para el dirimetro medio de todos los remaches fabricados por la compañía.30.100).05.00058 pulgadas.o¡r y x e8l..6. lcAP. respectivamente (véase Problema 5.?3 20.3 91.TSVo.ge = 15. Hallar los límites de confianza del (o ) 99%.40 y 0.13(a). 10. entonces zf. 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. respectivamente. empleando t¡alores críticos tales como justifica el trabajo involucrado.72642 pulgadas y 0.7 7. 6'33. la disminueión en el intervalo que 8e obtiene es comúnmente despreciable y no Probletn. cuya amplitud sea menor que la del Problema 6.8 89.30 si se obtienen los mismos resultados para 30.22(a) fueron obtenidos escogiendo valores críticos de y2 de tal manera que las áreas en cada cola fueran 2. Sin embargo.utilizando de (a).8.¡amente 19.29. (c) Comparar la desviación típica muestral con la desviación típicÁ de la población estimada. horas Una muestra de 10 tubos de televisión producidoe por una compañía.42 a a 111.54 ¡. zf. X. 6. 6. Las medidas de pesos de una muestra fueron registradas como 8.6 p=0.s sr¡plernenta. de forma 6.e4 91.6%. X 032 y X 1¡2.8 ¡.2 y 9. 2g. etc.Es posible haltar otros límitee de confianza escogiendo valores críticos de X2 gar.31.O a 110.4 libras.=B..0 a 110. Determinar estimae insesgadas y eficientee de (o) la media de la población v (b) la varianza de la población.2 19.32 92. pero de tal manera que las áreas en cada cola no sean iguales. Valores Crítico¡ Tabl¡ 6-2 Intervelo de confianza d.?3 ton. ó 0.Entonces..9 110.7.28.

respectivamente. (b)gg%y (c)99J37" para la dewiación típica de todoslos cables producidos por la compañía.82 con una desviación típica deO. Dar los resultados utilizando la fórmula aproximada y la más exacta del Problema 6'27.g5. Hallar los límites de confianza del (a) 95% y (bl99% para el tiempo reacción.94" Hallar (¿) los Problema 6. para que la confianza de que la proporción ¿Qué tamaño de muestra se debería tomar en el Problema 6.41. mientras que de 100 cerrojos de otra máquina 12 eran defectuosos.41. y una Una muestra de 12 medias de resistencia a la rotura de hebras de algodón dio una media de 7.76 y 0.g9.7g% para la proporción real de bolas rojas en la urna. o. Hallar los límites de confianza del (c) g5%. Hallar los límites de confiánza (a) del 95% Una compañía fabrica cojinetes de bolas que tienen un peso medio de 0.3g. Cinco medidas del tiempo de reacción de un individuo a un cierto estímulo fueron registradas real de 0. 6. 6. ¿qué tamaño de muestra deberá tomarse puüa que sea del (a\96%. 0.42. 0. Hallar eI error probable de la desviación típica del Problema 6'46' . 6. Una r¡rna contiene una proporción desconocida de bolas rojas y blancas.gg. 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.30 horas. Hallar los límites de confianza del (a) 95%' (b)99o/oy (c) gg . 6.40. De dos grupos análogos de enfermos A y B formados de 50 y 100 individuos.38 onzas los límites de confianza del (c) 95% y (b) 997o para la resistencia real' desviación típica de 1. Se cree que una elección resultará muy reñida entre dos candidatos. ESTIMAS POR INTERVALO DE CONFIANZA PARA PROPORCIONES 6. (c) del 99.43.44.cAP. La desviación típica de resistencia a la rotura de 100 cables producidos por una compañía fue de 180 libras.(b\95%'(c\99% deladecisiónen favor de uno de los candidatos? INTERVALOS DE CONFIANZA PARA DfFERENCIAS Y SUMAS 6.40 verdadera no difiera de la proporción muestral en más del 6Vo sea (a) del 95Vo. (b\ 99% y G\ gg.45.73% la confianza de que el error en la media de la duración estimada no exceda de 20 horas? no debe ¿Cuáles serán los tamaños de muestra en el Problema 6.638 libras y una desviación típica de y (b) del 99Vo pata los pesos de lotes de 100 cojinetes cada uno. respectivamente. Para los pacientes del primer grupo el número medio de horas de sueño fue 7. INTEBVALOS DE CONFIANZA PARA VARIANZAS Y DESVIACIONES TIPICAS 6. y (b) el error probable para la media de los diámetros del 6. Una muestra aleatoriade 60 bolas extraídas con remplazamiento de la urna. 6.3? suponiendo aplicables los métodos de la teoría de los resultados obtenidos.012 libras.80. HaIIar los límites de confianza del (o) g5%. dio el 7O% de bolas rojas.g1 sfoundos. ¿Cuál será el número mínimo de voranües que se deberá mue\trear para quelaeonfianza sea del (a) 8O%.2[horas.7 Bdn pá.ParalosdelgrupoB fueron 6. (b ) del 99%. Hallar grandes muestras y comparar Solucionar el problema 6.6l' TEORIA DE ESTIMACION límites de confianza del 5O% 209 6.24 onzze. Una muestra de 200 cerrojos producidos por una máquina mostró que 15 eran defectuosos. 6.g?. al primero le fue dado un nuevo tipo de somnífero y al segundo un tipo convencional.86.73V"? 6.46.33. Si la desviación típica de la duración de los tubos de televisión se estima en 100 horas.2?.a h diferencü de proporciones de cerrojos defrctuosos de las dos máquinas' Estudiar los resultados obtenidos.36 si el error en la duración media estimada superar las 10 horas? ESTTMAS POR INTERVALO DE CONTIANZA DE MEDIAS (PEQUEÑAS MUESTRAS) 6. como 0'28. 6. (b)g|%t (c)997oV @)59. 0.

Determinar los intervalos de confianza del (o) 98%v @\gOVapara larelacióndelasdesviacionestípicasdel Dos muestras de tamaños 6 y E respectivamente tienen la misma varianza.59. 6. La desviación típica compañía.e 11. En una prueba de 40 cables seleccionados aleatoriamente resulta una media de la resistencia de rotura d.25 y 6. (b) gg% y (c) gg. para la relación de las varianzas de las poblaciones de donde se exhajeron.? ¿Son lc mismos a los dados en los hoblemas 6. Hallar Ios intervalos de confianza del (a) 98% y (b) 90% para la relación de Ias varianzas.63.52 y (b) Problema 6. INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6. Hallar el estiniador de máxima verosimilitud de ).48.56. límites de confianza del (o) 96'/o y (b)99Eb pa¡a la desviación típica de todas las bombillas fabricadas Solucionar el Problema 6.6 ¿Qué tamaño de muestra deberá tomarse para que la confianza sea del (a) 95%. de la du¡ación de 10 bombillas fabricadas por una compañía es 120 horas.58.57. Si n observaciones 6.51 que tiene la menor amplitud? 6.54 si las muestras tienen tamaño 120 cada una.60. . . Xn de una población distribuida normalmente con media ¡l y varianza ¿Pueden determinarse estimas de máxima verosimilitud de ¡t y o2 en términos d. .49 utilizando la distribuciíny2 si una muestra de 100 bombillas tiene la misma desviación típica de 120 horas. 02 desconocidas. -t 1 r ( -.035 cm respectivamente. Hallar los intervalos de confianza del (o) 98% y (b)907. Los coeficientes de confianza del 999á ("doble cola") para la distribución normal están dados por 12.55.7T% de que la desviación típica de una población no difiera de la desviación típica muestral en más del 2%? 6. . 6. .50. Las desviaciones típicas de los diárnetros de los cojinetes de bolas producidos por dos máquinas son 0. . X1. . Hallar los igr la 6. 6. . ¿Cuáles son los coeficientes correspondientes para la distribución f si (o) v = 4. 6.2to 6.58.. . 6.042 cm y 0. . .51. .62. . ESTIMAS DE MAXIMA VEROSIMILITUD 6.49 si 25 bombillas tienen la misma desviación tÍpica de 120 horas. del Problema 6. . Comparar los resultados con los obtenidos empleando la distribución normal.49. . 6. . .52. .62.54 fueron extraídas de la misma población? Justificar su solución. TEORIA DE ESTIMACION [cAP. Solucionar el (o) Problema 6.54. Una población tiene una función de densidad dada por 8e toman n observaciones l(r) = l^0 [ Si se toman n observaciones X1 . Xn se toman de una distribución de Poisson con parámetro tr desconocido. . 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. Si se toman n observaciones. .e 24OO libras y una dewiación típica de 150 libras. basados en muestras de tamaño 10 cada una. X¡. Solucionar el Problema 6. r. [(A'+t)st 0<¡:<1 de otra forma Xn de esta población hallar la estima de máxima verosimilitud de h.(b)v:12. Xn de esta población..26? Explicar. ¿Considera que las dos muestras del hoblema 6. Una población tiene una función de densidad dada por i@l = 2rt/r/" ¡2s-v*.(c)v:25. hallar la estim-a de máxima verosimilitud de z. PBOBLEMAS DIVERSOS 6. Si Xr.53. hoblema 6.61. 6.(d)v : 30' (¿) v: 40? Una compañía tiene 500 cables. .

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

05 ó 0. La única forma de reducir al tiempo ambos tipos de error es incrementar el tamaño de la muestra. ? II. un tipo de error puede tener más importancia que el otro. El área total sombreada 0. En la práctica.O6El conjunto de las z que se encuentran fuera del rango -1.. lo cual puede ser o no ser posible. si al elegir una muestra aleatoria se encuentra que z para ese estadístico se halla fuera del recorrido .96 a 1. ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.96 (es decir. Esta probabilidad se denota frecuentemente por o. Entonces puede decirse que esta z difiere signifícatiuamente de la que cabía esperar bajo esta hipótesis y se estaría inclinado a rechazar la hipótesis. Esto equivale a decir que el estadístico muestral observado es significativo al nivel del 0.1.05 si la z obtenida para el estadístico S se encuentra fuera del recorrido . es una normal tipificada (media 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. por ejemplo se elige un nivel de significación del O. si la hipótesis es cierta.lo que significa que se puede cometer error con una probabilidad de 0. supóngase que con una hipótesis dada.96 a 1. varianza 1) y se muestra en la Fig. de modo que los resultados obtenidos no influyen en la elección. es decir. 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. al diseñar un ensayo de hipótesis.96.96 ó z 1.)/o.05. lo que quiere decir que es un suceso con probabilidad de solamente 0. ENSAYOS REFERENTES A LA DISTRIBUCION NORMAL Pa¡a aclarar las ideas anteriores.95). el valor de e obtenido de una muestra real para el estadístico S se encontrará entre 1. De acuerdo con lo dicho hasta ahora. En tal caso se dice que la hipótesis ha sido rechazada aI niuel de significación del O.=lD6 I'ig. Como se indica en la figura. se puede estar con el 957o de confianza de que.05 6 6"/. Representa la probabilidad de rumeter error al recbazar la hipótesis es decir. entonces hay aproximadamente 5 ocasiones en 100 en que se rechazaría la hipótesis cuando debería ser aceptada. se está con un 95% de confianza de que se toma la decisión adecuada. 7-1. 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. generalmente se fija antes de la extracción de las muestras.01.96 (puesto que el área bajo la curva normal entre estos valores es 0.96 y 1.El conjunto de lasz que se encuentran dentro del recorrido . Entonces la distribución de la variable tipificada dada por Z : (S ¡.96 a 1..96 a 1. z > I. aunque igualmente pueden emplearse otros valores.96).212 error del Tipo da. debe diseñarse de forma que minimice los errores de decisión.O5. Esto no es tah sencillo como pueda parecer puesto que para un tamaño de muestra dado.05 o que la z obtenida del estadístico muestral dado es significatiua al niuel de significación del 0.1. ¡--lglj .05.1. Así pues.05 es el nivel de significación del ensayo.05 (área sombreada de la figura) si la hipótesis fuese verdadera.. y así se tiende a conseguir poner una limitación al error de mayor importancia. la distribución muestral de un estadístico S es una distribución normal con media p" y desviación típica o".96 constituyen lo que se llama región crítica o región de rechace de Ia hipótes¡'s o región de significación. un intento de disminuir un tipo de error.7-l Sin embargo. Si. .1. se dice que la hipótesis se rechaza al niuel de significación del0. va generalmente acompañádo por un incremento en el otro tipo de error. En la práctica se acostumbra a utilizar niveles de significación del 0. la probabilidad de cometer error del Tipo I.96 podía entonces llama¡se región de aceptación de h hipótesis o región de no significación.

media muestral.8I -3. Para ensayar la hipótesis nula (f) co (I ). Tabla 7-1 Nivel de significación o Valores críticos de z para ensayos unilaterales Valores críticos de z para ensayos bilaterales 0.81 2. La Tabla 7-1.08 y 3. Entonces.96 y -2. será de utitidad para propósitos de referencia. página 195. con área igual al nivel de significación. Véanse páginas 158 y 160. en las dos "colas" de la distribución.05 001 45 0.28 1.58 ó -2. es decir. Debe ponerse de manifiesto que puedgn igualmente emplearse otros niveles de significación.33 ó -2. para estimar o. = op: o/1/i.005 0. Z = -. Los co. Si4 embargo. Ia región crítica es una región a un lado de la distribución. en una "cola" de la distribución. utilizando un ensayo de dos colas. Tales ensayos se llaman ensayos de una cola o ensayos unilaterales. aceptaríamos -EI6 de que la media poblacional es p : o utiliza¡íamos el estadísti-EÍe (o al menos no lo . las distribuciones muestrales de muchos estadísticos son distribuciones casos' se pueden típica a !s V casi normales ótesis y significan o en reglas ante utilizar lo de interés práctl de los ente u asos ción. con frecuencia se puede estar solamente interesado en los valores extremos a un solo lado de Iá media.10 0. Por ejemplo. Por esta raz6n.88 y -1.cAP. La Tabla 6-1. donde o es la desviación típica poblacional y n es el tamaño de la muestra. En tales casos. que da los valores críticos de z para ensayos de una y dos colas a distintos niveles de significación.28 ó -1. si se utilizase el nivel del 0.01 se sustituiría 1. puede también emplearse.88 2.33 -2. es decir. 1. como por ejemplo. La variable tipificada viene dada por Aquí S : X. media poblacional.la X-. se pueden encontrar utilizando la tabla que da las áreas bajo la curva normal.645 y 1. tales ensayos se llaman ensayos de dos colns o ensayos bilaterales.7l / ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2L3 (b) Se acepta Ia hipótesis (o si se desea no se toma decisión alguna) en caso conhario.08 ENSAYOS ESPECIALES DE SIGNIFICACION PARA GRANDES MUESTRAS Para muestras grandes. Medias.58 y -2.58 2.002 ó -t.58 (véase Tabla 7-L).-: ú1V11. En cada caso. 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). Valores críticos de z para otros nivelei de significación. 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.6 1.645 cí 2.96 en todo lo visto anteriormente por 2..645 1. o.. Cuando es necesário se utiliza la desviación muestral observada s (ó G).96 1.i: ¡t.58 2. puesto que la suma del nivel de significación y el nivel de confianza es L00%. tss =. los resultados son para poblaciones infinitas o para muestreo con remplazamiento' Para muestreo sin remplazamiento de poblaciones finitas los resultados deberán modificarse.

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

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

'oz¡ o<nsz< (14) semejante puede obtenerse para el nivel 0.1)^ii + fn. t La distribución de ? es una distribución de Student conv: n. es decir = o3. (o al menos no la rechazaríamos) en el nivel 0.05 si X. s2. Si ¡/o denota la hipótesis nula de que no hay diferencia entre las varianzas poblacionales.. 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. Relaciones de varianzas. Entonces. .01 u y la rechazaríamos de otra forma.t n. Bajo esta hipótesis (16) se convierte en "! F::-l q2 q2 \. combinada obtenida al donde ^31 t . . y o!. 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 .. 4. y después utilizar como estima de o2 la media ponderada (n. En algunos problemas deseamos decidir si dos muestras de tamaños m y n respectivamente.s'.) (17) Para ensayar esta hipótesis al nivel 0. cuyas varianzas medidas son sl y sr2. (/8) y lo rechazaríamos en el caso contrario. página 159. El empleo de (12) está plenamente justificado al hacer o. sí sí = F'o. Por tanto rechazaríamos Hs. de que la varíanza poblacional es mayor que o2 emplearíamos la hipótesis rilo .t.oz : o en(12). pero entonces emplearíamos un ensayo de una cola.1. -2 gradosde'libertad. basados en el ensayo de dos colas. primero anotamos que F en (16) tiene la distribución F con fr .s? + + n. es correcta) si la varianza muestral específi- ca. Varianzas.0. Esta es la uarianza 3. n .1 grados de libertad.10 si Fo. fi son las varianzas de las dos poblaciones normales de donde se extraen las muestras.EIo (o no la rechazarí4mos) en el nivel 0. . Un resultado otro nivel. provienen o no de la misma población normal. Para ensayar la hipótesis H. * n.05 (y por tanto concluiríamos que f/. En este caso utilizamos el estadístico (véase página 161) F= donde (16) fi. por ejemplo.1 grados de libertad. Entonces si una muestra aleatoria de tamaño n tiene varianza s2 aceptaríamos flo .J)9j 1) + (nz -1)-- l' n. aceptaríamos.. fuera tal que nsz t2 y aceptaríamos IIo (o al menos no la rechazaríamos) de otra forma. . utilizando un ensayo de dos colas. en el nivel 0.2L6 ENsAyos DE HrporEsrs y srcNrFrcAcroN / Se'tt.3¿ son estimas insesgadas de oi combinar los datos. (rz' .

7. El método utilizado general: típica de la muestra para estimar la media y des 7. 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.elo vn vn Por tanto. la si de modo que puedan darse los pasos rápid ejemplo en control de calidad. érrores de los empleados. Los gróficos de control suministran un método útil y sencillo para tratar tales problemas (véase Problema 1. Sin embargo. se describe más adelante. por ejemplo. significación. es posible frecuenten llamadas "modelos" o distribuciones "esperadas") tras de la población. Un resultado semejante para_ ensayos de una cola requeriría intervaloi de confianza unilateralás. A pesar de que la necesidad de tales intervalos es rara' es posible definirlos (véase Problema 7.136 y también Problema 6.14). GRAFICOS DE CONTROL DE CALIDAD importante conocer cuándo un proceso ha cambiado suficientemente. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2t7 R. (/ ) en la (1e) ñ _ L.31). poüíamos realmente emplear el intervalo de confiaíza del Capítulo 6 para e¡¡sayar ttipótesir. 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. al menos en el caso de los ensayos de dos colias.30. qué tamaños de muestras deben emplearse.el aiuste de las distribuciones teóricas a las distribuciones muestrales es esencialmente el mismo que ál de decidir si hay diferencias importantes entre los de significaclón imporüante para la bondad del valores cle la población y la muestra. Es posible evitar el riesgo de error < nunca la hipótesis. el enmyo chi-cuadrado.cAP. . donde s camb se deben simplemente a fluctuaciones causa de deterioro en las máquinas.29).33. conviene utllizar papel grófico de curua normal o papel grófico de probabilidad.32 y 7. POTENCIA DE UN ENSAYO Se ha visto cómo el error del Tipo I pued. etc.05 es eq pigtm 195 conducente al intervalo de confianzadel96"/o se puede obsenrar que existe u eoría de ejemplo. 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. CURVAS CARACTERISTICAS DE OPERACION. r a¡ la bondad d. como a veces se le llama (véase Problema 7. Útt "trrayo ajuste de distribuciones teóric as.

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

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

esperadas pueden calcularse sin tener que estimar -parámetros ooblacionales con los estadísticos muestrales.t..220 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. ión muestral muy próxima a la distribución no sean demasiaáo pequeñas. . (h . También existe una modificación análoga de (24). se pueden tener tablas h X h X I donde estén presentes 3 chsúicaciones.L27\.ü nPr En general. . Una tripótesis normalmente supuesta es la de que las dos clasificaciones son independientes enhe si. El número de filas y columnas de la tabla dg contingencia determina el valor rñáximo de C.rtt" pr.7 . el máximo valor de c viene dado por 1frn . La corrección consiste en poner (21) coimo sigue "r "pii""uié ¡2 (corregida) = tL\-g!)- !'5Y * !4-grP +. En COEFICIENTE DE CONTINGENCIA Una medida del grado de relación. la corrección se hace solamente cuando el @s) se conoce frecuentemente como corrección de Yates.ráU" de esto véase el Problema 7.1F nz si las frecuencias observadas pueden solamente calcularse estimando m parámetros poblacionares con los estadísticos muestrales.L\q 1) si las frecuencias-. k il por (b) u : (h. Et númeró áé É dado para h > l. como se ha visto en capítulos ant-eriores.6g y 1. asociación o dependencia de las clasificaciones en una tabla de contingencia está dada por (26) que se llama coeficiente de contingencia.. que no es nunca superior a uno.Los ensayos de significación para tablas h x h son análogos a los de las tablas 1 X k.48. número de grados de libertad es z : 1.*!4t_"p_4. Si el número de filas y columnas de una tabla de contingencia es ilrrh ah. Para.. A mayor valor de Q mayor es el grado de asociación.62. Así por CORRECCION DE YATES PARA LA CONTINUIDAD . ejemplo. Una corrección análoga cuando se utiliza la distribución chicuadrado-. ? I estad de Y de es tal (a) v :.rytc (véanse problemas 7.L)(k . Las frecuencias esperadas-son halladgf bajo una determinada hipóteiis llo. Las tablas de contingencia pueden extenderse a un número mayor de dimensiones.Cuando se aplican a datos discretos los resultados para distribuciones continuas deben hacerse ciertas correcciones.

Según la distribución binomial. de otro modo se rechaza y se decide que la moneda no está bien hecha. cuando en realidad es cierta. la probabilidad de no obtener entre 40 y 60 caras inclusive si la moneda está bien hecha 1 .5 en unidades tipificadas = q9'5-:-E 60.'lóJ /1Yo . cuando debería aceptarse q el error del Tipo. 53 (o) (b) Por el Problema 7. (b) Interpretar gráficamente la regla de decisión y el resultado del apartado (c). probabilidad de error del Tipo I) se llama níuel de significación d.7-2 z (60. el área total sombreada (es decir. /1Y. Para ensayar (c) Hallar la probabilidad de rechazar la hipótesis.1.. (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. Por esta razón. la probabilidad pedida es /1\'t0 'oocoo( i) /r \6r' .1O y z: 2. 7-2. pues se habla de rechazar la hipótesis a un nivel de significación de 0. se acepta la hipótesis. Entonces la probabilidad de rechazar la hipótesis cuando es correcta : 0.0358 6 3. se rechaza.5 . .5 - 50 = 2.58%..-210 caras) FiE.9642 : 0./ 1" (.) =.en unidadee tipificadas = 60. Si en una serie de 100 lanzamientos sg obtiene una z entre -2.lO 2.) +'noc. está representado por el área total sombreada de Ia figura.CAP./lY' (. entre 40 y 60 caras inclusive es lo mismo que entre 39. la hipótesis de que una moneda está bien hecha. La regla de decisión se ve gráficamente en la Fig.5.L0 y 210.1. -. ..10 y nq son ambas mayores de 5. En una escala continua. ambos inclusive.e la regla de decisión y es igual a 0.tp = 1oo(. puede utilizarse para la er¡aluación de la suma anteriqr la aproximación normal a la distribución binomial.que muestra la distribución de probabilidad de caras en 100 Ianzamientos de una moneda bien hecha. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 22r Problema. Hallar la probabilidad de obtener entre 40 y 60 caras inclusive en 100 lanzamientos de una moneda. se dirá que esta z difiere significatiuamente de lia que cabría esperar si la hipótesis fuese cierta. Región de recbace ? El error que se puede cometer de rechazar la hipótesis (39.2.0358 del apartado (o). (2) de otro modo. Así.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.5 y 60. \ql . 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.I0 Probabilidad pedida : : área bajo la curva normal e¡tíe z: 2(áreaentre z: O y z: -2.I de la regla de decisión y la probabilidad de cometer este error es igual a 0.10) 7.0358 en este casc.. 39. uo Pueeto que np o-{ffi=['r{ffi=' = _2.s resueltos ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NORMALES 7.'| rrx'ti'\r/ /tY' \-/ \-/ \-/ \-/ \-/ La media y la desvi¿ción típica del nf¡mero de ca¡as en 100 hnzamientos vienen dadas por t.0.0358.5 caras.0358.

g2-2.96. Segundo método: Con probabilidad 0. Entonces Z la regla de decisión resulta: = (X - 32\14.76y 32+ -1.16 y 39. 24.99 . ? (c) Según la regla de decisión. Se puede argüir que con solo una cara más que se hubiese obtenido.222 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.005.84. pues.1.01 . Para mayor discusión véanse Problemas 7 rechazarse ea error del Tipo 1I de la .96 <(x-gz)l¿.84.575). en ambos casos se aceptaría la hipótesis de que la moneda está bien hecha.25.01. cada6rea sombreada en la Fig.96 < z < 1. El error que se comete al aceptar la hipótesis cuando debería decisión. Entonces el área entre 0 y zr = 0.960. .84.025 por simetría.05 y (b) 0. -zr Fis.96{npq o entre 32 - 1. caras se encuentra entre (2) es Se rechazá la hipótesis en caso contrario. es decir.4950 ! zt = 2.(X-32)14:-1.0050 :0. es decir.96(4).32. es decir.23-7.1. cada área sombreada en la figura anterior es 0.96(4) :24.? en lugar de 0.96 pueden ser también sacados de Para expresar esta regla de decisión en términos del número de ca¡ae a obtenerse en los 64 lanzamientos de la moneda.3.Asípues.que también conducea ) obtenerse de la Tabla ?-1. Se puede aceptar la hipótesis cuando realmente debería rechazarse como. SiZ:1.1. np.2.95.O25O : O-4750.5) .96 y 1. el número de ca¡as se encontrará entre ¡¡ decir.t6.32 y o -= t/iw = y'6llos)(05) = = (X p)/o 4 bajo Ia hipótesis de que la moneda está bien hecha.bg (másexacüarnente 2.5000 . Esto es lo que se debe afrontar cuando para tomar decisiones se toma cualquier línea de división.05. Siguiendo el mismo procedimiento del método segundo del apartado (o ). Entonces.58(4\: 42. entre 25 y 39 ambos inclusive.58o. Estopuedetambién - el número de ca¡as se encontrará entre lr 2. 7.< 1.(X-32)l¿:1-96óX:39. se habría rechazado la hipótesis. Entonces. (2) Rechazarla en cualquier otro caso. (o) Primer método: Si el nivel de significación es 0. (d) Si. Diseñar una regla de decisión para ensayar la hipótesis de que una moneda est. Así. por ejemplo. el área entre 0 y zr es 0.58(4):21.np: 64(0.O.y z¡ : 1.7-B 2r Los valores críticos la Tabla 7-1- -1.966X=24. 2. sería el caso cuando la probabilidad de cara fuese realmente 0. una posible regla de decisión es: (I ) Aceptar la hipótesis de que la moneda est:á bien hecha si Z está entre -1. 89.á bien hecha si en una muestra de 64lanzamientos de la moneda se toma un nivel de significación de {c) 0.96 equivale a .58o y pt*.5.96yñpq lleva a Ia regla de decisión anterior. se ve que con probabilidad 0. nótese que la media y la desviación típica de la distribución binomial exacta de caras están dadas por ! .84que 32) < 1. 7-3 es 0.1.96_ (2) Rechazar la hipótesis en cualquier otro caso. (b -1. Si el nivel de signilicación es 0. (i ) Se acepta la hipótesis de que la moneda está bien hecha si el número de 24.96(4)< (x6 32.96(4): 1.96.5i2:-1.68 y Bz + Entonces la repla de decisión sería: (l) Aceptar la hipótesis si el nfrmero de caras se encuentra entre 22 y 42 inclusive.16<X< 39.96 y 1.96(4)< X< 32 + 1.5000 0. Tercer método: y np+1.96.96(4) la regla de decisión anüerior.960 y ¡J + l.96.

5 V el sujeto está simplemente adivinando.25\15.84 llegándose a Ia misma conclusión anterio¡.P. Asfrpues.5 .S.S. (D) Sielniveldesignificaciónes0. de modo que posteriores investigaciones del fenómeno están probablemente justificadas.64:1.26)13. Rechazar Ia hipótesis en ca6o contraúo. se concluye que al nivel del 0.6. En un experimento sobre percepción extrasensorial (E. ¿Cómo se podría diseña¡ una regla de decisión en el Problema ?.645 los resultados Be deben a la casualidad.84) que es menor que 2. Una completa discusión de tales casos requiere l¿ consideración de errores del fipo II (véanee hoblem¿s 7. los resultados significativos al nivel del 0.98 es mayor que 1. se deduce que los reeultado¡ no son significaüuos al nivel de 0.S.P.01 ¡on altomente significatiuos.01.645. Fig.01 son probablemente significotiuos.23-7.np = 50(0.26').645.5) = zb ! o=\/wq = /86(05)(-05) = ¡/Es = (a) Para un ensayo de una cola al nivel de significación de 0. Para evitar este etlor. Algunos estadísticos adoptan la terminología de que lios resultados significativos al nivel del 0. lo que efnificarfa que ee rehuaa cualquier decisión en este caso. Es desconocido-para el zujeto cuántas cartas rojas o azules hay en el lote.4900Y2r:2. 31.5 y el sujeto tiene fuerza de E.) un individuo (sujeto) en una habitación fue preguntado sobre el color (rojo o azul) en una carta elegida por otro individuo en otra habitación-de un conjunto de 50 cartas bien barajadas.5 üiene un valor tipificado de (31.98 (ó 1. Entonces el área enüre O y zt = 0. no significativos al nivel del 0. en lugar de aceptar la hipótesis. la regla de decisión o enaayo de significación es: (f ) Si la z observada es mayor que 1.ar la hipótesis si el número de caras se encuentra e¡fte 22 y 42 inclusive.64: 1.4500.06 son no significatiws.06 se debe elegit z1 en la Pig. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 223 7. (I) ee Adüértase que tealmente debería aplicarse una conección de continuidad.P. Sin embargo. puesüo que 32 en una eecala continua está entre 31-5 y 32. Y zr : 1.05 pero no al nivel del 0. puesto que no se está interesado en la facultad de obtener valoree bajos.Puestoque32(ó 31.5) en unidades tipificadas es 1. zl (2) Si z es menor de 1. se concluye que los resultados del experimento anterior wn probablemente significatiuos. los resultado¡ son totalmente casuales Ht: p ) 0. mientras que los resulüados significativos a niveles superriores al 0.S. la media y la desviación tfpica del número de cartas identificad¿c correcüamente 3.omete al aceptar una hipótesis que debería ser rectrazada.4.entonceseláreaent¡eOyzt:0.01. p es la ptobabilidad de que el sujeto elija conectamente el color de una catta.05 y el indiüduo tiene fue¡za de E.05. Si el zujeto identifica conectamente 32 cartas' determinar si los resultados son significativos al nivel de significación de (c) 0.05 y (b) 0. Si la hipótesis está dado por ff6 es cierta.05. es decir.05 el individuo tiene fuerza de E.01.cAP. es decir. 7-4 de modo que el área sombreada en la región crítica de r¡alores alüos sea 0.33.54 p=. 7-4 Puesto que 32 unidades tipifrcadas (32 .3 que evite el enor del Tipo T? El error del Tipo I[ se c.645. .33. Así por ejemplo. Seglrn la üerminologfa.P.3(b) serfa: (I ) (2) No recltzz. la decisión rnantiene es decir. 7. entonces se tiene que decidir entre las dos hipótesis siguientes: Si Hoi p: 0. lo que se hace es simplemente no rechazarla. los resultados son significativos al nivel del 0. Se elige un ensayo de una cola. Esto puede también eacarse de la Tabla 7-1.5. Sin embargo. la regla de decisión del Problema 7. sino en la facultad de obtener aciertos numerooos. en muchos ejemplos prácticos es importante decidir si una hipótesis debe eer aceptada o rech¡zada.

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. 7 Puesto que los niveles de significación sirven de guía en la toma de decisiones.6. que es mucho menor de -2.33. como puede deducirse del koblema 7.S. la aseveración es legítima y los resultados obtenidos se deben a la casualidad (en cuyo caso Si se acepta 116 ).9 y la aseveración Se elige un ensayo unilateral. si el área sombreada en la Fig. 7-5 es 0. H1: ¡t* 1600horas Un ensayo bilateral debe utilizarse aquí puesto que g * 1600 incluye valores mayores y menores de 1600.23. ta probabilidad citada en-este caso 0. Determinar si la aseveiación del fabricante es cierta. Si ¡. se llama a veces niuel de significación erperimental o descriptiuo.9 y la aseveración es correcta es falsa Hy: p10.r es la duración media de todos los tubos producidos por la compañía. con una desviación típica de 120 horas. Por ejemplo.224 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.23: -4.En una muestra de 200 individuos que tenían la alergia la medicina suministrada alivió a 160 personas.. Denótese porp la posibilidad de obtener alivio de la alergia utilizando la medicina. El fabricante de una patente médica sostiene qu€ la misma tien'e un 9O% de efectividad en el alivio de una aler_gia.P. o de la Tabla 7-1. algunos estadísticos citan las probabilidades reales inherentes. Ahora 16O en unidades tipificadas (160 . es decir.33 (en cuyo caso se rechaza H¡).l8O)14. altamente significatiuos (véase final del Problema ?. es sobre el 3 por 100. comprobar la hipótesis ¡¡ : 1600 horas contra la hipótesis altemativa r¡ # 1600 horas con un nivel de significación de (a) 0.9)(o. .96. Asípues. Entonces tre las dos hipótesis: se debe decidir Ho: p: 0. entoncegz¡ : -2.s. por un período de 8 horas. \/"pq = /?2ooxo.viacióntípicaop:s/1/i. La duración media de una muestra de 100 tubos fluorescentesproducidosporuna compañía resulta ser 15?0 horas.dondegvoscnlamediayladesviacióntípicadelapoblación de todos los tubos producidos por la compañía.96 a 1.0322. en este problemapuesto quep(Z > 1.01. (2) Se acepta l/6 (o no se toma decisión alguna) en caso contrario.84):0. El estadístico bajo consideración es la media muestral X.01.7. lt:1600 hora. 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. (2) En caso contrario. (a) Paraunensayobilateralalniveldesignificaciónde0. 7.5(b).5). 7-5 toma como regla de decisión: (1) La aseveración no es legítima si Z es menor de -2.05 y (b) 0. puesto que Ee esüá interesado en determinar si la proporción de gente aliviada por la medicina es demasiado baja.33. Se zl Fig. La distribución muestral de X tiene una media r¿x-Éyunades. Se tiene que decidir entre las dos hipótesis: Ho. mediante la simetría de la curva.1.$) : 1AO y " - 7. 3. Si se toma el nivel de significación del 0. .Ossetienelasiguienteregladedecisión: (/) Se rec}raza 116 si la z de la media muestral está fuera del rango .r¡ = a.01 .

se rechaza /16 al nivel de significación del 0. que es menor de -2. Las decisiones concernientes a hipótesis'lfe dadas. (1 Hs si Z es menor de -1. no están siempre en concordancia. 7-5). se tiene X-p ol\n 1850 .58 a 2. se rechaza pues. Puesto que / : (X . hay un aumento de resistencia al nivel de significación del 0. y hay un cambio en la resistencia Aquí debe emplearse un ensayo unilateral (véase Fig.01 y. 7.01.1800 -------------ó. .oo loo/v5o que es mayor de 2. Bajo la hipótesis de que (I es rechazada. Ilo es aceptada (o no se toma decisión alguna). 7-5 es -2. puesto que z -2.645.33.96 a 1 .7 Como en el Problema de significación del 0. con los niveles de significación de (¿) 0.01 la regla de decisión es: ) Si eI valor de z es mayor que 2.cAP.01 eI valor de z1 en la Fig. utilizando la desviación típica muestral como una estima de o. en efecto.¿ 7.33. fle al nivel (b) Si el nivel de significación es de 0.05 y (b) 0.1600y12 : -2.96 a 1. ensayar la hipótesis p : 1600 hora.9 6. y realmente no hay cambio en la resistencia 1800 libras. se tiene g : 1600 y o* = a/t/n = 120/\/L00 = 12. (a) Sielniveldesignificaciónes0.01. I/e es cierta. Adviértase que esta decisión es la misma que la obtenida en el Problema 7. Entonces.1600)/12 : (L570 .7(a) mediante un ensayo bilateral.50.9. Esto cabe. 7-4). (a). De aquí se deduce que los resultados son olúamente significatiuos y Ia aspiración de mejora debe ser admitida. Como en el Problema 7.50 se -l . Para ensayar esta aspiración. acepta H6 (o no se toma ninguna decisión) en caso contrario.58.s frente a la alternativa horas. que es menor de -1 .01? Se tiene que decidir entre las dos hipótesis: Ho: lJ: Ht: lt > 1800 libras.33.05. por tanto la regla de decisión: -L.01. Al nivel de significación del 0. Mediante una nueva técnica en el proceso de fabricación se aspira a que esta resistencia pueda ser incrementada.50 se encuentra dentro de este rango. De aquí que se adopte la regla de decisión: (I ) Se rechaza H¡ si Z es menor de -2.05.05. II1: ¡t{ 1600 horas. /ls al nivel de significación del 0. se acepta Ile (o no se toma ninguna decisión) al nivel de sfinificación del 0. Se ¡ecltaza 7 . ¡. ) (2) Se acepta.33 los resultados son significativos al nivel de 0.8. naturalmente esperarse.Ff6 (o no se toma ninguna decisión) en caso contrario.7(b) mediante un ensayo bilateral.96 en la regla de decisión del apartado (c) se sustituye por -2. el valor de z es -2.50. Adviértase que esta decisión es idéntica a la obtenida en el Problema 7. (2) S. puesto que se ensaya I/6 conha una alternativa diferente en cada caso. laregiónsombreadadelaFig. basadas en ensayos de una o dos colas. ¿Puede mantenerse que. En el Problema 7. se rechaza pues.F/0 (2) De otro modo. Se debe < 1600 decidir entre las dos hipótesis: Ho: lJ: 1600 horas.01.645.T-Stieneunáreade0. ' (b) Si el nivel de significación es 0.0Sysetieneque zt : Se adopta. Debe aquí utilizarse un ens¿ryo unilateral (véase Fig.645. el rango -1. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 226 eneuentra fuera del rango Bajo la hipótesis I/6.33.7(a). se ensaya una muestra de 50 cables y se encuentra que su resistencia media es de 1850 libras.7. 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. el valor de e es -2.

01. Se hizo un examen p dos clases formadas por 40 y 50 estudiantes respectivamente. mientras que en la segunda clase la puntuación media fue de 78 con una desviación típica de 7.10. (b) 0. !40*50 = 1. es decir.10.58 y 2. Debe sin embargo ponerse de manifiesto que la hipótesis puede rechazarse al nivel de 0.58. = o n*r-'^" = !t-". ltz . La estatura media de 50 estudiantes de un colegio que tomaban parte en las pruebas atléticas fue de 68. se deduce que los resultados son probablementesignificatiuos. = 1# = -2. . ! la diferencia se debe simplemente al azar H t : Pt * ¡t2 . De aquí se deduce que al nivel de 0. I vez cada 10. ft1 "8. ¿Hay una diferencia significativa entre el restfltado de las dos ciases al nivel de significación de (a) 0.05 pero no al de 0.El6 .05. De aquí se deduce que al nivel de 0.la estatura media del primer gtupo ^o hay diferencia entre las estaturas mediases mayor que la del segundo ur?. =o n*r-rr"= "? .5 pulgadas.5.2 pulgadas con desviación típica d.05.05 si Z se encuentra fuera del recorrido -1.11.01 no hay diferencias significativas entre ambas clases. Para un ensayo bilateral. los resultados son significativos al nivel de 0. = o*r-fr.. z ENSAYOS RELACIONADOS CON DIFERENCIAS DE MEDIAS Y PROPORCIONES 7.-*. los resultados son significativos al nivel de 0. 7.4s Puesto que los resultados scin significativos al nivel de 0.10 si se está dispuesto a correr el riesgo de tomar una decisión errónea con una probabilidad de 0. de acuerdo con la terminología utilizada al final del Problema 7.0ó hay una diferencia significativa entre las dos clases y la segunda es probablemente mejor. ?. ambas clases provienen de la misma población.lp.645. no se puede rechazar la hipótesis a este nivel de significación. 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. Así pues. mientras que 50 estudiantes que no mostraban interés en tal participación tenían una estatura media de 67.96 a 1. - l"? . Enton- Bajo ferencia de medias están dadas por Ho: ltt : llz. La media y la desviación típica de la di- uir-i.8 pulgadas.226 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [g. En la primera clase la puntuáción media fue de 74 con una desviación típica de 8.53 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.hay una diferencia significativa entre las dos clases la hipótesis lls.96.e 2. p2 .01? ces.e o1 y o2. n2 = 0. Entonces z= (a) (ó) Pata un ensayo bilaüeral.5 pulgadas con desviación típica de 2.01 si Z se encuentra fuera del iritervalo -2. se tiene que Supóngase que las dos clases provienen de dos poblaciones que tienen de medias respectivas decidir entre las hipótesis: l\ y tJz. "Z= l8r. Se debe decidir entre las hipótesis: Ho: llt : H t: Ft ) Bajo la hipótesis.606 donde se han utilizado las desviaciones típicas muestrales como estimas d.

¿En cuánto deberíán incrementarse los tamaños de muestra de cada uno de los dos grupos en el Problema 7. Se debe r! p2. al nivel de significación del 0.?50 - = 1.7 pulgadas en las estaturas medias sea significativa al nivel de significación (o) 0. respectivamente se han recuperado de la enfermedad. .xz 4 .tt d \/a>r2.7 3. se r*}lrazaría lahipótesis1116 solamente si z fuese mayor de 2.5¡z ¡ ". Entonces ry- en los dos grupos muestrales el valor (?5 * P. (ó) De acuerdo con un ensayo unilateral (c) Si se utilizase un ensayo unilateral al nivel de significación de 0.70 y donde q : 1 p : 0.#) = 0. ui'!!=r.zorro.ir_*.09 3.10. = o?.y el suero es efectivo Bajo la hipótesis 116. Denótese por P utiliza¡ suero. Se encuentra que en los grupos Ay 8. (2 ) sin decidir entre las dos hipótesis: es decir. 14.75/\n 0. Ensayar la hipótesis de que el suero ayuda a curar la enfermedad al nivel de significación del (a) 0. H t : pt ) pz.7 observada en las estaturas medias se tiene xt .54.r-r. = p de curas 0. = o o. se debe deducir que los resultados se deben al azar a este nivel de significación. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 227 7. se rechazaría la hipótesis IIs solamente si z fuese mayor de 1. = 0 V p". se tiene .. (b) 0."io" dos grupos per- o*r- *.05. (b) 0.01.05.II para que la diferencia observada de 0. (a) o. (c) 0:10.33.zt. pero no al grupo B (que se llama gtupo control). Puesto que esta condición es satisfecha. deberá incrementarse el tamaño de cada grupo en ?8 será significativa al nivel de 0. Puesto que el valor de z es 1."2 nn (2. Entonces.ebr(-#.645. respectivamente las proporciones poblacionales curadas ( I ) utilizando el suero . Dos grupos A y B fo¡mados cada uno de 100 individuos. 0. se deduciría que el suero es efectivo al nivel de significación de 0.CAP.o*r-*.0648 donde se ha utilizado como estima de la proporción 65)1200 : 0.01 si : 28 al menos. Se administra un suero al grupo A.r.30.l las diferencias observadas son debidas al az.05.01? Supóngase que el tamaño muestral de cada grupo eB n y qLe las desviaciones típicas manecen iguales a las de antes. urr-r'.5 ó t57 n>1b? 50 De aquí que se debería incrementar cada muestra en al menos : lO7 ./" Para la diferencia de 0.28. padecen una enfermedad.L2. De donde se deduce que a este nivel tambiénlas diferencias se deben al azgt.05 si Yif-t'uou (b) La diferencia observada ó 1/-n=8.75 y 65 individuos. 7.0648 ro._P" orr.t.8 í¡ n>78 50 Así pues.54 (c) De acuerdo con un ensayo unilateral al nivel de significación del 0. bajo la hipótesis tiI6. siendo en todo lo demás los dos grupos tratados idénticamente.01.75 n . el suero no es efecüivo Ho: Pt : Pz.7\n 3'75 La diferencia observada será significativa al nivel de 0.650 0.10 se rechazaría f/e solamente si el valor de z fuese superior a 1.13.

z Adüértase que las conclusiones anteriores dependen de lo que se esté dispuesto a arriesgar de tomar una decisión erróneá.96a1.t 0. que son las mismas del problema anterior.01. Al nivel de significación del 0.-t'r= se ú'G. Esto muestra cómo al incrementarse el tamaño de la muestra aumenta la seguridad de las decisiones.67 es puesto que el valor de z es mayor de 2. Co¡r un ensayo unilateral y al nivel de significación del 0. = ú(¡D=@=00456 f(0.96. Entonces 0.. no hay diferencia significativa entre los distritos' : ) Pt : Pz)y (Ht: pt ) pz Si se desea determinar si el candidato es preferido en el distrito A. se compone de 300 individuos y si se curan 225 i* : 0. Entonces = 0 or.56)(300) 0. respectivamente. decir. .01 de equivocación.70 utiliza como estima dep. se deduce que el suero es efectivo con solo una probabilidad de 0. En tales casos. Bajo la hipótesis ^FIe.13 si cada grupo dividuos del Grupo. _ 1. (¿) Si solamente se desea determinar si hay diferencia entre los distritos.. se puede proceder a dar el'suero a grandes grrlpos de gente solamente para obtener entonces que realmente es inefectivo. Este es un riesgo que nb siempre deseamos suponer.528 l'75 y 1-0.472. se puede rechazar la hipótesis al nivel de significación del 0. l'pr-pz = donde (225 0 ú¡'. se rechazaría Hs si Z estuviese fuera del in' tervalo-1 . es decir. se está forzado a toma¡ decisiones en acuerdo con la información utilizable y asÍ se tendrá que correr mayor riesgo de tomar decisiones erróneas. ?. Solucionar el Problema 7.encontrándosedentrodelintervalonosepuedetechazatH¡ a este (b .195y600:0.Puesto queZ:1.228 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.560 dondesehautilizadocomoestimadepyqlosvalores +(0.0374 .05 se rechaza H¡ si Z fuese mayor de 1. que se estudia con un ensayo bilateralCon un ensayo bilateral y al nivel de significación del 0.15.zt y 195 del grupo B.33. Por otro lado. 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.528 = z - P.05 ensayir la hipótesis de que (o) haya diferencia entre los distritos.0374 P. Denótese por pr y p2 las proporciones de todos los votantes de los distritos A y B. (b) el candidato sea preferido en el distrito A.750 y 195/300 Adviértase que en este caso la proporción de gente curada en los dos grupos son 225/300 : 0.14.P" = rrar.645.0. estaban a favor de un candidato dado.650 0.-P. Si los resultados se deben realmente aL azar y se toma la decisión de que son debidos al suero (error del Tipo I).750 = ro. Bajo la hipótesis (Ho: pt:pr ) se tiene l¡.?S. Sin embargo. Una muestra de 300 votant€s del distrito A y 2O0 del distrito B mostró que el 66% y el 48% respectivamente. se debe decidir entre la hipótesis (f/e ). se debe decidir entre la hipótesis (Ho : P t : pz\ y (Ht : P t * pz).zol ro.6b0 respectivamente. se rechaza É16 a este nivel y se deduce que el candidato es preferido en el dis' trito A . Puesto que éste es el caso.48)(200)l/500:0." 0. que se estudia con un ensayo unilateral. ..05. ?.480 = -0^0456== nivel. que están a favor del candidat<¡. en muchos casos es imposible el aumentar el tamaño de la muestra. z=ñ= - = 2.sol( r*-L * r*-L ) : 0.

y la afirmación del fabricante de modo que se requiere un ensayo unilateral. ) Para un ens¿ryo bilateral al nivel de significación del 0. y la máquina de modo que se requiere un ensayo bilateral. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Ú ENSAYOS RELACIONADOS CON LA DISTRIBUCION DE STUDENT 7.01.f.i6= = -8.00. .16.F/e en caso contrario. : ) Para un et¡sayo unilateral al nivel de significación del 0.01 . Ensayar la hipótesis de que la máquina está en buenas condiciones de producción al nivel de significación del (o) 0. se dice que lamuestraresultaproboblemente significatiua (véaee la terminología del final del Problema 7 .. (b) 0. I/6 al nivel de 0. y la afirmación del fabricante está justificada es falsa 1 : ¡t 1 8000 libras.F/s. .17. Para un ensayo bilateral aI nivel de significación del 0.86.g. ABI sería aconsejable comprobar la máquina o al menos toma¡ otra muesha.É16 elr cáso contrario. que resulta tener un grosor medio de 0.L7¡"- 1= ?l|'!-_99rnJ . lo cual para 10 libertad es eI intervalo -2. : ) Para un ensayo unilateral al nivel de significación del 0.05. se adopta Ia regla de decisión (l) (2) (b Seacepta116 si ?esmayorde -ú.26 a 2.05 se adopta la regla de decisión: (I) (2) (ó) Se acepta fle si f se encuentra dentro del intervalo-f cz¡ a f e75. En el pasado una máquina ha producido arandelas con un grosor de 0.050. se adopta la regla de decisión (1) (2) Se acepta f/¡ : si ? es mayor de -f.cAP.05. 7.01.05 pero no al nivel 0. y la máquina Ht: P + 0. se toma una muestra de 10 arandelas.050 pulgadas. á ú.01.26. que para 5 grados de libertad da 7') -3. se rechaza ffs .6). (b) 0. se rechaza Puesto que ?: 3.01 se adopta Ia regla de decisión: (I ) (9) Se acepta . se encuentra en buenas condiciones no se encuentra en buenas condiciones Bajo la hipótesis (o H¡ se tiene . Se desea decidir entre las hipótesis Ho: lt:0.00.un.05 . Se rechaza.86 .00. que para 6 Se rechaza. Un ensayo sobre resistencia a la rotura de 6 cuerdas fabricadas por una compañía mostró una resistencia media de 7750 lb y una desviación típica de 145 lb mientras que el fabricante sostenía que la resistencia media de sus cuerdas era de 8000Ib. se acepta. H lJ: 8000 libras. Se rechaza -1 :9 gradosde lls en caso contrario.Efs al nivel 0.01 . Ya que se rechaza lls al nivel 0.25. que para 10-1 tad es el intervalo -3.05. Para determinar si la máquina sigue en buenas condiciones de producción.050. Se deduce que la afirmación del fabricante es extremadamente improbable que esté justificada.4!9 ú0 -t -_.F/6 si ? se encuentra dentro del intervalo --f.ee.003 pulgadas.F/6 eri caso contrario. -t/n- t = 9!$-.25 a 3. se rechaza .053 pulgadas y una desviación típica de 0. Puesto que T = -3.01? Se tiene que decidir entre las hipótesis Ho:.36. Puesto que ? -B . Se rechaza. -1:5 gradosdelibertad da ?) -2.o. ¿Se puede admitir la afirmación del fabricante aI nivel de significación del (a) 0. Bajo la hipótesisae se tiene (o . = 4---f.ee5.86. : 9 grados de liber- Puesto que ?: 3.

tiene que decidir entre las hipótesis se Ho: lt : ltz. de los dos grupos.ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. ¿Hay diferencia significativa entre el I.O5 a 2.05? Si se denota por ¡l-.2:.y el fertilizante incrementa la producción Bajo la hipótesis I/6.85 Con un ensayo unilateral aI nivel de significación del 0. Q.Ef6 al nivel de significación del 0.S! + nrS! n1 -ln2-2 Entonces t6+L4-2 =9. se rechazará Hs si T se encuentra fuera del recorrido -t. se rechazará la hipótesisl{6 si ?se encuentra fuera del recorrido --t r¡g¡. (cociente de inteligencia) de 16 estudiantes de una zona de una ciudad dio una media de 107 con una desviación típica de 10.05.8 fanegadas con una desviación típica de 0.40 fanegadas. 7. mientras que el L Q. n1*n2-2 "=!ffi (a) I 12(0.01. Todas las demás condiciones fueron las mismas. Q. eue para 28 grados de libertad es el recorrido -2. donde nrsl + n252. Así pues.3s7\n/12 + Urz = 1.19. no se puede rechazar Se deduce que no 116 al nivel de significación del 0.4012 =o'397 v T= 5.ee5. (b) Con un ensayo bilateral aI nivel de significación del 0.y la diferencia se debe al azar H t: pt ) tt1. y (b) 0.01. de los estudiantes de las dos zonas. mientras que la media en las parcelas tratadas fue de 5. de los dos grupos al nivel de significación del (o) 0. T= Entonces xt- X. se eligieron 24 parcelas de terreno de igual superficie. Así pues. eue para n¡ I nz . T- xt-x.8 0.ee. "tf. la mitad de ellas fueron tratadas con el fertilizante y la otra mitad no (grupo control).76. ? ?. sé rechazará Ia hipótesis f16 si ? fuese mayor que ú.?6 a 2.36 fanegadas.05. de 14 estudiantes de otrazona de la ciudad dio una media de 112 con desviación típica de 8.2 : 22gradosde libertad es 2.ffi + 12(0-36)2 t/". hay diferencia significativa entre el I. Q.y hay diferencia esencial entre los grupos Bajo la hipótesis lls. En una estación agrícola se deseaba ensayar el efecto deun determinado fertilizantn sobrela producción de trigo.1 - 4.44 y T= ltz - t07 9.01. .2 : 72 + t2 . se tiene que Ho: lt : ltz ! no hay diferencia esencial entre los grupos Hti ltt =* tlr. respectivamente. y ¡r2 las medias poblacionales del decidir entre las hipótesis I. lo cualpara n1 * nz .01.05. Así pues. La media de trigo conseguida en las parcelas no tratadas fue de 4.45 (¿) Con r¡n ensayo bilateral al nivel de significación del 0.ctsa ú e75. Para ello. a ú.16 + 74 . El I. Q.2: 28 grados de libertad es el recorrido -2.01.1 fanegadas con una desviación típica de 0.44\/ l/16 + l/t4 = 1.51.18. "t/U"t+ Y"2 donde o - n. no se puede rechazar É16 al nivel de significación del 0. ¿Puede deducirse que hay un incremento significativo en la producción de trigo por el empleo del fertilizante al nivel de significación del (a\ 7% V Q) 6%? Si ¡¡r y pt2 son las producciones poblacionales medias en los suelos tratados y no tratados. no se puede rechazar..

25 onzas. muestras en cuestión.8. y la variabilidad se ha incrementado El valot de 12 para la muestra €8 X2 : nsz/sz :20(0.máqlLlina era de 0. En el pasado la desviación típica de los pesos de ciertos paquetes de 40. p. = E = *n@ = r. ENSAYOS RELACIONADOS CON LA DISTRIBUCION ¡' 7-2L.nn no podemos techazar ff6 al nivel 0.Ffs al nivel de significación del 0. sería deseable tener alguna prueba más.1 : 19 grados de libertad. Vz:26-L=24.01. lo cual para22 grados de libertad esL.y la variabilidad de la claseA es mayor que la de la B La decisión debe por tanto baearse en un ensayo unilateral de la dietribución F.01 paraZ¡ = L5.sr. aunque no hubo diferencia significativa en medias de las calificaciones.05. y cualquier va¡iabilidad observada se debe al azol Íi1: o1>.05 Si el valor de X2 muestral fuese mayor 9ue x?gs. ¿Es el aparente incremento de va¡iabilidadsignificativa al nivel de signifióación del (a) 0.LL para 15.2 para 19 grados sig de I O.Alnivel 0. Se deduce que el incremento en la producción de trigo alttilizar el fertilizante es probablemente significoúiuo. se rechaza ^Ef6 al nivel de significación del 0. f ( F.05.01. LaclaseA tiene lGestudiantes en tanto que la clase B tiene 25 estudiantei. ¿Podemos concluir al nivel d-e significación del (c) 0. (b) Ya que f'. sz :12 de modo -que G? = .05 que la variabilidad de la clase B es mayor que la de la clase A? (o) Tenemos. 9tt" 4'rn. 24 grados de libertad (véase Apéndice F). F. se rechazará.ee : 2. (b) 0.01 si el valor muestral de pues.01. Y deberá efectua¡se una revisión en la máquina. vemos que tampoco podemos rechazar.25 onzas.tá h. Un instructor tiene dos clases.ltle al nivel 0. Una muestra aleatoria de 20 paquetes dio una desviación tipica de 0.v2 = 24 tenemos del Apéndice F. Sin embargo antes de sacar conclusiones definitivas referentes a la conveniencia del fertilizante. sr g. Entonces.05 y (b) 0. empleando eubíndices 1 y 2 para las clasee A y B respectivamente. . pues.cAP.er:z. no se rechaza.la clase A tuvo una desviaóión típica de 9 en tanto que la clase B tuvo una desviación típica de1'2.EIe al nivel de vel de significación del 0.32 on?T. ENSAYOS RELACIONADOS CON LA DISTRIBUCION CHI-CUADRADO 7.EI6 al nivel de significación del 0. probablemente incrementado.1 para v : 20 .0 onzas.74 eí Entonces.8g. El número de grados de libertad para las clases son respectivamente rr¡ :16-1:lb.05. Así puee. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 237 (ü) Conunensayounilateralalniveldesignificacióndel 0.25 onzas. Así.Z5l2 = 82. llenados por una.Por tanto . En el mismo examen.. A y B.4. y los resultado¡ observados se deben alazar H 1 : o > O .e5. ya que Ad F( F .72.!4 = '*rrrr'= 1Eo Hay que decidi¡ entre las dos hipótesis : o ¡ = o2. se rechaza . que es igual a 30. 4 = . en una asignatura específica.06.01? Hay que decidir entre las dos hipótesis: Ho: o :0. se rechaza.oz._Lr'? = if Itr¡ (e)2 = 86. ¡12 fuese mayor- Mediante un enaayo unilateral.É16 al ni- Se deduce que la variabilitlad se ha.serechazarálahipótesisfl6si?fuesemayor que ú. que ás igual a 36. (o) (b) Mediante un ensayo unilateral.32)2/(O.?0.

2L no inüeiresa su¡ valoree.232 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. ?.7 39 5 caras 60.7. 7-6.5 4. se acepta cuando el p = 0. con la regla de decisión dada hay un gran riesgo de aceptar la hipótesis de que la moneda está bien hecha cuando realmente P : 0. Con referencia al Problema 7 . y después se calcula p.6. rOalculada en el Problema 7.3) = 4.5 en unidades tipificadas = 39.? tiene una media y una desviación típica que Bon dadas por p=np=(100)(0. (a) Sip : 0.22.23 si (a)p:0.7-6 Si la probabilidad de cara es p : 0.8.90 V(100)(0.5 p=o.5.0192 Así.24.5405 Asi pues. sino solamente si hay una variabilidad en las calificaciones.2(ol.07 -6.6 p-0.102 -4.6. con la regla de decisión dada hay muy poco riesgo de aceptar la hipótesis de que la moneda eetd bien hecha.O1). En la práctica se pue' den presentar otras dos posibilidades: (I ) Se decide sobre c (tal como O.66 to'l.6.ó y 60.O5 ó O.4) = 4.9' (d) P : O-4. es igual a 0.2L si existe una diferencia significativaenla media de las calificaciones de las clases? Justificar su solución. Puesto que la media real de las calificaciones no se usó para nada en el Problema 7 .6)=60 ú = lnpq = 60. Adviértase que en este problema se tenía la regla de decisión de la que se obtenfa c y p. está dada por el área rayada p de la iigura. número de caras en 100 lanzamienüos se encuentra entre 39. ?-6. la media y la desviación típica de la distribución de caras vienen dadas por !=np=(100X0.? .58 = 70 y'6oo)(oJ)(0.7)=70 60. probabilidad de error del Tipo I) viene: dada por el área toüd c de la región sombreada ba. ¿cu6l es la probabilidad de aceptar la hipótesis de que la mohecha cuando la probabilidad real de ca¡a es p : Q.5 39.5 en unidades tipificadas = - 60 60 = = 0. (c)p :0. En el diagtama se ve claramente que la probabilidad de acepLr . Solucionar el Problema 7.7 7.90 4.tO2: 0. que representa el nivel de significación del ensayo de lfe.¡O tn Entonces I: áteabajo la curva normal entre z --6'66 y z -2-O7 : 0.23. pues. cuando realmente P : 0. Para calcular esta área se obeerva que la distribución bajo la hipótesisp : 0.Efs cuando realmente p : 0.18 yz : O.jo la curva normal de La izquierda en la Fig.0358. Esto es de esperarse ya que no estamos tratando de decidi¡ si hay una diferencia en las medias de las calificaciones. llegando a una regla de decigión (2) Se decide sobre Q y P y después se llega a una regla de decisión.7 (es decir. entonces la distribución de carag en 100 lanzamientos eetá representada por la curva normal de la derecha en la Fig. probabilidad de error del Tipo II).99 60.6)(0.18 Entonces 9: área bajo la curva normal entre z : -4.58 tipificadas = üipificadas - = = : -2.5 en unidades ' = : r/"pq 60.2 es decir.5 en unidades 39. .5 caras Fig. esta á¡ea d.J? neda está bien La hipótesis ff6 de que la moneda está bien hecha.5 4. CURVAS CARACTERISTICAS DE OPERACION 7. ¿Canbiarían sus conclusiones en eI ProblemaT. La probabilidad de rechazar Ffe cuando debería aceptarse (es decir. (b)p : 0.

9: 0 pa¡a todos los propóeitos prácticoe.25. 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. Interpreta¡ los gráficos obtenidos.6 0.8) = 80 y o=.6. Sin embargo.5405 0.cAP.6 0.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION y'(100X0-S)(0¿) 233 =¿.2 0.eedecir.0000 0.5. (d) Porsimetríap = 0. Esta probabilidad es igual a 1 0. 7.9642 0.0192 0.8. blemas7.0 0.(a).4 0.9 1.8 0.0358 :0. La Tabla 7-3 muestra los valores de p correspondientes a valores dados dep.enüoncea p=np = (100)(0.0000 0.23y 7.1 06 0{ 0.7 0. 7-z (o) El gráfico p.p:0.4 da el miemo valor deÉq.3 0.88 = 0..3 0. (b) Sip=0. el apuntamiento mayor de la curva OC es la mejor regla de decisión pa¡a techazar hipótesis que no son válidas.09ó8 al nivel de significa- En general.9 0.5 cuando realmente p tiene un valor distinto a 0.12 y z -4.9 0.? 0.se gla de la decisión o enoayo de hipótesis.9642 y ha eido introducida en - L-p 1.88 -10.1 0 0 (a) (D) Fig.5405.0000 muy aproximadamenüe. p ee muestra en la Fig./nW= 60.5 en unidades tipificadaa 39.5 se puede interpretar p como la probabilidad de acepoar p : 0'5 cuando debiera ser aceptado.t"p:0. .24. 1c) Comparando con (b) o por cálculo. (b) ( 1 p ) y p.3 02 0.5 0.9.6 0.8 0. comolorobtenidosenlosProTabla 7-3 p B 0. si realmente'p : 0.0192 0.8 0.2 0.24 construyendo un gráfico cuyos ejes sean (a\ I y p. 7-1.0000 la Tabla 7-3. Be ve que sip = 9.1 0.4 0.0 0.5405 0.12 p: área bajo la curva normal entre z : -10. Nótese que p representa la probabilidad de aceptar la hipótesis p : 0.0000 0.6 en unidadeb tipificadas Entonces = ry = q9? : = = -4.6 0.23y7. Representar gráficamente los resultados de los Problemas 7.

la regla de decisión anterior se convierte en: (I ) (2) (ó) Se rechaza 116 si la reeistencia media de 64 cuerdae excede a 30?. que debieran ser rechazadas. Considérense las doe hipótesis (Ho: bras) Las distribuciones de las resistencias medias correspondiente¡ a estas dos hipóteeis se repreeentan.26.0 libras.0 tb 307 tb 3r0 lb -1. y (Ht: tt: 310 libras). (b) Bajo la regla de decisión adoptada en (a).01 si se pone dé manifiesto qu¿ debe rechazarse al ensayar 64 cuerdas. Una compañía fabúca cuerdas cuyas resistencias a la rotura tienen un valor medio de 300 li bry" y una desviación típica de 24libras. se puede hdla¡ p para loe caeor en que el .27.Enton= "lr/ñ 24/\/u Así. Se cree que mediante un nuevo proceso de fabrica- puede inc¡ementarse la resistencia media.00 = 0. X>300+3(2. p ¡e muestra en la Fig.00. en caso contrario.7-9 = iren. 7-9. de modo que realmente ambos gráficoe aon equivalenüee.0 libras en unidade¡ tipificadas : 300 (307. H t : ! -. Esta curva ae obtiene ¡encillamente invirtiendo la curva OC.e potencia. bajo la curva normal de la derecha a la izquierda de z dect. ? ) E gráfico (1 .33) =30?. es decir. ¡e llama curua de potencio de la regla de decición o ensayo de hipótesis. Esta es Ia probabilidad de aceptar Ho: ! : 300 libras cuando realmente es la probabilidad de comeüer error del Tipo II.J = 't. 7-9. 7. es 7. tt: 300 li- Ia probabilidad de aceptar el proceeo primitivo cuando la nueva resistencia media sea realmente 310 libras se representa por el área É de la Fig.33.26(br. y el nuevo proceso es igud que el primitivo 300 libras. Constmir (a) una curva OC v (b) una cun¡a de potencira para ei Problema 7. (c) Diseñar una regla de decisión para rechazar el proceso primitivo al nivel de significación del 0. ?-8): (t ) Se rechaza lle si la e de la media de resistencia muest¡al es riayor que 2. tiene la siguiente regla de decigión (referenüe eon la Fig.01.p) ¡e llama a menudo función d. Para hallar su valor nótese que 307.310 libras? Supóngase que la desviación típica se mantiene en z4libras.0 lb. *r. ae quiere decidir enhe las hipótesis: Ho: U: Ht: ! ) Pa¡a 300 libra¡.158?. de aquí que A - 310)/3 = Fig. La cantidad p se llama tambiénfunción caructerístico de operoción de un ensayo. i 800 *sz. y el nuevo p¡oceso es mejor que el primitivo se un ensayo unilateral d nivel de significación del 0.9qo. Si ción (a) ! es la resistencia media.310 libras es cierta. Razonando análogamente a como se hizo en el Problem¿ 7. Se acepta ^Éfs en caeo contra¡io.P). I¡ cantidad (l .234 (D ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. ¿cuál es la probabilidad de aceptar el proceso primitivo cuando en efecto el nuevo proceso incremente la resistencia media a. suponiendo que la desviación típica de las ¡esistencias se mantiene en z4libras.26. respectivamente con las distribuciones normales de la izquierda y de la derecha de la Fig. puesto que indica la aptitud o potencb de un ensyo para rechazar hipóüesie que son falsas. 7 -7 (b). : -1. (2) Se'aceptqlfq pue¡to 'que z = cessi Z>2.33.

Para ensayar la hipótesis de que una moneda está bien hecha (es decir. De la Fig. etc.cAP.9 0.7486 3r0 0.5) mediante un número de lanzamientos de la moneda. (¡) U probabilidad de aceptar la hipótesis cuando realmentep difiera de 0.6?. ri ¡r tonces 307.5 en 0.8 o.28. se desea imponer las siguientes restricciones: (A) la probabilidad de rechazar la hipótesis cuando sea realmente conecta debe ser a lo sumo 0. La eituación planüeada se ve gtáficamente en la Fig. p : 0.5.1 o más (es decir.05. por encima del cual se rechaza la hipótesis de que p : 0.6? : 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.9900 L1.0038 320 0..7 0. p > 0. mientras que la restricción (B) requiere que la probabilidad de error del Tipo II eea a lo sumo 0 : 0. ya que lae dog curvag eon esencialmente equivalentes.?4Eo De esüa forma se obtiene la Tabla 7-4.7-r0 (¿) La curva OC se muestra en la Fig. se ha puesto Denótese por n el tamaño de muestra pedido y por ¡ el número de caras en los n lanzamientos. En esta curva 6e ve que la probabilidad de seguir con el proce' so primitivo. límite al riesgo de error del Tipo I Por ejemplo.05.0000 p 0. 7-11 se tiene: .4) debe ser á lo sumo 0.0 .6 0.1687 316 0.l (excepto para el nivel de significación del 0. Eeepués.¡ o. y de aquí - 396 librae. Por ejemplo.05. 7.2 0. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 235 nuevo proceco da un¡ resistencia media ¡r igual a 306 librar.7-11. Determinar el tama¡1o mínimo de muestra necesario y enunciar la regla de decisión resultante.0 B 0. si el nuevo da una resistencia menor de 300 librar. la curva baia ró- pidamente hacia cero.1 0. sepuedenobtenerdeellalaomismasinterpretacionesque de la curva OC.0000 300 305 0.7-10(b). es piácticamente. 315 librae. AquÍ y Tipo II. de modo que no hay probabilidad de aeguir con el proceeo primitivo cuando la media de resistencia es mayor de 316 libras.305y9 = 0.05.6 6 p f 0. (b) La curva de potencia se ve en la Fig.0000 296 1. en- 9: i¡ea bajo la curva normal de la derech¡ a la izquienda de z :0. Tabla 7-4 tt 290 1.0 libra¡ en unidades tipificadas: (307.01 cuando el nuevo proceeo da una media de 800 librar). ?-10(o).5 0.

6 a la izquierda ae es 0. L7 .584 pulgadas.5. Cuando un punt'o se rale de estoe límite¡ control (tal como en la tercera muestra tomada el jueves).6 n Y x - 0. también s€rá 0. pueden igualmente determlnarse otros lfmiües de confianza. p = 0.egla de decisión mediante la cual se puede estar razonablemente cierto de qúe la calidad del producto esüá de acuerdo con las noÍnas requeridas.7 3% se puede decir que la media muestral X debe estar denüro del intervalo (p¡ entre cae a m p ¡t:0.236 ENsAyos DE Hrpornsls y sIGNIFrcAcroN lcAP.29. Por tanto un promedio ponderado de todas estas probabilidades.r) - 0. se debe lanzar p - 0.645 ó (t) o. se toma una muestra de 6 cojinetes ejemplo.6n 0.6 r¿ * 0.564 a 0.96 r ó (Sl u. Los límites de control determinadog anteriormente se llaman límites de confianza del gg.008 pulgadas. Se construye una máquina que pr-oducfuá cojinet€s de bolas teniendo un diámetro medio de una desviación típica de 0.9É!= -r. e¡ decir.5.05.4r rtñ- (n. enfte 742 y 177 si el número de carac en Slg lanzamientos está dentro del recorrido 159.4 a 0. automáticamente tomarÍamos como 0.524 * Puestoque De aquí que la regla de decición eea como sigue: (l ) Si la media muestral decuada para el trabajo pedido. La elección en cada caso depende de la¡ circunetancias particulares del tnismo. 7'l2.7 BVo o brevemente lfmite¡ 3o.5 en caso contrario.) Eláreabajolacurvanorrnalp:0. (2) es una cantidad muy aproximada. es 0. muestrales puede tlevarse por medio de un gráfico tal como ee muestra én la Fig.5\/n De 0.6.574 . = 0. la moneda al menos B1g veces.05 o menos cuando p tiene cualquier otro valor por fuera del recorrido 0. es 0. Se sigue que el tamaño de la muestra debe ser al menos 31g. hay la posibilidad de que falle algo y se precisa una invesüigación del posible fallo.674. (b) S€ rechaza la hipótesis + 17 .4s 1/A 0.O\4\'\/E) o Con confianza del 99 . Para determinar si la máquina esconstruida para el fin que se destina.. ¡- np :1-77 - 159.49{n vnpq = '--.05 en el "peor de loc casos".seeigueque I se encontrará entre (0. Cada vez que se observa una media muestral se representá por un punto en el gráfico.re'presentaría grárticamente la regla de decisión de (a).5. (o ) 3o¡) a (p¡*3o¡) con el 9€.73% de O.0. En tanto que los punüoe se encuentran entre los límites 0.o:0.5 : . ? (f.llamado grófico de control de colidad.98..0.05 o menoa.n: 318. tales como los límitee d'el 99% o d. .008yn=6.el 95V". (o) Diseñar una. dentro del intervalo 0.025.014l\/6\ y (0.Saladerecha a" 7 (9) El área bajo la curva normalp 09" O.Haciendo n : 319 en (3) o (4).5n = 1.806y'-n es De (3) y (4).49\/n n = o. y se obsen¡a el diámetro medio de la muestra. se adopta la riguiente regla de decisión: (o) Se acepta la hipótesiep:0.05. Así pues.ít/n Vnpq= "- :0.0'6n Realmente el área entre -f. 7 0.x :177. .5. Sin embargo. el procelo está bajo control.564 y 0. la máquina (b) Un registro de las medias no s€rú adecuada y habrá que buscar la razón de su ineptitud. Obeérvese que tomando la probabilidad de aceptación como De(/) x .6 n- 0..9801fa- e'¡ 9-. GRAFICOS DE CONTROL DE CALIDAD 7. que representan la probabilidad de error del tipo II. (b) Mostrar cómo se. Para decir.6.584 pulgadasi ee supone que la máquina es a- (2) De otro modo.

7 ó 309 150. 7-12 AJUSTE DE DATOS A DISTRIBUCIONES TÉORICAS 7. El ajuste se observa que es bueno.3087 2 3 ^ 0.43. Tabla 7-5 Número de caras (r caras) Frecuencia esperada Frecuencia observada 38 0 1 0. página 163 puede ajustarse a una distribución normal.1507 0.2 ó 316 308.2 t44 342 287 164 25 7. x F a os74 a a a t I a : o 0 s64 o Fis.cAP.30. Para la distribución de frecuencias observada. Así pues.¿94)¡(0. .0294 5 6 33 161. la media del número de caras es 2fr_ / _2470=2. Se tiene P(x caras en una serie de 5 lanzamientos) : f(¡) = sCrprqs-".30.1619 0.(0. : 2.1: np : 6p.47 rooo Igualando las medias teóricas y real se tiene 5p da viene dada por /(r) = .. Utilizar papel gráfico de probabilidad para determinar si la dist¡ibución de frecuencias de la Tabla 5-2.31.3162 0.7 ó 151 29.47 6 p :0.4 6 29 33. la distribución binomial ajusta- En la Tabla 7-5 se han obtenido estas probabilidades así como las f¡ecuencias esperadas (teóricas) y las observadag.0332 0.C. La bondad del ajuste se estudia en eI ProblemaT.9 ó 162 316. dondep y q son las probabilidades resy sello en un solo lanzamiento de la moneda.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 297 Lunes Martes Miércoles Jueves Viernes $ € bD osal 1} a a t ü {. página 178.506)5-¡.494. La media del número de caras es ¡. Ajustar una distribución binomial pectivas de cara a los datos del Problema 5.

4177 0.0743 72-74 6 4 20. como se ve en la Fig. caicular e de los límites reales de clase. ?-r3 hoblema ?. las frecuencias relativa¡ acumuladas expreeadar en porcentajes. .32.0 92.z z = . como se muestra en la Tabla 7-6. 7-13. La "bondad {el ajuste" de la distribución qe congidera en el Problema ?. Y se pone de manifiesto que ee ajuetan ba¡tante bien con las frecuencias observadas realmente. la distribución de frecuencia¡ dada se convierte en una di¡tribución de frecuencia¡ relativas acumuladas. donde la media i y la desviación típica 6 se han obtenido en los Problemas 5. son pasadas sobre los límites reales superiores de clase.92 ó 39 27.39 2.32.36 1. El grado en que los puntoe así dibujados ee encuentran sobre una lÍnea recta. De aquÍ se sacan las áreas bajo la curva normal entre los valores sucesivos de ¿.3892 0.0413 0.72 -1. determina la bondad de ajuste de la distribución dada a la distribución normal. en un papel.5 7t. se observa que hay una distribución normal que se ajusta e¡trechamente a los daüos. que da las áreas bajo la curva normal de 0 a z se obtiene con la tabla del Apéndice C.0 Io a E ql € ó a () 95 90 80 70 Q0 a (t 6 .5 66.a -2.6 ¡¡+ 0.92 pulgadas (x mente El trabajo puede organiza¡se como en la Tabla 7 -7 .5 7¡.6 74.5 7L. Multiplicando lo¡ valores de la quinta columna (que representan las frecuencias relativas) por la frecuencia total n (en e¡te ceso n = 100). ? 76 Frecuenei¡¡ Estatun (pulgad¡¡) menor que 61.46 pulgadar.0 23.6 Rcl¡tiv¡¡ Acumulada¡ (%) 6.grófico de probabilidad eepecial. La¡az6¡ de esto se ve claramente con un diagrama.44.0 100.0 65.41 0. se rutiliz. 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).70 -0.5 62.2068 6L65 6&68 69-71 68. Véase o a I É to 5 o a d E 62.40 respectiva- La cua¡ta columna.4920 0. 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. Por lo anterior.6 menor que 64.6 &tatura (pulgada¡) Fis.6 menor que 67.5 menor que 70.68 6 2l 38. = 61.35 y 5.43 ít 7 4.6 menor que 73.5 oD. 7.tlls.7L 6 28 7. Par:a.6? 0. se obtienen lae frecuencias esperadas de la sexta columna. anotadas en la última eolumna.2771 0.6 68. Después. dadas en la quinta columna.t3 D 18 42 27 8 ñ.238 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla [cAP. s = 2.E 50 40 30 20 Primero. Ajustar una cunra nonnal a los datos de la Tabla 5-2. página 163.

respecti- xz = (o) El valor crítico (b @t:lptlz -(rz:. Ensayar la hipótesis de que la moneda está bien hecha con un nivel de significación del (c) 0.90 hallado. Las frecuencias de caras vamente. Entonces. > 3.np)z npt npz - (115__100)2 Pueeto que el número de categorías o clases (caras. Entonces. ?] ENSAYOS DE HTPOTbSIS Y SIGNIFTCACION Tabla 239 7-t 7.9?.63.34. < 6.84.eo Entonces.v: + (85:!00)2 = 100 h 4.. puede ser esto un indicio de la adaptabilidad de la distribución de Poison a la muestra de datos.0494 0. Comparando con el valor de \ : 0. (b) 0. la varianza d : L. da 0. Para conveniencia de la comparación.3659 0. np2 : tOO.05.36.f 0l2r + : (21)(0) '50 (18X1) + (7X2) + (?liQ_l q)(a) = .63.3 y 4 accidentes de esta distribución de Poisson.50 pótesis de que la moneda está bien hecha al nivel de significaeión del 0.4066 0.7:2 -L = l. se rechaza la xlo¡ para 1 grado de libertad es 3. durante los cuales r autos tuvieron accidentes en una ciudad.1. de acuerdo con la distribución de Poisson.47 0. Para una verdadera distribución de Poisson. Entonces y eeüos esperadas si la moneda está bien hecha son np : 100. la euarta columna que da los números de días observados se ha repetido.05. Ajustar los datos a una distribución de Poisson.30 8. 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.56 6 ó 20 18 8 2 1 0.50 . En 200 lanzamientos de una moneda se obsen'aron 115 caral¡ y 85 sellos.2.rj días. 0 r N(rmero de dÍasr Número de días obsen¡ado 2L 18 7 3 1 {r accidentes) 0.01. puesto que 4.o loe números teóricos de días en los que ee presentarán ¡ accidentes (obtenidos multiplicando las correspondientes probabilidades por 50). respectivamente rr = 115.CAP. hi' la ) El valor crítico xlso para 1 grado de libertad = 6. Las frecuencias de caras y sellos observadas son.0111 4 6 6 ó Nótese que el ajuste de los datos dados a una distribución de Poiseon es bueno.CUADRADO ?. El cálculo de la varianza de la distribución da' da.84.24 2.60 hipótesis de que la moneda está bien hecha al nivel de significación del 0.'12 ¡ 85.1647 espeado 20. 100 sellos) es h:2. .33. Tabla 7-9 Número de accidentes.01. La Tabla 7-8 muestra el número de días f durante un período de 50 días. véaee método 1 del Pro" blema 7. blemente bíen heclu. puesto que 4. El número medio de accidentes es Número de I Número de accidentes. 313 {11 = Iq"+ill En l¿ T¿ble ?-9 aparecen lae probabilidadee para 0. a¡í com. LA PRUEBA CHI.* : P(r accidentes) 1118 2 7 o.33 I 2 3 18.

de nuevo en consecuencia del Problema 4.86. Con la corrección para la continuidad. (rr. El valor crítico a2e5 para 5 gados de libertad es 11. solucionar el Problema 7.34 utilizando la corrección de yates.v:h-1-:6-1:b. (2.S¡(0f)--7. (16_20¡z _ *--lO-+ +ñ=5.35. (rz-npzl2 .00 20-+ n 20 Puestoqueelnúmerodecategoríasoclases(carasl. Con un nivel de 0.96. Pa¡a una comparación con los métodos a4teriores.O7 : 2.5) =100yo=1fipq=/IZOO¡O. si el valor de z está fuera del intervato -1. (rt-nptl2 . (rs-np¡.2o5 < 6.05 y un ensayo bilateral.zvb Puesto que 4'205 > 3.b8 a2.93_4)' _(15-20\2 .4. ? 7.15.00 > 1.-nps)2 (ra-npe)2 < 11.84. .7OO)17 .00 la hipótesis de que el dado está bien hecho. se rechaza la hipótesis de que la moneda eetá bien hecha.20. 7. Entonces.01.07 :2.34 mediante la aproximación normal respectivamente. 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. es el mismo valor de X2 obtenido en el probl.ema se cumple siempre que la prueba de chi-cuadrado comprende dos categoiías.05)2 7 -37. 115 o más caras equivale a 114.5 en uni: (114. Nótese que el cuadrado de este valor. De ello se sigue que la concordancia entre ambas frecuencias no es tan buena como para no dudar de Io deducido.240 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. radasen200 lanzamientosdelamonedason¡r=np=(200)(0. Nótese que el cuadrado del valor anterior. Entonces 114. Esto se cumple siempre que la prueba de chiruadrado eomprende dos categorías y se aplica la corrección de Yates.5)z = _100 )_ (L[.5)2 .5.15.05 pero no al de 0.96 a 1.06. x2 (conegida) = = (lzt - nptl nPt 1001 0'5)z + !1""- np2l npz - 0'5\2 (1115 - 100 _ 0. ^-------::-:-.1. Solucionar el Problema 7.L2. 115 caras en unidades tipificadas Bajo la hipótesis de que la moneda está bien hecha.05.63 se deducen las mismas conclusiones que en el Problema ?.84 y 4. Método 1.g.5 .60.34' Esto Con un nivel de significación del 0.)z .1.86.01 el intervalo sería -2.36. Véase Problema 4. a la distribución binomial. Esto conduce a las mismas conclusiones que por el primer método. (24-20\2. dades tipifica¿¿5 : 4.58.0. no se puede rechazar Para 5 grados de libertad x%s: 1. la media y la desviación tÍpica del número de caras espe- : (l1b -lOO)t7. puesto que 5. (ZJ2)2 : 4.2. Se sigue como en el Problema 7. es igual al valor de ¡2 corregido con la corrección de Yates p¡ra la continuidad del Problema7.5)z _ . (185 _ __ 1001 Í4. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación del 0. 7.35. de modo que X2 : 5. La Tabla 7-10 muestra las frecuencias observadas y esperadas allanzat un dado 120 veces.npr o _ (rt-np)2 .07.86.34 que la hipótesis se rechaza al nivel de 0.5 o más caras.s)z = 100_ 100 tt q^< 4. véase método 2 del Problema 2.6)esh:6. (23-20)2 +--lO . Método 2.

¡$5: 0. Una muestra de 12 bolas extraída aleatoriamente de la urna dio 2 rojas. de modo que no se puede rechazar la teoría al nivel de 0.26 rugosos y amarilloe B4. teoría y los reeultados del experimento están de acuerdo. ?.Qe-2512 try+ .zb rugosoe y verdes ft Entonces tssol = x2= (o) (b) Para v Para v (3L5 3L2. 101 rugosos y amarillos y 32 rugosos y verdes. (b) 0. : 3. de modo que no se puede rechazar la teoría al nivel de 0. Para evitar esto se agrupan las categorías de modo que los núme¡os esperados en cada categoría sea al menos 5.7I ENSAYOS DE HIPOTESIS Y SIGNIFICACION 241 7. .se esperarían fttssel = -- 312.01.05? El número total de guisantes es 315 + 108 + 101 + 32:556.3. Se deduce que cabe sospechar alguna tendencia no aleatoria en dicha tabla de números. la aproximación de chi-cuadrado será errónea.75lisosy amarillos tol. Puesto que los números esperados están en la proporción 9:3:3:1 (y 9 * 3 + 3 + 1 : 16). x2. 9 que se da en la Tabla 7-11.3 >2!3 sededucequeladistribución observada dífiere significativamente de la esperada al nivel de significación del 0. que la Nótese que para 3 gtados de libertad.470 Puestoquehaycuatrocategorías.ss= = 3. Se deduce pues.cAP. En los erperimentos de Mendel con guisantes.01.81. 108lisos y verdes.L.. 7.352. 4 amarillas y 1 verde.4?O > 0. . naranja. amari'llo y verde.zS lisos y verdes Struol = frtssol 104.h=4yelnúmerodegradosdelibertadesv=4-1=3.39.2.'nr parav: h -1:9 gradosdelibertad es21-. loe resultados obtenidoe están sujetoe a unh razonable influencia de error muestral.76 *W = 0.40.. Una tabla de números aleatorios de 250 dígitos mostró la distribución delosdígitos 0. Una uma contiene un gran número de bolas de cuatro eolores dife¡entes: rojo. r ry = 2s. obseryó 315 lisos y amarillos. x?ss: 11.7.05. 5 naranjas. Puesto que eetos números esperados Bon menores de 5.352 y X2 :0.38.01. ?. Bajo la hipótesie de que la urna contiene proporciones iguales de los cuatro colores. ¿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. ¿Hay alguna evidencia que permitadudarde su teoría al nivel de significación del (a) 0.76\2 3t2. cabría esperar 3 bolas de cada clase en la muestra de 12 bola¡.como 23. Ensayar la hipótesis de que la urna contenga proporciones iguales de los diferentes colores. .g El valor crítico d" x. De acuerdo con su teoría. estos números deberían presentarse en la proporción 9:3:3:1. . . De modo que aunque el acuerdo es bueno.

"Siete" se puede presentar de 6 formas y "once" de 2 formas.242 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. (5-e)z . = siempre reduce el valor de ¡2 . en 360 lanzamientos cabría esperar "siete" y 1/18(360):20 veces "once". puesto que incluso el valor corregido de y2 se encuentra cerca del valor crítico. respectivamente.05.xjr¡. se obtendría ¡2 a pesar de que las frecuencias sean dema- (2-3¡z . Ento¡-.1.:-:_+r::__-::_:sis de que los dados estén X¿ 4. la aproximación ¡' para frecuencias pequeñas es pobre. 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. Esto se consigue en nuestro caso considerando las categorías "roja o verde" y "naranja o amarilla". z. Sin embargo. 7. empleando la corrección de Yates. En general.:?. de modo que (74-60)2 .42. los resultados que se obtienen utilizando la correc- ción de Yates son más dignos de confianza que los resultados no corregidos.0?>3.Asínosepuedetechazrlahipótesisalniveldesignificacióndel 0. Un par de dados puede caer de 36 formas.) x2 _ = -6-. de aquí que cuando no sea aconsejable agrupar frecuencias se debe recurrir a los métodos exactos de probabilidad incluyendo la distribución multinomial.07 Parav:2-1:7. En 360 lanzamientos de un par de dados. ¿Es el resultado consistente con la hipótesis de que el nacimiento de varón y hembra son igualmente probables? . se agrupan las categorías de forma que la evidencia en contra de Ia hipótesis se muestre claramente.05(aunque sí se puede al nivel de 0. ? Si se desea rechazar la hipótesis. para las que la muestra dio 3 y 9 bolas.puestoque4.5)2 #-g*): = 3.84.05. se observaron 74 veces "siete" y 24 veces "once".05.84.-ss:3.0. En tales casos.rP. (24-20\2 . (4--3)2 . Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación de 0. = - 60l 60 - . para grandes muestras tales como las de aquí. pues con la X2 corregida. .81 sellegaríaalasmismasconclusionesqueantes.41.ces P("siete") : 1/6(360):60 veces 6/36 : 1/6 y P("once") :2136: 1/18.Entonces. - e¡z -9 Parav:2-l:1.ü.5)2 (124 - 2ol - 0. Así pues. se rechazaría la hipótesis a algún otro nivel (tal como 0.65 De acuerdo.r que conduce a las mismas conclusiones anteriores. Puesto que el número esperado en cada categoría bajo la hipótesis de iguales proporciones es 6.10).Desgraciadamente. se tiene (9 ^cuando las proporciones de los colores sean iguales. se tiene (174 (correglda.x2l)s==3. = ry..tz. Los resultados observados pueden imaginablemente deberse al azar. aun Otro método: Utilizando la corrección de Yates. Esto cabía esperarse puesto que la corrección de Yates Debe ponerse de manifiesto que si se emplea la aproximación de siado pequeñas. no se rechazaría la hipótesis al nivel de 0. se tiene x: = 0qj:_6Fo.(ig:lf-!éE. se duda acerca de la decisión que se debe tomar.84seestaríainclinandoarechazarlahipótebien. lo mejor quizá sea incrementar el tamaño muestral haciendo más observaciones si se está interesado de una manera especial por alguna razó¡en el nivel de 0. 7. Sin embargo.10). De otro modo.

x2.3.68 38. pero no al 0.4. . cabría esperar que 70 individuos de cada uno de los grupos Be recuperase y 30 en cada grupo no se recuperase. La¡ condiciones del problema se presentan en la Tabla ?-13.m : 5 .45.L . como 8e indica en la Tabla ?-14.44.?)2 .05.--_-16-_¡&. 50.cA¡.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). x. y los reaultados son 10. . . (4 niños y 1 niña). 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla ?. v : k .=--_a6---_Eñ-----Jó¡-----i6b--_-Ed.z = 6 4.9)2 .--I¡Ié- ..(342_316.1y0 niño¡seobtienemultiplicandolasres' (40-50)2. xL¡s:0. . BONDAD DE AJUSTE ?. Pa¡a rr = 2.?11. es decir.64 > O. 100.959 > 0. Así se deduce que los reeultados son probablemente significativos y el nacimiento de varón y hembra no son probablemente iguales.-El: .959 7.92 27. 7.49.(L44_161.(287_308. Entonces.sss:15.1 para y:61:6gtadosdelibertad. Utilizar la pmeba chi-cuad¡ado para determinar la bondad de ajuste de los datos del Problema 7. De aquí (8_10)2 _. Para V 1 (que er el pará- los datos es muy bueno.(26-29. Seap:probabilidaddenacimientodevarón. Se deduce que el ajuste de los datos es muy bueno. el ajuste no es "demaiido bueno".?11. "!ü Puesto que el número de parámetros utilizados para estimar las frecuencias esperads e8 m metro p de la dietribución binomial). (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. (88_100)2.= (s8_33.---T08J. (164-150.12 243 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 . v = k .1 ..--lóo:t- .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 5.32. lag cla¡ificaciones 8on independientes.. .2)2 .m : 6 .yg:1-p:probabilidaddenacimientodehembra.-r3)2 . Solucionar el Problema 7. Asf'puesto que X2 = 7 .2 : 2.1 : 4.".212.412_ -58:t-- . De aquf queel ajuste de creerse.?)2.103.i".13 *(18-2-0:68)2 *(a2:^-39=92\2-(27:3ft7rl2 *(8:?'j13)z:0. (110_100)2.x2. Bajo la hipóteeis nula lfq de que el suero no tie' ne efecto.os:0. x. puesto que X2 = 0.13 utilizando la prueba chi-cuadrado. X?ss = 9.!. Para y : 4. Adviértaoe que ¡fo es equiyalente a afirma¡ que la recuperación eeindependie¿úe del empleo del suero. .U Puesto que x:e5:11. 100...43 20.01.99.1 y x.:z . pectivas probabilidades anteriores por 320.^ _ (18_10)2 (56_60)2. Para v : 2 (que son la me- = 2. . el ajuate no es tan bueno como pudiera = 4.serechazarálahipótesisalnivel de significación del 0.103.Entonpiobabilidadee de (5 niños). 2.1 . 50. 10. Determina¡ la bondad de ajuste de los datos del Problema 7.43.-. TABLAS DE CONTINGENCIA 7.1 .30.os= 5.---r¡If.

_ ¡¡ (corre(rda) = (i75 -70\.10 uüilizando z.^se sigue que X er lo mismo que z en este caso.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. Z. ^.13. obtenido en el Problema ?.ss : 3. pero en la que solamente se han puesto los totales. 200 140 30)2 o _ (75 x-1rc-?o70)2 - 70)2 . (125-301 -0. x2)x2ss correrpondea x>x.-. se deduce que lob resultados no son significativos al nivel de 0.45 aplicando la corrección de Yates. Está claro que solamente se tiene libertad lara colocar un número en una de las cuatro casillas vacías.38 es el cuadrado del valor de z : 1. (35-301 -0. Tabla ?-16 FRECUENCIAS OBSIERVADAS Sr.0.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.¡.!t_.--.51).vó Obteniéndose que las conclusiones del Problema 7. 7. Y y Sr. X. ya que la corrección de Yates siempre disminuye el valor de ¡¿". habrían suspendido 27 lL80 : Iíc/o de los estudiantes y DO .45 son también válidas aquí.30\2 (36 *ffi = 2'38 Tabla 7-16 Para determinar el número de grados de libertad.47.Xz egelcua- Nótese también que yn ensayo unilateral utiliaando ¡12 equivale a un enEayo bilateral utilizando. Ensayar la hipótesis de que las proporciones de estudiantes suspendidos por los tres .e5óx{-x. pueeto que una vez hecho esto loq números de las restantes casiüas vienen obligados por los üotales ya indicados. conaidérese la Tabla 7-15.profesores son iguales. Nótese que X2 : 2.A Grupo B TOTAL 140 60 200 Puesto eue X.5)2 * ----TO* ?O S0 _ . Solucionar el Problema 7. drado Cel valor de z. 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. De modo que hay un grado de libertad. 7. que es igual a la¡ dos dadas anteriormente.5)2 . ya que. Se No ¡e recuperan recuperan TOTAL 100 100 Grupo. = I. X Sr. al rechaza¡ una hipótesis al nivel de 0.No ee recuperan cupetan TOTAL [cAP. En la Tabla 7-16 se indican los estudiantes aprobados y suspendidos por 3 profesores: Sr.244 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla 7.13 FRECUENCIAS OBSERVADAS Se re.5)2 * ----?O- (i65-701 -0.54.46.05 utilizando X" equivale a rechazar esta hipótesis con un ensayo unilateral al nivel de 0. En general. como en la página 215 (véase Problema ?. Y 47 L4 61 Sr.5)r .05.gs.84 para 1 grado de libertad y puesto que ¡2 = 2.Puestoqueparalastablas2Xz. Asf pues. 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. Esto podría haberse visto rápidamente. ? Tabl¡ 7-14 FRECUENCTAS ESPEBADAS BAJO Ho Se re. Sr.38 < 3. or^_.84. porejemplo.

L5% de 55 : I5% de 6t 9. 7. Tabla 7-17 ITRECUENCIAS ESPERADAS RAJO Sr. Está claro que como cada fila y cada columna han decumplir con loü totales. Nótese que este resultado es válido si se conocen los parámetros poblacionales necegarios para obtener las fr. X ¿IO Tabla 7-18 Sr.25 OD : didos TOTAL 55 61 9.zs¡ : 5. Hay h (fz > 1.85)2 (56-54. todos los números restantes vienen obligados por lo8 totales.40 : Aprobados Suapen- Suspen. considérese la Tabla 7-18. Las frecuencias esperadas bajo FI¡ se muestran en la Tabla 7-17.n2nslnl2 . Z TOTAI. que puesto que x:eg : 4.60)2 4175 -.60-=4.5135-547ó-----d25 9J5 --. hay en este caso dos grados de libertad. pá.-.S II A2 TOTAL fL¡ fiB I A B TOTAL II n2n¡ln n2n¡/n 'tL2 TOTAL n1n¡ln rl¡ fl3 b2 rL2 nrnsln n1 nl tt n Como en ql Problema 7-45. Z TOTAL 153 27 Aprobair¡c didos TOTAL 85% de 55 : 6l 4G. de otra forma se necesitan ajustes como los descritos en ( b ). 7.r"/" a1b2 (o.85 85V" d. no se puede rechazar I/e al nivel de 0.75\2 .10 si se está dispuesto a correr el riesgo de estar equivocado 1 vez de cada 10. Entonce8 *. k > 1) el número de grados de libereg * & - 1 totales independientes de un total hÉ.25)2 .ó+ Pa¡a determinar el número de grados de libertad. at__n_ = -nrrxJn (ór nrnsln)2 (b2.núnR/n "r'.48.15 61 15% de 64 8.51. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION habrían aprobado el 86Vo de los estudiantes.1). 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._ (50-46. * ó1)(o1 * o2) o1*óq*a21b2 n a2b.CAP. los resultados esperados bajo la hipótesis nula aparecen en la Tabla 7-20.n"n¡ln\z' nrnn/n ntftl.1Xk .49. .99. Í4-9. que es igual que la Tabla 7-L7 pero en la que solamente se han puesto los totales. 153 qn X Sr.15)2 (8-9. 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. Puesto que x.75 = = 51.60 64 180 64 180 Entonces o x-. Y St.(h+Ic-l) = (h-lx/ú- 1) como se requería.05. Nótese.e 64 54. Se deduce que el número de gtados de libertad hk . (47. Mostrar que para una tabla de contingenciah X h tad es (h . Así pues.61. Y 85% de S¡. sin embargo. se puede rechazar lfs aI nivel de 0. después de lo cual.gina 22O .40)2 (5-8. Pero : (ar- nrnn/n)z (a".ecuencias teóiicas.

dado en (IO) en la página 215. nt=140.45.Prl .51..49 paralos datos del Problem^I.4S.tn)z = 200il(?5x35) 2. f. n2:60. bz:35. -flg L-p l-P2 = bc -= = q = -.=&r*a2*b1*b2. se puede escribir az-ry = ur-ry = Í2fts .. P.n2P2n{l .93 7. ^ (t) n /otbr-ozbt\2 n lotbr. Halla¡ el coeficiente de contingencia para los datos de la tabla de contingencia del Problema 7. 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).10012 = 1. bz = nz(l- Pz) tlg = flq Utilizando (3) y (4). da x' : D'- n(a. ¡e tiene del Problema 7. n1=at*b¡ nz=a2*b2.azbtl .52. .P)2 que es el cuadrado del estadístico Z.=. ür : 'tL¡ = flP. yn:2OO. (/ ) se remplaza por (21 "rr"r"^"" : nL2 nrnznAnB x2 (conegida¡ n(ltl. el resulüado eg el mismo que en el Problema 7.50.bq - aqb'12 donde A:&tbz-azbt.49 da x2 = n(1aft2.49 x2= n(ap2.46 ¡2 (corregida) = ---ñ^"" - = - (25X65)l (140)(60X100X100) . a1 =75. - O2 l¿z' fL¡ tl' ó. Con referencia al Pro- (r) (2') P.. = #. ns = 100. Sise aplica la corrección de Yates. r¿¡ = 100. de modo que (r) (4) ú1 = nlPy az = nzPz.38 : Empleando la corrección de Yates.49. se tiene p la proporción poblacional.246 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. C= vra = {*#fu : r/d'6112e = 0'1084 . Dr = 65.Pr)]2 nrnínpnq = nfri\+LlllrJ (Ya que n = nt+tt2l (Pt. entonces riI ) del Problema 7.45.a2b)2 -T nrn2nAnB nrn2(Pr. ns = ür*ó2. Ilustrar el resultado del Problema 7.P)2 nWtPrA$ . r¿r(1 - Pr). a2=26. 1-Pr . 7 Análogamenta Así. frA=úr*az.ozbr\2 n /orbz-ozót\2 ml?¿B\ n n nzn¡\ n n¡r¡\ / / / n fatbr-tzDt\2 n ?zrs\ / que al simplificar. EnelProblemaT. Or--m arb2 = - a2b. Denótese por P1 y P2 las dos proporciones muestrales y blema 7.ln)? = -"r!rrrñr" 7. COEFICIENTE DE CONTINGENCIA ?.

6)e(0.6. las únicas frecuenci¡¡ de casillas que no Eon cero aparecen en la diagonal que baja de izquierda a derecha de la tabla. (f) p : 0.7)e(0. (e) p : 0. Hallar la probabilidad de rechazar la hipótesis cuando es corTecta. (100 .o. P(7 o más correctas) : P(7 correctas) * P(8 conectas) + P(9 corectae) * P(10 correctae) = .1?19. ee 0.7)8(0. todor loe que tomen el suero 8e recuperarán y todor lor que no se lo tomen no Be recuperarán.3504 7.3)3+ r0Cs(0.-60 .(á) = 0.(iX.8. el e¡tudiante acierta alazar).6 la probabilidad pedida será 1 - [P(? conectas) * P(8 correctas) + P(9 cotrectas) + P(10 correctas)] =|- ho0?(0.X.5 cuando realmente (a) p : 0. (c)p : 0..6)?(0.6)8(0.64.4)3+ roOs(0. Esta tabla de contingencia aparece en la Tabla 7-21. 7. adopta la siguiente regla de decisión: (i) si 7 o más respuestas son acertadas el estudiante no las acierta por casualidad. hallar la probabilidad de aceptar la hipótesis p P : 0.= (100 zw En general. La probabilidad de conteetar correctamenté Bajo la hipótesisp r pregunta¡ de las 10 será rcCrqqto-'.(.".13.55. C.2.¡* . PROBLEMAS DIVERSOS 7.0o)z (0 .21 valor máximo de C ee presenta cuando la¡ Se recuperan No se recuperan 0 TOTAL 100 GrupoA (utilizando auero) (no utilizando . Un instructor hace un cuestionario forurado por 10 preguntas falso-verdadero. 7l ENSAYOS DE HIPOTESIS Y STGNIFICACION 24V 7.6)101 = 0.3) + r0Cr0(0.. (ii) en caso contrario. En el problema 7. para la dependencia total en uua tabla de conüingencia.ro)¿ . el estudiante está adivinando. En tal caso.4)2+ ro0a(0. Para taleo ca¡os..". En el Problema 7.". la probabiüdad de decidi¡ que el eetudiante no reeponde al aza¡ cuando es que si.ueno) TOTAL 100 (irupo ó 0 100 100 100 100 200 ..54..? Bajo la hipótesis p P(menoc de 7 corectas) : - 1 -P(7 o mác conectas) 1 . = 0.----80Entonceg el valor máximo de C e¡ .. = 1/@-ffi./Zt(xz + n'l = t/ñl@6T 2oo-) = 0.618 .".---80.5 cuando realmente = O'7' : O. Para ensaya¡ la hipótesis de que el estudiante acierte por car¡udidad. donde g =L- p. Seap la probabilidad de que una pregunta sea contestada correctamente.cAP. . Hallar el valor máximo de C para la tabla 2X 2 del Problema 7. (d) p : O.60)2 50 .L27). son todas igualea a 50.(+Xá) * . suponiendo independencia total.a 7. Pueeto que las frecueneias eeperadas.. " x. do¡ clasificaciones son perfectamente dependiente¡ o a¡ociadas.5 (ee decir.9. (Véase Problema 7 .3)2+ r0Ca(0. D Tabl.4) + 10010(0. Nótees la probabilidad de error del fipo I. hallar la probabilidad de aceptar la hipótesisp = 0. en la gue el número de fil¡s y columnas eon ambas iguales a &.56.7)7(0.i .53.54.50)2 (0 . (a) Sip : 0.4. (b)P : 0.3)10] = 0.(g)p : O.?1e Asi ee que ésta pues.?0?1.t.[roOi(0.3.

68. Sea p la probabilidad de ca¡a en un solo lanzamiento de la moneda.54.01.ó) y (Ht:.01. Pueeto que P(6 ó 6 earar): * + # = éa:0. Puesto que P(0 ó 6 carar): t'o+* = 0.57.1 El grafico indica que la regla de decisión dada ee muy odecuado para rechazat p:0. .989 0.01662 y P(6 ó 6 carad) = * +-# : 0. l0 09 08 0? El gráfico pedido es el de la Fig.1094. Utilizar el Problema 7. .8. 7. se puede rechazar. Ensayo bilateral.248 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.5)(ee decir.013 0 828 7.5 0.¡qn. 7-14.58. viértase la semejanza con Problema 7-27.59. $oluciona¡ el Problema 7.!¡. +i. como se muestra gráficamente en la di¡tribución de probabilidad de la Fig. ee puede rechazar ñfe Ensayo bilateral: al nivel 0.56 para construir el gráfico de É y p obteniendo así la cun¡a característica de operación de la regla de decisión del Problema.7 hallado en el Problema 7 .618 0. **.65.1094. Se ha irrcluido también el valor para p : 0. si en la moneda sale 5 veces cara.350 0. pero no d 0. ? Loa resultados de (b).6 y 6 caras son dadas.t v i. caraa en 6 f(x\ = P(x lanzamientos) = Entonces lae probabilidsdes de 0. el resultado observbdo es significativo al nivel 0.8 0. .3 0. 4. 3.5).05 ó 0.2 0. Ad- la curva OC del 06 Si se hubiese dibujado (1 -p) yp.t+.01. 0.5).05.828 del Problema 7. (g) pueden hallar¡e análogamente y se indican en la Tabla 7-22 junto con el valor correspondiente a p : 4.5 dado por p : 1 .1.Puesto queP(6 caras): f¡ :0. pero no al 0.121 0. p + 0. por #. .945 0.1?19 : 0. Bajo la hipótesis (Ho: p: 0. 0.01 (es decir. 1.trf6 llnivelde . no se puederechazar.03125.05 y (b) 0.64.5 cuando realmente p > 0. pero no al 0.01 la moneda no está bien hecha? Considerar ensayos de una y dos colas.01). respectivamente. 03 02 0.Ele al nivel 0.05 ó 0.6) y (Ht: p > 0. ¿Puede deducirse que al nivel de significación (c) 0. Ensayo u¡ilateral. 7-15. Tabl¡ ?-22 p B 01 1.2188. Ensayo unilateral: Aquí se deeea decidi¡ entre las hipótesis (Ho: p: 0.0.7 0. la moneda está bien hecha). Puesto queP(0 ó no ee puede rec}ntzar H¡ al nivel de 1ó 5 ó 6 caras) = 2(t) = 0. 2.9 0. Aquí se desea decidir entre la¡ hipótesir (Ho: p : 0.000 0.6 0. 7. se habría obtenido la curvo de potencia de la regla de decisión. Una moneda que se lanza 6 veces da 6 veces cara. Nótese que la probabilidad se denota por p (probabilidad de error del Tipo II).999 0.06.05.4 0. (c).

y2= u2. el valor En cuanto aI denojminador.. ^#--"Jpltpf2"'plk 7..p)z = .nPz.aL. .23 Si P es la proporción mue¡tral para La categoes la proporción poblacional y n eo la frecuencia total. Tal como oe establece. de acuerdo con la resüricción (221.L tu¿cione¡ por medio de la Tabla 7-23..tYx=at I Yr* Yz-1. por definición. .Y2=U2.Yt va¡iablesmutuaÍienteiñdependientes con dist¡ibución de Poisson y parámetros tr¡ : npt.. + ' ' ' + Y¡ es en sí migma una va¡l¡ble de Poi¡eon con parámetro np¡ * np2 + . / \V^r/ \Vrzl .. como se define por (21).¡Yt=Ur Y Yt+Yz+ "' *Y¡r= P(Yr+ Yz| "' * Y¡ = n¡ e-n n¡ Entonces. *Y¡r= n¡ PlYr=At.. busc¿ndo está dada por Iadi¡üribucióncondicionalqueeetamos P(Yt..+ph=L. Suponga que Xt.págtna 218.. Asl el denominador tiene el valor "":. npp respectivamente. con frecuencias esperadas flPt.*/t'-^'\' \Vrr. Yr + ). sabemos del hoblema 4. p I Frecuencb observada Frecuencia esperada nP np II n(l. página 118]. (21) ea diffcil de manipular ya gue las X di¡üribuidas multinomialmenüe son dep. que Yr + Y.p)2 PQI'I¿ 7. .endientec.6t pa¡a demostrar que ¡2. . = (nP . ce pueden describir las ei- ría I.Y¡=Ur I Yz* ...cAP. Epplear el resultado del ProblemaT. (5) de la página 214. Sin embargo. página 14?..np\2 -p nP [n(r - P) - n(L - Pll2 nz(P-p)z*n2(P-plz "q Pq que es el cuadrado del estadístico Z...¡p_r¡rll*l)q/ = '' \P Pq = (P-. el Problema 7.. el numerador en (2) tiene. tiene aproximadamente una distribución chi-cuadrado. n(P.. Sean f. *Y¡= n¡ = que ee la distribución multinomial de la¡ X [compárese (I6). Mostrrir que una prueba en chi-cuadrado que comprende dos categorías es equivalente al ensayo especial de significación para proporciones (pagina 214)...62.61 demuestra que podemos remplaza¡ las X por lae Y independienúes con dietribución de Poisson ai ae cumple que Y¡ + Y2 + " '* Y¡": ¡.= ut.'. i npn: n.l\z : npz trr : zpr respectivamente. Demostra¡ que la dist¡ibución condicional de las f dado que Yt*Yz+ "'+Yx = es precisamente la distribución multinomial de las X. yx= ax) = 19#)1-+gj.. Xz X¡ tienen una distribución multinomial..." Por tanüo (2) ee conüerte en P(Yr=Ur.Yz=U2r .1'"'-.Pl n(l-p)=nq TOTAL n . Enüoncec.:í-^*f e-^ dondehemo¡uuiüzadoelhechodequept*pz+. . .. Tabl¡ ?.Yz=Az.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 249 7..96. Por t¿nto reeecribimo¡ (2/ ) como (r) x2 = /t'=^')'*f"'=^'\'*.. ...61. Pa¡a la función de probabüdad conjunta de ft l¡¡ Y tenemos (r) (21 p(y.. iYr.60. de (I ).

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

7. (o) Hallar la probabilidad de rechazar la hipótesis cuando en realidad aea correcta..e y azules. La "demostración" anterior (que puede hacerse rigurosa) muestra incidentalmente que cada restricción lineal colocada alas Z. Una urna contiene bolar roja. Ensayar la afirmación del fabricante al nivel de aignificación del (o) O.ebolac rojas que de azules.. Un examen sobre una muegtra de 200 de talee equipos reveló que 18 eran defectuosos.05 desde el punto de vista de (o) un ensayo unilateral y (b) un ensayo bilateral..01 que el es ahora peor? hilo 7 .7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 26L Para evaluar el denominador de (5) notamos que la variable aleato¡ia W = lptZl * es l-p222 + . donde z : h - las bases para las reglas dadas en la página 219.trLtroyo uniiateral y un nivel de significación del 0.. Para ensayar la hipóteeis de proporciones iguales de e¡to¡ colores.63 se desea eneayar la hipóüeeis de que hay moyo.66 ei el nivel de significación es del 0. 7.7 o.0. (ó) Interpretar gráficamente la regla de decisión y el resultado obtenido en (o).67. y que E\W\ = VE(O) + \/p2(o)+ . una muestra de 36 piezas de hilo dieron una resistencia media de 8.9. Discutir las razones de las posibles preferencias de uno de estoe ensayos sobre el otro. proporción d. Un fabricante sostiené que al menos el 95% de los equipos que Euministra a una fábrica eetá de acuerdo con las especificaciones requeridas..66. erplicando las conclusiones sacadas con estos ensa- .1i¡ ee rechaza en caso co¡rtra¡io.01? Se lanza un par de dado¡ 100 veces y se observa que un total de ('siete" apa¡sce 23 veces. la puntuación medi¡ fue de 74.01. ¿Se puede deducir al nivel de signüicación del (o) 0. (¿) ¿Cuál eería la hipótesis nula y cuál la alternativa? (b) ¿Se utilizaría un ensayo de una o doe colas? ¿Por qué? (c) ¿Qué regla de deci¡ión se adoptarfa si el nivel de significación fuera del b. En un examen dado a un gtan número de estudiantes de muchas escuelas distintas. Esüo provee Problernas suplem. . + V!f. Supóngase que en el Problema ?.05 y (ó) 0. yos.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. (o) ¿Qué regla de decisión ?. ee decir.cAP. mediante (of un ensayobilateralyla¡. y Denominado¡ (.05. En una escuela determinada con 200 estudiantes el mismo examen dio una puntuación media de 75. (Zr)-t/2(ze) Al dividir (8) por (9) obtenemos el resultado deseado. Var (W) = pr(l) * pz$) * .65. 7. Enaayar la hipóteaie de que los dados esüén bien hechos..entarios ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NOBMALES ?'63. se quiere un nivel de significación del 0. 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.0ó? (d) ¿Cuál sería la regla de decisión si el nivel de significación fuera del 0. Recientemente.1 y la desviación típica fue 8. y por tanto a la¡ Y o a las X reduce el número de grados de libertaá en X2 en 1.Of O.OO.05? 7.40 onzas. Solucionar el Problema 7. es decir. no cargados.64.93 onzas. Comentar la significación de este resultado al nivel de 0. + {pt Zt. 7'68. se adoptarÍa en el Problema 7.(o¡ : 1 s Por tanto la función .63 si ee quisiera que la probabitidad de rechazar la hipótesis siendo realmente conecta sea a lo sumo 0.01? (b) ¿A qué nivel de confianza ee aceptaría la hipótesis? (c) ¿Cuál ¡ería la regla de decieión si ee adoptara un nivel de significación del 0.e) = p(lWl < e) - e4(0)(Z€) = 7. * p¡(1) = de den¡idad paraW es p(rr) : (Zr)-r/2e-u2/2.69.01. normal (puesto que e8 una combinación lineal de la¡ variablee Z normaies e independientee)..

76.79 ensayar la hipótesis de que el contenido medio de cobre sea más alto que el que marcan las especificaciones. ¿Se contradicen los resultados con los del problema anterior? En un examen de ortografía en una escuela elemental. 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.7L.O7o laintroducciónde tales máquinas en eI proceso resulta antieconómico.7 8. Utilizando un nivel de significación del (a) 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.2 con una desviación típica de 0. Análisis de 6 muestras de A dieron un pH medio de 7. exposción a la luz del sol. Ensayar la hipótesis de que a los niveles de significación (a) del 0.01 V (b) 0.24%. ENSAYOS REFERENTES A DIFERENCIAS DEMEDIAS Y PROPORCIONES 7.032. Utilizar el nivel de significación del 7.70 si el nivel de significación es del 0.8f En el Problema 7./o con una desviación típica de 0. < 1-t2O horas.05 y (b) 0. ENSAYOS EN RELACION CON LA DISTRIBUCION ú DE STUDENT 7. En seis pruebas de este tipo se obtuvo un decrecimiento en eI tiempo de producciónde 8.7 7 ensayar la hipótesis ¡¡ : 1120 horas contra la hipótesis alternativa tt diante un nivel de significación del (o) 0. Mediante unniveldesignificación del 0. ción típica de 6.54 fanegadas. ?.a2.7 4.05 ensayar la hipótesis de que las máquinas deben ser introducidas.72.05 y (b) 0. Las especificaciones para Ia producción de una cierta aleación piden el 23. Dos tipos de soluciones químicas.05. mientras que la puntuación media de 36 niñas fue de 75 con una desviación tÍpica de 6. (b) 0.73.01. mediante un nivel de significación del (a) 0. La duración media de Ias bombillas producidas por una compañía ha sido en el pasado de 1120 horas con una desviación típica de 125 horas. 7. mientras que 15 estudiantes de otra clase tuvieron una puntuación media de 74 con una des- .77.8 y 0. 7. [.76.01.01 las niñastengan mejor ortografía que los niños. A causa de lo costoso del mantenimiento de estas máquinas resulta que a menos que el tiempo 4e producción ee disminuyaen un8.05.80.4a.49 con una desviación típica de 0. etc. Para ensayar los efectos de un nuevo fertilizante sobre la producción de trigo. El nuevo fertilizante se aplicó a 30 de estos cuadrados y el antiguo fertilizante a los restantes. la puntuación media de 32 niños fue de 72 con una desviación típica de 8. ? 7.05 y (b) del 0. 0. Unamuestrade 10 análisis dio una media de contenido en cobre de 23. 1 .05.19. todos ellos tenían idénticas características de suelo.01 y (b) 0.252 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Solucionar el Problema 7. Ensayar la hipótesis de que la duración media de las bombillas no ha cambiado. Explicar las diferencias entre esto y lo que se pedía en el problema anterior. una parcela de terreno se dividió en 60 cuadrados de áreas iguales. En el Problem a 7 .63 fanegadas. ¿Puede deducirse al nivel de significación del (c) 0. respectivamente. determinar si los dos tipos de soluciones tienen diferentes valores de pH. ¿Hay diferencias entre las duraciones medias de las bombillas de los dos fabricantes al nivel de significación del (o) 0. 7 . 7. Una muestra de 100 bombillas de un fabricante A dio una duración media de 1190 horas y una desviación típica de 90 horas.2% de cobre. A y B fueron ensayadas pa¡a ver su pH (grado de acidez de la solución).a media y desviación tfpica correspondientes a los otros cuadrados fueron 17.01. con los niveles de significación de (o) 0. Análisis de 5 muestras de B dieron un pH medio de ?.024.01. En un examen de psicología de 12 estudiantes de una clase hubo una puntuación media de 78 con una desvia- 7. El número medio de fanegadas de trigo cosechadas por cuadrado en los que se utilizó el fertilizante nuevo fue de 18.05 que el producto presenta las especificaciones requeridas? ?. ensayar la hipótesis de que el nuevo fertilizante sea mejor que el antiguo.01 y (ó) 0.52 con una desviación típica de 0. me- 7. Una muestra de 8 bombillasdelaproducciónactualdiouna du¡aciónmedia de 10?0 horas. lcAP. Con un nivel de significación del (a) 0.32%. Ensayar la hipótesis de que (o) las dos máquinas tengan diferente calidad de fabricación y (b) la máquina B sea mejor que A.5% y una desviación típica de 0.83.01? En el Problema 7 .05 y (b) 0.72 ensayar Ia hipótesis de que las bombillas del fabricante B sean mejores a las del fabricante A utilizando un nivel de significación del (o) 0.05.01. respectivamente. Una muestra de 75 bombillas de otro fabricante B dio una duración media de 1230 horas con una desviación típica de 120 horas.05 y (b) 0.

93. Dos muestras consisten de 21 y 9 observaciones.9. En el Problema 7.8. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION es 263 superior al segun- viación típica de 8.89. . desviación típica de las temperatwas anu¡legde una ciudad en un período de 100 años fue de 16" Fahrenheit. Para mantener esta calidad de producción.05. se toma una muestra cada 4 horas de 200 de las tuercas producidas.86. (o ) Solucionar los Problemas 7 . (b ) 0. (c) 0. (d) 0.7. La desviación típica de resistencia a la rotura de ciertos cables producidos por una compañía viene dada por 240 libras. Para determinar si el producto está de acuerdo a estas normas.85.63. La resistencia a la rotura de una muestra de 8 cables dio una desviación típica de 300 libras. t¿ ?. Después de introducir un cambio en el proceso de producción de estos cables. Comparar estas curvas con las del ProblenaT . Investigar la significación del aparente incremento enla variabilidad.CUADRADO 7. Determinar los Iímites de control del (a ) 99% y (b)95% pam el número de tuercas defectuosas de cada muestra.25 considerando Ia analogía de bolas rojas y azules con caras y sellos respectivamente. Adviértase que en esüe caso solo son necesarios los límiúes de control super.95. (b ) ¿Qué conclusiones pueden sacarse de acuerdo con Ios riesgos de error del Tipo II cuando se incrementan los támaños muestrales? 7 .01 . mediante un nivel de significación del (a ) 0.731o ó 3o. ¿Concluiría que esto no es común? Explicar.ores. En el pasado. 7. ENSAYOS EN RELACION CON 7 LA DISTBIBUCION F . ¿podemos concluir que hay una diferencia significativa en la variabilidad de los valores del pH para las dos soluciones al nivel de significación del 0.6.91. Representar gráficamente los resultados del Problema ?.0f . determinar Ia probabilidad de aceptar la hipótesis de que haya igual proporción de bolas rojas y azules.cAP. ?.05. (b) (1 -p) y p. Con un nivel de significación del 0.81 . ENSAYOS EN RELACION CON LA DISTBIBI'CION CHI. Ensayar la hipótesis de que las temperaturas en esta ciudad presentan ahora menos variabilidad que en el pasado. (b) 99% sobre un gráfico de control de calidad y explicar sus aplicac¡o- nes.82. Alrededor del lVo de las tuercas producidas por una compañía son defectuosas.01? CUBVAS CARACTERISTICAS DE OPEBACION ?. Ensayar la hipótesis de que la primera varianza poblacional es mayor que la de la segunda a un nivel de significación del (o ) 0.65. ?. Con la temperatura media del día 15 de cada mes.64 onzas y una desviación típica de 1. Comparar estos gráficos con los del Problema ?.26 y 7 . En el Problema 7. En relación con el Problema 7. ?. (b) 0. Ia desviación típica de las temperaturas anuales fue calculada como de 10o Fahrenheit.E8. tienen varianzas dadas por s? : 16 y s2 : 8 respectivamente. un cierto tipo de hilo producido por un fabricante tenía una resistencia media de roüura de 8. Solucionar el Problema 7.94. (b ) 0.28 onzas.3. durante los 15 últimos años. se toma cada 3 horas una muestra de 16 piezas de hilo y se determina la resistencia media. ?. al nivel de significación del (a) 0.05 determinar si el primer grupo do.27 GBAFICOS DE CONTROL DE CALIDAD 7.05 y (b ) 0. (e ) 0.90. cuando la proporción real p de bolas rojas sea (o) 0. una curva de potencia correspondientes al Problema 7.92.90 construyendo un gráfico de (c)p V p. Hallar los límites de control del (a) 99.01. ?.87 si las dos mueetras con¡i¡ten de 60 y 120 observaciones respectivamente. Construir (a) unacurva OC y (ó) .77 una muestra de 20 bombilta¡ reveló una desviación típica en la duración de 150 horas.84.27 si se eru¡ayan 400 cuerdas.

. 7. En 10 unidades del ejército prusiano y en un período de 20 años 1875-1894. Determinar si existe entre las máquinas una diferencia significativa al nivel dc significación del 0. Ajustar una distribución normal a los datos del problema 5. Se lanzaron tres monedas un total de 240 vese observó cada vez el número de caras obtenido. de probabilidad para determinar si los datos del Problema 5. Ajustar una distribución de Poiss<¡n a los datos. Ensayar la hipótesis de que la moneda está bien hecha utilizando un nivel de significación del (o) 0. Durante un largo período de tiempo. El número de defectuosas ""d" fueron 2.254 ENSAYOS DE HIPOTESTS Y SIGNIFICACION Tabla f 0 [car. 7. utilizar papel gráfico 30 62 16 l0 .100.05.105. (b) Determinar al nivel de significación del 0. Juev. 7. Ensayar la hipótesis de que el número de libros sacados no dependa del día de la semana.l 1 cara 108 bien hechas. 7 z AJUSTE DE DATOS A DISTRIBUCIONES TEORICAS -24 2 7.g8 pueden ser aproximados estrechamente a una distribución normal. se anota su color y se vuelven a la urna. 108 Mierc.rrru de 4 máquinas.103. Ensayar esta hipótesis al nivel de significación del 0. 7 '97 Ajustar una distribución binomial a los datos dela Tabla 7 _24. Ajustar una distribución normal a los datos del problema 5. 6l ?. (b ) 0. 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. (á) 0.98.96 y comparar con el ajuste obtenido utilizando la distribución binomial. con un nivel de significación del (o ) 0.05 si el profesor nuevo sigue las mismas nornns de puntuación que los otros. Un profesor nr¡evo da durante dos se_ mestres 22 A.34 8.05 2 rojo 0 blanco Número de extracciones con Ios esperados. I 65 22 a l 10!¡ I LA PRUEBA CHI. 9. 3. Tabla 0 ? -25 I ?-101. Delerminar al nivel de significación de 0. 114 Vier.40% C.106.05. las puntuaciones dadas por un grupo de profesores en un determinado curso dieron un promedio d. 3 4 .96. . (o) Determinar las frecuencias esperadas. solucionar el Problema 7.108. Mar.01.0b. El número de libros sacados de una biblioteca pública durante una semana determinada viene dado en la Tabla ?-22. el número de muertos por unidad y año debido a coz de caballo se dan en la Tabla ?-2b.107. 10.Lg?o D y 12% F. Una urna contienc 6 bolas rojas y B blancas. Este proceso se repite un total de 120 veces y los resultados obtenidos.e 12% A.LB% B.0r .1'04.66 C' 16 D y 12 F. Número de libros sacados Tabla 7 -27 Lun. 146 t20 7. 7.CUADRADO 7'102' En 60 lanzamientos de una moneda se observaron 37 caras y 23 sellos. resultados obtenidos son consistentes (.99. 7.se muestran en la Tabla ?-2g.^ 30 Frecuencia esperada )0 90 3() ?. 7. Se eligieron aleatoriamente tuercas de la producción de .05.r02 utirizando la corrección de yates.gg. Ajustar una distribución de poisson a los datos del hoblema 2. Se Tabla 7-28 0 rojo 2 blanco 1 rojo 1 blanco 53 si los extraen aleatoriamente dos bolas de la urna.100.

Los resultados de una encuesta hecha para determinar si la edad de los conducüores a partir de los 21 añoe.0ó. Hacer el problema con y sin la corrección de Yates. ensayar la hipótesis de que no haya diferencia entre los grupos vacunados y no vacunados. Tabla 7. Ensayar la hipótesis de que las notas de física sean independientes de lás obtenidas en matemáticas. A 72 64 t7 23 Clase B 7.01 y (b) 0.96. De un grupo de enfermos que se quejaban de que no dormían bien. N nivel de significación del (a)0.05 y (b) 0.01. IA Tabla 7 -29 muestra el resultado de un erperimenüo para investigar el efecto de vacunación de animales de laboraüorio contra una determinada enfermedad. 7.L17.01 y (b)0.100. enfer No se maron 'enferma¡on Vacun¡dos No Vacunados I L7 42 28 ?. medianüe un nivel de significación del (o) 0. la vacunación y esta enfermedad son independientes.101. ¿Es consistente el resultado de (o ) con el del problema 7 . ¿Qué poeiblee dificultades en las t&nicas de muestreo como en otras consideraciones pueden afect¿r las conclusiones? . (b) Problema 7.LOg? TABLAS DE CONTINGENCIA 7 Tabla 7-29 Se . Posteriormente.06.110. mientras que a otros se les dio píldoras de azúcar (aunque todoselloscreíonque suspíldoraseranparadormir).05 V (b) 0.f09. Dott.01 ensayarlahipóteaisdequeelnúmerodeaccidentes es independiente de la edad del conductor.112 introduciendo la corrección de Yates. Mediante un nivel de significación del (o) 0. Sobre una decisión de importancia nacional. 7. Suponiendo que todos los pacientes dijeron la verdad.115. (a) Utiliza¡ la prueba chi-cuadrado para determinar la bondad de ajuste de los datos del Problema?.ensayarlahipóteois de que no hay diferencia entre ambos partidos en lo que a esta decisión se refiere. A un nivel de significación de (a) 0. 7. 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. se Ies preguntó si las pastillas habían surtido efecto o no.112.06.cAP.99. Mediante la prueba chi+uadrado determinar la bondad de ajuste de los datosde (o)Problem¡ 7. los votos de los demócratas y republicanos registraron los resultados que se observan en. Mediante un nivel de significación del (o) 0.la Tabla 7-32. ensayar la hipótesis de que no haya diferencia entre.113.05 y en cada caso determinar si el ajuste es "bastante bue. 7l BONDAD DE AJUSTE ENSAYOS DE HIPOTESIS Y SIGNIFICACION 265 7.114. es decir.118. Mediante la prueba chicuadrado determinar la bondad de ajuste de los datos de (c) Problema ?.01.05 v (b) 0. Utilizar el nivel de significación del 0. tiene su efecto en el número de accidentes de automóvil (incluyendo todo tipo de accidentes) se indican en la Tabla 7-34.98. a unos se les dio pfldoraspa¡adormi¡. Tabla ?-30 Aprobados Clase 7.116. El resultado de sus respuestas se muestra en la Tabla 7-31. Ia Tabla 7-33 da la relación entre las notas de los estudiantes en matemáticas y física. (b)hoblema 7. Solucionar el Problema 7. las dos claees. 7.(b) ¿Es el ajuste "bastante bueno"? Emplear el nivel de significación del 0.05.ensayarlahipótesis de que no hay diferencia entre las píldoras de dormir y las de aziucar al nivel de significación del 0.111.31 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.

es JUS:0.119. Por similitud con las ideas desanolladas para tablas de contingencia h X &. Xu) r¡ñY Azules No azules 49 30 8-ó 7.122.LL4. Demostrar que el coeficiente de contingencia máximo para una tabla fr X k es 1/1t¡ PROBLEMAS DTVERSOS .?r para toda tabla de contingencia. ?. donde n es la frecuencia total de todas las casillas. ? 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. (o) Demostrar eu€ ¡2 = 2@l/np. pero se desconocen las proporciones de boias rojas y blancas en cada una de las urnas.¡¡¡.11?.1L2 y (b) Problema 7.) 7. (b) Con el resultado de (c) hacer el Problema 7.128. la suma de frecuencias en la fila ¡ y en la columna j de una tabla de contingencia (frecuencias marginales). Dos urnas A y I contienen igual número de bolas. 7'. diantes. . Hallar el coefieiente de contingencia para los datos del Problema ?.1 . señalando las posibles aplicaciones que pueden_tener. 20.8165aproximada- 7. Si nI y n! denotan.125.126.121. mostrar que la frecuencia esperada para la casilla perteneciente a la fila i y a la columna j es n¡n. (b) el coeficiente COLOR DE PELO Rubio No rubio 25 96 7. Demostrar que el coeficiente de contingencia máximo para una tabla 3 X 3 mente. Hallar el coeficiente de contingencia sin y con la corrección de Yates para los datos de (o) problema 7. 7.266 ENSAYOS DE HIPOTESIS Y SIGNIFICACIOD¡ Tabla 7-33 lcAP. discutir las tablas de contingencia h X k X I. donde n és la frecuencia total de todas las casillag.49. se toma una muestra de 50 bolas con remplazamiento de cada una de las urnas. ( sin y con coeficiente de n de yates./n.127.117. respecüivamente. 7.121. Demostrar el resultado (2) det Problema 7.L23. COEFICIENTE DE CONTINGENCIA 7. La Tabla 7-35 muestra la relación entre el color del pelo y los ojos de una müestra de 200 estu- Tabla ?-36 resultado contingencia.

0ó. Con una determinada marca A de gasolina. Explicar cómo podría definir interualos de confianza unilateroles y dar una posible aplicación.05. Generalizar el resultado del Problema 7.48. ?.55.135.4 con una desviación típica de 0.4?. ?.138.134. Solucionar los Problemas 7. (c) 0.138 ¿hay mayor variabilidad en millas por galón utilizando la marca B que utilizando la marca A? Explicar. En eI Problema ?.131. ?. Mediante un nivel de significación del 0.54.06 de que el estudiante no está contestando al azar. (c) 0.132 si salen 6 caras. ¿Se puede rechazar la hipótesis de que la moneda está bien hecha al nivel de significación del (o) 0. hallar el menor número de preguntas que un estudiante debe contesta¡ correctamente para que el instructor esté seguro al nivel de significación del (o) 0.136.129.133.01? Utilizar un ensayo bilateral. Durante un período particular hubo 40 calificaciones A en un grupo de 300 estudiantes.6 con una desviación típica de 0. Solucionar el Problema 7. 7.56 si el 7 en la regla de decisión del Problema 7. el número medio fue de 21.001' (d) 0. Ensayar la significación de este resultado a un nivel de (a) 0. ?.05. el número medio de millas por galón consumido en 5 automóviles análogos bajo idénticas condiciones fue de 22.140. A B Tabla 7-36 I &1 II A2 III dg ó3 'tLg TOTALES ?. Demostrar que para la Tabla ?-36 y2 " n = o(l+ú+"?\ * 2a (u" +ú+ rt2 'tL2 ns/ rr o?) ns ¡\ ?t I \t¿r / -. El porcentaje de calificaciones A dadas en un curso de física en una universidad determinada durante mucho tiempo fte L0%.13?.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 267 dando la de A 32 bolas rojas y la de B 23 bolas rojas. Una moneda se lanza 8 veces y se obtienen ? caras.13g.54 ?. 7 n¡ ng üt fl1 b2 .64-7.132. Utiliza¡ el resultado del Problema 12 para el Problema ?.54.l4O para obtener el valor de TOTALES lr2 n . (b) 0'01.132 empleando un ensayo unilateral.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. (b) 0. Comentar cómo puede utilizarse la teoría del muestreo para investigar las proporciones de diferentes tipos de pescado presentes en un lago. ?.141. Solucionar el Problema 7. 2.142.130.cAP.140. Comentar los resultados. ?.0Sinvestigarsila marca A realmente es mejor que B proporcionando mayor recorrido por galón. 7.23 pzra el Problema 7. es ahora 8. Al nivel de significacióndel 0. 7. (b) 0. Construir gráficos análogos a los del Problema 7.10. Con otra marca B. ?. ?.01. Con referencia al Problema ?.

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

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

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

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

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

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

si utilizamos (30) para obtener r debemos aplicar el signo apropiado. se denomina fórmula de Spearman para la conela- . (32). Si dos conjuntos correspondientes de valores. k = A. (33) o (34). Entonces la conclusión a extraerse no es que hay poca correlación (conclusión algunas veces alcanzad. 8 Si utilizamos la transformación (9). 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. por generalización apropiada. Puesto que un coeficiente de cortelación simplemente ¡ride qué tan bien se ajusta una cun¡a de regresión (o superficie) a los datos muestrales. Sin embargo. L'a conexión (25) entre el coeficiente de conelación y el error típico de la estima es válida para corelación no lineal. El signo se toma en cuenta automóticamenüe si empleamos el resultado (29). etc. y) en los datos ción graduaL La fórmula (36). n. suponga que se aplica (29) a datos no lineales y se obtiene un valor que es considerablemente menor que 1.36.264 CURVA DE AruSTE. donde coincide con (30). la última definición. (8t) El coeficiente de correlación lineal puede ser positivo o negativo. si lz : ñ. r. . (31\. página 260. . CORRELACION GRADUAL En cambio de utiliza¡ valores muestrales precisos. excepto en el caso de regresión lineal.. coeficientes de correlcción múltiple. Sin embargo. los datos pueden clasifica¡se en orden de tamaño. . REGRESION Y CORRELACION [cAP. importancia. 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). Sin embargo.()r')()y') (83) que indica que r es invariante bajo una traslación de ejes. (33) se convierte en 2'r'a' (2x'2)(2y'2) que comúnmente se emplea en computacion.r. denotado por rgrad o sencillamente r.a pot aquellos laicos con los fundamentos de la teoría de correlación) sino que hay poca correlaciín lineaL En efecto. empleando los números t. hallamos n2n'y'. En consecuencia da el mismo número para todas las formas de curvas de regresión y no es útil como medida de ajuste. puede existir vna gran correlación no lineal. y (86) : n: diferencias entre las clasificaciones de los conespondientes número de pares de valores (r. es derivada en el Problema 8. En particular. y. el coeficiente de conelación gradual. y se clasifican de tal forma. o cuando la precisión no puede obtenerse. esüá dado por rs¡ad donde d 6>d L-i@r_l) = . 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. 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.2. es ilógico utiliza¡ un coeficiente de conelación lineal donde los datos no son lineales.

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

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

45. lo = a * bxs.47 y 8.m (ao- úor\Ñ @a¡ tiene una distribución de Student con n . es decir. Entonces el estadístico t- su. Ensayo de hipótesis para valores predichos.ffi @o- a"\{n-2 Urr¡ tiene una distribución de Student con n . lo : a * bxs.. . Aquí utilizamos el hecho de que el estadístico f = rl/n-z \/fr (+s¡ tiene distribución de Student con n - 2 grados de libertad.44. Véanse Problemas 8.50.Para este propósito debemos conocer la distribución muestral de r. es decir. Esto también puede utiliza¡se para hallar inten¡alos de confianza p¿ua coeficientes de regresión poblacionales de los valores muestrales.49 y 8..er.8 : to estimado de la ecuación de regresión muestral. Véase Problema 8. = 1.'\[+Fi. = ffi - (51) Z de Fish.(i#J aproximadamente tiene una distribución normal con media y desviación típica dadas por (50) -Zt" /1+p\ *.cAP.2 grados de libertad. 2.1618"". Denótese por Jo eI valor predicho de y correspondiente o. 3. La transformación (60) se llama transformación /1+p\ I o/' ". Í : Ís para la población. En el caso de que p = O esta distribución es simétrica y se puede utiliza¡ un estadístico con distribución de Student. De esta ecuación se pueden ha' llar límites de confianza para valores de población predichos.2 grados de libertad. fo = E(YIX = co)]. Ensayo de la hipótesis p * 0.48. Véase Problema 8.8l CURVA DE A'USTE. Véanse Problemas 8. 2. Véanse Problemas 8. En ese caso una transformación debida a Fisher produce un estadístico que aproximadamente tiene una dishibución normal. 1. Los ensayos siguientes resumen los procedimientos involucrados. Denótese por ¡lo el valor predicho de y conespondiente i f : ts estimado de la ecu¡ción de regtesión muestral. REGRESION Y COBRELACION 267 tiene una distribución de Student con n . Denótese Por Jp el valor predicho de y conespondiente 2.43 y 8. Para p + Ola distribución es sesgada. Ensayo de la hipótesis p = 0. Entonces el estadístico t- ú- ru.46.2 grados de libertad. Aquí utilizamos el hecho de que el estadístico z =*r"(i+) = r. De aquí pueden hallarse los tes de confianza para valores medios poblacionales predichos. (i=/ : 1'1513 tos'o(1 Estos hechos pueden también utilizarse para hallar los límites de confianza para los coeficientes de correlación. Denótese por üp elvalormedb predichodey correspondiente a x = Ío para la población [esto es. 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. Ensayo de hipótesis para valores medios predichos.

Si X representa los s¿larios anuales de los profesores en tanüo que Y representa la cantidad de crímenes. = Pzr.yt)lfz . y.a*br)-(a*br1l = b(r2-r1l Obteniendo que b : (yz . Se¿n X.t [.11 ) de (2) y (l pedido sustituyendo en ). Aquí hay una independencia directa enüre X Y. Una recta pasa por los puntos (xr. (521 donde se Itzr-|.s resueltos NECTA DE MINIMOS CUADROS 8. yr ) V @2. CORRELACION Y DEPENDENCIA Si dos variables aleatorias X.51. = Y nr- n^ = nt-3' nz-B (53') disbibuye norma[mente. Es importante acla¡a¡ que "correlación" y "dependencia" en el sentido anterior no necesariamente implica una independencia causal di¡ecta de X y Y. Luego utilizamos el hecho de que el estadístico Zr.a ecuación de una recta es ! : a * b*. Y tienen un coeficiente de correlación diferente a cero. ). 8 3.. y2 ) son puntos sobre la recta yt = a+bn1. el resulüado se deduce. EJEMPLO 8. Demostrar = que la ecuación de la recta es U-Ut tenemoe (Ty. Entonces ya que (¡r. Esto se demuestra en los ejemplos siguientes. y 22 conespondientes a y rz utilizando (50).(. Pero diffcilmente diríamos que hay interdependencia düecta entre X y Y. cuando p + O. Además. calculamos Z.1. La gÉfre de la recüa .1.@ se mueetra en la Fig.)w-. Por tanto (1) A2 = aibr2 u-a1 = @*br)-(a+b*t) (2\ . eI coeficiente de correlación puede eer diferenüe de cero y podríamos halla¡ una ecuación de regreeión prediciendo una variable de la otra.Zrpzr-2. Véase Problema 8.¡r ) es la pen- . podemos utilizar una ecuación de la forma de (39) pata predecir el valor de Y a partfu del valor de X. ozr-2. Y variables aleatoria¡ que representsn eetaturas y pesos de individuos. diente de la recta. Significado de una diferencia entre coeficientes de conelacion. La consüante b : (yz .lLzr. 8-5.2.b(r-r-1\ Í2trt Uz-Ut . página 82) que son dependientes en el sentido de probabilidad (esto es. su distribución conjunta no se factoriza en sus distribuciones marginales). sabemos (Teorema 3-15. ozr-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. REGRESION Y CORRELACION [cAP. Problerna.268 CURVA DE AJUSTE. EJEMPLO 8.yt)l@z . lt ) y ( rr.

CURVA DE AJUSTE.g¡2. 6 y-l=0. (11. 9) sobre un ¡istema de coordena' das rectangulares corno se muesha en l¡ Fig.4. Para un método que eümine la ne' eecidad de juicio individual.542r ó¡ U=l+0.. (9. 2ra = a2r*b2r2 como 8e pedfa. 8-?. para la recta de mínimps cuadrados. Ajustar una recta de mínimos cuadrados a los datos del Problema 8.3. página 260. es decir... f. 12. 8. vé¡ee Problema 8'4 que emplea el método de mfnimos cuadrados. por ejemplo.642r. 8-6. (b) Í como variable dependiente.b) = l(o * br . recta de mínimos cuadrados conespondientes a 11.rfnSOn a*bry albr2. Entonces el Problema 8.7 ... E-7 Entonces la suma de loe cuadrados de las dewiaciones e8 a?+ a3+ "' + dl = (a4'br¡-at)z * (a*br2-Uzl2* "'* (a*bnn-An)2 >d2 : )(o+br_y¡z Esto e¡ una función de o y b.(4. I 4 8 I Una rect¿ que se aproxime a los datoc se dibuja a mono olzada en la figura.1 . Refiriéndonoa a la Fig. F(a. 8-6 . escójarrse dos puntoe cualesquiera sobre la recta.os valores de y sobre la.2. dz: albr2-9". 6). Derivar las ecuaciones nonnales (4). 4).rA' ")t)'6"' Fig. (b) Para obtener la ecuación de la recta construida en (o). (6.cAP. Las coordenadas de e¡tos puntoa tomadoc de la gráfica eon aproximadamente (0. (b) Hallar una ecuación para esta recta..4\. 7). albnn Las dewi¡¡ciones verticales correapondientes son dt = a*br1-yt. REGRESION Y CORRELACION Tabl¿ 8-1 ü u 1 269 (c) Construir una recta que se aproxime a los datos de la Tabla 8-1. 8. Ya que # = >f. Una condición ó mfnimo (o un máximo) es necesaria para que esto sea un que aFlaa = O.8l 8.t"*br-y\z = # = I$r" *br-y)z : obtenemos )2(a+br-ul 2zr(a*br-al 0 )("+ br-y) 2a = an*b)n 0 )r(o* bx-ul - es decir. tales como P y 8. 2).2 utilizando a (c) variable independiente. (8. Puede demostrarse que eetas realmente resultan en un mínimo. dn = a*bxn-yn Fis. aFlab = 0. r como . (o) Dibujar loe puntos (1.61. (3. .1 ) y (72.tl' a-r =ffiO-l. 3 2 4 6 4 891114 o a t). 8) y (14.

se ha agregado a la tabla para emplearla en la parte (b).)ru) c=ffi==-0. Nótese que esta no es la recta obtenida en el hoblema 8.50. las ecuaciones normales son 2ru = c2y*d2a2 Entonces utilizando la Tabla 8-2. t¿s ecuaciones normalee son )Y: 2ru: an*b)r a)r*b).636. 8c*40d = 56 40ci256d = 364 Estos valoree también pueden obtenerse de ()rx)sz¡ . las ecuacionee normales se convie¡ten en dedonde c=-* ó -0.CURVA DE AJUSTE.oso (b) Si se considera a r como la variable dependiente y a y como la variable independienüe.Ga)(.545.636 r.(56X364) lt ó0'545 = 6 --lE f8-i6 g=w =qffiffiá#l )c = cnld)y = frao.546 + 0. la ecuación de la la recta de mínimos cuadrados es ¡ : c * dy. Otro método.60 .8 (o) La ecuación de la recta es y : o * b¡. n lizando el método a mano alzadt. b=+ ó0. Aunque la última columna no se necesita para esta parte del problema.()r)()ry) = (40)(524\ . d=9 ó 1.r. REGRESION Y CORRELACION [cAP. 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. a = ()y)()r2) .50 d- - = 1.sz El trabajo involucrado en el crilculo de las sumas puede ordenarse como ae indica en lá Tabla 8-2. y.50.2 utiPuesto que hay 8 pares de valores de. yla rectade mínimoecuadradoopedida es S t + lrx 6 U = 0.

636 ¡ 2 0 6tl012 Fig. y : 0. (o) El punto (?. (c) Estimar el valor de ¡ cuan' doY: 3' -2a40 a=T=¡-=o Luego el punto (6.úr.60+1. las rectas (¿) V (S) no coinciden.Elpunto(?. - 0.8l CURVA DE AJUSTE.6)seencuenhasobrelarerfar=-++$y.333 + 0'667 ¡' que no ee l¡ mi¡m¡ rect¡ 8. ¡ = 7 . (b) Estimar el valor de y cuando x: L2. llamedo el centroide. = tllu-úl Nótese que en general. 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. Nótese quelas dos rectas en e¡te caso prácüicamente coinciden.Í. 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 ). Lar gróficas de l¡s dos rectat. {. U = &* Lrrr.4. ¡ es la variable independiente.9. Nótese que al solucionar esta ecuación para y obtenemos y obtenida en la parte (o).546 f 0. U = 0'646 + 0'636(12) = g'Z' (c) Al remplazary:3 enlarectaderegresiónde¡ sobre a.ú).: L2 en la recta de regresión de y sobre n.60y t2 10 = y= e. 0. Demostrar que una recta de mínimos cuadrados siempre pasa por el punto (i. más exactamente.! :5.. Representar gráficamente las dos rectas obtenidas en el hoblema 8. REGRESION Y CORRELACION Por tanto la ecuación pedida de la recta de mínimos cuadrados es r = 0.60 y. hallamos que la recta de (5) que indica que la recta pasa por el punto (4. 6) se encuentra en la recta U = 0. es (7. pero ¡e intergectan en (a.6.ha*+É. (b) Al remplazar x.50(3) = {. Ot¡o método. mfnimos cuadrados puede eecribirs€ como hocediendo como en el c¿¡o 1 intercambiando r.66? r 8 6 1 u= 0. se indican en la Fig. d respectiremen' üe.7. F = -0. Por üanto la¡ rectas se interceptan en el punto (?.546 * 0. pueeto eue6=*+t(?).546 + 0.500*1. remplazando las constantes o.60 * 1. y es la varirrble independiente. ú).fi).50y. .636 r o.333 * 0.6). ti). se utiliza para estimar r para valores dados de y.8-8 8. 2. r-ñ f).E. (o) Demostrar que las dos rectas de mínimos cuadrados obtenidas en el Problema 8.5).cAP.636¡.8. y E=-t+*y.60 + 1. Caso 1. La recta obtenida en la parte (b) se llama la recto de regreeión de x eobre y.6. b por c.4 intersectan en el punto (. ¡ ¡=-0.pue¡üoque7=-*+*(6).Resolviendoeimultánesmente. lo cual es un¡ indicación de que los datos están muy bien descritos po¡ una relación lineal. [¡secuacionee delaedosrectassona= llamos 8. y. la recta de mínimos cuadrados puede escribirse como Q) Caso que muestra que la recta pas¿ por el punto (á.

úl = 2(rs-i:y-ir*efrl 2ra-ñ2u-ú2n1'2eú 2rU-nEú-nfrE*nitfi .()¿X)y) n)¡z .=7+h.tenemos . g 8.n8z 2r2 I Entonces .10 Si en el Problema 8.)(2g.8 tenemos f. Ir 2(a .p'12 El resultsdo er útil para dessrrolle¡ un camino corto para obtener recte¡ de mfnimo¡ cu¿drado¡ al ¡e¡ta¡ con¡tanter epropirad¡¡ de lo¡ valore¡ dadoo de r. sean c = d *h.t).(2r.=-Ep=Ts¡t Del Problem¡ 8. h = f.y.ú = b(x.al r. .9.8. r puede escribirse en la (l).-. REORESION Y CORRELACION Demostr^ar que la tecta de regresión de mínimos cuadrados de y sobre forma (8). u=u'*k.7 . Tónemo¡ de 11) [eAP.(2rlz 2(¡z-2nr*12) 2r2-2ñ2r*2i:z 2r2-2n82 lniz 2s2 . = n8ru-(2rl()ü _ n2xz _ (2r)z Entonces ti ú = út I h. 8.(2r)(2r'l n2r. + k. ¿ = ñ. u=7+tc Por üanto . Problema 8. página 260.9. tenemos D_ 2(r n2xy .(2x')(2y'l n)s'2 .(>.272 CT'RVA DE AJUSTE.pdgina 261. y (véa¡e problema g.nEú (I¡X)z) ¿ru .. U - g.12). y. demostrar que D--i# .t¡z = - t )(>x)2 |ín2rz . j[n2ra Por tanto (I ) oe conüerte cn 2rU t (>¿X>y)] de donde ¡e obtie¡e el resultado (S ). 8.1 -ñF-trú. U . De la segunda ecuación en (5). pdgina 260.e¡z demo¡tración de (12).(Ic)z¡ También >(r - t)(v .n2r'a' . h_ v- dondeh n2uU yk son constantes.Demosharque . re rigue intercambiando D - >(z::elfu.

8-9. (c) Hallar la ¡ecta de regresión de mínimos cuadrados de r sobre y.476x.4.88+r.L07 de donde hallamoe o : 36.849 . 8-9. de modo que y :96.82 y b = 0. 72 de dispersión se obtiene dibujando los r = _8. de modo que lae ecuaciones normales se convierten en 9oe 2? 666 864 É¡ E 12o*800ó:811 800o*63.086/___V (b) f. REGRESION Y CORRELACION 273 Se deduce inmediatamente del Problema 8. (c) Construir un diagrama de dispersión.8l CURVA DE AJUSTE.9 ya que 2fr' = l(c-t) y análogamente = 2r-nñ = 0 ly' = 6.a2n*b2n2 [. 62 62 6{ 66 Fig. La gráfica de esta ecuación ¡e muest¡a en la Fig.cAF.y deuna muestra de L2 padres y sus hijos mayores. 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./ €70 6 !a 2a'= an * ólr 2ra .ae sumas se muestran en la Tabla 8. 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. &11 La Tabla 8-3 muestra las respectivas estaturas lc. y ) sobre un sistema de coordenadas rectangulares como se muestra en la Fig. (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r.418 Zny = 54. .82 + O.476.418b = 64.197 )92 = 64.a recta de regresión de y sobre r está dada por y = a + b*. donde o y b se obtienen resolyiendo las ecuaciones normales.

.82.036. De una manera análoga podemos obtener l¡ ecuación de regreaión de r sobre y. esto ee a = 36.38*1. se convierten en -f SLld = 800 64. - 68 tenemos r.58 n I¡ =7*68 = -**68 = 66. b = dada por ry# = 0. Solucionar el Problema 8. 8 "= (c) ecuaciones normales I]4ff de¡ sobrey viene = 85. REGRESION Y CORRELACION lcAP. Por tanto 6?.274 Otro método.036y.d=1.476 También ya que &' = ú .11 utilizando el método del Problema 8. 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).9.g8. por ejemplo 68. y.(lyX>ay) n2yz . - (>¡XI=y2l.Iagráficadeestaecuaciónse Otro método.ú de acuerdo con el Problema 8. Esto nos conduce a la Tabla 8-5.476u u .68.5) - (10)z = 0. 8-9. .dondecydseobtienensolucionandolas 2a = cntd.086 8.()y)2 1. CURVA DE AJUSTE. = ú - 68.4?6 Larectaderegresión x:c* dy. (12X106) (-16)f. de r.68.asfque¡:-3.12.67. ¿ = n>r!: (>!)l?nl = n2a2 .6?. = delascualeshallamosc:-3. u =7*68 = -**68 = IZ-LZ = b(u. Réstese un valor apropiado. aparte de los enores de redondeo.2y 2uY = c2Y*d2Y2 L2c Utilizando las sumae en la Tabla 8-4.07) 6 ecueción de regreeión pedida de y sobre x ea a .12s¡z _ _s.38.849d muestr¿ en la Fig. y ( los números restados de r tee).11.86 * 0.476(n-66.68 = 0.á). = ñ .L07 E1lc#54.

2 t9. r=logV:2 25.6953 (o) Puestoqueo=4.40= lb/pulg2.14. Para cada pareja de valoree de la presión P y el volumen V en la Tabla 8-6.0 pulgadas cúbicas. REGRESION Y CORRELACION 276 ECUACIONES NO LINEALES REDUCIBLES A FORMA LINEAL 8.40.60X104 y y=1. (c) EstimarPcuando V = 100. debe existir entre las variables.7943 4. Solucionar el Problema 8.13 dibujando los datos en un papel logJog. y conespondientes a los valores de V.20-1.000.4533 1.40. la última ecuación puede escribirse (r) U = oibr donde¿:logC.0 10.2340 2. P de Ia Tabla 8-6 y también indica los (l ) son 2a = on*ü)¡ de las cuales 2ry .40 Luego Y = 4.2ry .0095 3.a2r*b2r2 4. Tabla 8-6 Volumen V (pul3 ) 54.13.9294 2.074L 2.log P : y.0350 3. = C.8 49.7348 1.2976 )r = 11.8309 t.6 194.2077 3. 8.4685 3.4 118. Tabl¿ 8-7 s = logV L.2878 2.8543 =-1.40=-y.7 28. De acuerdo con los principios de la termodinámica una relación de la forma PV.0997 3. y y= logP=4.5 72. donde y y C son constantes.20=logCy (b) Pvt.2 PVt = C.20.1 lu = 8'7975 b )12 = 23.0059 2xa - 16.cAP. La tabla 8-6 da valores experimentales de la presión P de una masa de gas dada correspondiente a varios valores del volumen V.2833 1.7910 1.66L7 2. 8-10.8l CURVA DE AruSTE.7858 1. tenemos tomando logaritmos de base 10 cálculos involucrados en eI cómputo de la recta de mínimos cuadrados (l ). Las ecuaciones normales qorrespondientes a la recta de mínimos cuadrados logP = logC-ylogV logC ó logP*ylogV: Tomando log I/: x.859? A = logP 1. . C=1.40(21 =1.to = 16.(b) Escribirlasecuacidnes que¡elacionan aPy V. obtenemos un punto que se dibuja en el popel log-log construido especialmente como se muestra en la Fig.6 88. n.4 37.6946 1.ffi¡af'=-1. (c) Hallar elvalorde y y C. La Tabla 8-? da los valores ¡. a = ()y)()rz)-(>rX:g¿l _ n2"2-1>n\z .3019 6. Entonces P=antilog1.9479 2.20-l.0043 12 ra 3.6762 1.()rX>u) 6=-ffi.3 61. (c) CuandoT=100.4Ou.1 Presión P (lb/pul2 ) Ya que 6r.b:-'1.

¡ U¡ ertfa dadar por dt = qtbx¡Ic¡.?"-al' dc = o*bu21-cú-!2. Enton4. [¡ medida en este e¡¡o indica que D = -1. . logPTlle . re de numéric¡rnente por l¡ relación-de la longitud AB a le longitud AC.2. . Por t¡nto albn2*ct/. ..4 los100 = l. .8 l0 ú' 3o {0 ü. y PVtl = 16O00 PARABOLA DE MINIMOS CUAI)BAI)OS E. Pa¡a obtener ¿ ¡e nece¡it¿ un punto sobre ce8 l¡ recta. .2 a = logP-ülog7 = lo926*1. Deriva¡ las ecuaciones nomales (I9).a)(2) = de modo que logP* 1. que er negatlva en e¡te ce!o. (r*uzl.2.16. Por ejemplo cua¡do V: 100. m 60 so r00 Volumen Y '{l Fig. .. .4 logV = 4.276 CURVA DE AJUSTE. (nn. REOBESION Y COBRELACION [cAP.Ut U2.a*(1.1rn ¡on olbr¡lcu!. U = a*ba*crz l¡ pa¡óbol¡ de mfni- Se¡n lo¡ puntos mue¡t¡alec (a¡Ittl. prigina 261.. Ir grifflca re¡ult¡¡te muerb¡ que hay una relación li¡eal entre log P y log V que puede repreeentarre por l¡ ecu¡ción logP . Entoncee lo¡ veloree de y ¡ob¡e moc cr¡¡dr¿dor cotrec¡rondieatet a a1.4.o*blogV ó g = o*bn Ie pendiente D. e2.) d^ = o*üc"lorl-t^ y lrr ruma de lo¡ cuadrado¡ de le¡ de¡viacionee eotá dada por )¿t = )(o+ bxlca2-t)1 .4. P: 26 de la g¡lfic¿.. . .8-r0 150 ¡00 ú t00 También ¡e indica un¡ rect¿r (dibujada a mano alzada) que re aprorima a eeto¡ puntos. of bur*wl l¡¡ de¡vir¡cionee de.!nl. para la parábola de mínimos cu¿dradoo.

1 12.42 291. lar ecurciorÉ¡ norm¡ler (I ) rc convierten en 8a I 42.7 4.065 t .688.24 9.61 24.75 117.2 1.70 26.cAP. Ajustar una parábola de mínimos cuadrados de la forma ! Tabla 8-8.92c : 1449. = + 2.8 7. e¡ decir 277 F(o. Tabl¡ u 1.06 941.08 10.6 a I bx * cr2 a los datos de la t€ D.42 - - 1449.40 10.5 6.ólcs*clra H trabajn involucrado en computa¡ la¡ ¡uma¡ puede ordenarce qomo 8e mue¡ha en la Tabla 8-9.2 )u= 46.8 4.cl = )(o I Para minimizar esta función debemo¡ tener bx * cx2 - U)z Ti=o' .46 254t.9 7.73 5.8 3.79 s32.' 7.58 4.49 92.2 1.8l E¡t¡ ec CURVA DE A¡UsTE.36c = 230.2Ob+2275.8 7.8 3.OI 32.70 38.2b + 291.1 t€ 14 a 4.22 rzy 6.2a*2SL.0 ?.2ll0rt .2 6.O.066.62 21.2r2].8 4.19 36?.6 2A = an*óI¡*c2n2 [¡s (r) ecuacionec normales son 2ry = o)¡*b2r9*c2rs 2n2a = o.27 1.93 342.b. REGRESION Y CORRELACION función de o. ? = )f.04 48. T¡bb ü u 1.12 67.19 2.7 4.7 7.1 : 8.0 7.t2 9223.00 Puecto que n (2) Reolviendo.6 5.9 9.1 8.36 2ua = Zxu 291. b.360 + 18971.92 230. c = {). págin¡ 261.6 9.8r 2n2g I¿= 42.o3to*óc*cr2-a)2 = )2(o+br*crr-a) k = )*a{o*br]-cnz-u)2 = 2Zr(a*brtcü2-a) aF :d.9 7.971.20 c = 48.8 r87.L6 6470. o ción = 8.2 6.66 259.7 12 n3 xy 6. b = : 2.t"+ bx-tcr2-a\2 = )2rz1a*bnlcrz-a) Al eimpüficar cada un¡ de eeta¡ BurnaE e a^F^a¡'^dF dF od igualÁndola a cero 8e obtienen la¡ ecuacionee (I9).48 19.20 18.20 o + 2276.16.04 1.00 2.44 3.91 636.4 2r2 - Ic3 = 2276.28 38.65 185.49 60. c.2110¡ arí la parábola 2.83 29.9 5.36 5?6.588 de mfnimoq cuadrado¡ pedida tiene l¡ ecr¡¡- .41 73.6 2. 8.28 233.t=o' *=o Enüonces # = ).96 96.8 2.4E 1065.82 4t.

La Tabla 8-11 muestra los pesos z ala libra más cercana. all.503 7.. Tabl¡ 8-10 Uest 4. Demostrar que la ecuación de regresión de mínimos cuadrados se obtiene al determinar a. ala pulgada más cercana y las edades y al año más cercano de 12 muchachos.762 4. Análogamente se obtienen otros valores estimados.Un.0 7. .588 + 2.5 5. y puede escribirse z: albnlcy Las ecuaciones normales (21).).8 8.19. (ün. .762..2)2 = 4.8 4. las ecuaciones normales pedidas (21) en la página 262 se obtienen. (c) Estimar el peso de un muchacho de 9 años y 54 pulgadas de estatura. b.18 la forma z r. 8.962 7. Pata r = 1. Entonces los valores de z sobre el plano de regresión de mínimos cuadrados correspondientes a (r1.278 CURVA DE AJUSTE.página 262. y. vienen dadas por a*bnr*cyn dn = a* bnr* cUr. REGRESION Y CORRELACION la..0.16 para estimarlos valores de y de los valores dados de r. las estaturas x. 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. [.9 6. Utilizar parábola de mínimos cuadrados del Problema 8. y por medio de una ecuación de regresión de a ! bx * cy.zn\. (rn.zt.741 4. . lcAP..2. z.8 7. Tabla 8-11 Peso (z) 64 7l 59 53 49 6 67 62 11 DO bó 50 d 77 DD DI 48 56 52 10 51 76 61 68 Esüatura (z) Edad (s) ol 8 5l 8 42 6 ol l0 10 I t2 I (a) La ecuación de regresión lineal de z sobre r.7 u REGRESION MULTIPLE 8. 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.An) son respectivamenüe a*br1*ey¡ Por tanto las desviaciones de z¡.5 2. b.17.640 7.z¡ dt = a* br1 * cUt. .2 6. . y.2110(I. . c e igualando las derivadas parciales con respecto za.. (b) Determina¡ los valores estimados de e de los valores dados de r.065(1. . Se desea estimar una variable z de las variables : Sean los puntos muestrales (ryUyzr).2) .os resultados se muestran en la Tbbla 8-10 junto con los valores reales de y.56L 2.613 6. b y c a cero. Ue"¡ = 2. (c) Hallar la ecuación de regresión de mínimos cuadrados de z sobre x.621 5. . c de modo que satisfaga (21. pág¡na 262.

a = 6796 = 3. =í.= v. denoüado8 pot valoreg Tabl¡ 8-13 2est 2 64. la ecuación de regrerión pedida es (t) (b z = 3. ERROR TIPICO DE LA ESTIMA 8.b2r(u -a-br) .6612.606u zesb al susti- ) tui¡ los valores correspondientes de x.-brl - o-bu) .286 66.880 106o*67?9b+976o Rerolviendo. 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 = 40.356.664 78.¡ €stá dado por r viene dada por ! : a * b*. las ecuaciones normales (I ) ee convierüen en l2a1-643b *106c (2) 643¿ = 769 * 34.225 68.865r+1.7r7 68.920 64 7l 63 67 DD 68 77 67 66 61 76 68 (c) Remplazando ¡ : 54. 2a'- a2g n - b2rY por Ueet Loe valoreg de y ectimadoa a partir de la recta de regrerión vieneÍ'r dados = @ * ü¡.8646. ü = 0.2(Ufl -a..139 34.66+0.cAP.682 ?8.e resultado¡ ¡e dan en la Tabla 8-18 junto con lo¡ mueshaleg de z.86? 65.4t4 69.926 66. REGRESION Y CORRELACION Tabla t-12 fi 64 Df 59 49 62 51 a 8 10 6 11 z.206 69.168 48.! : 9 en (3). el peeo estimado es zest : 63. demos- s'?. Ír.8l CT¡RVA DE AruSTE.136 64.r=n= = 2(a-a. c = 1."r)2 2afu 2fu-o-brlz o. Utilizando la ecu¿ción de regreción (3) obtenemos log valores egtimados de z.830 2yz = 6796 2uy = 6779 48.843 Utilizando esta tabla. Entonces ^. Si la recta de regtesión de mínimos cuadrados de y sobre que el error típico de la estima sy.8436 * 6779c = 40.6068. o aprorimadamente 63 lb. y.20.

En la Tbbla 8-14 ee listan los valores reales de y (de la Tabla 8-3) y los valorec estimado¡ de y.22.ú = 2u'2 . = 2a@-a-bt\ nll 2a2-a2a-b2ra Este ¡esultado puede extender¡e a ecuaciones de regresión no lineal.a)2 .24 68 67 67 67.19 2.b2(r.ú = b(r .o2(g' * fil . También ¡e indican lor valorea y - Uest.20 N3' = 2u2-o'2a-b2xy = 2(a' + ú)2 .81 U - Aest 0. g = A'+ ú. güe ¡e neceaitan para el cálculo de oy.ana .. Demostrar que el resultado del Problema 8. Sabemo¡ que la recta de regreeión puede eecribiroe oomo blem¿ 8.!* e!\ = 2a'2 + 2y29' * nú2 . 2u'=0 y ú = o*bt (que re deducen aldiüdiramboslado¡ de l¡ ecuación normal 2A = an * b)r por n¡.21.á).xpot¿-á.+(0. cotrespondiendo a ¡ = 65 tenemotgest:36.28 -1.2r-b2rz = 2A = on * ó)c 0 puesüo que de las ecuaciones normales 2ru .66 7l 70 69.Cuandoeehacenestoeremplazo¡enelProlos datos del Problema 8. que corteeponde a empezar con l--o+bryremplazando:oporcero.24 -0. E.b2t'g' .bnü! = 2U'2 + nú2 ..98)2 12 = L64z .bñl = 2O'' .71 -0. REGREsIoN Y coRRELAcIoN lcAP.x = lTiltr= 1.b2r'Y' = 2(a . Método 2. I üyt * r.14 66 65 67.2¡ pará Del hoblema 8.y.r.62 0.76 L.11.a2r * = b2u2 Entonces sí. 8 2(A-a-bn) .2na-o.66 >(u-u.29 -1.*nú') .7L 64 66 66.47 6r.82 + 0.6? 70 68 69.2O puede escribirse como ^z üu." y 8t.bn.19 67 68 67.38 7l 68.")z = "1.b2(r' * ñl@' * úl = 2(y'2*2ytfi*¡z¡ .280 Pero CURvA DE AJUSTE.81 0.€2 + O..81 62 66 66.UpotA-ú.anÚ .476(66) : 66. Catcular el error típico de la estima¡ 8¡. 2(a .20 se obtiene el re¡ult¿do pedido. Por ejemplo.b2r'g' .a(2U.14 ü a Uesl 65 68 66.11(b ) la recta de regresión de y cobre x ea ! : 36.19 0.o.ú)'- b)(c n - ¡)(u - ú'l Si ¡ = r' * A.71 69 68 68.14 -2.28 pulgadac.24 63 66 65. Tabl¡ t. / .76. denotados por lresr.24)2+(0.b2rtgt * nú(ú .¡ Método 1.r9)z:l-.2y-an-óIr = 0 2r(a-a-br) . como se obtienen de la recta de regresión.al@ . 8. (1.bi2r' .33 0.bt2y' .úl donde hemooutilizadolo¡re¡ultedot2r'=0. Erto demueetra el resultado pedido.ó)(a . Entonce¡ del hoblema 8.28 68 69 68.

22). Utilizando los valores - a -0.0t¡z .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.34 0.82¡z+.[t = (y .11.. 8-11. Del último renglón de la Tabla 8-14.476¡ obtenida en el hoblema 8.)(y-uu.y""t) * (Uost . ya qve ú la Thbla 8-14 podemos construir la Tabla 8-15..24. Demostrar que >(g Elevando al cuadrado A"'r)'* 2(U*r.un"J(v.::. Si los puntos están distribuidos normalmente respecto a la recta de regresión. Tenemos Uest de ú : 67 . Entonces el porcentaje pedido es 9l12 : 7 5d. y-gfo".nrr.A)'.25 1. Las dos rectas paralelas.11 se muestra sólida en la Fig. Este hubiera sido el caso aproximado si el tamaño fuera más grande. Tabla. del Problema 8.a) = =Q :y. = 1.g) sumando. de datos.77 )(U". ts. REGRESION Y CORRELACION 28L 8.'.08 2. Calcular (a) la variación explicada.rr. (b) Determinar el porcentaje de puntos de datos que se encuentren enhe estas dos rectas.. :: :.13 1.82 * 0.brt Q. 8-11. 8. cada una a una distancia vertical su. Entonces el porcentaje pedido es 9lL2: 7 5%. ú>@ - a - bn) puesto que de las ecuaciones normales 2(a = 0.:'. + (2.:: .28 y 1.. Uir examen poste- 66 6l 62 Otro método.el 6812 de los puntos se encuentra entre las rectas.rn. (o) ta recta de regresión y : 35.61 -2.04 (a) Variación explicada = (b) Variación no explicada -ú)2 = (-0. se muestrana trazos en la Fig.?0. se encüentra entre -1.U""t)2 . En el caso de regresión lineal )(v - Y'"'¡)(v" "r .30 0.t)2* )(yn"t-ú)2+ z>fu.22.61 0.28 (es decir. y).. '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.abn) a .11 a una distancia vertical sy. NOTA: Una mejor estima del error tfpico de Ia estima de la población de la cual so.12 (o de la Tbbla 8-4.. Il ..13 -1.cAP.40 pulgadas.t-ti) - A)" = 2(A - El resultado pedido se deduce si podemos mostrar que la última suma este es eI caso.82 -t. ne dada por 6r.28 (véase hoblema 8.28) = 1...S-15 Uest : 8]-LlL2: 67..r 0. = tpiLo (1. la teoría predice que alrededor d. (b) la variación no explicada y (c) la variación total para los datos del Problema 8. .58 del Problema 8. tenemos 2(u-ú)2 . = 19. = )(U .56 -0.ne?. parecen estar sobre las rectas.23. 2r(u .. ya que es cero.58). 8l CURVA DE AJUSTE. (¿) Construir dos rectas paralelas a la recta de regresión del Problema 8.) para 9 puntos (¡..25. = 1/@ se tomaron las estaturas vie- COEFICIENTE DE CORRELACION LINEAL 8.

f. 8.A.68 5.02 1. Halla¡ (o) el coeficiente de determinación y (b) el coeficiente de correlación pa¡a los datos del Problema 8.7 0.25.7 3.26.36 68 il 'l .= \Eá/ /rorl = \r¡.L2 7. REGRESION Y CORRELACION lcAP.7027 o con dos cifrar significativas r : 0. A partir del resultado general (30).) asír--*2r'a' ffi (2x. página 264. /i84s8)?58-3t Tabla E-16 = 0.= !0.76 11.. Utiliza¡ los resultados del Problema 8. para el coeficiente de conelación.69 0.09 7. en el caso de regresión lineal.68 2trtg'= 40.66 0.66 -0.16 o.?0.62 1. utilizando A.4 ' 0. puesto que la'gt'es positiva cuando 3/ss¡ autnentá a medida que r aumenta.42 -1.6 3.6 0. y Ulst = U. obtener el coeficiente de correlación lineal para los datos del Problema 8.8 (c) Variación total : 2(a .7 1. = y -f.09 5..70 = 38.' . del Problema 8. La recüa de regreeión de mínimos cuadrado¡ de y sobrer puedeescribfuse 1lest= b = 2r. Entonces 2r'a' 40.22 + 19.[bb tt 62 70 66 68 67 69 -4. (la fórmula producto momento).34 2a'2 = 38.56 0. Entoncee.4 a'= tr'2 2. E.:800/lZ = 66.27.29 1.o. derivarel resultado (34).4F7q de acuerdo con el Problema 8.6 0. la expresión para r tiene automáticamente el signo conecüo asociado.-0v t'.))' l) n'\ ¡ \) '\il t' jó -0.s¿.76 1.2 /?r.3 -2. . Por tanto se sigue el reeultado pedido. prágina263.49 1.7 1. pero negativa cuando /est disminuye a medida que r.4e88.82 7. trt =r- E.l2at2.A)z = 19.6 . Puesto que la varirable yn".29 18.92 0. El trabajo involucrado en la computación puede organizarse como se indica en la Tabla 8-16.89 13.3 -2.aumenta.y.32 1.7027.4 2.4 0.4 -0.)z \/ñtrW Sin embargo.3 2. (D) coeficiente de conelación = r : tVñ7d58.49 -2.18 0.28. Los resultados (b) y (c) pueden obtenerse por cálculo di¡ecto de la suma de los cuadrados.4 7l 67 68 70 -0. Utilizando la fórmula producto-momento.6 L.09 10.11.282 CURVA DE AJUSTE.donde ¡2= variación explicada va¡iación no explicada 2b2r.3 0. (a) coeficientededetermir¡ación = t = '1Hi1iáf*1"io" =m= 0.92 10.34 \/G.7 -3.32 7t 0.92.69 22.'.3 a-v 0.96 2.4 .89 0.69 u'a' a'2 0.7027 u 65 63 67 B4 a 68 66 68 66 69 66 68 66 r-t -t. la conelación ec poeitiva y por tanto escribimo¡ r : O.3 4.16 2.3 -1.7 )y = 811 a = 8LUl2 2rt2 = 84.24.92 = 67.y = EP. 8.82 4. ¡o )¿ = 800 i. tenemoa &*br 6 Ulr¡= bx.11.16 6.16 6.6 0.z b22r.= EF.26(b). aumenta a medida que r aumenta.

476 d=ffi =1.036 Enroncec rz = bd. 2(a-nlz = 2(rz-2rt*r2) = 2s2 .TUSTE.11 (b) y 8.| ¿gl\/¿e¿\ 6 =(iiot/\al/ ' ¡=o'7o27 que está de acuerdo con lo¡ Problemae 8. donde ¿=? rz r sobre y er =a*ilu 8y Entonces b¿t = 1g\ 1g) = \c"/\oy. Utilizar el resultado del hoblema 8.30.2ñ2r 4 ntz (2112 2(2nl' ()r)2 = 2rz = 2r2 .11.29.26(D) y 8. . págrna 261. [.8l CURVA DE A./ 8.a recta de regresión de y aobre r es u=olbx Análogamente.29 para halla¡ el coeficiente de correlación lineal para los datos del hoblema 8. 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 .>IY w@ : n2rA-(2r'l(2A) .11(c) respectivamente 484 ' ó=10fr=0. la recta de regresión de donde A=?I.nnn* v Entonces (I ) ee convierte en r(a-üz = 2a2 r : .31.28.(>aXIY) n :E Puesto que = (2rlln V'ú = (2Alln" Arúlogamente. Demostrar que el coeficiente de correlación lineal viene dado por f= En el hoblema 8. Del Problema 8. REGRESION Y CORRELACION 288 8. Demostrar el resultado (17).cAP.

40.42) [(8)(2e1.99r1)2 = 0.01?g Por tanto 7.16.ú)2 = 21. variación no explicada va¡iación total (d) = l-r2 = L-0. 8 8.30.78%de la variación total permanece no explicada.L071 = 0.284 CURVA DE AJUSTE.2g y g.33.n¡zi = -0.4O De la Tabla 8-10 Por tanto t-= = l(g""t-Al2 = 2l." = ss\/T=F = 1.40 8 = 1.218 6 o. COEFICIENTE DE CORRELACION GENERALTZADO 8. como lo indica el hecho de que el coeficiente de conelación en (b) está muy cercano a 1.32. Esto puede deberse a fluctuaciones aleatorias o a una variable adicional que no se ha considerado. 8. (c) Explicar la diferencia entre los coeficientes de correlación obtenidos en (c) y (b). Utilizando (a) y el Problema 8. supóniendo la relación parabólica obtenida en eI Problema 8.2z .80. paralos datos del Problema 8.52) - (40. (c) Hallar el coeficiente de correlación lineal entre las variables r.11.. (o) Del Problema 8. Entonces variación total = 2(A .9922 = 0.4'.) (42. De la Tabla 8-4 r= n2ru .636y'i-(0.34. 8.4)/8 = 5. (d) ¿Qué porcentaje de la variación total permanece como no explicada por la suposición de la relacii.tal =ffi=0'9822 (c) El hecho de que la parte (a) muestra un coeficienüe de correlación de solo 4.3?43 (b) De Ia Tabla 8-9..62.16.Oz variación explicada .()¡X)z) (8oo)(811) (r2)(54.64 (á) Primer método. 2(A . y (b) sr.20) - (42. Ubtlizar la fórmula del Problema 8. REGRESION Y CORBELACION [cAP.n parabólic a entre x. y. (b) Hallar el coeficiente de correlación no lineal entre estas variables. y? (a ) Utilizando los cálculos de la Tabla 8-9 y agregando que 2tt2 = 290.3743 indica prácticamente ninguna relación lineal entre r.636 ó 1. Hallar (a) s.16. I del Problema 8.ilz = variación explicada 21. y r =0'9911 var6eió.31 para obtener el coeficiente de correlación lineal para los datos del Problema 8.21(46.26(b). Entonces la desviación típica de y es 8u= 2(u - ú\2 21. hallamos r= n2ru - ()¡X)r¿) (8X230.7027 como en los P¡oblemas 8.16. hay una muy buena relación no lineal dada por la parábola del hoblema 8.1 ¡. el error típico de la estima de y sobre I es B!.33 (b). i = (2U)/n = (46. Sin embargo.2)r][(8X2e0.33 (b).

Explicar córno determina¡ía un coeficiente de correlación múltiple para las variables en el Problema 8. CURVA DE AJUSTE. Sea rr: el grado dado al j{simo valor de x.22 Tercer méüodo.cAP.218 ó 0. Entonces si d¡ : r i .l'ciñexptñat.218 6 0. REGRESION Y CORRELACION 286 Utilizando el Problema 8. ¡ sobre y. AquÍ estamos considerando n valores de r (por ejemplo pesos) y n valores correspondientes de y (por ejem. la varianza de las desviaciones.19. pág¡na 264..36.pl.8l Segundo método.139 . ss t+2+.222-n22 48. [¿ media de r. Ya que z se determina de ¡. el coeficiente de correlación de ¡ CORRELACION GRADUAL 8. al y el coeficiente de correlación entre grados por * - s2¿.*n @l_ryz n*l En = mientras que la varianza es sf. dada en térrninos de e2r.88 Va¡iación total 2(z-2\2 . vemos del Problema 8.4L4\2 + "'+(68-65'920)2 = 258.52. y I va. viene a3: s?+r?-2rs¡ads"sv .76)z = 888'26 = 888.22 8.33' variación no explicada = 0. esbturas).@ "" = 0'8418 = !ffi = thffia Debe mencionarse que si fuéramos a considera¡ la regresión de eobre y. *n2 n n(n*r)(2n*11/6 2 n2-l t2 utilizando los reeultados 1 y 2 del Apéndice A.25 Variación explicada Enüonces - 258.19 Variación no explicada = 2(z - zo"tl2 (64-64. z. y. Utilizando el Problema 8..os grados son enteros de 1 a n.88 = 629.a = = 299.35. Derivar la fórmula de correlación gradual de Spearman (36). que Para obtenerlo.L2(62.-.37 Coeficiente de correlación múltiple de z sobre x. y estamos interesados en el coeficiente de cor¡elaeíón múltiple de z sobre x.16 y el cálculo adicional 2gz 8y.I i son las desviaciones entre las graduaciones. tenemos 2a2-a2a-b2ra-c2n2a = 0. z gería en general diferente del valor anterior. la mediaú ylavarianzasf sonigualesa(n l)12 y (n2 L)ll2 respectivamente. = 12-82 = 12+22*. ! ¡ el grado dado al j'ésimo valor de y ' [. Análogamenüe.

67.6 10 t2 7. 8 (r) h¡ecüo que 7 = fgrad = eZ+sT-af.7.2 24 = Entonces rgrad= t-#!T = t-ir#?u = 0. 9.s" 0. 6g.6. 69. 6.l\ltZ . 6g. por tanto las estatu¡as de los hijos quedan ordenadas @ Con las correspondencias 1. 6.5. d d2 -1 -2 -1 1 1-1 I 1 3 I I I 2-L 4 1 -1 1 4 2d. tor \-"rttd- "3 - e¿. 8.6 1. 6?. le. ?.8s45 indicando que hay una relación entre el rendimiento en laboratorio y teorfa. 66.7.38. 11. 66. 63. 4. 70. 71 Puesto que en esta ordenación loe lugares sexto y r*éptimo represenüan la misma estatura (6? pulgadas). 69.5 l. 3. 6.rz)/n y (l ) ge convierte en 7')/12 W @2 - * (nz 6>d2 . 70.5. AsÍ. 2.6.6 1 11 6 8. 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. 69.37. las estatura¡ de los padres eon (r) 62.c asignamos a estos doe lugares un orden medío de 6.6 7. la Tabla 8-B se convierte en Tabla E-19 Graduación del padre Graduación del hijo 4 2 6. 69.6 10 3.6. Tabla 8-17 Laboratorio Teorfa 8 3I2 9510 7 r0 4 615 1873426 La diferencia de puntuaciones d en laboratorio y teorfa para cada estudiante se da en la tabla siguiente.6 3 8. REeRESIoN y coRRELAcIoN lcAP. a los lugares 8 y 9 ae les asigna el orden 8. 11. 8 y 9 repreeentan la migma estatura (68 pulgadas). 66. 66. 69.7.5. Tbmbién se incluyen dz y 2dz. 6. les asignamo¿ w orden meg [(6 + z + + 9) / 4 . 1.66.6 11 . a las e¡tatura¡ de loe padres ee les aaigna los órdenes (2) (3) dio de 7 . ordenadas en forma a¡cendenüe de magnitud.6. 12 De igual forma.6.6. 64.286 Entoncee cuRvA DE AJUsrE. Análogamente. Calcular el coeficiente de correlación gradual para los datos del Problema 8.11 y compararfos rezultados con el coeficiente de correlación obtenido por otros métodos.6 3. 6?. 9. 10.5. 66.(J) y (4). 10. 7l y puesto que los lugares 6.6 7. Tabla 8-18 Diferencias de puntuacionee. 3. Hallar el coeficiente de correlación gradual. lac estaüuras de loe hijos ordenadas en gentido creciente son 66. 7. 1¡ (t) y (2).6 1.6. %.6 t2 5 7.5. 3. 69.6.6.(2d2)/n = L-nfu2] 8.

5 -1.ol.px\ ^t u\ox) | Debe notarse la semejanza de la demostraeión anterior para poblaciones.5 3. (b) X sobre Y. Suponga que la ecuación de regresión Para la recta de regresión de es ! = E(YlX=r) = a*Fr mínimos cuadrados debemos considera¡ E{lY (a+ px)12} bóo¿r¡"-or utilizado = E{I(Y .60 rgrad = t-#!T: .6 1.?466 que concuerda muy bien con el valor r = 0.00 d Entonces 2iP = 72."l Igualando estas ecuaciones a cero.px) . E(Y .a* pr entonces A .a) ó Fok = o*v a-tly="4tr-u*) A-Py - /'.25 2.26 L2.0. lo+zo¡a.5 -2.26(b). íE = dF Denotando la última expresión por F(c. 8.6 2.6 3.r.-ffi!\ = 0.Fpx.25 6.P¡x. .pvl .26 1.Fpx.0 ü 12.2Boyy r (py .px) * (pv . INTERPRETACION PROBABILISTICA DE REGRESION Y CORRELACION 8.(r+2y) 0<n<7. 20.rv) = 0.dlz} = El(y -pv)21 + BzEl(X-r. ) La función de densidad marginal de X es f{r) = [. utilizando esperanzas. REGRESION Y CORRELACION diferencia en graduacionec d.zBEl(X-pi(Y -¡.8l CURVA DE AJUSTE.v)l + Gv-Ft'x-o)2 = "? * F2oI .5 1.F) sea un mínimo. utilizando sumas.Fy = p(r .25 2.0 1. Tabla 8-20 -3. los resultados para muestras tienen resultados análo- gos para poblaciones e inversamenüe.26 L2.}j'2l.5 -1. Y es l\r'a) : (a | f.26 12. = f.6 -1. halla- tv = ol Ftx Por tanto si g . La función de densidad conjunta de las variables aleatorias X.25 2. p) tenemos AF u = mos -2(pv zBoi - 2oxv - 2px(pv .25 1. lo cud es una condición necesa¡ia para que F(q. En general.cAP. Derivar (39) a partir de (37). con la correspondiente para muestras. los cómputos de d2 y I¡ )d se mue¡tran en la Tabla 8-20.ú2 E(X .o*t¡ .7027 obtenido en el Problema 8.26 6. .0=Y<L {o deotraforma Hallar la curva de regtesión de (c) Y sobre X.P(X .39.9px.6 -3.40.00 2.

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

0.-.. Escribir las rectas de regresión de mínimos cuadrados de (a) Y sobre X. 1/ . hallar los límites de confianza d-ei 95'7..á para el coeficiente de regresión del Problema 8.22)y 1.28 (calculcda en el Problem a 8.B4o confianza del 95% de que 6 se encuentra entre 0.o+zul)arav =1 3 .81 para L2 . 8.05 rechazaríamos Ia hipótesis de que el coeficiente es tan bajo como 0.180 si ú ) ú. ¡rara ias estaturas yos padres tienen unas estaturas de (o) 65.:2. (b) X sobre Y para el Problema 8. Hallar los límites de confianza del 95'. En el Problema 8.xY p = n-xÍ oxY oxoy = *-(s)(i*) = = - 1 162 0 -l/162 . Por tanto no podemos rechazar la hiPótesis.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.2 = l0 grados de libertad) vienen dados por 95?iparap(obteni.cAP.40.4?6 r6 (Problema 8.47G :t ' +('!!) t" / = 0.4?6 t Vlo\' t/tz.43.23 h es decir. Y ltr-2 donde 37e : 85.szs=!2.. = {".43)' y n: !2 1 r/o t r--- .9b Con un ensayo unilateral de Ia flistribucirin de Student a un nivel 0.e5: 1. ot : "..2U'L66 0'19916¡= = ya que eo. En eI Problema 8.losaleolocar t=lt.11 = -l/162/.11.66 del Problema 8'11' 8.11).136 y 0. (¿) La recta de regresión de Y sobre X es + oXY "+@ .43.t / ó (b) La recta de regresión de.r: L.8I 6.476x.. de los hijos cuyp son 8.42.66 (Problema 8.82 + 0.11 se halló que la ecuación de regresión de y sobre x eray: 35. Loslímitesdeconfianzadcl F = b-+f+) ' \ñ4\82 I para 12 .q\I a. .r: L.2 : 10 grados de libertad.2: LO grados de libertad. Ensayar la hipótgsis al nivel d-e significación del O. REGRESION Y CORRELACION 289 (e) xY = Entonces Í.2\ o.'=o Í"'=o.- = .82 + O.180.28.-- .0 y lb) 70.45.los Ií¡:rites de conftanza del 95oy' para --j:lq--. r8fl . (+) ó a -i : - ür I x) ó -. se está en la ryHt\ = 0.42.- 2. 8l CURVA DE AJUSTE.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 8.476B-b t=r.2g para 12 . sx: 2.nfi162\/28/Bz4 -0. sr.o1f.'lW\" .44.0 pulgadas' puesto qu€ t s7..lrv1l_z=-..Of Ae que el coeficiente de regtesión de la ecuación de regtesión poblacional es tan bajo como 0.

o¡ para n - 2 grados de libertad .8 los límites (o) Si 16 : 65. es decir. los límites de confianza del 95% para Uo fo son = 2.11. Tarnbién.0 y (b) ?0.48).elgbVo de que las estaturas de los hijos están entre 64.05. se puede estar en la confianza del 96Vo de que las estaturas de los hijos están entre 63. 35.45(ó)] los límites de confianza del 95%. t/6 al nivel 0.66.? y 6?. Porlo +1. hallamos [comparar con el hoblema 8.80 pulgadas (b) Si 16 : 70. ' (b) Si re :70.290 CURVA DE AJUSTE.01 que el coeficiente de corréhción poblacional es apreciablemente mayor que cero? Deseamos decidir entre las hipótesis (Ho: g :0) y (llr t = . se puede tener confianza de 95Vo que la estatura media de todos los hijos cuyas estaturas de los padres son 65. los límites de conñanza del 95% están dados aproximadamente 8.14 + 5.1/l-z = = . Por tanto no podemosrechaza¡I/6 al nivel 0. /e : 69.11).11.0 pulgadas se encontra¡án entre 67.8 pulgadas. y¡ : 66.14 pulgadas. es decir.05 y (b) 0. En el problema 8.01 8.0. (o) (ó) Puesto que no podemos rechazar ) 0).66 (Problema 8. Un coeficiente de correlación basado en una muestra de tamaño 18 resultó ser 0.Bb Sobre la base de un ensayo unilateral de la distribución de Student a un nivel 0./i=@0.1 y 7 4.476 r6 (Problema 8.0 pulgadas se encontrarán entre 65.23 donde y¡ : ffisv. de confianza del g5% son (ro .?6 pulgadas.0.8OOtl2r2 : 2. Ya que t.0.E.?6 a 2'23 es decir.05. = t. ciertamente no podemos rechazarla al nivel 0.69. el valor mÍnimo de n debe ser 032{n - 2 r/i -to.za\ = 66. (o) Si. REGRESION Y CORRELACION lcAP.2óy6!2so.Estoconcuerdaconlosresultados aproximados mencionados en la página 262.05 utilizando un ensayo unilateral de la distribución que de Student.": 2.05.46.45 pulgadas. TEORIA MUESTRAL DE LA CORRELACION 8.SOO112)2 : 11.6 pulgadas úo 0. Entonces los límites de confianza del 96Vo so¡ 69.rcontalquero -ñnoseademasiadogrande. Entonces 66. o.s1t : 2. 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.Los métodos de este problema son válidos independiente del tamaño de n ó to .sz).2 pulgadas.O . es decir.75 para 18 -2: L6 grados de libertad. hallamos [comparar con el Problema 8. Nótese que para grandes valores de n.32 sea considerablemente mayor que cero al nivel 0.14 f es decir.96sy.47.82 + 0.07 pulgadas.48. hallar los límites de confianza del96% para las estaturas'medias de los hijos cuyas estaturas de los padres son (a) 65.78.6 pulgadas.sz\/ra-z : p l.23 para 1 0 grados de libertad. También (x¡ . rechazaríamosI/e si ú ) ú.0 pulgadas.0 y ?0.?6 t 3. ¿Cuál es el tamaño mínimo tal de una muestra para que podamos concluir que un coeficiente de correlación de 0.ss :7.7 y 70. los métodos muestrales son exactos para una población normal.32. 7.05? A un nivel 0.i¡z : (?O.76 1 1.t)2 : (65 .45(c)] los límites de confianza delg1l".09 pulgadas. se puede esta¡ en la confianza d.' sr.16 :65.0. ¿Puede concluirse a un nivel de significación del (a) 0.

REGRESION Y CORRELACION Para un número Pa¡a infinito de grados de libertad.B0eb #*#= Fzrl. L {zt - = Z-pz oZ 0./ 0.CURVA DE AruSTE.s|= 1.b4es.o.5366 a 1. Un coeficiente de correlación basado en una muestra de tamaño 24 se calculó era r : 0. 8. pa¡a n=2g. los límites de confianza d.05 utilizando un ensayo unilateral de la distribución normal rechazaría' mos la hipótesis solamente si z fuera mayor a 1.49 y 0.9r : 1.unrr.rsr3 loc\t -.66.:) = oz= La variable tipificada ee Fz = r. zz: r.05? o.28 A un nivel de significación del 0. v=26.50 a un nivel de significación del 0.e155.92. ¿Hay una diferencia considerable entre los dos coeficientes a un nivel de 0. z = t. El coeficiente de correlación entre las calificaciones finales de fÍsica y matemáticas para un grupo de27 estudiantes se calculó era0.51.5366' p = = L.) nzr-2.Portantopodemos rechazar la hipótesis de que el coeficiente de correlación poblacional sea üan pequeño como p: 0.266e = 0.2182 = 1. t.(-) \r P. (b) p : 0.96oz = 1.!613*(=. (Hs p2r= Fzrl I (Hi Fzr* .0. Por tanto no podemos rechaza¡ la hipótesie de que el coeficiente de correlación sea tan pequeño como 0.7L.r5tz'""(+l-&.5493)/O.?1.05.60.50.6.80 y n = 21.4904- = 1.94. si Si pz Fz /r +"\ = l. ¿Podemos rechazrir la hipótesis de que el coeficiente de conelación poblacional sea tan pequeño como (a) p (o) : 0. t=0.s|= l.50.s2\/ñ/\Flfu2p.6932 0. t--032\r26^tr=@ = 1.5606. Entonces el tamaño mínimo de la mueetra ean:28.30 respectivamente. n=26.72. para n=27. 8.tJ2:1.5493y2:(0.64 y por tanto n: 25.69.) 0.9730 0.05? zr = r. Dos coeficientes de correlación obtenidos de muestras de tamaños nt : 28Y rtz:35 se cdcularon como rr : 0.0e86 10. Puesto que r : 0.sz\/rLtt/l-(u32Y = 1.75.49.5606.L613 logS:0. ú.s5=1. 8. a un nivel de significación del 0.64.50. p : 0./ = 0.7L.s0(-/l1 \ \y'n_B/ = 1.rrro.=L.Hallarloslímitesdeconfianzadel96% paraeste coeficiente.60. t .50 y tz : 0.9730-0.L6rt*(=. Por tanto los límites de confianza del 95Vo para p son 0. v =24.80. (b) Sip:0.28z (ff3*3) = o.4620 Entonces ¡t2 tiene el intervalo de confianza del9SVo.el 95Vo püa pz vienen dados por Z=L. t. = Deseamos decidir entre las hipótesis = 0. v =26. t.r6r3t"" o.r¡rlb*'.2182:L.16131og(++*) /r r-\ \r-'l / *t.

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-(#)(#)] =

= L4.0 y 14.rlos RECTA DE MINIMOS CUADRADOS Tabla 8-31 8.o 8.5+E#9 = ú . (b ) r como Ia va¡i¿ble dependiente.gZfy'f - (OfOg6P = = 9..e).60. 8y r-70.62.9 respectivamente.0=q9ff##q(v-6e.64.cAP. página 261 .s6oy'1:107686)á Problerrra.926 y r = 0. r. Utilizar los resultados del Problema 8. Escribir las ecuaciones de las rectas de regtesión de (c) y sobre del Problema 8.x=L2.64. r a 3 6 6 8 911 234668 8.hallar(o)losvalore$deycuenda x=6. 8l CURVA DE AruSTE. 0.821(o-70.7t9(u-69. a y-6e.63. = 13.60.9) -69. E.61 a. REGRESION Y CORRELACION 299 Por tanto las desviaciones típicas de las calificaciones de matemáticas y fÍsica son 14. Entonces utilizamos ( I 6 )..5¿8 8.e Ge. Ajustar una recta de mínimos cuadrados a los datos de la Tabla 8-31 utilizando a (a\ x como la variable independiente. De la Tabla 8-30 tenemos. s!. para los datos del Problema 8.?686. (a) (bl Ey. Calcular los ertores típicos de la estima (c) er.64.uo+qY: 145+q'qfrEq = u= De los resulüado¡ del Problema ?o.0) x-?0. 8xv 160.60.2. ParalosdatosdelProblemaS. (b) Í sobre y para los datos rr+qW = 64.. (b) sr. para obtener las ecuaciones de las rectas de regtesión (¿) ó a-u='!w-nt.0=A+##€?!)@-70.61..966.934 s.20 G&r'-áiÉfutB = o'7686 que concuerda con r hallado en el Problema 8. en tanto que su covari¡nza es 160. Tenemoe 8""..9 = 8. 0.66.0). Representar gráficamente los datos y las rectas de mínimos cuadrados utilizando el mismq conjunto de ejes coordenados.(b) elvalordexparay:7' (o) Utilizar el método a mano alzada para obtener Ia ecuación para una recta de ajuste de los datos del Problema 8. = ¿yt/Ti-rz = = a"t/T7rz = f¿.v ts.65 utiliza¡rdo el resultado de la parte (c)' .a guplementa.66 8. (b) SolucionarelProblema 8.0 = (b) 6 r-ü='?o-o¡.

utilizando a r como la variable independiente. El número y de bacterias por unidad de volumen pres€ntes en un cultivo después de ¡ horas viene dado en la Tabla 8-36.72. Tabla 8-36 Velocidad. La Tabla 8-32 muestra las calificacionee finales en álgebra y física obtenidas por diez e¡tudiantes seleccionados alcatoriamente de un gran grupo de estudiantes. (d) Estimar el valor de y cuando r : J. y.a Tabla 8-37 muestra los 3 6 o n 8 t? o t4 valores correspondientes de tres variables x. (b) Ajustar una parábola de mínimoscuadradosdelaformad:oIbu*cuzalosdatos. utilizando a y como la variable independiente.68.u.(c)Estimardcuandou:45mi/hy80mi/h. t. 8 t.6 9. (D) Hallar la recta de mínimos cuadrados que se ajuste.70. (c) Hallar la recta de mínimos cuadradoe que se ajuste a los daüos.74. (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r. [. ¿cuál es su puntuación eeperada en álgebra? Tabla 8-32 Algebra (c) Física (y) .ID 80 ?8 93 86 65 72 87 91 7L 98 95 68 84 89 tt 82 80 72 74 E. Con referencia a Ia Tabla 8-33. u (mi/h) Distancia de parada d(p) 20 54 30 40 138 50 60 70 90 206 292 396 E. y. (o) Construir un diagrama de díspersión. 12 .y:6.2 5. REGRESION Y CORRELACION [cAP. Escribir las ecueciones normales para la curr¡a cúbica de mínimos cuadrados dada por dx3 . 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. 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. z. (o) Representa¡ loe datos en papel semi-Iogaritmo. En el Problema 8.(b)Ajustarunacurvademínimoscuadradosdelaforma !=abxalosdatosyexplicarporqué esta ecuación específica da buenos resultados. I : o t bx * cx2 I Tabla 8-37 REGRESION MULTIPLE E. Alustar una parábola de mínimog cuadrados. (o) Representar gráficamente los datoe.t--10. o^ 2.73.3 14. (c) Hallar la recta de regresión de írínimos cuadrados de ¡ sobre y.8?.9 La Tabla 8-36 da las distancias de parada d (pies) de un automóvil que viaja a una velocidad u (millas por horas) en el instanüe que se observa eI peligro. (b\ Estimar z cuando a to 90 10 72 .a los datos.I 3. con Ia escala logarítmica para yr la escala ariü- méticaparar. ¿cuál es su puntuación esperada en física? (e) Si un estudiante obtiene una puntuación de 95 en físice.6 21.71 rrcstrar c6mo una gráfica en papel semilogarítmico puede utilizarse para obtener la ecuación pedida sin emplear el método de los mínimos cuadrados. y : t 8. (a) Representar gráficamente d. 54 42 30 . o + bx r a 0 1 2 ó A 5 t) ¿x?alos datos de Ia Tabla 8-3¡t. (d) Representar gráfioamente las dos recta¡ de regresión de (b) y (c) sobre el diagrama de dispersión de (o). (o) Hallar la ecuación de regresión lineal de mínimos cuadrados de e sobre x.300 CURVA DE AJUSTE. (c) Comparar los valores de y obtenidos de esta ecuación con los valores reales. (d) Si un estudiante obtiene una calificación de ?5 en álgebra.?1.

(b) utilizando la fórmula s¡s = rs¡sÍ y el resultado del Problema 8. y puede escribirse como z-2. Hallar los coeficientesde correlación para los datos del (o) Problema 8. E.= E. (b) $. yesr:0. Multiplicar todos los valores de y por 3 y restarles 15. (c) la variación explicada en y para los 8. Hallar (o) sy ". sr:2. D.76.68 (a) dircctamente.cAP. ú=20. (b) Obtener eI coeficiente de correlación directamente de las pendientes de las rectas de regresíón del Problema 8.68 utilizando la fórtnula producto-momento y comparar con el resultado del Problema 8. r.eL2 mujeres. ¿qué porcenüaje de la varfación total pennanece no explicada por la ecuación de regresión? 8. (ó) Determinar la recta de regtesión de mínimos cuadradoe de y sobre r. Tabla 8-39 x a 2 4 5 6 811 18t210875 . Demostrer que la ecuación para regresión lineal de z sobre r.8?. La Tabla 8. 8.81 u 8. 8.38 lación entre muestra las edades r y la presión sanguínea y d.Br * Ca I Dr2 * Ery * Fyz Obtener las ecuaciones normales para los eoeficientes de regresión de mínimos cuadrados. (c) Estimar la pre- sión sanguínea de una mujer de 45 años.89. (b) Problema 8. Calcular (o) sv.y para los datos del Problema 8. 8.00.50. ballar las ecuaciones de la recta de regresión de (o) y sobre x.! .¡.i=10.3E F¡lad (r) Presión Sanguínea (y) 55 49 38 42 68 r47 725 160 118 t49 t28 150 146 115 140 162 56 42 72 36 63 47 60 165 E.z . Hallar el coeficiente de correlación entre los dos nuevos conjuntos de valores.88. Hallar la covarianza para los datos del Problema 8. halla¡ r.81. (b) la va¡iación no explicada datos del Problema 8.75 para solucionar el Problema 8. " para los datos en el Problema 8. Tabla 8. (o) Calcular el coeficiente de correlación entre los valores correspondientes de r.Sis"=1.80 para hallar el coeficiente de correlación entre los dos conjuntos de calificaciones de los exámenes del Problema 8.E4.. 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. Si sv. y dados en la Tabla 8-39. Si el coeficiente de correlación entre.68. en E.E2. (b) Multiplicar todos los valores de ¡ por 2 y sumarles 6. y. (o) Hallar elcoef¡cientede correlación entre E.EO.68. . (b) sr. (o) Hallar el coeficiente de corre' r. (b) r sobre y. 8. y tiene la form¿ z = A 1.68. El 8.60.7 7 a(r-¿l+b(u-úl o. y obtener exptesiones para los coeficientes de regresión de mfnimos cuadradoe el resultado del hoblema 8. Utilizar los resultados del Problema 8.86. ¿Hay al' t.86. ERROR TIPICO DE LA ESTIMA Y COEFICIENTE DE CORRELACION LTNEAL E.67. y.7t.90. explicar por qué se obüiene o no el mismo resultado que en la parte (a).85. los dos conjuntos de calificaciones de los exámenes del Problema 8. 8l CURVA DE AJUSTE.8f .74. Utilizar 8.60.68(b) v (c ). REGRESION Y CORRELACION 301 8.82.64. coeficiente de correlaciónentredos variables¡.= 3y ss : 5. Calcular (a) la variación total en y.t3. y es 0.r.76.79.

t.¡ 8.94.106.92. (c) el coeficiente de conelación generalizado. en el ca¡o de do¡ variablee aleatorias X.lo6' función de densidad conjunta (o función de probabilidad conjuñta) f(x. 8. Hallar el error típico de la estima de z ¡obre ¡. I COEFICIENTE DE CORBELACION GENEBALIZADO E'91. t.99.74.99. Tabl. INTERPBETACION PROBABILTSTICA DE LA REGRESION Y LA CORRELACION E. el coeficiente de correlación gradual para loa datos del (a) Problema 8. Obtener el coeficiente de correlación lineal para el hoblema 8. (D) X eobre Y para el hoblema 8. página 52.8. (b) X eobre y.104. de conelación para las variabie¡ en el hoblem" g. Halla¡ la recüa de regesión de mínimoe cuadrados de (a) Y sobre X. t. H¿ll¡rlacurvaderegreeiónde(a)YsobreX.68 v (b) Problema 8. B.99.(b)XaobreYparalosdatosdelhoblema2.84. ble¡ aleatoriac independientes? Explicar. y\. estudiar una posible deeventaja del método de conelación gradual. t. Doa juecec en una competencia debían clasifica¡ a 8 candidato¿ A.págirra52. t. t.96gina 52. (b) De. C.8. 8.rOO. E.90.4O 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.a) = [2r+3a Io o(c(L'o<Y<2 de otra form¡ Ilalla¡ la curva de regresión de (a) Y sobre X. t. REGRESION Y CORRELACION [cAP. tls[a¡ la recta de régresión de mínimos cuadrados de (a) Y robre X.y. ¿Ocurren algunae simplificaciones en la¡ curvas de regresión Ce Y sobre X ó X sobre Y para el caso de varia- .98. Hallar el coeficiente 264.5g ufilizando el resultado (35). Halla¡ el coeficiente de conelación gradual y decidir eobre el acuerdo de loe jueces en su8 eleccioneg.paraelca¡odeunaauperficiederegresiónlinealparazsobrer. D.lOS. H de acuerdo con sus preferencias. (b) X cobre Y para Ios datos del hoblema 2.lol. F.96. Hallar el coeficiente de conel¡ción lineal para la¡ variableg aleatoria¡ del Problema 2.302 CURVA DE AJUSTE. G.97.gus observaciones en (o).102.74. página t. Da¡ un ejemplo para demostrarcómo hallaría (a) el error típico de leestima. (o) Calcular el coeficiente de conelación múltiple pars los datos del hoblema 8.96. COBRELACION GRADUAL E. (o) Hallar el coef¡ciente de correlabión gradual para los datos del Problema 8. Y viene dada por f(r. Mostra¡ cómo se puede diseñar un coeficiente de correlación múltiple. Y con E. lo¡ resultados se mueshan en la Tabla 8140.s. La función de den¡idad conjunta de las variables aleatorias X. Il¡llar t. variación toüal es erplicada por la ruperficie de regreeión? (b) ¿Quéporcenüajedela Demostra¡elresultado (27). y para lo¡ daüo¡ del Problema 8.93.(D)larvariacionee explicaday no erplicada.página 263.

8l CURVA DE AJUSTE.05. Si sr. (b) ta presión sanguínea de las mujeres de 45 años.110. Hallar los límites de confianza del (a) 957o. Sobre la base de una muestra de tamaño 27 se encontró que la ecuación de regresión de y sobre r era t = 25.01. 8. Un coeficiente de correlación basado sobre una muestra de tamaño 35 se calculó como 0. hallar los límites de confianza del (c) 95%.95 respectivamente. y).40.(b\ 99% para y cuando ¡ : 6.l19. que hay una diferencia significativa en' tre los dos coeficientes? RESULTADOS DryERSOS 8.el 95% para el coeficiente de correlación calculado en el hoblema 8.01.113.ypuedeexpresarsecomo il2 -:.00. (b) 0.\ es independiente de Ia elección del origen de las variables o de Ias unidades en que se expresan. ConreferenciaalProblema8. REGRESION Y CORRELACION 303 TEORIA MUESTRAL DE LA REGRESTON 8. ¿Podemos concluir a un nivel de significación del (o) 0. . ¿Podemos concluir a un nivel del (o) 0.5a = 3.109.114 si el tamaño de Ia muestra es 52.sx = 3.!l = 2.112.f-(1 -r2)s. En el Problema 8. 8. Verificar los coeficientes (5).10? ensayar la hipótesis de que el coeficiente de regresión poblacional 1.60.(b\99% pra el coeficiente de regresión. DemostrarqueparaelcasoderegresiónlinealelvalormÍnimodeE'{[]'-(o*¡lX)lz. a un nivel de significación del 0. 8. demuestre que el coeficiente de correlación entre r'.211Ú 8.I22. Yvie' nen dadas por 2:r . Solucionar el Problema 8.121.00 ¡. Las rectas de regresión muestrales de mínimos cuadrados para un conjunto de datos involucrando X.50. (b) tan alto como 2. página 260. 8. Demostrarqueelcoeficientedecorrelaciónentre¡. EnelProblemaS.30.10? hallar los lÍmites de confianza del (o) 957o.00. 8.123. Dos coeficientes de correlación obtenidos de muestras de tamaños 23 y 28 se calcula¡on como 0. Demostrar que el ángulo entre dos rectas de regresión muestrales de mínimos cuadrados viene dado por .8. TEORIA MUESTRAL DE LA CORRELACION 8. Hallar el coeficiente de correlación lineal. E.50' ¿Podemosre' chazar la hipótesis de que eI coeficiente de correlación poblacional es (o) tan pequeño como p : 0.tu] tan-'L rfti + si) -l E.10?. que el correspondiente coeficiente de correlación poblacional es considerablemente mayor que cero? E. 8. utilizando un nivel de significación del 0'05? 8.84.116.hallarloslímitesdeconfianzadel 9fleparafo)elcoeficientederegresiónde y sobre r. para la recta de mlnimos cuadrados.S4.* : 8.05.0 + 2. es (o) tan bajo como 8.el(o)95%.l0?hallarloslímitesdeconfianza d.115. (c) la media de lae presioñes sanguíneas de las mujeres de 45 años.11?. (Sugerencia: Suponga quer' = noi c1r. (b) 0. Hallar los límites de confianza d. En el Problema 8. donde r¡¡ !/6¡ cl¡. Un coeficiente de correlación basado sobre una muestra de tamaño 27 se calculó como 0. (b) tan grande como p : 0. 5r ." = 1.1 "l$- c2) 20.d'. y'es eI mismo que el entre.c2 soll constantes arbitrarias.80 y 0.01.cAP. A' = llo * c2y.114.tes t?.70.00 y ñ = 7. .(b)997oparu un coeficiente de correlación que se calculócomo 0.60 de una muestra de tamaño 28.?0.108.118. 8. Demostrar que el cóeficiente de correlación - g.20.(b)99%paralamedia'detodoslosvaloresde y correspondientesa¡ = 6.111.

2 Fuente: Bureau of Labor Statistics 8.128.r (pulgadas) 59-62 63-66 1 67-70 71-74 75-78 9L109 110-129 !e 2 n 8 2 ! p ql 130-149 150-169 170-189 190-209 o 15 L2 4 22 63 28 10 I 1 h tt) . Tabla 8. (c) Calcular los valores de tendencia y compararlos con los valores reales.8 111.y para loa daios del hoblema 8. 8ü 8É ¿Es el resultado válido para regresión no lineal? 8. Demostrar que para regresión lineal 4 = +.5 por mayor 103. 8. (ó) Hallar la recta de mínimos cuadrados que se ajusta a los datos y construir su gráfica. - Tabla 8-42 Año Indice de precios al consumidor Indice de precios al 99.6 L19.8 111. Con referencia a la Tabla 8-43: (o) Representar gráficamente los datos. 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 .r. (d) Predecir el Índice de precio para la asistencia médic¿ durante 1958 y compararlo con el valor verdadero (L44. (e) ¿En qué año podemos esperar que el índice de costos médicos doble el del 194?1949. Hallar (o) s". 8.125. E.2 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 101.4).2 t23.130.L24.(ó)Estimar los pesos de doe hombres cuyas estaturas son 64 y ?2 pulgadas respectivamente. 210-225 I .5 116.3 1r 7.6 I 10.304 CURVA DE AJUSTE.8 114. 19 5 o (t) e.0 113.41 ESTATURAS .126.8 8.1 25.7 114.1 114.8 102.L25. 8.l2S. f¡¡ 32 20 t2 q . (o)HallarlarectaderegrecióndemínimoscuadradosdeysobrerparalosdatosdelProblemaS. REGRESION Y CORRELACION [cAP. (b) Br. El período base es de L94? 1949 : 100. Hallar los límites de confianza del 96% pára el coeficiente de correlación calculado en el hoblema 8. Ilalla¡ el coeficiente de correlación entre las estaturas y pesos de 300 adultos dados en la tabla de frecuencias siguiente.127.4 I14.5 r14.2 r20.1 t 10.129.3 I 10. 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.

¿es g(r) única? Explicar.9 17.5 23.cAP.7 21. 8. 8. (c) Calcular los valores de tendencia y compararlos con los valores reales.6 Fuentet Department of Health. del Problema 8.134.¿(r) es cualquier función de r para el cual estas esperanzas existen.0 1030 18.l35.6 23.3 16. y). Estudiar la relación.132.página265.9 ¿ind 1935 1940 1945 1950 1955 24. Tabla 8-44 Año Natalidad por cada 1000 habitantes 1915 1920 7925 25.¿) donde . Demostrar el Teorema 8-2. Con referencia a la Tbbla 8-44. página 265. (a) Representar gráficamente los datos. E. En el Teorema 8-1. Sean X. Demostrar el Teorema 8-1.9 Welfaie 19. (Sugerencia.132). (b) Hallar la parábola de mÍnimos cuadrados que se ajuste a Ios datos. (d) Explicar por qué la ecuación en (b) no es útil para propósitos de extrapolación. Y variables a|s3fs¡i¡s con función de densidad conjunta (o función de probabilidad) f(x.133. . 8. Demostrar que si 9(r) = E(Y \ X = c) entonces EUY - É(x)1'!) = E{LI'- o(xl¡z¡ + Ells(x) - q(x)l.' Utilizar el Problema 8.8l CURVA DE AJUSTE.136.131. REGRESION Y CORRELACION 305 8. si Ia hay.132 para variaciones explicadas y no explicadas. Education 8.

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

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

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

13¿. Vt. esto es./o2yV/étienen la distribución chi-cuadrado con ¿ -1 Tenrema y ab - 1 grados de libertad respectivamente. . siendo el efecto más pronunciado a medida que la discrepancia entre medias aumenta.cAP.-f. o el método corto. TABLAS DE ANALISIS DE VARIANZA Lo! cálculos pedidos para el ensayo anterior se resumén en la Tabla 9-2.u/o2 tiene la distribución chi-cuadrado con o(b . página 161. Teoremag-3: E] estadístico tad.- ¡¡z Ao s6 = o-1 u6 86 -_ s.Ffs no es cierta. en tanto que el Teorema 9-2 sólo es válido si se supone f/0. V6 y V. de (I9) y (20) cabe esperarse que S.3 r""igual a c2 independientemente de si las medias son iguales o no.a(b-L) j a\o _ l) grados de libertad a : a-L+ ut = )(er¡. que se denominatabla de anólisis de uarianza. Debe advertirse que los grados de libertad para la variación total. va : b)1nt. Esto viene dado en el teorema siguiente. a-I. (10) y (11). y luego calcular u. En la práctica calcula¡íamos u y uo empleando eI métódo largo.1) grados de liberbad. el cual es una consecuencia del Teorema 5-8.1.)2 . pág¡na 116..ab . Pa¡a utilizar este estadístico debemos conocer su distribución. po{emos demoshar los siguientes teoremas fundamentales relativos a las distribuciones de las va¡iaciones V. 9-1: V. es decir. con tratamientos. es igual a la-suma de los grados de libertad para las variaciones entre tratamientos y las variaciones dentro de tratamientos. (3) y (8). 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. Total. ENSAYO ¡ PARA LA HIPOTESIS NULA DE MEDIAS IGUALES Si la hipótesis nula . Si este estadístico es considerablemente grande podemos concluir que hay una diferencia significante entre las medias de tratamiento y así rechazamos f[e. De otra forma podemos o aceptar lfe o reservarnos el juicio dependiendo de análisis posterior. Tabla 9-2 Grados de Iibertad Enüre tratamientos. Teorema 9-2: Bajo la hipótesis nulal{0. vemos de (23) qrr" 33 puede ser mayor eü€ o2.9l ANALISIS DE VARIANZA 309 DISTRIBUCIONES DE LAS VARIACIONES Utilizando el Teorema 4-4. Se deduce que un buen estadístico para ensayar la hipótesis -EI¡ viene dado por 3.: u uu. Es importante ¡ecalcar que el Teorerría g-1 es válido si se supone o no I/s . si las medias de tratamiento no son iguales. Por otra parte.

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

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

. entonces Qz_ D.azar o enor. Todas las medias de bloques (columnas) son iguales. = ¿-1.2"i = "' + #> Pí U. ."& H[2)son ciertas.. 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. pe es la parte de Xi¡ debida a los diferentes bloques (algunas veces denominados efectos de bloque) y a.*t uo lk podemos demostrar que (37).(a-lxb-.. 9-1: V. o¡ es la parte de X¡n debida a los dierentes tratamientos (algunas veces denominados efectos de tratamientos). i = L. sin te- . = 0.. ..t es la gran media poblacional.2).la mejor estima (insesgada) de o2 viene dada por es 3: : ---J:^'" . /"t tiene la distribución chi-cuadrado con (a ner en cuenta a H[rt' or H[.. 8133¡ = o' v (41) También.a es decir ll. decir.+Bk+Ajk Aquí (35) ¡. Si ¡1á') v' A" DZ -= v" . si la hipótesis I1[. sin tener en cuenta a H[t\6 .b decir oj : Vemos de (39) que. de modo que las X¡e son también variables aleatorias independientes normalmente distribuidas con varianza o2 .3L2 ANALISIS DE VARIANZA lcAP. : o )É*: o (36) de donde .¿-1' 6':D. Como antes podemos tomar los ajkcomo variables-.. serán estimas insesgadas de o2 . - 1) (b - 1) grados de libertad..tenemos..o cuyos valores son los r¡r pueden expresarse como X* = ¡tla. Ht".aleatorias independientes normalmente distribuidas con media cero y varianza a2.= eb-l (t z¡ y H.): (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. H32' 0.s) (++l Los teoremas siguientes son semejantes a los Teoremas 9-1 Teorema y g-2. ." nosonciertas.r es la parte de X¡e debida aJ. Bajo suposiciones apropiadas de las medias de X¡¡ te- nemos )'. de(37) y (38) respectivamente E(s:) E'(S:) = d+¿!-. . a los resultados (I6)-{18) E(V. k = 7. Todas las medias de tratamientos (filas) son iguales.. Correspondiendo = 1)E(X.

* . Supondrerfios que hay c valores para cada posición.1 grados de libertad.e.l. En tal caso habrá más de un valor correspondiente a un tratamiento dado y a un bloque clado.V/o')tiene la distribución chi-cuadrado con ab .!'. como en el caso de factor uno. la columna o bloque h y ala repetición /.1) grados de libertad. V. ¿. .r) el estadístico si.V"/n2 tiene la distribución chi-cuadrado con b -1grados de libertad. Más información considerando los factores puede a veces obtenerse repitiendo el experimento. L'.IMENTOS DE DOS FACTORES CON REPETICION En la Tabla 9-4 sol¿rmente hay un '. s c-ls .r * Fr * 7. uc = (t>(tA-j)r b. una tabla ^ análisis de varianza puede construirse code mo se muestra en la Tabla 9-5. proceso conocido como repetición.1) grados de libertad.1 y (c .l¡^i¡l v ^3yS: vienen dados en el teorema siguiente análogo al Teorema 9-3. cambios apropiados pueden hacerse cuando los números de repeticiones no son todos iguales. El modelo viene dado por X ¡xt = ¡.u I' lir. Por conveniencia. Debido a la repetición debe utilizarse un modelo apropiado para remplazar el dado por (35). Análogamente para ensayar la hipótesis I1[!) consideramos el estadístico ^3ySg. el Teorema ANALISIS DE VARIANZA 313 9-5: Bajo la hipótesis H[L). página 312. Pa¡a obtener esto denotemos por X¡o¡ la variable aleatoria correspondiente a la fila o tratamiento j./S3 ti"n" la distribución F con s .1) (b . Las distribuciones ¿" .1.1) (b . Para ensayar la hipótesis I1.'alor ccrrespondiente a un tratamiento dado y a un bloque dado. niveles de significación especificados.!') 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.cAP. Bajo ambas hipótesis HÍ. . Bajo la hipótesis H'oz'el estadístico 3./S. (a-1)(l¡-l) con grados de libertad Residual o aleatoria.1 grados de libertad.. (¿ -l)(¿r-t) grados de libertad Entre bloques. 'L' - u. ti"n" la distribución Fcon b . Bajo la hipótesis H[.tt y Ht2'. Tabla 9-5 Entre tratamientos./o2 tiene la distribución chi-cuadrado con c . El teorema nos permite aceptar o rechazar H3" 6 H3'.*-r)! EXPER. úe = l'Total. Teorema 9-6: Bajo la hipótesis ll[.lc (ú - l)(ü --1) rt1 ar* u" = )(r.I y (c . > (J'j - :L)2 a-l i | 3l ' -ra--1 con cr .

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

Completa aleatoriedad. Pa¡a üseña¡ tal experimento podríamos dividir el teneno en 4 X 4 = L6 parcelas (indicadas en la Fig. que pueden analiza¡se como en la Tabla 9-5. Sin embargo. 9-1 por cuadrados.9-l Fig. El propósito de la aleatoriedad es la de eliminar varias fuentes de enor tal como fertilidad del suelo. 9. aunque físicamente cualquier forma puede utilizarse) y asignar cada tratamiento. etc. Luego podemos ensay4r H. D. En lo que sigue damos algunos ejemplos importantes de diseño de experimentos.9-l . 1.F de 33/0? V GfBi en cambio de esas dadas en la Tabla 9-6.r A B c A C B A c C" Dr Au B6 Cuadrado Compleüa aleatoliedad Bloquee aleato¡ios Cuadrado latino Fis.o) y-H<2.1). indicados por .1. página 306. Dos casos poóibles se presentan. y l/. 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. En este caso podemos concluir que las interacciones son considerabtemente grandes. Por esta razón muchos estadísticos recomiendan que se ensayen I/é'.los detalles de un experimento deben planearse cuidadosamente con anterioridad. para ganar tanta información como sea posible. C. a cuatro bloques escogidos completamente al aza¡. DISEÑO E)GERIMENTAL Las técnicas de análisis de varianza discutidas anterionnente se emplean despuós de que se han obtenido los resultados de un experimento.1) (b .l) + ab(c . utilizando hs íelaciones F de G?liZ v 3:63 reópectivamente como se muestra enlaTabla9-6. esto es 7¡¡ = 0 Desde un punto de vista práctico debemos primero decidir si puede rechazarse o no I[[3) a un nivel apropiado de significación utilizando la relación . esto es oj = 0 I{2): Todas las medias de bloque (columna) son iguales. Il[r) no puede rechazarse. Caso II.9-3 grecoJatino Fig.F' de 3?/S3 de la Tabla 9.2 Fig. B. 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. El procedimiento se ilustra en el Problema 9-tr3.6. Il[3) puede rechazarse. esto es l3*= 0 I{:}): No hay interacciones entre tratamientos y bloques. y utilizando este valor para remplazar el denominador 3! en el ensayo F. Caso I. Supóngase que tenemos un experimento agrícola como en el Ejemplo 9.cAP. 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.4. Esto se denomina a veces como diseíw del experimento. (a . Utilizaremos este procedimiento alterno. Esto produce una tabla factor dos con valores singulares. 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. En este caso podemos concluir que las interacciones no son muy g¡ánAes.j'z) utilizando las relaciones .

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

j=lk=l 'i ) )'¿r.. Verificar las fórmulas cortas (10)-(12).¡.ijk+ñ2\ = i.. Verificarque(o) (d) r: úbÍt(b). )1rc = ))*r* r = abt 9.2(o) en el tercero y último renglones anteriores. = 't)61't).k .r b bI 1. o C..-¿)t )¿i = i.(c) ?'.r-r): i.k )(rji-zx.2(o) en el último renglón.18 49 50 47 19 . i'k f¡*" .=brj. Hallar (c) el rendimiento medio para los diferentes tratamientos.) r:r tenemos K por Ia parte (c).k = )rr¡.utilízandolanotaciónenlapágina307.k abúz )"i = j. + abú2 i. (b) la gran media para todos los tratamientos. . el ANALISIS DE VARIANZA 317 g.D6 I ab¡z s-? -4 ab =. Utilizar el método largo.It - 1'b' Tabla 9-? 9.k 2r@br\ aü*: )"'n = j.u ó un -.2.t) = )(¡.oi-ziri+ñ2) utilizando el Problema 9. (b) (c) Puesto que 7j. -'#(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. . riedad de trigo cultivado en un tipo particular de suelo tratado con químicos A.-!+abEz -* í.k / r'\2 rl rS/rl-zrJ. )r¡.2x)r¡¡ I i. Análogamente = )(¿.4. La Tabla 9-7 muestra los rendimientos en hl/ha de una cierta va- A B C . (d) la variación entre tratamientos y (e) la va¡iación dentro de tratamientos. B.k .]. Tenemos página 307.'*\ u u.18 49 48 50 49 51 50 .cAP. (c) la va¡iación total.3.2(b) en el tercer renglón y el Problema 9.zr>ti. : abñ.

i.4)2 + (2 .4)! + (3 .4. Entonces obtenemoe los datos de la.¡.5)r + (d--5)! -l (5-5)r + (5-5)r 412 9.f B+4+6+b+b¡ = Así la gran media para el conjunto original de datos es 45 * 4 : 49 hl/ha.26. C (b) (c) .5. . = ) @¡¡-E¡. 48 y 50 hl/ha para A. Por tanto los rendimientos medios. 1 = 4. Con referencia al Problema 9. =.yemosqueF.. ¡r. ¿podemos rechazar la hipótesis nula de medias iguales al nivel - 1 : F=$=h = 3 6 - L : 2ya(b .41-B.¿): + (4 -4):¿ + (6-4)2 + (5. de significación del (c) 0. hallar una estima insesgada de la varianza poblacional oz de (c) la variación entre tratamientos bajo la hipótesis nula de igual medias de hatamiento.u = 14-8 = 6 (cl. = i(B+4-f b+4+2t. (b) la variación dentro de tratamientos. Variacióntotal 4 =.6. = !4(B+4+ 5+4. por ejemplo 45. (o) ConreferenciaalApéndiceF. = b)) (é) Variacióndentrodetratamientos Otro método. (a) (b) ? 3 9.01? Tenemos con-o Con referencia al hoblema 9. obtenidog al sumar 45 a éstos. B. Tabla 9-E e (a) por Las medias de tratamiento (fila) para la Tabla 9-8 vienen dados respectivamente rr.g)r + (4.05.4.¿.: i(4+6+5*5) = respectivamente. 4l(4 .)2 t.¡.4¡:: * (3 .Puesüoque^F :6)F. eon 49.4)'. 3 0..318 ANALrsrs DE vARTANZA Para simplificar la aritmética podemos restar algún número apropiado.:l = = r'.96podemos techazar la hipóüesis nula de medias iguales al nivel 0. -¿).4): + (5-4¡: =14 ((l ) Variaciónentretratamientos = tr.4)2 + (4- + (2 -3)2 + (4-3)2 + (:J-U + (5-4¡r + (4-4): 3)2 + (3 . [cAP. = lae+A+3*B) = 5 3.@ir-E)2 = (3-4)r + (4-4)x + (6-¿)¿ + (4.95:4.Tabla 9-8.05. (b) 0. = o.1): 3(4-1) : I grados delibertad.4)2 + (5 -.k = (3. de todos los datos sin afectar los valoree de las variaciones.4)2 + (4-4): + (3 .conut:2yu2:9.

Tabla 9-9 Gg=f.4 ba'i ab 1 i062+t22+202) 0w: (^8\: te.conur:2!uz:9.2/3 n con 2. I¿ tabla de aDáli¡is de va¡ianza para loe hoblemss 9.02. . el ANALIS$ DE VARIANZA 319 (b) ConreferenciaalApéndiceF.9no podemos techazar la hipótesir nula de medias iguales al nivel 0.Pue8toqucF=6(F..4-9. .cAP. (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"?--# : . = 4 +6+5*5 = 20 r = 16+12+20 = 48 Luego D6 1s-.4.06-S8t = (b) Los totdes de las filas ¡on 206-rsz = 14 También rl. = 3+4+6*4 = 16 tz.vemoaqueF.a&-6 .= Dentro de t¡ata 0w=0-0b a -63 ^' .n) = : 2oo 6 _ tg2 = E (c) D-Qb:14-8 . Utilizar las fórmulas cortas (101-(12) para obtener los resultados del Problema 9.?.6 ¡e muestran en la Tabla 9-9.O1.=2+4+3*3:12 rt.9 o(b-1)=(3)(3)=9 gradoe de =14-8=6 libertad 9.6:8.

de como antes. = lrsoor --.ffi : - 245 := . La Tabla 9-11 muestra de unid s.rooo¡ . de las máqui nas.320 Es conveniente ordenar los datoe ANALISIS DE VARIANZA como en la Tabla 9-10. Tabla 9-10 T [cAP. = t4 800 7) = (zoe)r-9q): = u¡. e t T: A B C 3454 2433 4655 16 256 t2 20 r14 400 ) s.ab6-1#¿. cinco operadores experimentados trabajan con las máquinas durante intervalos iguales. por ejemplo 60.'r = 206 " = ?". 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. Tabla 9-12 J Í: ). =48 ?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 todos los datos para obtener la Tebla 9-12.4 y a partir de este punto el análisis proce- 9'8' máquinas didiseñado para .(¡ti)] : ! Los resultados concuerdan con los obtenidos en el Problem a 9.?¡ Entonces = 2356 r. 16= = zs56-246 soo = zrrL (i55 I t.

. u.9. 20 grados de libertad tenemos F . las medias de grupo o muestrales y la gran media. ensayar al nivel de significación del (c) 0.2lIl I ab-I=24 I W = tz.-¡. ?t¡ = 655 tratamientos. Tabla 9-13 Entre tratamientos.t0i Muestra 2 Muestra 3 11 409 401 406 408 405 .05.87 ..i = Gran 8 media = 84 1t En esta tabla hemos indicado los totales de fila.r (2 5):r -l.1456 =ZO I | =.u¡.)! ¿'.f)r!-i tÍf -f)): r t. Tabla 9-15 Total Muestra 1 Media 9 7trI 4 27 8 5 2 Muestra 2 Muestra 3 6 25 32 5 10868 .-i)z -3(9 ' - 7\2 36 ! 5(7 + 4(8 -- 7)! = 36 . Por tanto no podemos rechazar la hipótesis nula a un nivel 0.01 si hay una diferencia en los tres tipos. Utilizando el método largo. Entonces tenemos . y obtener la Tabla 9-15. el Formamosla Tabla 9-13.1 ..-+(8-7)z = 5): 72 -= J'K )(t.)rr¡(.ru r También podémos obtener 72 -- 36 .8 (5X4) t: Pata 4.01.u-1) = 5(4) rA = I l "u ?'.. directamente observando que es igual a (7--9):r-(11. 7):+(11 -?)2+.fti'k ¿rr. (b) 0. MODIFICACIONES PARA NUMEROS DESIGUALES DE OBSERVACIONES 9. La Tabla 9-14 muestra la duración en horas de las muestras de tres tipos diferentes de tubos de televisión fabricados por uná compañía.18-512: rl¡--5rr . ANALISIS DE VARIANZA 321.^.)(r.".l-5rr -.¡r .(10 8r: I í8 __ 8)r -i rG 8): -1.108 406 408 un número apropiado. .102 410 . .-i.cAP.ss: 2. Es conveniente restar Tabla 9-14 Muestra 1 .r. ".05.(i -5r2 .(8 _ 8l: - ... lógicamente tampoco la podemos rechazar al'nivel 0. por ejemplg 400.

=32. 72 t1.01 si (a) hay una diferencia significativa en rendimiento por acre debida a los fertilizantes. + 62 +8r-Q|2 = 72 a6 = ?t-. Tabla 9-16 [cAP.26.2 7. e Variación Grados de libertad Media de cuadrados F D¡=36 a-7=2 n-a=9 io.10. F.os datos pueden resumirse en la tabla de análisis de varianza.322 ANALISIS DE VARIANZA f.0 5. rg. = = 36 (27)2. Rt=3. = 19= 1g 5. De la Tabla 9-15.01. (b) hay una diferencia significativa en rendimiento por acre debido a las cosechas. so:.8 9. CLASIFICACION DOBLE O EXPERIMENTOS DE DOS FACTORES 9.5 Enüonces para 2 y 9 grados de übertad hallamos del Apéndice F que F. Soluciona¡ eI Problema 9. Tabla 9-1? Cosecha cosechas de plantas diferentes culparcelas tratadas con tres tipos diferentes de fertilizantes. ¡=84 = + iL2 + .9. La Tabla 9-17 muestra los rendimientos por acre de cuatro go.-. . ensayar al nivel de significación de 0.02.2 Calculamos los totales de fila y medias de fila. Por tanto ! = n2=5. Utilizando el método lartivadas en Cosecha I Fertilizante A Fertilizante B Fertilizante C u Cosecha III Cosecha IV 6.(32)2 s-5-4 -W = s6 'l)ú = I-Ub Utilizando estos re¡ultados el análisis de va¡ianza procede como en el Problema 9. (25) V Q6l. n=12.?.:25.6 7.(25)2.96 : 4. ninguna diferencia en los tres tipos de tubos) al nivel 0.7 45 8.4 uru so'- 18 = 36 G1=?9=4 = 4. I 5.11. como se indica en la Tabla 9-18. Por tanto podemos rechaza¡ la hipótesis de medias iguales (esto es. 12t nB=4.4 7. 9.05 pero no al nivel 0. Tabla 9-16.8 o.99 : 8. 12..9 6.8 6. las medias de columna y la gran media. como también los totales de columna.9 utilizando las fórmulas cortas incluidas en (24).=27..2 ñ"¡'.

8 .58 F =G?/C?: a.24> 5.6.8 7.8)2 + (5.4¡z * (7.S¡z a (7.5 6.0-6.6 ¡'=0"2/i3=0.0 7.8)2 + (?.ocz Al nivel de significación de 0.6.5 6. .7-6. Tabla 9-19 6.8)z] = 2.6.2 Fertilizante A Fertilizante B Fertiüzante C Totales de 4.8 9.2 6.8)2 + (5.8)2 + (8.9 columna Medias de 19.14.3 .6 grados de libertad.8)2 = 23. .8 -6.6 7.9 .6 .9 68 5.68 u" : Variación de medias de columna con respecto a la gran media = 3[(6.7 8. Entonces.08 ue : Variación aleatoria = Lt .0 Gran total 22.8)2 + (5.8¡r+ (7.8)2 + (6.0 .7 -6.3 5.6.86 gl: 3.8 .6.14. 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.8 : Variación de medias de fila con respecto a la gran media = 4U6.4-6.2 2t.9 -6.:5.4¡z a (6.8)2 + (8.8)2 + (5.S12 -'.6 5. 64 7.podemos rechazar la hipótesis de que las medias de fila son iguales y concluir que al nivel 0.05 con 2.8)2 + (6.8)21 = 13.cAP. el ANALISIS DE VARIANZA Tabla 9-18 Cosecha 323 I Cosecha II Cosecha III losecha IV Totales de fila 24.8)2 + (6.6.3-6.3 Gran media 6.2 8.9 = = 81.6.8)2 -1 (9.8 Media de fila 6.yaque 6.6 columna u. (7. : Esto conduce al análisis de varianza en la Thbla 9-19.0 33.32 U: Va¡iación total (4.zt gl: 2. Fq.7 5.2-6.2 .5 18.5 -6.05 hay una diferencia significaüiva en el rendimienüo debida a los fstilizantes.5-6.4-6.2 23.4 7.r.6 oi = t.2 -6.r.

Los resultados se indican en la Tabla 9-20.88 ab = 23. B.82 = 6.88 = = 18.rol rt .2+23. (b) una diferencia en los turnos. En esta tabla se indican los dos factores principales.10 Entonces s-2 j* tt'r^ 12 ab = vr 1s-r-t' 577.11. Nótese que para cada máquina se han indicado dos turnos.2)2 ¡ + (33.2¡z (19.08 de acuerdo con el Problema 9. .. C.ut - bb4. D en la producción de tornillos.k )"i T a .96 S-z Sro (24. Efectuar un análisis de varianza para ensayar al nivel de significación del 0. 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.n¡z (5.68 .96 bj'j.11.88 2. : lcAP.2)2 (27-O'¡z r.(23.zu 'üc bb4.9)2 = 1673. 554. móquina y lurno.08 = uc Lnezln.2.24 ¡ (22.6)¿ = 2274.324 ANALISIS DE VARIANZA las fórmulas cortas para obtener los resultados del Problema 9.t2.6 = (4. Los días de la semana se pueden considerar conro réplicas o repeticiones del rendimiento de cada máquina para los dos turnos. 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. - 13. Utlizar Tenemos de la Tabla 9-18 i.8+33.2)2 81. Un productor desea determinar la efectividad de cuatro tipos de máquinas A.S¡z a (6. + 24.05 si hay (c) una diferencia en las máquinas.5)2 + (18..82 11 = = 23.58 EXPERTMENTOS DE DOS FACTORES CON REPETICION 9. e 9.G8 = *>t-"ti = |trozs.6 : 577.13.

(31)2. móquino y turno.5 . Esta viene dada por * u" ) obtenemos la 0i = 0"-D¡..)' + qq -ld.S .6-51.6 - 1?9b.1 = 6.4 Para considera¡ los dos factores principales.2 . concentremos nuestra atención al üotal de los valores de repetición correspondiente a cada combinación de factores.-.1 Si reetamos de la variación subtotal u. ZO - (126\2.1795.?_1?e5. 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 rov = 8..0 'tt" = --ñ.4 variación total para la Tabla g-22.¡2912. (119)r_eqq\2 ? 40 - _ 180s.6 = 1b0.0c = 65.ro ro 10 La va¡iación entre columnas viene dada por (zgq)' 40 = 1846. Estos se ordenan en la Tabla 9-22.0-8.3.b .S .. (30)2. la suma de las variaciones entre filas y columnas (u.b --5 .6 : 66. (44)2.(41)2.cAP.6 = 51.5 = 1861. _124)2.6 La variación enhe filas üene dada por (zee¡z 40 a' = (54)2 (85)2t' (6. 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+ . que llamaremos variación subtotal u". + 72 +L02-W = 1946- 1?95. viene dada por -. que es una tabla de dos factores con valores simples. (38)2 ""--6-5 . variación debida alasinteroccion¿s entre las filas y columnas. (32)2.

ce debe a interacción. Al usar este valor en cambio de 2.4-65. 0' = 51'0 i? = tt.Ya que hay 40 valores en la üabla original 9-2i el total de gradoe de libertad es 40 1 = 39.6 + 84.8 1 grado de liberüad.81?.: 4.6 : 84. I¡iabla también da el número de grados de Tabla 9-23 Filas (mÁquinas).3 y 3 + 32: 36 respectivamenüe. Esto esequivalenüe a decir que al nivel 0.! : Sgradosdelibertad.:6.16. Para hallar loe grados de übertad debidos a la interacción obeervamoe que hay 8 valores en la Tabla 9-22. Entoncee ya que F calcul¡do para lascolumna¡es 8. 32 grados de liberüad Fn. - libertad cottespondientes a cada tipo de variación. hallamos para la va¡iación combinada y grados de libertad combinados u¡* u. columna e interacción (ee decir. u= 150.90 para B. B2 grados de libertad podemos rechazar la hipóüesis ll. .5 G? = zltt Aleatoda o residual.61. Si decidimos analizar los resultados combinando las variaciones residual e interacción como lo recomiendan algunos estadísticos. Tabla 9-23. Por tanüo los grados de libertad debidos a l¡ va¡iación residual o aleatoria ee 39 7 : 32. la va¡iación subtotal) ¿L U variaóiOn tot¿l u. De la Tabla 9-23 vemos que pa¡a interacción F : 0.05 podemos conclui¡ que las-máquinas no son igualmente efectivas.65 para el denominador de F en la Tbbla 9-23 no afectan las conclusiones alcanzadas anteriormente. podemos rechaza¡ |a hipótesis flllr ¿" la pógina 315.326 ANALISIS DE VARIANZA lcAP. se halla reetando la suma de variaciones füa. e Finalmente la variación reaidual. no podemos techazt la hipóteeio l/[zt ¿" que las columna¡ tengan medias igualee. 7 (3 + 1): 3. el reeto.F nl: 2.tr ¿" que lar fila¡ tienen ¡¡sdi¡¡ igualee. filas y columnas de la Tabla 9-22). 0c = 8'1 Interacción.06.4 Para continuar debemos determinar primero si hay alguna inüeracción significaüiva entre los facüores básicos (es decir. ya que hay 4 filas en la Tabla g-22La variación debida a l¡s fila¡ tiene 4 .entantoquelavarirrcióndebidaalae 2columnastiene 2-L= Estas va¡iacionee se indican en el análisis de varianza. vemos que F para las fila¡ e¿ 6. 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). Aef. Po¡ tanto el total de gtadoe de libertad es 8 I : 7.o" : 150. Siguiendo lae reglas de la página 315.42.SfSe:2. Esto es equivalente a decir que al nivel 0.. lo cual indica que la interacción no ee significante. que conduce a unava¡ianzacombinadade gL.8 : 91. Puesto que . Para l.o Columnas (turnos). eeto es.06 no hay diferencia iignificativa entre turnos. u¡ = 6. Eeto resulta en a" = Q-(or*o"*o¡l = 7). D" = 84'8 Total. Puesto que 3 de esos 8e deben a filas y 1 a columna¡.

r.t: 4.14. 4 : 5443. También obtenemos el total de rendimientos para cada uno de loe fertilizantes como g€ muestra en la Tabla 9-26.47 para 3.l cAP.Ia variación üotal y las va¡i¡ciones para filas. Ya que F .75 .05 y (b) 0.26 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. D en el rendimiento de trigo. = T*ry*ry 5723.5439. CUADRADOS LATINOS Tabla 9-24 9. Solucionar el Problema 9.' + (10¡z * (lT2 -@5Y 16 5769 - 6439.e0 = 7.01.25 + ry .4 .06 . A este nivel aún no hay interacción apreciable.94 Variación entre filas . 32 grados de libertad y puesto que F para columnas es 3. Un hacendado desea ensaya¡ los efectos de cuatro fertilizantes A.06 : va¡iación entre (77\2 (74\2 (78\2 (71\2 columru lS=?rc= 4 . Hdlamos Va¡iacióntotal : o= (18)? + (21)2 + (25)2+'. de modo que podemos proceder más al.06 = 4. el ANALISIS DE VARIANZA 327 9.06 : 329. podemos concluir que aún al nivel 0. columnas y üratamientos se obtienen común y corrienüe. 32 grados oe libertad y puesto que F para filas es 6.1)¡ ff +ff + ff -5468.01.13 si se utiliza el nivel 0.19 - 5439.. C.49.01 no hay diferencia significativa en los turnos. 29. 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 9.01 las máquinas no 6on igualmente efectivas.15.4 -. 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 9-24.05.25 *9'{ -(fftr = 284. B. donde los números indican rendimientos en dkl por unidad de área. Ya que ¡'.69 16 variaciónenrretratamienros = .lá.51 para 1.19 (2eS1z - 5439. concluimos que al nivel 0. Efectuar un análisis de varianza para determinar si hay una diferencia significativa entre los fertilizantes a niveles de significación de (c) 0.At-ril.

0 : 9. Puesto que se incluye igual número (cuatro) de gasolinas. autos y caminos podemos emplear un cuadrado grecolotino. denotados por o.76.. 7. p.17.9 > 4. 4. Se deduce que al nivel 0. 6.F para tratamientos es 4?.05 hay diferencia en la fertilidad del suelo de una fila a orra. LATTNOS 9. Un aneglo posible es el dado en la Tabla 9-28. 4. D aleatoriamente a filas y columnas.. podemos concluir que hay diferencia entre fertilizantes. como se indica en la Tabla 9-28. 284. podemos aceptar la hipótesis que no hay diferencia enla fertilidad del suelo en las filas (o las columnas) al nivel de significación del 0.' I A.78. Es de interés determinar si hay alguna diferencia en el kilometraje por galón entre las gasolinas A. Ya que el valor de. Diseñar un experimento utilizando cuatro conductores. Puesto que el valor F para columnas es menor que 1. e Filas. Supóngase que los diferentes autos se representan por las filas y los diferentes conduetores por las columnas. CUADRADOS GRECO. D.r.69 Tlatamientos.19 Columnas.328 ANALISIS DE VARIANZA El análisis de va¡ianza s€ muestra en la Tabla 9-27.o :4. 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. 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).05Ia hipótesis de que hay medias de fila iguales.¡.lJtiliza¡ el análisis de varianza para determinar si hay alguna diferencia significativa al nivel 0.01.01. 29. cuatro autos y cuatro caminos diferentes. C. Asignamos las diferentes gasolinas A. concluimos que no hay diferencia en la fertilidad del suelo en las columnas. 11.16. (b) Ya que Fgo.8? (o) Puesto que F er. Sin embargo. B. Tabla 9-28 CONDUCTORES 1234 B. Asignamos aleatoriamente los cuatro caminos que van a emplearse. Tabla 9-2? lcAP. sujetos a los mismos requisitos impuestos a las letras latinas. Así cada conductor tendrá la oportunidad de conducir a lo largo de cada uno de los caminos. B. C. debemosconcluirquehay una diferencia entre fertilizantes al nivel 0. . conductores. i I}¡ 9.19 Residuales.05.76. rechazamos al nivel 0. de modo que cada letra apatezca solamente una vez en cada fila y solamente una vez en cada columna.

Portantolosgradosdelibertadparaelerroresn2 caso n f. (61)2 4-4-4-4-16 4102.50 - 7. -1--4(n-1)=(n-lXn-3).os resultados se mueshan en el análi¡i¡ de varianza.50 La variación total ee (1S¡z * (le¡z + "' + (16)2 + (2s\2 -e66\2 =' 'I | \-vt 16 16. E número total de gados de übertad es n2 . como eigue: Atotal: 15+16+15+16 = Btotal: 19+18+2I+ 23 = Ototal: .60 - 4096 = = 16. ó) Ga¡olinas: (62)2 4267.00 - 6-50 - 11r. (68)2 4 .60 Columnas: . 7. (59)2 . (61)2 .60 ry*ff+ff+ry-ry 4 (16)'z = 4ros. 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. columnaE.50 4244-4096 = 148. (52)2 . Tabla 9-31.60 = 6. C. 4 - (70)2 (256\2 16 Q6A)z 16 QAA¡z = 4112. Dl Caminos: (o' P. (62\2 -. (63)2 .60 I 4096 6.1 para un cuadrado de n X n.60 -4096 = 111.00 de modo que la variación debida al e¡ror e¡ 148. 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. leüras laüinas y letras griegas cada una tienern 1 grados : 4. utilizando el método corto. Filas: a----l---4 (64)2 .cAP.4 . Las filas.00 deliberüad.4-T 4 .6o-40e6 = ?.60 (A. el ANALISIS DE VARIANZA 329 Prirpero obtenemos totdes fila y columna como ¡e indica en la Tabla 9-30.Ennueetro . (81)2 . B.

111.¡z > + ) (x.60 Gasolinas. PROBLEMAS DIVERSOS 9.5. 6).) = bj¿E(Si) utilizando (I6) del Capftulo 5.. ya E(v.". Por tanto podemos rqchazar lahipótesisdequelasgasolinasson igualee al nivel 0. página 308]. donde Sf é define por (15). Entonces. Se deduce que t=L )¡t* )"t j:r ' donde hemos utilizado la definición p )a. 7.s. 5u.s : 29.= .C.26 Tenemos F. J=r - =. Derivar (c) la ecuación (17).. 6. Demostrar que > oj = 0 [(15).} .a:9. B.or. (b) la ecuación (I6).so.3u*3" = op+\'¡ t=L i=l !:t' = (2p)/a.50 2.01. (o) Poi definición tenemos v.28 V F.330 ANATISIS DE VARIANZA Tabla 9-31 lcAP.19.tz = b j=r |Lo rEr' " ' ) = ¿!s? j=1 d.-¡b-l ¡ es la varianza muestral para el tratamiento jr como que el tamaño de la muestra es b. El tratamiento medias de la población viene dado por p¡ Por tanto ac = 9.l)oz - .r. = F* e¡.D). b 3 (¿'-1"'\ -i---t\ b / = a(b .*-i. e Columnas (conductores).-*.500 :?*33=t. Capítulo 5.05 pero no al nivel 0.18. = 9.. (4.50 Caminos (o' É' 7. de Ia página 308.

esto es.21. bSJ/o2 tiene drado con b .) / \ // /\/ ' = b>*?. página 158: ( tr) var (5) =r Var(X) = # E(X) = p (i¡. Por el Teorema 5-6. En el Problema 9. página 309. en (I ) tenemos E(va) = b>[+*(¡.-ab*z j=1 a.) + a.05. más el reeulüado dd hoblema 9. 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.+auxz l=r t=L ya que (f) (21 (.) (d) (7) E(Xj.p6gitn 116. E(U2) = Var (U) + lE(U)12.1 gradoe de libotad.2 9.Enloncex. (b) 0. üenemos E(val = b>86?) var(i¡. tenemos dd Teoreme 6-4. Como ¡e indica en el Problema 9.t) X = ( )It. omitiendo el fndice de la euma.) = pj = p+ai Utilizando los resultsdos (2>(7). + > al - ob¡P (c--t)62 * b ) a.18.. . Por tanto lv(x.+*i):-l -"ufLab J !+rr) " '' ) -LD aoz * b ) (p+ a¡)2 - o2 - s'b. P¡ra hallar la variación debida a larepeticiónutilizamoslostoüalegdecolumna cn la Thbla 9-21. en la Tabla 9-23.bgQ7z) Entoncee para cualquier variable aleaüoria U.-x¡z t=r aa a o = b>*i-2bx)x.cAP. Demostt'ar el Teorema $1.19(o).. ¿Podemos sostener esta conclusión al nivel de signifi cación del (c) 0.P = (a-l)o2 * abp2 + zbp> ". con medias ¡t¡ y varianza común 02.01? Si existe alguna variación debida a las repeticionee se incluye en lo que ae llama el ertor re¡idual o aleatorio. el ANALISIS DE VARIANZA Por 331 (b) definición vt' = a ) 1*r. los diferentes días de la semana. obteniendo u" . Entonceo.20. ¡úgina 161.13 supusimos que no existían diferencias significativas en las repeticiones.8.\12 lBlx¡12 E(xil : E(Xz) = Var (Í) + Pero ya que las poblaciones de traüamiento son normales. = 84. que V-/o2 tiene dishibución chi-cuaüado cón o(b - 1) 9. puesto que las varianza¡ S! bn indep el Teorema 4-4.

01) debi- da a las repeticiones.rpor denota la gran media. Las siete variaciones en las que se puede dividir (1 ) vienen dadas por u = DA+ürJ+uc lTIAB *. l---g 6. sedenotaporxjkl.. . o. es la media de valores para las clases Il y C cuando Ar es constante.7! parz 4. Tabla 9.332 ANALISIS DE VARIANZA [cAP. Describir cómo se pueden utilizar las técnicas de análisis de varianza para clasificación triple o experimentos con los tres factores (con factores simples). es la Tabla 9-32.18.2g grados de libertad.8¡r.0g.22.C{luposdenotadosporC¡. Ao) Barupos. (47)2 (50¡z -.. teniendo en cuenta las repeticiones. La interacción entre todas las clases se denomina como antes la uariación aleotoria o residuol."o = 11. Suponemos que la clasificación se hace en A grupos. g - (268)2 40 = 1807 . denotados pot 41. el número de grados de libertad asociados con esta variación es b 1 : 4.t 2 @¡rt- ú)z que puede dividirse en siete variaciones. Estas variaciones son entre clases del mismo tipo y entre clases de diferentes tipos (inúerccciones).6 = 11. . Sigñificados análógos se dan a E¡ ¡ ! r .Elvalorú¡¡. = 8'1 Repeticiones (días de la semana). e 1t=-+'re¡ (57\2 g (51)2 g . denota la media de valores en la clase C cuando A¡ y B:p se maitienen fijos. T. 8r... Las otras variaciones son las mismas a las de la Tabla 9-23. Reproduzca la tabla de análisis de varianza a emplearse en tal caso. .4 De la tabla vemos que el F calculado para repeticiones es 1. Pero ya que Fe5: 2. C.u¡6.k. Finalmente d Existirá una uarioción total dada por (l) 1) = t.EIvalorenA¡.8 114: ?8. como se indica en la Tabla 9-33.4..4)2 .4 3 Aleatoria o residual a'" | 2. I-a variación residual después de restar la variación debida a la repetición ea ue : 84.767 | -=0.827 = 73. La tabla final de análisis de varianza. 0' = 0c 51'0 Columnas (turnos). Ias conclusiones reliacionando máquinas y turnos son las mismas a las obtenida¡ en el Problema 9. El valor f.ú¡n< .1795...*ucA-. . denotadospor ejemplo.86.32 Filas (máquinas).¡r. es decir.4 Puesto que hay 5 repeticiones.C"..06 (y por tanto al nivel 0.. los días de la semana no eon significativos. podetnos concluir que no hay variación significativa al nivel de 0.. 9.

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

Ensayar a loe niveles (o) 0. e 9. (D) O.os a¡tículo¡ fabricados por una compañfa se producen por 3 operarios utilizando 3 máquinas diferente¡.28.a 9-38. 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 9.30.29. Demostra¡ la¡ fórmulas cortae (3I fl34). (25) V Q6). (b) 0. El fabricante desea determinar ei hay una düerencia (o) entre operarior. (b) 0. Durante un semestre un estudiante obtuvo las calificaciones indicadas en Ia Tabl.01 si hay diferencia en lo¡ neumáticos. (b) 0. 9.06. C.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. Dar la informaci6n deseada utilizando un nivel de oignifi' cación del 0.05.85 Tabla 9-86 9. tres grupos de 5 estudiantes se escogen aleatoriamente. prÁgina 311. donde cada tipo ¡e ha tratado en 6 automóviles semejantes asignando los neumÁtico¡ aleatoriamente.27.24. Tabla 9. Un profesor desea eneayar treg métodos de en¡eñanza I. determinada de sus fibras.01 si hay una diferencia significativa en los métodos de enseñanza.O1 si hay una diierencia significativa en sus calificaciones entre Ssas asignaturas.81. Ensayar a loe niveleg de (o) 0.26. para el caso en que los 4úmeror de oba¿rvaciones dean CLASIFICACTON DOBLE O EXPERIMENTOS DE DOS FACTOBES 9.06. loa resultados se dan en la Tabla 9-39. 9. diferentes. 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) entre máquinas. D.05. Demostrar los resultadoe (24). B. La Tabla 9-37 da los números de mill¡s al galón obtenido por autornóviles semejantes utilizando 5 ma¡cas de gasolinas. Ensayar al nivel de (o) 0. y a cada grupo se le enseña por un método diferente.25. página 310. 9. página 311. Demo¡tra¡ el resultado (30). Para lleva¡lo a cabo. Determinar al nivel de (o) 0.06. Una compañfa deeea ensayar 4 tipos de neumáticoe A. II1. Luego se da el mismo examen a todoe los estudiantes y oe obtienen las calificacionee indicadae en la Tabla 9-36.334 ANALISIS DE VARTANZA [cAP. Tabla 9-37 I\[atca. Se efectúa un erperimento para determinar el número de artículos diarios producidoe por cada operario utilizando cada una de lac máquinas. vienen dadas (en miles de millae) en l¡ Tabla 9-36.01 si hay alguna diferencia significativa en las marcas. I'z duración de log neum6ticor. [. II.

y así sucesiva-E mente.39. el segundo a un estudiante de otro planüel. Solucionar el hoblema 9. 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.38 al nivel 0. la eegunda observación empleando una segunda clase especffica.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.01. (b) las máquinas. los bloques). E 18 22 2L l7 18 24 g.12. (b) las clases de automóviles. SLOQUpS C D E IIIUIIV t2 15 15 19 L4 18 11 16 16 l7 10 t2 16 L2 11 14 11 12 16. en tanto que en un experimento semejante efectuado en el oe¡te da los resultados en la Tabla 9'42. lo 77 9. Analizar el ex' pelinojo rubio Alto Mediano Pequeño 76 81 73 78 76 castaño 80 79 perimento al nivel de 0. Determinar al nivel de 0. varfan significati- aleatoriamen' 5 . B C 16 18 20 15 L7 16 2l 19 18 23 19 2l 23 20 D 9.38. Soluoiona¡ el Problema 9.cAP. (b) la localización. Solucionar el hoblema 9. EXPERIMENTOS DE DOS FACTORES CON BEPETICION T¡bla 9-42 A 9. 9.36. Suponer que el experimentg del hoblema 9.05 ¡i lo¡ rendirnienüos en bla 9-40. a ^ B {amente con (o) las diferencias del terreno (esdecir.01.01. Solucionar el Problema 9-31 utilizando el nivel de significación del 0. Ensayar al nivel 0. doñde los números in' dican 10 en el tope de los graduados. 9. 9.01.05.06 si hay diferrencia en (o) los tipos de neumáticos.g6. \4 9. dUrante díae diferentee.40 utilizando un nivel 0.41. Tabla 9-41 9. Suponer que en el Prpblema g. 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 . / y II.06 de que hay diferencia en (a ) d método de en¡eñanza.33 utilizando el nivel de significación del 0'01. y así sucesivamente.g2. Tabla 9'4O TIPOS DE MAIZ bloque te a los hl/ha. c Semill¡s de 5 tipos de mafz ee siembran en 5 bloques' Cada ue se asignan 0.24ltprirnera observación para cada tipo de neumático se hace empleando una claee espeiífica de automóvil.40.26 el primer valor para cada método de enseñanza corresponde a un estudiante de un plantel especffico.33. Ios réeultados se dan en la Tabla 9'41. (b) las diferencias en el tipo de maí2.3ó r¡tilizando el nivel de significación del 0. roy"t al nivel de 0. (b ) en los planteles.05 si hay diferencias signifiéativas en (c) loe operarios.8?. ts Tabla 9-43 da el número de artículos produeidos por 4 operarios diferentes trabajando en dos tipoe de máquinas.34. Suponer que en el Problema 9. g. el ANALISIS DE VARIANZA 335 g.06 ¡i hay una diferencia en (o) lor ferüilizantes. Ensayqr la hipótesis al nivel 0. Solucionar el hoblema 9.

St. Determinar al nivel (o) 0.S4 Sr. (b) colo¡ de pelo. T3 T4 c6 t7l D. C. 9. El aliñento se da a los pollitos ordenados en grupos de acuerdo con 4 peeos ini- Cr8 464 Dp6 D66 S" ce7 865 BrB c D3 Av6 cr6 9. B.Cz.49 105 103 118 A B 3544 4233 6465 Lt2 10? 90 115 c 108 lr2 93 104 96 L02 .Tc. Cuatrotiposdecable?¡. c16 9. Tabla 9-44 efectúa un experimento para ensayar el efecto sobre el rendiniiento de 4 tratamientoe de fertilizanües A. W¡ . D y las del cegundo por ü. respectivamente. e 9. t¡ Tabla 9-48 contiene los datos sobre el moho acumulado en hierro tratado con químicos A. (ó) 0.Ct. q D. Tabla 9-4t Alto Pequeño Mediano 110 95 Tabl¡ 9. 7. 4 cantidades diferentes de dos compuestoc químicos se agregan a los ingredientes bási co¡. (c) lugar de nacimiento. miden las fortaleza¡ de los cable¡.46. Tabla 9. Tr AB 164 c2 Bf 181 c3 ca Ay 193 193 207 166 c4 D6 160 T. o. w2 BB6 Dog ws Ao5 9. Sz S¡.48. B. 6.43.44. É. Efectu¡r un análisis de la varianza del experimento al nivel de significación del 0.as cantidades diferentes del primer compuecto se indican por A. eetableciendo cualquier conclueión a que pueda llegarse.a diferencias en (o) ertatura.4? c.1. L62 BB L45 cB 2t2 A6 112 86 Do An 188 Bq 167 c7 136 PROBLEMAS DIVERSOS 9. como se muestra en la Tabla g-46.44.47. Ca. BoG Dy l0 Ap8 c6 10 cialee.LATINOS wr ^S.05.05. Wt.C1 .6 . Se obtiene el cuadrado latino. Tabla 9. Soluciona¡ el hoblema 9. [. Det¿rmina¡ a un nivel de 0. y de variaciones del teneno en dos direcciones perpendiculares. El aumento en peso por unidad de tiempo 6e da en el cuadrado greco-latino de la Tabla 9-46. Con referencia al Problema 9. 9.43 utilizando un nivel 0.01 si hay una diferencia significativa en los tratamientoc.05.Cuatro operarior A.45.38 euponer que introducimos un factor 876 c81 o73 Tabla 9-46 o78 E'76 c80 o79 c76 877 w4 CUADRADOS GRECO.r 198 D.05 ¡i hay una diferencia significaüiva en rendimiento académico de los e¡rudiantes debida. B. Efectua¡ un análisiÉ de varianza al nivel Q. donde lo¡ números indican rendimiento de maÍz por unidail de á¡ea. Para producir un tipo superior de alimenüo pnra pollos. Centro. eetableciendo cualquier conclusión a que pueda llegaree. D usando cuatro máquinas diferentes. Oes: te. Wc y 4 especies d-iferentes . Ensayar la hipótesis a un nivel del 0. B7 At4 Tabla 9-4ó c12 adicironal dando la sección donde naci6 el estudiante Eete.Tz. Wz. C.336 CUADRADOS LATINOS ANALTSIS DE VARIANZA IcAP. (D) lae variaciones del terreno.05. T¡¡ fq¡talezas promedio obtenidas se dan en el cuadrado greco-latino de la Tabla 9-4?. ?a sefabricanporcadaunadecuatrocompañfas. . B o C.01 de que no hay diferenci¿ en (o) los fertilizanSe C8 At4 D10 Á10 c12 BL4 D16 D12 B11 811 Dt5 Á10 tee.

9. Ensayar al nivel 0.53.Q. página 312. (b) 0. Tabla 9-51 Alto 9.ó6.cAP. el ANALISIS DE VARIANZA 337 g.Q. página 372.05 si hay diferencia en (o) fertilizantes. Demostra¡ (o) la ecuación (37). Determinar eI nivel de 0.55.05 si hay diferencias debido a (o) los químicos.50.Q. Solucionar el koblema 9. Demostrar el Teorema 9-3. 9. Demostrar (o)la ecuación (39).61. 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. página 309.01.23 y 9. (b)la ecuación@0). Derivar los resultados 9. En los cálculos de análisis de varianza se sabe que puede sumarse o restarse una constante apropiada dp cada valor sin afectar las conclusiones. 70 9. ¿puede determinar si hay una diferencia significativa en el número de artículos producidos en los diferentes días de la semana? Explicar. Veterano No veterano 90 85 Medio ril 78 I. . 9.54 al nivel 0.05.Q' 9. Se realiza un examen para determinar si los veteranos o los no veteranos de diferentes I. (b) la localización. Este Oeste Sur 88 84 86 Medio 80 78 82 Bajo 72 ¿o 9.54. Solucionar el Problema 9.05 si hay una diferencia en los puntajes debido a diferencias en (o) el estado veterano. Con referencia a los Problemas 9. rinden mejor' Los puntajes obtenidos se muestran en la Thbla 9-50. Norte y centro 80 ¡D 79 g. 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.52 utilizando un nivel 0'01. página 312. Bajo I. Analizar la tabla al nivel de 0. (3) y ( ). Suponer que los resultados en la Tabla 9-48 del Problema 9-48 son válidos para el noroeste. Determina¡ al nivel de 0. 9.01 si hay alguna diferencia significativa en los I. en tanto que los resultados correspondientes para el oeste se dan en la Tabla 9-52.62.4g. página 309. Demostrar el Teorema 9-2.60. relativo a diferencia de estaturas. 9.05 y establecer sus conclusiones. (b) I. Determinar al nivel (o) 0. 70 En el Problema 9-42. Un experimento mide el L Q.Q.59. (b) la ecuación (38).62.5?. ¿Es ésto cierto si cada valor se multiplica o divide por una constante apro' piada? Justificar su resPuesta.51. (b) los tres lugares.Q. de estudiantes adultos de estaturas altas.Q.40 suponer que un experimento adicional realizado en el noroeste produce los resultados de Ia Tabla 9-53.5E. Tabla 9-50 Alto I. medias y pequeñas. 9.

Efectuar un análisig de va¡ianza en el cuadrado greco-latino de la Tabla 9-65 a un nivel 0.62 utilizando un niyol 0. e 9. 9.63. ¿Deberíen modific¡r¡e la¡ conclu¡iones obtenidas en el hoblema 9.05 y eetablecer conclusiones. 816 FACTOB 2 c2r 823 416 AL8 ct4 Bt2 ct5 l á18 9. lcAP. ¿es¡rer¡rf¡ encont¡ar un (o) curdrado latino de Explicar.06 y establecer conclusione8. las repeticionec.68.65. 9. Tabla $65 1 FACTOR ar6 863 FACTOR 2 BB L2 C64 Df 15 P" 18 Ae8 cs t4 De t6 cr 20 Bog Ae t7 466 co 9. 2X 2? (D) ¿un cuadrado greco-latino de 3 X 3? .01. 0.7 16 D66 Br7 Haga el montaje de un experimento que conduzca al cuadrado greco-latino de la Tbbla 9-55.21 hallamos una diferencia significaüiva en los días de la semana. 9. Haga el montai dc un erpcrimenüo que conduzca al cuadrado latino Tabl¡ 9-64 FACTOR 1 de la Tabla 9-54. Suponer que en el hobleme 9.69.66. Efectua¡ un análisis de va4ianza en el cu¿drado latino de la Tabla 9-64 a un nivel 0.338 ANALISIS DE VARTANZA Solucion¡¡ el hoblema 9. es decir.64. 9. Montar y solucionar un problema que iluetre el procedimiento en el Problema 9.71. 9.69. En ln práctica.13? Justificar sus conclusione¡.67. De¡cribir cómo emplear las técnica¡ de análisi¡ de varianza para experimentos de tres factore¡ con repetición. 9.

Apéndices .

.

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

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

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

0009 .0006 .0003 .0056 2.5 0.2t31 .3951 .3857 .0002 .0003 .0069 .2083 .0224 .1 .u077 .0.0325 .0036 .0r 36 .2 1.140 .2323 .3697 .016:l .2565 .1 561 604 .0184 .0027 .0016 .0002 .0023 .3752 .0008 .1826 .3352 .1582 .0208 .010? .2t07 .3448 .0 3.0033 .0154 .3932 .Apéndice B Ordenadas (E) de la curva normal t ipif icada enz 0 I .0010 .3230 .1626 .0018 .1 .0101 .0008 .0034 .0013 .0091 .9 .24!r2 .0063 .1989 .1334 .0075 .058.1 .0055 .1040 .r1f)7 691 .0002 .1965 .034? .1415 38 .0003 .0355 .3467 .0551 1.2685 .1145 .0573 .3894 .1.0053 .0219 .2966 .1354 1.0016 .2516 .0008 .12 .2589 .0005 .2780 .3572 .9 2.3725 .0005 .1.0213 .3410 .3668 .0002 .2t55 .3989 .0989 .1771 .0940 .0012 .0ri56 .0009 .3961 .3503 .1057 .3 DA .0030 -0022 .1 .1 7.0028 .4 0.3802 .:1825 .5 2.2637 .3?65 .1127 .1781 .8 I.0863 .3056 .3989 .0893 .0001 344 .0047 .0235 .5 1.2920 .0379 .0413 .0015 .327L .0422 .0396 .3034 .0004 .0707 .381 4 .0310 .0007 .3982 .0099 . ¡ .06{4 .0332 .0022 .1 .0317 .3 IA .0018 .0694 .0i21 .0488 .1758 .0151 .0003 .0139 .6 l.0058 .2 0.1219 .3538 .0084 .r295 .0459 .0119 .1182 .2227 .1669 .0878 .0116 .3 0.0540 .0241 .3918 .0032 .0048 .0004 .0005 .237r .00I7 .00r1 .3910 .0013 .l 163 .0498 200 .0004 .3637 .1 804 .156 .0050 .Dl éo .2513 .0258 .3970 .oI47 .2850 .3372 .0005 .0079 .0009 .0848 .0252 .0 .0681 .0973 .0038 .7 0.0003 .0003 .3956 .0051 .0 0.1872 .3790 .0925 .0005 .0040 .0508 .0014 .266I .0020 .0002 .0478 .2072 .0042 .0387 .0014 .2897 .0060 .000? .óooó .0019 .0010 .3079 .0043 .22i5 .0804 .3945 .0909 .0005 .331 2 3 4 D 6 7 8 o 0.3980 .01?5 .0010 .3521 .1849 .0818 .8 2.0104 .225I .1 .13 .0001 .6 2.0194 .16'17 .0081 .2059 .0093 .0132 .0002 .r374 .3836 .3712 .0004 .3939 .l 2.0270 .0775 .0037 .28i1 .3485 .3988 .3621 .0404 .0002 .3209 .2203 .0007 .3977 .0071 .0734 .8 .0297 .3683 .0761 .2444 .0011 .0449 .2732 .0669 .0431 .2420 .2827 .2613 .0167 .0002 .0003 .0957 .0004 .0025 .0229 .0002 3.0113 .3984 .0371 .o024 .1006 .7 2.6 o.8 0.0189 .3589 .0203 .3391 .2295 .3925 .0046 .0004 .5 3.0031 3.r023 .0632 .3739 .3847 .0198 .3292 .1435 .0088 .0003 .I942 .3429 .1539 .3011 .0277 .0039 .0158 .72i6 .0110 .1895 .0002 .3902 .0002 .0180 .0126 .3332 .10?4 .2 3.0171 .7257 .2756 .01.0096 .0012 .1315 .0006 .1 0.3989 .0002 .1919 .0468 .3867 .2396 .2 .0067 .0007 .0129 .0833 .0790 .0029 .0596 .0290 .9 .0339 oe OA .0026 .2989 .07.0122 .0020 .2709 .6 ¿.1736 .0 1.0025 .1518 .0036 .0006 0004 .0002 .2317 .24G8 .0065 .3555 .3166 .254r .1 tQ .3251 .3876 .2036 .2803 .0519 2.0303 .9 3.3605 .0246 .0015 .3965 .0003 .3101 .8 3.0363 .l lJf]4 .0264 .0529 .0283 .3885 .¡ 3.3778 .0608 .3187 .0012 .39?3 .0620 .0044 .0086 .0061 .002I .0017 .3986 .0006 .1 109 092 1.0008 .0562 .0073 .3144 I .

4803 .3830 .4989 .4838 .4980 .5 1.4864 .485? .3926 .4997 .4970 .4962 .4983 .4997 .4207 .4995 .1915 .3869 .4974 .7 0.4995 .9 346 .4664 .7 3.4998 .6 0.4798 .6000 3.3289 .0359 .)( 2.4968 .48L2 .1331 .8 1.4982 .4649 .4988 .0120 .4994 .3272 .3238 .4993 .2 D') 2.4699 .4982 .4995 .0793 .4972 .4941 .3 1.() 3.4625 .4082 .3643 .3980 .4998 .3599 .4940 .3849 .3554 .4997 .0 3.1808 .0478 .4997 .2357 .3944 .3438 .2t23 .2486 .4997 .4992 .4979 .4916 .4999 .4t47 .4999 .5000 .4545 :4633 .9 2.2642 .4772 .4850 .4918 .4 .4922 .4927 .4999 .8 3.3170 .4989 .476t .4998 .0832 .5000 3.1987 .4981 .2224 .3 0.4904 .1 0.4066 .4535 .07L4 .4998 .3106 .4834 .4998 .0000 .3485 .4890 .4999 .4999 .066? .1480 .6 L.4999 .4382 .1 .5000 .5000 .4996 .2996 .4881 .4992 .1844 .229r .4345 .3686 .2190 .1772 .2454 .5000 .3621 .8 0.4987 .4978 .4319 .1406 .4887 .4719 .4936 .4896 .3413 .4920 .0871 .4793 .5000 .4999 .4990 .4990 .4956 .1103 .4868 .0160 .4906 .5 3.3962 .4999 .4995 .2 0.2794 .4893 .2910 .4999 .4554 .4463 .0319 .0398 .3315 .4878 .0 0.4131 .4788 .3997 .4998 .2549 .1 .4994 .4996 .4236 .Apéndice C Areas baio la curva normal tipificada de0az 0 0.444L .4767 .4115 .4963 4973 .4999 .4966 .t443 .4808 .4989 .1064 .4817 .4993 .4943 .4999 .4934 .L265 .0636 .4999 .4686 .4997 .4986 .1628 .3461 .{o9t .4999 .1ts26 .4992 .4986 .0987 .4967 .4992 .0754 .4999 .3907 .4474 .3133 .0517 .4901 .1L62 .4484 .4898 .4967 .4999 .2881 .4999 .4778 .2580 .4979 .4991 .0 2.4222 .4959 .4678 .4988 ..4015 .4965 .4998 .7 2.4997 .3129 .4884 .4582 .0675 .2823 .9 1.4999 .5000 .4693 .4099 r.1026 .4955 .4525 .4984 .4974 .1368 .4756 .4049 .2422 .4429 .4996 .3264 .4750 .4996 .1517 .4999 .1 .4931 2.0279 .4986 .44t8 .4964 .4951 .3078 .4948 .2t57 .1879 .0080 .4909 .3389 .4732 .4999 .3810 .4997 .4332 .4452 .5000 .4846 .4987 .4993 .4990 .4505 .4949 .3577 .3340 .4997 .2704 .4573 .2967 .4977 .1141 .4706 .4 0.4357 .4999 .4406 1.0696 .4830 .3790 .0948 .487L .2939 .3r 59 .8 .4995 .4969 .4953 .4976 .48(.4994 .4394 .0239 .4998 .2764 .43?0 .2389 .4773 .1?00 .4996 .3531 .3051 .4591 .4998 .4925 .4265 .4993 .3749 .3186 .45L5 .467L .2 ¿-D .4998 .2852 .4997 .1179 .4032 .4495 .1985 .4292 A25L .tzt7 .4842 .3665 .497L .4991 .26L2 .4783 .4913 .4994 .6 3.1736 .4738 .3708 .4945 .1554 .2064 .7 1.6 2.2258 .1591 .4117 .4999 .4999 .4854 .2019 .5 0.1664 .4726 .4306 .4999 .25t8 .2324 .4999 .4999 .4996 .2 1.4999 .4599 .6000 .0040 .4961 .4938 .3508 .4744 .4960 .4821 .3023 .4999 .4994 .4875 .4995 .0199 .1 1 2 3 4 6 6 7 8 I .4998 .4932 .4911 .2734 .4616 .4998 .4946 .4999 .4656 .3365 .4962 .4998 .4991 .3888 .4564 .4 .4975 .0910 .1293 .4929 .1960 .4977 .2088 .0 1.0438 .4192 .4985 .4608 .4984 .2673 .4279 .4981 .

254 .71 L. AgriculturalondMedícol Recearch.54 3.061 .686 .75 L.873 .542 .76 2.39 2.260 t.684 .r3 2.L26 . Fistrer y F.534 .533 t2 13 14 15 .256 .255 .48 2.626 .L27 .257 .00 2.L27 .259 .t27 .?8 .683 .s.630 .889 .25 3.42 2.531 .896 .258 .29 L.04 2.06 2.32 L.537 . Yate.627 1.858 .61? .26 2.48 úes t.zo t.17 3.36 2.869 .L27 .255 .263 .20 2.539 .46 2.256 . Stotistícal T¿bles for Bíological.L27 .74L .534 .684 .30 L.645 t.5L 2.34 1.L29 10 11 . (previamente pubücado por Oliver y Boyd.76 2.862 .03 3.81 1.546 .256 .536 .70 1.866 .257 16 2.72 2.83 1.47 2.530 . Edinburgh).77 1.48 2.t27 .67 1.42 1.79 2.630 .56 2.696 .703 .856 .694 4 6 6 .58 2.256 .532 .96 4.47 2.06 3.711 .09 2.258 r.31 1.32 L.266 .t6 2.260 .33 8 9 .L26 .842 Fuente: R.538 .63 1.82 2.257 .L32 .L0 2.32 1.691 .3L 2.256 .267 2.30 3.t3 2.688 .257 .685 .88 2.325 .38 1.36 3.31 2. .289 .690 .02 2.256 .669 .98 2.681 .727 .60 4.130 .3?6 1.257 .t27 .727 .532 .134 .45 2.66 2.8?0 .31 1.856 .09 2.531 .68 2.44 1.t26 .261 .32 L.96 2.31 .90 2.686 .262 .68 .76 1.31 1.73 1.?18 .532 .816 1.78 2.64 1. con permieo dé lo¡ autores y editorea.36 1.57 2.71 t.697 .66 1.86 1.531 .77 2.90 1.277 .06 2.84 4.80 2.128 .72 1.92 2.71 3.34 1.49 2.46 2.t2 2.07 2.92 6.000 .689 .70 1.700 .692 .07 2.33 .82 6.?l 1.906 .856 .73 1.06 2.158 ..137 .126 .34 1.r27 .649 .861 .27L .L28 .28 t20 € .861 .11 2.08 1.72 1.sgs I .76 2.23 2.68 L.256 .53 2.62 2.L27 .629 .535 .t2s .76 2.80 1.854 .L27 .05 2.18 63.36 t2.r28 .35 1.Apéndice D Percentilrr de (tr) l¡ di¡tribsción f de Student con z grador de libertad v úss ¿oo t.879 .33 1.36 3.L28 .856 .683 .14 3.64 2.624 .78 2.86 2.66 t.978 .14 .256 .84 2.131 .r29 .686 .11 3.18 2.865 .70 1.254 .01 2.128 .t42 .128 .L27 .81 2.765 .76 L.687 .868 .688 .860 .83 2.531 t.258 .szs tse 31.857 .36 1.677 2.62 2.674 . publicado por l.A.90 2.98 1.6?9 .32 1.04 2. 3 .70 2.920 .263 .706 .37 1.563 .883 .684 .00 1.50 2.540 .727 .62 2.96 I7 18 19 .7L 1.876 .94 1.643 1.72 2.66 2.50 3.846 20 I.683 .584 .7L 4.130 .82 2.858 .89 1.70 1.66 9.ongman Group Ltd.941 .266 .40 1.864 .76 3.74 1.92 2.633 .32 L.02 1.33 1.67 2.569 .08 2.zs üeo tso 3.60 2.848 .30 1.32 2l 22 23 24 25 26 oa 28 29 30 40 60 .06 2.863 6.L27 .

o 22.0 104 116 l4 16 16 to.77 4.tl 4.24 1.9 29.2 14.6 43.5 34.6 17.2 46.9 20.3 30.4 32.9 11.3 .35 7.4 35.2 t3.8 28.5 24.6 56.1 10.2 18. Vol.207 . x?o".7 14.6 28.3 69.4 63.1 31.9 34.7 28.30 7.49 11.362 l.2 12.26 6.3 r6.3 I 1.34 9.7 22.1 DD.3 17.26 6.2 28.6?6 .3 13.3 27.6 32.2 11.6 61..39 10.3 42.8 36.73 3.2 6t.8 44.0 16.2 29.7 46.8 14.3 49.8 9.4 83.6 109 1r8 130 t28 140 t24 149 Fuente: E.3 35.8 14.2 29.0 26.2 16.1 ttz r26 13? 64.3 29.86 11.3 39.? 42.3 29. páginas 187 y 188.01 5.63 7.37 3.02 7.6 46.1 13.1 52.1 t2.2 37.1 27.9 30.8 70. Biomelr:iha Tobles fo¡ Stotitticíane.9 12.6 9.89 6.60 5.7 23.8 24.1 12.7 28.8 38.59 10.0201 .25 5.0? 5.7 26.4 43.7r 4.90 27.9 19.4 29.2tL .34 10.5 43.56 3.D'ID r.30 r6.0 11.5 96.4 86.6 90.0 17.9 26.6 19.39 2.S.6 92.7 37.9 40.4 L02 113 rt2 t24 136 98.6 r3.3 61.7 60.L4 6.8 26.8 30.3 24.7 33.6 20.E 42.57 7.4 37.7Ll 1.6 13.58 8.1 37.8 14.92 2.3 27.1 41.7 66.7 2.60 3.831 .8 48.38 9.84 5.6 23 24 25 26 27 28 29 30 40 60 60 70 80 90 100 41.7 7L.9 t8.2 24.6 29.3 t6.2t 11.1 37.67 9.3 5.0 14.0 33.3 99.0002 .4 16.6 54.31 10.4 23..O.t7 4.0 20.3 96.3 26.5 20.6 43.8 13.3 13.6 48.8 32:0 33.2 59.41 ?.0 r 7..8 18.0506 .1 45.102 .7 26.2 67.6 66rB 56.6 12.24 1.3 19.7 18.9 34.E4 6 .34 8.8 12.3 82.26 3.8 43.2 88.0 69.3 69.0100 .5 16.3 89.1 .0010 .8 13.7 7.6 74.3 2L.3 49.18 2.06 3.6 14.0 t2 13 18.9 13.7 18.6 22.103 x?.7 37.0039 .88 10..4 12.0 22.9 43.8 55.6 14.6 32.O' X.9 63.3 71.2 11.6 61.1 27.0 13.8 40.8 79.872 L.6 .3 18.70 3.3 61.39 6.6 4.6 41.4 31..291 .3 14.0158 .64 9.3 13.9 68.0 x2ot x'"0 .3 79.6 24.7 12.6 32.66 5.4 40.9 L6.1 16.L 30.24 10.23 5.04 10.6 L2.4 13.23 5.1 10.3 2L.54 L0.3 49.7 47.40 6.91 9.3 17. Hartley.7 23.23 8.1 8. x?no X.61 2.6 79.2L6 .1 28.81 6.2 31.26 8.4 69.3 67.t 31.472 .2 '19.6 24.0 36.6 33.8 t7.9 17.0 27.6 16.9 39.7 99.4 3. xlo.9 23.35 5.0 44.6t 6.7 16. con permieo de lol autore¡ y editoree.8 20.6 15.9 35.2 36.63 ?.3 46.6 47.57 4.82 4.7 29.6 46.4 16.01 7.8 14.91 7.64 .0 62.3 18.3 61.0 23.6 88.44 9.4 85.0 71.74 7.8 16.67 3.6 12.90 6.3 26.7 76.3 18.0 L07 6.49 2.0 19.9 1t.34 1.07 4.6 tt.03 t.7 25.66 2.6 38.43 8.63 8.94 4.3 59.56 9.7 16.04 7. 1(1966)' Tabla 8.3 53.57 t.35 6.3 23.Apéndice E Percontilas (¡f) de l¡ di¡tribución chi-cuadrado con u grados de libertad v x.6 40.87 6.0 48.11 5.8 45.8 t9.r7 2.2 94.33 3.4 100 t2.83 3.9 40.8 63.6 30.1 12.2 26..2 61.15 1.3 28.7 38.6 46.3 32.? 37. t3.554 .8 16.4 20.455 1.7 73.0 27.3 73.1 39. Pear¡on y H.32 2.20 2.09 2.6 50.2 44.6 21.4 42.gg x?rn y2 ^-00e .0 4L.7 39. x'.79 t4.7 14.1 16.1 40.36 4.5 20.25 7.57 6.8 t7 18 19 20 2L 8.6 25.6 36.L 80.3 23..3 22.1 19.78 9.89 10.3 16.3 32.4 34.5 16.07 3.99 7.3 15. 347 .9 18.7 34.1 77.6 19.3 49.L6 2.70 6.8 26.2 38.3 16.2 74.3 X.3 16.6 2L.6 108 118 8.81 9.6 24.3 11.L 2l.45 4.6 36.9 11. 3 4 o I .69 2.8 67.58 6.6 26.116 .9 48.3 10. .3 22.96 8 I 10 11 4.3 12.5 33.2oo¡ xlo.0 17.8 34.1 90.l 22.9 2t.6 31.06 1.8 20.66 8.2 66.2 62.84 9.2 35.6 36.7 2t.684 1.484 .989 1.O tt.2 11.3 45.26 9.73 2.6 22.3 20.8 67.2L 1.4 32.4 40.6 28.2 10.8 24.1 13.63 6.26 7.0000 .07L7 .

.40 2.30 2.89 8.81 3.59 8.69 1.92 1.99 1.27 2.79 t.69 1.49 2.94 1.84 3.5 9.lL 2.59 3.23 2.95 2.64 2.34 2.92 1.19 4.37 2.t2 4.35 3.39 6.80 2.85 1.47 1.25 2.09 6.4e 3.60 2.87 3.24 3.45 2.4 19.64 2.01 2.73 2.23 2.65 1.34 2.57 2.85 6.t5 2.02 1.r5 2.6? 2.46 2.28 2.Apéndice F Porcentila 95 (nivele¡ 0.L9 2.72 5.04 1.16 2. Vol.13 2.84 3.84 2.57 r.83 2.96 t.18 2.08 3.37 2.r8 2.22 2.84 1.70 2.3 19.78 2.L3 2.28 3.49 2.46 2.91 1.53 r.3L 2.DD 1.27 2.44 3.42 2.62 2.88 4.46 2.25 2.81 8.17 3.1L 2.77 2.07 4.98 2.12 2.46 2.tl 2.?0 1.7L 2.40 2.70 2.L2 9.84 3.58 2.L0 2.67 4.37 2.34 3.48 2.rL 2.51 3.20 3.97 r.38 2.41 3.75 1.65 2.31 2.7r 2.79 8.63 6.20 2.27 3.94 3.66 2.79 3.01 2.42 2.89 1.25 2.45 8 I l0 11 5.7l 2.21 4.60 2. O.42 3.73 4.59 1.64 2.65 2.94 8.09 2.76 2.09 3.61 19.36 3.48 3.52 j 3.94 1.6 10.39 2.35 2I 22 23 24 25 26 27 28 29 30 3.34 3.01 2.34 2.60 2.49 3.4 19.22 1.L8 2.79 2.24 2.r7 2.84 40 60 t20 t.80 t.76 2.85 8.93 5.00 I.93 2.54 2.56 4.67 2.16 6.30 4.74 4.96 5.44 2.95 2.2 19.43 4.11 3.14 3.49 2.90 1.01 2.21 4. Hartley.87 1.25 2.00 2 Fuente: E.32 2.L5 2.29 2.96 4.30 3.53 2.87 3.03 1.LL 2.74 4.66 2.2r 2.35 2.45 2.38 2.44 3.77 t.93 2.07 3.81 t.9L 2.t6 2.26 3.89 1.83 2.75 1.54 4.62 4.28 2.47 3.14 3.6L 2.18 3.18 2.07 1.53 2.71 2.77 2.85 2.90 2.50 1.96 2.43 1.4 19.32 4.57 3.68 2.05 2.84 1. S.77 L.r3 2.03 1.23 2.50 4.16 2.28 4.5 19.07 3.5 19.88 4.03 ¿.16 2.87 t.20 4.80 2.90 2.32 2.86 1.84 1.12 2.06 2.26 6.90 2.rL 2.30 2.37 2.69 5.00 5.03 2.61 2.69 4.07 3.92 2.56 2.82 2.88 1.91 5.80 a.07 2.41 3.96 2.62 1.37 3.02 2.0r I | 4.83 t.46 2.?0 8.28 9.06 t.54 2.26 3.91 1. Tabla 5.45 2.05 4.0L 1.76 1.09 2.45 2.66 1.06 2.2 19.57 2.L6 2.01 1.59 6.95 4.07 2.69 2.94 2. Eiom etriho Toblec for Stotíaticianc.47 2.68 t.40 2.53 3.87 2.13 3.33 2.58 2.08 2.86 2.99 1.84 2. parr le di¡tribución F u1 grados de libertad en el numerador /2 gfados de libertad en el denominador ><.86 5.49 4.01 1.00 3.30 L2 13 14 15 16 L7 18 19 20 2.60 2.54 2.63 2.81 2.04 6.4 19.99 5.4 19.37 2.5L 2.95 1.00 3.82 t.4E 2.6L 2. con perrniro de los autoreo y eütorea.(}51.85 2.35 7.60 3.59 2.3 4 o 6 I 19.97 1.31 2.54 2.79 1 a^ 1.02 r.35 4.19 2.92 4.32 2.67 t.71 2.66 5.23 2.4 19.76 4.97 2.59 2.06 2.L8 2.93 1.5 19.77 2.27 2.01 4.43 2.82 4.32 1.49 2.7l 1.51 2.98 1.46 1.75 4.25 2.44 3.70 2.69 3.01 1.31 2.7L 6.07 3.39 3.53 2. Pear¡on y H.66 2.96 1.61 2.46 4.32 2.10 2.64 3.48 3.39 t. (1972).2r 2.68 3.93 1.05 2.28 3.29 2.11 2.01 8.26 2.58 1.90 2.24 2.68 2.55 8.87 3:70 3.83 2.64 2.76 2.r7 4.64 8.53 2.23 3.88 1.5 19.22 2.t9 2.06 4.34 2.40 2.r9 2.74 2.03 4.70 I 2.96 4.89 2.15 4.73 1.l I D.20 2.58 3.81 1.L5 2.62 2.09 2.g¡. 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 18.35 2.38 3.08 2.20 2.91 3.04 1.23 4.42 2.35 2.92 1.29 3.t0 2.77 4.96 2.18 2.2q 3.38 2.53 2.74 8.98 1.46 2.8z r.98 2.20 2.85 2.41 3.79 2. ¡O 5.53 2.66 2.38 3.41 5.55 2.57 8.L0 2.63 5.27 2. página 178.42 2.93 1.50 3.42 2.47 2.70 1.95 1.28 2.12 3.01 1.68 4.66 8.62 2.56 2.84 4.87 r.6? 3.04 3.08 4.61 2.36 2.74 1.0s 1.71 3.7 4 2:28 2.L2 2.34 2.90 1.60 4.92 2.75 1.34 2.96 1. l'.r2 2.5L 2.78 2.25 2.99 1.29 2.64 1.79 L.96 1.74 2.75 2.33 3.69 3.?3 3.42 2.43 2.86 3.63 3.22 3.38 2.78 t.79 3.t0 | 4.57 2.27 2.4 19.5 19.15 2.62 8.8L 2.89 1.30 2.06 2.01 2.74 2.15 3.59 5.91 1.20 2.?9 r.66 2.84 1.33 2.84 1.35 3.90 1.92 1.94 1.76 1.2L 2.36 2.92 3.39 2.1 7.99 2.10 2.98 2.22 3.85 2.97 3.76 1.10 4.96 1.76 2.0Q 2.55 2.24 2.62 2.46 2.26 2.85 1.49 2.29 3.41 2.L2 3.61 I.53 4.24 2.39 4.94 1.18 3.40 4.04 1.22 2.05 4.35 2.84 1.

66 99.90 3.00 3.95 1.03 2.86 6.38 9.41 9.36 2.03 2.02 3.32 2.7? 7.62 5.r 26.64 3.65 3.39 6.6 5981 6023 6066 6106 615? 6209 6235 6261 6287 99.45 7.04 4.61 4.60 4.2r 5.03 2.16 3.r7 3.94 3.3L 6.82 4.56 3.011.11 6.6 13.51 s.22 5.l 11.00 2.39 3.72 2.01 3.?9 3.r3 2.19 2.4.5 26.?5 8.09 2.80 6.64 3.60 '7.tL 3.74 6.00 2.42 4.82 4.59 3.4 13.86 4.3 10.66 2.38 2.69 3. Hartley.80 2.31 3.33 8.17 4.36 4.2 18.03 5.39 4.23 3.02 6.72 2.5 26.85 4.4L 4.ó 16.3L 2.70 3.63 4.2 14.96 2.03 3.72 6.2L 3.8 99.31 7.77 4.62 4.33 2.t7 2.67 5.78 3.89 3.16 5.35 3.29 2.64 6.00 t20 Fuente: E.68 7.7 10.61 6339 6366 99.55 3.2 29.93 4.36 3. 3 4 o 6 .10 3.70 2.99 5.5 14.9 99.64 7.29 6.88 2.25 3.0 30.oo 7.96 2.31 2l 22 23 24 26 26 27 28 29 30 40 fó 4.57 t2.06 4.51 3. F.29 3.07 2.62 3.5 26.28 4.56 6.56 5.18 8.?0 1.70 2.60 2.5 10.09 3.se.06 4.78 3.98 2.4 27.44 4.09 3.78 2.5 9.60 4.31 3.44 2.38 1.59 3.40 6.81 3. .4 11.21 3.65 8.66 4.20 4.20 4.88 2.49 12 13 6.2 16.52 3.29 8.33 4.26 6.54 5.65 9.19 11.67 3.S.67 2.43 3.01 6.64 4.15 2.11 2t.L2 1.86 1.52 2.30 7.19 5.t4 4.35 4..22 3.10 4.64 2.75 2.07 4.26 3.71 3.60 1.92 2.86 3.49 2.4L 2.4 27.76 2.94 1.59 3.66 2.80 3.42 3.3 27.2 9.08 6.84 6.95 7.07 4.L2 2.0 9.63 3.86 8.1 6.01 3.20 4.99 6.19 l0 99.26 2. 3.52 3.23 5.80 3.94 3.75 3.74 4.50 4.b8 2.00 2.7 99.92 2.10 L2 16 20 24 30 40 60 L20 @ 4062 6000 5403 6625 5764 5859 99.72 5.10 8.78 3.91 .40 4. l4 15 16 4.68 8.7 27.42 2.18 3.84 9.89 3.86 2.20 2.2 13.4 99.8 10.93 z.üb D.72 4.36 3.74 2.44 4.46 7.69 3.57 2.54 3.02 7.4r 5.85 2.46 5.3 14.17 3.30 3.65 2.46 2.32 4.47 2.oD 8 ?. gFados de libertad en el numerador v2 grados de libertad en el denominador x1 I 98.3? 3.0 10.67 2.6 9.10 3.89 4.54 t7 18 19 4.09 3.99 3.46 3.46 3.30 3.04 3.88 7.11 6.58 4.69 2.16 3.07 5.42 2.94 2.2'.59 6.06 6.47 3.46 6.61 o.53 3.41 2.52 4.4 26.98 6.06 2.63 6.L4 5.37 4.63 3.87 2.7 16.94 4.40 8.64 4.40 2.60 6.21 2.56 4.54 2.46 2.37 5.60 3.87 6.43 3.90 2.82 7.9 99.26 4.63 2.95 5.37 2.50 2.APENDTCE F 349 Percentila 99 (niveles 0.5 26.7 13.56 6.39 4.67 9.47 t4.91 5.23 6.51 3. página 180.4 9.5 26.17 3.62 2.99 2.55 8.L7 4.49 5.68 3.88 5.40 3.86 3.31 9.54 3. para ls di¡tribución F v.23.82 4.26 3.3 8.50 4.16 3.87 3.25 4.51 3.L4 4.3 13.12 3.7 14.15 8.70 6.59 1.47 5.26 4.04 3.45 3.2L 6.6? 3.13 3. con permirc de lo¡ autoree y editoree.94 3.78 3.49 2.31 4.66 4.46 3.5 34.66 2.83 2.92 2.84 2.68 99.22 4.48 3.43 4.81 4.63 5.6 14.t4 5.10 2.36 6.99 b.07 3.99 5.71 3.73 7.4 27.56 4.56 2.96 I 10 11 .62 4.3 L2.01 1.18 4.. Pearron y H.83 3.26 4.78 9.70 3.18 3. 2 (1972).30 3.89 4.72 7.54 20 9.23 2.32 3.67 6.0s 1.74 4.93 2.72 7.1 13.65 6 .55 7.9 9.30 3.96 4.18 3.40 4.36 3.68 4.89 7.2 ?.2 99.61 6.42 6.66 6.02 7.41 3.28 4.0 16.36 2.80 5.25 4.1 a.66 3.66 2.72 5.76 1.35 4.29 2.10 6.42 5.86 4.76 3. Tbbla 6.33 3.45 s.58' 2.13 3.08 3.12 4.7r 4.12 3.67 4.93 6.7 10.03 3. Vol.17 3.54 4.78 2.43 3.ó9 3.70 8.60 3.29 7.89 4.31 4.89 3. Biomeúiho Toblec for Statbücbnc.18 5.1 7.47 6.97 6. 8.sz 2.84 2.O.00 2.85 7.96 3.76 4.34 3.63 8.07 6.65 3.84 2.95 4.3 28.68 2.26 3.32 5.30 4.01 5.21 3.0 15.4 99.2 9.l 8 I 99.39 2.75 2.08 3.03 1.78 3.20 2.31 3.02 7.0 9.34 4.5 13.8 99.3? 3.63 4.87 4.79 60 2.Ll 2.93 3.02 2.42 3.66 2.91 6.6 10.94 3.37 3.16 3.86 3.o J 2.81 6. 3 4 o oot 28.10 4.01 .41 3.00 3.35 2.13 2.

Apéndice G
Logaritmor dpcimale¡ con cuatro c¡fra¡

N
10

0

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

2

3

4

5

6

I

8

v

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

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

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

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

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

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

Partee hoporcior¡ales

22 23 24 26 26 27 28 29

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

4728 4742 4757

30
31

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

82
33

84 35 36 37 38 39 40

4829 4969 5105 5237 5366 5490 5611 5729 5843 5955

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

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

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

81114L7202226 81113L6L82L24

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

81113151719 81012141618 810t2L415L7 7 911131517 7 911121416

7 7 6 6 6 6 6 5 5 5

910121415 810111315 8 9111314 8 9111214 ? 9101213

7 ? 7 6 6

9101113 8101112 8 91112 8 91012 8 91011

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

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

4l
42 43 44 46 46 47 48 49 60

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

65/'2 6551 6561

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

5l
62 63 64

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

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

7tt8

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

N

2

D

6

I

350

APENDICE G

351

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

N
55 56 57 58 59 60
61

0

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

2

ó

A

D

6

7

8

I
1474

L23456789

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

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

7435 7513 7689 7664 7738

7443 7520 7597 7672 7745 7818 7889 7959 8028 8096

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

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

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

7

62 63
64

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

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

6 6
6

65 66

ot
68 69 70
7L

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

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

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

6 6 6
6

6 5 5 5

72
73

14

to
16 '/ó
79

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

8791 8797 8848 8854 8904 8910 8960 8965 9015 9020

5 6 5 5

80
81

82 83 84 85 86 87 88 89 90
91

9036 9090 9143 9196 9248 9299 9350 9400 9450 9499

9042 9096 9149 9207 9253

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

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

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

6
5 5 6

6

9304 9309 9355 9360 9405 9410 Q455 9460 9504 9509

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

o9 93 94 95 96 97 98 99

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

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

344

9786 9832 987? 9921 9965
I

9791 9836 9881 9926 9969

9?95 9841 9886 9930 9974
4

9805 9850 9894 9939 9983
6

9809. 9814 9818

9854 9899 9943 998?
n

9859 9903 9948 9991
8

9863 9908 9952 9996
a

3 3

4

N

Valorc¡ de e-^

(0<r<1)
}'
0

I

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

3

4

5

6

7

8

I
.9139

0.0
0,1

0.2 0.3 0.4 0.6 0.6 0.? 0.8 0.9

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

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

.9608 .8694 .7866 .7118 .6440

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

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

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

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

.8270
.7483

.677t
.6126 .5543

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

.5827

.5273
.477L .43L7
.3906

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

.Eore
.4538

.4107
.3?16

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

lo¡ valores

de

e-r

para otroe valore¡ de

I,
=

emplear lar leyes de los exponentes.
.03081.

Ejemplo:

-¿-3.48

=

(e-3oo)(¿-0.r8¡

=

(.0a929)(.6188)

Apéndice

I
Números aleatorios
74640 2349L
601 73

51772 24033
45939 30586 03585 64937
1

42331 83587

29044
06568

4662I
21960
1

62898 2L387 55870 86707 85659
551 89
41

93582 76105

04186 10863

52078
75797
81

25424 45406 82322 20790
98527 30277 60710 06829

1645

02133 79353 03355

31041 96799 65304

56974 12973
36081

37428
171 69

938

50884

19640 97453 93507 88116 14070 rL822 24434 41982 16159 35683

8?056 90581

94271

42t87
74950
15804

95863 51135 57683

5630

64759
56301

09448
21 631

62586 94623
5229A 87843

889

00745 25439
68829 48653 27279

65253
88036 06652
71

67283

85418 16835

49t59

9tt57
17480

7733L

590

t4676
47280

91097

294t4

28L95

47162

362

Respuestos o problemqs suplementqrios
CAPITULO
1

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

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

(c) {5i (d) t5}

k) @ (/) {3}

@) {2,6,3}
(¡¿) {6}

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

(d) {4} (¿) {3} (/) {3,4}

5/36

(c)

0.e8, (d) 2/9

(e) 7/8

) ) (c )
(o

(b

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

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

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

(e) 4/5

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

(e) IL/t6 (Í) L/5

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

(i\ (i)

6/26

52/225

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

(e) Lr/L5 U) r/5

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

1.86.

(a)

3/10

(b)

1/10

(c)

315

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

r.106.
1.107.

(¿)

32,805

(ó) 11,664

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

1260

1.108. (a)

120 10
6

(b) (b)

72

(c) L2 (c) 45

r.r09.
1.110.

(o)
tt.

70

.

1.96. 113 1.9?. t4/57
1.100.

=

1.111.210

8 12
(b)

1.112.

840 ?000

1.101. (a)
r-LO2.

2620

(c\

720

1.113. (a) 42,000 (b)

n:5 60
5040
(b)

lJla.

(a)

L20 150

(b) 2620 (b)

1.103.

1.115. (¿)

46

(c) 100

1.104. (o)

120

(c)

240

1.116. (¿) 1? (b) 163 1.117. (o)

1.105. (r¡) 8400 (b)

2520

20

(ó)

330

(c) t4199

353

354
1.118. (a)
16

RESPUESTAS A PROBLEMAS SUPLEMENTARIOS

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

6rys

¡

ya

1.119.2016

L.r22. (a) 5/L8 (ü) 11/36 (c)

1/36

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

44

(b)

2r

4

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

4152CB

r.127.

(6Ca)(aCz\/MCs

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

Ql

QCz. ¡¡'Ct

*

a'.Csl,l12cs

4(r3Oa\hgC+)/szCss 1025

r.l3E.

(o)

120

(ó)

60

(c) 72

1.131. 2.95 x 1.133. 0.8%

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

aproximadamente - 3

1.f40.

3L26/46,656

1.13ó. vT1
L.146. (a)

l.l4t.

(a)

4

(b) 14

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

4/52C5

r.t47.

2/243

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

126 462 3/32

(ó) , +,- rCn(b) (b)

r

,-tCn-t

1/16 (cl r/32

(d) 1/8
prob. empate

1,151. prob .4 gane

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

=

L26/216

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

2
0

2.38.

(¿)

I
3/8

o

3

2.39.

(a)

0

I
t6/28

.)

f(r)

r/8

3/8

t/8
t

f(r)

3/28

6/14

2.4o.

(a)

t

0

1

f(r)

9/64

r5/32

25164

RESPUESTAS A PROBLEMAS SI'PLEMENTARIOS

365

2.42.

(a)

r
f(r)

0 194,580

1

2 6768

3

4

270,726

69,184 270,725

r92
270,725

270,726

2.43.

(o)

r
F(n)

0

I
U2

2

3

L/8

7/8

I
4

2.46.

(o)

r
f(n)

I
L/8

2

3

(b) 3/4

(c\

7/8

(d)

3/8

(el 718

u4

3/8

U4

2.47.
2"48.

(o)

3

(ó) e-B

- e-6

(c)

e-s kll | -

e-s

F(r)

=

2.49. (al

6l2s

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

2.50. F'(c) =

2.6t.

(a) r/27

(r2/9 0<¡(3 de oha forma l0

(c) 26/27

(dl rls

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

fo

2.66. 2.67. 2.ó8. 2.60.

(¿)

(a)

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

(ó)

/r(u)

= {o

(Ale A = l'2'3
orra u

(d\

6116

(¿)

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

(ó)

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

tl1

*

al

o<a=l v=l

a=0

(a) (ó)

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

2.61

.

(a)

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

t)

=

rÍl'

0

5

Y

=

1

otra

r' O=A=I
0

(b)

l(r+ull@+l) 0 < ¿-< l, = 1o o<rsl,

=Y = otray

1

356

RESPUESTAS A PROBLEMAS SUPLEMENTABIOS

; i . ¡

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

0<rrl'

0=v<1

;
i |

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

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

,=o,u<0

A¿O

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

de oha forma

0 de otra forma

2.72. (o) c(u) =

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

(D) c(ut

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

i:i::
de otra forma

o

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

0 de otra forma

=

" {; '' 1"1í,""1.",t
I

2.82. c@)

=

{í'"-''u

:::

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

2.E3. l/4

-" ;: ;

2.s4.

s6/2*g

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

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

-

7e-o

2.89.

(a) c = (a)

1

(ó) 8e-2 c2=

,

2.9L. 2.s3.

cr=2,

I

- e-4 (ó) 9e-2-lAe-s L0

-

ze-r

(c)

4e-s-4c-?

(iI)

e-z-¿-t {ó

(el 4c-s

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

2's6' (a)

{r-^''
-rn2)

1"t"r0.".,-" (ó)
(r)
o1+

{;t'-"
zlrn

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

2.e0. (b) ;(1

lrnz

(¿)

2

,

2.e8. s(?)

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

2.ee.

(b)

7/L8

2JoE. \/r/z

3/2 (bl 3e/4 (a.50. pn=33 (c) (bk+r'st<+r)/(k* 1Xb-o) peiaa (sen (ó) [1+(-1)k](ó -a. ps: -5. 3/2 n (b) -2e/6 Lla !4 3. 3.61. i¿l p4=230718960 2a 3.65. (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 3.66. Ft=2. pz=7-.\klzk+t(k+ll I qeiab co)/ao 3.45. 3. p¿=35 (b) pr = 0. 3.44./3s12 3. Fz:3/80.\ +(et/2+e-t/2) = cosht (ó) p=0. o*=1/t5/ZO 4 (b) 2 (c) . pí=0.74. (e2ia-Zie2ia-ll/"2 (a) (¿) (¿) Lr/144 (bl rr/L44 1c¡ t/iJttz (¿) (¿t) \/-LUr2 (e\ -L/L4a 0 -!rr 1 . 3. (o) 1 (b) (o) Var(X)=5.ezt\/zt2 (D) p = 4/3. (o) (a) 1 (b) I (c) rla (c) 3.54.E1. <1 (ó) p = l.5 3 (b) r3n/6 (a) 35112 @\ (ü \Elm. 3.64.72.67. nx=lE (al (a\ (ü) Var(X)=3/80.E4. (o) (f + 2te2t . 3. Fz:5.82.46. 3. 10. (c) 315 3.62.'PLEMENTARIOS CAPITULO 3 3. 3. yí= 6.79. 3. 3.ó6.43. pá: t6/5. p3 =-L2lll60.78.62.83'. (c) 1/(1¿). pl:L L6/3 3.6E.47. 3. 3.55. (a) 1 lb) 7 (c) 6 3. 3. 3.7 3. 3. pí= 2. pi= 2.(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) \. pi= Al=0. ú= (a) h=0. 3. (a) (a) 2/3 (b) 2/3 G) aB 7/a (c) @\ Als 3.60. (a) (3r +2\/(6r*3)para0 5 ¡<i t¿l lsu+Z)/(6u*3)para 0 = a = | 3.E0.68.48. 3. 3. 3./m/L8 (d' \rzssñ8 (e) -9L/32a (Í) -sr/235 4 tb) 4/\/35 -t/tst¿. 1e/10 (¡t') 6/6 a/3 @ 1 \Ng 3. 7/0 (ó) 6/5 3.77.57. pí=1.RESPUESTAS A PIOBLEMAS SI. 3.69. (a\ l/2 parae>O (b) lParay>0 .5e.

125.116.###parao < nr 5r 3.91.113. (d) 1- (1/\. (o) (c) 3 (ü) 3 3.123.05r 3.120.358 RESPUESTA"S A PROBLEMAS SUPLEMENTARIOS 3.121 .10a.89. (a) 3. (o) 1 I (ü) (ó) (y'3. (a) 3. (o) 0.94. (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 3.109.114. (¿) 3.126. 3.[o ) 3. (¿) 1/y'5 3.127. (a) x Var (Y lX) 0 5/S I 416 2 (ó) Y Var (X I Y) 0 I 2S/36 2 24t49 3.5 02. (o) 1 3.105.eziarlznl u) 12/6 3.r/r-tsnflo) (ó) \F@i @ tlfr.. .17 (c) 0.10E.85.L22. 3. (a) (b) r/4 (b) 0.118.100. (al 3.90. (o) 3.o)/6 (a) -7/27 (c) 2(et-l-t¡¡¿z -Z(e--l-ü¡¡"2 (e) r/136 3.124. (o) no eriste (ó) (c) 3 -1 (c) e-z *0 3.e2. (o) (ó) ln 2 (D) I 3. ffiParao rle (b) 1 6x2*6n*L s r:< I .1or. (b) 2415o (ü) e (al (a) (b) 6/e (b) 1/18 (c) (et * 2e2t + Sezt)16 (d) (d) (eto + 2e2to + 3e3. (o) (a) 3. t"l .f 6/9 7lr2 o 3.119.1)/4 (c) 16/81 3.8/2 (ü) 1/3 (c) 0 .ze-t (D) no existe (al 2(\F-Ll/3 (b) L6t7 2 0 2 7/3 r/3 2t/2 (b) e 3. (a) r 2 0 (ó) 8(21/2-r)/L6 (D \. (a\ L 3. (o) 3. (o) (c) 8/16 1-+y'3 (bl v2 3. (bl 3614 (1 @l atg (b) 2/e L (c) * 2te2t - e2')/2t2 (el -2\/fr/r6 (d) -(1 + zibe2ia .103.

2511 (b) 0.15 (b) 0.1342 0.68. 4.E1. (al93% 4.87.849 (e) tt.7t.1494 0.2991 (c) (o) 0. L93t5t2 (a\ @) 32/243 (bl re2l243 k\ a01243 (dl 2421243 42 (b) 3.67. 11/16 (dl 518 (a\ r7lL62 (a\ (a) 5/16 (c) 4.85.4 (¿) 0.78.9962 (b) 0.5.0089 (o) (o) 0.66.t9.74.0687 0. 4. (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. 359 CAPITULO 4 4.90.1127 (dl2.0668 (a\ 20 (b) 36 (cl 227 (cl (d) 40 @) 15% 4.93. 0.0286 (d) 0.0838 (b) 0.1008 (c) o.08 (d) r. 4.7% (b\ 54.E6.5976 (c) 0. 4. 4.03?5 0.e265 (d) 0.0154 (e\ 0. 4.75 (b) -1.80. 4.82.0658 4.E8.73.89.7% (al e5.90 75.4% (bt 23.0% (c\ 93.224r (e) 0.726t (/) 0. (c) (p) 0. (a') pl (b'l npq(l - 6ps\ * 3n2p2q2 -1.a7% 4.995 0. 4. 4.9198 (c) 0.6826 4. 4.06131 .69.t"/o 0. 4. 4.9495 (b) (ó) 0.61.64. 4. 4.8?67 (b) 0.6 (b) e (b) 72.63.77 (a) npq(q (o) 1.0079 0.92. 4.77 (c) 0.G¿s 4.6404 (d) 0. 4.7123 0.66.4232 (o) 0.550 (c) -0. 4.1680 (/) 0.2241 (d) 0. (o) 0.049?e (ó) 0. 57/6a Q\ 2r/32 (b) (ó) 4.0?86 (c) 0.76.84.9500 0.s27 1.3% (a) (o) (a) (o) 1.76. 84 (bl 8.626 ó 0.62. -0.0567 (b) 0. (a'¡ 6L. 4.86 (c) 2.91.03eb .E3.I RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS . 641243 25 (c) 500 4.05610 (b) 0. 4.

(a) 0.64.b9 84.40 oz.136.t : 5. (a) 0.008 oz oz (ó) (b) pX pX = 22.Lo4.s 20. (a) 0 4.49.4O 0.9544 5.) 4'106' (c) 4.gs (e) z.35 L7e.47 (c) 9.40 oz. ('f) (l?)/(l?) (iSX?SXtt) sla 0 (b) (ó) (ó) (ü) l(¿ocoxzoc2ol+(4oc'l(nctsl* (qoc)(ncnl)taoczo 4.s? 4.3/8 4. (o) 0.2 zr.L32.04462 (c) 0. (a) 0.r2o. (a) 1. ¡2.2 4l.0e (c) (c) (c) (c) 1. (o) e.? 3/4 16. o* = 0.0 (d) 8.58 5. (a) ?0/429 (b) l/143 (c\ L42|L4B 4105 (. (a) 9.71 (ó) (b) (b) 1.000295 4.L4L.000948 (ó) 0. Ll4 aJLa. 22.l 86.2 2s6. (a\ 3/4 .2 (c) suponiendo áreas iguales en las dos colas.13?. (Q 4.rr3. (a) 201.0 (d\ 2.73 -0..76 1. (a) 2.62.75 1.111. (a) L22.BB (d) -0.4972 (ó) 0.0228 (c) 0.0000 . (o) sx = 22.8164 (ó) 0. o* = 0.8 68.00g oz oz oz. (c) p. (a) (d) (el 2. (a) (ile)/Q?) .48 4.s5 z.ro9.0 (b) 4.L26.005? (b) 2 (c) ninguna (dl 24 6. @\ 4.138.47 (c) e.101.008 = oz.B 4. oi : 6. (a) 4.o rí.7 (b\ 4.130.62 (b) CAPITULO 5 (c) 0.L29.1 4. 0. (a) 4. (a) e.84 (d) 4. (o) 5/3888 (b) 5/324 4.LB 4.94.2 (c) (c) (c) 2B.50.ro2.81 (bl2.4 ft\ *e-tn -1"-.1? v 7!r= !4.r y 26. @) 2.60 3.166 6.1b82 (c) 0.861 (. - 2.68 2.r03.0918 (d) 0.r?r.03 (¿tl 2.5 (b\ 4.34 2.s a8.360 RESPUESTAS A PROBLEMAS SUPLEIVTANTARIOS 4.6e64 (/) 0.40 o¡ ligeramente menor que 0.00J8 (d) 1.1033 (c) 0. (o) B0. (a) 237 22.0 (b) (b) 4.55.8b2 (e) 0. (¿) 4.51.0 (b\ 4.00248 (b) 0.53.829 1.128 (d) -1.128.3 (d) (d) 55.L27. 82S\fe (b) (ü) (b) 2(b-al4/6 e/5 113 6.16 5.0620 4. (a) r 4.75 2.tr2.160? (d) 0.136..

11 5.LL2. (¿) (o) (¿) (b) (b) 0.105.0026 6.003 pulg.99. (o) 0. 5.113.1. (c) 146.50?.8869 28.0.65.t7. (¿) 0.6 (d) 10995.101. (a) 82 6Jo2.8664 (c) 0.91?2 6.7o.90 5.166 ó 16.. (ó) 38. 80Eo. (c) 0.9t.0% 76 5. 5.0136 0. 12.72.97.104.tO.73. 5.1841 (cl (o) 118.6% = 0.74.60 5. (al 4018 6. (o) 0.33?6 pulg.6 (fl @) a6% 100 (horas) (s) 62/a00 (h) 25. 8. 5.76. 0.68.326-0:328.1%.a84 5. . (ó) 0. (o) 10. 86 5.94.26 5.. 0.33? 6.8 lb.20% ton. 0.E6.o% 78.9596 (c) 0'1161 .6.111.326.47 (ó) e = 5. 501.01 (b) menor que 0. (a) 5. (c) 0. 6 0 -1 (ü) 40 4 6 (c) (c) 288 (d) (d) 2188 (b) 0 26. 5.3196.63.60 1'.323-0.01.?9 0'0228 lb (b) 0. (o) (o) (ó) (ó) 11.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 5. 6. 0. 5.00496 pulg. .2160 (b) 0.0028 (b) 0.7349 pulg. (o) 0.00 6.10 5. 5.72642 pulgadas 26.9 lb 5.01 (b) entre 0.62. 5.59.82. . (a\ 2.100. (a) 24% (b\ rL% 5.108. (o) 5.0 s ?9 5.6% (il 0't ts.. 78 á.86 (ó) (c) -e1 (d) 63 .60.36 (ü) (ü) 0'17 0. 0.56. (a) ?99 (ü) 1000 (e) (c) 949.76% S. 1199.3%' 99.49 (c) 0'28 5. 99. 5.0064 (c) 0'4504 5.01?9 5.t1 5.09 tons.3226. .0.93. (b) 0.?33 (c) 0. O.33f0. .L6 (ü) 0.3265. 6.00?? (ó) 0.0019 (ó) 0.0482 .06 pero máe cerca a 0.5E. .?4 lb I 2 (d) 126 0. (a) menor que 0.322.60 0. 11.49 0.e5. (o) ñ = 2.67 0.2 6.81.0316 5. (o) 0.96.1o9. (c) 0. 6. 0.7L. (a) 2 6 6 (b) 996 (b) (c) 218 12 5. 5.3204. 46 (@) 0.01 (c) menor que 0.106.0006?6 pulgadas (b) 72.66.92.01 y 0. (@) 0.

38 384 (b) al menos 221 (c) al menos 666 (d) al menos a 1.131.38 I (a) 0.0ab t 0. 6.35 (e) 26.127. 42 5.3?.36.112 .38 (a) ?. 0.2 (d) 7158. 0. 7 RESPUESTAS A PROBLEMAS ST'PLEMEI. 26. (o) 9. m1 :0.68 a 0.?0 * o.?0 r 0. (o) 1.000025 pulC.. 6. (a) 0. (b) 0. (q') (c) e2.5 lb (b) 0.tu.84914 6.049 segundoe 6. (o) 0. (o) ?8. (¿) ffiz: 0. (o) 0. -1r7.69 I 0. (d) 032642 a 0.0586. (o) 0. (a) 5.362 ó.7.000072 pulg.7.129.118. 1193.546 2.29.36.241 7.5 horas. n4= 0 -0.124.116. (o) (b) 105.09? (c) 0. 0.72ti42 t 0.115.96 onzas t t I 0.86 lb reepectivamente 6. (a) 1200 hr 6.000060 pulg. 2. 0.298 0.72642 + 0.128.16 onzas 0.72642 + 0.r5 (c) 0. m1- 89.09 t 0. (bl 0.?8 y 0.Se (ó) ?.¡'TARTOS 5.22 0.40. (a) 0. L9.38. (a) 6.82. (a) 11.298 t 0.41. 0. 101. m1 = 0.117.11 (ó) 0. (ó) 11.125.0090 CAPITULO 6 e.428 24.18.53743. 0.2344.43. Las estimas de las media¡ de la población son 1200 hora¡ en todos los casos.41. 5.2464 (b) 52. tb9 5.045 6.12t. rn2= 5.18 tons. (o) al menos 96 (ó) al menos 68 (c) al menos 16? (d) al menos 225 900 (o) al menos (o) 7.62 r 0.130. (b) -4.122.u (o) al menos 323 hr (b) al menos 560 (c) al menos ?66 (b) 1.?3 onzas onzae (ó) Z.12 hr t 0.39.25.82 0.09 t 0.28 (b) (s) ?8e. 60 y 100 tuboc son respectivamenüe.24 tons.L2.24 lb2 (c) 0.493e (b) 5.0 y 100.123.00002b pulg. 0. 6.72642 t 0.07 t 6. 0. ms = 0.126.030 eegundoa (D) 0.045 0.88. 6.94 Laprimeradistribución (a) la aegunda (b) la primera 5.30.000085 pulg. -0. 101. = -3.0696 r¡¿o 560 (c\ r.6. 6.4 4 (i) (il 706.22.9?. 6.70 t 6.97.e5 5.62 6. 6.34. 6.1 ó. (o) 0.4 hr Las estimas de las desviacionee típicas de la población para los tamaños de muestra 30.38 (hl 22.31.33.2 (b) 0. 0. ó.2 106 (ü) (b) 8.36206.073 i 0.0? (b) 0.74 5.20 (f) 7. (c) 0.000095 pulg.09 t 0.

(b)0.9a1 a 2.269 (o) 0.ó2. (Hi p> 0.78 (b) 0.5 (ü) 102.1 a 288. rechazarla en caso contrario.24 249 onzas lb (ó) 63.ó4. (c) Aceptar la hipóterie ¡i las bola¡ rojac extrafdas esüán ent.654 a 1.5).17.60.250 6.01 en (o) ni en (b).2606 7. r = .52.. (o) a 230.46.8 l: 0. (o) t¿. 7 No se puede rechaza¡ la hipóteric al nivel de 0.9 6.20.45.99. 2400 t 45 librs¡. (d) Rechazar lfe ei se extraen más de 41 bolasrojas.58. (o) No se puede rechaza¡ Ia hipótesis al nivel de 0.944 (b) 0. (a) al menos 87. en ambos nivelea.05 en ambos en!¡ayos. 0. (a) 95.8 t 0. 6. 139. . (b) Ensayo unilateral. 7.31 onzas 6.65.6% 105.63.1 horas 6. y se acepta en ceso contrario (o no se toma ninguna decisión).8 (b) 0.458 a 4.?41 a l.70 (b) 0. 6. -= 3' 2tritl "'+r3l 6.r. (a) Aceptarlahipóteeissilasbolasrojarextrafdasestánent¡e22y42 rcchazarlaencasocontrario.5 horas (b) 88. (a) 63. (c) 106.56.67.58 e 2.70 6.6 horas 2400 ! 59 libree (b) 87.5 a CAPITULO 7 7.66. mediante un ensayo unilateral en ambos caso8.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 363 6.58. Se puede rechazer la afirmación a ambos nivele¡ mediante un enaayo unilateral.259 a 5.1 a 140. 1.4 horas hora¡ horas (b) 78. k = -lln - (ct.79 kl) t2.. (a) 0.15 6.06? a 1. I _ ()rr)/r¿ 6. (a) 1800 t 6.05. El re¡ulüado significativo al nivel de 0.05. (a) 6. es 7. 7. kt') 0.06 (c) t2.14 (a) 0.51.49.64. .69.Bb 6.8 horas 6.519 a 7.1 a 148. 6.lre 24 y 40.4E.68. Sí.673 a 2.6 ¡ a 1g0.7O.5). 86 lb (b) 1800 t 328 lb (c) 1800 t S82 lb 6.02 (a) 0.9 1?0. (b) Se puede rechazar la hipótesis d nivel de 0.) (e) t2.138 a 10. (a) (IIe: p=0.0 4802 (ó) al menos 8321 (c) al menos 11. (c) Rechazar 116 si se extraen más de 39 bolasrojasy acept:ula en caso contrario (o no tomar decisión alguna).50. ?.69.00 (ó) 13.62.61. 7..63.

Concluirfamos que el resultado no común al nivel 0.01.El' 7 Un ensayo unilateral muestra que el proceso no debe inhoduci¡se si el nivel de significación adoptado es 0.0.79.A1 \¡¿ - lar frecuencias esperadas con 108.98. 13 y 2 respectivamente.3.7.e0.l0l. (a) 0. [.t9. ?. (o) 6 (D) 4 7.0118 7.64 + 0.tO.96 onzas (D) 8.6t)l-r. ?. 14. pero no al nivel 0. 4. 4.2. (b) Un ensayo unilateral muestra que I no ee mejor que A al nivel de 0.01 .05 pero lo es al nivel 0. 7. 43.82.7ó. 3. 60. es 7.83 onzae (c) 8. 7 . El aparente incremento en la vai'iabilidad no es significativo a ninguno de loe dos niveles.7 respectivamente.94.RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS 7. Un ensayo bilateral a ambos niveles muertra que el producto no cumple con las especificaciones. 15. 7.?. 7. bilate¡al muestra que no hay eúdencia s ni¡guno de los do¡ nivdes de que la duración media haya 7.20. Podemos conclui¡ que la primera varianza es mayor que la regunda a ambos niveles.05. la¡ frecuenciae esperadar son 32.6. (o) Un ensayo bilateral indica que no hay diferencia en la calidad de fabricación al nivel de 0. 13. 7. al eegundo. (o) t 0.1.64 (ü) 0.9. Mediante un ensayo unilateral al nivel de eignificación de 0.96.6 respectiVamente. 5.0 respectivamente. Un enrayo unilatetal a ar¡bos niveles de aignificación muesha que la marca B es superior a la marca A. 9.86.1.0.ae frecuenciae esperadas eon 1. 7. no 7.05. 7. Las frecuenciae esperadac 8on 1. 66.84. Un ensayo unilateral rnuestra que a ambos niveles el contenido -nedio en cobre es más alto que el señalado en las especificaciones. . 50.01. 7 (a) si (ó) no .3rL2 8.2.7.9.06.?.1. 7.7 respectivamente. 11.05 pero no al nivel 0.4. No podemos concluir que la primera varianza 8e¡ mayor que la segunda a ningún nivel.5. pero no lo e¡ con un ensayo bilateral.81 ln 7.6. concluimos que el primer grupo no es superior .36. 12. E resultado es significativo a este nivel con un enar¡yo unilateral. Las frecuenciae eeperadas son 41. 0.63 onzas 7.0.32)r(0. 7. pero debe introducirse si el nivel de eignificación adoptado e¡ 0.E5. f (r) = aC"(0. E aparente decrecimiento significativo al nivel 0.0118 (c) 0 (d) 0 (e) 0.99.64 1 0. Un ensayo cambisdo. 53. y 4.6.1 y 1.34.71. 21.72.76. Un ensayo unilateral muestra que el nuevo fertiliz¡¡¡¿ superior a ambos niveles de significación. 23.77.06.1 y 0.4.6. Un enrayo unilateral indica que no disminuye la media a ninguno de loo do¡ niveles. 7.4. 49. 7.2.87.01.05. 7. no ¡e deduce que haya diferencia de acidez. es ?.e5.1O0. 7.73. f (x) = T.05.E3.7 y 0.8E. Mediante un ensayo bilateral al nivel de aignificación de 0.7 Un ensayo unilaüeral muegtra quc la diferencirr e eignifrcaüive eB al nivel 0. 7. 7.2. 39.78.

No al nivel 0. Puesüo que la dietribuciónbinomialdaunbuenajustedelosdaüos. . No hay razón para rechazar la hipótesis de que las monedas ¡ean hon¡adas. 60.105.2205. ?.RESPUESTAS A PROBLEMAS SI'PLEMENTARIOS 365 7. La diferencia ?.05. La hipótesis no puede rechazar¡e al nivel 0.109.05. ?.108.124. (a) 0.104.05 pero no al nivel 0. (a) 0. Mediante un ensayo unilateral.118. 7.132. 7.05 indica que á tiene una mayor proporción de bolas rojas que B.0.1L7 .06. 1. 0.115. (b) (b) 7. (o ) 10. tul e no (b) 10 si (c) 10 (d) 8 7.13?. 7. (b) El ajuste es bueno pero no "muy bueno". (o) El ajuste es muy pobre al nivel 0.3179 (con conección de Yatea) 7 .106.103. (o) 7. La hipótesis no puede rechaza¡se a ninguno de lo¡ nivdes.06.465t 7 .05.06 pero no al nivel 0'01.3863. La hipótesis no puede rechazarse a ningfin nivel. No puede concluirse que la marca A 7. 7 . La hipótesis puede rechaza¡se a ambos niveles.1985 (conegida) (D) 0.114. 7. La hipótesis no puede rechaza¡se a ninguno de los niveles. Igual conclusión.t25: 0.116. (c) si no si no (c) no (c) no ?. (o) El ajuste 7. ?.0738 (corregida) 7. 0.0872. 7. sea mejor que la B d nivel 0. La conclusión es la misma. .L72.138. (b) El ajuste es pobre al nivel 0. La hipótesis puede rechazarse al nivel 0.109. 7 .133. bueno (b) no (o) El ajuste es "muy bueno".134. 7. (a) (b) (c) no ?. el re¡ultado er significativo al nivel 0.05. 7. (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). 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 0.139.11f es es significante al nivel 0.129.LO2.05 no rechaza la hipóteris (b de proporcioneo igudes.10? . ? . (a) Un ensayo bilateral al nivel 0.01' 7.05. El proferor nuevo no sigue las miemas nortnas que los otroe.L23. La hipótesis puede rechaza¡se a ambog niveles.110. ?. ) Un ensayo unilateial al nivel 0. No hay razón para rechazar la hipóteeis a ningún nivel.113.728. esto es consistente con el Problema ?.

Z.00*1. (¿) 0. 75/p 8.408 + 0.5t*3.427Y 61. (o) v=0.112. (¿) t 3.8961 (b) u = 8.?801 y . (c) 37. (o) 8. (a) 0. - 1. (b) a = 29.?3S(n-B)2 6 41.60 (ó) 17. 37.E6.111.500a (cl r = 2.40 6 A:32.5 (b) (ó) g?.s912 (ó) 0.ss56' 8. (a\ u=-i+í" 6 u=.9818 8.99.21 0.80 E. (a) z = 3.9?.r1y (d) 7g 95 t. (o) 1. B.89.00 t _1.67.64.20(r-B) +0. 2. (a) 24. (o) (ó) 2.8r*12 (b) r= 0.87.91¿6 y y 0. (a) 0.304 (ü) 1.46¡r*l 8.398 (ó) 192.29y 8.108. (a) 8.70.1 E.968 (b.92. (a) 3.66r * 2. (o) 0.IBB72 616 8.66.96.71.08?86 o¿ (ó) (c) t?0 ft.2 (c\ 182.6606 (ü) 0. =0.0 a 19.77 y -.138 t a 0. 0. (a) 0.81.1r4.6 E.13 + 0. (cr.6tly E.4 si no no si E. (a\ 0.14¿0. E.79.21r*O.60 (ó) 1. Mediante un ensayo unilateral no puede rechazarse la hipótesie. (o) 1. (bl u = 4.?600 y 0.84.74. (o) E.89 * L.?8 + 1.0 t 8.113. (o) (ü) t.8.9927 8.000 + 0.?961 y (ó) 0.661¡ (c) r = -14.14(L.096 o * 0. (b) d 8.7l4r (b) "=t*lu 10.6 1.69.126s 'y 0.0 a (b) B?.E0.00 6 r= (¿) 1.68. 0.151{" ¿O ó U -92. r¡o¿ = fi -o.r10.00 8.oooo t 0.0 t 5.14(10)0.6633 1.88.0 4.00 (c) ?.r3.) 1.448 8.60 8.2928 y 0.366 CAPITULO 8 RESPUESTAS A PROBLEMAS SUPLEMENTARTOS 15o 8.109.9 2. ft (d) Bg? (b') A=32.188 ¡ (c) r32 8.szos 8.107.115.20 E.96.28 (o) (ó) Mediante un er¡rayo unilateral puede rechazaree la hipóteaia.24.85.24 (b) 8.s72 80.gBB+o.64y 8. -0.0 8.90.rz 8.8861 1 t.6t-t. u = 6.

38x E. (o) u = 3.44.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 367 8.L27.11?.01. Hay una diferencia significativa en los sitios pero no en los fertilizantes aI nivel 0. una diferencia significativa en sus calificaciones a ambos niveles.31.26.25.40: No hay diferencia significativa en neumáticos o automóüles al nivel 0.4 (b) 116.16-0.35.9254 y 0. 9. No hay diferencia significativa en el color del pelo o estatura.7096 y 0. 9. No hay diferencia significativa en fertilizantes o suelos.05. 9.116. tlay 9. una diferencia significativa en marcas al nivel 0.05. Flay una diferencia significativa en los métodos de enseñanza al nivel 0-05 pero no al nivel 0.7 y 173.129. Hay una diferencia significativa en el tipo de maíz pero no en los suelos al nivel 0. No hay diferencia significativa en los sitios o fertilizantes al nivel 0.9653 (D) 8. 0.05 pero no al nivel 0. 9. 9.4 libras 8.9*4. (a\ 20. .126. 9.(b)y:722.23. No hay diferencia significativa en el tipo demaíz o suelosal nivel 0. 9.deenerode1954.42.01 . llay 9. llay una diferencia significativa en neumáticos y automóviles al nivel 0.4f. No hay diferencia significativa en operarios o máquinas.42*2.1083¡*0.6402 si la unidad 8.38. (c) si no (ó) 8.125. de julio de 1950 (d) 142. CAPITULO 9 9.33. 9.oy:107.130. Igual al hoblema 9.43. 9.128. una diferencia significativa en rendimiento a ambos niveles. 0.36 lb 3.43. 9. Ilay 9.38. (b)y:18.l31. 9.7 (e)1977 1o.36.dondeyeslanatalidadpor1000habitantes.27.33 r .05. 9.32.01.¡es5añosconorigenen julio de 1935. No hay diferencia significativa en operarios o máquinas.05.lgxsilaunidadxesLl2añoyelorigenesel ¡ es un año y el origen es el 1o.66. 0.01. flay 9.24. 9. No hay diferencia significativa en los métodos de enseñanza o plantelesal nivel 0.34. No hay diferencia significativa en neumáüicos a ningún nivel. 8. una diferencia significativa en operarios pero no en máquinas.3?. Igual al hoblema 9.120.39.4547 8. 9.01.30 pulg.0. 415 8.4653¡z.6158 E.

llay diferencias 9.49.ó.54. 9.368 RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 9.66. 9. No hay diferencia significatirra en tratamientos a cualquier nivel.45.63.62. llay diferencias 9. 9. máquinas o fortaleza de cables. No hay diferencias significativas debido a sitios o fertilizantes. C. pero no otras dife- ' ltray diferencias significativas en tipos de cables pero no en operarios. No hay diferencias significativas debido a los químicos o s¡tios. al nivel 0. 9. No hay diferencia significativa en los puntajes de I.55. ltray diferencias signifrcatiyas en especies renciag signif icat ivas. y canüidades del primer compuesüo químico. 9. significativas en los puntajes de los exámenes debido al estado veterano y al I.3. 9. sílo son. Al nivel 0.64.52.46. 9. 9.61. No hafl diferencias significativas debidas a los factores o tratamientos. fuual al hoblema 9.Q. B. .05.54. significativas debido a los sitios pero no a los fertilizantes. 9.01 las diferencias en los puntajes del examen debidas al estado veterano no son significativas.Q.Q.47 No hay una diferencia significativa en rendimiento escolástico debido a diferencias en estatura. 9. 9. pero las debidas al LQ. No ha! diferencias significativas en los puntajes de los estudiantes de diferentes partes del país.4E. pero hay diferencias debidas al I. FIay diferencias significativas debidas al factor 1 pero no al factor 2 o tratamienLos A. color del pelo o Iugar de nacimiento.

116. 31O. 23. 315. 56-60 pua el caso continuo. 1 51 contado¡ Geiger. 1 (uéos¿ también conjuntos) clases y frecuencias de clase.28l-244 fórmula p¡oducto-momento para el. 268 r23 aproximación de la dist¡ibución de interl¡retación probabilfstica de la. 134 cuilas cdacterÍsticas de operación. 306- continua a la derecha. 297 poblacioml. 119 distribución ¡'.324 el. 31 curtosis.244 cuwa nomal.129 distribución exponencial. 232-236. 11. 344 curua parabólica. 81. 11.281-289 tabla. 136. 263. 84 ajuste dé datos por la.294 generalización del. problema. 139. 26+ 246 püa datos agrupados. 21 diagramas de Venn. I29 aproximación normal a la. 47. L24. 142 relación de la con la binomiál negativa. número desigual de obseryaciones en 312-315 experimentos conjuntos. 119- 310. 306-338 fórmulas cortas en el. 11. 11O. 344. Só. 266.97-99. lO9 (véase tomb i¿n distribución no¡mal) distribución geomét¡ica. 26 4. 7L. 263. 267. 116 reJación de la a la dist¡ibución normal. 2. 221-226.333 para experimentos de un factor. 78. 133. 144 cont¡ngencia. 213. 33O cuadrados latinos. 217 convoluciones. 100. 138.324 cuadrados ortogonales. 269 ensyo chi-cuadrado Pua la. 163 decilas. 216. 315. 244 264. 306. 12. 83. ó conjuntos iguales. 2a5'247. 1l uti¡izando p¡obabilidad. 2ll. 321. 115. 1 18 distribución chi-cuadrado.163 centroide o centro de gravedad de los datos. 317. coeficientes de. 112. 46. 232-236. 46 casillas. 347 como caso especial de la distribución gamma. 220.112 219. 3O7. 116 cuenta. 10. 89 282 diagramas á¡bol. 27. 254.lndice Ajuste de datos po¡ distribuciones üeóricar. 118 valores de Ias percentilas de Ia. 263.320.L28 relación de la a la distribución de Poisson.26l múltiple. 83. 319. 82 cuadrados greco-latinos. 133 . 4 conjunto vacÍo o nulo. 161. 1 conjuntos disjuntos 3. 224.3f6 bloques aleatorios.78. 115.97 dist¡ibución binomial. 198. 163. 11. 135 teoremas sob¡e la. 115. 2a6-2a7 . 2 constante de Boltzmann. 134. 295. distribución gaussiana. 1 77 combinaciones. 30. 19ó coeficientes de correlación múltiple.269 cunas de regresión no lineal. 258-3O5 gradual. 168. 24O. 264 curyas OC.293. 26O clase. 342 axiomas de probabilidad. 291 26r. 321. 225 análisis combinato¡io. 184 categorías. 116. L28. 258 relación de la a la distribución norrnaI. 117 ¡elación con la chi-cuad¡ado y t. 111 r34 distribución de Pascal. 264. 248 curuas de aproximación. 177. principio fundameotal de. 97 también varianza) dewiación tÍpica. 92- curua cuadrática.237-239 aleatoriedad. 13 2. 183 de la distribución binomial. 118.213 Bridae. 88. 316 püa de tres factores. 268 generalizando.145 ajuste de datos por. 47 para el caso disc¡eto.263 covuianza.2L6 área bajo la. conelación y reg¡esión üneal perfecta. 118. 61 disÉibución beta. 239 propiedades de la. 114. 82.244 conelación.322 para experimentos de dos factotes. | (uéase también conjuntos) columna de conteo. E4. 263. 28L-284 ensayo de tripótesis y significación para el. 284. 94. 29G 292 correlación gradual. 11O á¡eas bajo la. 267. 9.297 teo¡ía muest¡al de. 309 media y varimza de la. cuenteo. 316. 264.2 conjunto universal. 2 (uéose deteminación. 248 decisiones estadlsticas. 139'141 teoremas sobre la. 108 bloques. 85. 332. 31ó álgeb¡a de sucesos. 8ó decisión. ' dife¡encia de conjuntos. 316 bondad del ajuste. 99 (uéase tombién distri' bución normal) áreas bajo la. 1O9 relación de la a la distribución normal. 1 13. 246. 265-267 coeficiente de correlación lineal. 345 ordenadas de la. 197. 127. dewiación. 13 conjuntos bien definidos. 109 de la distribución de Poison. 219. 129.37 Cambio de variables. 117. 40 control de caüdad.125. 108. 3 1 5 altamente significativos.311 aleatorios. 117. 217. Bernoulli. 345 tipificada. 21 1 desigualdad de Chebyshev. 264. 237 dispe¡sión.118 distribución hipergeométrica. 92-94 teoremas sobre la. completa. 118. 135 distribución bimodal. 316. 46. 78 diseño de experimentos. 9. 3 dimensiones o unidades. coeficiente de. 112 de Ia distribución normal. 217. L27. 177. 349 distribuciones gamma. 259 típica (uéose desviación tíPica) desiación media. 25 coeficiente de conelacion. 25-2 7 análisis de v xianza.243. 1 17 moda de la.316-321 aproxirración de Stirling a nl. 22O. 296 Poisson a la. l. James.118 propiedades de la. cumplemos. 118. 2L7. 9. 164.169 negativa. 6 conección de Yates para la continuidad. lO. 311. 112 relación de la a la distribución binomial. 328. 258. 230 coeflcientes binomiales. 2ó8 94. 26 4 coeficientes de confianza. 246 muestral. 112.348. 118 distribución de Poisson. 5 completa aleatorledad. reglas de. 316 27 distribución binomial negativa. 217. 295.315.86. 6O. 115. 316 diseño experimental. 130. 112 clasificación simple o experimentos de un factor. 316. 3f6-321 clasificación tríp¡e o factor tres expedmentos. 333 cociente de inteligencia.242. 296 independencia y. 1 conjuntos medibles.11-13 teoremas sobre. 143. 23A.135-137.246 Datos agrupados. 268. 297 distribución de Bernoulli (uéose distribución binomial) distribución de Cauchy. 6 conjunto nulo. 3 264. curua de ajuste. 234.112. 109. 82. 34ó cu¡va normal tipificada.310. 117. 266 (véose tom' bi¿n conelación y reg¡esión) curva de potencia. colección. r97. 247 332.2A2. 85. 24 complemento de un conjunto. 47. 1O8. 218.

112 de la distribución normal. 286 fórmula producto-momento para el coeficiente de cor¡elación lineal. 178 (uéo¿e 213 mediante la distribución f de Student. 160. 216 para coeficientes de regresión. ó2 de funciones de vuiables aleatorias.4. 198. 157 función de densidad normal tipificada. 269. 156. 163. 39. principio de. 162. 17?179 acumulada. 223. 44. 260 elementos o miemb¡os de los conjuntos. distribución de 2t6. 118. 94. 186 estadlsticos muestra¡es. 2 interacción en el. 263. 285. 133 distribución Weibuü. 199 insesgada (u¿ose estima iDsesgada) estimas de máxlma verosimilitud. 346 media y vaianza de la. 287. 117 disribución trimodal. 198. 5.2t6 ¡elación con la teorÍa de estimación. 81. 138. 36 función aleatoria (uécse vuiable aleatoria) función beta. 119. 63. 216. óo conti¡uas. 217 ensayos de dos colas. 52-56 continuas.39. 45 función de densidad conjunta. 261.249 distribución nonnalr 109-1 11. 237.2A6 224 espacio muestral. 77. 43-46. ó3. 164 distribuciones de fiecuencia acumulada. 161. 77 espermza condiciona!.294 pa¡a la püábola de mlnimos cuad¡a- teoremas sobre. 16ó-168. 293. 312 efectos de lnteracción. 41 distribuciones de probabilidad discret¿.196. mediante la disúribuclón F. 266. 81 ble. 164 acumulada. 114 relación de la a la disEibución binomial. 218. experimentos de dos faetores. 27 O. 162. 44 . 113 experirnentos aleatorios. t7l enfoque a posteriori de Drobabilidad. 326 función de distribución acumulada. 113. 306-31O. 262. 214. 4 espacios muestrales inflDitos contables. 83. 297. 4 46. 16G162. dualidad.266. 40. 42. 194 e¡aor tfpico de la estima. 2r9. 194-2LO. 61-63 distribuciones co¡iuntas. 82 distribuciones de frecuencias. 28t. 231. 290 estima. definicid¡ de la. 142 distribuciones condicionales. éxito. 311 notación paa. 98. 260 ejes. 162. 2I9. 91. 286-287 . traslación de. 38.A. 4O.201 esti¡nas insesgadas. 84 distibución uniforme. 206. 16-321 225 la.171173 de medias. 1Og de la distribución de Poisson.179 distribuciones de frecuencia ¡elativa. 2L9. 3 Ecuaciones norraales pua la recta de mfnimos cuad¡ados. 26ó también esperanza) estadfstica Bose-Einstein. 5. 109 propiedades de Ia. 86-E8 condicionel. 160. 162 de difetencias y sumas. estadfstica (uéose estadís- tica Bose-Einstein) e1e x. 314. 14. (pe¡cepción ext¡as€nsorizlr. zLl. 342 función característica. 44. 116. en téminos de varimzas y del coeficiente de conelación. 220. 119 distribución muestral. 6 enfoque a priori de p¡obabilidad.370 media y vaxi^nza de la. 2L9.139-141 ¡elación de la a la distribución normal. 259 estimador insesgado. 262. 341 fracaso. 263. 6. 164 acumulada. 324-327 variaciones pa¡a. 35 estadfstico no puamétrico. 44 va¡ianza pa¡a. 236 mediante la distribución normal. 36 E. probabilidad de. 306 Fistre¡. 52 distribuciones de probabilidad condicional. 241 3 mediante medias. 211267 estimas no eficientes. 113 distribución Maxwell. 2t6. 213. 273.2La.282. 267 pua valores predlchos. 157. 22L- experimentos de un factor. 38. 41 conjunta.61. Futl. 124-127 ajuste de datos por la. 6 enfoque clásico de probabilidad.214 püa pequeñs muestras. 199. 194 estimas po¡ puntos. 83. 196. 77 (uéose dos. 39 (uéase tambíén funciones de distribución) función de distribución conjunte. 1?3-176 de varios estadísticos.277 para el plaao de regreslón de mfnimos cuadrados. 8l totales. 43.294 fómulm de Euler. 212. 164 distribuciones de probabilidad. 266. 238 bidimensional. 81 fórmula de Spe¡man pa¡a la cor¡elación gradual.160. 194-210 eficiente. 278. 156.216. 138. 94.177 enfoque de la frecuencia relativa de 308. 276. 44. 267 3-2L5. 137. 261. ?7 muginal. 4ó para valiables aleatorias dlscrets. R.268 pua grar¡des muestras. 16ó.226-22a mediaate la distribución chi<uadrado. 157 de dewiaciones típicas. 49. ó1.263. 265 77 38. 41 de funcit¡nes de vadables aleatorias. 194 estimas. 159. 198.¡ecuencia marginal. 4 espacios muestrales no disretos. 1O8 . 44 dis¡etas. 162 distribución multimodal. 29A espacios muestrales infiniio no conta- fumión complementaria de error. 31 1 experimentos de Mendel. óó estatura de padres e hijos. 218 frecuencia porcentual.6 286. 3O8 error tfpico. 215. 99 de la distribución binomial.312.229-231 2L con repeticiooes. 312 Einstein-Bose. 198. 184 de medianas. 262. 161. 54 de sumas de variables aleatorias.. 4ó. 114. 4 esperanzar 76. 6 fórmula de inve¡sión. 222 escalera flor. 141 probabilidad. 47 interpretación gráfica de la. 1O8 expamión multinomial. 4 espacios muesfales discretos. 296 derivación de la. 117. 243 ensayo de bipótesis y significación. 163. l6 3 frecuencia relativa. 311 distribución t Student) 163 acumulada. 25. 310. 178. 117. 81.ent. 111 distribución nomal bidimensional. 299 er¡ores del tipo I y del tipo II. 1O8 expansión binomial. I76. 4. 164.279- 164. 48. 313-315. 297 f¡ecuencia observada. 5 enfoque uiomático de ptobabiüdad. 64 293. 158.244. 113. 2L4. 164 f¡ecuencias elementales. 289.267 formas igualmente factibles. 194 estimas por intenralos. 221-226 mediante proporciones. 290 .293. pua variables aleatorias contfuruas. 13ó función de densidad para la. 213 ensayos de una cola.318 de vuianzas. 194 estimas sesgadas. t¡ansformación Z de. 2ó9. 111 teo¡ema de la unicidad para le. 80. probabilidad de. 212. 2L6. 115. 84 distribución multinomial. 162 INDICE efectos de tratarniento. 1ó espacio muest¡a] finito.47 disc¡etas.22L. 343 función de densidad. 266 para vrimzas. 76.lores medios predichos. 117 teoremas sobre la. distribución f de Stud. 295. 216 Fermi-Di¡ac. L4l 11 8. 3 7 Fisher. 194 (uéate estimas insesgadas) toñbién mediante diferencias de medias. 194.226-228 mediante diferencias de proporciones. 92. 6 ensayo chi-cuadrado para bondad del ajuste. 168- de ¡elaciones de vuiauas. 132. 260. 118. 179 relativa. 231 experimentos de clasificación doble (uCose experimentos de dos facúores. 92. 213 para va. 163. 1ó7. 1 de proporciones.274. áreas bajo mediante relaciones de varianzas. 279 efectos de bloques. fó8.pua el coeficiente de correlación. 163. 297 e¡rb¡ o residuo.) distribución porcentual de frecuencias.S. 43 teoremas sobre la. 264. 14. error típico de la (véose ettot tfpico de la estima) estimación. 110 espermza matemática.178. 4 espacids muestrales continuos. 289. 117 relación de la a la chl-cuadrado y F. estadfstica. 267.215. 159. 1ó chi-cuadrado y.P.

204 para medias. 259 método de comprensión. 48 probabilidad de causas (uéos(f teorema teoremas de la. 79 alrededor del origen.¡los abierto y cetrado. 1^O. 156 parámetros de la. 211 (uéase tombián ensayos de hipótesis y significación) hipótesis nulas. 123 la distribución de Poisson. 156. 47 para conjuntos. 2 logúitmos comunesr tabla de. 203.2O3 para relaciones de vuianzas. 198 dist¡ibución de muestreo de la. 266- 4t. 1á6 con o sin remPlazamiento. 2. t71. 217 259 236. 196 población finita. 86 Marca de clase.179183 momelltos centüales. 158 I. 343 central. 352 números complejos. S.237. 3O6 de de de de medias de grupo. 55. 2O2. 136 gráficos de control. 6r 3 ley de los grandes números.23O Herencia.249-292 n factorial. lO9. 308. 1O9. 117 la distribución normal. 1O función paso. 184 teorÍa de correlación y regresión. 97 medidas de dispersión. 11 método de mínimos cuadrados. 3O6 medias de tratamiento. 159. 243 pua paábolas. 8O función monotónicamente creciente. 84. 3. 1 56 independientes. para datos agru- Gas ideal. 8 3O7. 163. 259 para curvas. 198. 13 lÍmites de confianza. 13 Iey distributiva.84 Papel gráfico de curya normal. 5ó. 2 pea vErian¿as. ó3 niveles de confianza. f16. 277. 13ó de la distribución d€ Poisson. 47 Pata conjuntos.S. 76. 312 g¡an total. 311 mediana. 3O7. 47. 342 función gamma. 163. 179 acumuladas.221 experimental o descriptiva. 157 media ditmética. 45. 199.. 15ó. ll. 80 teoremas sob¡e la. 42 para variables aleatorias discretas.D. teorema de la unicidad pea la. 89-91. 26. 96 de la dist¡ibución beta. 156 196 Ley asociativa. 19ó nivel de significación. 197. 97 medias de fila. 26O intetsección de cotiuntos. 156. 84. para la convolución. 211. pea conjuntos. 206 semi-cerra2dO. 241 tabla de. aproximación de Sti¡ling a.268 funciones de probabilidad marginrl. 179-183 la distribución binomial. 49.272 función error. 23O inferencia estadística. 308. 163. f 56 alrededor de la media. 86. 83. 1.49. 164. 112 de la distribución normal. 2 lntcnalos de confianza.234 pare propo¡ciones. 94 moneda cargada. 342. 84. 1 polÍgono de frecuencia.313 ? probabilidad. 342 fórmula asintótica de Stirling pa¡a la. 79 condicional. ó6. 2+2. 178 moda. gran media. 224 niveles de significación. l2 computación de la.44. 1 método de expansión. 163. 43. 79 momentos condicionales. 164. 3 ¡ey conmutativa. 11? de un conjunto de números. 27-23 población. L22. I 55 integrales de Fourier. 177 muestreo.22O. 195 lÍmites fiduciales. 44 371 molécula de gas ideal. 196. 197. 156 población multinomial. 227. 311. ró9 población infinita.241 hipótesis estadísticas. 196. 2. funciones de densidad marginal. 171. 342 27. 46. (cociente de inteligencia). 164. 80.297 198 para rectas. 117 modelo matemático lineal pua el análisis de va¡ianza.166. 221 experimental o descdptivo. 81. 2 núme¡os ¡eales. 214 histograma. 156. L78 I paradoja de Russell. 47. 61-63 conjunta. 166-167. 111 21 E inte¡ralo semi-intercuütÍlico. 350. 292. 43 4O 268. 98 integr¿les especiales. 162 no unicidad de la. 164. 1ó5. 213 números rleato¡ios. 1 (véase también conjuntos) prábola. á1 lÍnea real.312. 3 inteivalo de clase. 45. 96. 45 funciones de distribución. 1ó1 grados de libe¡tad. 183. 177. 63 función de Drobabilldad coqiuDts. 96. 97 mejor cuwa o recta de ajuste. 114. 96.5ó marginal. 268 para vuiables aleatorias continuas. . 44 g¡andes muestras. poker. 1r6. 155 población binonial. 306.5 probabilidad condicional. 159 normal. grupo control. 1ól momentosr 79. 97. 164 operaciones de coniuntos. 259 ir¡tetcepto. 89'91. 309. 306. 3Oo funciones de distribución marginal. 200 número. 13 en los zucesos. 11ó. 110 eomplementaria. 76. 96.98 de la dist¡ibución binomial. 1 56 partículas radioactivas. 84. 6 suma de los pa¡a la distribución chicuad¡ado. 276. 264. 1ló de la distribución F. 48. 85. 17? niedia. 76. 155 aleatorias. 3. 1 44 pe¡centil¿s o valores percentüa. 21?. \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. para el análisis de la varianza. 1O9. 157 media total. 32 parámetros poblacionales. 85.293 medidas de centralización. 1ó8. 112 la distribución F.164. 39. 95 para las pruebas de Bernoulli. 12. 38 marginal. 266. 186.312 ordenadas. 163. 21 hipótesis. débil ros) (ué¿se muestras independientes. lf l. 44. 342 fórmula de recunencia ptala. 40. 171. 1 7-2O función de la. 217 gráficos de control de caüdad. 117. 41. 269. ó4. L21 Jacobiano. 1óó. 84. 341. 84. 194-206 para diferenciás y sumasr 196. 39 condicional. r23. lnteÁ. 39. 196 muestras aleatorias. 79 intenalos geml-abiertos o dos. 18O- población normal.INDICE función de probabilidad. 123 de la distribución chi-cuadrado. 199-201 grupo. 3. 27 . 165. 19ó.) mÍniinos cuadrados. acumulado. 26L. 69 para datos agrupados. 206 modelos matemáticos. 6 moneda b-omada.297 miembros o elementos de un coqiunto. 205. 6. 212.45. 1ó6. 4O función factorial. (uéqs¿ rectas de mÍnitnos cuadrados) método y fórmula clave. 351 loterm. ensayos de.P. 195. potencia de un ensayo. 84 (véose también media) media muestral. 8O. 269. 36. 44. 8.50. 224 tabla de. 177. 99 pe¡cepción extransesorial (udase E. para la convolución. para la convolución. 37 Poisson. 195 (uéose tambíén lÍmites de confianza) IÍmites reales de clase.219. 1ó8. 194. Ojivas.165. 76 de una muestra. 111 de la distribución ú o de Student.266 pe¡mutaciones. 313 polÍgono de frecuencias 179. 158. 54.Q. 159. 83. 2O4.342 función gene¡atriz de momentos. 156 tamaño de la. f96-202 L44. 113. 312.179 ojivas porcentuales. 184. 155.97 (véase tanrbién esperanza) pados. 6 muestras. 40. 126. invuianza baio üanstotmacióD. 85. 2t3. LS7. 94 función escalera. ó8. 183. 217.

ó-7 sumas es¡reciales. ? sucesos independientes. 212 regla de Leibniz para la de¡ivación de una integral. 48 función de densidad de. 3 significación. 263. 1Og de la distribución de Poisson. 68 proporciones. 79 pados. 7. 17-2O.115 variables aleatoiias con distribución chi- ta. 254. 1O8 vuiables aleatorias distribuidas de a- cuerdo con la dist¡ibución Poisson. 8O ¡acte¡Ística.262 27 a. 266.2O2 interpretación probabilística de. para un conjunto de números. 114 1ó8. 26? traslación de ejes. 63. 8O sesgada a Ia derecha o a la izquierda. 48. 289. 2ó9 Sec¡etaria. 89. 2AL. 130.2a5 vatiación residual o aleatoria. 266. 259. 64 gráfica. 78 unidades tipificadas. 226 . 242. 263. 83. va. grados de libertad 311 métodos cortos paa obtener las. 78. Valores críticos. 29O curva. 15 sucesos elementales. 15 utilizando el análisis combinatorio. 79 tipificadas de.284 relaciones no lineales. 30. 26-27 231. 20. 164. 108 pruebas de Bernoulü. 326 diag¡ama. 3O7.98 serie de Taylor. 213 región de rechace. 258.lores esperados de las. 2ll (véase tombién ensayos de hipótesis y significación) vaiables aleatorias con dist¡ibución Cauchy. 243246 tablas de frecuencia (uéose ta¡nbién distribuciones de frecuencia) variables aleatorim distribuidas binomia¡mente. 39.161:171 prueba de Bernoulli. 263. 262.27l uperf icies. 2O1 t¡ansformación de Fourie¡. 123 de la distribución de Poisson. 26I intersección de. 219 en anáUsis de varianzas. 49 ¡éplicas. 79 distribución de las. 266.86. 81. 269. 1lO va¡iables aleatorias adimensionales. 49. 261.239 problema de la aguja de Buffon. 3O6 triángulo de Pascal. 151 teorema de unicidad. 266.287-289 transformada inversa de Fourier. 262. 7. 341 ¡elación con las dist¡ibuciones t y F va¡iables aleatorias con dist¡ibución Gamma. 50 dist¡ibuidas unifomemente. 97-99. 281.123. 269. 311. 49.39 vaiables aleatorias continuas.94 de la distribución binomial. 64 probabilidades. pa¡a la función ca- vaiables aleatorias independientes. 242.2a2.78. 266.244 representación gráfica. 1ó8. 85. 81 transfomación. 143.260 pua vriables aleato¡ias distribuidas binomialmente.249 computación de la. I O8 distribuidas normalmente. ó2-56. 324-321 residuo. 312 regresión. 85. 26A. 263. 291) universo del discurso. para datos agrucondicional.115 vtianza poblacional. 26O.89 combinada. 89. 1?9-183 vriable independiente. 1 subconjuntos p¡oFiós. 6. plano. 292-294 cov^rianza. 259. 198 rectas de mÍnimos cuadrados.116 función (uéose función de probabilidad) geométrica. 112. 311 tratamientos. 216 var\anza muestral. invarianza bajo. problema de la. 264. 260. 112 de la distribución f'. 4. 266. 265.2a5 vaiación no explicada. I 1 O pila distribuciones conjuntas. 46. 1 I O región crltica. 82 veiables aleatorias normales asintótica- ley de los grandes números paa 109. l94 sÍmbolos de inclusión.245 en análisis de varianza. dist¡ibución muestral de. 38. ó sucesos. 216 como segundo momento. 165. 322-327 tabla de c.2a4. 5O con distribución dg Poisson. 271 referencias tipificadas. 161. 2a7. LIL. 1 14 independientes. 306. 195 valo¡es de tendencia. 79.3il1 Taylor. 219.259. 161. 262. 13O. 131 prueba del. región de. 108.273 en términos de varianza muestral v teoría de muestreo exacto. 264. 176 velocidad efectiva (¡ms). ó. 85 sesgo. 63.110 vüiables dependientes. 281.272 318 grados de libertad para. 9. 3O9 ent¡e filas o tratamienúos. 2a9.63 vüiables aleatorias no relacionadas. 266. entre columnas o bloques. 21 variación. 22O. 23a como una función de valor real.372 o ¡egla de Bayes) concepto de la. 317. 160 esperanza de Ia. 212. 3O9. 112 de la dist¡ibución normal. 249 de vaiables aleatorias distribuidas normalmente. 3Og pua las. caso donde s . 26 2 teoría muestral de.2a4. 5. 196 tigmpo de reacción. 195 desconoce la. 46 scesos mutuamente excluyentes. 260 variaciones. 269 vdiables-transf o¡madas. 352 293. 45. 37 subconjuntos. 63 no conelacionadas. 58. 11O v&iables aleato¡ias dist¡ibuidas uniformemente.266. 46.318 múltiple. 279 unión de conjuntos. 3O8. 156 temperatura Kelvin. f91. 79.317. 297 tammo de la muestra. 111 de la dist¡ibución t. 195. 262. S2 sin dimensiones. 50 papel gráfico.111. 3O9 regresión múltiple.2ó9 coeficiente. explicadas y no explicadas. 31O.4 Recorrido. 289 ecuación. 158 de la distribución no¡mal. 4. 242. 31 1 entre y dentro de tratamientos. I 18 tablas y distribuciones de frecwncias de doble v&iación.38 discretas. 26O. 270 va¡iables aleatorias.124 las.82 de momen- mente. 289.294 vaianza. 6 suceso seguro. 223. 6. 1O9. 311. (véase v atianza muesüral) continuas. 151 82 seguridad. 115 cuadrado.37. 78 va¡ianza combinada. 22O tablas de con¿ingencia. 27 8. 97. 1 ilceso imposible. 262. 131. 6 algunos teoremas importantes sobre la. 8 cálculo de las.114. 79. 81 transformación Z de Fishe¡.159. 3O7 para .285 recta. pda la función generat¡iz tos. probabilidad empírica.lasificación simple. 41 INDICE sobres. 264-27 4. 311. 37 serie de Fourier. 3f 3-3f 5.161 veiables aleatorir nomalizadas. 5 condicional. 8.81. tabla de. 79 vriables aleatorias con distribución Be- serie". I7 -2O. 38. aleatorias) 2 2 241. 266. 14. 25 Unidades o dimensiones.49.experimentos de dos factores. 2t9.88. 117 muestral. 42. 111 vuiable estocástica (véase vuiables valores exponenciales.81. 48. 158.158. 27 I relación fineal.284.262 vüiación explicada. 164 probabilidad geométrica. 29. 3O7. 1O8 variables aleatorias dependientes (uéose variables aleatorias independieDtes) vaiables aleatorias discretas. 38 variables aleatorias de la distribución de Bernoulli. 30. 113. 217.6O teorema del límite central. 194. 43 t¿blas de clasificaclón doble. 45. variación total. 117 de la distribución muestral de medias. 29. 258 punto muestral. 67. 131 teorema o ¡egla de Bayes. 284. Tabla de probabilidad coniunta. 183 de la distribución binomial. 164 dist¡ibuciones de la. 38.85. 237 . 264. 259.97 semi-intercuartr-lico. 212 ensayos de. 52-56. 8O dist¡ibuidas binomialmente. problema de los. 11 1. asignación de las. 9. 15-17 p¡obablemente significativos.

.

.

l .

.

.

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