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

Parte I PROBABILIDAD .

.

A y B no tienen exactamente los mismos elementos. i. describiendo alguna propiedad conservada por todos los miembros y por los no miembros. léase"elconjuntodeloselementos¡talesque¡es una vocal" donde la línea vertical I se lee "tal que" o "dado que". Sinónimos de conjunto son c/cse. EJEMPLO 1.5.2. u}. a.5.1. EJEMPLO 1. 2. En general. y un elemento por una leha minúsculao. A tenemos A C A. SUBCONJUNTOS Si cada elemento de un conjunto A también pertenece a un conjunto B llamamos a A un subconjuntodeB. u}. Un conjunto puede considerarse como una colección de objetos. Al lanza¡ un dado los resultados posibles cuando el resultado es "par" son elementos del conjunto {2. u ) es un subconjunto propio de {o. e.6.6\.escritoAcB6B:Ayleído"AestácontenidoenB"o"BcontieneaA" respectivamente. Obsérvese que la sola redistribución de los elementos no cambia el conjunto. escribimos de B. como siempre lo supondremos.4.6}.Para que un conjunto seabiendefínido. 4. Si Ac B y B CAllamamosa A y B iguales y escribimos A : B. 5. En este caso AyB tienen A+ Si A no es igual a B. .e conjunto es un pilar fundamental de la probabilidad y la estadística y de la matemática en general._l 'Cupítulo Coniuntos y probqbilidqd EL CONCEPTO DE CONJUNTO 7 El concepto d. B. 4. mientras no se especifique lo contrario. b e C. denotamos un conjunto por una letra mayúscula A. _ Si un elemento a pertenece a un conjunto C escribimos a€ C. EJEMPLO 1. uloporelmétododecomprensióncomo{rlreeunavocal}. Sic noperteneceaC escribimos a é C. u. EJEMPLO 1. el cual es un subconjunto (propio) del conjunto de todos los resultados posibles {L. Se sigue que para todos los conjuntos exactamente los mismos elementos. i. e. SiA C B pero A + B llamamos aA un subconjunto propio EJEMPLO 1.4. 6). es decir si B. 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. El primero se denomina el método de extensión y el segundo el método de comprensión. pero no un subconjunto propio. 3. de {o. El conjunto de las vocales en el alfabeto puede definirse por el método de extensión como { a.3. e. C. i.b. I a. El conjunto { Obsérvese que el método de extensión no puede utilizarse aquí. llamados míembros o elernentos del conjunto. i. o. EJEMPLO 1. ¡ |¡ es un triángulo en un plano ) es el conjunto de los triángulos en un plano. o. 3. Un conjunto puede definirse haciendo una lista de sus elementos o. e } es un subconjunto.2. puesto que los dos conjuntos son iguales. grupo y colección. Si o y b pertenecen aC escribimos a. si esto no es posible. o. debemos estar capacitados para determinar si un objeto específico pertenece o no al conjunto. { 4 o.

2. Tales diagramas denominados diagramas de Venn. EJEMPLO 1.JNTO VACI( Para muchos propósitos restringimos nuestra d fico denominado el uniuerso del discurso. sirven para da¡nos una intuición geométrica respecto a las posibles relaciones entre conjuntos.a CONJUNTOS Y PROBABILTDAD lcAP.9. o tanto como aB.7. EJEMPLO 1. En tal caso los subconjuntos de zt (como A y B indicados y sombreados en la Fig. 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. Si lanzamos un dado.4. se llamala unión deA yB y se escribe Au B (región sombreada en la Fig. 6}1. l-3 Fig. 1-4 2.T.8. DIAGRAMAS DE VENN Un r¡niverso u puede representarse geométricamente por el conjunto de puntos dentro de un rectángulo. 1-2). 5. 1-3). entonces AC C. El conjunto de todos los elementos (o puntos) que pertenecen a A o a B. 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 . 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. el conjunto de todoe los resultados posibles es el universo {L. l -2 Fig. Si AC B y B CC.3. 1-1) se representan por conjuntos de puntos dentro de los círculos. Los elemenr Es útil considerar un conjunto que no tiene r uacío o el conjunto nulo y se denota por p. Intersección. OPERACIONES ENTRE CONJUNT\OS 1. 1 El teorema siguiente es verdadero para cualesq Teorema I-I. o simp espacio uniuersal y se denota por u. CONJUNTO UNIVERSAL Y CONJI. Unión. El conjunto de loe rcsultados que consisten de las caras 7 u 11 sobre un solo dado es el conjunto nulo. . Fig.

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

donde suponemos que ninguna lámpara eléctrica dura más de 4000 horas. es decir SC. hay experimentos en los cuales los resultados no son esencialmente los mismos a pesar de que las condiciones sean aproximadamente idénticas.se denomina espacio muestral finito. 3.CONJUNTOS Y PROBABILIDAD [cAP.en tanto que uno que es infinito no contable'se llama espacio muestral continuo o no discretoSUCESOS posibles. 4. En tal caso es deseable utilizar números en cambio de letras siempre y cuando sea posible. . Frecuentemente es útil dibuja-r un espacio muestral gráficamente.SS) caras. 1 EXPERIMENTOS ALEATORIOS Todos estamos familiarizados con Ia importancia de los experimentos en la ciencia y en la ingeniería. Un suceso que consiste de un solo punto de cJ frecuentemente se llama un sueeso . Sin embargo. 2. por ejemplo.1 0.11. impar) Sin embargo. o una "cara".16. .tal como 0 f r: S 1. si un resultado es divisible por 3. Si un experimento consiste en medir "la vida" de las lámparas eléctricas producidas por una compañía. 'EJEMPLO 5. Obsérvesé que eJ córresponde al conjunto universal. g. Si tiene tantos puntos como hay en algún intervalo en elejer. 1. Si tenemos una máquina que produce tornillos. 0 ú :: 4000. Unespacio muestral que es finito o infinito contable frecuentemente se denomina espacio muestral discreto. Si lanzamos un dado. el resultado del experimento es que algunos pueden estar defectuosos.elresultadopuedeindicarsepor{CC. cara la primera y sello la segunda. 4. l-? tos como números naturales 1. EJ EMPLO 1 . entonces el resultado del experimento es el tiempo f en horas que se encuentra en algún intervalo. se denomina espacio muestral infinito contable. Así cuando se produce un tornillo será un miembro del conjunto {defectuoso. Los siguientes son aLgunos ejemplos. 6 | en tanto que otro es lpar. EJEMPLO 1. EJEMPLO1.12. Si lanzamos una moneda eI resultado del experimento es un "sello".CS. 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.2. por ejempio. Un principio fundamental es que si efectuamos tales experimentos repetidamenle bajo condiciones aproximadamente idénticas obtenemos resultados que son esencialmente los mismos..esdecirunodeloselementosdelconjuntóíqs)(ó{0. si lanzamos una moneda dos veces y utilizamos 0 para represenmr sellos y l para representar caras el espacio muestral (véase Ejemplo 1. como en el Ejemplo 1. simbolizado por S ( ó 0 ). por ejemplo. Tales experimentos se denominan experimentos aleatorios. Un suceso es un subconjunto A del espacio muestral. = ESPACIOS MUESTRALES Un conjunto oj que consiste en todos los resultados de un experimento aleatorio se llama un espacio muestral y cada uno de los resultados se denomina punto muestral. Si elemental o simple. (0.or . simbolizadaporc(ó1). EJEMPLO 1. etc. Si tiene tantos punl'ig. Silanzamosunamonedadosveces. es lógico que el último no sería adecuado pan determinar..13. sedenominaespacio muestral infinito no contable. EJEMPLO 1.16.dsdecirdos EJEMPLO 1.12) puede dibujarse por puntos en la Fig. es decir es un conjunto de resultados el resultado'de un experimento es un elemento de A decimos que el suceso A ha ocunido.14. un espacio o conjunto muestral de todos los resultados posibles se da por {1. Si un espacio muestrdl tiene un número finito de puntos. si lanzamos un dado el resultado del experimento es uno de los números en el conjunto {L.SC.15.3.6). no defectuoso}. 1)). 1-7 donde. .1 ) representaselloen el primer Ianzamiento y cara en el segundo lanzamien[tr.2.5.

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

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

entonces 1 6 ..cAP.. á3 son tres sucesos cualesquiera. como el de la frecuencia relativa de la página 6. Az. si A (10) t. El espacio muestral es e-I: {1... Podríamos lógicamente emplear otros procedimientos para asignar probabilidades.]) . Az. si suponemos probabilidades iguales para todos los sucesos simples.P(üñAz\ - P(A|¡A. La asignación de probabilidades provee un modelo matemótico y su éxito debe probarse experimentalmente en forma muy similar a como las teorías en física u otras ciencias deben probarse experimentalmente. Ar.) + P(Ar) + P(As\ . En particular.79.P(A.3. esdecir si suponemos que el dado es honrado..An (1+) P(Ai + P(Az) + . Hallar la probabilidad de que resulte 2 ó 5..2. Si asignamosprobabilidades iguales a lospuntos muestrales. Se lanza solo un dado. Teorcma 1-20: Para dos sucesos AvB P(A) Teorema = P(A1B)+P(A1B'\ (12) 7-21: Si un suceso A debe resultar en uno de los sucesos mutuamente excluyentes At..B\ Generalizando...entonces P(A) = P(AnAi + P(AñAz) *'...+P(4") = 1 (e) 1-19: Si A y B son dos sucesos cualesquier4 entonces P(AuB) = P(A) + P(B) . + P(ánA") (rr) ASIGNACION DE PROBABILIDADES entonces por el Teorema 1-18 Si un espacio muestral el' consiste únicamente de los sucesos elementales Ar. entonces P(A¿: '!y si A es k=1.5..P(AsnA) (rr) + P(Lt\AzñAs) También pueden hacerse generalizaciones a n sucesos.. EJEMPLO 1.. 1l CONJUNTOS Y PROBABILTDAD P(Ar) Teorema +P(A2)+.A..6}.. + 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).21. entonces P(A:U AzU ¿") : P(. Véase Problema 1.4..h h =: (15) un suceso compuesto por h sucesos simples tenemos P(A) (rd) Esto equivale al enfoque clásico de Ia probabilidad dado en la página 5.4.2.

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

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

o permutaciones diferentes como generalmente se les Uarnc está dado { 5 6 8 por Fig.P.to.2). Si las camisas se representan por S¡.. . (n . consiste de LM.P. n. B. en muchos problemas estamos interesados solamenos sin inteiesar su orden. . Tz. E. EJEMPLO 1. . l-10 (25) . El número de permutaciones diferentes de las 11 leüras de la palabra u M/SS/SSIPP. . -se deduce por el principio fundarnlntal de cuenta que el número de ordenácionás. elnúmero de permutaciones de n objetos lomados de r en r. n2 son de un segundo tipo. 41.. Así abc es di o lo Sin embargo. lógi tos es Sup n conjunto que consiste de n objetos de los cuales nr son de un nguir entre sí).7 manerias r * escoger ét segunaoiU¡e_ to-. .. 43 y 2p EJEMPLO 1.1 : nt (26) que se denomina n factorial.26. . . 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. l-10.10 CONJUNTOS Y PROBABILIDAD [cAP. Llamamos a . (25) se conüerte en = n(n-l)(n-z). + . = . son del hnr + nz + . y finalmente n 1 formas dó escoger-el r-ésimo objeto.6. Así el núm&o de permutaciones diferentes (28) Véase Problema 1. EI número de ordenaciones o permutaciones diferentes que consisten de 3 letras cada una y que pueden forma¡se de las ? letras A. 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. I 2 1 Fig. C.l. . clr no se Aquí. rr.. . 52 y las corbatas por ?1..34. = n(n. D.P. Tt. .5 = 210 . G es ¡P:t = fi. . y luego de hacer esto n de . Dichas selecciones se llaman combinah misma combinación. Para el caso particular cuando r: .24. .l)(n .r + l\ donde se observa que el producto tiene r factores. F.s de escoger el primer objeto. ?a.

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

Si A = {r l r2=4. Asf.{0. Puesto quetambiénBCC.2."áÁ y porüantoBC 1.t.-4} = t-\ñ} (D) .15:0).0}n {5.5)=0 sólosi x:B6x:6.5. üenemoe A-B = AñB'= (f) BñC = {6. (b) "A es el conjunto de ¡ tal que 12 : 4 y ¡ ) 9'. n]. ) La proposición es falsa.-4}n{0.-4}.enconhar(a) AnB. Por el Teorema 1-8.5.0. (a) AnB = {-12. r. no hay objeto que no sea igual a sí mismo. ee deci¡ ¡ € A.-.4 u n = {-fr.-fr. Un conjunto oomo {2} que consiste únic¿mente de un elemenüo algunas veces ae llzna conjunto singulo o unitaio y debe distinguirse del elemento que contiene.-4}n{+.üenemosB:{g. pertenecen á. DIAGRAMAS DE VENN Y TEOREMAS SOBRE CONJT. Entonces ya que AC B.r. el conjunto vacfo.-r/2. seaA={rl*esunenteroimpar).r.-2ly * )9._\E} . AsícadaelementodeB perten.sededucequeACB6B)Aylrrpropocición Obaérvese que esto se lee es verdadera- 1. -4} = {+. {*. entonces AcC. Yaque x2 -8x * 15:0 ó (r -3)(¡. (b) AUB. si el universo 'u = {}. OPERACIONES ENTRE CONJUNTOS.-4} = {-18. Otro método.6...6.o} u {5. página 3. (o) (b) (o {rln+ü} -. (e) A .6}. r>g} y B: {fr | r<l}.+.8 = {6. ". = {0.-rt. puesto que {9} es un conjunto no voclo que conriste del conjunto vacío. B: {x I x2 -8r+.5. r.-fr}.+.+. ¿Es cierto que {2} : 2? No. se sigue queA: @.0|.+._\E}. Demostra¡ que si Ac B y B cC.4.u C. Sea r cualquier elemenüo de á. 1.B: eonjunto de elementos en A que no están en B : [0.0.5.-tf2. (e) A-8.-{2.o.pueotoqueloe elementos 3 y 5 son enterosimpares. -rt.-4} = Entonces (BnC\' = {0.".5. 0. +.o. (d) B' : conjunto de los elementos en t/ quenoestánen g = {0.-¿}. (d) B'u C'.. Puesto que no hay un númeror tal que x2 :416x:2. 2 es wn número re¿l mientras que {2} esw conjunto que consiste del número real 2.6.3. Determinar cuáles de las proposiciones siguientes son verdaderas y cor¡egir las que son falsas.'NT\OS 1.Demostrarque BcA. 5.4} utilizando el re¡ultado de (b). Puestoque el conjuntovacloesunsubconjuntodecualquierconjunto. es deeir B ee un subconjunto de A. C' : conjunto de los elementos en 'll que no están en C : {0.5.0.r.-4} (c) (AuB) n C = {-{2.r} = {0.o} u {0.L2 CONJUNTOS Y PROBABILIDAD lcAP..2.lQ}. (s) (AnC) e (Bne. El error radica en escribi¡ {@} por @. Cualquier objeto particular se supone ee igual a sf mismo. (/) (Bn C). es decir cada elemento de A eetá en 8.--4} n {+. (c) (AUB)nC. Entonces {x I x * x} : e.r} {*. Entonces B. tenemos x€ B. entonces B) A. aA. 1 L. -4} y los subconjuntos de u están dados por A : {-\n. Aeícadaelemenüodeá esunelemento de C y por tanto A C C.r).-qyC = {+. . tenemosque¡ € C.o.-{r).

(b) Ilus- har el resultado de la parüe (c) empleando un diagtama de Venn. 1-11 la región sombreada representa (A U B)'. 13 el de la parte (d) ilustra la segunda ley De Morgan. y se observa que esta región es igual a la región sombreada de la Fig. Demostra¡ que para cualquier conjunto A y B tenemos A Método 1. En el diagrama de Venn de la Fig.-ll . {r {" (AnB) u (A nC) 1. Luego At ñ f|' se representa por la región doblemente rayada en donde se encuentran ambos conjuntos de líneas. 1-12. l reA¡B 6 neAnB'} M6todo 2. Teorema 1-6.69).xeB 6 reC} I s€A.7.al : (ArtB) u (A^B') : (AñB') u (A¡.reBuC} I re A.reB 6 r€A.8. Entonces A n (BuB') A r. Fig.reC) @ | reA"'B 6 xeAnC\ {. sirve para euminishar relaciones posibles entre conjuntos que luego pueden probaree por métodos similaree al dado en (o ). 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. Sin embargo. B n C = {}. (sl AnC = {-\/-2.9. elconjuntovacío.cAP. Región sombreada = (AUB)' Región doblemente ¡ÜEÉru¡r qvvrs¡¡¡E¡¡w rayada ]_"7. .neB\ = {r I neA'.8') A = (AnB)u(AnB') El resultado puede generalizane (véase Problema 1.74). = (AnB) u (AñB'). Teorema !-L?tt.2. En Ia Fig. (AuB)' = {r I r4Ar-tB} = {" I rCA.@. Sea C:8' en el Problem¿ 1. 1l CONJUNTOS Y PROBABILIDAD Obsérvese que este re¡ultado conjuntamente con Tborema 1-12b. (o) Tenemoe págrna 3: (A u Bl : A' n B'. (c) Demostrar la primera ley De Morgan. Ao(BuCl = = = = = l r€A. (AnB) u(AnB') A : {r I reA) = {. página3:Tenemoo An(Bu C) = (AnB)U(AnC).r€B') (b) = A' ^B' El resultado puede extenderse a cualquier número finito de conjuntos (véase Problema 1.nn. 1-11.8.-4} Entonces t.-¿l = {+. (A¡C\ u(BnC) : @u {*. l-12 Obsérveee que un diagrama de Venn no suministra una prueba como la dada en la parte (o).-¿} [Vóase pa¡te (f)].0} n {*. página 3. Demostra¡ laprimeraley distributiva. 1. l-ll Fig.

es deci¡ rey (ó) 4 n I : {rey y trébol} : {rey de trébol) de trébol)) (c) Puesto que B Luego A U Bt = {trébol}. . . . @) AUB'. (o) A U B = {o rey o trébol (o ambos.4 el suceso {se extrae un rey} o sencillamente {rey} y B el suceso (se extrae un trébol} o sencillamente {trébol}. pica}. Denotando corazones. Describir los sucesos (a) AUB.11. (e) A-8.1-14.2). rey de corazones. Emplear la Fig. si . 13}. = A.12. B': {no trébol} : {corazón. por ejemplo..CONJUNTOS Y PROBABILIDAD [cAP. Luego el espacio muestral consiste de 52 puntoo indicados en la Fig.).UB.4. También puede considera¡se observando que (A ñ B) U (A n B') : A. Refiriéndose al experimento del Problema 1. . (e) A. (d) A'U B' : {no rey o no trébol} : {no rey de trébol } También puede considerarse observando : ( cualquier carta pero no el rey de tréboles} que A' V B' : (A ñ B )t y utilizando (ó ). podemos indica¡ una jota de picas por (11. Describir el espacio mueshal (o) no se tiene en consideración el palo (b) si se tiene en cuenta el palo. (E) @ nB) U (A ñ B'):{(rey y trébol) o (rey y no trébol)): irey}. (q AnB. 1. 1.10.nB. picae. diamantes y tréboles. También puede considera¡se observando que A. picas.).. jota. 2.L4 . 1 EXPERIMENTOS ALEATORIOS. de Teorema 1 era simila¡ todos lo¡ obeervarse de la Fig.-8. (d) A. 3.10 sea.. 2.B -{reyperono trébol} Es lo mismo que A ñ B' . de acu gamas Fig. I diagrama eden de indicarse A U B. diamante. .B. diez. (b\ A' se 1.11 com ^ B' .. . rey. picar. y (b) Si tenemos en cuenta los paloc el espacio muestral cronsiste del as de corazón. . (o) Si no tenemos en cuenta los pdos el eepacio muestral consiste de as.n(8.{rey y no trébol}.A. . 1-13. . diamantes y héboles respectivamente por l. . diamanües y tréboles. 1-13 para describi¡ los s sucesos (a). . Se extrae una carta aleatoriamente de una baraja de 52 cartas. reina. (n A'-3' :{no rey y no "no trébol") : {no rey y trébot}: (cualquier trébol excepto el rey). (f) A. .4 u B. B. puede indicarse como {1. dos. ESPACIOS MUESTRALES Y SUCESOS 1. : (rey o corazón o diamante o pica).(g) (AnqU (AnB.

Ar ) - 0 por el Axioma 1. página 6.77).B) son mutuamente excluyentee. l-15 (An CALCULO DE PROBABILIDADES 1. tenemos usando el Axioma 3 y el Teorema 1-14: P (A u B) | i'. Una carta se extrae aleatoriamente de una barqia de 52 cartas. Entonceepuesto gue. Demostra¡ el (c) Teorema 1-14. ñ A' : Qtenemog 1 es decir PIAJA') = P(ó) 6 P(A)*P(A') = P(A') = l-P(A) (b) Tenemos el diagrama de Venn de la Fig.At son mutuamente excluyentee.At) = P(Azl .cAP. (c) Teorema 1-16. Demostrar (a) el Teorema 1-17 y (b) el Teorema 1-19.42 ) = P(Al ). axioma 3.P(Ar) Puesto que P(. 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.(A ñ . Encontrar la probabiüdad de .14.13.A¡ ) en donde . asr que Entonces por el P(42\ = P(ár) * P(A2.^^'rl i' r"u r--' resultado (l ) puede establecerse directarne¡rte (véase Problema 1.4n8)l Entonces puesto que los conjuntos A y B .Ar. P(Az. también ee rigre queP(. (o) Tenemoe Az : At U (Az . 1l TEOREMAS SOBRE PROBABILIDAI) 1. (b) Con anterioridad sabemos que P(A) > 0 por el Arioma 1.Puesto que P(eJ) sfnp = Q se sigue del Axioma P({)) 3 que s = P(d)+P(Q) 6 = 1. página 6.41 y Az .15. página 6.42 . Para demostrar que observamos que A C et. Aunque hemos utilizado el diagrama de Venn el i rlu^') ". (o) Tenemos AV A' :s[. 1-15 (1) AUB: AUIB -(. (b) Teorema 1-15.

13 . 4 bolas blancas y 5 bolas azules. Por simplicidad utiücelnos C. (e) cualquier palo excepto corazones.L ñD ó 1 n ") =P((1 n c) +P(1 nP) +P (1 nD) +P(1 n r) 11111 = 52. .16 CONJUNTOS Y PROBABILIDAD [cAP. l-r 1.. Puesto que este complemento tiene 52 .P(C) = ! P(L0 Ln = ?uti[zando laparte (d)y elTeorema 1-1?. (c) un tres de tréboles o un seis de diamantes. (e) P(C') - 1 .sz = Lg Tbmbién había sidq posible conseguir este resultado del espacio mueshal del Problema 1. 1-16.52.1l _ 9 .. doo. Empleemoe el espacio muegtral del Problema 1.[P(4) +P(")-P (4 n T)] _. Asf g n C significa tree de corazoneo... 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. (e) roja o blanca. trébol. rcy. D.y 1. 1 que sea (g) un as. .16. pica. Pero por el Teorem a 1-t2 (a).. eeto es 1/4.. t (b) P(11 ñC¡= :- (c) I * -I^ 26 ) +P(6 ñD¡: 62 52 = I " . por ejemplo. Una bola se extrae aleatoriamente de una caja que contiene 6 bolas rojas. página 6. (f) un diez o una pica" (g) ni un cuatro ni un trÉbol. ? para indicar coraz6n. en tanto que S U C significa tres o corazón.10(o) en donde cad¿ punto mueehal.2. en particular "as" tiene una probabilidad de 1/13. 1... Determinar la probabilidad de que sea (c) roja. Por tanto puede denotarse por P(4' ñ ?'). (b) blanca. P(4'^T')= 4(4 U ")'l: L- P(4 U ?¡ : 1.* h* . asignando probabilidades iguales de tl52 : L162. (c) azul.4' ñ T' = (4 U ?)'.n. respectivamente. (d) un corazón. 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 1/13.10(tr). (b) una jota de corazones. a cada punto mue¡hal.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. 13 pot aa. # -. .* (d) P(c):P(ln c 62ñc6. P. (d) no roja.lsnc) = #. diarnante.# = 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. Así.16 : 36 puntos muestrales en él y cada punto muestral tiene una asignación de probabilidad Il52.la probabilidad requerida es 36/52 = 9/13. P(6 n (o) ") P(1): PG^e ó 1nP ó.

Método 1.::"fl'"".4 1) :316 (ya que 4.15 . 6 6 6 en el primer lanzamiento V 1.t""i: ..También i"-or usado P(. Puesto que los sucesos R y B son mutuamente excluyentes se deduce de (4).H 10 2 6+4 6+4+5 .cAP. un total de factibles. Entonces P(ArnAzl . 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. P(AroAr) = P(At)P(A2lAr\ -. Cada una de las 6 maneras en las cuales un dado cae en el primer lanzamiento puede asociarse con cada una 6.6:36 maneras. Entonces si asignamos probabili' dades iguales Ll15 a cada punto muestral observamos que P(. ' SeanAl elsuceso "4rS ó 6 enelprimerlanzamiento" y Az elsuceso "7r2. Entonees L1 (o) P(n)= Mótodo 2.5 o blanca También puede resolverse l¡tilizando el espacio muestral como en la parte (c). B y A los sucesos de extraer una bola roja. . blanca y azul.2.364en elsegundo lanzamiento". . página 6. --6+4+5=1b=s 662 Nuestro espacio muestral corisiste de 6 * 4I 6:15 puntos muestrales. 2.1?. 19 1 . debido a que hay 6 puntos muestrales que corresponden a "bola rojatt. P(roja o blanca) : P(R u r) : -"""'.3 6 4 en el segundo lanzamiento. 4: 12 maneras en que tanto A1 como . 1l CONJUNTOS Y PROBABILIDAD Método 1.) '!' .P(At)P(A.R ) : 6/15 : 215.á = | Método 3. de las 6 maneras en que cae en el segundo lanzamiento. norparte(c). Método 2. r(RUB)=P(A'): 1-P(A): I .42 ocurren.J. 5 ó 6 son 3 resultados de las 6 probabilidadés igualmente factibles) y P(Az): ltO (ya que 7. Denótese por R. .'"::. Un dado honesto se Ianza dos veces. Método 2.3ó 4 son 4resultadosdelasGprobabilida' des igualmente factibles). Luego estamos buscando P(Ar ñ A2). Hallar la probabilidad de obtener 4. respectivamenüe. (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. que P(nuB):P(R) +P(B):?*# = ? PROBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES 1. .l+)l+) = I \6/\6/ 3 Hemos empleado aquí el hecho de que el resultado del segundo lanzamiento esindependiente del primero así que p(ArlAr): pier).

' ( #)l#) == # r\ P(A1l:4152. a (2.3) (3. (b) no ambar¡ sean se remplaza.) = (b) Como en la parte (o). {) (5. 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) a a aa (5. También. = las 51 cartas restantes. 1 Esto indica directamente que A 1 y A2 son independientes puesto que . lanzamientos de los dadosobservamosquelaprobabilidad de no 7 u 11 en el primero o segundo lanzamientos está dada por empleando el hecho de que los lanzamientos son independientes. l-17 Utiüzando subíndices t. l) (1. así que P(A2l Ar Sin embargo si ocurre un as en la primera extracción quedarán 3 en ) : 3/51. Puesto que los dados son honestos y hay 36 puntos muestrales asignamos la probabilidad 1/36 para cada uno. Entonces estamos (o) Puesto que para la primera extracción hay 4 ases en las 52 cartas. 6) El espacio muestral para cada lanzamiento de los (r.1) a Se deduce que la probabiüdad de no dada por ? u 11 está 345 Primer dado P1A'¡ '= | . .2l a a (6.azamiento la segunda ca¡ta también puede extraerse en una de las 52 maneras posibles."A) = P(A) P(A. todas igualmente factibles. .l Método 2.2gara indica¡ y 2o. Así que ambas cartas pueden extraerse en (52)(52) maneras.2) signitica que el resultado del primer dado es b y el del segundo 2. Por ejemplo (5. Hallar la probabilidad de que ases si la ca¡ta (c) se remplaza. r'(A. /. A. p(A.tp(A2 A¡\ = (52")(*) = . Entonces P(ArnA.6) I (¿. l) (3. Método 1. r) (2."t (ol La primera carta puede extraerse en una de las 52 maner:u¡ posibles y ya que hay rempl.3) Si A es el suceso "7 u 11" entonces A se indica por Ia porción sombreada en la Fig.6) a (3. oaa (3.nA") =+:(. Se extraen dos cartas.19. l'ig.2. Así ambas cartas pueden extraerse en (52 ) ( 51 ) maneras. \. 1. Sea A1 buscando suceso ttas en la primera extracciónt' y . puesto que también hay 4 ases en las ó2 ca¡tas para la segunda extracción. 1-17. (2. si la carta se remplaza para la segunda extracción. Puesto que se incluyen 8 puntos tenemos que P(A ): 8/36 : 219.42 suoeso "as en la segunda P(Arñ A2): P(A1) P(A2l A t). Entonces P(A. I a a aa (r. de una baraja de 52 cartas.18. 1-17. aa {) (6.)(á) = P(ArP\A2l (2.3) (8. 6) ({. todas igualmente factibles.P(Al -- L 27 -::99 1o. entonces P(A2 | A r) : 4152.18 coNJUNTos y pRoBABILTDAD lcAP.6) (2. dados se muestra en la Fig. extracción". Encontrar la probabilidad de no obtener un total de 7 u 11 en ningunó de los dos lanzamientos de un par de dados honrados. P(A¡): 4152.2 a (6.3) (4. 6) a 1.

(b) no se remplazan. Se extraen tres bolas sucesivamente de la caja del Problema 1.cAP. pero Bon independientes.21. lanzamiento y no 4 en el 2o.J requerimos A2: : suceso "4 en el prirner lanzamiento o 4 en el segundo lanzamiento o ambos" suceso t'al menos un 4" A2).6 : 36. lanzamiento) = | .42 ocurran : 1 .16. : guCe¡o (o) Si cada bola se remplaza. 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+ \=. 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).P(At) P(Az\ 1 r /t\/t\ rr Por üanto. Los sucesos A t I Az no son mutuamente excluyentes.suceso "roja en la primera extracción". Si Rl .P(ALñ42) = P(A) + P(A!) . blanca y azul si las bolas (a) se remplazan. : 6.A2 ocurra pero : no At : 5 5 número de maneras en las que tanto A 1 como . Hallar la-probabilidad de obtener al menos un 4 en dos lanzamientos de un dado honrado. número de maneras en las que A 1 ocurra pero no Az nf¡mero de maneras en las que .Rr ) p(82 lnr )p(A3 In.Rr n 82 ñ At):p(. I}2 : süc€so "blanca en la segunda extracción". Nfrmero total de maneras igualmente factibles en las que ambos dados pueden caer También. por (1Ol V QI ) = 6'u-\ui\u/ * = * Método 2.P(ningún 4) : 1 -P(no 4 en 1er. 4 Az 1. llallar la probabilidad de que se extraigan en el orden roja. Sea A I: suceso "4 en el primer lanzamiento" y : suceso "4 en el segundo lanzamiento". 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.P(A'rnA'"\ = | . entonces los sucesos son independientes y p(. P(al menos un 4) Entonces P(al menos un 4) P (ningún 4) = 1 : 1 . P(ArU Método 1. Así la probabilidad pedida es (4X3) (52)(51) I 2 1.P(A')P(A'2| = '! -(8X*) = *" Método 3. A3 "azul en la tercera extracción". Requerimos P(Rl ñ 82 n A!\. Así Art.20. P(A'tuA) = P(A) + P(A) .

página t. Puesto queA resulta en uno de lossucesos mutuamenüe excluyentes 1-22 (Problema 1..23.26. Extensiones para valores mayores de n se obtienen fácilmente.4 debe resultar en uno de los dos sucesos mutuamente excluyentes At. Az entonces A = (AnAr)u(A¡42) PeroA ñAt y Añ Az son mutuamente excluyentes puesto que A1 y A2 lo son. 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. fcAP.22.)("+-ri-r:ri ---r:\ \2/\2+8/ \-/\-.23 con A: R.41 U Az): 11/36. (c) una sea blanca y una negra. (d) P(BtnBil:P(Br )P(B2lBt):P(Br )P(B) = lt!")/-=) + 5/ = I 4 \4 + 2/ \3 P(B'tñnb:pelp@. página 8.24 que quien lanzala moneda no revela si resulta c¿¡ra o sello (de tal forma que la caja de 14 cual se sacó la bola no se revela). I|2 : süc€so "bola blanca del segundo talego". Supóngase en el Problema 7. Az: II. hallar la probabilidad de que (¿) ambas sean blancas. (b) ambas sean negras.. si se obtiene sello se saca una bola de la caja /I. Demostrar el Teorema 1-23.20 CONJUNTOS Y PROBABILIDAD Luego el número de manera¡ en l¡as cuales por lo menos uno de los sucesos 11.2/ 5 z TEOREMA DE BAYES L25.lB't)=P(B')P(Bi¡ = 1-P(Br ñB)-P(Bin B'r): (b) (c) (-1=)1=+) + 2/\3 + 5/ \4 = : 24 La probabilidad pedida es t -i-* = # 1.. Si se extrae una bola de cada talego. Así la probabilidad de sacar una bola roja P(Rt - P(nP@ Il+P\II\P(RIII¡ = /t\/ I \ /r\/ z (. Asípor P(A) = P(AIA)+P(A^AI') = P(A) P(A i A) + P(42\ P(A I A2) 8. 1 : Ar ó A2 ocurraes- 5 +5+ 1 L. Puesto que una bola roja puede resultar al escoger cualquiera de las cajas podemos em. j Dor tanto ". Demostrar el teorema de Bayes (Teorema L-24. otro contiene 3 bolas blancas y 5 bolas negras.\P(A:A.I. Un talego contiene 4 bolas blancas y 2 bolas negras. Hallar Ia probabilidad de sacar una bola roja. plear los resultados del Problema 1. Se lanza una moneda honrada.. La contiene 3 bolas rojas y 2 azules en tanto que la caja II contiene 2 bolas rojas y 8 azules.23) Ay A2. . Axioma 3 empleando (I8).24.O*' P(A\'Aki \ P1A¡ A¡ = P(A) P(A I Ak) P\Ak^A) = --PÁt ) P(A¡l P(A' Akl 1. Si se obtiene cara se saca una bola de la caja. SeaB¡ : suceso "bola blanca del primer talego". Por tanto P(.píryina9). An tenemos por el Teorema P(A) = P(AI)P(A Ar) + ' " + P(A.. Demostramos el teorema para el c¡¡so n : 2. At : I.) . Si el suceso . pero revela que se sacó una bola .

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

Halla¡elvalorde (a) . Luego hay 3 maneras de llena¡ la tercera posición. g. 2..7. La primera posición puede ocuparse por cualquiera de las cinco bolas. puestos). Se quieren sentar 5 hombres puede asociarse con cada ordenación de las mujeres. = 5. (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). persona!¡ tomadasde 4en 4es = tC. Así pues.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 .31.2.3. ¿De cuántas formas pueden sentarse? Los hombrcs pueden sentarse de 5P5 formas y las mujeres de 4Pa formas.. (n . 4. .oPo = 514! = (lZO)\24) 2gg0 1.29. Por tanto: El número de ordenacionesde 10 En general. Entonces 9' sPs : I .28. (d) rPr. Obsérvese que cuando | = tr. 1.6 . y 4 mujeres en una fila de modo que las mujeres ocupen los sitios pares.336 (b) Pq = 6. nPr. La segunda. El primer número puede ser cualquiera entre 9 y los tres restantes pueden elegirse de gPa formas.. La segunda puede ser cualquiera entre 9 (no puede ser la que ocupó el primer puesto)..30. (o) La primera puede ser cualquiera entre g (el 0 no).9si(c)los números pueden repetirse.32.4.8.1 = 6 1. es decir hay cinco maneras de llenar la primera posición. 1 Debemos ordena¡ 5 bolas en 5 posiciones así -.r * l) Esto se conoce como el número de permutaciones de n objetos diferentes tomados de r en r y se denota por P. 7 : 4586 sonlos númerosque puedenforma¡se.rP. puestos).3 = 860 (c) . (b) uPo. . cuando esto está hecho. ¿Cuántosnúmerosdecuatrocifraspuedenformarseconlosl0dÍgitos0. 8.5. Otro métod<¡. ¿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. hay 9 formas para ocupar el segundo puesto. á maneras de llenar la cuarta posición. Cada ordenación de los hombres Elnúmerodeordenacionespedidoes = "Pr. (c) tsPt.22 CONJUNTOS Y PROBABILIDAD [cA?. I . 3. 1.. (¿) aP¡ = 8. = 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) . y finalmente sólo 1 manera de llena¡ la última poeición. Cuando esto se haya hechó hay 4 maneras de llenar la segunda posición.2..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.. 120 Elnhmerodeordenacionesdenobjetosdiferentesenunafilaes=n(n-l)(n-2\. (b) si los números no pueden rcpetirse. = r¡ ! como en el Problem a 1. por tlnto: El número de ordenacionesde lag 5 bolasen una filaes En general. . 9 . Entonces I ' 10 ' 10 ' l0 : 9000 son los números que pueden formarse.8. L = b! =. tercera y cuarüa pueden ser cualquiera de las 10.1..7: 4536son los númerosque pueden formarse. l.Pr. S para ocupar el tercero y 7 para ocuparel cuarto.

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

se forma un corúité de 2 matemáticos y 3 físicos. 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.b = 126 1. 2 físicos restantes de un total de 6 puedtn elegirse de eCz formas. b! ?. ¿De cuántas formas puede elegirse una comisión de 5 personas de entre 9 personas? /g) = ^c.39. Hallar el valor de (a) zCq (b) aCs.37. n.. Número toüal de selecciones posibles = sCz. lo que es evidentemente 1.rl nP' 1.38. Por tanto El número de ensaladas Otro método. ae llamanúmerodecorñbinacionesdelosnobjetostomadosderenrysedenotapor.24 CONJUNTOS Y PROBABILIDAD lcAP.2delasSverduras.. Entonces tC+:I. es:25 - 1 : 31 Puedeseleccionarseldelassverduras. Nfimero total de selecciones posibles = sCz' zCs = l0'35 = 350 (b). En general el número de grupos distintos de r objetos que 8e pueden formar con. 2 matemáticos de un total de 5 pueden elegirse de sCz formas.2 = 6. oCz = 10 .ur .Olf/Vvienedadopor ^ n"r nl /"\ \r / ..5.5 71 ^ (ol . ¿Cuánt¿s ensaladas pueden preparañ¡e con lechuga.4!B! = 7.8. (c) dos matemáticos determinados no pueden estar en el comité? (a) 2 matemáticos de un total de 5 pueden elegirse de sCz formas.C..4O. 5. De un total de 5 matemáticos y 7 físicos. 4. 3 físicos de un total de 7 pueden elegirse de zCs formas. 1. no teniendo en cuenta el orden de los objetos dentro del grupo. 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).objetos dados. Pero las 2s forma¡ incluyen el ca¡o de no seleccionar ninguna verdura. (c\ eC+ 7. 3 físicos de un total de 7 dan 7C3 formas.4 = l4. escarola.rl(n-rll n(n-11"'(n-r+1) r! . _ e! _ \s/-sws-BJ]T- e.6. como si se escoge o como si se rechaza.CL-l tC2+5Ca+ sC4+ scs : 5 *10+ 10* 6* 1 : 31 .6.Entonceselnúmerorequerido de ensaladas es -. ¿De cuántas formas puede formarse. endibia. el número de formas de considerar lias cinco verduras es 25 formas.SdelasSverduras.5.1 = o'' --ll (b) oCs = 6 ! = 6.6. (b) un físico determinado debe pertenecer al comité. si (c) puede pertenecer a él cualquier matemático y físico. Número total de selecciones posibles = tCz'tCs = 3'35 = 105 L. = #h = I si se define Nótese que formalmente aCa 0! = l.. 15 = 150 (c) 2 matemáticoe de un total de 3 pueden elegirse de sCz formas. beno y achicoria? Cada verdura puede tratarse de 2 formas.

Si escribimos lo¡ coeficientes de la expaneión binomial de (c * U)" púa n :0..r)'! r! (n .B. ee decir k = 4.t) + f" .eüc. Demostrar q"" Tenemos que 11) \r/ = l" . Con 7 consonanps y 5-vogaJes diferentes. . r0. 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. Halla¡ el término constan6 en h exDansión de 1r. Aeí10:4I6.. 10 ' 6040 : 1 ?64 000 COEFICIENTES BINOMIALES 1.41.11.z.1r .tFV=fr .r e =4e6 .1¡¡ 1" .*-."¡ /¿-r\ /"-r\ \ " )-\"-t) El resultado tiene la siguiente aplicación interesante. ¡raracualquier enteropositivo n.1l CONJUNTOS Y PROBABILIDAD 26 nCn Engeneral. 3 vocales) pueden ordena¡¡e entre sf de zPz : ?! forma¡. \ r / \r-1l' (n-r*r)(n-1)! r! (n . lss 3 vocsles de s0g formac consonantes. 1b:10 * 6.42. ¿cuántas palabras pueden formarse. que consten 4 consonantes y 3 vocales? No es necesario que las patabras tengan significado..r)l (¿-l)! (¿-1)! .. 2. de 1. ee 1. Entonces: El nhmero de palabrae y las ? letra¡resultantee (4 q 7C1 ' óCa ' ?! : 35 .' \"/ ü/ \ El término conetante corresponde a aquel para el cual 3& . n0r+ ncz+.1). .*. De acuerdo al teorema del binomio *'\. 1.Cs+ -. $ \k /' 3 \& /'. .+!\". La¡ 4 coneonantes pueáen elegirse (!e lC+ formas. obtenemoa Ia distribución conocida como el trióngulo de Poscal: n=l n=2 n=3 n:4 n=5 n=6 et¿.r)l (n-r)(n-L)l * r(¿-1)! r! (n .11)"-. 'xl (**!\" = r-:o (1?).= xau /rz)'.cAP. ! = 2r-1.y por tanto eetá dado por /12\ _ \n/= 12.!2 = 0. 4.43.

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

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

'. Bz. B gana 4 y 2 tnrmrnan en tablas.) suponiendo que los resultados de cada partida son independientes de los resultados de la¡ ohas. (ó) quien lanza segundo los dados gane. luego A o B gane.18 y Fig. t.':.4343) = 64. luego gana A. supuestamente honradoe. A 3 los sucesos " A gana" la 1. (c) A y B ganen altemativamenie. -/¿\/a\1¿\ = le ^ \3/\3/\3/ 27 1. lanzamiento.Asílaprobabilidad. Hallar la piobabiüdad de que (o) A gane las tres partidas. luego B.10..Xt(. Quien obtenga primero un total de 7 q^? el juego.49.z. I|3 los sucesos "B gana" la 1a. 2a. 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) = (.P(B no gane ninguna partida) t .6990) - 50(0..:'. es 1/6 como se determinó en el Problema 1..:. (b) dos partidas terminen en tablas. partida respectivamenüe. Probabiüdad = {¿)(f )($).íll 36 (d) P(B gane al menos una partida) : 1 ."u j /t\/r\/t\ * /r\/r \/r\ = \r/\5/\r/ \¡i \zi \¡i 5 . A pierde en el ler.4972) + 50(1. PROBLEMAS DIVERSOS 1.^.46) 5 /s\ " \í)o'n'-' = t(.4836 N= 3.P(B'roBj¡B'r) L .. 1-17. partida respectivamente.P(B') P(B. Denótese por A B t. .. un nfimero que tiene 6b dígitos. 2a. lallar la probabilidad de que (o) quien lanza primero los dados gane. 1á¡ n gane al menos una partida. y 3a.28 11 CONJUNTOS Y PROBABILIDAD lcAP..i :.:.50 A y B juegan lanzando alternativamente un par de dados.04 x 100r. Acuerdan jugar un torneo consistente en 3 partidas. 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. luego B) == ". lanzamiento. (o ) La probabilidad de obtener 7 en un sólo lanzamiento de una pareja de dados. \a) = n /r\2/<\ (c) P(A y B ganen alternaüvamente) : P(A gane. 1 = ¿los100 | ¡lor3142 + 11 = i(zl * de donde 50 1og50 - 50 log2?18 .) .) P@. Az. (Esta suposición no sería justificable si un jugador fuera influenciad. y 3a.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.de2tablasenBpartidases(réase Problema 1.'J?fi '. luego A. Probabiüdad : 1 /6. A y B juegan 12 partidas de ajedrez de las cuales A gana 6. luego pierde B.

que la segunda es blanca.(5/6)2 11 . Así la probabilidad de que g. Así Probabiüdad pedida = -H*-P 1.02 . estén vivos en 20 años. (b) ninguno viva. pierde B. 1. Suponemos que . l|/ los sucesos que el esposo 0. Véanse Problemas 1. pierde B. Entonces y lI/ son sucesos independientes. P(H): (o) P(ambosüvan) = P(H1W) = P(H)P(W) : (0.*/q\'*/q)'* \o/\e/t_' \o/'.9) = 032 (ó) P(ningunoviva) = P(H'nW') = P(H'\P(W') = (0. pierde A. Puesto que se sabe que la segunda bola es blanca solamente hay 3 formas de las restantes 8 para que la primera sea blanca.tJ es cero ya Así iríamos 6 a 5 a que el primero que liance gana. I|2 son los suceoos "blanca en la primera extracción". estamos buscando P(Br lB2).\6/ =5136=5 1 . gana A. Nótese que la probabiüdad de un empate que 11 ' 6-5 11 1 Esto no serfa verdadero si el juego fuera limitado.51. de tal manera que la probabilidad es 3/8. Prqbabilidad = (áX8X8X8X+).8. (c) al menos uno viva. Una caja contiene 5 bolas rojas y 4 blancas. el 3'/o 6 360 son defectuosos y 11 640 no lo son.cAP. Las probabilidades de que un esposo y una esposa estén vivos dentro de 20 años están dadas por 0. 1l CONJUNTOS Y PROBABILIDAD 29 (3) A pierde en el ler.151 y 1. : 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) .F/ y la esposa./l)/q)lq\It\ \6/\6.' \6/\6/\6/\6/ * = /q\/r\T./s\/¡\/o\/s\/r\ * \6/-\6i \6/\u/ \6i \6/\Bi \u/\6i 1l-. Hallar la probabilidad de que de 600 tornillos seleccionados aleatoriamente 12 sean defectuosos. ¿Cuál es la probabilidad de que la primera también sea blanca? Método 1. 1. "blanca en la segunda extracción". Bl. P(W) : 0. Hallar la probabilidad de que en 20 años (a) ambos vivan. gane es /t\ /s\/s\/r\ .2)(0.52.8 y 0. respectivamente. respectivamente.8)(0. Este resultado se obtiene así Si P(BJB)='+#=elwq=* Método 2.53. De 12 000 tornillos. lanzamiento. Sean ÁI. Una rnáquina produce un total deL2 000 tomillos diarios de los cuales en promedio elSVo son defectuosos.9.9 respectivamente. Se extraen dos bolas sucesivamente de la caja sin remplazamiento y se observa.1) = 0.152. lo cual puede ser o no razonable.

54. 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..nA2n.) p\AztAttp(A.u) las es la ¡uma de las probabilidades de A¡ desde t hasta n.A..ñA2t : p(At\p(A2lAt\ = (*)("=) aProPi"ao ü.Tenemosporejemplolosiguiente: (z) P(A)=+ yanálogamente PlAr¡=L ya que de lo¡ n sobres rolamente 1 tendrá la dirección apropiada.i1-:.). U A.42.\ri )\" " ' " + (-r)^-'l'\l+) = r-fr+i-"'+1-t¡"-'I cz \z/!t!/ Del cálculo sabemoe que (véare Apéndice A) = lf ¡*#. ...30 CONJUNTOS Y PROBABILIDAD [cAP.xt"1B"""ntJfi::::i*il'ff..nA) = ''-n' P(A¡ñ A¡ ) hay (.\ /"\/t\/ I = (l)(t)-l:)/l)l \.(+ll-+ll=+) \.79) tenemo¡ (1) donde E P(A¡) + )P(AinAinAk) P(áruAru.* r-e-l I : 0.#.etc.) Ap) hay ( (+)l=+) \lr/\tt . Por tanto la probabilidad pedida es p(ApAzu-. página 7..02 = 0.i/ . 'á P(4 ñ A¡ ñ que tienen ) = "r"términos el valor dado por (4).) "1 ó 1.6321./\ .C2 términos que tienen el valor dado por (3). . . El resultado ee a¡ombroso ya que la probabilidad permanececasi constante para n ) 10.. cegunda. ='-('-+r.. Por üanto.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..98 1.vAn¡ 1\ t..0. Entonce¡ el ¡uceso al menos una carta en el sobre conecto es.1/ nl (5) Entonces en la suma > Análogamente en E p(A. -r/\n-2/ (+) = + \..sobre "nto"o' *to '' de los rectantes n- 1 sobres estará (4) p(AtnAzr1A¡) = p(Á.ri.. Una secretaria ineficiente coloca ncartasdiferentes en n sobres con destinos diferentes aleatopiada. ."uAn) = )r(¿*) -)e6'tnl'r) "' * (-t¡"-t P(At^A2¡ " n.1/ =. A partir de la generalización de los resultados (10\ y (1 l)..lAtnAr) y así aucesivamente. Tbmbién (E) p(A.r) .. E P(A¡ ñ Ar) es la suma de probabilidadesdeA¡ñA¡conjyhdeedelhastanyh)j.1) .=t \/ .U An y deeeamos hallar P(A¡ U A2V.\t/\..4¡ U AzU'.-. 1 (c) P(al menoc und üYa): 1 -P(ninguno viva): 1 .f'.. finalmenrte . Hallar la probabilidad de que al menos una de las cartas llegue a la destinación aproDenótensepor A¡."./\. aefqueparar:-l e-.. n-ésima carta ¡e encuentra en el gobre correcto. lo¡ sucelo¡ primera. riamente. (véase Problema 1.

Describir A de acuerdo al (o) método de extensión. tnp = . .cAP. el segundo término y los términos superiores a la ae 1S¡ son dlespreciables comparados con el primer término. 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.(. D = {t I 12<16)..-*(n-1)2 - n(n . (b) método de comprensión. Por tanto tenemos n.165/\'.58. 3. SeaA = {r r2-3r*2=0}. suposiciones que no se cumplen genetalmente en la realidad. La primera de las n personar¡ tiene lógicamente algún cumpleaños con probabilidad 365/365 : 1. Entonces. 1l CONJUNTOS Y PROBABILIDAD 31 1. Análoga' mente la probabilidad de que l¿ üerce¡a persona üenga un cumpleaños diferente de las dos primetas es 863/365. Suponemos que solamente hay 365 días en el año y que todos loe días de cumpleaños son igualmente probables.2 -r¿-506 = 0 = 0. Denotando la probabiüdad dada por p y tomando logaritmos naturales hallamos (r) @\ (3) lnp tnp =t"(r-#) -r'"(." .. la probabilidad de que la n-ésima persona tenga un cumpl'e¡ñoe diferent¿ de las otras n * 1)/365.. Determinar cuántas personas se necesitan en el Problema 1.-k).865)"'\'. Así la probabilidad de que la segunda persona tenga un cumpleaños diferente de la primera es 364/365.23)(n'l 22) = g asf que n : 23.865 ) de 1. si Ia segünda persona tiene un cumpleaños diferente.n(r-l) i30 para n pequeño comparado con 365. debe ocurrir en uno de los otros 364 dlas.z\.' (Apéndice A' fórmulas 1 y 2) (Ir\ I+2+ "'*(n-1) = @. .ln p r¿(rr : - -- 1) ?30 .67. 12+22 i-.. Finalmente. Problema.r)(Zn -r) 6 obtenemos para (3) (5) *::":: 16) rnp = -!!+ñ! .693. "'+rn(t-#) ln(1 Pero sabemos de cálculo (Apéndice A. fótmula 7) que -r) -= --c - T- 3 así que (I ) puede escribirse como = ft+z+ : 2. Por tanto tenemos es (365 - P(n cumpleaños diferentes) = #* # ffi = \'- ' 365 :-l! + 1 1\/'.DeterminarsiACB o no. Halla¡ Ia probabilidad de que n personas (n < 365) seleccionadas aleatoriamente tengan n días de cumpleaños diferentes.s supletnentarios CONJUNTOS 1.-4\ .0.55.693 6 ln 2 = 6 (n . Enipleando los hechos de que para n . asf que una buena aproximación en este Pa¡a (7) p : L12. 1.^" --!.56.55 para que la probabiüdad cumpleaños distintos sea menor que U2.).1\:{. por ejemplo n ( 30.l.."' .. Sea A eI conjunto de los números natwales entre 5 y 15 que son pares.

¿EE (A - B)' : A' . Afirmar -B = @.nC. ei ¿[e como I Sea ci éeeI' o cl¿se de todos loe conjunüoc que no 8on elementos de eUos mi¡mo¡.76. B.ruNTOS. (bl AnB. B.t B = IA-(AnB)] u ÍB-UnB)l 1.66. 1. Tborema 1-120.B'? Ju¡tificar l¡ ¡olución.(B.60. 1. (c) A'nB'. (d) el númer. de loe siguientes experimentos aleatorios: (o) 3 lanzamientos de 1. 1. (b) (AuB)uC.A r. Emplear un diagrama de Venn para dibujar ceda uno de loo conjuntoo eiguientec: (¿) A n (Bucl (ü) .9.o de llamadas recibida¡ en une ce¡ttrat telefónica. De¡cribir un espacio muestral para cada uno una moneda. (s) (AnC)' u B.3. página (o) Eemortrar la segunda ley De Morgan.?f . Generdiza¡ las primen y eegunda leyec De Morgan a cualquier número de conjuntos.).5. (c) Teorema 1-4.69. Generaliza¡ el recultado del Problema 1. 0 @uB) . (o) Demostrar que (b) Demoetrar que ri p-f Ge[. (c) A)8. (o) Si A y B eon dos conjunüos cuáleequiena. (Ó) el nhmero de fum¡dore. en un grupo de 600 hombre¡. (d) AnB'. y (D) ilustra¡la utilizando un diagrama de Venn. página 3. oPEBACIONES E¡ITBE CON. Seaununiver¡o 'Ll:{L. B={2. entoncq cJeeJ. (e) A-8.(AuC).61.5\ yrupóngarequeloerubconjuntoede'll son A:{1. x>y O i Demostra¡ que cualquier aubconjunto del conjunto vacfo debe ser el conjunto vacfo. (e) A.uC'). 1 1.ñ(B.4 u (BnC\ (c) A' n (BuC)' (rt) A .2}. EXPEBTMENTOS ALEATOBIOS. (Véase Problema 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.4. C = {4.?). 1. Ilustrar el principio de dudidad haciendo referencie a losteoremas de la pfuina 3. 1. Demo¡trarque (á -A)UA =á ¡ólo srBC A e ilugtrarlo utilizando un diagramade Venn.p6gina 3. E¡tudiar la verdad o entonces A CB. (d\ (AnBlu(AnC). L. A tenemo¡ A C A. =y. Sea'tl el conjunto de todos loi enteros no negativos y conaidérenee loe nrbconjuntoc A = {xl¡e¡unente¡ope¡.(BnC) (e) A' - (BuC)' 1.0(¡=4) Encontra¡ (a) AvB. página B.6?.68.69' 1. 1. 1.32 CONJUNTOS Y PROBABILIDAD Demoeürar que para cualquier conjunto [cAP. (c) lanzar un¡ moneda hasta que aparezc¿ un sello.68. (c) Añ(BuC).64.?0.1. (c) A'uB.5}. 1. signifrcadodecadaunadelasoperacionessiguienüee: (f) B A. (fl (A-B) u (B-A). I-a paradoja descrita se conoce Rusell. (ñ) A . 15¡(6.7 o negar: Si A u (Ar\B) eilusha¡loporundiagramadeVenn. formule en palabras el (a't A'. (fllanzat una moneda y un dado.72. (d') A-8. (ü) Teorema l-8. - . Demostra¡el (a) Teorema l-2. (e) el número de partícular nucleare¡ que enhan a un contador Geiger. (ó) Sir yy son do¡ númeroereales sr¡alesquierq entonces x1y. (e\ B-A.62. DIAGBAMAS DE VENN y TEOREMAS SOBBE CONJUNTOS 1.} ! B = {rlreounnfimeroprimo. ESPACIOS MUESTBALES Y SUCESOS L. entonce¿A = B.Encontrar (a) Av(BuCl. (ü) B'.73. A)8.76. .2. 1.6 A: falredad de las propoeiciones siguientce. 1. Demo¡harque .66. Un erperimento consiste en el lanzamiento de una moneda y un dado.31.

remplazando la bola extraída después de cada extracción. (c)A y B-C. (D ) si las cartas (o) se no se remplazan. Se exürae una bola aleatoriamente de un caja que contiene 10 bolas rojas.8t.85. 1.83.cAP. o un estimador de ella.?9. (h) máximo una sea roja.demostrarque pendientes.(A ñ B) son mutuamente excluyentes. (i) la primera sea blanca pero la segunda no. Completar la demostración en el Problema 1.8 I . 1.página 8. (c) una sea roja y la otra azul. Hallar la probabilidad de que si dos bolas se extraen aleatoriamenremplazamiento) (o) ambas sean azules. 20 azules y l5 naranjas. para cada uno de Ios sucesos siguientes: (c) La aparición de un rey. (e) Al menos aparezca una cara en tres lanzamientos de una moneda honrada. (d) blanca.. @) p(A'rr. Demostrar el resultado (1 1). (b\ p(AluA2\. Hallar la probabilidad de que sea (c) naranja o roja. (b) La suma 8 agatezca en un solo lanzamiento de un par de dados honrados.14(b) demostrando (sin emplear el diagrama de Venn) que AUB = AOIB-(AOB)I donde A y B . (g) al menos una sea azul. Un experimento consiste en la sucesiva extracción de tres cartas de una baraja. blanca 1. 1. (c) Encontrar un tornillo defectuoso si después de examina¡ 600 tornillos se han encontrado (d) Un 7 u 11 reeulte en un solo lanzamiento de un par de dados honrados. y (I I ).92. (b) ni roja ni azul. satisface los axiomas de probabilidad en la página 6 y por tanto todos los teoremas sobre probabilidad. ll CONJUNTOS Y PROBABILIDAD 33 TEOREMAS SOBRE PROBABTLIDAD 1.tA'r). 1. 1. o azul. 7.83.80. SiA. üe (sin Una caja contidne 2 bolas rojas y 3 azules. Hallar la probabilidad de extraer 3 ases aleatoriamente de una ba¡aja de 62 remplazan. (c) ninguna sea naranja. 1. Sea A1 el suceso "reyen la primera extracción". .P(A¡B). Demostrar que si P(A ) >P(B ) entonces P(A I B) Si > P(. p6gina Generalizar los resultados (I0 ) 30. (c) AyBUC. (¿) p(A1^A'2ñA\). Halla¡ la probabilidad de que (a) ambas sean blancas. Explicar el significado de cada una de las siguientes: (a\ P(AroA!r). 12 defectuosos. Resolver el Problema 1. (e) la segunda no sea azul. (b)AyBñC. (d) sean rojas o blancas o de ambos colores (roja y blanca). Csonsucesosindependientes.t1. jota de tréboles o reina de diamantes al extraer una sola carta de una baraja común de 52 ca¡tas. PBOBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES f . Determinar la probabilidad p. (¿) roja.91.54. 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). 1.t4.84 si no hay remplazamiento después de cada extracción. B. pfuina Demostrar que P(A'uB') = 1 . son inde- . (b) ambas sean rojas. 1. y así demostrar eI resultado (l ) del Problema 7. 30 blancas. as. cartzs 1. CALCULO DE PROBABILTDADES 1.7t. (b ) A' es independiente de A es independiente de B demostrar que (o ) A es independiente de B .90. (¡) solamente una sea roja.86. L. (b) la primera sea roja ylasegunda sea blanca. y A3 el suceso "rey en la tercera extracción".87.89. (e) pl(A1nAr) u (A"nAr)].1. pfuina ?.77.4 ).42 el suceso "rey en la segunda extracción".82. 1. Se extraen dos bolas sucesivamente de la caja del Problema 1. . B'. (c) no azul.

Una bola extrafda aleatoriamenüe de una de las. La escoge una bola aleatoriamente de la primera caja y se coloca en la s€gunda c¿ja sin ob¡ervar su color. abrimos uno de los compartimientoa y hallamos un reloj de plaüa. Hallar el valor de (a) rC3.lO2. (c) cada mujer debe eetarentre dos hombres? COMBINACIONES 1. Hallarelvalor de(a) oP2. Se lanza una moneda tres veces.43 no son independientec.106. En el tercer joyero eñ un compartimiento hay un reloj de oro. Hallar la probabilidad de que sea blanca.1O?.96. ¿cuál es la pobabilidad de que el otro compartimiento tenga un reloj de oro? 1. ¿De cuántas formas pueden 3 hombres y I mujerec sentarse alrededor de una meea ei (o) no se impone ninguna resüricción. 9 ¡i impares. I monedae diferentes en 2 posiciones diferentes? PERMUTACIONES 1.34 CONJUNTOS Y PROBABILIDAD Sea lcAP. . Utiliza¡ un diagrama árbol para determin¡r la¡ diferentes poribilidades que pueden suceder.104. AziA2. suceso "número impar en el primer dado". 1.+tPt = nPtl.101. A3 lon independientes pero que 1.¿Guál es la probabilidad de haberla exbaído de la primera caja? Ttes joyeros idénticos tienen dos compartimiento¡. 1. 1 1. ANALTSIS COMBINATORIO. Resolver el problema anterior si la8 cifreÁ de los números pueden estar repetidas. ¿De cuántas maneraa pueden coloca¡se l.93. (D) 3 libros determinados deben estar juntos. . . CUENTA Y DTAGNAMAI¡ ARBOL 1. (b) doe mujerer determinadas no deben centar¡e juntar. (b) las primeras dos cifras de cada número son pa¡es? lor números deben ser 1. Luego ee extrae una bola de la segunda caja. Se TEOREMA O REGLA DE BAYES 1.99. L. ¿Para qué valor de n es . caja / contiene 3 bolasrojasy Sblancas.cajas reeulta azul. (¿) roC¡. en tanto que en el oho hay un reloj de piata Si seleccionamos un joyero aleatoriamente. . 1.96. La urna I tiene 2 bola¡ blanca¡ y 3 negras. (ó) zPs.ent¿nüoquelacajalfcontiene4bola¡rojasy2blancas. (¿) roP¡.10t.109.4 doeee y 2 tres€s? 1. Demostrar que A¡ . 1. y una bola ertraída aleatoriamente e¡ blanca. Se selecciona una urna aleatoriamente la urna II. 4 blancae y I nggra. . En cada compartimiento del primer joyero hay un reloj de oro. á3 : "total impa¡ en ambos dados". 2. Atl At. Se extraen tres cartas aleaüoriamente (sin remplazarniento) de una baraja de 62 ca¡tas. ¿Cuántos números diferentes de 3 cifra¡ pueden formar¡e con 3 cuaEog. 3.98. ¿De cuántas formas pueden 5 personas sentarse en un sofá si tiene sol¿mente tres asientos? 1. Hallar la probabiüdad de haber escogido la urna I. . y lrr urna ffl. ¿Cuánto¡ números de cinco cifras pueden formarse con los dÍgitos L.1O3.94. (b) ¡C¡.106.1OO. A ¡: auceao At. Una caja contiene 3 bolas azules y 2 rojas mienüras que otra caja contiene 2 bola¡ azulee y 5 rojas. En cada compartimiento del Begundo joyero hay un reloj de plata. 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.9?. (c) 2 libros deüerminados deben ocupar lo¡ exüremos? (o ) 1. ¿De cuántas forma¡ pueden ordena¡se 7 libros en un eEtanüe ei (a) er posible cualquier ordenación. 3 blancas y 4 negras. A2 = BuG€so "núme¡o impar en el segundo dado". Az.

Se extraen dos cartas sucesivamente de una baraja de 52 eartas. ¿f). (b) dos estadistas determinados deben estar en el comité. (g) la seg. (b) j=t (-1). 2 héboles. Con 5 estadistas y 6 economistas quiere formarse un comité de 3 estadistas y 2 economistas. ¿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./"\ . (b) un palo completo. Halla¡ el número de (o) combinacionee y (D) permuüaciones de cuatro letras cada una quepuedenformarse con las letras de la palabra Tennessee.-tj(. . par. (c) un economista determinado no debe estar en el comité? 1.(b)almenoe dos lanzamientos de un par de dados honradoe. 1. 1. 3 niños y 3 niñas con 6 hombres.4 mujeres. 3 corazones y 1 pica. PROBABILIDAD UTILIZANDO ANALISIS COMBINATORIO 1. (c) (t-r t)s.117.. ¿De cuántas formas pueden seleccionarse 4 niños y 5 niñas si (o) no determinados? 2 hombres. (b) la primera ca¡ta sea un aÁ pero la eegunda no.122. COEFICIENTES BINOMTALES 1. (e) no más que una carta sea figura (jota. (f) la seErnda carta no sea una figura.110. Demostrar que (o) É .116. Hallar la probabilidaddeque (o)laprimera carta no Bea un diez de tréboles o un aa. Expandir (o) (o+y)6. Calcular. s€ impone ninguna restricción.2n-1.126.111. t"l kCz\QC¿)/DC. +/"\ \2 / /"\ .f 23. (c) eC¡. Hallar el coeficiente de ¡ en lt * ¿)t.8 mujeres. lJna caja contiene 9 tiquetes numerados del 1 al 9.) = 0. Si s€ extraen 3 tiquetes de la caja uno a uno' hallar la probabilidad de que alternativamente s€an impar. (c) al menos una carta sea un diamante..( ") .119.cAP..+ r-''i" 2/ \l )=o \o/ \r/ /"\ * /"\ I 1. 1. Demostrar que (c) (b) \r¿l \o/ \r / + 1") * '. (b) tres 1.120.115.. (ó) ( ). 1. (h) las cartar son frguras o picas o ambas. (d) las cartas no sean del mismo palo. 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.. En un juego de naipee ee reparte a cada uno de loe 4 jugadores 13 cartas de una baraja de 52 cartae. (b) /11 \ (r-a)4."".118. \ r/ 1. unavez'(c)dosveces'en 1.. impar o par' impar' par. ¿Para qué CONruNTOS Y PROBABILIDAD valor de n s€ cumple que 35 3' n+rC¡ : 7' nCzl. 3 y 2 personas? y 3 personas. La¡ apuestas en favor de A de ganar un juego de ajedrez contraB son 3:2.t24. (b) deben seleccionarse un hombre y una mujer 1. reina' rey). Halla¡ la probabilidad de que uno de loe jugadores obtenga (o) ? diamantea. ¿Cuántos comités diferentes pueden formarse si (o) no se impone ninguna restricción.125.113. 1l 1. \4 / 1.121. j=1 = n. (b) en contra de A de perder los prir4eros dos juegos? 1. Hallarlaprobabilidaddeobtenerunasumade?puntos(o)unavez. (d) (rz*21t.rnda carta no sea una figura dadoque la primera eí lo es.114.e cuántas formas puede un grupo de 10 personas dividirse en (o) dos grupos de 7 grupos de 5.C.

Demosürarque siACB' entonces AnB:Q.138.I's probabilidad de que un tirador dé en el blanco eede 213.127. Demostrar que aproximadamente 2nCn - 22"1\/ñ.145.queconsistedediez.96? 1. Un espacio muestral consiste de 3 puntos muestrales con probabilidadeg a¡ociadas dadas gor 2p.95? 1.146. ¿Cuántas palabras pueden formaree con 5 letras si (o) lae letras son diferentes. . p2 y 4p Halla¡ el valor de p. Demostrarque 1.36 CONruNTOS Y PROBABILIDAD lcAP. (c) ca¡tas diferentes.3. ¿Podríamos asignar probabilidadee de 1/11 a cada uno de esos puntos? Explicar..12E. l. (b) tn full que consiste en 3 cartas de un valor y 2 de otro (por ejemplo 3 diecer y 2 jotas. Halla¡ la probabilidad de que 3 sean rojas y 2 azules.13?.131. Az. 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. Si diepara al blanco hastaqueledal¡primera vez. etc.5.136.51. 1. . 1. . PROBLEMAS DIVERSOS 1. (b) 0.jota. 1. Halla¡ la probabilídad de que (o) sean diferen1.. (b)al menos dos sean ages. An P(ArvA"u. 1. Enunjuegodepókerhallarlaprobabiüdaddeobtener(o)unaescaleraflor. 12.uAn) < P(4.l47. 1.140.144.140 para que la probabiüdad de obtener 11 por primera vez sea mayor que (a) 0. Al lanzar un par de dados la suma puede ser 2.. Supóngaae que al lanzar una moneda 500 veces hay una secuenci¡ de2(lsnzanientosqueresulüan"carast'. (D) 2 letras son idénticas. (c) todas las letras son diferentes pero dos letras determinadae no puden estar juntas? tes. Un par de dados se lanzan repetidamente. . (d) 4 ases. (o) Hallar la probabilidad de obtener la suma 7 en al menos uno de tres lanzamientos de un par de dador honrados. Halla¡ la probabilidad de que (o) las cartas eean de un palo. (b) ¿Cuántos lanzamientos se necesitan para quela probabilidad en (o) eea mayor que 0. +P(Á") 1. ¿Cuál es el menor número de lanzamientos necesarios en el hoblema 1. Hallar la probabilidad de que un jugador tenga de 13 cartas g de un mismo palo.132.143.135. APROXIMACION DE STIRLING A n! 1.'. Se extraen 3 ca¡üas de una baraja de 52.reina.142. Hallar la probabilidad de que ocurta 11 por primera vez en el sexto lanzamiento. rey y as del mismo palo. hallar la probabilidad de que necesiüe 6 disparos.).) + P(A)+ . 1.134. Demostrar que para cualesquiera sucesos Ar. A-(A nf¡: AñB'. Se extraen cinco bolas aleatoriamente sin remplazamiento. Cuatro enteros se eligen aleatoriamente entre 0 y 9 inclusive. 1.129. ¡rara valores de n grandes. 1. 1. Hallar porcentaje de enor en la fórmula de Stirling para n : 10. - L. . 1 1. ¿De cuántas formas pueden selecciona¡se 30 individuos de un total de 100? 1. ¿Puede considera¡ee la moneda cómo honrada? Expücar. . 1. Obüener una aproximación al resultado del Problema 1. . Una urna contiene 6 bolas rojas y 8 azules. . 1.139.141.130. (b) máximo dqs sean igualee.133.

154. u¿ fi. Demostrar que /"\ = ! 1t'¡¡" . 1. 4.¿De cuántas maneras pueden colocarse 4 bolas idénticas en los compartimientos? (b) Resolver el problema si hay n compartimientos y r bolas.149. (b) dos cincos. .152. Resolver el Problema 1.6. Demostrar que la probabiüdad para que la secretaria del Problema 1.ISrí"r"ncia.148. Generaliza¡ el resultado del Problema 1. (ü) tres jugadores.t't . .150.151._ \r/ (1 + r¡t (1 + o¡"-t y hallar el coeficiente de ¡j en el producto). ¿Cuál es la probabilidad de que obtenga el 5 suponiendo que los oüro¡ tres jugadores en conjunto tienen (a) un cinco.\¡/(. 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.151.:). una interpretáción combinatoria. 3. Desea descartar el 8 y remplazarla por otra carüa que espera sea un 5 (err ese caso obtendrá una "escalera"). demostrar que p"(a) = 1 fipn-o (0) y luego emplear el resultado del Problema 1. 1. (c) trer cincoe.50 si el juego se ümita a B lanzamientos.' Denoüando la probabilidad deseada comopñ (a).rtimientos separados. .1ó3. (c) los cuatro jugadores tengan un palo completo. 1. Este üipo de problema se presenta en física en conexión eonlaestadística Bose-Einstein.156. CONJUNTOS Y PROBABILIDAD 37 (c) Un estanque contiene 6 compa.54 obtenga exacüamente I ¿-c / r\k sobres correctos ".cAP. (a) Un estante contiene 6 compartimientos separados. Un jugador de póker tiene las cartas 2.(i)' una interpretación combinatoria. ¿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. 1. 1l 1.)va". Demostrar l") .155. "dar ¿ letras en los 1.8. 1.11)'-* 1i)'-l \"/ \o/ \t/ . 1.541. que (Sugerencia: Consi¿s¡ar 1. Hallar la probabilidad de que en un juego de bridge (o) dos jugadores.

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

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

EJEMPLO 2. deben notan¡e. Por tanto no podemos definir una función de probabilidad en la misma forma que para una va¡iable aleatoria discreta (págrna 38).n (6) .2 su 2.@ e -. 2-3.40 EJEMPLO VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD lcAP. (o) Halar representación gráfica. f(r\ > 2. tomando valores desde 0 hasta 1.)I__ f(r\dx=r donde la segunda es una proposición matemática del hecho que una variable aleatoria de valor real debe ciertamente encontra¡se entre . 2. Esto se expresa matemáticamente estableciendo que la función de distribución es continua por la derecha en 0. así el valor en 1 es 314 y no Ll4. pagjna 38. Si se selecciona aleatoriamente un individuo de un grupo numeroso de hornbres adultos.4. por ejemplo. Este hecho permite obtener la función de probabilidad a paftir de la función de distribución. 3. nos conducen f(r) tal que o a poshrlar la existencia de una función 1. la función de distribución para la va¡iable aleatoria X del Ejemplo 2.2. 1. Estas ideas y la analogía de las Propiedades 1 y 2. 712. que son verdaderos en general. 714 corresponden exactanrente a las ordenadas en la Fig. Entonces definimos la probabilidad de que X se encuentre entre ¿ y b como P(a<X<b) : Í"' f (n) d. . A medida que procedemos de izquieida a derecha (es decir subiendo la escalera) la función de distribución permanece igual o aumenta. 2 son LlA. F(r) se mues- Los aspectos siguientes acerca de la función de distribución anterior. DISTRIBUCION DE PROBABILIDAD Si X es una variable aleatoria continu4 la probabilidad de que X tome un valor determinado generalmente es cero. 2-3 frecuentemente se le llama función escalera o función paso. Debido a esto se dice que es vnafunción monotónicamente creciente.3. El valor de la función én un entero se obtiene del paso superior. 2. (b) Obtener (a) f'a función de distribución es lo F(r) = ll ln la ln [1 I -o(¡(0 0<r--l l<r12 2<r1de (D) Larepresentación gráfica tra en la Fig. 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. Sin embargo hay una probabilidad mayor que cero de que X esté entre 145 y 150 centímetros. 2-1. 1. Las magnitudes de los saltos en 0" 1. Debido a la apariencia de la gráfica de la Fig. la probabilidad de que su estatura X sea precisamente 147 centímetros sería cero.

debe satisfacer la propiedad 2 para ser una función densidad.-g ec y puesto que esto debe ser igual a 1 tenemos c: tl9. (b) P(1< p(r<x<z) -.UU ¡( 0 entonces F(. pero con mayor frecuencia se denomina función de densidad de probabilidad o simplementn función de densídad.f. el (o) Tenemos F(r) = Si P(X = r\ = o" Í__..ru.r) = P(X=r) f(r). 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). 2] VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 4L Podemos demostrar que esta definición satisface los axiomas de probabilidad dados en la página 6. definimos la función de distribución F(x\ para una uariable leatoria continua por F(.tu. = Í. (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. EJEMPLO 2.'" de otra forma " función de densidad y (b) calcular P(l < X < 2).6. en el Ejemplo 2.?1.'U". V) En los puntos de continuidad de EJEMPLO 2.CAP.'!. 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'). (a) Ya que f(r) satisface la propiedad 1 si c ? 0.5.a1X<r) s = J_-" ¡p¡au f' ( si se desea. la probabilidad de que X sea igual a cualquier valor determinado es cero.t) = 0. lo que supondremos al menos se establezca otfa cosa.5.5. = 13 t'n ¡3 .n* =.au f""oou = 1 Por tanto la función de distribución pedida es r(o [o F(r) . n. (b) Emplear P(l < r = 2\. En tal caso podemos remplazar cualquiera o ambos de los signos ( en (6) por Así. #f. También debe observarse que F(r) en este caso es continua. Entonces de . . Una función f(r) que satisface los requisitos anteriores se llama función de probabilidad o distribución de probabilidad para una variable aleatoria continua.1é/27 0<'<3 fr Obsérvese que s>s F(r) aumenta monotónicamente desde 0 hasta 1 como lo requiere una función dedistribución. = *-h=:h 7 En el caso de que f(r) sea continua. Si 0 f: x 13 entonces F(rl Si¡>Sentonces = ou fo' . : P(.l-*Ít'lol' = )ow2dr . = # + F(r) = fo" . (o) HaIIar la constante c para que Ia función f(r¡ = {"^* L0 sea una o. página 39. ou + f"'f@)au = fo'!u.

ü# (121 at.' T*0" + F(az(a). 2s137 n La probabilidad de que X se encuentr€ entre r yxt Ax está dada por (8) p(r= xtn+ta) así que si = . 2-l . es deci¡ P(a 1 X < b).'.F@t(n). az y F se suponen derivables con respecto a.'r(u.x)itu donde = f""jl. Puesto que f(r) Z 0.a# .6.r.'.2-4.42 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD [cAP.. El área total limitada por la cuwa y el eje ¡ debe ser 1 debido a la propiedad 2 en la págna 40. (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"". la cunra no puede caer por debajo del eje r. : f(x) Si f(r) Fig.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.2 (ó) Tenemoa P(r<x<2) P(X=21 - P(X=1) f(2) - F(1) n-n como en el Ejemplo 2.i. INTERPRETACIONES GRAFICAS es la función de densidad para una variable aleatoria X entonces podemos reptesentar y gráficamente por una curva como en la Fig. Geométricamente la probabilidad de que X esté enhe a y b. 2-4. se representa por el área sombreada de laFig.

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

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

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

Supóngase que se define una variable aleatoria discreta U en términos de X por U : ó (X). I0.V:0"(X. así que X : ú (U).Y: úz(U V). y) es el producto de una función de x. o sencilla¡r¡ente el Jacobiano. 1. Entonces la función de probabilidad conjunta de Uy Vestá dada por g(u.a)llJ (35) (36) s(u. Pa¡a va¡iables aleatorias independientes continuas también es cierto que la función de densidad conjunta f(x.a\lda dy fl+. y\.u) = f l.úl#31 = En (Sd) el determinante Jacobiano. fz(y).Supóngase que se definen dos variables aleatorias discretas U y V en términos de X. dondeacadaparejadevalores de X. y) no puede expresañ¡e así.2 conjunta F(x.rl s@) = r@\l#l= rw@)rv'@)l g(u)ldul Teo¡ema . (83) (34) 2-4: está dada por g(u. y estas son las funciones de densidad (marginal) de X. Y cortesponde una y solamente una pareja de valores U. Y variables aleatorias discretas que tienen una función de probabilidad conjunta f(x. Y: úz (U. Entonces la función de probabilidad paru U está dada por Sea s(u) Teorema = f[. y) puede expresarse como el producto de una función de r y una función de y (las cuales son las distribuciones marginales de X. entonces X y Y son dependientes.(xl. f por U:0r(X. Definamos f/: ór(X. V e inversamente.t@)] (s1) 2-2: Sean X.I) como en el Teorema 2-1.46 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAI) lcAP. n. u) donde $ean X.(u.l't(u. Y) donde X: út(U.f . y). Teorema 2-1: X una variable aleatoria discreta cuya función de probabilidad es f(r). Y respectivamente. Y variables aleatorias continuas que tienen una función de densidad conjunta f(x. Variables discretas.a). por una función de y. I|). Entonces la función de densidad conjunta de U y V g(u. Y'). Definamos U = ó (X) donde X : ú ([. gr(u. Entonces la densidad de = f(r)ld. n como en el Teorema 2-2. V).a).a) = f(r.a)ldudal o = f(r.Y). Si F(r. así que X = út(U. e.(u. está dado por . donde a cada valor de X corresponde uno y solamente un valor de U e inversamente. Variables continuas. Teorema 2-3: Sea probabilidad de Uestá dada por g(u) donde X una variable aleatoria continua con densidad de probabiüdad f(r). GAMBIO DE VARIABLES Dadas las distribuciones de probabilidad de una o más variables aleatorias con frecuencia estamos interesados en hallar las distribuciones de otras variables aleatorias que depende de ellas en alguna manera determinada Los procedimientos para obtener estas distribuciones se presentan en los tcoremas siguientcs para el caso de las variables discretas y continuas. a\) (e2) 2.V: Qr(X.

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

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

1. Supóngase que se lanza un par de dados honrados y que la variable aleatoria X denote la suma de-los puntós. (3.2) tenemos X : 5.3).cAP.Po¡ ejemplo. de acuerdo con si deseamos considerar a X como va¡iable discreta o continua. 2'9. Nótese que en la Fig.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/. (c) LospuntosmuestralesparaloslianzamientosdeunpardedadosestándadosenlaFig. 2-8 o en la Fig. garaX:5 corresponden los cuaho puntos muestrales (1.Jo 4/36 2/36 (ó) Podemos emplear un espectro o un histograma como los dados en la Fig. obtenemos la Tabla 2-4. así que cada punto muestral tiene probabilidad 1/36.4). . (a) Obtener la distribución de probabilidad paraX.2). (4.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 49 Problerna. Utilizando el hecho de que los 36 puntos muestrales son igualmente probables. variable aleatoria X es la suma de las coordenadas para cada punto. (b) Consbuir una gráfica para esta distribución de probabilidad. Así para (3. Tabla 2-4 'x 1'17'página18.s restreltos VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCRETAS 2. (2.1) así que la probabilidad asociada es 4/36. 2-8 la suma de las ordenodas es 1 en tanto que en la Fig. 2-9 la suma de todas las óreos rectangulares es 1.

(.JNCIONES DE DISTRIBUCION DISCRETA r/t 2. 2-10 o en la la FI.2-L2. tenemos P(eractamente r niños) = P(X = r) = .on probabilidadesp y g: 1-prespectivamente.46 trató el caeo de n intentos mutua¡t¡ente independientes. (Obeérvese que X se define sobre el eepacio muestral de tres inüentos). (a ) EI Problema 1.)"(t'-' = .) 3 se indica en la Tabla 2-5. (c) Hallar la disgibución de probabilidad de niños y niñas en familias con 3 hijos.3. La función de probabilidad para X. Enüonces de los resultados del Problema 2.". Obsérvese que el cero del eje r se ha desplazado. (b) Représentar gráficamente la distriUución en (o). 0123 Número de ¡¡iñoc X = ¡ Fis.(. dependiendo sobre si deseamos considerar a puede representarse como en la Fig.c. 2-11. siA e¡eleuceeo"niñott. Se encontró quelrr probabilidad de obtener eractamente r veoea A en los n intentos es icrp'q. ip=q:L12. D:3.50 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP. 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 1/36 2fr13 3/36 3fr<4 6/36 4f s<5 sslso rr<"<rz I 12 0123 Número de ¡lños X = ¡ lrlq Fig.L y (b\ repr€sentar gráficamente esta función de distribución.1 hallamos F(rl = 0 -e 1r<.t-.(i) \-'l /r \3 f(r) r/8 3/8 L/8 (b) La Eráfrca va¡iable X como discreta o continua. f(r) = .2. Fig.2 2. (a) Hallar la función de distribución F(r) para la variable aleatoria X del Problema 2.)' Tabla 2-6 fr 0 donde la variable ale¿toria X representa el número de niños en la familia. c. I 3/8 . A y A'.. 2-ll (b) Véase Fig.". donde cada intento tenfa dos resultados posibles..¿6 2r/36 18/3rt 15/36 12/36 9i 36 6/36 3136 . 2-10 (o) Tenemos que F'(r) = P(X = tl u=x 2 Ífu¡. suponiendo iguales probabilidades para niños y niñas. Por tanto. F(r) 1 33/36 30/36 27 i36 I 24/'.

. Un (¿) (a) Debemostener aXtienelafuncióndedensidad o".ran-l(--)J = l[r*-' " "if = i. donde -o(ú.r12*L =zC' oJ6.<6. la constante c. 2-13. F(¡) I 7t8 6/r 6tE 4/E 3/8 2t8 I UE t Fig. Hallar la función de distribución conespondient¿ a la función de densidad del Problema 2. _.rr_rrl.\r-.e¡décir t-." r¿*l = ?['*-'(1) ./J f = " =.entonces ó -l < x = -f..(-. t:_flu)ttr = 1.itan-rc . 1 C" F(r) = )_-t{")a" = i)__ n du _ = !l-t.-.12 + | = "t"r-rrl r-o = "L. rL t__J = 11h.2V @) (o) Uüilizando la Tabla 2-5 del Problema 2. t*tantolaprobabilidadpedidaes t(-'lstt oJ-t dn *lft dr IL'rJ¡5.t¿n-r (+)] I = z(z-z\ = 6 6/ "\4 2.. X del Problema 2.6. z2 = 1 (ü) si* = x2 =t.'= J-. (c) Hallar la función de distribución F(*) para la va¡iable aleatoria representar gráfrcamente esta función de dishibución. )? estÉ entre 1/3 y 1.2-13 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2.cAP. I -u.2l VARIABLES ALEATORIAS Y DISIBIBUCIONES DE PROBABILIDAD 51 2.6. acf que c=Ur../ -\-'l (* :u.4. (b) Hallar la probabilidad de que f(r)=c/(n2+l).r .6. f .2 obtenemo¡ F(rl (ó) L8 gráfica = de la función de distribución de (o) se muestra en la Fig.

F(-g) = (1 -e-e)-(0) = l-e-B DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2.62 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP. = = F(2) = | . )-11. Puesto que el gran total. Y estÁ dada por f(r. debe ser igual a 1.42c.U\ : 0 de otra forma. 0 = U < 3. Por tanto. y pueden tomar todos los valores enteros tales que 0 < n 3 2. (a) tos puntos muestrales (r. Y = l).8. fir-\ = dt l-F1. (b) Hallar P(X =2. y) para los cuales las probabilidades son diferentes a crero se indican en la Fig.A) = c(2r *y). P(-3<X<4) = P(X=4) -P(X<-3) = r'(4) .du = -e-2"1 = L-e-8 lo l{ Otro método.¡l = f2"-u l0 r)0 r10 le-1 (ó) P(X>z) Otro método. y (c) la probabilidad de que-3<X<4.e-4. donde r.. Tabla 2-6 Y X 0 0 0 I c 2 3 Totales ü I 2c 4c 6c 3c 5c 6c I .Y s2\.y f(r.2 2. se indican en la Tabla 2-6. La función de distribución para una variable aleatoria X es (L-e-2" o>0 F(r\ : J^ x1O [u Halla¡ (c) la tunción de densidad. tenemos que c : L142. P(X>z) = f -(1 -e-r) = (c) e-4 p(-B<x<4) = ln¡rulou = f_roa"+ ton2r-r.7. las probabilidades asociadas con esos puntog dadas por c(2x * y). (o) Hallar el valor de la constante c.) 2c 4c 6c 3c DC l4c 22c 42c 7c L5c Tota les+ 9c l2c . Por defrnición P(X =-21 = )" ze-z"du = -u-r"1. (b) la probabilidad de que X > 2. (c) Hallar P(X>l. (o) . La función de probabilidad conjunta de dos variables aleatorias discretas X.

como se determina de los Problemas 2.{. Hallar las funciones de probabilidad marginal (c) de XV (b)de Yparalasvariablesaleatorias del Problema 2. 2. Demostrar que las variables aleatorias X. De estos vemos que P(Y=Y¡ = verificación:1*3 +!+1 ''7 74'7 t4 fz( =t 2. P(X = t. (o) Hallar el valor de la constante c.Y<2\ = t2l (2c g32 * Bc 1'4c) -f (4c*5c!-6c) :-: 'L 42 4 n otcomo se indica por las entradas sombreadas en la tabla. y.10.u) = lcnU 0(r<4.9.Y=L) + P(X=21 P(Y=L) E resultado también se deduce del hecho de que la función de probabilidad conjunüa. 1<g<5 de otra forma 1o (c) Hallar P(X>3. Si las variables aleatorias.Y=l)=5"=a 42 (c) De la Tabla 2-6 determinamos que P(X>t. l22c=17/2r n=2 fz(u) y puede obtenerse de los de probabilidad marginal pata Y está dada por P(Y = a) = totales del margen en la última fila de la Tabla 2-6.9. 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.r du = I .2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD De la Tabla 2-6 determinamos que 53 (b) P(X=2. Y son independientes debemos tener.u) d.8. P(X=2.11.Y=\ = asr que h P(x=4 = # P(Y=l) = I (2x rr y)142.. 2. Y <2).8 (b) y 2. (o) La función de probabilidad marginal para X está dada por P(X = r) = ft@) y puede obtener¡e de los totales del margen en la columna derecha de la Tabla 2-6. (o) Debemos tener la probabilidad total igual a 1. no P(X--2. Y del Problema 2.cAP. Y es f (n. La función de densidad conjunta de dos variables aleatorias continuas X. es decir | | f@. (b) Hallar P(1< X <2. puede expresarse como una fi¡nción de ¡ veces una función de y. para todo r. 2<Y <3).8 son dependientes.Y : A) = P(X = r\ P(Y = Y¡ Pero.

fi uo = # 1.r"=.r.'=.:o J"=rcnvilxils ft rrs = " J.olduclo dudo = P¡re o > ft (s J.)* = "Í:=rr2adr = "tu*)l'_. y).'=r$l'"-.- ñ E P(x>s. = = 1 C' 5r. =y( 5 ec Fzful = P(Y <-vl = Í¿t=_@ f1 ¿ú=l f" f@. 1""=140.'uau)a' = *f. 4. 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. [ Í=.=o J"=. Hallar las funciones de distribución marginal (c) de X V(bl de I' del Problema 2.11. para 5 < 0. (ó) Utiliz¿ndo el valor de c hdl¡do en (a) tenemoe P(l <x <2. = e6c Entonces 96c = 1 y c : 1/96."=.o' = "Í. Por t¡nto Fr(rl = 1.(a) = 0.Tn' = idt\t/|.Y=z) = í:="í"'=. la integral tiene el valor f4 ¡5 J.2 Empleando la defrnición de /(.2<Y ' (c) <3) = Í.=oL.1Í":=.frarau = * Í'^='lÍ"'="u aafa' = + f"="#l'"='* L f4 Br.r=o(ry-.'=. Oo = #Í:=. xaau )clx = "!. fv J-"=oJ"'='ffiauao = + .¡¡'J. Ft(¡) = 1. (o) L¿ función de di¡t¡ibución marginal para X ¡i 0 < ¡ ( 4 ec Ft@) = p(X=r) = f' ¿u=-4 ¿O=-@ f" fet. . 7 ñ J"="To' = ln 2.54 vARIABLEs ALEAToRIAs y DrsrRIBUcIoNEs DErRoBABTLTDAD -l IcAp.podrfamocremplazarenlaerpreaiónanüerior(por<.12.F .o)ctud.Yl'"=.=.* s /rz11z .

En efecto. !""=. Halla¡ la función de distribución conjunta para las variables aleatorias X.F(r.cAP. En el Problema 2.13. donde J tt.' *u au)a* Fig. 2-16 hemos indicado la región cuadrada 0 ( ¡ ( 4.l\ (r6)(24) Fig. Para U < l. Y del Problema 2. 2-I6 .¿v I < Y < 5 [ 0 de otra forma L/96. podríamos remplazar en la expresión anterior [o u<r : 1.L2. 2-15 2. J ( por < .| l rr.n ffia.11 hallar P(X+ y < conjunta de 3). la Fig. La probabilidad rc. t = 1. Fz@) = 1. ! c(t = c : F(r. av = ut-[:.(ul = { (.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. Del Problema 2.Y es diferente de cero.t : 5.. [f=. 1 < y ( 5 dentro de la cual la función de densidad X.ul = fr(r) f2(y). En la Fig. Puesto que f(x. Y puede escúbirse como el producto de una función en r veces una función en y.14. Se deduce que X. de tal manera que su función de distribución conjunta eetá dada por F(r.F ¡ (r) V Fzp) se determina¡on en el Problema 2.¡ ryl96 sobre fi. F{A) = 0. 3. 2. 2-16. 2-15 muesha la definición por trazos de .11.2l Para y VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD OD = 5. Las distribuciones marginales . región sombreada en la Fig. Por tanto Fzfu) Puesto que F2 (y) es continua en y = 4@r-t)tz+ tfy<b a=6 l. l\¡. Y son independientes. y) : Fr G\ Fz@). y) resultante. esta probabilidad está dada por 'í Í"'=.LL se observa que la función de densidád conjunta para X.Yl = rz(az . o 0 ( ¡<4 f de otra forma .

= 2.f .z 46. págir. esto es. | trrr J| s(u.1)llJ duda ("' ("'n. Demostxar el Teorema 2-4..1 .a). Demostrar el Teorema 2-3.\: ?u. 2-1'7). pá$na 46. El teorema también se puede demostrar si rl'(u) 0 ó r/'(u) ( 0..a) a@'a) donde es d\u. Ju. donde ry''(u¡ ) 0 (es decir la penCiente es positiva).y) fe2 dr dy Remplazando avanzado que r : Út@. Demostrar el Teorema 2-t.fl.. ' olü au = ¡'tl f ¡¡gqullv'tu:du Esto es válido pr.u11V1o. pá$na 46. (2) puede Fig. La función de probabilidad para U está dada por s(u) = P(Lt ") = Plo(x) .a todo u1 y u2 solamente si los integ'andos son idénticos._-. esto es. pá4ina 46.. 92fu. y : Ju. u) en la integral de la derecha tenemos por un teorema de cálculo flrrtu. "rl "" /{.Ll Plx = gfu)) = f lv@)l En una manera análoga puede demostrarse el Teorema 2-2.67).(' 'u2 l3-' '. Análogamente podemos demostrar ('36) para el caso donde .u . Para el caso donde rlr'(u) -< 0.16. 2 lu=rd' CAMBIO DE VARIABLES [r(3-r)z r 'rldr 48 2. página 46. (r) (t tlt(u) es una P(ut LI 1tt"): P(rtlX1rr\ f¡7 (2) Remplazando x escribirse como /'ü: | t\u) titr 'ul |. también podemos demostrar que (31) se cumple (véase Problema 2.t'@) Este es un caso especial de (34).=o g6. Véase Problema 2. u) ellacobiano..17.o'tlJ J< que es (3ti). Primero considere el caso donde u : ó@) 6 x : tenemos función creciente.4v. L es una función decreciente de ¡.At<Y<Az) = | fre | l(r. y crecen. para el caso donde J 0. Primero suponemos que a medida que r. ) O.rl duda = f"' (''' Ju.u.. u).56 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP.= fu ). 2. . Igual que en el Problema 2.2fu.u). es decir g(u) _. Dr P(r1<X1rz. Entonces. Por tanto = fI¡rfu. 2-17 f .16 ó P(ut<Uiu. u aumenta a medida que r aumenta (Fig.¡.' ut 12 : ¿ ttt V@) en la integral al lado derecho. podemos demostrar que u y u también crecen.2 1 L (" = J.páqina 46. Úz(u. Jtl r s(u.r\uti.v)dud. como puede deducirse de la figura.15.66..

. HaJlar la densidad de probabüdad de la variable aleatoria U = )? donde X es l¡ va¡iable aleatoria del Problema2.3 y* = 6 rcn u = 6 y u -2re¡I¡ectivamente. 2-18. o el hoblema 2. | . UyXqtídadapor y8€hatomadol¡raízrealpositiva. . du ¡5 <tz:_su..tt¡¡f". U: * .. Como se obeerva en esta ffuura el intervalo .e por el Teorema 2-3.3 ( 6 corresponden a los valores para los cualeo 0 S 36 como se muestra en la Fig.2O. Tenemos tL = tr2 ó r = *\ñ.3. de otra forma .U<u) = P(-B<X<\fr) = J-s f@lA.19. recfprocamentg.)óx:L2-3u. 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 ¡..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. 2.. u= r+11 6 r =n/F1.. f(r) = to de otra forma Halla¡ la probabilidad para la va¡iable aleatoria a = X4 + Puesto que l.cAP.17..3 ( ¡ < 3 corresponde a 0 s z s 9 er tanto que 3 (¡( 6 corresponde a 9 ( u ( 36.. La función de ptobabiüdad de una variable aleatoria X (2-' ü=1.3 ¡e deduc.16.¡función u = 2.'ll = 1 2. de probabilidad pedida para U ea ( z-ni i s("! = 1o utilizando el Teorema 2-1.16 que la Tbnemosu:tl3(L2-f. Los valores de r para los cuales.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD es 67 2.2 = _. o por el Probler¡¿ 2. La función de probabilidad de una variable aleatoriaX está dada por f(a) = iL0 (12/81 -3<c<6 de otra forma Halla¡ la densidad de probabilidad pllra la va¡iable aleatoria U : t$2- X)..I9. página 46. En este caso no podemos emplear el Teorema 2-4 directamente ¡rero podemor proceder de la manera eiguienüe.+ l larelación entre loe valoreedeuyrdela¡variablesale¿torias donde u:2. = P(. Puesto que ú'(u) : dx/du : . La función de es disüribución para U G(ul = P('tlu') Entonces si 0 Fis.sutz¡21 ]."1:-.2.82.Enüonce¡1. página 46.18.E2.!7.Loe valore¡ de u que correrponden a¡= .A¡íparacadavalorderhayunoydamenteu¡valordeuy función de densidad para U ee s(ut Verificación: = ilt'.

u).r'nu ffr:i:0" 'Sea u = t I 2y.2 l*ibníz (12). u : r. lo1u114 de otra forma . 1 < y ( 5 correeponde a la regiiin 0( u ( 4.u 110 que ¡e muesEa eombreada en la Fig. Entonces la ¡olución ¡imultiinea re¡ulta r : u. función de densidad de U = X + ZY.1. Si las variables aleatorias X. 1 tZ _1.a) (véase Problema 2.=. El Jacobiano está dado por Fr 0r J_lr"0o oa lüu la" att lo =l I 1 11 -.2 < u .21. 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.-ro 0 6<¿<10 f4 afu. 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. función de den¡idad g(u) ee l¡ derivada de G(u) tonemos. uear¡do la regla de c@l Utiüzando la definición dada de = f(r) eeto se convierte en 0<z<9 9.11) hallar la Método 1.IBUCIONES DE PROBABILIDAD Pueeüo que la [cAP.<¿<36 de otra forma 21rsrz Verificación: zlb. = {. = 2. ! : ll2(u . 2-19. etcogiendo arbitrariamente l¡r eegunda relación.58 VARTABLES ALEAT1ORIAS Y DISTR. Y tienen función de densidad conjunta r(x. le * fil2136 z4B l. Por üa¡¡to la región 0 I r 1 4. 2 ea - Fig.ol =#¿" .

L(y(Senelpla' (véase Problema 2. Al dividir egüa¡ ecúaciones obtenemoe y/r = u/u aef que y = ut/v.y=y2/3p-rl3.ytdrdy " = ÍÍ fta. 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."'' gunoo = Í"::'lW-#fo' + 4)t2304.' I":". Fíg.au i*Z=.2-2L 2.a función de di¡tribución de la variable eleatoria X + 2Y erüá dada por P(x *zY É ut = Íl rr2y 3 t@.i 1<c<5 Pa¡¿ 21u ( 6 obserraÍros al r€ferirnoo a la Fig. El Jacobia¡¡o estó dado por .2-2O Fig.2)2 (u reeultado dd método L para 6 ( u ( 10.11) hallar la función de densidad conjunta de U no uu está dada por o<azlgu-r/t<4 gue son equivalentee a .2l como VARHBLES ALEAI"ORIA"S Y DISTBIBUCIONES DE PROBABILIDAD 69 'lar p determina refiriéndo¡e a lae regioner ¡ombreadas I. Nlétod. V = )PY.21.o 2. 2'20 gue la últim¡ integral ee igud a Í"--. Si las variables aleatorias & Y tienen la función de densidad conjunta 4' L <s <5 f(r. u = x2 y . 2-19. eüc. I/aimagende0(x14. De un¿ manera análoga podemoe obtener el Al deriva¡la con respecto a ¿ 8e encuentra (u . IL m de b Flg.22. Mo ¡oe conducealasolucióneimultánea s=p2/34-r/t. [. Considére¡e u : xy2 .a) : {*''nu de otra forma :':' 0 L = XYz.u2 t< 7) uztga-rls < L26'u 6 1 64u 1u2 < Eata región ee muesba eombreada en la Fig. 2.cAP.

f(t¡. página 46. como ¡e indic¡ por la parte ¡ombreada en lrr Fig. Sean X.xl = {u--''"o-rtsl288 IO CONVOLUCIONES < ilu' tt 1 u2 < l26tt de otra forma 2.2 l-lor. -tuznr-trs I -lu-zrso-zrs A¡f la función de densidad conjunta de U y V es.o) .u-. f variables aleatorias qup tienen una función de densidad conjunta f(x. Método 2. A e¡ta¡ ecuaciones u: x i !./t=-a f f"-' f' Lnr1¡=-a c@l = ¡1r. que la función de densidad marginal de U c@l = f' f@.u-r)ih F's.i"au Pue¡to que la región eetá por debajo de l¿ lfnea ¡ * y = u.IBUCIONES DE PROBABILIDAI) [cAP.u-o) págin¡ 46. La función de di¡tribución de U = X + Y es iguql a la integral doble de f(x. Sea LI = Íl-rO. cer.60 VAR¡ABLES ALEATORTAS Y DISIR. 192 d'l l#'úl = l: -l ee -l Arí por el Teo¡ema 2-4. El Jacobiano de l¡ tran¡fo¡mación ertá dadopor rSe deduce de (261.2-22 utilizando la regla de Leibniz (I2) primelo en la integralder y luego en la integral de y.y¡ay]dr -J La función de den¡idad de U e¡ la derivada de G(u) con re¡pee por ef -a (' l@. . V : X.. y). donde arbitraria¡nente hemo¡ ag€gado la *gunda ecuación..o) = {*O=f3-Io ($u-2t3a-2rt') o2161u' tt de otra forma tt-z 1u2 < l26tt c@.u-r.to-t.u. vemor que G(u) üo a u e¡tá dada = . c¡üo ec G(ul = (( Í@.23. por el Teorema 24. y) tomada ¡obrc la región definida pbr * f y s u.üdrdu . o= Í6 x. Demosbar que la función de densidad de U'= X * Y es s@l Método 1."u-n.r f. y: u. la función de deneidad conjunta ile (J y V ea g(ü.-t rsu-ual J .l: l= | f. 2-22.ld.u-a)ilo conecponden : X + Y.:v.

Ve¡ific¡ción: ao ifui = 6o.25. 2.<0 L0 ü>o * fg"-to a=o " frfu\ '-\e' =1l0 a<0 Y. pígna 47\" Tenemos Ít* fz = | /r(") fz@-o) Jo=-a Haciendo fa da u)= a.ar@u .u:-dw.-*) = 1 2. Si X.9 t¿nemo¡ ftutrt = arf que con ¡ : 2 ffi:*+#t f(ylz\=g#f=+ P(Y=rlX=2\=/(1l3r=*z (ó) .u = (.241a función de den¡idad pedida es la convolución de f t y fz y eetá dada por c@) = ft*fz = f' fr(o.8.to ¡iu>0yg(u):O¡iu(0. obtenemos (-' Ítrfz = .fw=n .8 y 2.23 si X.o{üau = tfo'k-r"-"-rv\d.24.26.- u de tal maneraque u = u-u. HaJlar (al f(y l2). Y son variables aleatorias independientes que tienen funciones de densidad ft@l =112"-t' . 2. Por tanto Cful = | JO f! (2e-2ül(ge-sru-u))do (" = 6"-su.cAP. así que por el Problema 2. (o) Empleando los ¡esultado¡ en los Problema¡ 2.l) = 6(e-zt .f¿ .{olf2(u-olito = f t* fz que es la conuolucidn de h y fz.23 la función s(ul = t'.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD 61 2.d.f2(u-t:ld.w) = (" DISTRIBUCIONES CONDICIONALES fz@\lt@-u)dut = fz'ft "/u=-n 2.olver el hoblema nes de densidad f t@)..rru-u)f2@t)(-d.f .f 2* f1 (Propiedad 1. halla¡ la función de densidad de su sumao U = X Por el Problema 2. En este caso la función de den¡id¡d eonjunüa et f(x. de densidad de U: X * Y e¡ y): f t@) fz(yl. Demostra¡ gue fi t. (b) P(Y : 1lX : 2'¡ pan la distribución del Problema 2. R'ex.e-tr¡ f -'. (y) respectivamente.27. Y son variables aleatorias independientes que tienenfunciof.a J_ú En el integrando f1 se anula cuando u ( 0 y f2 8e anula cuando u ( u.

: J'(i**r)0. /(¡ | y) no ertó (ó) P(Y>l¿l+<x<l*drl = tr*. ¡.2E. (b) P(v > + I + < X <*+d'r). (b) la densidad marginal de Y. La región sobre la cual f(r. como 8e integrando con reapecto a ¡ desde r = y hasta Í: indica por la franja horizontal en la Fig.¡.'. Y por f(r.2 2. (d) la densidad de Y. La función de den¡idad condiciond no está defrnida cuando L8 función de densidad condicional de Y es. (c) la densidad condicio nal de X.a) = {t^" de otra forma 1=1=. El resultado es (' Ítu. rt*) hallar (a) f(alr).29. ft@la) (d) = ffi . y) er diferente a cero sombreada en la Fig.4¡s pare 0 ( ¡ ( 1. Análogamente.t'o<a<r [0 se muestra Hallar (a) la densidad marginal de X. Si X.. 2-23 (c) La función de den¡idad condicional de X ec. la deneidad marginal de Y se obtiene fijando a y e L.rlrol+)0. f2Q): O.rYP* está. dada I 16 2.62 VARIABLES ALEATORTAS Y DISTBIBUCIONES DE PROBABILIDAD lcAP. !2@) Para = Í' Brydr = 4aÍ-u2'l lo¡ otros valores de y. (o) Para 0kc(1. (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 función de densidad conjunta de las va¡iables aleatorias X.) = Jt=o Sxydy . ft (¡) = (b) 0. El re¡ultado es para 0 (y(r.ffr:j:r.): fz@lr\ = !(u'a'-l = {'u'* h@\ lo La funeión de densidad condicional no está definida cuando JFr o=u=r otray (¡): 0- . Y tienen la función de densidad conjunta r(r.2-23. = Í.* :".i¿¡t\ = {o (2r/(L-azl a=r=l otra¡ O. Pa¡a los ohos valoree de r. hl.a) = {i. pa¡a 0 ( y ( 1. = t¡*} ftulr\ h¡a oü¡o¡ ralore¡ de = definid¿. 2-23. para 0 ( r ( 1. 2-23. Fig.

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

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

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

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

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

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

Una moneda ¡e lanza tres vece& Si X es l¡ variable aleatoria que indica el número de caras que rerultan. = Determina¡ (o) la función de VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2. Sea Z lz va¡iable aleatoria que repres€nta el númcro de ca¡a¡ menos el n(rmero de seüo6 en dos lanzamientos de una moneda honrada. Si se extraen doe bolas aleatoriamente sin remplazamienüo y X denoüa el número de bola¡ blancas. 2. (o) hallar la di¡tribución de probabilidad para X V (b) repreeentar gráficamente la distribución.18.E¡ suplernenta. (b) Problema 2. Rnpre*ntar gráfrcamenüe las funciones de densidad y digtribución. probabilidad. (o) Conetrui¡ una tabla que indique l¿ función de dietribución de X y (b) representar gr6ficarnente e¡ta función de distribución. la con¡tante c. (D) Problema 2. (a) Construir una üabla que muestre la distribución de probabilidad de X V (ü) FUNCIONES DE DISTBIBUCION DISCBETA 2.41.47.39. (r) P(. (¿) P(X > r.4L. Hallar la función 2. lbbla 2-? 2 3 Tabla 2-8 r f(n) I L/2 r F(r) I r/8 2 3 4 r/3 r/6 3/8 314 I 2. describiendo la relación entre ella¡. s). repreeenüar gráficamente la di¡tribución. 2. Una variable aleatoria X tiene función de den¡idad l(x) Ilallar (o ) = 1o = (ce-g" c)0 rso (d) P(X < 1). (c) Problema 2. 2.IBUCIONES DE PROBABILIDAI) 69 Problenra.cAP. Comparar los re¡ultados con los Ejemplos 2.42. Una urna tiene 5 bolas blancas y 3 neg¡a¡.38. 2.2l VARIABLES ALEATORTAS Y DTSTR.89. (ó) P(1 < X < 2).46.48. Una variable aleatoria X tiene función de deneidad f(n) = | "r' 1 "r L0 L< aé2 21r13 de otra forma . Obtener la función de distribución y su gráfica para el (c) Problema 2. Resolver el Problema 2.on remplazamiento.4O.rlo s VARIABLES ALEATOBIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCBETAS 2. 2. La Tabla 2-8 muestra la función de distribución de la variable aleatoria X. (D) P(l < X g).40. La función de probabilidad de una variable aleatoria X ee muestra en la Tabla 2-7. (dl P(X < 3).47. Obtener l¡ función de dishibución y su gráfica para el (o) Problema 2.1 y 2.2.46.39 si s€ extraen las bolas c. de digtribución para la variable aleatoria del Problema 2.41. 2.38.44.42. Sea X la yariable ale¿üoria que representa el número de ases extrafdos aleatoriamente en 4 ca¡tas de una baraja de 62 cart¡¡. (a) construi¡ una tabla que muestre la distribuci6n de probabilidad de X V (b) representar gráfrcamente la di¡tribución.19. Hallar la di¡hibución de probabilidad de Z. (c) P(X >21. 2.

3. y su función de probabilidad conjunta puede expresarse por el producto de rfna función en ¡ y una función en v.52. Halla¡ la función de probabilidad condicional (o) de Problema 2. y): cxy parar: L.60. 2.64. pendientes. Sea X una variable aleatoria que tiene una función de densidad (r. (D) de Y dada X para la distribución del .56. ¿Puede ser la función (c(I-12) F(r\ = 1o una función de dishibución? Explicar.54. marginal (a) de X. (g) P(Y = 3). (d\ P(X > 21.Y>+).ót. Hallar (o)laconstante c.56 para el caso donde las variables son continuas. cerode otra forma. 0= ¡=1 deotraforma 2. De'rerminar ¡i X Y son independientes. (b) P(X=2. (b) P\X'> PROBABILIDAD [CAP.49.67.57. E)emo¡trar el resultado del Problema 2. (fl P(X = r).69.(d)P(Y<{).(b)P(X<+. X dada Y. 2. (e\ P\Y < 2). 2 2). Demostrar que las variablec aleatoúas di¡ctetas X. (c) P(X > 1).63. DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2. (b) de Y para la función de dencidad del Problema 2.!: L. 0< gr< 1 f(r'u) = 1o deotraforma Determina¡(o)laconstantec.2. (b) P(1-12< X <312). Sean 2. (e)siX Ysoninde 2.(c)P(|<X<*). (b)lafuncióndedensidad. Halla¡ la función de distribución para la variable aleatoria X del Problema 2. Hallar las funcionee de probabiüdad marginal de (c) X V (b) (c ) y para las va¡iables aleatorias del Problema 2.56. (d) la función de dietribución. (cl P(llz < X < 3/2). DISTR¡BUCIONES CONDTCIONALES Y FUNCIONES DE DENSIDAD 2.70 VARTABLES ALEATORIAS Y DISTRIBUCIONES DE Hallar (a) la constante c. (c) P(X>l). (c) P(I<X< 2. La función de distribución de una va¡iable aleatoria X está dada por 2.Y = 3). Y variables aleatorias continuae que tienen función de densidad conjunta (c(r2*a2) 0Ér< 1. f(r) = 1o 0=rÉ2 deotraforma Hallar (a) el valor de la constante c.3. SiP(X:3):0hallar(o)laconstantec. X.ñ. La función de probabiüdad conjunta de dos va¡iablee aleatorias discretae )d Y eet6 dada por f(x. 2.54. Halla¡ las funciones de distribución 2.2. Y = 2). (d) P(l<X<2).ó8. 2. Y son independientes solo si poro todos los uolo¡es de x.

l. (D) Y CAITIBIO DE VARIABLES 2.69. de otra forma [^ la función de ilen¡idad conjunüa de X. (e-(r+u) x>0.7O.2L e¿ igual a 1. (ü) Y dada X.ú = { 0 J^ ^¿_.at = 1.@) < 0. 2. 2. 2. (ü) *. hal|arlafuncióndedén¡idad deY=*. 2. n)0 = to r=o Y: X2.66.63.72.67. -.57 .(¿) S 0.rl:j"<s<L Hallar la funcióa de den¡id¡d ondicional de (a) X dada Y. hall¡rladensidadde Y = tan-rX.64.p6gna 46.2. Sea la den¡idad de X Í@l = Halla¡ l¡ densidad de (¿) 3X (l/2 to -l<r(l deotraforma . < 5 < @. u >0 n1O 2. (b ) Iluatrar el re¡ultado en la parte (a) erco$endo f(rl = i: l0 y verificar la solución. 2. Sea dada X.6!. SiXüienefuncióndedenaidad f(r):(2v)-r/2"-érz. Hall¡¡ la densidad condicional de (c) X dada Y.71.paraloscaso¡ (al g.62.*. Hallar la función de densidad condicional de (c) Xdada Y. (bl Xs + 1.página46. (*e-2. (b) Y dada X.(ulZ 0. Completar la labor necesa¡ia para hallar gt(u) en el método 2 del Problema2.2I y verificar su reapuesta. Si X tiene función de densidad f(r) Hallar la función de den¡idad de l"-. -a <a < .. 2. 2. 2. si f(r. para la digtribución del Problema 2. 2.6t. (o ) Si la función de den¡idad de X es f(r ) hallar la función de densidad de X3 .2l VARIABLES ALEATORIAS Y DTSTRIBUCIONES DE PROBABTLIDAD 77 2. Siladen¡idaddeXes f(r)=U"(r2 *1). DemostrarelTeorema 2-3. y>0 f@. Demo¡tra¡ el Teorema 2-2. Veúfic¿r que la integral de gr(?r) en el método 1 del Problema 2. (c) r¿.. . Y.66.cAP.

l¡ función de den¡idad conjunta h¡lloda en el hoblema 2.halla¡ la función de den¡id¡d de (a) U : XYz. 2. Si.R y @¡ott tt. V = X I Y.79.21 primero efectuando la Ea¡rdormacií¡ 2Y 2.72 VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD Verifica¡ por medio de integración directa [cAP. Sean X. 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. y tienen función de den¡idad onjunta f(r'u) = y tJ (e-(t+vt r>0. CONVOLUCIONES 2.22. osv51 to deotraform¡ la función de densidad conjunta de Y.75.t2. Si X. Emplear el Problema 2.74. 2.77.). Y variables aleatorias que tienen función de den¡idad conjunüa Í@. Hallar la función de dengidad de Z = XY.76.8E. < U < @. 2. Sean función de densidad de X. Re¡olver el Problema 2. 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. -e 16 1o. ofrf 1.2 2. yz0 deotraforma {o = X/Y.a) = (2r\-rs-(r2+Yt). Doc puntor ¡e seleccion¡n aleatoriamente ¡obre un segmento de lfnea cuya longitud a o ) 0. 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.8O. . para hallar la función de den¡idad de U = X + Z.22 pare.t1. 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.emosha¡que (a) lt*(fz*fs)=ft*fz*ft*fs' (b)/rt'(lz+fs) =(/rof)*fs' = Z y lttryo utiliz¿ndo convolucione¡ 2. Sea l(n'u) = ){ (1.7t. hallar la fi¡nción de den¡idad conjunta de U y V. Sean X. (bl V = XzY.r""""va¡iablesaleatoria¡taleequeX:R co¡O. 2. APLICACIONES A LA PROBABILTDAD GEOMETRICA 2. f.76.

9O.DoopuntosPyQ se escogen aleatoriamente sobre AB y CD reepectivamente. Supóngase que f(r) : cl3t.2l VARIABLES ALEATORIA. Supóngaee que 2. P(l<x<2.0 {o deotraforma X.. (d) y (e)? Jurtifrc¡¡ . (b) Hallar la función de distribución. (c) Repreeentar gráficamente la función de probabilidad y la función de distribución.. ' PROBLEMAS DIVERSOS 2. r :1. ir a egta estación entre e¡tos tiempoe aleaüoriamente y eoperar por el buc mÁ¡imo que un bus llega a una estación deüerminada entre la¡ 8:00 P. t)o es la (0 rS0 (b ) Determinar P(1 función de distribución para una variable aleatoria X.t¡. f(r) = ( cre-22 r >.1. (b)P(X> 1). M. y la¡ 3:80 P. e¡ la función deprobabilidadparaunav¡¡iablcdeaüoriaX (o) Determinar c. (e) HallarP(2 s X< 3). 2. (o) Deüerminar a (b) Hallar la función de di¡tribución.92. 2. Halla¡ (o)P(0 < X< 3).GlP(x+r>1). (e) H¡tlarP(X > 3). encontrar c. X.cAP. < X < 2). .91. 2.t9. tomará el metro. 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. AB yCD tienen longitude¡ de 8 y 6unidadesrelpect¡vamente.ln 2)lZ. M. F(rl = 1"0_"_.S Y DISTBIBUCIONES DE PROBABILIDAI) 73 2. Dos segmentoe de línea..Y=ll.9L ¿cuil ea la relación en'tre la¡ rcluciones (c).t7. 8i no lo toma. . Una va¡iable aleatoria X tiene función de densidad l$tr-¡z) o<¡51 f(xl = t. 2. La función de probabilidad de una variable aleatoria X está dada por f(r) dondep es una constante. (d) P(l <x<21. 2.86. es la función de densidad para una variable aleatoria 2. (d) Hallar P(2 = X ( 5). 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 . ¿Cuál es la probabiüdad de que tome el meüro? Se sabe 2. deotraforma Hallar la función de densidad de la va¡iable aleatoria Y: X2 y verificar ¡u ¡olución. Dos variables aleatorias independientee. P(r=1).E4.¡¡ue. (a) Demostrar que para una constante c apropiada..t6.u r€. En el Problema 2. Un¡ pcr-na decide 6 minuto¡. (c) Representar gráficamente la función de den¡idad y la función dedistribución.E8.(d)HallarP(X> 1).

99. Sean X. (c) Dererminar si X y Yron independienter.93.(u) = ¡1e:r donde l..( tt ( -. (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 2.98.(c)lafuncióndedensidad 2. Estudia¡ ¡i considerra que eltar oupoeiciones Bon realistas y cómo podrÍa mejorarlas si no lo son. (d) Harlar P(Ll2 2.Y<312). Y son independientes. Y está dada por I r/9 r/6 r(r. o<Y <2 | c(2r+Y) o(¿(r' o de otra forma I (marginat)deX.L. En el Problema 2. + y. * Y es ) 0.93 ee cumple que P(X > +. dada en la Tabla 2-9. (b) Hallar p(X>tlz). Y variables aleatoria¡ independientes cada una con función de densidad ..y> 1/B). 2. -. ¿Cull er el análogo del teorema de la convolución para variables aleatorias di¡creta¡? Ilustrarlo usando el hoblema 2.2.91 halla¡ la funciónde den¡id¿d de (o) X2. t2<X< l). (d) Hallar 2. 2.ur = {"-'o |. (c) HallarP(Y = r).2.L se rompe en dos parües..1.s7. u=0.1ü1. /(z) = 2. Hall¡r ta función de densidad de Z . Y está.79 a tres o má¡ va¡iables. x. La función de probabiüdad conjunta para las va¡iable¡ X.(b)P(X>Ll2. nal de X y f.). 2.. X Y va¡iable¡ aleatoria¡ que tienen función de den¡idad conjunta f(r. f tienen función de den¡idad conjunta f (r' u) = t o llla 0(¡(U.74 VARIABLES ALEATORIA"S Y DISTRIBUCIONES DE PROBABILIDAD sean lcAP. ¿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. 2.0<U<t de otra forma P(X + (a) Determinar ai Y> rl2r. 0 os¡=2'o<Y=' de otra forma 2 (o) Determinar ei X. Demo¡trar que la función de den¡idad de X s(u) I @# u=0.X2 + Y2..y>1). .2 2. Generalizar (o) et hoblemz 2. (D) Hallarp(1 <x<1. Supóngase que la función de probabilidad conjunta de las va¡iables aleatoria¡ X.96. (c) Iüllar p(x<rlz. ¿por qué? +l En el Problema 2. Un¡ estaca de longitud .101. 2.(d)lafunción Hallar(o)laconstantec. (b) ttallarP(l S X< 3. Sean -(_ Y vari¡ble¡ aleatori¿¡ independiente¡ di¡tribuidae idénticamente y con función de densidad (2v)-r/2¿-úr2.96.. y < g) = p(X > p(y < +.101.103. (b) X Si -X.94.78 y (b) el Problema 2.a) = de deruidad (marginal) de Y. y > 1). Y son independientes.102.

2.10t. 0121L o de oha form¡ 1. 2.z) Demo¡ka¡ que au¡que = ito-""trtcosracos¡rz :. 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. es decir ¡ur factores funci6n de densidad marginal. - 2. r *"loq. 0< y1l. Z tienen función de den¡id¡d conjunüa r(r. Z> $). Y. c Fis.2-32 2.ede O a cualquier punto P del objetivo) forma con el eje.109. . Z.1O7.cAP.1O4 para que la probabilidad de intersección ¡ea mádma? Erpücar ru rcluci6n.1O5.'"L'.2l VARIABLES ALEATORIAS Y DIÉ¡IT. Si es l¿ f (r'a' z) = ( 1 rv2zs 01r11. Un haz cilínüico de partícula. (¿) 2. función de den¡ided conjuata de tres variable¡ aleatoriea X.106.J'v 1r' o1z.s de radio q e dirige haci¡ un obietivo hemi¡férico ABC co¡ centro en O como ¡e indica en la Fig. En el Problema 2.ri"r" dos de esta¡ va¡iables aleatoria¡ eon independientee. Un piso ertá con¡huido de cuadrado¡ de l¡do L Una aguia de lon¡itud o1l a lanza al piro.¿. Demorbar que la probabilidad de que l¡ atuja intersecte al meno¡ un liado. er igral a o(4t o\ltf . Supóngase que la¡ variable¡ aleatoria¡ X Y.1O4. Pa¡a una aguja de longitud dada ¿cull debe ¡er el t¡do del cuadrado en el Problena 2.. Ilallar (o) P(X > Y< +r. P(Z<X+Y).IBUCIONES DE PROBABILIDAI) 76 2.107 halla¡ la probabiüdad de gue una ¡rarüfcula pegue 8l objetivo entre A = O y0 : Í14. 2-32. 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.a. la! b€s no son independientes.

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

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

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

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

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

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

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

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

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

3l ESPERANZA MATEMATICA 85 llamaría la décima percentila (o la primua decilal. 3-3. 3-4. como en la Fig. 2. M. El recorrido es la diferencia entre los valores más grande y más pequeño de una distribución.ts . mientras que si la cola más larga se extiende a la izquierda. como en la Fig. Sesgo. Algunas de las más comunes son las siguientes..r5 y x.ll : f_.r representan los valores de la vigésima quinta y la septuagásima quinta percentila la diferencitrc.l dr (variablescontinuas) : EllX -¡.ts . 3-{ Fis. Cu¡tosis. se dice que la distribución está sesgada a la derechc. o negativa si la distribución está distribución simétrica o¡ : 0. Si r. se dice que eslásesgada a la izquierda. Una medida empleada frecuentemente está dada por "4 :-_-----i--: E[(x. esta medida no tiene sentido si alguno de los valores extremos es infinito. 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.tlf(r. Recorrido. En otros casos la distribución puede ser relativamente plana como en la cun¡a a trazos de la Fig.cAP.(X) X se define como la (6f ) ) lr.É. Lógicamente. 3.(X) D.plf(r) (variablesdiscretas) = DllX-¡. Las medidas que describen esta simetría se denominan los coeficientes de sesgo o sencillamente sesgo. Una de las medidas es 'il "ü"é D[(x . Recorrido semi-intercuartílico.O . Con frecuencia una distribución no es simétrica con respecto a un máximo sino que üene una "cola" más Iarga que la otra.r. M. 3-5. 3-3 F'ig. esperanza Desviación media La desuiación media (D. Medidas del grado de apuntamiento de una distribución se llaman coeficientes de curtosis o simplemente curüosis. 1.25 se Ilama el recorridó intercuartiticoy Il2 (x.) de una va¡iable aleatoria de lX. La medida es positiva sesgada a la derecha o a la izquierda respectivamente. OTRAS MEDIDAS DE DISPERSION Así como hay varias medidas de centralización además de la media. 3-5 2. 3-5.1.x.11 : (62) SESGO Y CURTOSIS 1.zs) es el reconído semi-intercuartílico.M. es decir D.p)3] ps (63) que es una cantidad adimensional. Para una o.p)n] o* p+ o4 (64) . La mediana sería la quincuagésima percentila (o quinta decila'¡. Si la cola más larga se extiende a la derecha. hay diferentes medidas de dispersión o variación respecto de estas medidas centrales además de la varianza o desviación típica.

3.41.. Véase también Problema 3..os diferentes valores de X conjuntamente con sue probabilidades se muestran en la Tabla 3-2.o\El = t7 \o. Tenemog E(x) Entonces.s.002 3000 0. por el Teorema 3-2. el precio del boleto sería más alto.'(*) .02) + 750 (0.002..s resueltos ESPERANZA DE VARIABLES ALEATORIAS 3.02 750 0. - E(Y) ^/t\ = tll) * \o/ "' .(i).3 que es una cantidad adimensional.'(+).z. js = !+ | + á + # +. Hallar la esperanza de una variable dada por aleatoria discreta X cuya función de probabilidad está Itrl Tenemos : (i)' (t=r.. La esperanz¿ de X en pesos es r (pesos) 150 0.(*) ...2.00 ó 6 pesos. = 1 PorüantoS:2./ 'l*)* 7 E(X+Y) = E(X\*E(Y) = 3.. 20 premios de $750 y 5 premios de $3000 Suponer que se colocan a la venta 10 000 boletos. Es posible definir coeficientes de sesgo y curtosis utilizando otras medidas de centralización y dispersión. Por ejemplo la probabilidad de obtener uno de los 20 boletos que dan un premio de $ 750 es 20/10 000:0.(i)" = +.3. Sin embargo una lotería gana dinero. Problerna. Y los puntos que aparecen sobre los dos dados.(+).'(*).86 ESPERANZA MATEMATICA lcAP. El precio justo a pagar por un boleto es 6 peeoo..0005) + (0) (0.ero que se ganará un boleto. Hallar la esperanza de la suma de puntos al lanza¡ un par de dados honrados. En una lotería hay 200 premios de $150.) E(xt = Para halla¡ esta suma.1. pero los definidos anteriormente se emplean con mucha frecuencia. |s = i .'(#). [. .002) + 3000 (0.9?75) : 6. Entoncee Restando. hágase á..0005 0 P(X : r\ 0. Sean X. s = . Comúnmente se compara con la curya nonnal (véase Capítulo 4). ¿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:.977t D(x): (150) (0. que tiene un coeficiente de curtosis igual a 3..

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

püa todo ¡. (o) Del Problema 3. p6g¡na 78. Sea ¡t(¡. por el Teorema 3.r. independienteo. Obsérvese que la validez de eate teorema gira alrededor de si f(. por el Teorema 3-4.7. Si la¡ va¡iablec X.88 ESPERANZA MATEMATICA [cA". ea decir. Pa¡a va¡i¡blee dependientec generalmente no ee cumple. y) puede expresarae como una función de r multiplicada por una función I. tenemos E(X): E(Y)= 7 12.y f t@) fz(a) )1. Demostra¡ el Teorema L4..4.1/2. / .7 Y) = Var (X) (Y) = F (b) ox+).(+)-Fr. Hallar (¿) la varianz y (b\ la desviación típica para la variable aleatoria del Problema 3. Halla¡ (a) la varianza y (b) la desviación típica de la suma obtenida al lanzar un par de dados honrados.8. var(X) (D) 3. (o) Como en el Problema 3. tenemoe f(x.(l) var(X) Var (X * ' ." (')no(')l E(X) E(Y) Si cualquier va¡iable e¡ continua la demoetración ee desarrolla de igual manera. E(x2) = E(vz¡ ='. con¡iderada di¡creta. = Wa"(X+Y) = 1/g v6 3.2. = Var(Y) = +-(.10. de ¡i X. Por tanto Y. Tenerno¡ E'(x ^"' * u' -'u.(.p\zt = '[(* -])'] = l:_ (" _'L)' t*.3 3. y) la función de probabilidad coniunta de X. o. Y ¡on independientes. página 77. Y ron independientee.*(á) # :%1 Entonces.4 l¿ media de X ee ¡t= E(Xl -. y.)'= i o = tFf-var(x) = \E = t r" : Ot¡o ¡nétodo.:r:¡:* .)'= * Var y."*' ""'*"' =i'|í'. Entonce¡ l¡ varianza e¡ Var (X) = Etá . Y rcn E(XY) = 22 Í!J! --t ra f@. y): f tG) /2 (y).u) = ) ) . VARIAT'IZA Y DESVIACION TIPICA 3.9.\2 ^a = f-('-L)''"-"0' = i = El(x-r)21 E(xz¡-ll(x))2 = t. Por el Teorema 3-4. puetüo que X. Además.'/'Q)2afztu) . Demoshar el Teorema 3-3. con las eumas apropiadae remplazadas por integracioneg.

px) + (Y .t . + (-r\'-'( n ..tt)lo es una variable aleatoria normalizadq demostrar que (u) E(X*¡ = 0' (b) Var (X*¡: 1..)"n'-' + (-t)'p'l J \r-r/.pi E(Y - py) - o ya que X.)¡._i.' .:..r.13. página ?9.cAP. f)e esto vemos que el valor do (t¡ ..i. = t(4=\ / =. Y y por tanto X gue al remplaz. Er(x-'''. se ri' y emplear cl Teorema 3-6.\x.EÍ6 . Demeshar el resultado (26). Y . MOMENTOS Y FI. mínimo de El(X-o)'l ocutre cuan- 3. .11. + r-r¡t('. Pr = El(x-pl'l = nfL x.py) + (Y .u.TNCIONES GENERATRICES DE MOMENTOS 3. p{ina 79.12. Demostrar el Teorema 3-6.o)n = O.ft\tr*"-.lt:0.!^r_':i.ttv eon independiente¡.px)2 * 2(X ./ /\ /"\ = .(i\*.t:. e¡ decir cuando a : ll.-'u \I/ + ..pl|.'tut '\'/ + "' + (-L)'-'( t .u\(Y .)t(")u'-l + (-t)rpr \..n)21 E[(X ..2] + zEl(X .r. .a)2 pueeüo que E(X . * .3] ESPERANZAMATEMAIICA 89 3.pv)}21 EllX ." -. página 79.-iut + "' + (-l)'-t¡ur * (-l)-rnt donde al combin¡r loe do¡ úlüimo¡ término¡ re¡ulta (-l)r-1(?'- 1)p'.P)21 + (P . \t / \r/ + . * t-t'(T)t1"'-. (a) puesüo que E(X) = E(x*t ¡r.ar Y gnr -Y .E(x. Demostrar el Teorema 3-7.t'+ "' + {-r\r\l)r.ltx..14. !¡rw-u¡ = L¡nwl-r) = a' o \ (x*) 0 (b) var = u" (?) = \o¡1x - u¡"1 oz =I utilizando el Teorema 3-5. La demo¡tración de (I9)... . = .pv)l * El(Y EI{(X Var (X) + Var (Y) px)(Y pvl2) El(X - - pv)l = E(X . pág¡na 79. Si X* : (X ...tt): E(X).px)(Y . .(i )/. Var (X + Y) = E[{(X + Y) - (px + pv))2] = = = = utilizando el hecho de que .r?2.í':.págna79.-. y el hecho de que E[(X tt)z1= 3.

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

La función característica está dada por Eteiux.*.. . tti = *. Hallar los primeros cuaho'momentos (c) alrededor del origen. p6gin 80.1!) * r/9)' 85 ". Jo "ot.-+e i. '. al comparar términos.17(o) al remplazar t : i<¿ 3.'.'. 2 4 8 p'n 16 Pero M(t) = * tt + uí#* rtfr+ tt^fi+ "' = P¡. (b) alrededor dc la media./+b(. t = )2. para unava¡iable aleatoriaX con función de densidad r(r) (c) = i.20.r.216 -r./ \ -/ = cosa coso empleando las fórmulas de Euler ¿io con 0 * isena s-io = cos." = B t. /t = \. 3] (b) S¡ lúl ESPERANZA MATEMATICA 91 ( 2 üenemo¡ z_t z L_tlZ 1 I = '. = l(3.21.cAP.". 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 ..\51 . = .*L*!-L*!*.i¡en. = 27-s\s5./!\'_ .216 pi = E(Xr) = .8?b B6eg 8?50 ztcy q\. El resultado también puede obtenerse del Problema 3. = E(X) =#Í""*z¡s-¡z)itr =f pL tt = Elxz¡ = # 1"" *rn - s2) d.'''-r2)/8r :"=i.'NCIONES CARACTERISTICAS 3.. = .Lp. Halla¡ la función característica de la variable aleatoria X del Problema 3.19.r)\B/ -t\Ei _ ^.. = 2 ^f FI.(+) * ... tenemos ttl t2 = r-(*)'= # = 02 Fr . pi (b 12) dr = -51 ) Utiüzando el resultado (27\.r.17.".) = \ -.\. "\5/ tt4 y./!\. Por tanto. : c¿.". 3.(l) -.

Hallar la función característica de la variable aleatoria X con función de densidaa f@) = ee-atEt. Y es oxy = Y) = El(X .24. = *t_""^"0. página 82.f(r)dr tlÍ-"eíore-o<-x.6-'l "iar¿-.E(X)E(ts) = 0 ..23.útit¡) l€ lo lo ."r.lxtty = E(XY) _ E(X) E(Y) Cov (X. Por definición la covarianza de X.rrrrru.23 = Cov(X. e-(a-i@)¡ 2 a*io l-" ' ..92 ESPERANZA MATEMATICA La función ca¡acterfstica está dada por lcAP.r = "lÍ:. a. .c-atxt d.r'. página 82. l:. + fo* n. por tanto por oxy el problema 8.* npv] = E(XY) .¡xXY ._(a_io) ü a L 2(o* io) 2(a.Fxpy . Demostra¡ el Teorema B-15. 3.pxE(Y) .l*-ei.e-ho 2ia.ryttx * pxpv = ElXy).20) ceñ d = ao. e<o+iarz * Jo ¿-<a-. = "{lo 4f-o u-n<-. Puesto que f(r) es una función de densidad tenemog Í). y eon independientes entonces E(Xy) : E(Xl E( y) . Si X.o = 8en Cú.pv)] = E[Xy .donde c ) 0 y c es una constante apropiada. 3. Por tanto. o" = asf que I .t an + !o' "-"r. = 2a io l-o = | al@t la ela@ . Yl = E(XYI -.pvX.p*y .o<t> ¿sf . -oo < Í 1 @... úu empleando las fórmulas de Euler (véase problema 3.22.pyE(X) * E(pxpvl = E(XYI . la función ca¡acterística está dada por E(eiax¡ = ."-*l* = -Alo = I - Entonces c: ol2. Demostüar el Teorema B-14. arf 2c O + .LJ_-e(a+t@)ro" q.f?o/.3 D(etx¡ = f-.io') = _a2 a2 * o2 COVARIANZA Y COEFICIENIE DE CORREIACION 3.

dy = %T t 16 ri = ñ)"=.= = t/zwan ' 15514. (s) Var(Y)..*.o. sl Hdla¡ Cov (X.O. f"t=u our.. Ju=o {rú{rr r sl dr dv = .y) = E(xy)-E(x\E(yt ?-(it)'=:* = +-/+)l+) = --+ r47 7 \21l\7/ -0.8. (b) t 93 (¿) 3./zso r/55 -20: = 3.26.2103 apror.a\l = .. (d) E(X').'. (e\ E(Y').al = )"rl-)ftr. =# =+ = 22u2f(u.=. (0 p.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. página 52.26. página 50. EsPERANZAMATEMATIcA y).at) = 4.."=.ur". .or.(1)(9¿)+ (2)(L2cl+(3X15c) = = = 22nufia. Y se definen como en el Problema E(x) (a) E(X'¡.o.at) = rr.ol.y) = ?rh f(.ú = . (c) E(XY).. .ul = )y.) (e) E(xz¡:22r2f(r.[) ¡@.lrrr"o*. * (1)z(1ac) E(Y2') lllr"t *l =t . = E= + (c) D(xY. E(Y). txv o = oxnv -.alf '* = *.. si las va¡iables X.o1.lyL47.a\ . (¿) (b) = ))o/(". [] tA.(1)(1ac) +(2)(22c\ = 58o = E = n 78c E(Yt = 22af.. Y se definen como en el Problema 2.cAP.3.J"-o{o)1"Iuld'rita = I70 6s = tf67580 .r... Resolver el Problema 3.-. Utilizando c : LI 2LO tenemo¡: (¿) (c) E(xt = E(Y\ E(xY) h + s) dr t.r".25 si las va¡iables aleatorias X. (/) Var(x).:-* J.n".. lr..... 2. + (0)(1Xc) + (0X2X2c) + (0)(3)(3c) + (1X0)(2c) + (1X1)(3c) + (1)(2Xac) + (1XBX6c) + (2)(0)(ac) + (2X1)(6c) + (2X2X6c) + (2XB)(?c) 427 ld.

Hallar lavariar¡.(#). * v) dx da = cov(x. la función de probabilidad eondicional de Y dada X : 2 es ftutz) = Entonces la esperanza condicional de Y dada + 2.za condicional de Y dada 2(L-ys¡ 2(l+y*y2) --¡O+7I- x para eI problema 2. Si f(r) es la función de densidad de X entonces . = var (y) = E(vz¡ _ l'(y))2 = t# _ (#)' = t.03129 aprox. VARIANZA Y MOMENTOS CONDICIONALES 3.30. p= oxoy -200l3969 /50s615e6-0 {r6únsn -200 t/zsnr/te zzs = ESPERA}IZA.rrr.94 ESPERANZA MATEMATICA fu'=o [cAP.=o.)\t)* J_- donde hemos utilizado el hecho de que ltz: E(Y lX: r) :2. pág¡na 62.\r-. .g.rrrr. Demostrar la desigualdad de Chebyshev. (o) (ó) E(ylX=r) = Í-_afrtuldau = ír'r(rr")* = + E(xly=y¡ = f_-". Como en el hoblema 2. Hallarlaesperanzacondicionalde(c)YdadaXv(b)XdadaYenelProblema2. Hallar la esperanza condicional de Y dada X : 2 en el problema 2. La demosbación para variables discretas es semejante si ee remplazan las integralee por sumas."=. Presentaremoe la demostración para variables aleatorias ecntirruas..2g. X: 2 es E(Y =2) "x = ? r(+) X: donde la suma se toma sobre todo y que corresponde a E(y. * a) dr tru = # otr .(iu) = ii 3.2g.zlB del Problema 8. Esto oru o"oo oo.a varianza pedida (segundo momento alrededor de la media) es 12 z"\'/zu\' =18 E[(v-pr)zlX=r] = f'w-td2fz@lr)da = ('/ Pz"'=J. [. .(#).x=2) = -.27.(ui) .^:.pág1na62. 3 (d) (el u') b) (h') (t oxy =# E(Yz¡ = h f. pág¡na62.28.29.(#)' = *tq*$ o2. . f u'.. DESIGUALDAD DE CHEBYSHEV 3.y) = E(xy)-E(x\E(y) = ?-(?f)(*t) oxy = -# -0.27.# E(xz¡ =h Í. . página 61.(rlytdr = í"'"(#*S* El=a\ 3.var(X) = E(xz¡-ll(xtl2 = #.28(o).

t+.¡rl > 1).. = E(X) = p Var(Xr) = Var(X2\ = "' = Var(Xn\ = o2 Entonces t(*) = "(*'*'. . ".04e?e = plr- = 7/4.. (c) hallar P(lX .+E(x")l = L(nt) = = Var(Xr)*. La desigualdad de Chebyshev P|X-pl > f) resulta P(lX¡r] = 1) < oz = 0.(l*-*l \t o2 =t)/ = 1-(1-e'r) = p2 e-s = 0.) = o . página 84. LEY DE LOS GRANDES NUMEROS 3.18.18.25 Comparando con (o) observamos que el límite dado por la desigualdad de Chebyshev e¡ ba¡ta¡te crudo.(-:. Por tanto P(lX-rl > 6) 3.18.t <1) = "(l*-*l .) así que t'" (+) = 4 var (s") = * X: Sr/n üenemos _/ls" | \ donde hemos empleado el Teorema 3-5 y una extensión del Teorema 3-?.32.. '|. Demostrar la ley de los grandes números establecida en el Teorema 3-19.. Tenemos E(Xrl = E(X2l = . | \ _ ul=_ .. el valor de la integral solamente puede disminuir cuando el int¿rvalo de integración se reduce.) = ¡toz tt Var(S") = Var(Xr*'.* . Así por la desigualdad de Chebyshev con Tomando el límite cuando n ) -. (b) Utilizar la desigualdad de Chebyshev para obtener un límite superior de P(lX .rl > 1) y compararlo con el resultado en (a).|) ol ¿l \l \ o = J¡ | f :l/2 Ze-udr = 1 - e-3 Portanto (b) Del Problema 3.3l ESPERANZA MATEMATICA 95 02 = EI(x - p)21 (' = J-* @ - p)2 l(r) dr Puesto que el integrando es no negativo.31.|ww. /ts r|.'*"') .ul=') 02 esto se conviertq.t)/ = . ¿lr-al=e Pero Ia frltima integral es igual a P(lX - pl ? . En la práctica la desigualdad de Chebyshev se emplea para dar estimativos cuando es inconvenientc o imposible obtener valores exactos.). Para la variable aleatoria del Problema 3. DeI Problema 3.¡.cAP.*X. Por tanto 02 t¡z-ttlZe rlr-yl=. ¡¡ (o) = 1/2.'. como se pide. Entónce¡ P1x ¡.*Var(X.x.

e8to e3 f(r ) ocurre dondc .?3 aprox. Ob¡érvese que este valor da el máximo ya que la -24x 187 . que debe enconharse entre 0 y B. y (c) compararlas con la media. (c) Comparar la moda" la mediana y la media.¿rL 81 -_l = 'r2) df ar. . (b) Hatlar la mediana. (a)/ La moda es el valor de 4 asociado con la probabilidad más grande.60 = 1. Ahorapara0(a ( 3. eetá dada por = n-Zr/. Halla¡ (a) la moda y (b) la mediana. una va¡iable aleatoria discreta tiene una función de probabilidad f(r) : !12' donde 2. r: 1.33. En este caso probabilidad esLl2. . aquel valor deo parael cudlp(X é a): ll2. . .62 apror.36='ñ¿r ze) az de donde o = sli{z- q Por tanto la mediana pedida.[. El máximo relativo de la derivada es cero."on-r2tdr = #(Y-t) 2aa_36a2 all2 hallamoe que *91 = 0 de donde _ia2 = 36a\436P-4(2X81-) . 3-6.96 ESPERANZA MATEMATICA lcAP.3 OTRAS MEDIDAS DE CENTRALIZACION 3.. 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. para el cual la . La moda. es Í: L. que ea La moda pedida. = fr: aegunda derivada. la mediana y la media se muestran en la Fig. l(r't 3. (b) La medianaee 1. (o ) La moda se obtiene hallando donde la densidad f (x) ea máima.9 - -'l 86 - 8l l2r2 = u Entonces . P(x<a) Igualando eeta = *. ea negativa para x = 1fá.84. (c) ' E(x) = + ('¡z(g-xz\da = !(t*-+)l'= 8l\ 5/lo 8lJo que prácticamente ee igual a la mediana. r.

Determinar los valores de la (c) décima. Del hoblema 3. I.r :: . (b) el recorrido semi-intercuartílico y (c) la desviación media para la distribución del Problema 3.*l[#.33.33 hallamos que s : 0...)[#'n . es decü 312. En forma análoga puesto que todos los valores ¡ ( 0 tienen probabilidad cero.655 apror. Del Problema 3. (c) Como se encontró en el Problema 3.10. (b) Por el Problema 3.37. a (c) f.")[#. Por tanto Recorrido semi-intercuartflico = ?121 .Portantacualquie¡númeroentrel y 2 podrfa representar la mediana.3.-1998 0. = - p|) = l_".19. (" . Entonces E(lX = D.")] d' + Í. o sea ¿ 0.esdecirlasoluciónde(18a2 : 0. Entonces el recorrido es 3 .L21 aprox. Empleando el método del Problema 3.o .0 : 3. Por coneecuencia escogemos el punto medio del intervalo.33 la media Desviación media ee lt : 1. (c) Del hoblema 3..r - pl f (n) dr = l"' l' . : 1.098 aprox. tomamoseluolor móximo de ¡: 3. : 2.P(X=r):l12yP(X. Hallar el coeficiente y (b) curtosis para la distribución del Problema 3. (o) Puesto que todos lós valores ¡ ) 3 tienen probabilidad cero.36.'"¡)a' = SESGO 0. (b) La vigésima quinta percentila es el valor de a tal que (L8o2 P\X<a)=#(Y-fl = "# aa -a4¡¡8t \l8L : O.n "¡fa' = Í^" (.b1 aprox. Determina¡ (a) el recorrido.35 los valores de la vigésima quinta y septuagésima quinta percentilae son 1.l : 2. M.33. tomamos el uolor mínimo de ¡ : 0.a septuagésima quinta percentila es el valor de ¿ tal que (18o2 - a4 ¡¡8t: o @a.098 y 2. OTRAS MEDIDAS DE DISPERSION 3. (b) vigésima quint4 (c) septuagésima quinta percentilas para la distribución del Problema 3.25.1253 3693 8750 (a) Coeficiente de sego -: o. .68 aprox.33(b) tenemos (o) LadécimapercentilaeselvalordeoparaelcualP(X5o):0.l0.3l ESPERANZA MATEMATICA 97 (b) Si¡escualquiervalorentrely2.". Y CURTOSIS de (a) sesgo 3. Por tanto el orden de las tres medidac es contrario al del hoblema 3.33.t):ll2. :.121 reepectivamente.? 5. PERCENTILAS 3.cAP.19 tenemos 02 ll 25 It3 oo - 32 8?5 -0.35.60 : 8/ó.

(". Si M(tl es la función generatriz de momentos para una variable aleatoria X demostra¡ que la media €S g : M'(O. f-ri". . = o" = M"(0) - lM'10¡12 1. remplazaudo j por h... También la distribución distribución normal./" . ti = M'(ol Entonces de (27) tL = M"(o) p = Iú'(0) 3.1. - I zt.3 (b) Coeficientedecurtosis = et :. . pk 1 12= T. la serie de Fourier se rernplaza por la integral de Fourier (véase página 81).r-.. Utilizar el Problema 3. ú"r**:r.n.39.. X una variable aleatoria que toma los valores t n..x¡ ¿ior¡ = - i -) r^.. es algo menos apunüeada que la 3€. n2.l ¡rt" .1.39 para obt€ner 14 distribución de probabilidad de una variable aleatoria X cuya función característica es O(<¿ ) : cos .{o) r/o Con frecuencia llamamos Q$.¿. respecto I @ desde 0 hasta 22." ..tlZ Se deduce que hay un sesgo moderado a la izquierda.(ar tra -= k =S o*Ja " ¿i{r'. Qk¡). como se indica en la Fig. De (32).. (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 -. = I#+i:"-o 2¡ tt'' sr(.39 I pt.. tenemos remplazando r : L y r : 2... .Iu-| é(o) E1er.Z...98 ESPERANZA MATEMATICA lcAP. y la varianzaes 02 : M"(O)-ÍM'1O¡12.i)o ¡f. .38. Del Problema 3.. ¿ k icr_.. . que tiene una curtosis de 3. " t*''L i:. . PROBLEMAS DIVERSOS 3.. Sea p. coS c do -e ':.. .rf t1o k+j k---j Por tanto rt ¡ P¡ ..._ .1. (b) Mulüiplicar ambos lados de la expresión (r) . J.¡ rru.u-¡ .t_ | eú .> ]¡xeik.r i r)d (¿@ I ¿ir r 1.l l''. yp¡ los coe¡icietttes tte iour¡"r.. . f tl' . 4¡ J.. o1_o o... = .. . . "" Entonces j f'= " -iia 4..' '^'y'.j .página 80. 3. puesto que f_"n.. = 2¡p f -o --n .40..Para una variable ¿leatoria continua.

cientc de sesgo es cero..p. (o) f(t)= l¿-"'" l/Zn- -co<n<e l!\ : llt = O y lt\:0.k:-1hall¡mogp-r=*./..= -z-rll) .si. 3-7. 3 Por tanto el coeficiente de curto¡i¡ e¡ -i-ó . Por tanto el coefi- La di¡tribución tiene I¿ apariencia de la Fig. = h Í./g\ = {.'\2/ Entonces = EI(X.2. 2 2'\2/ = .)21 = E(X2) = pí = ps = qllX -p){] = E(X4) = p'n -o2 'lt4-.1"/l) = -{.cAP.8. . (r |. # to' '"t2"-'d'o B L 4.2"-22/2¿¡ ¿u = + 'to f'sz¿-x'/z¿. "_. 3-? (b) Tenemos p. con probabiüdad Ll2 con probabilidad Ll2 -r 3. Por simetrÍa. Iülla¡ el coeficiente de (c) sesgo y (b) curtosis con densidad de la distribución defrnida por la curua normal.x2/2 ¿..\2/ {. {2¡ or.1"/1) = r \/.20. \ Fig. (. = E(xz¡ = -+ ¿l" l/2r -.Pa¡alo¡oEdvalore¡dektenemo¡p*=0." *. Por ta¡¡to la va¡iable aleatoria ectá dada por X=) Comó una verificación vúas€ hoblema 3.41. Análogamente obtenemos ti = E(xr¡ = h fl= o. 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. -f rz ¿. = Z Jo {i .3l ESPERANZA MATEMATICA 99 Si&:lhallamosr'=$.

Una variable aleatoria X se define | -2 prob. (b) E(Xz *)a2). -2"":'\ -" -* \"r* ) -/ = oí+oil"-.47.46. (b) E(zX + 6).{) * -.-". (bl E(}X-21. 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). Para cualquier constante real c tenemo¡ .x)(Y- pv)l = + c2al - 2co*.¡. (c\ E(Xt).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.otr ___q__ . (c) E'l(X-1)21. Una variable aleatoria X tiene la función de den¡idad (e-' r>0 /(r) = {l0 ^ ¡(0 Hallar E(e2x/31. 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). + n?.s suplernent&rio s ESPERANZA DE VARHBLES ALEATORIAS 3.48. * c2El(Xr ¡x)21 . 3.Y = ] 3 prob.!\'Entonees el lado izquierdo puede escribirse El¡. / .zl \ 'xv\2 "i" "x/ --t-"i = ""*"1-o'*"=-0 ó *=1 '7ní queesequivalenteap2 < "'*"?. ¿Cuál es el número esperado de puntos que resultan en 3 lanzamienüos sucesivos de un dado honrado? ¿Parece razonable su solución? Explicar. (b) E(Xr).. Hallar (a) E(XI. g.49. 3.Y El(Y _¡v)21 c(X - Px))21 = 0 / ol. (cl E(X21. ll2 ."Í\"-. Sean X.3 3. I 1 3. La función de densidad de una variable aleatoria X es /(r) = (e-r r>0 de oüra forrns 10 Hallar (o) Eo(l.( ".100 ESPERANZA MATEMATICA p [cAP. . (c) E(XY). Demosbar que -1 < s1 (véase página 82). 1/3 por .zcEl(X.42. I Problerna. Sea prob.45. 9. = o?.44.

en el Problema 3. (f.7/2 prob. E(Y\.cAP. 3.3l ESPERANZA MATEMATICA ¿Se cumple 101 3.62. X2. (d) E(XY). (ó) E6?+ X'r+ . tc)E(X+Y\. . 1/4 Hallar (o) E(3X+2Y). Sean X.52? Explicar.0lyf 3. (b) E(Y).E(X) E(Y).57. en el Problema 3. (d) E(X2t'). (b) "x. 3.69. Y variable¡ aleatorias independientes tales que ^ vt || prob.(zr+y) 0<r='I. + Xn). . Y va¡iables aleatorias con función de densidad conjunta Hallar (o)^E'(X). 3/4 prob. (ft E(xY). 3.53.50? Explicar. . Si /(t. 1/3 \o prob. que (o) D(X + Y) = E(X) + E(Y).58.50. (b) E(. ¿Se cumple que (c) E(X + Y) = EIX) + E(yl.54. 3. ¿Se cumple que (o) E(X + Y) = E(X\ + Sean X. (b) E(2X2-Y2). (b\ E(XY) : E(X) E'(Y). (b) E(Xy) -. s) = ] : de otra forma |0 Y). . 0f s<I.49. * Xil. . Xn n variables aleaüoria8 que están distribuidas idénticamente tal que | 1 Xt. 1/6 Xzl . 3.66. Sea X una variable aleatoria con función de densidad f (e-. 3.. (x) = io x>-0 de otra forma Hallar (o) Var (X). Sean X.51. Sea X una va¡iable aleatoria con función de den¡idad (1/4 -2f x=2 l(rl = jo deotraforma Hallar (o) Var (X). Hallar (o) la varianza y (b) la desviación típica del número de puntos que resultan en un EoIo lanzamiento de un d¡do honrado. (cl E(XY).48? Explicar. Sean X1 .55. (c) E(X-rY).. Y va¡iables aleatorias con deneidad conjunta f(r'al = iat' Io o-<:us1' o<tl<1 de otra forma Hallar (o) E(X). = I Z [ -_r Hallar (o) E(Xt+ prob. (d)E(XY).'. en eI Problema 3.2/3 v) | 2 i -a prob. 3. (b) "x. VARIAT{ZA Y DESVIACION TIPICA 3. 3.0=tt<2 lr(t*u) l\x'a) = f deoüraforma 1o (b) E(Y). 1/B prob.XY\ 2 = E(X) E(Y\.

Hallar el hésimo momento alrededor (a) del origer^.65. (a ) 3.71.62.7 lxl I a deotraforma 4. Ei6 - .44.43. Si M(ú) es la función generatriz F:t de momentos de la variable aleatoria X. 3. E(X): 2. g Problema 3.'(0) ¡f.61. (c) o¡. Hallar la función carar:terística de la variable alcatoria X con función de densidad f¡): (x/2 io 05rtZ deotraforma . 3..60. 3.43. demostrar que el 3o. (b) de la media. (b) Var (X). 3. ESPERANZA MATEMATICA Hallar la va¡ianza y la desviación típica para la variable aleatoria X del Una va¡iable aleatoria X tiene (a ) [cAP. Halla¡ Ia función ca¡acterística de la variable aleatoria (a X = 7 ó I prob. página 81. (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.67. En el Problema 3.68. Si X tiene función de densidad ¡t") : -i (l/(b-a\ O a'=r=b de otra forma. 3.. (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. 3. 3. E(X2 ) : 8.63. (b ) ox. Hallar (o ) Var (X ). página 77. (b) Problema 3.6 hallar (a) E(X). 3. 3.64. 1/2 prob.72.67 halla¡ los primeros cuatro momentos alrededor de la media. momentos al¡ededor de la media están dados por = p1 - ItI"'(. Hallar los primeros cuatro momentos alrededor de la media en el Problema 3. p Prob' g=L-P Hallar la función característica de la variable aleatoria X que tiene función de densidad í'llZa f(r) = 1o 3.66. - 1)2] = L0. (á ) Problema 3. 2\21 Si una va¡iable aleatoria X es tal que E[(X Demostrar el Teorema 3-1. 1/2 -tn primeros cuatro momentos alrededor del origen. y 4o.01 - 3M"(0) ¡l'(0) + 2lM'(0\13 Ifrivr(Q) 4M.73.70. Demostra¡ el Teorema 3-11.69.44. 3. MOMENTOS Y FUNCIONES GENERATRICES DE MOMENTOS 3.r02 3. Hallar (o) la función generatriz de momentos de la variable aléatoria x = y (b ) los ( U2 1 prob.(0) + 6M"(o)lM.(0)]2 - 3[M'(0)]4 FUNCIONES CARACTERISTICAS 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)

. ert (z). Si hacemos que Z sea la variable normalizada correspondiente a X.-2y I2.451/" y 99.Nl/s-> 96. 4-l z En el Apéndice C se presenta una tabla que da las áreas bajo esta cun¡a limitada por la ordenada O y cualquier valor positivo de z.u y F(z) : á['. P(-Z=Z<2) = 0.96.8 yque3) las cuales rcn iguales aJ. En esta representación gráfica hemos indicado las áreas dentro de L. En este caso la función panZ puede obtenerseapartir de (4) alremplazar! = 0V o: 1. resultando de f(z) : le-"'" V2" .110 va¡ianza DIsrRIBucIoNEs DE IRoBABTLTDAD coN NoMBBE pRoplo [cAp. que es uno.46%. : . La función F(z) eú(z) = z-frÍr' e-u'd. du (s) se Algunas veces llamamos al valor encuentra relacionada con la función enor.z: + .73% del área total. La función de distribución correspondiente está dáda por F(z) = P(Z < z) = I t/2" Í'-"-. (r) Este resultado se conoce frecuentemente como la iunción o la distribución de densidad normal tipif!eada.z. P(-3< Z<3) = 0. Tenemos z de la variable tipificada el wlor tipificado. 4 En este caso decirnos que la variable aleatoria X está normalmente distribuida con media g y l..68. algunas veces conocida como la curva normal tipificda.27%. es decir si hacemos (6) z=r= entonces den¡idad la media o el valor esperado de Z es 0 y la variartza es 1. 99.". Esto quiere decir P(-1<Z=L) = 0. 4-1 se muestra una representación gráfica de la función de densidad (7).99?3 (10) ¡$$. *t(ft)] (e) En la Fig. du = + # fo' .9545. 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..73% Fig.-.2 y 3 desviacionestÍpicasde lamedia(esdecir entue z: -1y * L..6827.

cAP. . 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.D. Los valores de f(r) en (13) pueden obtenerse empleando el Apéndice H.¿r) : L J" f"-u2tz ¿r. 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.t7).. 2. Esta airi¡Uu"iór. El hecho de que la distribución binomial tiende a la distribución normal puede describirse aI escribir Literalmente. 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. n+€ \ vnpq / 1/2n que la variable aleatoria tipificada (X . y en el límite es total.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. 1. se llama la distribucíón dePodsson (en memoria de S.. ALGUNAS PROPIEDADES DE LA DISTRIBUCION DE FOISSON Algunas de las propiedades importantes de la distribución de Poisson qe presgnf¿rr en la tabla siguiente. L. (Véase Problema 4. que da los valores de e-r para diferentes valores de ). La aproximación es tanto mejor conforme aumenta n.. 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. . o utilizando logaritmos. donde tr es una constante positiva dada. . Poisson.2. decimos x -'p . DISTRIBUCION DE POISSON Sea X una variable aleatoria discreta que puede toma¡ X esté dada por los valores 0.. En la práctica la aproximación es muy buena si ambos np y nq son superiores a 5. .

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

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

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

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

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

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

M(t\: aquella en que el primer éxito ocura. Para cualquier dishibución conjunta la condición p = 0 es necesaria para independencia de las variables aleatorias (véase Teorema 3-15).u\ : 2rororl/T-p" ". Con frecuencia nos referimos a (49) como la distribución normal bidimensio¡ul. 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.ottoz sonlasdesviacionestípicas de X. É¡r p2son las medias de X. = t!-qprzt. 1ú... r=l ""=# Me)=# r. b. p es la probabilidad de éxito en una sola prueba. Teorcma 4. las constantes o.4 *8: 4-o. se considenn positivas al menos que se establezca lo confrario. e incluyendo. . . El caso especial X representa el número de pruebas de Bemoulli hasta. -ú <A <6'. RELACIONES ENTRE LAS DISTRIBUCIONES CHI. r.9: Teorema fYF 4-r. e incluyendo.CUADRADO.. donde se da. p. r : 1 da la distribución geomékica. Y.. remplazando t = ia.r *1. Distribución binomial negativa o de Pascal. = (X -t)o'n'-' r :. 410: 4. 2.. lt:po'=p2 r"rq E+S La va¡iable aleatoria aquella en que el r-ésimo éxito ocurra. y p es el coeficiente de correlación entre X y Y.o. Distribución geométrica f(t) = P(X=r) = pq'-' r=t..= + X. La función ca¡acterística se obtiene de la función generatriz de momentos. Y.. En el caso de (491esta condición también es suficiente (véase Problema 4.0(* :.118 Teorema DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.Z. .rr. : L/4'rr'r.. (+)' ) /. a. f (r) : P(x = . 1. .r..51).r. Aquí La variable aleatoúa X representa el número de pruebas de Bernoulli hasta. DISTRIBUCIONES DIVERSAS En las diskibuciones descritas más adelante. .n] (4s¡ donde -o ( t.r'X?) ..' {-[(?)' -.

ccs.b[. Distribución Maxweü. 1"1 ¿=j ( f(s) = rL o6*t-r {o 02 "-axt r<o * = o-'. Método 1. (b) 2 sellos y una cara. para rignificar cara en el primcr lanzamiento. c.-t fi > O t'=.cAP. Hallar la probabilidad de que al lall. hay untotalde (2X2)(2)= g re¡ultados poeibles. en el erpacio mue¡tral. f(r) lt= )o-l Problerna. 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. Distribución exponencial fkl = { lae-"' c)0 n=0 L0 M(t)= q. 4. es decir puntoc muesEalee. Puesto que en ceda lenzamiento pueden ocu¡rir 2 posibilidedec (cara o rello).llo en el regundo y cara en el tercero. Estoe lon ccc.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 . Por tanto (o) P(3 cetar) = P{CCC¡ = } (b."(t. DishibuciónWeibull. ssq scq scq sss Para una moneda honrada a e¡to¡ re¡ultado¡ re ler asignan probabilidadee iguales de 1/8.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 119 3.zar una moneda honrada tres veces resulten (c) 3 caras. Si C denota "cara" y S denota 'rlellot' y derignamos CSC. csg css.a resueltos DISTRIBUCION BINOMIAL 4. por ejemplo.+)] r >0 Í <0 5.1.'r(r / + |) - a-2. (d) no más de un sello.(r i) . (c) al menos 1 cara.

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

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

. HaIIar Ia probabilidad de obtener un total de 7 al menos una vez en tres lanzamientos dé un par de dados honrados.2. La probabilidad de un tornillo defectuoso e8 p :0.rt't0. Para una secuencia de n pruebas de Bernoulli definimos n /n\ '?n ('/tr"')'0"-' (a -l. (c) menos de 2.46e6 ffi ? . Sea la (o) P(X: t) = (rn )..1.n) .4 Número esperado de familias con 1 ó 2 niñas = tZOOOill) ' '\ 6 / \/ = 125 1250 (d) Nfrmero esperado de famiüas sin niñas = (2000)( i ) = 4.' (0. f (r) P(x = r) = (!\o.nba j-ésima si éxito en la prueba j-ésima U=1'2.. Médodo 1.n" .p:0. Si X está'distribuida binomialmente..46e. sean defectuosos. Entonces es g : I .L22 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. 4.. página49)..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 2.8)a = s.0.7. = 1:)l+Y/q\' \"/ \"/ \6/ - r25 216 y 4.0. determinar la probabiüdad de que de 4 tornillos escogidos aleatoriamente (a) 1.8)r = ¡.'(\*. de un tornillo no defectuoso va¡iable aleatoria X el nl¡mero de tornillos defectuosos. P(al menos un ? en tres lanzamientos) = | .6./ ) _)p.6. (b) 0.pet¡" Xi ' |0 {[1 si fracaso en la prr.r. \r/ Entonces la función generatriz de momentos está dada por M(t) = E(etx¡ = )etxf(r'¡ n /n\ = ¡=0 . (ü) p(X = 0) = (c) P(x <e) = (fi)to..q" .l# = fr X que está distribuida Hallar la funCión generatiz de momentos de una variable aleatoria binomialmente.detalmodoquelaprobabilidaddenoTenunsololanzamientoesq:1-p:516..8. Si el 20 % de los tornillos producidos por una máquina son defectuosos.:: =:"0. = = Método 2.

1 = . . (b) l'Iananza o2 : npq: (400) (0.) + (r - p)2p = i)".. si X es cualquier va¡iable aleatoria con media tas. . con S. como se requiere.IMEROS PARA LAS PRI.lro.'EBAS DE BERNOULLI 4.esdeciresperamolque40tornillosesténdefectuo¡os..q Entonces o2 p:E(X)=E(X'\+E(X2)+"'+E(X")-np = Var(X) = Var(Xr) *Var(Xz) +. = X.n) (Q Entoncee por el Teorema 3-9.1 ):40.8.10.) / \ 14 'l y tornando el límite cuando n -+ @ = 2+ ¡4r. Demostra¡ que la media y la varianza de una variable aleatoria distribuida binomialnente son p: np Y o2 : npg respectivamente.i)'== . LEY DE LOS GRANDES NT.1. M"(t) - 'f pst¡n 4.9. página 83.y (I)rc convierte En particular si X tiene distribución binomial o de Bernoulli..i .. 4.9) : 36. y1 E(X) = 0q*Ip = var (x.)(0. o - {-npq." *Var(X) = npq donde hemos utilizado el Teorema 3-7 para o2 .t y varianza 02 Íini- (r) en tol P(X-11 -ko\ flp. de Los resultados anteriores también pueden obtenerse (pero con má¡ difrculüad) derivando la función genaetriz momentc (véaee Problema 3.. halla¡ (a) la media y (ó) la desviación tipiticada para el número de tornillos defectuosos de un total de 400 tornillos. tenemos.'* Xn.1. entonces ¡.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L23 de momento¡ Entonces las X¡ son independientes y tenemos X: Xr * Xz *. Por tanto la desviación tipifrcada o = y'56 = 6. . Por la desigualdad de Chebyshev.L52\. Pa¡a la función geraeratr:iz Mj(t) = stoqlettp .2.. entonces F = P(lX. v (3 ) se convierte en P(lz -. Demostrar el Teorema 4-7. tt = flp. :-. (o) Medialt:np:(400)(0.t/V6d.) Í+ó \l ?¿ -l = / = 0 El resultado también se deduce directaménte en el Teorema 3-19. págirra 84. li* Pll{-. o =.38) o direetamente de la función de probabilidád (véace Problcma 4..npl > k1/i-npq) < i ó (3) Si hacemos c = k \l T. Si la probabilidad de un tornillo defectuoso es 0. 2.)l*. Procediendo como en el Método 2 del Problema 4. página 80. n.la ley de los grandes números (en forma débil) pa¡a las pruebas de Bernoulli.e*pet M(t) = M tQ) LI2Q\' ' ' (i=1.7 tenemos para/: L.cAP.

6636.2L) : (área entre z : O y z : 0.L24 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. 0. baje por la columna ma¡cada con z hasta alcanzar el valor /.68 y z : 0.46 y z : O) * (área ent¡e z : O y z : 2.t _o.94) O y z = 0.as 0. 0.6.2.46) * (área enbe z:0 y z : 2.2.i77Z + 0.81 0. Dar una interpretación de la ley de los grandes números (en forma débil) por la aparición de un 3 en lanzamientos sucesivos de un dado honrado. ee el área pedida y representa la probabilid¡d de que Z eté entre -0. represenüa la probabilidad de que Z eaté entre -0.46 y 2. DISTRIBUCION NORMAL 4. es el área pedida y representa la probabiüdad de que Z estÉ ent¡e O y 7.ildlt + _= |^2 ¿¡ = O. El resultado.2) = | {u ¡rz Jo ¿r. P(-0.12.21.4864 : 0.gg4g z=O .¿ ¿-uzr!¿u = -! Jfo \E = ___1__ -o. \.3849. [.1828 O yz ) lo mi¡mo que P(0.81y z = L.81 = Z = L.68 y 0.4 4. (d) entre z: 0.a'ley de los grandes números establece en este caso que la probabilidad de la proporción de los 3 en n lanzamientosdiferiendodel/6pormásquecualquiervalor€)0tiendeaceroamedidaquen-+€. El recultado.(área enhe z :-0.25f ? El área. Por tanto P\0=z=r.68 sz=o) = -! l'o {2¡ J = | r' -o.4738 - : 1.46 y z: 2.L (o) Utiüzando la tabla en el Apéndice.+e "-u2t2f.211 = + (''" {2r .28.Luego proceda a la derecha h¡sta la columna marcada 0. baje por la columna z basta alcanzar el valor 0.=12 Fig. (e) a la derecha de z: - L.u + t/2" 'lo + ('"' "-u2tz 1¿4 2l 10.!772 + 0.68 (por simetría). Por üanto'. = "-u!/t 0. Por tanto P(-0.46 f ZÉ2.2I) : O. proceda a la derecha hasta la columna 8. Por tanto .(b) entre z:-O.rz¿u (c) ñ J" Area pedida . . (c) entre z : -0.6636 e-ú'/! clu = 0.27.11. Entoncee.4964 | t/Zt Js \/2r Jo "-uz/z 1 (d) Area pedida : (área entre z : : E¡to es - (área entrez : 0. Halla¡ el área bqio la curva normal tipiñcada (a\ enfte z: Q y z: 1.68 "- u.941.C.2517.0.2910 = 0.94..46 " 1 e-u. 4-3 (b) Area pedida : área entte z : O y z: *0.

4. Por tanta z: + 1.4332- : 0. z : -t. (a) En la tabla en el Apéndice C.0. hdlar el número de estudiantes que pesan (a) entre 48 y 71 kg.5 y 71.5. El problema es equivalente a resolver para z la ecuación rfz G ).30 47. -1.28'y z = O) T 1área a la derecha de z : 0) = 0."O.69.:1Tí"11u (área entre 0 y O. hallar el valor o los valores de z tales que (a) el área entre 0 y-z sea 0.5: 0.09.5 )/10 .5.L6. Caso 0.5:0. Por simetría.4332- Entonces el área entre 0 y z es cual e: -1. (b) más. 0 y z esO. con menos precisión. (o) Los pesos registrados entre 48 y 7l kg pueden realmente tener cualquier valor entre 47. Area entre 0 y z es 0.5 y 0' (c) Si z fuera positiva el área sería mayor que el área entre que es 0.4-ll -1. de lo cual z:1.3??0.8997 Esto es lo mismo que P(Z > -1. suponiendo que se regis' han al valor de kg más próximo.5. o.O2l7 + 0.8621.de 91 kg.4115 de lo 2: z es negativa pero a Ia izquierda de -1. Suponiendo que los pesos están dishibuidos normdmente.5 kg en unidades tipificadas 68.0277 (árca entre -1.16. 4.0217.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROP¡O Area pedida L26 (e) - (área entre z: -t.13.5 y z sea 0. o.O2l7 : Entonces el á¡ea entre z). (b) Puesto que el área es e-tt/2 du = 0'3770 mayor que 0. Entoncec la z pedida es 1.cAP. El peso medio de 500 estudiantes varones de una universidad es de 68.4332 :0.3997 + 0. Area entre -1. Area entre z v -t'5: 9ü. : (47 .O2L7 : 0.14.5 y z : 0.5)/10 68. (c) el área enhe - 1.28). por tanto z debe ser negativa.8621 .16 es otro valor de z.3621. (b) el área a la izquierda de e sea 0. Caso 1: z es negativa pero a la derecha de -1.(área entre 0 y z) (área entre 0 y z) 0.694 utilizando interpolación lineal. el valor 0'3?70 se encuentra a la derecha de la fila ma¡cada 1.5 kg en unidades tipificadas : (71.1 y bajo la columna 6.7O ?1.4549 y z: l'ig.35.5: 0. z debe ser positiva.5 kg y la desviación tipiiicada es de 10 kg.5 kg.4332.4332.5: -2.5 y 0 ) . z : -1. Si "área" se refiere al área bajo la curva nonnal tipifrcada.

10 y z:0.5<W<71.3849) = 0. r. M(tl = E(etx¡ = L= Remplazando (x ot/2r J -- (' ette-(t-tD2/2c2 dtr g.30 = 600(0.26 a 1.68.4821 + 0. suponiendo que los diámetros están dishibuidos normalmente.2 .5)=0.275')lO. : Z. . 1. Determinar el porcentaje de lavado¡as defectuosas producidas por la máquina.30) 0.2 -77% = 23%.6)/10 : 2.1179 = kS ee 0. .91¡ = 6.275 cm y la desviación típica es 0. d1) = "ut'<o2t2/2t (J-ú "-tr-ort" l/2" .2 L.(área entre z : O y z : 2.29 en unidades tipificadas : : (1.26 en unidades tipificadas 1. el resultado anterior se modifica ligeramente.16.30 Entonces el número de estudiantes que pesa más de 91 kg Fig. 1-14 Obsérvese que si consideranros el intervalo L.l.26 (1.(dos veces el área enhe z : = 2(0.30) : (área entte z: -2.5 Proporción pedida de estudiantes 91'5 kg en unidadee tipificadas: (91.0126: L.11.2) yz Proporción de lavadoras no defectuosas .295 cm.2 Por tanto el porcentaje de lavadoras defectuosaÁ es 10002 Fig. = 300. El propósito prira el cual se han diseñado las lavadoras permite una tolerancia máxima en el diámetro de I. Hallar la función generatrrz Tenemos de momentos para la distribución normal general.29 .(área bajo la curva normal entre z : L. 4-r3 Si W denota el peso de un estudiante escogido aleatoriamente.300) 0.1. etrt+oot-tu2/2.0107 es 2.7698 ó O yz : 77% -1.tt)lo: uenlaintegralde M(tl = -= | \/2r J-14q modo quer:¡¡+ dx: o d4 tenemor dt. (área a la derecha a.2) .SO) (área a la derecha de z : 0 ) .9tOt 4.275)l O.010?): $. 4.5 - 0.10 y z Ol * (área eítte z = O y z : 0. de otra forma las lavadoras se consideran defectuosas. Sin embargo para doe cifrar significativag los resultados son iguales. podemos resumir los resultados anteriores en términos de la probabilidad al escribir P(47.4 Proporción pedida de estudiantes : : = (área entre z = -2.L26 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.4893 = 0.6000 Entonces el nfimero de estudiantes que pesa entre 48 y 7f 500(0.600 P(W -.O]-25: -1.266 a 1.5 .2 : -7. (D) toe e¡tudiantes que pesan más de 91 kg deben pesar al menos 91.600) kg.29 cm.26 s 1. La media del diámetro interior de una muesha de 200 lavadoras producidas por una máquina es 1.I.0125 cm.29 cm como representando realmente los diámeüros de¡de L.

17. mostrada a trazos. La precisión es aün mejor para valores . (b) la aproximación normal a la distribución binomial.ó8 : -1.) ffi. en la Fig.5 a 6.58: 0.68 y z = O) * (área entre z : 0 y z : 0. 4-16 trata los datos como gi fueran continuog.p94!l y la varianza para la distribución binomial están = 1.cAP. 4-r5 23{587E Nfrmero de caras Fig.X.¿*\ / = ewt+(ozt2/2) APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 4.e O.)\.5)/1. Entonces p(x=B\ = P(x ('f)(. Entonces dadas por/r= np=10(4\= 5yo = {nw = y'(10)(+)(+) 2. ro¡ Entonc.95 Probabilidad pedida : : z: -1.* "á Ar P(X=A) /ro\/fY/r\'_ = \4 /\z/ \z/ P(X=6) = 106 stz /to\/r\o/r\n _ = (.-o) l+Y 5 ll)' : .4429 + 0.E \ /\2/ \2/ =5) = l.5 en unidades tipificadas : (2.5 caras.7784 Probabilidad 2341678 Nfrmero de caras Fig. 1-16 (ó) La distribución de probabilidad para el número de caras en 10 lanzamientos de la moneda se presentan gtáficamente en las Figuras 4-15 y 4-16.58 y z : 0.. Tqqbié"r!g_.58 6.5 en unidades tipificadas : (6.7734 que se compara muy bien con el valor verdadero superiores de n.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L27 Entonces sustituyendo u - ot: u hallamoc que ettt+(c2t2/2)( M(t) : + f\t/2" J-* "--.es la probabilidad pedida es P(B=x<6) = #.. La probabilidad pedida es la suma de las áreas de los rectángulos sombreados en la Fig.5)/1.5 . Hallar la probabilidad de obtener entre 3 y 6 caras inclusive m 10 lanzamientos de una moneda honrada utilizando (c) la distribución binomial. (o ) Sea X la variable aleatoria que da el número de carag en 10 lanzamientos.#*¿%*# 03 = # = 0.58.7718 (área entre d.3289 : 0. se'deduce que 3 a 6 caras pueden considerarse como 2. )\.95) : O. obtenido en la parte (o).6. Cor¡siderando los datos como conünuoe. 4-16 y puede aproximarse por el área bajo la correspondiente curva ncrmal.)'_ .95) (área entre z :-1.

Hallar la probabilidad de que resulte 4 (c) 18 veces o menos y (b) 14 veces o menos. 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.. .' La probabilidad de que resulte un 4 es p: l16 y de que no reeulte esg : 5/6.35) : (á¡ea entre z : O y z : -5.O2 14.0.5 a 18.5 cuatros.0885 Se deduce que si fuéramos a tomar muestras repetidas de 120 lanzamientos de un dado. Esta se encuentra exactamente ¡rzo\/f\"i 5\'o' .'.02 y 2 : -1.20)14.5 en unidadee tipificadas :-5.5 y 280. pbr (o) Deseamos la probabilidad del número de 4 entre 0 y 18. t. : 4.5 en unidades tipificadas : 2.e z: O y z:2. ¡ rzo\1¡\''l5_\'o' r8 \. o \ i \6/ \6/ -{. .7 3 Probabilidad pedida : (dos veces el á¡ea bajo : 2(0'4968): 0'9936 la eurva normal enb.73\ por más de 30.0.18 (o) Necesitamo¡ la probabilidad de que el número de caras se encuentre enbe 240 y 260.(área entre z : O Y z :-1.5 y 260.5 . Hallar la probabilidad de que el número de caras no difiera de 250 por (a) más de 10.6/ r7 \ /\6/ \6/ \ /\6/ Con¡idenndo los datos como continuos que 0 a También . o si consideramos : (219.37) -0..4 4. Entonces -0.19.18 : -2..(i) = 250 s '= \/ill = .4115 : 0. .08 ..3264): 0.1443: 0.5 en unidades tipificadas hobabiüdad pedida .94) : (dos veces el área enhe z: O y z :0. o si conslderamos los datos como continuos.5. Una moneda honrada se lanza 500 veces..3557 -0.OB pero debido a que el habajo involucrado en la computación es excesivo."p: .5 en unidades tipificadas : 1-0. (b) por más de 30. = ..94 ib) Necelitamoe la probabilidad de que el n(¡mero de caras la encuentre entre22O y datos como continuos.OB tipificadas : -0.02) : : -(área enhe z O Y z : 0.L28 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP.02 18.94):2(0. 219. (rzo\/r\/!\'.18: .18...5 - 250 )/11. un 4 debe apariecer 14 vece¡ o menos en aproximadamente la décima parte de estas muestras.5 en unidades tipificadas : : (área bajo la curva normal entre z: -0.02) .mr. podríamos considerar que la moneda no 4. remplazando 18 por 14.94 260.250y11.5 en unidades tipificadas: (14.3? (D) Procedemos como en ha parte (o)..5 -.5 en unidades tipificadas 28O. empleamos la aproximaclón normal.b.6528 = (239..6 .- -1.5 en unidades : (área bajo la curva normal entre z: -5.(lX*) : -5. suponiendo que el dado es honrado.7 3 280. l8 cuatros pueden tratarse como tt = ttp = Entonces 120( )l = ZO \o/ /t\ y q = 1/-n7tq .6 - 2O)l4. entre 239. Un dado se lanza1-2O veces.02y z: Probabilidad pedida -O. entre 219.35) : 0..(.311 : (área ent¡e z: O y z: -5.31-i Probabilidad pedida : (área bajo la curva normal enhe z : -5.0. es decir etabacargoda 280. 239.94 y z: 0.)(+) = I 1.5 se 0.

20.I \n/ / r \ ¡-¡ ) n1@. Verificar que la función límite (2) del Problema 4.+:: ¡=(l ' ' e-). ./ \ --> = (r-\)'1t . 4. tenemos >{] !a1*="¡ = t=O -. obseryamos queP(X: ¡) ) r=0 O para r = 0. 1. Primero. esto se convierte en (+) [' * rc=t¡" o e¡to tiende a ¿tr(et--l) A medida que n -+ (5) que es la función generahiz de momenüos de la distribución de Poisson. Otro método. Hilgase ¡.cAP.20 realmente es uná función de probabili' dad. .er = 1 y se completa la verificación. La funóión generatriz de momentos para la distribución binomial (3) es (q*pet)" = (1-p+pet)" = [1+p(et-l\]n Si \: np de modo que p : )t/n. Si X está dishibuida binomialmente. entonces (f) P(X=r\ = l'"lqrq¡-r \r/ : np. 1'-t)/'-?). ' . = "-^. dado que ). Establecer la validez de la aproximación de Poisson a la distribución binomial. (¿-r)(1) /.i)-' + m/ \ \ cálculo = €-tr empleando el resultado conocido del . .. El reeultado pedido entoncec ¡e deduce utilizando el Teorema 3-10.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L29 DISTRIBUCION DE POISSON 4.'ir .. : rtp de modo que p : I/n. Entonces donde E(X) /-\ (I ) se convi'erte en rl Entonces cuando ¡. Segundo. n/\ n/ \ en tanto que ('-+) +.-r)" r?.rl ('* i) = Se deduce que cuando n (2') / \¡ eu - pero I permanece frjo (es decir p -+ 9¡ P(X=r) + ¡:q. página 80. ) 0. que ee la distribución de Poisson.21.

24. (o) La probabilidad de una herramienta defectuosa es p :0.2te-z --z! . 4.4 4.23. Halla¡ la probabilidad de que en una muestra de 10 henamientas seleccionadas aleatoriamente.r -Lót 1! ) = l-6e-z = 0./íil 2 o et't-(. sultan defectuosas.r¡r1s. determinar la probabilidad de que de un total de 2000 individuos (c) exactamente 3. _/1t\ para X* es ". (b) más de 2 individuos tengan reacción. Diez por ciento de las herramientas producidas en un proceso de fabricación determinado re. t ¡t qn. Zze-21 -.1. Entonces de acue¡do con la distribución de Poisson I¡¿- P(x--x) .0"-' . vC.1e37 ó o..130 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. (b) la aproximación de Poisson a la distribución binomial.- 6 P(X=2) = %: = 0. Si la probabilidad de que un individuo sufra una reacción por una inyección de un determinado suero.re = (10)(0. )r. tfi-oa = > ¡=0 |\_..18 En general la aproximación es buena si p É 0. es decir P(X:x\ -. Entonces de acuerdo con la distribución binomial p(x:zl (b) Tenemos )\: np (tJ )10.1) - 1. e t.183e ó 0.22.1 y \ = np 5 5. exactamente 2 estén defectuosas. TEOREMA DEL LIMITE CENTRAL 4. podemoa suponer que X tiene una distribución de Poisson. Denótese por X el número de herramientas defectuosas de las 10 escogidas..001) :2 _ 0. Denótese por X el número de individuos que sufren una reacción. lioo ¡ln p¿tar liii¡ {ili ¡n .323 Una evaluación exacta de las probabilidades empleando la distribución binomial requeiiría mucho más trabajo.t ¡n = le(qe + pet.001. es 0.tr r/iñ 1o + per/ lliii tvr ll-nw 1n ¡pt e ' tnp./)(p".e¡' = \z/ 0.180 (b) P(X>2) = 1-[P(X=0) *P(X:1) +P(X=2)] _ I fzo¿-z. 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.(d) I¡¿-)\ donde p(x-Bt . pero ya que las reacciones se suponen sucesos raros.' . La variable tipificada para X es X* = (X . X tiene una distribución de Bernoulli.np)/l/nW y la función generatriz de momentos Eletx'¡ E(et<x-nú/t'/-nil¡ tnnr rliii g 1"txrl noÁ ¡ "" = e-tnpt.1# ^:?¡p:(2000)(0. empleando (o) la distribución binomial.

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

t \A/ Pero la misma selección puede realizarse en otros órdenes diferentes. Hallar la probabilidad de que después de 5 pruebas del experimento se hayan escogido 3 bolas blancas. 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. Por tanto Ia probabilidad de escoger 3 bolas rojas. . 2 blancas y 1 azul.El número de formas diferentes de seleccionar las 2 bolas restantee de las diferenües que contienen 3 bolas blancas /a\ 4 rojas * (.27. DISTRIBUCION HIPERGEOMETRICA 4. 6t In\"lt\-/:lY z!r!\itl/ \itl \rrl $/ La probabilidad pedida es el término 44p" en la expansión multinomial de (p. Una bola se selecciona aleatoriamente de la caj4 se observa su color y luego se remplaza. /o\ /r'i \.\ [ . pero no se remplaza la bola. 2 blancas y 1 azul en ese orden es /s\'/¿\'/rY \tll \. Método 1 (por fórmula).26. 2 brancas. 4 blancas y 3 azules. La probabilidad de escoger cualquier bola roja es 5172. Po=' 3/12' Porexpansión se obtiene elresultado anterior. Entonces la probabilidad de escoger 3 bolas rojas /5tl2\3 . Halla¡ la probabilidad de que de 6 bolas seleccionadas de esta forma 3 sean rojas. Una cqia contiene 5 bolas rojas. rc 2l . En forma análoga la probabilidad de escoger 2 bolas blancas e (4ll2l2 y la de escoger 1 bola azul (3/12)t .rt. Entonces la probabilidad pedida es lr Método 3.'. lJna caja contiene 6 bolas blancas y 4 rojas.i Entonces r azur) = .t i . pb = 4/72. El número de formas diferentes de selecciona¡ 3 bolas blancas de 6 blancas * \r/.132 DISTRIBUCIONES DE PROBABILIDAD CON NQMBRE PROPIO lcAP. P(roja en cualquier extracción) = # P(blanca en cualquier extracción) = h P(azul en cualquier extracción) p(B rojas. y el número de estas formas diferentes 6l 3!2!1! como se expuso en el Capftulo 1. Método 1.4 DISTRIBUCION MULTINOMIAL 4. 12.+)' = ffi es es Método 2. ) Por tanto el número de mueshas y 2 rojas ". Se realiza un experimento en el cual se selecciona una bola aleatoriamente y se observa su color.h(¡r)'(#)'(.ri \z ) /ro\ \5. i-paIpo)G donde p.

Oemos- /(a) = ! -L2- ." = o 2 . tiene unadistribución Cauchy en. Esto puede verse al notar por ejemplo que si r ¿ 0.29. : Ll2(a + b). Í". a f .159).28.cAP. (a) t. ¿ > 0 e. -> t!! I y la integral a la derecha diverge. 7+ azctr sin +-ai )-. o > 0. r= 4.l \ /10\ \5/ 4. n=6. E(erx¡ = g (" -J". J-. Demostrar que (a) la función generatnz de momentos para una variable aleatoria distribución de Cauchy no existe pero que (b) la función característica sí existe. de. (b) o2 : Ll72(b -a)2.@ 1x1*.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Método 2 (empleando la fórmula).laprobabilidadpedidaes .rr¡ r¡¿n' ("' 2o (" cosor r=. 4. Puede demostrarse que la úlüima intcgral existe y es igual a e-aa (véase hoblema 4. PIX=S) DISTRIBUCION T.' La función de densidad de @ es < j. .cos or = .2+d2dr ' _ donde hemos utilizado el hecho de que los integrandos en el segundo renglón son funciones par e impar respectivamente.. = firo_ot.r-n '. = n# Í. = E(x) = E(xz\ l"'* = #:af" b2-a2 Z(b-a\ a*b 2 (b) Tenemos = I. (a) La función gerreratriz de momentos de X es -¿.' 7't|^ou" (b) La función característica de X es E(eiox) = g (¿.'NIFORME 6 = \/4 }i|j..30. i J-6 x'' + a: ""'l' .modo que = r*tu*lfí*. = ffi= Yt+Y = Entonces la va¡ianza está dada por s2 = E[(X-u¡21 = E(Xzl-uz ry4y_ (+).. Tenemos b 133 =6..páginallS. Entonces por(I9).dz T .'f-+ = #tl. Sea @ una va¡iable aleatoria distribuida uniformemente en el intervalo -l=t trarque X: atan @. Jo r.r! * la cual no existe si ú es real. r = 3.#ruo. Demostrar que la media y la varianza de la dishibución uniforme (página 114) están dadas respectivamente por (¿) ¡. X con DISTRIBUCION DE CAUCHY 4.

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

4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 135 Entonces. Puesto que Ia correspondenX y Y no es uno a uno no podemoe aplicar el Teorema 2-3 como está.1 en la última integral hallamos M(tl = 2. Sean ¡t y X.)Eqéx"¡ : 1l-2t¡-'r/2 1l-2t)-vz/2 utiüzando el koblema 4.t2r(v/2)Jo " r-2t \r-2t/ : ll . y utilizar el hecho de que r(á) = V7. colocarz: 1 en (39).t Pero esta es una distribución chi-cuadrado con 1 grado de libertad. Al generalizar los resultados anteriores obtenemos una demostración del Teorema 4-4.CUADRADO 4.36. grados de libertad.cAP. Efectuando el cambio de variable x : *t/T en la última integral. por el Teorema B-18. ea M(t) : Enet(xr+xü1 : E(etx.34 que una distribución cuya funéión generatriz de momentos es (1 2t)-<vt+v2)/2 es la dishibución chi-cuad¡ado con v11.84. Esta debe ser la distribución de Z.'tz¿s = + J-¡¡ f = + Jo 1/2n l2n donde en el último renglón ae utiliza el hecho de que la función de densidad normal tipificada es cero. cia entre Paray Deseamos hallar la distribución de la manera siguiente.a una distribución normal para X. 4. pero procedemos de :0. Pa¡a ( 0es lóglco que P(Y SU) y> 0 tenemoe P(Y<u): P(Xz<a) = P(-\/u=X<+\/a) +fr"-.2t)-. do ) función generatriz de momentoo de Z = X./2dü (-. a * v. 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.s(v-2)/2e-<L-2t>r/2 dr =J-r(v/2) )o 2. Demostrar que X2 tiene distribución chi-cuadrado con 1 grado de libertad. utilizando el Problema 4. pá4ina 1-1. grados de liberta u2 Z:Xt *X. como se ve al página 116. Sea X una variable aleatoria distribuida normalmente con media 0 y varianza 1.r2. . es con (¿ dA v.ztl-v/2 fa u<v/z)-re-udu = (L-zt¡-'rz r'(v/z) )o 4.-rr/2e-. DISTRIBUCION CHI.r2 Al remplazar (l - 2t)n/2 = 7.34.36.6. página g1. t : (1 - N¿¡-Qr+v2t/z (b) Se observa del Problema 4.v2 gadosde übertad.B2. Y: x2 dad. ! X.la varianza es 02 = E(xz¡-l'(x)l= _(rro)'= cr6#T_Fn : (1. obtenemos P(Y < ú = -! fs rrrze-uz t/2r Jo d.'rz¿s (-fr"-.

37. (c) S9.025.01. los valores: (a)25. en este caso cada área:0.05.150.5.8. x! por los cuales (a) el área sombreada a la derecha: 0.esr. Es de interés notar que los valores de la mediana están muy próximos al número de los grados de libertad' En efecüo. xi representa la décima percentila. Entonces procédase hacia la derecha hasta la columna x%r. ¡! que corresponde a (a) 9.05.95 y xz2 Refiriéndose a la tabla en el Apéndice E.0. 4.35(b).0.136 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 2.5 correspondiente a z: 50. Entonces del Problema 4. . Sin embargo.38. Entonces.la cual del Apéndice E es 12. la cual es igual a 15.3correspondiente av:28. (Véase las consideraciones sobre notación en la página 116). . entonces X? V X3 tienen distribución chi-cuadrado con 1 grado de libertad cada una. Fig.(b) 2T. como puede observarse de la tabla. Demostrarel Teorema 4-3. (b) 32.¡ (puesto que la mediana es la percentila 50 ) los valores: (o) S.3correspondiente^v :40.10. (d) Si el área sombreada a la derecha es 0.5. el átea a la izquierda de percentila 99. (c) 67.8. xz:. Hallar los valores de ¡2 para los cuales el área de la cola 15.39.99 y ¡22 representa la 4. escoger las dos áreas iguales.2gs. 4. X. (c) el área sombreada a la izquierda: 0. Por ejemplo.0 correspondientear: av:21. y Si el área sombreada a la derecha es 0. parav> 10 los valores de la mediana son iguales av .1 es el valor pedido de 12. el área sombreada a la izquierda de x3 es 1 ¡j iepresenta la percentila 9?.10.61. para v : Por el Problema 4.? conespondiente a la derecha de la distribución ¡2 es 0. u"mo.831 y 12. qi" Z = X?*X2" tiene distribución chi-cuadrado con 1 * 1:2gradosdelibertadsiXr y X2 son independientes.05. (b) Puesto que la distribución no es simétrica. búsquese el valor 5. Hallar los valores de xf..¡ se deduce en la misma manera.. en la columna /. al menos se especifique lo contra¡io.7.025. el área sombreada a la derecha puede ser 0.01.4 4.04 en tanto que el área a la izquierda es 0.píryina 116. 4-18 (o) Si el área sombreada a la derecha es 0. 4-18. (c) 50' Utilizando la tabla en el Apéndice E hallamosenlacolumna ¡2er. hallamos en la columna ¡.¡r.025: 0. Por tanto los valores son 0. lcAP. (b) el área total sombreada: 0. (d) el área sombreada a la derecha: 0. xl es (1 .Ia cual es igual a 1.O.O25 representa la percentila 2.34correspondienteav:9. x.36 vemos que si X¡ y X2 es.. La representación gráfica de la dishibución chi-cuadrado con 5 grados de libertad se muestra en la Fig.026..2-. Hallar el valor de la mediana de libertad. hay muchos valores para los cuales el área totál sombreada : 0. (b) 2I.la cual es igual a 0. X. x..¡2. a! es 0.40.05.9?5 Análogamente.O5): 0.x?o¿s.1.tán distribuidas normalmente con media 0 y variánza 1. entonces el á¡ea a la izquierda de representa la nonagésima quinta percentila. Véase Problema 4.01. se acostumbra.831.05. si el á¡ea sombreada a la izquierda es 0. El resultado general para todos los enteros positivos l. el área a la izquierda de x? es O. El resultado 11. (b) 28 y (c) 40 grados de UtÍIizando la tabla en el Apéndice E. y x? (c) Si el área sombreada a la izquierda es 0. si el número de gndos de liberbad v es igual a (c) 15.

página 117.-j(* .cAP. DE STUDENT 4. oon un alüo grado de aprorimación.u\ .tzl(vl7\ Jz=o = .2..6 = f. Entonca ti z..zl ztÍt + <t2 | v>r a")au ( " Susüituyendo F(r) = G.3).64+/199P = 124. #.tz¿ul¿" LJ":_-e A = urfi en la integral entre parénteais rectangulares hall¡mo¡ . er la percentil¡ 10Op de l¡ di¡trlbución nornd tipilicada."^' + zo+"/2 Í"'=-* d.0(v¡lorre¡l =L24.Lu€{p integrannr_conrespecto az de¡de 0ha¡t¡o. zo/2)-re-z/21ffi e-uzzr2. Por tanto tenemos Remplazando F(xl = .y ¿2 # donde la integral ¡e toma ¡obre la región ( del pleno lz parn l¡ cr¡¡l g ut/ñ.Elrode donde t6=t = .(' F(r) = _ tf Jr=-.@ hast¿ rl/z/r.. DISTRIBUCION ü x3s¡ dado en el Apéndice E../ .t¡ e¡tl c¡¡i dbEibuido norm¡lmenüc con medie certr y varianza uno. -/. (b) Si r=100..#.=o"r."a']au de acuerdo con lo pedido.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPTO 13? 4.= . Demostrar el Teorema 4-6. 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. podemoe ercribir. z ) La función de di¡tribución de I = Ylt/ffi e¡ F(u) = P(T=r) = P(Y=er/Zfi) = y@2. dud.t' / 2 e. Hallar xlerpm (a) v : 60 y (b) y . Debido a que Y y independientee ¡u función de den¡id¡d coqjunta er 6l producto de (I ) y (2).z \f 2nz.41.er dccir z<v/z)_te_ :|-r+zr/2 para -o 1g 1lo. himero fijamor r z b = integramos con reepecto a y de¡de ..42.r/2.. / mayor que 30.\2/ r\ (l + u2¡'¡<'+t>rz .va J"' {2r2.FA = zp I t/Ft x| = *(zo+tffj¡z (o) Si v=50.rf ¡"ffi "-r.lt * T ) eeto puede eocribir¡e d.rr-r"-.tzt'(vl2\ ). *^ I' = - *l Í": como z('' . Para .o 6 .100 gados de libertad. '\ z / (. podemor utiliza¡ el hecho de que ({Tx2 .ss+rtrOool-t¡z = |(1./4 f ( 7<rrz>-r e-<yz+ztrz ¿..u [f=.rzrl.es+ftool-t)2= +(1. .(z. xlgs = \@.locuale¡tÁde¡cuerdooonelvalor6?.64+rfss¡z =69. tn¡r( z\ Ju= -' .

:"i = l::"'. ) 0 y 0 de otra forma._tr Fig.gg) = 0. (c) Si el irea total sin eombrear ee 0.01 y el área sombreada a la derech¡ es 0. vlW v2 . J z t .olumna ¿. Entonceg búequese la c..75 correcpondienteay:16.e.DZ=ü l1U7D Entonces el Jacobiano es i'.[. Deimostrar el Teorema 4-?.5. (b\ 27.:. t.99.26 como el valor pedido de ú. t.css = 3. sea 0.44. 4-19 tt (a) Si el á¡ea sombreada a la derecha es 0.nD\]uJur0.O.la/2. entonced el área sombreada a la derecha es 0.70 correspondiente a v = 27i (c) 1. De la t¿bla t ss = 2.) = 6"i. búsqueee en Ia columna y el valor 9. entonc€s por simetría el área sombreada a la derecha es 0.01 es (e) -2.4 4.82.25.t u(v2/ 2) .05.u) = . t.05 Refiriéndonos al Apéndice D. 4.0.er5.025): 0. ú es 0.05.es. 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. entonces el área total sombreada es (1 . (c) el área total sin sombrea¡: 0.'') (?ñ rr^ o(vz/2) -| "-'.e0..645 correepondiente a y: 200.45.90. . dada por 1 (. (c) 200. Halla¡ el valor de ú1 para el cual de Student con 9 grados de libertad se muesha : 0. ú.05. (d) Si el Área sombreada a la izquierda es 0.entoncesúl correspondealapercentilagO. r / Ll+ lvt/v)).2 g(u. ¿. (El último e¡ el valor que se obtendría utiüzando la cu¡va normal.r) a\.43. Sielá¡eaalaizquierdadeú¡ es0. De la tabla hallamos t.05. entonces el área a la izquierda de ú¡ es (1 repreeenta la percentila 95.rl).01. Por tanto el área de t para el cual el área sombreada a la izquierda es 0.90. hallamos en la columna te. El resultado 1. Por tanto el á¡ea a la izquierda de ú1 es (1 .O5): 0. . La representación gráfica de la distribución (c) el área sombreada a la derecha en la Fig. En el Apéndice B e¡te valoi corresponde a la enhada en la última fila ma¡cada ó).83 es el valor pedido de t (b) Si el área total ¡ombreada es 0.9?5 y úr reprecenta la percentila 9?.ú. La función de densidad conjunta de f '' V¡ y V2 etá.005.38.99.025 por simetría.82.01.1 ez(vt+ v2)/2 lQl/21 f (u2/2) <t | + ú2)' ri o.::l = l"*:" 'u':'" Denotando la densidad como función de u y w por g(u.0. ODt=r. DISTRIBUCION 4. -1)(v'\/2) "-.lL=-=_rü=02 L"a/ ar t'2ú | vl1t2' . (e) el área a la izquierda de ü.01. (d) el área sombreada a la izquierda : 0.'. Del Apéndice D hallamoe 2. (b) el área total sombreada: 0.138 DTSTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO ú [cAP. Efectúe Ia transformación u 1/ v1 . losvalores: (o)L.:: ::'. ) 0.01/2 : 0. a.(b) 1. 4-19.l4\ -1- f 'pw\"rz'-' ID'-''-"e '"''o'-.95 y úr Refrriéndonos a la tabla en el Apéndice D.quedelatablaes igual a 1. tenemoe | 1U) t.

etc. (a) Comparar ia¡ entradas en la columna de la tabla F. i \rn) - 2\ / v' \ si v.e75. hallamos F. Pero de Tenemoe (r h(u) / v2\vr/2 4Q 1/'' .L5. rs = 3.96. primera f. (o) DeI Apéndice F.ot. r. (b) Del Apéndice F.47.- r1u)-¡(.r. página 118.n..\z . 7. ¡2 y ú 4.t)- tyt ('4fa) (.. rr.+t. página 118..¿t.t .1-2\/ /\. /.326.o.+v2't/2r-r = 0 Dividiendo Wt ut|ti2)-2(t2l t¡t)-[("\+t. RELACIONES ENTRE LAS DISTRIBUCIONES F.18)2.i/2)--t (v2:L vru)-(r.'r2\ ) = 0 ó trt ry = /.0g (d) Por el Teorema 4-8.2\/2)-t e-tt+<v{/v2)t(o/2> z(tt ' u2)/2 t0t/21 l. = # = 0.io = F_¡ .8 = 3.2* r.5 L6l = (72.1 -. ro.ss : t?n (b) fl. \.ee. (b) F . que es el reeultado pedido.o5 en el Apéndice F con e¡a¡ en l¡ distribución ú bajo ú. > 0 y 0 de otra forma. 4.ss : ".so.au d.\/2i-r. Apéndice A. 4. er hkt) = ei u (. Vemos que 18. Demostrar que la distribución F es unimodal en el valol ¡v' ' La moda localiza e! valor máximo de la función de deneidad.cAP.t r rz)tz Si tiene un máximo relativo se presentará cuando la derivada sea cero.30.'rrr. . F..0 = 4..(vz/2) Jo -tL-!:j!::-:(I5). 11 .80..o.1 = (3..rr.2* .5..78)2. u.o.\ z /. ( " *. .ul F'.*r.ob. (c) = 10. hallamog . \ : ¡. ir ua 0.rr. hallar (¿) F.257. /.s. 10. (d) F. rr. donde vt -.. hallamoa \-i.s. = 0.7L = (2..F' gs. Utilizando la tabla para la dist¡ibución F en el Apéndice F. .TZ) \ (-" se Utilizando el criterio de la segunda derivada podemos demoetra¡ que realmente trata de un máximo. A diferencia de una conetante..50¡2. donde. ) 2' de (.l¡. : (4.\i = /v' I vr\ ) si u ) 0 y 0 ¡i z¿ 5 0.. la función densidad de la di¡tribución F es r[(t.71)2. ro. (c) Por el Teorema 4-8. 15. es decir (r.ut = t'(P) ap Jo da) ) 0 y 0 ei rt É 0.t e.-'1t'"tvp)-uvr\j-:..9...'.oc.. Verificar que (o) /.4l si u DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 139 > 0..l= *.r.48. =- 9.46.r' / 2(. r¿ desde La función de densidad (marginal) de U puede encontraree integrando con recpecto a decir 0 ha¡ta €.\rt.rt) - (¡'r +t2)/2 - .

Entonces y a.+tfttur¡ = P(T s +VFt-p) .*rr.60)2.ee en el Apéndice F conegarenladistribución ú bajo ú. Vemos que 4050 : (63. página 118.. P(.)" .rtF.48. vemos que el lado izquierdo de la última ecuación es igual a z. 34. 21./" + 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\ "/" .u/2¿-r/2(y + ul-(r1tr/2 ^/.Ft-o) f(u): 0 para ¿ < 0. Re¡olviendo. + r\ r( ol -r- .2 -.(4..0 <'T = *t/Ft_o) ú donde ? es una variable aleatoria con distribución de Student con u grados de libertad. \ : {".página 11?]. v2 = v en la funeión de densidad para la distribución F f (ul = .'. Por tanto t-P 2 = Pp<T:. pfuina 116.49. que puede establecerse simplemente como F r-p = t? ott¡ l(4í).92)2.66)2. 98.r(l +3!) t r-ru+l)/9 ) O. '\2/'\2/ "11\ "/r\ t -/. etc.l / +z\-r¡ \ '/ ¡=.1 = (5.r¡ n'(.r( .eer.-¡l r.)" \/ Com¡rarando con (42). Por tanto ^\ F.(.o) r\ \ '/ ll '=2 | '\ ..5 = (9.'. Entonces por la definición de un valor de percentila./ para u /_u_r.P(f 0) = = P(T=+\E|-+ donde hemo¡ usado la simetría de la distribución ú.t. tenemos P(T=+tlrno¡ = t -Pi .'. Demostrar el Teorema 4-9. y que P(U 5 . P. Sea 11 . 4.140 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP.sí generalizar los resultados del Problema 4.4 (b) Comparar la¡ enhadas en la primera columna de la tabla F.4*)___\-.9 " / +1\ -t'* "" t / vv/21l-12v-(..-.l.84)2. I ^F. t { l'-'u-r. .

94 3.51. s. = @) con = "'13.. Por tanto ú es estrictamente +\/F.r y una función solamente en y. La prueba general del Teorema 4-10 se deduce tomando el límite cuando U2 la prfuina 117. Entonces vemos que 6.8t (b) -.(p/z\\ = l-?. lotll.L . 't7 2. + * en la distribución F en DISTRIBUCION NORMAL BIDIMENSIONAL 4. _ 9. página 118. Si el coeficiente de correlación p = 0. que era lo que se querfa demostrar. producto de una función solaménte en.60 -.02 = #. si X. Méüodo 1. Análogamente la probabilidad de no obtener un 3 en el segundo lanzamiento ee 5/6.21 .GB a ¡'. K (r(r . Comparar las entradas en la última fila de la tabla . etc. r por una función solamente en y para todos ser el Inversamente.1.+. f(x. se convierte en l@.. para (a\ p : a1 0. Entonces vemos que a r': ó) con etc.95 y (b) p : 0. tt tt¡/z.4!¡ 4 2.¡ !. Ll . y se deduce que X.r'il ) y y puesto que este es un producto de una función solamente r. Y variables aleatórias cuya función de densidad conjunta es la distribución normal bidimensional. DISTRIBUCIONES DIVERSAS 4...78 = #.50..il = (4 . y) dada por (49) debe para todos los valoxes de x. = tt-(p/zt ó Fr-p : tl2t'-tptz'..'. Esto es posible sólo si p : 6.'.ú los valores de = t-+o-...F e. etc. Y son independientes solo si su coeficiente de correlación es cero.7 2.s2 T r.. en el Apéndice E. página 118. y este nfimero se determina finicamente. La probabiüdad de no obtener un 3 en el primer lanzamiento es 5/6.145...r"?ll--+"-. 4. s.52.¡ es el número üal que P(T=tt. er el Apéndice F (correspondientes las enhadas bajo x:nn en el Apéndice E.CAP.4] DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L4t Pero. Y son independientes. ya que la función de densidad de Ia distribución positiva. 4. Y son independientes.99. 3. -. 3. Hallar la probabilidad que en lanzamientos sucesivos de un dado honrado resulte un 3 por primera vez en el quinto lanzamiento.:\/2= en .25 77i6 .. lo cual provee la verificación requerida. la probabilidad pedida es Y/r\ \6i \6/ / s c.. por definición. (c) Comparar las entradas en Ia última fila de la tabla F o= en el Apéndice F (correspondientes las entradas bajo ¡..Por tanto la probabiüdad de obtener un 3 en el quinto lanzamiento es 1/6. entonces la función de densidad normal bidimensional (49). Verificar el Teorema 4-10. Sean X. )Lo. Véase Problema 4.00 =. lo cual provee la verificación requerida. Entonces la probabilidad de no obtener un 3 en lo¡ primeros cuaho lanzamientos es (5/6)(5/6)(5/6X5/6): (5/6)4. Demostrar que X.

4. ó aproximando 0.tbr donde hemo¡ ütilizado Lr ¡ustitución u f@ ab ('/"\ du /' (r. : atb pa.r I ú ).26 (c) P(al menos uno re gradúe) = 1 -P(ninguno se gradúe) :0-92224.4)1(0.q:616. ó aproximando O. pedida er pRopro [cAp.92. DISTRIBUcIoNEs DE rRoBABTLTDAD coN NoMBRE Método 2 (utilizando fótmula).6)4 = 0. 4..55. etc. etc.6)r : 9. i7't6 4. 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. 11.oJs u. 1 en el primer dado y 2 en el regundo dado.63. ó aprorimando 0.4)0(0. 4 Utilizando la di¡tribución geoméhica. (b) la variarrza. 6 = 36 forma¡ en las cuales ambo¡ dadoe pueden caer.¡ :6 Gzl vemo¡ que la probabilidad /t\/o\' _ \6/ \6 / página 119.be-! = o-2/br\t + a) Entonce¡ / o\ ¿u 02 = El(X-u¡21 = E(Xz)-uz = PROBLEMAS DIVERSOS o-".08 (D) P(re gradúe uno) = 5Cr(0. .of ¡(1 + 3) b/ L\ . (b) uno. (a) P(ninguno ee gradúe) = 5Cs(0. Determinar la probabilidad de que de 5 estudiantes (a) ninguno. de la distribución Weibull. se gradúe. i) integral. E¡ta¡ ¡on 1 cn el grimer dado y 1 en el regundo dado.""tb)-t a-ub I ur/be-! du Jo a_. - f./ du (' = o-r. (o) t' = E(X) = JO f abrb e-o"o d. ¿Cuál es la probabilidad de obtener un total de 9 (o) dos lanzamientos de r¡n pa¡ de dados? en veces.ra evaluar la (ü) E(Xz¡ = fo- oOro*r¿-oto¡lg r "b ('/z\r*ttro> e-!:u(t/b)-t = o"o )o \.p(\ t + +)-l ó/J 4. (D) al menos dos veces en 6 ¿ead¡¿o¡ por (1.2692. eon p: Ll6. Verifrcar las expresiones dadas para la (a) media.64. \i)"-". La probabilidad de que un estudia¡rte que ingrese a la universidad se gradúees 0. (c) al menos uno. página 118. alf hay 6 . 2¡.977?6.L42 .

\0/ \e/ \s/ ^/l\'/q\' ffitZü 7268s 4.? y la desviación típica fue 1. Si la probabilidad de un tornillo defectuoso es 0. un total de 9 ocurte en 4 cqlos¡ (3.17 (5../ * '"'(.9): 36.2 = -'1. la distribución está sesgada a la derecha.7)1L. Las calificaciones de un parcial corto en biología fueron 0. Suponiendo que las calificaciones están distribuidas normalmente.5?. 4). ^ /r\u = 'c'(o/ \é/ * '"'(.5gr 441 * ss1 441 .. P(al menoe 9 doa veco) : 1 - P(9 cero vecer) - P(9 una vez) : .0 (6.2.17 z: -1 y z:-4. hallar (c) la media y (b) la desviación típica para la distribución de tornillos defectuosos de un total de 400. Entonces la probabilidad de un total de 9 en un ¡olo lanzamiento de un per dddados esp :4136:1/9 y la probabilidad de no obtener untotaldeg enunsololanzamiento esq=L-p8/9. ^/r\'/a\'.56./r\'/e\a. == vnpq H = 0.5Bt 441 = 531 441 441 Otro método.7)1L.6u.0676 : O.58. (o) P(9 do¡ veces en seis lanzamientos¡ = 6"'\t/ /q\t-' .6 a 6.2:{). (4. es decir podemoselpemr que 40 tornillo¡ esüén defectuosos.6 (área entte 0.5 puntoe. (5. ^ /r\'/e\'. La calificación media fue 6. determinar (c) el porcentaje de estudiantes con 6 puntos. Por tanto una calificación de 6 puntos ¡e cor¡sidera como 5."'\g/ ' ^/rY/s\u./ \ó/ * '"'foi ó * '''Gi 72689 1 10240 960 48 61 = 681 440 65f ¿¿T . ^ /r\ta. 3). Halla¡ los coeficientes de (a) sesgo y (b) curtosis de la distribución en el Problema 4. (a) (b) Coeficientedeeeego= Puesto que es positivo. (b) la calificación máxima del L0% más bajc de la clase. 4. 6). 4-20.5 en unidadee tipificadar hoporción pedida: á¡ea entre : : . (6.6.2. .-. 5). .17 z: -1 y 277o z: O) 0. (D) Varianza : npe: (40OXO. (c) la calificación mínima delL0% más dto de la clase. eb necesario con¡idcrar los datoe como si fueran continuoe. Para aplicar : 6.3418 - y e = 0) (áre¡ entre z :{./ \. 10 puntos. (a) la di¡tribución normal a datos discetoe.6. 4.1XO.4I DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 143 De estas 86 forma¡ todar igualmente factibles ¡i los dados ¡on honrado¡. Por tanto la de¡üación tfpica = /56 = 6.-"^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.1. L.133 coeficienüedecu¡tosis: l. Véase Fig.1): 40.er)*P(9cincovecer)*P .ó6.a di¡tribución ee s+l---^6:q : 3+ff1-6(0'1X0'9) = nuq 3'01 ligeramente má¡ apuntada que la distribución normal.5 . dependiendo del número de respuestas conectamente solucionadas de un total de 10.2788: . . (a) Media : np :400(0.5 en unidader tipificadar : 5.cAP.

40 : -L. = 0. rin considerar los términoe que incluyen (Aú)2 y término¡ cuperiores. Entonces (x2 - 6. Entoncee tendremos una cuenta en el tiempo f * Af en lor riguientee dos ca¡o¡ mutuamente excluyenter: (i) 1 cuenta en el tiempo f y 0 cuentar en el tiempo At (ii ) 0 cuenta¡ en el tiempo ú y 1 cuenta en el tiempo Aú . 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. tenemoS (r) De (I ) obüenemos (2) Po(ú+a¿) = lú Ps(Ú)[1 -IAú] = -IPo (¿) At+0 lim Po(¿-f a¿) - PoQ\ e¡ decir (. Si se suponen lar llegadae de lae partícula¡ sucegos independientes.I -0.10.que lógicamente e¡ 1. Máe precisamente. 4-21 (b) Sea r ¡ la calificación máxima pedida ] z¡ !u equivalente en unidadec tipificadas. Refi¡iéndose al Problem^ 4.60. De la Fig. At.7)lt. 4-22 repteeenta el eje de tiempo c. por tanto área.6.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 = 0.28.7)17.L14 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP. por simetría : L. 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. Por tanto la probabilidad de no contar en el tiempo At ec 1 .17 I'ig.69 halla¡ la probabilidad de exactamente una cuenta en el tiempo t.Z:-t. Si (b). La Fig.28. Por tanto.r2 la calificación mínima pedida zz =L. Halla¡ la probabilidad de que en un tiempo f no se cuenten partículas.28 (aproximadamente). exiatirán término¡ adicionalecqueincluyen a (Aú)'y órdene¡ ruperiores.4 . pero no se consideSea P6 (ú) r-----]--l Fig.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. 4-2L el la izquierda de z¡ eo LOT. 4.2 u 8 aproximando al entero má¡ cercano.4-20 Fig. 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.on O como el origen.69.26 6 aproximando y al entero má¡ cercano.P6(0): c e¡ la probabiüdad de no cuenta¡ en elüiempoGrro.4-22 o ran si AÍ es pequeño.x2:8. Un contador Geiger se emplea para contar la llegada de partículas radioactivas.28y Ír:6.2 ! 22 Eu equivalente en unidades tipificadas. (c) Sea . zt Enüonces zt = (xt . Por tanüo c = I y l¡ probabilidad pedida ee (11 Po(¿) = ¿-^t 4. a Area entre zt y O: 0.

4. 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 .64.69.s supletnenta. sin coruiderar los té¡minos que incluyen (Aú)2 y ruperiores.P.i que es [a distribución de Poisson.ar una moneda honrada 6 veces aparezcan (o) 0. (n 5. @l 6 caras. ¿cuántaseeperaríantener(o)3niños.I"(t) = XF'o(¿) - IP1 (¿) ge Tomando el lfmite cuando Af -+ 0 y utilizando la expresión para Pe(ú) obtenida en el Problema 4. u) Multiplicando por (5) e^¿ d.rlos DISTRIBUCTON BINOMIAL (BERNOULLI) 4.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 145 La probabilidad de (i) es P1(ú)(1 . (c)o2ó3niños? probabilidades iguales para niños y niñas. (d) 3' @l a.(b)5niñar. que es cero. Si P(X=2). (c) 2. Por tanto. caras. (b\ P(X <21' (c) P(1<x=3). Por tanto (7') = ¡¿¿ .67.t * \P. Iülla¡ la probabilidad de (o\ 2 o már honradas.66.¡e-rtt esto puede escribirse como d. Suponer 4.59 esto convierte en dP. 4 caras en un solo lanzamiento de 6 monedas hallar (o) P(X = 4. con un par de dados? ¿Cuál es la probabilidad de obtener un 9 exactamente una vez en 3 lanzamientos 4. Halla¡ la probabilidad de que al lznz.cAP. Hallar la probabilidad de obtener un total de 11 (c) una vez.62. (b ) menos de 4. Utilizando e¡to en (6) hallamos Pt (Ú) c2 0.I a¿). Hallar fal¡o. 4. .66. ¿@xtPr) = x que al integrar (6) Pr(t) = \¿¿-rú+c2e-\r Si : t:0. (b) dog vece3' en dos lanzamientos de un par de dados honrados. la probabilidad de acerta¡ correctamente al meno¡ 6 de 10 res¡ruestas en un examen tipo verdadero- . (b ) 1. Problerna.61. P1(0) eo la probabilidad de 1 cuenta en el tiempo 0. DeSOOfamilia¡con Shijos. tr¿-At (3) dt = ^Pl o d. La probabilidad de (ii) es Po(ú)I at.rt ú Continuando de esta forma podemos demostrar que la probabilidad de exactamente n cuentas en el tiempo está deda por (8) Pn(t\ = (^t). 3).

85- 4.86.96 =_ Z < t.7O. ¿qué porcentaje de esas mediciones diferirá de la media por (o ) más de media desviación típica. (c) a la derecha d. (b) P(-1. (b) menos de hes cuartos de desviación típica? Si ¡'t es la media y o la desviación típica de un conjunto de mediciones que están distribuidas normalmente. Demostrar que si una dishibución binomial con n : 100 es siméhica.O?30.r)af(rl para la distribución binomial.(b)z=I. (ó) el área a la izquierda de z sea -0.85 m. 0.4 4.0314.82.79. (b) menos que p . (D) mayor que 0.74.610 y 0. (c) coeficiente de sesgo.5722.b superior de los estudiantes recibirán una calificación A (excelente). (c) el área entre de z tales que (a) el área a la derecha de z sea 0.L46 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.608 pul.2266.68. Hallar el área bajo la curva normal (o) a la izquierda de z : -1. (d) el áreaentre 1.?8.76.55 m. (e) el áiea en¡e-z y z 4.23 y z sea O.oo ¿ea 22c/a. su coeficiente de curtosie es 2.84.78: Hallar los valores sea 0. 4. (b) desviación típica.6140 pul y desviación tipificada 0. determinar el porcentaje de los cojinetes de municiones con diámetros (a) entre 0. lt!aosea . Si X está distribuida normalmente con media 5 y desviación tipificada 2.e z: -1. (b) por fuera del recorrido ¡t ! 1.618 pul inclusive. (a)Determinarlas calificacionestipificadasdedog estudiantes cuyos puntajes fueron 93 y 62 respectivamente. 4. (c) Si las estaturas de 300 estudiantes están distribuidas normalmente c\on media 1.64).15 y z *aO.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. La calificación media de un examen final fue 72 y la derviación típica g. (d) iguales a 0. (b) Determinar los puntajes de dos estudiantes cuyas calificaciones tipificadas fueron y 1. (c) solament e 2. Calcular la (o) media. Hallarz¡ si P(Z-21)= 0. ¿cuántos estudiantes tienen estaturas (o) ¡nayores que 1.71.59 y 1.? y n : 60.5 o? 4'83.80' 4. 4. Interpretar los resultados. DISTRIBUCION NORMAL 4. (b) menos que o iguales a 1.23yz:1.6 y 1. (dl al menos I persona esté viva.80< z< !. Demostrar las fórmulas en la página 109 para los coeficienües de seego y curtosis. Si (c) P(lzl > r). 4. Hallar la probabilidad de que en 30 años (o) Ias 5.4O.8{. (e)correcpondientea-0.2O y z --2. (d) correspondientea z>:2.96).82. dondeZestádistribuidanor¡nalmenteconmedia0yvarianzal. (c) menores que 0. (b) a la izquierda de z:0.79' 4. 4.t'c.!6. (b ) al menos 3. z:-I. Z está distribuida normalmente con media 0 y varianza 1.69. El l}'. entre (o) 4. llallar el área bajo la curva normal z: 0.t ! 2 o.75.83. hallar P(X > S). (d) coeficiente de curto¡is para una dishibución binomial en la cualp : 0.56. ¿qué porcentaje de las medicione¡ están (o) dentro del recorrido I. todas de edad idéntica y con buena salud. -0.45.?0 m? cm.85V 4. 4.81' 4.4 respectivamente.52 y a la derecha de z: 1. 4.9.El m inclusive. Un agente de una compañía de reguros vende pólizas a 5 personas.58.2 o.77.50. ¿Cuál es la cslificación mínima que debe obiener un estudiante para recibir una A ? Si un conjunto de mediciories está distribuido normalmente. EnelProblema4.0025 pul.?O m y desviación típica 10 Si los diámetros de los cojinetes de municiones están normalmente distribuidos con media 0.615 pul. entre 1. En un examen la media fue 78 y la desüación típica 10. Evaluar (o) ) (c - p\3 f (r) v (b) > (r .gShallarlacon¡tanteatalqueelporcentajedelo¡casos(o)dentrodelrecorrido 7 í'. (c ) mayor que g 1.900. (c)z:-2. haltar (a) P(Z = -1. 4. 4.61? pul.72.2 respectivamente. (d) igual a 1. (/)ala izquierda de z:-2. De acuerdo con las tablas de los actuarioe la probabilidad de que una persona de esta edad específica esté viva en 30 años es 213.

0 de cada 100 000 personas. Utilizando (o) la distribución binomial y (b) la aproximación de Poisson a la distribución binomial.#Tf DISTRIBUCION MULTINOMIAL 4.1 t\. (b) cada ca¡a una vez. f(r) =. (b) entre 1 y 3.101. página 113. 4l DISTRIBUCIONES DTSTRTBUCTONES DE PROBABTLTDAD CON NOMBRE PROPTO PROBABILIDAD PROPIO I47 L47 APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 1. (b)entre 30y 60. Demostrar que si respectivostrr X1 ¡l X2 son variables independientes con distribuciones de Poisson con parámetros ytrz. 1/2 prob. (c) menos de 85 o más de 116 caras. 4.96.99.2. (c)2. Demostrar el teorema del lfmite central para el caso en q rre X ¡.97.(Sugeren- cia: Utiliz. Si 3% de las lámparas eléctricas producidas por una compañía son defectuosas.92. 4. 4. enunaciudadcuyapoblaciónesde200000ocurran(a)0. Xz. Según Ia National Office of Vital Statistics of the U. En el Problema 4. Halla¡ la probabilidad de que el resultado sea: (o ) 1 "uno". Hallar la probabilidad de que en 200 lanzamientos de una moneda resulten (a) entre 80 y 120 caras inclusive. p pr. Demostrar el resultado (l 7). 1/2 -r -t Demostrar el teorema del límite central para las variables independientes 'Yk donde g = | | 1 prob. hallar la probabilidad de que en una muestra de 100 lámparas eléctricas (a) 0. Hallar la probabilidad de que un estudiante pueda acertar eorrectamente lasrespuestas a(a)12 o más de 20.95. (b) 7. (d) 3. (c)entre y 46. DISTRIBUCION DE POISSON 4. 4.97. Hallar la probabilidad de que en un muestreoaleatorio de 400 tor4illos producidos por estamáquina (a)máximo 30. Education and Welfare. . Halla¡ la probabilidad de que 4. Un talego contiene una bola roja y siete blancas.cAP. (b) menos que 90 caras. Generalizar el resultado a n variables. S. 4.88. (bl 24 o más de 40 preguntas en un examen tipo verdadero-falso. son independientes y están distribuidas idénticamente con la distribución de Poisson. de loe tornillos sean defectuosos.(b)2. el promedio de ahogados en accidentes por año es 3. 4. . 2 "doses" y . (e) 4. 36 LO"/o de los cuales son defectuosos. Department of Health. f. Entonces se coloca la bola en el talego. 4. "heses". Una máquina produce tornillos.98.90.87. Xz. página I 1 1 .ar la función generatriz de momentos). (d) 55 o más.10O. (d) exactamente 100 cara¡. hallar la probabilidad de que (of rnís de 5. del límite central no sea válido en el caso que X¡ . ( t 3 ). .(n5lámparar sean defectuosas.entoncesXr+X2 tieneunadistribucióndePoissonconparámetro). -'.t9. .(c)6.93.(e)entre4y8. Se extrae una bola y se obsen'a su color. TEOREMA DEL LIMITE CENTRAL 4. Se lanza un dado honrado 6 r¡ece¡. Hallar la probabilidad de obtener más de 25 "sietes" en 100 lanzamientos de un par de dados honradoe. arí generalizando el Problema 4. Explicar por qué se podría esperar que el teorema üengan la distribución de Cauchy.(d)8.b. <x< @ 4.(f)menosdeS ahogados por año. 3 .94. o 2lámparas eléctricas sean defectuosas.9!. Demostra¡ el teorema del límite central para las variables independientes xk = 4. 4. . . hallar la probabilidad de que en 8 de tales extracciones se seleccione una bola roja 3 veces. (c) menos de. ( L 1 prob. r¡ : L - p.91.

es una función de densidad. Si Xt y Xz son independientes y distribuidas de Cauchy.106 y e¡tudia¡ la precisión 4.148 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cA¡. página 115. 4. Yerificar la (a) función generatriz de momentos dadas por (33 ). Hallar la función generatriz de momentos para la di¡tribución uniforme. Determinar el coeficiente de (a) > ll 6/. ó (24\ se para resolver el Problema 4.109.105. recorrido gemi-intercuartílico es un eustituto de la desviación tfpica? aritmética también tiene esta distribución. S blrncar.págrna114. tl¡llar(o) P(X= 1).11?. (b) P(Xz > r2). 4.120. entoncel su mdia 4. 4. DISTRIBUCION HIPEBGEOMETRICA 4. ¿Porqué en este caso el 4.110. Emplear la aproximación binomial (18) obtenida. (b) ninguna sea figura. hallar la probabili4. De 60 aspirantes a una universidad 40 son del oriente. Hallar la probabilidad de no obte4er un 1. 4. Verificar que (31 ).107. normalmente con media 0 y varianza l Demostra¡r que Y: Xt lXz tiene una distribución DISTRIBUCTON GAMMA 4.(b)8 sean rojas y 2 amarillas. cuando N ' e.con < 2). 2 ó 3 en cuatro lanzamientoe de un dado honrado. 4. Una variablealeatoriaX tiene una distribución gamma conQ:3.115. página 108. Suponga que X tiene una distribución de Cauchydeacuerdocon(29).119. Generaliza¡ el resultado del Problema i.103.Hallat(a) P(X i.116. 4. (c) al menos una sea roja. 4. (b) todas sean blancas.112.4 4. Hallar (a) el tercero y (D) el cuarto momento alrededor de la media de una dishibución uniforme. 4. hallar P(lX . azules y amarillas en la proporciün 4t 3z 2: L.116.122. Si se seleccionan 13 cartas aleatoriamente (sin remplazamiento) de una baraja de 62 cartas. SiXestádistribuidauniformemente en-2< x=2.9: 4. blancas. Una caja contiene una gran cantidad de bolas rojas. Hallar la probabilidad de que de 10 bolasextraída¡: (o) 4 rean rojas. Si X.108.fl DISTRIBUCION DE CAUCHY 4. Demostrar que el recorrido semi-intercua¡tílico para la di¡tribución de Cauchyeeo.z 114. dad de que (a) 6 sean figuras. 2 zzulee y l amarilla. (b) P(lX-11 = +).106. Demostrar que si X1 y X2 son independientes y tienen la misma distribución {e Cauchy.114.113.Hallar(al P(X <1). 4. Una caja contiene 5 bolas rojas 5l l0 blancas.102. (t) P(l = X=2). sean del oriente.11E. sesgo y (b) curtosis de una di¡tribución uniforme.págin. (b) no más de 2. Demostrar directamente que (22). 4. Z. Si se seleccionan 20 aspirantes aleatoriamente. o:2.104. hallar la probabilidad de que (o) 10. Determinar los valore¡ modales de la distribución gamma. y (b) la función caracterfstica de la di¡tribución gamma . DISTRIBUCION UNIFORME reduce a (I ). Y son independientes y ambas eetán distribuidas uniformemente en el intervalo de 0 a 1. página 116.121. Si se seleccionan 8 bola¡aleatoriamente (sinremplazamienüo) determinar la probabilidad de que (a) 4 sean rojar. 4.111.

(e) el área entre -f1 f f1 sea 0. Si una variable Utiene una distribución de Student con ¡. los valo-res de x? y x! no son únicos' 4. (c) el á¡ea a la derecha de xl sea 0.10'(d)el sea 0. (c) P(U = cl = 0'20. (o) llaltar x! y x? tales que el área bajo la distribución x2 correspondiente a v -.129. es una función de densidad. pígirn 117. \b\ Yar (7zl -.z¿i (d) F.cAP. hallar x2. f f.¡.124.90yy:25t (b)eláreaalaizquierdade-ü1 sea0.¡' 4.páSrrra 115. 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. 250.%t con y :7.(c)eláreaaladerechadeú1 eea0. 4.:10.01. Hallar (a) es la x.136. Verificrü que (34). (c ) 25.125. (b) Demostrar que si la suposición de áreae iguales en la parte (o ) no se cumple. = t2ul(v1* . Demostrar que la distribución beta tiene una moda l¡nica en DISTRIBUCION CHI-CUADBADO r: (a - l)/(a P(lX-+l = +). Halla¡ (o) 4. si el r. - 2)..139.4l DISTRIBUCION BETA DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO t49 4. (e ) 150.rz.1 de la función de densidad (45'¡. Verificar que la integral desde u lsugerencía: Hágase a : 0 hasta e v2u).132. (d) P(U 2 c) = Q. hallarlaconstantec talque (a\ 0.128. (b) el área a la izquierda de xi sea 0.rs.oo. : 6.valores de grados de libertad I ú para los cuales el á¡ea de la cola derecha de es igual z (a) 4.01. er igual a 1. 4.ti ti¡l gue (o) el área a derecha de ¡l sea 0.025.13E.20 91tt: 1i Y_4_. Hallar el valor de: (a) F.50. v: -f1 sea 0.126. v ) 2. área combinada a la derecha de ú1 y a la izquierda de -f1 4.ol/l'.95.136. la distribución ú es 0.donde zo hra una distribución f de Student con 15 grados de libertad. y x! tales que (a) P(U > x?rl = 0'025. lJnavariablealeatoriaXtieneunadistribuciónbet¿cono:3.134. Demostrar que la va¡ianza de la distribución t de Student con t.727 si el área de la cola derecha es 0. v.140.98./(.02'5yv=20'(c)eláxea 16.95. Resolver el Problemz 4. (b) 12. Q) F.05. (d) el área a la derecha de ú1 sea 0.. (ó) y (b) x.i) 4.rzo.01.13?.123. (d ) 60. (D) P(-a= U 3 c) :0.rales a la derecha de xB y a la izquierda de x!. 4. ee la 0.55 ! 4.? 9:?^5: suponiendo ireae'ig. hallar el valor de ú¡tal que (a) el área a Ia derechadeú1 seaO.eo. Si la variable U tiene distribución chi-puadrado P(u < x?) : 0.gc.9:2. + p .2\' 4.rúmero e.99. (c) F.zoi (.141. 4. 4.05.os. hallar el valor ie . (c) 28.2.g. si el número de 4. Para una distribución chi-cuadrado con 12 grados de libertad. / una buena aprorimación para percentila (100p) de la distribución normal tipificada. Demostrar que para 1 grado de libertad la distribución ú es una distribución de Cauchy.12?. (c) P(x?< U < x2z) = 0. grados de libertad DISTRIBUCION x . Demostrar que para grandes valores de 4.or.2gs para r = 150. ¡2o egtá x?ozs y (b) xizs para'r = 4.9¡' P(U>c)= 4.ss. Demostrar que (a) E(xz) = DISTRIBUCION ú DE STUDENT 4.130.01 y ¡.01.(b)eláreaalaizquierdadetlsea0. (b) F.133. 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.90.142.' dada Por r * .131.ss. (b) 19. Hallar 4.05. Hallar los . (d) 40.or'so'lr-.

. ento'nces ) Xf ti"tt" 51. .150 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. Sean las variables independientes n X¡. página I44.c<ts -. Y mnjuntamente tienen la distribución bidimensional (19).162. hallar la función de distribución de lonva¡iablesaleatoúasindependientescon di¡tribuciónchi-cuadradoypr..37 demost¡ando que si buidas normalmente con media 0 grados de 4.156.0. ¿tiene X2 una distribución chi-cuadrado con 1 X1.144..7ffi1.e8¡zsa \z /' * (tlu)to. libertad respectivamente. + Xn. (ó) io ".X. 4.161. Si X. k=l son variablee aleatoria¡ independiente¡ disürluna distribución chi-cuadrado con y libertad.149. c. PROBLEMAS DIVERSOS 4.150. constantes y b2 < ¿c.146. . . Demostrar el Teorema 4-5.8.r.. Demostrar que 2u (..Porevaluacióndelasseries dos del Problema (") 4.. página 114.147.X... página 116.. RELACIONES ENTRE LAS DISTRIBUCIONES CHI-CUADRADO. Demosha¡ el teorema del límite central para el caso donde Xt.145.o2)a(0. . Hallar la función generatriz de momentos de la di¡tribución hipergeométrica.36.' o) 4. 4.0. Completar la demostración de la ecuación (8) del Problema 4.^h.6O..15E. É^ ¡=o .143. 4. 4. Suponer que X. (véase página cada unacondistribucióngeométrica..155.r.4 4. Y tienen la función de densidad conjunta f(r.. Si Xr.. Demostrar los resultados (20) y (23). demostrardirectamentelosresulta- 4. b. Verificar que estas constantes son l¿¡s dadas en (19).153.I Y T' 4. 4. mente tienen una distribución idéntica.. .14E.prgradoe X¡ + . DISTBIBUCION NORMAL BIDIMENSIONAL 4.A) = ke-(!¡z+2bra+"v'l donde a..pfuinal77. rj +n'r l¡ = ¡'oof 4. . 4. k=1. y varianza 1. mente con varianzas h aon 4. (a > o' o . 4.e8)2ez \3 /' y dar una interpretación de probabiüdad.0r. Si X está distribuida normalmente con media g y variznza grado de libertad? Véase Problema 4. son independientes pero no necesaria.. demostrar que e8t6n distribuidas marginal- "? y oi respectivamente. Generalizar el Problema 4.n... Demostrarque k=l ) X* tiene distribución de Pascal 118). página LL8. prfuina 118. Demostrar el Teorema 4-8.159. Demostrar el resultado (46). 4. Halia¡ el valor aproximado de (t3o).1 o2 . ¿Puede deducirse la ley de los grandes números en forma débil del teorema del límite central? JuEtificar su solución. Demostrar el Teorema 4-10.157.. (Sugerencia: Ilaga la transformación u : 1/u). Xz. de 4. página 118. 4.16O. Demostrar que cuando v "> @ la distribución f de Student tiende a la distribución normal tipificada..154.

Comparar sus resultados con l¡ entrada 5. Determinar (a ) la conetante c. y varianza de la distribución gas para loc casos (o) (b\ v2= 4.163. (d) la velocidad efectiva(rme. 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. página 119.F' f. .4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 4. (c) la velocidad más probable.164.162.cAP. Estudiar qué le sucede a la varianza de l¿ distribución t 4. (b) v = 2. (b ) la velocidad media.esdecirlarafzcuadradade la velocidad media al cuadrado). (c) v1* 4. Estudiar qué le sucede a la media ¡i (o) r = .

.

Farte tl ESTADIST¡CA .

.

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

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

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

(s) El Teorema 5-5 es una consecuencia del teorema del límite central. .-.r es F*. Entonces la variable tipificada asociada con X. 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 . 5 (3) EJEMPLO 5. = ll s_t_1_t_gl" 5 5 DISTRIBUCION MUESTRAL DE MEDIAS Sea /(r) la disbibución de probabilidad de alguna población dada de lia cual extraemos una muestra de tamaño n. 1. oft = . dada por Z: es x-r "/\n es (7) normal reintóticamente. Teorema (6) 5-4: p y vaianza o2 entonces la media muestral p y vananza é/n. entonces la varianza de la distribución muestral de medias.¡ n lcAP. la media de la población. estn lim P(Z -z z) = -= f = J 1 vzr -* "-uztz ¿r.(¡¿ -n\ -f / en tanto eue ¡r* aún se da por (4). Nótese que (6) se reduce a (5) cuando N . 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. est. denotada por . Los teoremas siguientes son importantes en este sentido. Entonces es natuml buscar la distribución de probabilidad del estadístico muestral X. está dada por E(X) = donde ¡. denotada por oi. Teorema 5'1: La media de la disbibución muestral de medias.6.158 TEORIA DE MUESTREO Jrf ll |"'Fi. 2 entonces la media muestral .á dada por E[(X-ti'l: "l = ¿ n donde o2 es la va¡ianza de la población. y si el tamaño de la muestra es n S N. 9. Si una muestra de tamaño 5 resulta en los valores muestrales 7. Se supone aquí que la población es infinita o que el muestreo es con rernplazamiento. De otra forma Io anterior es conecto si remplazamos o/l/-n en (7\ por o* como se da en (6). si el muestreo es sin remplazamiento. que se llama la distribución muestral para h media de la muestm o la distribución muestrcl de medias. página 112.5.ux. Teorema (5) 5-3: Si la población es de tamaño N. = t' es la media de la (l) población.

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

y iai-ecuaciónes (I1 ) resultan Ittt-?z . En '"al caso ia distríbución muestral de la suma de estodísticos S. * l's. algunos estadistas escogen para definir la varianza muestral por S. Refiriéndose al Ejemplo 6. (11) nrruestras son independientes. corresponden a las proporcioneJ de éxitos P. supotriendc rtii€ ¡a-s = ¡'s. osr.. página l57.P".20) ¿'(St) está definido por = Asr : ?-Joz > 30). i (X^-. PzQz (13) En cam!:i. página 78. de es+. Qe) N* - ésta se reduce a (16). En este caso . Se pueden obtener recultados semejantes a (1 1). -.la varianza mueshal tiene el valor a2 = en tanto que la ertima inseegada eetá dada por +(6-6)2 - z Ao s.e parámet¡o. y S. : {"'rr4r.. EJEMPLO 5.5. . denota las variables aleatorias para una muesha de tamaño n. 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. resulta ser que (véase Problema 5. entonces la media de la distribución muestral de varianzas está dada por E'(s.= li4-6ri \¡"- Los resultados anteriores son válidos si el muestreo es de una población infinita o con remplazamiento para una población f¡nita Si el muesheo es sin remplazamiento de una población finlta de tamaño N. et y pz.X). .) Cuando = ps2 : ("\) (+). opr-p. -X). X. + .. 5 Resuitados cortespondientes pueden obtenerse pan disfuibuciones muestrales de diferencias de prcpordónes de doe poblaciones distribuidas binomialmente con parámetros pt. Sin embargo. y 52 tiene media y desviacián üípica dada por Fsr+s. entonces la variable aleatoria que da la uarianza de la muestra o la uarianzt muestral se define de acuerdo con (14). + (xz. VARIA¡.iZA MUESTRAL 9i Xtr Xr. Sin embargo.-i)'? + (Xz-.s. continuaremos definiendo la varianza muestral por (I5).= 5 . en cambio de 52 y sencillamente remplazan n por n -1 en el denominador de (15). y el valor una estima insesgada..6.160 TEORIA DE MUESTREO lcAP. por (X. ez respectiva¡nente.llpt iLp2 Pt. El estimador Q6) insesgado qu9 9sq rnuy próximo a o2 solamente para grandes valores de n (n q2 (x.o de rcnal diierencias de estadísticos algunas veces estamos interesados en la suma de estadísticos.t)'' t(S2) : o2. puesto que al hacerlo así muchos resultados posteriores se simplifican. Sienrpre que el valor .. + (x^- X¡z n-I (17 ) de modo oue u(D') = g' (t8) Debido a esto. . y P.S. : {$j$ : Pút .

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

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

l . En el intervalo de clase 59.. 5l TEORIA DE iúUESTREO 163 definiciones son análogas a esas dadas para poblaciones en el Capítulo 3.5.5-62. EI siguiente intervalo de clase sería entonces 62. la frecuencia relativa o porcentual correspondiente a la clase 63-56 es 18/100 ó 18'i. El ancho del intervalo de clase 7-ésimo. consiste de estaturas desde 60 hasta 62 pulgadas.5 pulgadas. En este La primera clase o categoría. Si en la Tabla 5-2 registramos la frecuencia relativa o porcentual en cambio del número de . se llama marca de clase.5 y 62.'J ir z 61 64 6t- l0 ?3 76 (pulgadas) Estatura (p [:ig. Puesto que 5 estudiantes tienen estáturas casoc:62. o por un polígono de frecuencios uniendo los puntos medios de los techos del histograma. Ya que una estatura registrada tromo 60 pulgadas realmente está entre 59.5-62. 5-1.) de tro estudiantes É tr-r (::i t'. se ¡nuestqan en la tabla anterior.Por e¡emplo.:) riri {l¡ ¡ lii 12 o ilr -71 27 8 . Io que se llama uninterualo de clase.5 y 62. o al menos sus medias y desviaciones típicas (errores típicos). 5-1 ercepto que el eje vertical es frecuencia relativa en cambio de frecuencia. Algunos de estos. etc. denotado por c¡r que comúnmente es el mismo para todas las clases (en cuyo caso se denota por c). La suma de ias áreas es 1 ó l-00'.5 y 60. Orden3mos los datos en clases o categortbs y determinamos el número de individuos que pertenecen a cada clase. por ejemplo. podríamos haber registrado el intervaIo de clase como 59. es Ia diferencia entre el límite real superior e inferior. que puede tomarse como representativo de la clase. es difícil observar las diferentes características o computal estadísticos tales como la media. etc.-r-l correspondientes a esta clase Ia correspondiente frecuencia de clase es 5.5--65. Como ilustración suponga que una muestra consiste de las estaturas de 100 estudiantes de la univelsidad XYZ. Tabla 5-2. DISTRIBUCIONES DE F.5:3. 60-62 es 61.cAP. inciicadas por 6G-62. conjuntamente con los dados. La ordenación resultante.5 se conocen como límites reqles de clsse.'RECUENCTA Si una muestra (o una población) es grande. DISTRIBUCIONES DE FRECUENCIA RELATIVA Y OJIVAS estudiantes err cada clase. Distribuciones muestrales para estos estadísticos.5-59. se conoce como d¿süribución de frecuencia o tablade frecuencia. Por esta razón es útil organízar o agrupar los dofos. el resultado sería una distribucíón de frecuenciarelatiua oporcentual. 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. denominada la frecuencia de clase. El histograma correspondiente es entonces semejante al de la Fig. Es interesante observar que Ia gráfica parece indicar que la muestra se extrajo de una población de alturas normalmente distribuida. desviación típica. como se muestra sombreado en la Fig.5 pulgadas mientras que unaregistrada como 62 pulgadas realmente está entre 61. Tabla 5-2 ESTATURAS DE 1OO ESTUDIANTES DE LA UNIVERSIDAD XYZ o H o 10 (pulgadas) fir) Estatnra i Número -f. EI punto medio del intervalo de clase.5. puecen enct-¡ntrarse con frecuencia. .5 los números 59.

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

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

0 5.0 -i.2.0 5. nuesto que segundo -:^-L-^ "" (. o: 3. 8).5 6. 5. Estas so r (2.1 para el caso de muestreo sin remplazamiento.* 2.6.0r 6. (3.11) (6.8) Las correspondientes medias muestrales son 2.0 6. 2) (8.3) 111.5 5.\ N _irl.D 6.0 y la media de la distribución muestral de medias .o2/ N .5 + 9.* .2\ Esto pone de manifiestrque '' . 6) (8.1-¡ . 6) (3.40 = 2'32 Esto pone de manifiesto el hecho de que para poblaciones finitas en las que se efectúa muestreo con remplazamiento (o poblaciones infinitas).-. 8).!lr_115. 3) (3.0¡:: -f -' . 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. ) "l .to oue el sesundo miembro ^^ .0 : itO + 6.0 9.8.8. 5. sumando los 25 números así obtenidos y dividiendo por 25. (c) Hay iC-.0 otr 3. y la media de la distribución muestral de medias es 9. (8.5 ¿" (l 8.5.2) (6. 4. por ejemplo.40.6) (6.5+ 5.5 I. éstas son (2. or".0. 4. 11). 3) (2. de acuerdo con el valor anterior.8) (11. 10'8/5 .r' = 16. El resultado final es . + l:1. l'I1!11-q9-"'-lgl-99'":'I9't3ls 25 comprobándose que ) 150 tt - o'' t{' -.r ) 4. elevando al cuadrado cada diferencia. ¡'. (6.2). + (9. de la distribución muestral de medias x es 6.0 poniendo de manifiesto el hecho de que tÍ - (d) La varianza.5 7. (2.5.5 (c) Hay 5(5) : 25 muest¡as de tamaño dos que pueden extraerse con remplazamiento (puesto que cualquiera de los cinco números de la primera extracción puede asociarse con cualquiera de los cinco nfrmeros de la segunda extracción).3) (6.6). rj).O. que es el valor obtenido anteriormente. 7.5 7. (6.5.2) 12.6."\.0 4.b - 6.5.0 -('25-10 - c...f. Para una demostración general de este resultado véase hoblema I .5 + 4.0 (2.11) (3.29. 3) (rl.3).4.5.166 TEORIA DE MUESTREO lcAP. ¡r: 6 y o2 :10.2t (3.8) \3. Las correspondientes medias muestrales son 2. (o) y (ó) como en el Problema 5.3).0)2 = 4.5 .11) (8.6) \2.0 O.05.?.8). Para una demostración general véase Problema 5. (3. (d) I'a varianza o{.0). (2. Para una demostración general véase Problema 5.0 8. 5. 8.. 7.47. _Í ) .0. de la distribución muestral de medias se obtiene restando el valor de la media 6 de c¿da número de (1 ).5 + 10 /r.. ll ). 11) La selección (2.40 de modo que o.0 es 8..11) (1r. 4 135 : -. (3.8) (8. 11).8) (6.01.0 + 7.0 7.1.6) (tt.5 1 4."2*= o2/r.5 11.11) 4.puestoqueel segundo miembro es 10. 5.8/2 = 5. 7.1¡ muestras (2.2) (11. Lo mismo que en el Problema 5.2. 6.0.U t< (. se considera la misma que (8.5 = 6.5 9..05 Y ox r.

6 : -2.3.5l TEORIA DE MUESTREO r67 5.0 y z : O.304 o cero. cabría esperar que la distribución muestral experimental de medias se distribuya aproximadamente normal con media 68. que son muchas más de 80.0pulgadas o vn N-n _3 N-1 \/% .0 pulgadas y Yox=- ox = o=3 \/n {zs = 0. puesto que el número de muestras es grande.8 . De aquí que con 80 no se obtenga realmente una distribución muestral de medias.4 pulgadas? ¿En cuántas muestras del Problema 5.6 pulgadas y puede.0 : 0.3 cabría esperar una media (o) entre 66.5\ :(áreaentree:-2yz:O) * (área entre z : O y z : 0.8 y 68. 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.02 onzas y una desviación típica de 0. 5. para todo propósito práctico.30 500 /ioo 500-1 - 100 0.4 - 68.4.4 pulgadas .68.4772 + 0.6 : -2.4962 : -2.8 y 68.67) : : (área a la izquierda de z : 0) y z : O) .67 0.30 onzas. (b) 66. 0. : (área bajo la curva normal entre z : -2.5. Sin embargo. Supóngase que las estaturas de 3000 estudiantes de una universidad se distribuyen normalmente con media 68.1915 : 0.0 pulgadas y desviación típica 0.4 en unidades tipificadas: (66. (b) menor de 66.cAP.0)/0.6687 Entonces el número de muestras esperado es (80)(0. Si se toman 80 muestras de 25 estudiantes cada una.0 0.5) : O.6 (o) 66.0 pulgadas y dewiación típica 3.5 Proporción de muestras con medias entre 66.25 -1 que es ligeramente menor que 0.3 pulg. Así se tiene. por tanto. sino solamente una distribución muestral experimenú¿1.0)/0.6 pulgadas 3000 3000 (b) p* = p - 68. cojinetes de bolas tienen un peso medio de 5. considerarse la misma que en el muestreo con remplazamiento. la media y desviación típica esperadas serán muy próximas a las de la distribución teórica. Por ello.3 en unidades tipificadas : : (66.0038 -2 A7 Entonces el nhmero de mueshas esperado es : (80)(0. habría mucha aproximación entre las dos disbibuciones muestrales. (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 (68.6682) ó 59.(área a la izquierda de z : -2. pulgadas. ¿cuál será la media y'la desviación típica esperada de la distribución muestral de medias resultante si el muestreo se hizo (o) con remplazamiento.68.0 pulgadas.(área entre z : 0.02 onzas. Fig.3 La media X de una muestra en unidades tipificadas viene dada por Z X-p* aX X-68. (b) de más de 510 Pa¡a La distribución muestral de medias ox- o yn !* = p = N-n N-1 5.0)/0.5 - 0. pues.3 .02 ? .0098): 0. \a) p*.6 pulgadas.67 Proporción de muestras con medias menores de 66. = tL = 68. 5-3 5.8 en unidades tipificadas 68. Así. Quinientos onzas.

son variables aleatorias que tienen la misma distribución que la población.. X2.0015 : (área a la derecha de z Así.22 y z : -0.10 en unidades tipificadas: (5.. solamente se darán 3 casos cada 2000 de obtener una muestra de 100 cojinetes con un peso total superior a 510 onzas.5 y 72.216-1 (área entre z : : 222 -074 Fie. Hallar la probabilidad de que en 120lanzanientos de una moneda el número de ca¡as (o) esté comprendido entre el 40% y el60%.48(i8 .5-4 (ó) El peso total excederá de 510 onzas si el peso medio de los 100 cpjinetes sobrepasa las 5.22 : --0. 6 72.7 4) (áre^ entte z : -2. son ina"p"nl'i"nt". tenemos l¿-12 E(X¡) = * Entonces ya que la media muestral se define como -Y='' x.7 4 : -2.027 5. (b) sea 5/8 o más del número de lanzamientos. 4.(área entre z : -4..+"'") =. '1-.5-5 5.. (a) ' pide ra probabilidad de que el número de caras en los 12Q lanzamientos se encuentre ent¡e 4O(/o de 6 48.4985: 0.t - .O27 : -2.2704 : 0.6. Demostrar el Teorema 5-1. Tenemos .(área entre z : O y z = 2.00 - 5. mediante la aproxlmación normal a la binomial.O2\10. Demostrar el Teorema 5-2. página 158.96\ (área a la derecha de z:0) .96 5.00 en unidades Probabilidad pedida tipificadas : (5.22 y z : O\ .+-\1L tenemos como se requiere l E(X) = ]lEtX.5.ttr rr"rr"n Var uuri^X. 3-7 " x..0.10 onzas.5 se encuentra entre 4. (x1) r rI (x.10 .96 Probabilidad pedida : 2. y 6Ol/" de l2O..02)lO.+ "' + -' Entonces puesto que X¡. se pide Ia probabilidad de que el número de caras se encuentre entre 47. Puesto que X1.0. En esta población la probabilidad de cara es p : I12 y la probabilidad de sello es C :1P : l12. X.168 (o TEORIA DE MUESTREO lcAP. la cual tiene media ¡1.96 en unidades tipificadas: (4.) - .pues..00 onzas. página 158.O27 : 2. 5. DISTRIBUCION MUESTRAL DE PROPORCIONES 5.96) :0. F'ie. Se procede como en el Capítulo 4.5.8. tenemos por los Teoremas 3-5 y Var (X) -f vu.7 4 y z : O) = 0. Puesto que el número de caras es una variable discreta.7.02)lO. .5 . Se 1-2O.E6)) = L(rr\ = t! 6.ruo2.96 ) El peso total se éncontra¡á entre 496 y 500 onzas si la media de los 100 cojinetes y 5.(.. Se consideran los 120 lanzamientos de la moneda como una muestra da la población infinita de todos los posibles lanzamientos de la moneda.

de 0.I9 en unidades tipificadx: ffip z sí la probabilidad pedida es el área bajo la curva normal entre 0.0'60 = 2.48 .28) 2(O. (b) 518 o más de sus lanzamientos resulten cara? Este problema está estrechamente ligado al Problema 5.28 : : : Otro método.fn ficadas son.60.=1p= ^FY = 120 = 0.I9 : -2.0041?-0. Aquí se consideran S00muestras.65\ : (área a la derecha de z : 0) . las proporciones pedidas en unidades tip! 0.50 0.uo ". Teniendo esto en cuenta se resta 11 Z" = Al¡.5 en unidades tipificadas = - 60 72.6250. 5l TEORIA DE MUESTREO ¡r: núrnero de ca¡ae esperado .40 72.65) : 0. = 2.5 en unidades tipificadas = 72.4887 ) : O.00417) y (0.28y2:2. puesto que 5/8: - 0. de la población infinita de todo.np = rzo(!) = oo o= 47 \/"pq 47.0r56 - 0.971. Así pues. puesto que L1240: 0.5 . ¿En cuántos individuos cabe esperar que (o) el númoro de caras se encuentre entre eI 40% y el 60% desuslanzamientos.977 4 ttp=P:i=o.idad pedida = 2.0040 -_ 0'6250 5.40 y se Buma .t9 yz : 2.51720 del primer método.0456 (0.40 0. i:abe esperar el encontrar un97.86 : (área bajo la curya normal a la derecha de z : 2.60 + 0. (área bajo la curva normal entrez=-2.19 : 2(0.00417) en unidades tipificadas Probabilidad pedida .00417) corresponden a las proporciones 47.8.5 5.4960 : 0.(áreaentre z : 0 y z : 2.117 l1 a 0.cAP.0041 7.0. - 0.6250 - 0.0456 40Vo enunidades tipificadas 60o1c -2.48 Probai¡ . puesto que no se ha utilizado el hecho de que la proporción es realmente una r¡ariable discreta.8 se ha obtenido que todas las posibles muestras de 120 lanZamientos de una moneda.28) 2(área errtre z : O y z : 2.28 _ y 0.28 que concuerda con lo obtenido por el primer método. Adviértase que (0.4857) : Aunquees:cresultadotiene dos cifras significativas.5 . no concuerda exactamente.60+0.50 = _2.1.9.60 5.s los posiblea l¿nzamientos de una moneda. = . 0.74% de ellas con porcentaje de ca¡as entte AOVI y el . que 0'00417 0. Cada persona de un grupo de 500 lanza una moneda 120 veces.5/120 y (b) Empleando el segundo método de (o) se tiene.0456 = 2.detamaño 120 cada una. (o) En el apartado (o) del Problema 5.00.

7 4% de 500. En ó00 muestras se puede esperar 97 . (b) Razonando como en (o)..oo125)enunidadestipificadas=W=|. Se ha encontrado que el 2% de las piezas producidas por cierta máquina son defectuosas. L/2tt.3869 :0.98) v = 400 _ 0. se tiene (o.25 y como antes la probabilidad pedida (b) {0. como variable continua.5025 Probabilidad pedida : .0040) de sus lanzamientos sean caras.489 : 1I individuos cabe esper:ü que su número de caras no se encuentre entre el 4O% y el 6O% de los lanzamientos..-' 0.26): 0.1131 . una mayoría se obtendría en la muestra si la proporción en favor del candidato fuese 0.0764.1056.00125) en unidades tipificadas 0'02 r 010q1?5 .0352 L12n: ll40O: 0.00125. En concepto continuo.5 en unidades tipificadas : " : {"w : (11.5000.007 Mediante la corrección para variables discretas.5025.5 y así la proporción sería 100. Determinar la probabilidad de que de (a) 200.s (o) 3% o más.5025 o más.0'02 -: 0. (2()'o de 400) = 3 Entonces 11.5025 en unidades tipificadas : (0. Este tipo de error es un rresgo que se presenta siempre que se trata con probabilidades.0362: 1. 12 o más significa 11.46)/0. (b) 2% o menos? PP'=P=0.0.1056 Si no se hubiese aplicado la conección se hubiese obtenido 0.21 (área bajo la curva nonnal a la derecha de z : l.02(0. También puede utilizarse el aegundo 5.0714 se : O.p = :p = 0. : 2 personas se esperará que los 5/8 o más 5.57L4 Si no se hubiese aplicado la corrección. ó 489 muestras con esta propiedad. método del apartado (o). ¿Cuál es la probabilidad de que en una partida de 400 piezas sean defectuosa. 1/800 0.2t) : 0.8)12.0025 : 0.4G y ".25 hobabilidad pedida : (área bajo la cu¡va normal a la derecha de z : I. p0. (b) 1000 individuos elegidos aI azarde entre la población votante se hubiese obtenido una mayoría de votos para dicho candidato.a es . pero ésta.170 TEORIA DE MUESTREO lcAP. Es interesante advertir que en 500 .) Entonces.5/200 = 0.5000 + 0. sería 100. (a) Puesüo que I. (3% de 400 ) : 12 piezas defectuosas. 0. Tales individuos pueden razonablemente sospechar que sus monedas no están bien hechas aunque sí lo estén.50 + 0.0025. (Esta proporción puede también obtenerse dándose cuenta que 101 o más indica mayoría. Otro méüodo.5 6OVo.14 = 20 0.18) 0.11.10. Los resultados de una elección demostraron que un cierto candidato obtuvo el 46% de los votos.={-= .18 Probabilidad pedida : : (área bajo la curra normal a La izguierda de z 0. Se sigue que en 489 individuos se esperaría que su número de caras se encontras€ entre eI 4O% y el 6O%.5000 - 0.8 : - 1.o3_o.5 y'1+oo)1onz)¡rsg : 2.02 (o) y oP=tE= : 1/ 0.5 o más. hubiese obtenido 0. se concluye que en (500X0.02 I 0.

iu. (o) (b) (c) Éy. [._u.' ¡ecado dc 5.69 Probabiliüd pedida : (área bajo la curva normal a la derech¿ de z = 2..._ri. -3)2 + (3-3)2 + (4-3'¡z b L7 3 Eeto concuerda con el reeulüado general para muestras independient"" ou.13.. (f) n'u r- u" = mrianza de la población (U 1- U 2) (1-3¡z + (5-3)2 + Oo. = media de La ]{S*?*8) = l..0158. y 0.. Sea Ut la variable de los elementos de la población 3.5000 - 0.46.) o (e) . (b) 250 hóras más que las bombilhjde B? .a demostración del resultado general se deduce del Teorema g-7 .0036 = 2.12. o. 7. = mediadelapoblaciónU.]ESTRALES DE DIFERENCIAS Y SUMAS 5.j ut-v2 (6-3)21(-. 8 y U2 lavariable de los elementos de lapoblaciín2. @). (b\ pu.. ou. rnientras que las de otro fabricante B tienen una duración media de 1200 horas con una desviación típica de 100 horas. = FLrt = 4Lrr. = població n lJn = f._u".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. ofi. = varianzadelzpoblación U.6l (b) pp TEORIA DEMUESTREO = p: 0.5025 en unidades tipificadas = ff*s : 0. = varianza de la población I/' (3-6)2 + (7-6)2 + (8-6)z _ 33 a2u.46@Ba)/1000= 0. ¿cuál es la probabilidad de que las bombillas deA tengan una du¡ación media que sea al menos (a) 160 horas. = (2-3)2 * (4-3)2 =l ó ou"= l.-(e) ou".' Éiinz. Si se toman muestras al aza¡ de 125 bombillas de-cada fabricante.cAP.Ur) Fur-u.q/n = y'd.= \Ej7r-.6g) = 0.ia de 1400 horas con una desviación típica de 2OO horas.. (t) vr.4. 6 r¿. Calcular (a) *u.) nu.4964 DISTRIBUCIONES MT.7 g . = t/f. Las bombillas eléctricas de ün fabricante á tienen una duración Lned.m=!T.. (d) V @ ).. sacado de (o) esto concuerda con el resultado general FLtr_uz= y (b). 14 (d. (f..

L72
Denótense por

TEoRTA DE

MUEsTREo
1200

[cAp.

5

*n y )(o las duraciones

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

É*¿-*¡ -

- ttxn
ofr

1400

-

=

200 horas

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

=

1/(1qo]'

v 125-

gry = 2o horas 125
xrr\
20

La variable tipifieada para la diferencia de media es

(X,+-

Xil

-

0'x

(x^-

o.(.,

-

200

*o ss:
(160

mucho a una distribución normal.

(o)

La diferencia de 160 horas en unidades tipificadas

Probabilidad pedida

: : : :

-

2OO)\2O:

-2.

(área bajo la curva normal a la derecha de z

0.5000 +

0.4772:

: -2)

O.9772

(b)

La diferencia de 250 horas en unidades tipificadas

es:

(250

-

2OOll2O: 2.50.

Probabilidad pedida

(área bajo la curva normal a la derecha de z

:

2.50)

0.5000

-

0.4938

:

0.0062

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

/¿x,-*o = trx, /r¡o o*,

0.50

-

0.50

-

0

-,t,

=

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

ffif

.ffif

=

o.ooo8eb

P(z>-2.23

ó 2=-2.23) = P(Z>2.23)+P(z=-2.2:t) =

2(0.5000-0.4871) :0.0258

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

hechas, la probabilidad de ca¡a es p

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

-

1-12.

Entoncer, ApA 4I,B =

!t',r. pn -

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

f

q|li-t t¡

Z = lP¡- PB-

0)/0.10.

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

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

:0.9

que

es

0.5000

-

0.3159

:

0.1841.

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

cAP. 5l

TEORIA DE MUESTREO

173

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


r,,

y D2, se tiene

, '

t,D,) r¡" :
oD,t

trnr*

po, =
-

27.3

*

15.6

=

42'9 pulgadas

= t/7,, + 4,
trD,

\Á¡:i6FJT¡8)t =
27.3

0.l8pu[adas

(b)

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

I tro,

- 15.6 =

11.7 pulgadas

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

(0.08),

=

0.18pulgadas

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

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

1500

+

1500

+ 1500 =
2G0

4500 horas

- {t.!ffi.,
(5000

-

\mbO)t =
= I.92.

horas

(o

)

5000 horas en unidades tipificadas

: Probabilidad pedida : :

4500)/260

(área bajo la curva normal a la derecha de

z: t'92)

(b)

4200 horas en unldades tipificadas

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

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

: -1'15

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

(o)

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

0
0.25 4.00 9.00

0.25

4.00

9.00

20.25 16.00 6.25 2.25

0
2.25 6.25

2.25 6.25 1.00 0 1.00 0
6.25
es

20.2t:
/,.s2

16.00

2.25

La media de la distribución niuestral de varianza

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

b..ro

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

2 y o2

:10.8

lvéase

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

3, = ;= (b) La íarianza

52, puesto que se seguiría que 4.q,

o2. (véanse

también las notas de la página 160)'

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

t74

TEORIA DE MUESTREO

[cAP.6

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

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

l0

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

=

o.7ó

t\ p.r = / N \ /" : \ñ=/\T)"

[ecuación (re), página 160], como

se

N:

5,

n:

2

y

o2

10.8 el segundo miembro pasa a ser rs,

: (f )({)(10.8) :

6.75.

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

5.20. Demostrar que

E'(S')

= |c
se

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

define en

Teneno¡

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

r)(Xr

- tl - (Xz- ti -

.. .

- (xn- p\)

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

ceror por tanto se

E[(Xr- *¡21 = #U"-

L)2

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

d2)

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

=

I

fr{("-L)znz

* o2 * ... I

o2l

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

=

= ;nt<Xr-

1-

X)2

+ . .' + (X"-

X\21

Método z.
Tenemos

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

¿-1 o-) "l = n-L " -o'
p\(*

^

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

p)2

- 2(x¡-

- r) + {i -

,,¡z

v

(r)
donde lá su¡na es desCe

)1x,-i¡, = )(x¡j: t

p)2

- z(X-p))1x¡-r)

+.)1x-u¡z

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

cAP.5l
(2)

'"O*'O

DE MUESTREO

t76
u¡z

)tx,-xlz
>

j

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

- 2n(X- ü2 + n(*p)2 - n(*-p)z
ti2 -l

puesto que

6¡-

¡r)

=

el Problema 5.7 hallamos

Sv - np -"(X t-

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

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

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

i
o'

-

(n_

7)o2

¿'(S'z)

n
n

L

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

vzrianza 02, entonces su función

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

* Xz* . .. *

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

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

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

_

xt +x"l-...
n

1x,
t/2
02

es

Éx(") = t( ;)

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

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

/n, y el resultado

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

l',,. donde

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

r' - l'-ú: rt = o2--,

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

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

(X;-

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

(a)

Tenemos

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

7.2, tenemos

176

TEORIA DE MUESTREO

lcAP.

5

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

1

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

0.2b

(b)

resultados son iguales.

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

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

I'-'+, olln

Y-"

- nS2 z =ff,

| = fl-1.

Entoncespuesüoquelas X¡eetÁndistribuidasnormalmenteconmedia¡r

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

-

Se

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

f =
tiene la distribución
ú

,/u,

)'

= -!-P

s/\/;=

x-P
Snla

con n - 1 grados de libertad.

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

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

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

-1.0 -0.33 0.11
Realmente hay

-;;

-1"'

-1.0 -0.20 0.25

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

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

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

Yl

,..,, Y¡

reopectivamente. Entonces las

si = * -J tx, - x¡', sj
donde X,

at'¡

=

; -) rr', - i'r,

Ii ¡on las medias muestrale¡.

-

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

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

tiene la distribución F con m

-

1, tr

-

cAP.5l

TEORIA DE MUESTREO

r77

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

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

3e

. Por tanto

F '

-

1.85---iJá

s?

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

DISTRIBUCION DE FRECUENCIA

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

Tabla 5-4

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

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

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

:

11 aproximadamente.
Peso
1

Tabla 5-5

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

(libras)

Cuenta

Frecuencia

18- 0r/

I tl
'ft|+ I
Tfl+
,.

102

r28I DD-

I

3848A'1-

I AD 1

I
1

1
1

586373-

(;8- nt/

27 :t2 37 42 47 52 67 62 67

ll il/t

2
4 o 8

'l|lJ

lll

ilil ll /il
TOTAL

A

2
D

1

1

77 lt

I 40

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

Tabl¡ 6-6
Peso (libras)

Cuenta

Frecuencia
3

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

El histograma y el polígono de frecuencias para

cada

uno de los dos casos considerados en el Problema 5.28

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

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

5
q

12
D

4
2

40

178

TEORIA DE MUESTREO

lcAP.5

:¡T¡83:ETg!E['
Peso (libras)

f3¡

r40

14? t58

187 t76

165

Peso (libras)
F

Iris.

5-?

ig. 5-8

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

Tabla 5-7

Nfimero de
Número de
caras
0
1

lanzamientos

(frecuencia)
38

t4.t
342
287

2

(o)

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

164 25 1000

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

5

TOTAL

ta

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

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

es la frecuencia

total 1000.

de frecuencia se están tratan-

o

É o)
E N É
o

o

350 300

ú o
d
É
N

^-^ óou
soo
250 200

zso zoo
150

ñ
(d tt

lcu
roo
50

9

roo
50 0

h
!a

z

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

1231
Número de caras Fig.5-10

(b)

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

4. dos 3.10 N-^ EOU G' o :! ..8 18.0 o o É o C t{0 6 N^^ Eou o O . 2x It 5 qA +3 | fi + 5 + 4 + 5 + 2 + 8 + 6+ 5+ 4 + 8l. Hallar el peso medio de todos los estudiantes.5. Nótese que las Figs. cinco 4. La Fig. 1. La Fig.2ol. formados por 76.3.aparece para todos estos valores (indicado por la línea horizontal).5 100.10 y 18 individuos registran una media de pesos de 162.2. 5-11 o en la Fig. 5-12. dos 2 y tres 8.4.3.32.31.4.23 caras. Hay seis 5. 5-12 muestra el polígono de frecuencias acumuladas u ojiva de los datos y los trata como si en esencia fuesen continuos.8. CALCULO DE LA MEDIA. 5-9 y 5-10 de la parte (a).1 Número de caras Fig.5.2.8.5-ll (c) La representación gráfica puede indicarse como en la Fig. el porcentaje de lanzamientos en los que haya menos de 2 caras es igual aI porcentaje en las que haya menos de 1.4 81 . de modo que eI mismo porcentaje l8. 5.6. dos 6. 153 y 140 libras.8 5.10 Hzo o lzo A 0123456 Número de caras 6 0123.3 + 4 + 5+ 4 + 8 1 2+ 5+ 4 20 =ñ:n'" Método 2.0 3.TEORIA DE MUESTREO Nfimero de lanzamientos Nfrmero de caras (frecuencia acumulada ) 0 Porcentaje de lanzamientos (frecuencias acumuladas porcentuales) 0.75.1 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?. Cuatro grupos de estudiantes.(6)(5) +(2)(3) +(2)(6) + r5)(4) I (2)(2) +(3)(8) 6+21-2+5+2+3 96 20 = 4.8. así por ejemplo.4. 5-11 es Ia más lógica para representar datos discretos.6. Entonces _ )/¡ n . 5-12 Fig.4. . Hallar la media aritmética de los números 5. 20. Método l. L48. respectivamente. VARIANZA Y MOMENTOS PARA MUESTRAS 5.56 ó 1.5.6.2 52. 5-11 y 5-12 corresponden a las Figs.

xj . El método se denomina el método claue y debe emplearse siempre que sea posible.r¡ con respec[o a alguna marca de clase determinada a. especialmente para los casos en los que los números son grandes y hay muchas clases.35. La media está dada por fi _ 2f¡r¡ = = nnnn.180 sfn TEORIA DE MUESTREO lcAP..34 para hallar la estatura media de los 100 estudiantes de la Universidad XYZ (véase Problema 5-33). La solución puede ordenarse como se indica en la Tabla 5-10.t yaque n=2f¡. Adviértase que todos los estudiantes con estaturas de 60--62 pulgadas. la es La solución se indica en la Tabla 5-9.34. )fu = l5 u = "*(?t. Derivar la fórmula clave (27). 5 = 150 libras 5. se consideran como teniendo estaturasde 61. XYZ.¡ (tambiénescrito brevementecomor =a I cui.45 pulgadas Los cálculos involucrados pueden conveitirse en tediosos. etc.ffiq = 6?. alcú" 2f¡u. etc.33.rj. por ejemplo. 5. -.64. si 5 tienen una estatura de 61 pulgadas. es decir r¡ -o:cltj óx¡: a *cu.o.. Utilizar la fórmula clave del Problema 5. T abla 5-lO 5. pígina 163.página 164. )/'(o*crr¡) = o>f. 18 tienen una estatura de 64 pulgadas.)" = 67+ (i%). Elproblema entonces se reduce a encontrar la estatura media de 100 estudiantes. Denótese la clave de marca j-ésima por .45 pulgadas . = a*c! )/'rr' . 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 >/ - + . pulgadas. Entonces la desviación de. etc. 63-65 pulgadas. Utilizar la distribución de frecuencias de estaturas en la Tabla 5-2. para la media aritmética. Técnicas breves se encuentran disponibles para disminuir el trabajo en tales casos.35. 67. es igual al tamaño de intervalo de clase c multiplicado por algún entero u¡... Véase Problema 5. para hallar tatura media de los 100 estudiantes de la Universidad.

Do 18 42 27 8 0. " 2f(r-r\2 _ n 6(5 .20 .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. Hallar la desviación típica de las estaturas de los 100 estudiantes de la Universidad XYZ Véase Problema 5.11 Estatura (pulgadas) Ma¡ca de clase 61 r r- r-r = 67. Como en el Problema 5. página 164.2460 8.33. (o) Método 1. s2 = 59. . 5.31. = +:q = 65'6 en unidades libras cuad¡adas o (libras)2 . 5l TEORIA DE MUESTREO 181 5.37.92 pulgadas 5.8)2 _ (b) De (o\.5050 I¡D.8):¿ + 3(8 - 4.9025 208.10 libras. Del Problema 5. Tabla 5. para lavarianza.8)2 = 2QA (2_20 4.45 lr - fr)¿ Frecuencia 5 / f(r ñ\2 60-62 63-65 66-68 69-71 -6.45 pr.33. Como en el Problema 5.96 y "-rfzs6=1. [.6025 11.rlgadas.32.2025 6.z - 2 f(r .5025 30.55 o.45 4t.4.4200 n=)/=100 2 2f(r-ñlz= 852.r\2 n 15(162.7500 f(r TL n\z 852.6 (libras)2 : \6bS libras : 8.0L25 214. HaIIar Ia desviación típica de los pesos de los estudiantes del Problema 5.36.8025 72-74 246.7500 100 = {dEfB = 2.cAP.20 20 2.8. Entonces n20 _ 59.38. donde hemos utilizado el hecho de que las 5.45 2.39. Derivar la fórmula clave (28).DO'O 64 67 70 73 -3. = a*cú' t¿ .34 tenemos ri = a + cui y ft = a*c'" 2f. aír 20 Méüodo 2. x: 67.u. Hallar (c) la varianza y (b\ la desviación típica para los números en el Problema 5.36.45 -0. : y'Gb.a solución puede ordenarse como se indica en la Tabla 5'11.31 tenemos ú = 4.

Tabla 5-12 r 61 u t D fu -10 -18 0 fuz 20 18 0 64 +67 70 73 -2 -1 0 1 18 42 27 8 27 8 27 32 2 z=)/=100 5."? -'#2 2ú2c2 r¡u. 2lu=75 )fqz = 97 lalEr lo-s primeros del Problema 5.40 obtenemos la Tabla 5-13. cr¡atro momentos con respecto a la media para la distribución de estatu¡as Continuando el método del Problema 5.jú.41. : }> f .- o¡.az¡ n \n /l = ta)'f-re? / rs Vl = Ltoo-\t*/J ^ ó'b-275 y s: 2.u? -t t - C2[ /2f.\t 't t l = = ". Esto nos permite halla¡ 6. La solución puede ordenarse como se indica en ta Tabla 6:12. + tlz) 2xt = *2 : t.35.'r".f ¡@.33.1"u. Utilizat la fórmula clave del Problema 5. De la frltima columna tenemos ¡ como en el Problema a2 = "rfL>l!'.<"? ./¡¿)'l = ¿21¿ ._ "o¡. + c2úz *> r.39 para hallar la dewiación típica de las estaturas en el Problema 5.> f .'1 \fu/J _ ú2]l 5.L82 Entonces s2 TEoBTADEMUEsTREo [cAp.-a¡z i) = "i 2 ¡ .92 pulgadas. = ¿2.o.u? = ¿2 ¿2 * . b = f. Tabla 5-13 fi u f o 18 42 27 8 Íu -10 -18 0 fu2 fux fua 80 18 0 6t 64 67 70 73 -2 -1 0 1 '20 18 0 -40 -18 0 27 16 27 32 27 64 27 2 L28 2 fu+ z= )/: 100 2fu=16 2fu2:97 I/aa:33 -- 253 .u.{r. 2 't t f.33.f!n'LN c2[u2 (.40.

que tomamos como 67 pulgadas (la marca de elase)..67 pulgadas respectivamente.3759 qa-szrgy _ 6 al = z't+ De (o) vemos que la distribución está modetadamente sesgada a la izquierda.(0.15X0. 67. (a) Demostra¡ cómo escoger 30 muestras aleatorias de 4 estudiantes cada una (con remplazariiento) de la tabla de estaturas en la página 163 utilizando números aleatorios.BB Mí= >fu2 n y de (32).97 M. (b) Hallar la media y la desviación típica de la distribución muestral de medias en (o).3?59 5. OL.nL¡ = ca(M't.41. etc.4MiML+ 6M'r2ML- BMin) 81[2. utilizando La TEORIA DE MUESTB.6l Entoncee. 27.9?) + z(0. Hallar los coeficientes de (o) sesgo y (b) curtosis para la dishibución de estaturas del Problema 5.6982 . Asf los 5 estudiantes con esüaturas 60-{2 Tabl¡ 6-14 pulgadas s€ numeran 00-{4.53 M'r') = 9[0.88 "z1ML- 8. 02. ffi2=s2=8. Entonces extraeremo8 nl¡meros muestrales de la tabl¡ de nf¡meros aleaüorios (Apéndice I). Así 51 conesponde a un estudiante con estatura 66-68 pulgadas. (c) Comparar los resultados de (b) con los valores teóricos.cAP.EO notación de la página 165..97) -3(0. (o) Emplear dos dígitoe para numerar a cada uno de los 100 estudianües: 00. 46. 99 (véase Tabla 5-14).53-4(0. De (D) yemos que e8 menoc apuntada que la dishibución normal (que tiene un coeficiente de curtosir: 3).5275 rttt Coeficiente de cu¡tosis as=E = : 199. etc. En forma semejante 77. lttt = ffi2= ffi3= 0 0.41.15)41 : 199.5275 Entonces mB = -2.15 ML=Zy = o..1b)B] = -2.6932 a3 Coeficiente de eesgo = a. .42. los 18 eetudiantes con estaturas 63-65 pulgadas se numeran 05-22.. . 7'1. Cada Nf¡mero Estatura n(rmero de estudiantes se denomina número'muestral.33) + 6(0. Del primer renglón hallamos la secuencia 5I. PROBLEMAS DIVERSOS 5.3759 ffiz:s2=8. -0.1s)2] = ca(ML-gLI|Mi+ zM'Lz) = 2?[0.^=>+=2.33.43.6275 B(0. que tomamos como n(¡meros muestrales aleatorios. (o) DeI Problema 5. tenemoe 183 M] = >fu n = 0. cada uno de los cuales determina la estatu¡a de un eetudiante determinado. 46 resultan en'estatu¡as de 70.5275)3 (b) Del Problema 5.15)2(0. explicando cualquier discrepancia. fflg = p: { (8.9? .15)(0. (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 27.14 m+ Entonces = 199. 40.

Esta ee una distribución mucet¡al de mediu.50 66'.97.41 pulgadar .00 (0'75)(23\ = * 'ñ- 67'58 Pulgadaa 2fuz />1"\' n -\ i " (0.91. 67.00 extnfdo¡ Estatr¡¡as corespondientec 64.2L 10. 6L. 70. 64. 87 fl.f = n 30 4 ).ón dc l¡ trbl¡ de nl¡rncro¡ dcatoiio¡ h¡brfrmo¡ podido inici¡¡ en eualquier parte y escoger cualquicr patrón dctetmindo. 67 .67 64. 31.08 12.00 64. tt. 70 64.46. 07. 3 14 16 4 I l.67.00 -4 -3 -2 -1 0 1 -4 0 -4 -6 0 0 4 / 28 45 16 23 d D .64. 19.50 68.64. 16. 73.70 7. 6? 15. 67. 11.64. 75.08.23.79 70.69. 67 67. 43 1f.2L.28. 67 67. 67 29.64 73.70 medi¡ 67. 73 67.75 65. 93. 51. 70 73. 67.75 66.6L. 73 67. 67.70. 67 23. 13. 64.50 66.99 23. 56. 70. 67.64. 40. 70 6L. 70. l. 67. T¡bh 6-ró Nf¡meros muesFale¡ Est¡twr¡ o- E¡la+ Nfrmeros muestralea extrafdo¡ rrcqrondieatcc 67. 70.54 2:2.87 26.50 79.25 70. 67. 67. 12 3. = 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 64.25 69.83.00 66. 67. 56. 18 70.60 67. 67.28. 55.77.5 Por eete proceso obtencmo¡ l¡ T¡blr Fló quc rnue¡tra lo¡ n(¡mcro¡ mue¡trale¡ extrafdor. 67. 90.73. 64.27. 67.50 69. 68.93 27.6r. 39 13.33.50 1.73 73.75 69. 21.70 Trbl¡ 6-16 Media muestral 64.64.00 66. 67 Ír¡f¡f media 66. 30.70. 61.25 67. 73.64. 10.93 5.50 67.00 70.25 69. 67. 67. 64 67.09. 70.02.58.52 13.184 TEORIA DE MUESTREO lcAP.42.91. 06.96.74.31. 67. 67. 64.98. 07.30 58.25 69.57.70.73 67.25 68.'7L. 67 64. ?1.41. 58. 34. 15.fu. L2. 70.82.8s 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.54.91. 67. L¡ medi¡ y la derviación tfpica ee obtienen como es usual por los métodos claves delcrito¡ anterbrmeuüe. 45.70 70.25 66. 67 70. 70 67. 58 70.93.03.25 67. 67 70.24 64.25 67. 63. 70. 45. 96.50 68.93 14.22.75 67. 67. 98. 64. Medi¡ = a*cú Derviación = o*c2fu típicr = = e - 6?. 73.97 24. 21. 05.76) = 1. 70. g8 25. 67 64.74.70. 67.84 64.00 67. 67.25 65. 03. 70 64. 86 6.44.0L. 42.50 68. 67. 60. 70.04. 46 2. 59. 73.00 68.75 69. 67.64. 1t.50 68. 67.25 Cl¡enta Í 1 u fu fu2 16 0 8 6 0 2 ñ( /t/t )#{ 6 4 A a+67.24. 67 70. 70.96.75 68. 53. 64 67. 33 m. 19. 64. 64. 56. 81.58 9.62 4.67 67.36 08. 64 70. 76. 51.32 8. 67. 10. 20.79. 73. 67 70.50 65.25 68. 65. 73.00 67.

8 . De la Tabla 5-1. de (b) 8.44.5 . El área bajo la curva normal a la derecha de z 2.4918) : 0.' ¡p¡ a*)"lJ'"-r.0 lb ( lr) \/2" + = 0.4 es (0.g2/fi = 1.10.) au .46 pulgadas. Hallar (c) la media y (b) la dewiación típica de la distribución muestral de las dewiaciones típicas.46.a a.4. .f 'LJ" f t@ta*l'/t. donde la dewiación típica poblacional o = 2.1 aJ. 5.50 : 2.con el valor de 67. Las discrepancias se deben a que solamente 30 muestras fueron seleccionadae y el tamaño de la muestra fue pequeño. Una muestra de Por 6 observaciones se hace aleatoriamente de una población.50Ib v400 5. dada por a¡.) ps: o = ts=-' o 10.r . Puesto que o/t6':2.cAP.41 pulgadas de la parte (b).0. Podemos considera¡ que el muestreo es o de una población infinita o con remplazamiento de una población finita. (a) : 11.58 pulgadas de la parte (b).50 : -2.a la media poblacional ¡r que 67. por tanto el porcentaje pedido ec 0. es igual a o/y'[. ¿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.?d L -r.t.92 pulgadas (véase hoblema 6.0y0. pfuina 162. (b) menores que 8.45 pulgadas (vóase hoblema 5.8libras? La distribución mueetral de desviaciones típicas es aproximadamente normal con media 10.t J.. Í:-lÍ.0 libras.0 libras y desviación típica 0.4772) = 0. dada por o*.40) y el tamaño de la muestra n : 4.3'/'. de acuerdo. estamos de acuerdo con el valor de 1. 5.5 .8%. Entonces la probabilidad de que las primeras 4 sean rnayores que ü y las 2 últimas 6ean menores que u es decir - nc.l' ra.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.45..5l (c TEORIA DE MUESTREO 185 ) es t a media teórica de la distribución muestral de medias.0 es (0.0228. es ig¡ual. tenemos: ( ¿[.r.". El área bajo la curva normal a la izquierda z : -2.10.33).0.0.50 libras..0)/0. por tanto el porcentaje pedido es 2. Se escogen muestras de 200 estudiantes de esta población y se calculan las dewiaciones típicas de las estaturas de cada muestra. La desviación típica teórica (error típico) de la distribución muestral de medias. ) ea el producto de (1 ) y (2). La desviación típica de los pesos de una población muy grande de estudiantes es de 10. 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) .0082.0 . ¡1r)drl'z I J € e É la probabilidad total de que las 2 últimac'ob¡ervacione¡ Puesto que u puede tomar valores entre menores que las primeras 4 es la integral de (3 ) desde o hasta €. ¿Qué porcentaje de las muestras del Problema 6. /(r) tr.0 libra¡ en unidades típicas: (11.8 libras en unidades típicas : (8. esto es Q\ (r) f" sean .0 libras.44 tendrían dewiaciones típicas (o) mayores que 11.

la distribución conjunta de X1 y P(Xr= a¡. donde la (rltim¿ suma contiene un total de N(N sibles de l.).-p) .. N (o) (b) Qov E(xi\ (X¡. 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"). Es intere¡ant¿ notar que l.a¡) = p)l ¡J. I X¡= a¡) au I = *4. .X): -"21(N -L).: I ) a¡P(X¡ ."0 = X. prob. u r-o = !"'nO* (4 ) se Cuando u : - u : 1 y cuando u =- = 0. l/N l/N (i = 1.* = tN P EIX:. cuando está dada por i*h. Este es un ejemplo del eat¿dístico no parométrico puesto que no ae necesita oonocer ningún ¡rarámetro poblacional.o . Entoncee. X¡= ar) = P(X¡: a^) P(X¡ = a. y z deaiguale. Por tanto convierte en F(B) cus t1 (' Jo f(4) ¿z(t-¿)titp = 4=6-a = G I que es la probabilidad pedida. no son mutua¡nente independientes.n) X¡ Sin embargo.)I(oz-p)+'. donde las c no son neceesriamente di¡tintas.pXxr NN = +("+)^á. ez. x2 una población finita de tamaño N. oN}.. 5. que correqronden a todas las parejas poN N ) = I=1 ("^-t'\2 +. l+v:l _ ("^-pl(o. : !l_ .r" o' Entonces (6) d.. Suponer que la población con¡i¡üe del conjunto de números {dt. Sea xn} una muestra aleatoria de tamaño n extraída sin remplazamiento de {xr.Xyl ).*(or-p)12 . Demostrar que si la media y varianza poblacional son ¡J y o2 entonces (a) E(Xi) = ¡r. Eato quiere decir que las XJ eetán dishibuidas idénticamente. (b) Cov (X¡.s.5 1.2.47.a probabilüad no depende de la dist¡ibución de probabilidad f(r). . En verdad.. xj= prob.: lt# \=y a¡) v dondelyzvaríande1aN. .f(u)itu @..186 Para evalua¡ esta erpreeión hacemos (5) TEORIA DE MUESTREO lcAP. por álgebra elemental. (or-r)(o'-r) - 1) términos.. t(or-¡.

adecu¡das.Ét ".á var(X¡) * .f x"\ D p (.p) = -Noz r \ -2 'r' X¡) = . y el Problema 6-4?. Resolver el Problema 5.(-r¿_ i)] = Lfr-"-rf = 4(N-"\ nl.49 si el muestreo fuese sin remplazamiento. ¿en cuántae de lag mue¡tras aleatoria¡ cabe ecperar que sus medias (a) ertén enl'l.LL. (b ) la dewiación típica poblacional.Ét suplernenta." +a¡v = a N 02. Loa peeos de 1600 cojinetes de bolas se distribuyen normalmente con medla 22. Una población est6 formada por los cuatro nfrmeros 3.48.( rr-:--r l(-. g (o¡ - p)(o. 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.) = #[..048 onza¡.51. ya que por definición a1 187 -la2+'.á.N\N-rl' 't/ 5.7. ó.' " ) = . = p (b) Uüilizando loe Teoremar 3-5 y 3-16 (generalizadoe).62. En el Problema 5.iE(x)+"'+E(x")l 1 =1 n (p -r "'+p) donde hemoe empleado el Problema 6. (b ) sin 6. (d) ¡ean menor de 22. 15. cov(x¡..39 onzas. (c) la media de la digtribución mueshal de medias.51. (b) sean rnayor de 22.rlo s 6.e 22. remplirzamiento.4L onzas? y 22.N-1 ^' .(n_'.49.4L . (c) sean menor de 22. Si se erüraen 300 mueetras de tamaño 36 de e¡üa población. Hallar (o ) la media poblacional.N-1J '¿\N-1/ Problern DISTRIBUCION MUESTRAL DE MEDIAS a.cAP. el lado izquierdo e8 cero.53.6l TEORIA DE MUESTREO En esta ecuación. obtenemos var(x) = Sv^. (d) la dewiación típica de la distribución muestral de media¡. .47 están dadas respectivamente por t*= (o) E6) = "1 =*"(x=) /X' +.37 onzaa. Encontrar (c) v (d) directamente de (c) y (b) mediante las fórmula¡ 5.50.42 onzae.a7 @).¡ = .(.x¡)] = #ú* *. Por tanto I+v:l Cov (X¡. 5. Resolver el Problema 6.40 onzas y dearriación tfpica 0..51 si la población 5e compone de 22 cojineter.38 o mayor de 22. NÉ y la primera suma en el lado derecho er igual por definición.1'". Demostrar que (c) la media y (b) la varianza de la media muestral del Problema6. Considerar toda¡ lae posibleamuestrasde tamaño dos que pueden extraers€ de esta población con remplazamiento.

Los pesgs de los paquetes recibidos én un departamento de almacenamiento tienen una media de 300 libras y una desviación típica de 5O libras.12.el 4Oi'o sean niños. 5.57. se pueden usar hojas de papel. (b) menor de 785. (c) mayor de 820 horas.56. llallar Ia probabilidad de que de los próximos 200 niños nacidoe (o ) menos d. 5. 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. ¿en cuántas cabe esperar (a) igual número de bolas rojas y blancas. (c) 8 bolas rojas y 12 blancas.65. haya una diferencia superior al1^o"k en las proporciones que votaron por dicho candidato.54 si la muestra extraída ee de 64 tubos. (d) enhe ??0 y 830 horas.63. Explica¡ la diferencia. Hallar la probabilidad de que una muestra aleatoria de 16 tubos.54. y explic.6 6.57 si se consideran 100 en lugar de 200 niños resultados.66. ¿Cuáles son las probabilidades del Problema 5. difieran en su puntuación media en (o) 3 o más puntos. Los resultados de una elección mostraron que un cierto candidato recibió el 65% de los votos.6t. 6. (b) 6 o más puntos. Si U¡ y U2 son los co¡r¡\ntos de nhmeros del Problema 5. (ó) al menos 450 libras más que A? 5.59.64. ¿Cuál es la probabilidad de que las dos coleccionee difieran en 8 o más bolag Resolver el Problema 5. Si se comprueban 100 cablesdeA y 50 cablesde B' ¿cuál es la probabilidad de que Ia media de resistencia a b rotura sea de (a) al menos 600 libras más que A. Supónganse iguales las probabilidades de nacimientoe de niño y niña.188 TEORIA DE MUESTREO lcAP. 5. sacadas de la urna con rempliazamiento.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.60. A y B fabticzn dos tipos de cables.60. ¿Qué enores pueden introducirse al utilizar dos conjuntos diferentes de monedas? lotes de 100 bombillas cada uno. respectivamente. (c ) el 63"h o más sean niñas? Resolver el Problema 5. Lo mismo del Problema 5. Si normalmente el 6Vo de las bombillas es defectuoso. En lugar de bolas rojas y blancas. (d) 10 o más bolas blancas? Dseña¡ un experimento que ponga de manifiesto los resultadoe del Problema 5. respectivamente.61.R o I en las proporciones adecuadas. 5.66 si las exüracciones son sin remplazamiento al obtener cada colección.6?. comprobar que . 6. formados de 28 y 36 eetudiantes. (c) entre 2 y 5 Una urna tiene 60 bolas rojas y 40 blancas. ¿en cuántos lotes cabe esperar (o) menos de g0 bombillas buenas. que tienén unas registencias . (b) 98 o más bombillas buenas? 5. 5.69. ¿en cuántas cabe esperar que (o) menos del 4OVo sean niños.5t. Ciertos tubos fabricados por una compañía tienen una duración media de 800 horas y una dewiaeión típica de 60 horas. que es de 8200 libras? DISTRTBUCION MUESTRAL DE PROPORCIONES 5. 5. En una prueba de aptitud puntos? la puntuación media de lo¡ estudiantes es de ?2 puntos y la dewiación típica de 8 puntos. Un fabricante despacha 1000 DISTRIBUCIONES MUESTRALES DE DIFERENCIAS Y ST'MAS 5. De un total de 1000 muestras de 200 niños cada una. tomada de entre ellos tenga una duración media de (a) entre 790 y 810 horas. (c) más del 640/o sean niños.55.62. (ó ) entre el 43% y el 57% sean niñas. (b ) entre el 4O% y el 60% sean niñas. sob¡e las que se escrriba la inicial .nedias a larotura de 4000 y 4500 libras con desviaciones típicas de 300 y 200 libras. (b) l2 bolas rojas y 8 blancas. rojas? 5.63 si se comprueban 100 cables de cada fabricante? Explicar las diferencias. 5. Hallar la probabilidad de que en dos muestras aleatorias compuesta cada una de 200 votantec. Se extraen dos cotecciones de 30 bolas cada una con remplazamiento y s€ anotan sus colores.' ¿Cuál es la probabilidad de que dos grupos de estudiantes.

5I TEORIA DE IIIUESTREO ttur2 189 (a) 4. (e) Tamaño del intervalo de clase. una distribución ú de Student con r. Determinar la probabilidad de que la varianza de la primera muestra sea mayor que (o) dos veces. Si se extraen muestrae de tamaño 5 de esta población.376) .77. ¿qué porcentaje puede tener varianzas (a) menores que 10. página 161.3?6 < ? 1. DISTRIBUCION DE FRECUENCIA 5.0 voltios y la dewiación tfpica 0.499 500 . Verificar si los resultados del Problema 5. (g) Flecuencia relatir¡a de la sexta clase. (c) Marca de clase de la séptima clase.80 si las desviaciones típicas de las duraciones son (o) ambas 40 horas. 6. (b) el error tfpico de varianzas.71.5 veces la otra mayor que 0.?6.73. La Tabla 5-17 rmuestra una distribución de frecuencias de la duración de 400 tubos de radio comprobados en la L & M Tube Company.01? Dos compañías.75. respectivamente. para diseñar una tabla de distribución f de Student como la dada en el Apéndice D.97 y 62. Con referencia a esta tabla determinar: (¿) f 'ímite superior de la quinta clase. = 5. Se pesan tres cantidades dando 20.i se confirman por este valor y explicar cualquier diferencia. referencia al Problema 6.82. (b) Límite inferior de la octava clase.E0.05 y 0.899 900 .699 700 . Una población normal tiene una vari¿nza de 15.79. (b) ambas b0 horas. (b) mayores que 20. Número de tubos L4 46 58 76 68 62 48 22 6 Solueionar el Problema 5.72 ei el muestreo es sin remplazamiento.60.8f . donde ? tiene.46 y 0. I 6. El voltaje medio de una baterfa e¡ de 15.01.50. (h) Porcentaje de tubos cuya duración no sobrepasa . Si se seleccionan 10 . Explicar cómo podría utilizar el Teorema 5-7.50. la de la segunda. Hallar (o ) la media y (b ) la desviación típica de la suma de las cantidades.05. hallar (o) Ia media de la distribución muestral de varianzas.2 veces.799 800 . ¿Es la probabilidad de que una ttarianza sea mayor que 1. DISTRIBUCION MUESTRAL DE RELACIONES DE VARIANZAS 5.54 libras.54 libras con dewiacionee típicar de 0. ¿Cuál er la probabilidad de que cuatro de estas baterfas conectadae en serie tengan un voltaje conjunto de 60. Reeolver el Problema 6. o menor que 0. ?s 6. ó. entie 0. Tabla 5-17 Duración (horas) 5.399 400 . y Se halla que CASO DONDE SE DESCONOCE LA VARIANZA POBLACTONAL 5. Verificar si los resultados del Problema 5. (b) ou1+ur = \Grtr.70.tubos aleatoriamente hallar la probabilidad de que la dewiación tfpica muestral (o) no exceda a 50 horas. (ó) P(1.48. 6. La duración parz A tiene una desviación de 40 horas la duración de B tiene una desviación típica de 50 horas.8 o másvoltios? DISTRIBUCION MUESTRAL DE VARIANZAS 6.49 se confi¡man utilizando (a) P(-1 < f < 1) = 0. A y B fabrican bombillas. (c) entre 5 y 10? la duración de tubos de televisión fabricados por una compañía tienen una media de 2000 horas una dewiación de 60 horas. (b) 7. Dos muestras de tamaños 4 y 8 se extraen de una población distribuida normalmente.599 600 . = 1.72.49.74. Con 6. TOTAL 400 .tr*Lrr: ru.999 300 1000-1099 1100-1199 las 600 horas. Una en tanto que muestra de 8 bombillas se toma de A y 16 de 8. 6 Frecuencia de Ia cua¡ta clase.21. (b) se encuentre enüre 50 y 70 horas.2 voltios. 5. (d) Límites reales de la última clase.0. De acuerdo con la tabla de distribución ú de Student para 1 grado de libertad (Apéndice D) tenemos P(-1 < 1) : 0.35.cAP.78.0.

88 consüruir (o) un histograma.732 0.321. Tles profesore¡ de economfa regieünron una ealificación media en sus eiámenes de 79.0.741 0. siete 7.?30 0.739 0. 5.729 0.52.?39 0. (b) 9?0 o mág Los diámetros interiores de las arandelas producidas por una compañÍa pueden medirse con aproximación de milésimas de pulgada. (b) los límites reales de clase.0. 82 y 96. Con log resultados del Problema 5.737 0.732 0.324. (c) una ojiva.93. (c) di¡tribución de frecuencias relativas. (b) una distribución acumulada relativa o porcentual. Los tiempos de reacción de un individuo a determinadoe estímulos fueron 0.82.733 0. 93.731 0. 0.742 0. Las calificacione¡ de un estudiante en cinco aeignaturaa fueron 85. respectivamente.738 0.333 y 0.327. (i) una ojiva porcentual.87.83.729 0.89 para los dato¡ del hoblema 5.732 0. lcAP. Comparar estos resultados con los obtenidos directamente de la colección de datos de la Tabla á-18.733 0.92. 4 y 6.739 0.728 0. Resolve¡ el Problema 5. (c) entre 620 y 890 horas.72t 0.735 0.46.5 5. (c) entre 0.741 0.735 0.88. sue clasee .94.50.738 0. 5.44 los. (c) Si las ponderaciones asignadas a cada asignatura rcn 2. (g) una distribución acumuhdá porcentual.737 0. Para los datos del Problema 5.736 0. 0. ó.89 determinar el porcentaje de cojinetes de bolas que tienen diámetros (o) superiores a 0.t4.82 construir (o ) una distribución de frecuencias reliativas o porcentual. ó.89. (c) los límite¡ de clase.?30 0. DESVIACION TIPICA Y MOMENTOS PARA MUESTRAS 6.82 con duraciones de (o) menos de 560 horas. ocho 8. CALCULO DE LA MEDIA.740 0. y 0. ?6.736 0. Porcenüaje de tubos cuya duración es al menos de 500 horae pero menor de 1000 horas. (h) una ojiva.82. respectivamente. nueve 9 y diez 10.735 0. Con los datos del Problema 5. Una 6.386. (d) una ojiva porcentual.726 0.725 0.?36 0.55 segundos.735 0.724 0. ee¡ie de nfimeros está formada a¡itmética ? por seis 6. 0. Construir (a) un histograma y (á) un polígono de frecuenciae ciaa del hoblema 5.731 0.90.734 0.727 0. Hallar la media a¡itmética de dichas calificaciones.746 0. ¿Cuál es ¡u media Las calificaciones de un estudiante en las tres asignaturas del curso fueron 77.743 0.91.63. O. 0.74 y 82.732 0.736 0.0. Si las marcas de clase de gna distribución de fiecuenciaa de estoe diámetros vienen dadas en pulgadas por los números 0.730 0. La Tabla dos.78 y 89. (b un ) histograma de frecuencias relativas.330. (f) una distribución de frecuencias acumuladas.(a) el tamaño de intervalo de clase.E5' Para los datos del Problema 5.82 construir (o) una distribución de frecuenci¿s acr¡muladas. (b) no superioree a 0.733 0. Deüerminar el tiempo medio de reacción del individuo a los estÍmu- 6.?30 y 0. ¿cuál es el promedio adecuado para sus calificaciones? (b ) ¿Cuál sería si todas las ponderaciones son iguales? 6.740 0.128 0.742 0.732 pulgadas. 0. Construir una distribución de frecuencias de los diámetros utilizando intervalos de clase 5.63. 0. 5.?38 pulgadar. (c ) un polígono de frecuencia¡ relativas.?36 pulgadas. (d) un histograma de frecuenoias relativas.736 0. (b) un polígono de frecuencias.49.735 0. "de"*- Tabla 5-18 0. 6.746 0.96.740 una 5. horas.734 0.737 0.735 0.734 0.95. hallar. Estimar el porcentaje de tubos del Problema 5. correspondientes a la distribución de frecuen- 5. 5-18 niuestra los diámetros en pulgadae de una muestra de 60 cojinetes de bolas fabricados por una compañía.86.735 0.734 0.744 0.190 (i) (j) TEoRTA DE MUEsTREo Porcentaje de tubos cuya duración es mayor o igual a 900 horas.736 0. (e) un polígono de frecuencias relativas.738 0.735 0.732 0.

100.7.3-10.7 L2. 5..6 se obtiene la s€rie 8.7250-0.4.2. .99.6.?.7255 0. 15.7252 0.101. reqrectivamente.7247-0. Calcular la media de los datos de la Tabla 6'22.7279 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. Demostrar que ¡as dos series tienen lae mismas desviaciones tfpicas. 6.2. 1' 1' 5. Calcular el diámetro medio.7271-0.4. tlalla¡ la dewiación üípica para las distribuciones del (o) hoblema 6.106.7. 19.2 TOTAL Í 98 75 56 42 30 21 15 11 6 compañía.7.7259-0.0. Hallar la dewiación típica de la serie de nl¡meros de la progreeión a¡iümética 4.99.262-0. Log salarios medios anuales pagados a hombies y mujeres de la compañía fueron $á200 y $4200. Determinar la media de la carga máxima empleando (a) el "método latgo".cAP. 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.7274-0. Tabla 5-21 60 ó.2.7 10.8.4. (b) el método clave. L7.22.7268-0.7256-0. . Tabla 6-19 Carga móxima Nl¡mero de cableg (toneladas cortas) 9.3-11.102.7267 0. 12.7282 TOTAL de de Sfmenos de 36-menos de 40-menos de 16 L2 30 36 40 45 I o 2 TOTAL 54 250 6.2 624 2 462 480 498 516 534 552 570 588 606 12. ' 164.6.8-L3.7 .104.98' (b) 6.0. (o) Sumando 5 a cada uno de los nl¡meros de la serie 3.103. ¿Cómo están relacionadas las medias? (b) Multiplicandocadaunodelosnúmeros3. (c) 0.6.8-r2.8-11.3- 9. 10.0. respectivamente. ó. L.g?.8-10.1273 0.2 10.5.7.9. pero diferentes medias.7265-0.0.726L 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 6.5. 2. 25 las clases.?276 0.7249 0. Hallar la desviación típica de los número¡: (a) 3.2. 1.1.7280-0.7253-0.7 t2 17 l4 6 3 1 Tabla 6-2O fr 11. 10' L6.7258 0. (b) el méto' do clave. .6. Halla¡ i 9. TEORIA DEMUESTREO 191 y 11 estudiantes.5l estaban formadas por 32. i) 5.3-L2.7270 0. 1. 11 . Determinar lacalific¿ciónmediaparatoda8 5.2 11. para los daüos de la Tabla 6'20 empleando (o) el "méüodo largo".6.98.7264 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 0.7277-0. Determinar el porcentaje de hombres y mujeres empleados en la compañía. (b) 3. El salario medio anual pagado a todos los empleados de una compañía fue de $6000.2. 7.6por2ydespuéssumando6seobtienelaseriell.

(b) respecto al punto 5..li.1!2. .1 . determinar los correspondientes momentos (o) respecto a Ia media.108.98. (c) lrq .. (b) m. Tabla 5-23 f t2 t4 16 18 5. Los momentos de cuarto orden respecto a la media de las dos distribuciones del Problema6.108 para los datos del problema 5. 20 22 2 AI. Con los resultados de los hoblemas 5. 5.L22. S. "on 5. 5.114. (t t 2s). 11. Hallarloscuatroprimerosmomentosconrespectoalamediadelosnúmeros0. - l}rnlstn" * 4n..111. (b) segundo.l F. Los momentos de segundo orden con respecto a la media de dos distribuciones son g y 16. Véase Problema 5.g.0. (c) tercero y (d) cuarto orden respecto al punto ? para los números del Problema 5.126. (b) segundo.8 respectivamente.126 son 230y 780 respectivamente. (b) asimetría? . Calcular los primeros cuatro momentos con respecto a la media para la distribución de la Tabla 5-23.102(c). (a) De un total de n números. 1. (c) respecto al origen.127. 5'121. k) ¡¡. (b típica. 5. 3. la fracción p son unos mientras que la fracción q : 1 p son ceros.t s). (c) tercero y (d) cuarto orden de los números 4.111 y 5.-2bybO.r5. 8.11g.L92 TEORIA DE MUESTREO lcAP. Comparar con el problema b.f 07.111. comprobar las relaciones entre momentos (a) mi2.5. l.116.lOO. t¡l F. teóiicos esperados. Hallar (o) m t .117.-Btnini l2m'rs. tlallar los momentos de (o) primero. @') mt y (d) ma para los números. Hallar los momentos de (a) primero. 5'112.r5 1.120. tt. 30 5. Demostrar que la desviación típica de La serie de números es fi.111.gg. (t l3s)? (c) Comparar los porcettajes'de (b) lo. (b) ¿eué porcentaje de diámetros se encuentra entre (r1 .¡nz = ml- 5'115. (a) Demostrar que . (c) tercero y (d) cuarto orden con respecto los números del Problema 5. I 4 o 10 7 5. (b) mz. 5. Hallar el coeficiente de (o) sesgo. - ?n: - 1m'rm! * l}m'r2nt!. (b) rr.2g.123. Calcular los cuatro primeros momentos con respecto a la media para la distribución del Prol¡lema 5. Si loscuatroprimerosmomentosdeunaseriedenúmerosrespectoalpunto3sonigualesa-2.. (o) Hallar la desviación típica s de los diámetros de los remaches del Problema b. De un total de n números.f f O. l. Si el momento de primer orden con respecto al punto 2 es igual a 5.30explicandoelsignificado 5.1 y -12. ¿Qué distribución está más sesgada a la izquierda? 6. 5. Hallarelcoeficientede(c)sesgo. 5.113. y comentar las diferencias observadas.2_ Bm.119. Hallar los cuatro primeros momentos con respecto a la media de los números de la progresión aritmética 2. Hallar (a) ntr.+.722. y (i) (i+ rFpara 5.109. ¿Qué distribución se aproxima más a la distribución normal desde el punto de vista de (a) apuntamiento. la distribución del Problema 5.124. 5 5. 6.0. Lo mismo del Problema 5.. (c) nt3. 5.1o6. Hallar (a) la media y (b) la desviación típicaparaladistribucióndelProblema de los resultados obtenidos.1.nl_ thnirni+6ml2rn. 17. (b) segundo. 14. ) Construir una distribución de frecuencias para los datos y hallar la desviación (c) Comparar el resultado de (b) con el de (a). 5.10. (a) Hallar la media y desviación típica para los datos del problema 5. a la media de 5.98. la fracciónp son unos mient:'as que la fracción q : 1 -p son ceros. 5. 5. mientras que los momentos de tercer orden con respecto a la media son -8. (D ) Derivar una fórmula análoga par^rns. ¿cuál es la media? 5. si la distribución fuese normal.121. Hallar los momentos de (o) primero.mt.125.101.llE. (l).(b)curtosisparaladistribucióndelProblema5. @¡. (b) curtosis para la distribución del Problema 5. Aplicar el resultado de (o) al Problema b. = nt. (f) s.g.

a * d.22.1 5.. (n-1)d (eadecirun¿ 6.+(n-l\z=fn(n-Il(2n-1)..6l PBOBLEMAS DIVEBSOS TEORIA DE MUESTREO 193 5..132.104.128. 5.1)a = $n(n-l)(2n-ll8n2-Bn1 ). mt = 0. mz = i..133. son independientes.131. ¿Cuál es la probabilidad de que lae primeras tres obgervaciones sean mayores que las'últimas cinco? ó.'*(n-1)=in(n-1).134. fSugerencia: 14+24 +34+' .115.@z-L)dz. 5.. (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. La compañfa envfa 1000 lotes de 100 tubo¡ cada uno. tno = ñ(n2-l\3n2-7'td4 CompararconelProblema 5. (b) la dewirrción tfpica de la duración exceda 96 hora¡? ¿Qué ruporicioner deben hacerse? 6. ¿en cuántos lotes cabe eErerar que la mediana de duración exceda a 910 horaa? Comparar ¡u solución con el hoblema 5.129.cAP.a*d. pfuina 160. . Demoshar que los primeros cuatfo momentos con respecto a la media de progresión a¡itmética a.1 (b)Emplear(a)enel 6.aI progresión aritmética con primer término o y raz6n d) erlt6 dada por tl1-2 (n2 Dd2 ..129 si la medi¿na de duración es de 900 horas. (b) sin remplazamiento.. 1z+22+32+".. hoblema 6.130. En el Problema 5. Si muestras de tamaño 5 se ertraen de esta población y se calcula la varianza de cada muestra. a * 2d. Una población de 7 números tiene una media de 40 y una desviación típica de 3. (o) Hallar la calificación mfnim¿ del 2O% superior de los eetudianües.fsugerencio: Utilizar - l+2+3+. En un exarnen las calificaciones fueron normalmente disüribuidas con media 72 y dewiación típica 8. Una mueetra de 8 obeervacione¡ se hace aleatoriamente de una población.129(o) y explicar ous reeultados.a|(n-l)dson 11 ffit = 0.136.135. Determinado¡ tubos producidos por una compañfa tienen una duración de 900 horar y una dewiación típica de 80 horas.. página 175. halla¡ la media de la distribución muestral de varianzae si el muestreo ee (o) con remplazamiento. ¿En cuántos lotee cabe esperar que (o) la duración exceda 910 horar. Demostrar el resultado (I9).. Demoetrar que Vt y Vz definidas en el hoblema 5.* (n .al2d. 6.

página 162. Entonces. EJEMPLO 6.. S realmente es un estimador sesgado de o. la media provee una estima más eficiente que la mediana. Si las distribuciones muestrales de dos estadísticos tienen la misma media. DE PARAMETROS POBI. EJEMPLO 6. eonq de esttmocton : . la media poblacional' Sin embargo. 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.2_5 y 5. La media X y la varianza 3' d"finid". L94 .03 pies.que es cierto para muchos estadísticos.3. En la práctica se ellas pueden obtenerse.1.31 pies. ambas tienen la misma media. Véase Tabla 5-1. puesto que E'(X) = u.28 pies. por la relativa facilidad con que algunas de ESTIMAS POR PUNTOS Y ESTIMAS POR INTERVALOS. a ESTIMAS INSESGADAS Y ESTIMAS EFICIENTES En el Capítulo 5-indicábamos que un estadístico se llama estírnador insesgado de un parámetro poblacional si la media o esperanza del estadístico es igual al parámetro. por otra parte. pero esto no siempre es posible. el estadístico con la menor varianza se llama estimador eficiente de la media.Capítulo 6 rF I | . se está dando una estima de punto. se dice que la distancia es 5. U 13 t) = o2.r--Bo.27 % .28 + 0.ACIONALES Sean ¡rs y o" la media y la desviación típica (error tÍpico) de la distribución muestral de un estadístico S. Sin embargo. La precisión o conocimiento del error de una estima se conoce también como su seguridad.46% y 99.73% de las veces. Los valo^res i y 3 z se llaman estimas insesgadas.. El valor correspondiente del estadístico eficiente se llama estima eficiente.2. la distancia real se encuentra entre 5. SEGURIDAD La estima de un parámetro poblacional dada por un número se llama estima de punto de. Por tanto. si el tamaño de muestra es n > 30). Lógicamente se prefiere tener estimas que sean eficientes e insesgadas.s*o. si la distribución muestral de S es aproximadamente normal (lo que se ha visto-. &s-2o"EFsl%a'" ó ¡r. u-¡r"* 3o" . se está dando una estima de intervalo. en las páginas 157 y 160 son estimadores insesgados de la media poblacional ¡r y de la varianza poblacional 02.s. €l 68. respectivaménte. cabe esperar que el estadísticoSseencuentreenlosintervalos&s o^s8Í. ESTIMAS POR INTERVALOS DE CONFIANZA. es decir.95. La distribución muestral de la media y la mediana. utilizan estimas sesgadas o no eficientes. Si.l parámetro. Si se dice que una distancia viene dada por 5. ya que en general Z(3) + o. la va¡ianza de Ia distribución muestral de medias es más pequeña que la distribución muestral de medianas. El valor correspondiente del estadístico se llama estima insesgada del parámetro. EJEMPLO 6.

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. etn. se utiliza la estima muestral S o S.o.27%. 2.00 2.1. los valores de z" pueden sacarse de las tablas de la cuwa normal en el Apéndice C. S -+ 2o.58 ox respectivamente.1.96 o7 Y X + 2. a S * o' delasveces. de modo que para obtener los límites de confianza anteriores. Más generalmente.6l TEORIA DE ESTIMACION 195 Análogaménte cabe esperar o se puede confiar en encontrar.68 2. Los números 1.F') se hacen fácilmente modificaciones apropiadas para obtener los intervalos de confianza.respectivamenllama¡ a estoé intervalos los interualos de confianza del68.00 1.96.28 1.cAP.27%. se puede ver que los límites de confianza para la media póblacional vienen dados por Xtz"* vn N-tt. la desviación típica poblacional o es desconoc^ida. ps er los intervalos S . entonces un intervalo de confianza para ? está dado por (véase pagina 161) (N -t. como otras veces sé conocen.58 o. Utilizando los valores de o.6746 En los casos donde un estadístico tiene una distribución muestral que es diferente de la distribución normal (como chi-cuadrado. si el muestreo es sin remplazamiento én una población 2. 95. Iímites fiduciales. entonces los límites de confianza d'el95% y 99% para la estimación de la media poblacional ¡. & S*Sorenel 68. de los límites de confianza se llaman coeficientes de confianza o ualores críticos y se denotan por zc. Poi estos se 99. vienen dados por X r..6% del área se encuentra en cada "cola" de la distribución ü. 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 números extremos de estos intervalos (S i o5.. El porcentaje áe confianza se"llama también nivel de confíanza.95. y S -r 2. En la Tabla 6-1 se dan los valores de z" que corresponden a distintos niveles de confianza utilizados en la práctica."\\ñ s (3) .9q -V 0. S +.27% 60% 3.05 2.srs .Grandes muestras (n > 30). S-2o" a S+2o" ó S-3o. Pequeñas muestras (z < 30). En este caso utilizamos la distribución t para obtener los niveles de confianza.73% o.46% y 99.73% para la estima de ¡rs (es decir. Para niveles de confianza que no se encuentran en Ia tabla. t 6 .96 1.r.99) para p". obtenidos en el Capítulo 5.96 o.46%y99. en el caso de un S insesgado).46% 95% 90% 80% 68. para estima¡ el parámetro poblacional.00 0. INTERVALOS DE CONFIANZA PARA MEDIAS 1. En general. Tabla 6-1 Nivel de confianza zc e9. Si el estadístico S es la media muestral X.27 %. Por ejemplo si -t.. son los límites de confianza del96% V 99% (ó 0.96.szs son los valores de ? para los que el 2. De los niveles de confianza se pueden obtener los coeficientes de confianza y recíprocamente.33 2.68.73% "pueden Análogamente.73% s9% s8% s6% s5.645 r. $ I 3or) son llamados los límites de confianza del 68.45%y te.szs y ú.

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 ).Patan > 30. 2.o. vienen dados por \ T. Obsérvese que estos resultados se obtienen de (I) y (2) remplazando X por P y o por Vpq. (8) mientras que los límites de confianza p^ra la suma de los parámetros poblacionales son ""nrr*. Para calcular estos límites de confianza puede utilizarse la estima muestral P para p. . 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. Debe anotarse que una ventaja de la teoría de pequeñas muestra. 51 +52 Sl + 52 t (e) Por ejemplo.s2 : S. (10) "r. es decir."rr* a < ¡r ( X+ vn .Sr! z"{fl--}s. - S. dondeP es la proporción de éxitos en la muestra de tamaño n. 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. la probabilidad de éxito). .tS L 975---= vn (t') con el 95% de confianza.s2 con tal de que las muestras sean independientes. t . Análogamente los límites de confianza son . z" y t" son realmente iguales. t .". r"1474."1pmás exacto se da en el Problema 6.6 de lo que se deduce que p se encuentra en el intervalo X-t. Comparando (5) con (I) se observa que para pequeñas muestras remplazamoszc por t".. los límites de confianza para la diferencia de los parámetros poblacionales correspondientes a Sr y 52 vienen dados por S. Un método INTERVALOS DE CONFIANZA PARA DIFERENCIAS Y SUMAS Si Sr V S: son dos estadísticos mueshales con distribuciones muestrales aproximadamente normales.27. en el caso de que las poblaciones sean infinitas.-. los límites de confianza para la diferencia de dos medias poblacionales. o con remplazamignto en una población finita. los límites de confianza para p vienen dados porP ! z"op.. Con los valores obtenidos en el Capítulo 5 de op.196 13ORIA DE ESTIMACION lcAP.s (que lógicamente puede emplearse para grandes muestras. N-n N-1 (7) si el muestreo es sin remplazamiento en una población finih rre hmaño N. 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. "".

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

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

45 -- 0.58-?+ = V100 67.37.45 ¡ + z. = i2 = .2.36. JC = . no hay esencialmente diferencia entre 6.32 y 6.36-6.6136 s2 Así .3. 6. (b) la verdaderavarianza.96.95.35)2 2(n-ñ\2 - n-l = = es insesgada + (6.46 pulgadas. 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 6.2.336. - iT $.93/V100) ó 67.45 ! 0. pues. (o) Del Problema (b) ó. el intervalo de confianza del 95% para la media poblacional ¡t es 66.57 pulgadas.3.02 pulgadas.6136 : y. de la media poblacional).023 es una estima de la verdadera desviación típica pero esta estima no ni eficiente.88 y 68.02. = n .38: Estima insesgada y eficiente de la verdaderava¡ianza media: t : 67. que puede denotarse por 66. Adviértase que puesto que n es grande. de la varianza poblacional). ESTIMAS POR INTERVALOS DE CONFIANZA PARA MEDIAS (GRANDES MUESTRAS} 6. En símbolos se escribirá P(66.00055 cm2 Nótese que 0 = /0"00055 = 0.ó.JDani (b) Estima insesgada y eficiente de la verdadera varianza (es decir.45 ! 1.iroentre s yG.saa = tln ! 2.35)2 + (6.? = /8.02 pulgadas es.88 a 68. 6. 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. 2.02 pulgadas. Para la muestra dada 67.3). Una muestra de cinco medidas del diámetro de una esfera se registraron como 6.35)2+ (6.4. 6.37 centímetros. Para las cinco medidas puestas en orden de magnitud la mediana es 6. Dar una estima insesgada Problema 6.35)2 5-1 0.02): 0. por tanto. decir que ia probabilidad de que la estatura media de la población se encuentre entre 66.45 pulgad.TG pulgadas .88 y 68.6l TEORIA DE ESTIMACION 199 6.58o/tñ. Así.. Determinar unas estimas insesgadas y eficientes de (c) la verdadera media.32 6. Determinar unas estimas insesgadas y eficientes de (o) la verdadera media.3?-6.96"/\f.93 pr¡]Éadas como una estima de o (véase Problema 6.36 cm.5275) = 8. = S tr.33: Estima insesgada y eficiente dé la verdadera altura Del Problema 5. 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. 6.33.88 < tt<68. (a) Los límites de confianza del 95% son X t I.96(2. Se puede. los lí¡nites de confianza son 6?. (o ) Estima insesgada y eficiente de la verdadera media (es decir. n-1" (6. 95Vc ó 0. 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.as y i : 2.!1t.3?-6.cAP. 4er.88 < p < ti8. (b) Los lfmites de confianza del 99% son X 2.35)2 F (6. (b) la verdadera varianza. Utilizando n : 67.93.

6-l (b) S" busca z" tal que el á¡ea desde z : entonces z. : O es Asi pues.824! 0. Si se utiliza.4í. los cojinetes del Problema Hallar los límites de confianza del (a) 98%.824 pulgadas y uná desviación típica de O.824tSL93 = \/zoo .824 t 1. los límites de confianza anteriores se convie:rten en 67.= vn Vn V200 ó 0. 6. el área desde z eE 0. se puede considerar el factor es necesario = 0.0069 pulgadas Fig.82¿!L.73 pulgadas. (o ) Los límites de confianza del g5% son 6 (b) x t 1.824 ! 0. srn embargo.49. lugar de Para y muestreo sin remplazamiento.69 (¡¡ < 68. pues. se utilizaría t.sa| = r*z. Entonces por simetría. respectivamente. para n > 30 se puede asumir que s y 3 son prácticamente iguales. : t. el área a la izquierda de z:-zce8 también lVo. que puede denotarse por 66.824 0. v (bl99% para el diámetro medio de todos los cojinetes. los límites de confianza del90ak son n!I. es total. el intervalo de confianza del 997o para la media poblacional ¡r e¡ 66.73V. ñ!3+ \ñ - 0. de aquí que z":2.O42 pulgadas.so! = Vn 0. se habría empleado ?: \/n/@4s = y'200[99s que puede tomarse como i para todos los propósitos prácticos.0U89pulgadas. (b) 9O% y (c'¡ 99. En general. Los límites de confianza d.g6a = Vn 0-824:t 0.00??putgadas t 0.0.el 99.' o^. puee. 6. de modo gue no 6?.semana dieron una mdia de 0.45 1 0.6. r. Para obtener los intervalos de confianza.21. 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.{ñ= 0. Lad medidas de los diámehos de una muestra de 200 cojinetes de bolas hechos por una determinada máquina durante una.200 TEORIA DE ESTIMACION lcAP.G.645a (c) .008 pulgadas.96ry = \/200 0.6 Asf.33.006 Pulgadas .gg9!9 = \/zo0 0.824 * 2.824t0. son xtz.824 t 0.96? como 1.73% para el diámetro medio de G.6450'942 = 0. (a) " lok. Oa z : zc ea O.Hallar los límites de confianza del (o) 55"1.b6 y 0.45 t utiliza¡lo.645.824=z.. Adviértase que se ha supuesto que la desviación típica dada es la desviación típiez modific¿d¿ i Si la desviación típica dada fuese S.E8y.el 99o/.69 a 68.824:r0.7.21 pulgadas.0049oulgadas t/-zoo sn 0. los límites de confianz¿ del 98% son r ! 23g+ = \/7i Asi 0. z:zc Puesüo que el área total bajo la curva es 1. 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.i :.00b8 pulgadas Los límites de confianza d.ss9 = 0.

f I l.4.50 2oo-L = 76!2. 6-8 debe ser 0.hallamoat. ¿Cuáles son los coeficientes correspondientes pala la distribución úsi (a) v = 9.01.9.10. AsÍ. Entonces los lfmite¡ de confianza del 964o eon .38 + 0.7I 6.0452 pulgadaa . Entonces (2.siendo 0. ¿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 : 9. pues.06 pulgadas. 8e tiene la confianza del99% de que el error de la e¡tima eerá menor de 0. (b).05)/\.26fvéaeet¿mbiénProblema6.26 &- Vlo-1 = 4.Entonce¡ utilizando ¡ : 4.oble cola") para la distribución normal vienen dados por i1.01.9df (b) tos vn N-n A¡-1 = N-n N-1 75 t 1.Tomando o = la estima eerá menor de 0.21o.01 soliamente ¡i n es 167 o mayor.06.n r1s/t/Á¡.01 ¡i n e¡ 97 o mayor.gzs:2. Para lo¡ valores de v dados egtos son (a) t Z.e?'. er decir..X+r"L . Fig. Los coeficientes de confianza del 96Vo ("d.8. Asf el área ¡ombreada en la col¿ derecha es 0.96)(0.g6ol{n. arrojó una media de 75 y una desviación típica de 10.01 segundos? 0. Puegtoque¡. (c) v : 30.05 segundoe. debe emplearse la fórroul¿ para poblaciones finitas con muestreo sin remplazamiento. un sicólogo estima que la dewiación típica del mismo (c) .cAP.58')(0.2S z"=L6 z"=0.04. <í n.06)/0.6 : 0. (o) Los llmitee de confianza delglovo están dados por. lo¡ límitee de confianza del96% pedidos eon 4.*.Entonces los coeficientes de confianza pedidos son tú.04. de aquf que el grado de confianza pedido *162(O. : 20.23 zc h¡estoqueestodebeserigualaTSll.t = t. Eláreabajolacurvanormal : O t z: 0.682ó ESTIMAS POR INTERVALOS DE CONFTANZA PARA MEDTAS (PEQUEñAS MITESTRAS) 6.2910.r.01 si (1. 6-3 6. : 166.i=r.58o/{i.Ze. 6.4 60 límitee de confianza pueden repreaentarse por Ítz"ox deede z 68.9Tolfi. 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. Una muestra de 10 medidas del diámetro de una esfera dio una media ñ: 4. se tiene que el error ser6 igual a 0.8 ó n : 96. = * t1.051/\/n = 0.goo*.81 es 0. (ó) +2.81.38 y c : 0.026 y el valor crítico correepondiente es ú.05. TEORIA DE ESTIMACION 20L es de Al medir el tiempo de reacción.10(c)]. Una muestra aleatoria de 50 calificaciones de matemáticas de un total de 200.38 t 2.96. 1fi = (1. pues. Aef.38 pulgadas y una desviación típica s : 0. (o) ¿Cuáles sonloslímitesdeconfianzadel9Ú% para la estima de la media de las 200 calificaciones? (b) ¿Con qué grado de confianza poüá .96X0.:n-L:10-1:g. (b) Loe límite¡ de confianza del 99% son X t 2. (d) t= 60? Pa¡a los coeficientes de confi¡nza del 96% ("doble cola") el área total en la Fig.00.96+ v50 (10) 200 .11.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.setienequel.29lO):0. Halla¡ los límites de confianza para el diámetro verdadero del (o) 96% y (b) 99%. (d) =2.09.q'-: 200 v50 200-1 = 75 + 1.orr.05 segundos.r¿ -. (c'¡ t2.

55 '^^ I(0'55)(0'45) :r 1'e6!ff : = 0.13 para que la confianza de que el candidato sea elegido sea del g5% z El candidato se elige si p ) 0. los intervalos de confianza mues¡ras. Para hacer este problema de una fo¡ma más exacta. (b) En cada caso.Z5(0. véase Problema 6."-. 6. (b) 99%y (c) 99.38 * (2. t 3ú058)16:¡8 10d 0. (a ) Los límites de confianza d.426 pulgadas.50 ó n= 27r .55. Análogamente.045 : 4.38 + 0.88 + 0.06) /\t1.18./e(l -p) ¡? V = 0.55 para estimarp. los límites de confianza del 99% son 4.O37pulgadas ? donde se ha utilizado la desviación típica muestral 0.55 + 0. (a grandes ) Mediante loe métodos de Ia teoría de grandes muestras los límites de confianza del 95% son X t 1.b0 Entonces.58)(0.50) Prob( que hob / J--ct t)_p .6 : se puede estar en la confianza del 96a/o de que el valor ve¡dadero se encuentra entre 4. - ó Prob(p > e-Bt/p6-ffi¡ = + J(t t/2r -.9ó utilizando el Apéndice C indica que e-Bt/fi-fl/n:0.88 + g. Una muestra de 100 votantes elegidos aleatoriamente entre todos los de un distrito dado. (c) 6.55 2.50.el95o/o para la población p son P : l.se5 - (b) Para v = 9. 0D > 0. ¿Qr'é tamaño de muestra debe toma¡se en el Problema 6.1. = 3.06 como estima de o.335 pulgadas y 4. obtenidos mediante ios métodos de pequeñas muestras o teoría exacta del muestreo son más anchos que los obtenidos por los métodoe de grandes muestras.38 t 0.pV" es normal asintóticamente.11 suponiendo válidos los métodos de la teoría de muestras.13.446 pr'lgadas.202 Asf. (b) Comparar los resulüados de los dos métodos.6a5y'i6lBB)Io-75j7i : 0.15.88 r 1. (a) Soluciona¡ el hoblema 6.p')/\/p(l . = P t 1.06/y'10 .96-9.l = 4.2/z¿y L645 Al comparar con Prob(p > 0. indicó que el 55% de ellos estaban a favor de un determinado candidato.315 a 4. Entonces loe límites de confianza del 99lo rcn i t ú.0 = 4.049 pulgadas.13.96.55 del Problema 6.38 4.l)6or.73% para la proporción de todos los votantes que estaban a favor de este candidato. y para tener una confianza del g5% de su elección necesitamos : 0.-'\ r1/pg-p)/n / rB I l-r'-tt'/z¿y t/2.= v-n 4.88 i g.ssr(S/tñ-l.f) = 4.L2.95. Hallar los límites de confianza del (a) 95%. pues. (b) Los límites de confianza del99% parap son 0.73% parap son 0.96-0-.qq /lo - 4.06b0 pulgadas y el inüervalo de confianza del99% e¡ 4. tenemoe 0.25.55 y la estima p : 0.55 = o'55t0'10 donde se ha tomado la proporción muestral 0.14. 0. Puesto que (P ..55 t 0. J_.50): 0.58ú6:5EXb:¡BtTdd = Los lfmites de confianza del 99.045 TEORIA DE ESTIMACION lcAP.27. utilizando P donde B = : 0. Esto era de esperarse dada la menor precisión que r¡e obtiene en pequeñas muestras con relación a Las grandes ESTIMAS POR TNTERVALOS DE CONFIANZA DE PROPORCIONES 6. t.

60 La fórmula más exacta del Problema 6.6../. dando.45 a 0..4 y B son dados por (a) *o. 6. (b) Al nivel del 99.?9.45 a 0. Así.25 = 0.cAP.06. Hallar los límites de confianza d9l (c) 96% y (b) 99.respectivamente. Una muestra de 150 bombillas del fabricante A dieron una vida media de 1400 horas yuna desviación típica de 120 horas.17 y 0. el intervalo 0.50 ! Pz : 100/400 : 0. esperar con confianza d. se puede encuentre entre 0. En una muestra aleatoria de 400 adultos y 600 adolescentes que veían un cierto programa de televisión. z" = 3.73% para la proporción de caras que se obtendrían en un ilimitado número de lanzamientos de la moneda.31. se puede esperar con el encuentre entre 175 y 225 horas.25 son las proporciones respectivas de adolescentes y adultos a quienes les gusta programa.96 La verdadera = 0.23. dando el intervalo 0. Hallar los límites de confianza del (a) 95% y 99% para la diferencia de las vidas medias de las poblaciones A y B.50 - 0.t 1. (a) Al nivel del g5o. z" = 1.83.Xn-.?4 y el INTERVALOS DE CONFIANZA PARA DIFERENCIAS Y SUMAS 6.37 a 0. PzQz el - O. se puede esperar con confianza d.75. se puede esperar con el 994n de confianza que la diferencia de las medias de las poblaciones se encuentre entre 167 y 233 horas. pues.6l TEORIA DE ESTMACION 203 6.50 encuentre entre 0.15. -loi*o'o -"1/"o-"" Los límites de confianza del 9b7o son: 1400 1200 .0g. PtQt .25 = 0.27 da el intervalo de confianza del 95'ib como 0. Hallar toi tí-mites ae confianza del (c) 967" y (b) 99% para la diferencia dé propoñiones de todos los adultos y adolescentes que ven el programa y les gusta. pues. SustituyendolosvaloresP:24140 = 0. [-os límites de confianza para la diferencia de medias de. pues. gt= Ptz" t z¡/F(=ffi. se As( pues. Una muestra de 100 bombillas del fabricante B dieron una vida media de 1200 horas y una desviación típica de 80 horas./i120)r/15¡+-G0)r400 = 200 + 82.96/il2OtG0I80)2/100 Así. En 40 lanzamientos de una moneda. se tienep : 0.el ggVoson 0.el 99Vo que la verdadera diferencia de proporciones .Zb + 1. intervalo de confianza del 99. (a) Los lÍmites de eonfianza del 95Va son 0.el 99% son: 1400 - 1200 12.. Los límites de confianza para la diferencia de proporciones de los dos grupoe están dados por 'll1 1t2 dondelossubíndicesly2serefierenaadolescentesyadultos.5B = 0.tr 7. se obtuvieron 24 ca¡as. Mediante la fórmula aproximada p = P + 0. se tienep = 0.33.60 + 15. pues. ae confianza que Ia diferencia'de las medias de las poblrcionee (b) Los límites de confianza d.6V n:40 enlafórmula \tF(l=A/.96. se Así.16.g.AquíPr:300/600:0.el 96% que diferencia de proporciones (ó) Los límites de confianza d.il3li. 95"/o de = 200 t 24.58\.73% como 0.25 ! Z. 100 adultos y 300 adolescentes dijeron que lei gustaba.19 y 0.BZ a 0.

x {2n 300//t = 5.4 t de confi¿nza del 99. Entonceg el error porcentual de la desviación es 3s/t/-at (¿) Si 300 _ = s. 6. (b) Si }OO/\E : Aei pues.58(0.08 ÉEr+nz+E¡+Eo = 4(45.4 (o) (b Los límites de confianza del95% son: 180..r+r 2+Er+84 = .16 voltios. INTERVALOS DE CONFIANZA PARA VARIANZAS 6.58(100)/r/Zbd = 100 r 12.04 V. (b) 99%.t+ti.[4: "'rJ o'r. utilizando s como una estima de o.r-= oE.0b4voltios.20. 6. Si se conectan 4 baterías en serie.24 ) Los lfmites (c) Loc lÍmites (d) toslfmitesdeconfianzadel voltios. se puede esperar con confianz¿ entre 90.73% y (d) 5O% para el voltaje total. de la desviación típica para todos los estudiantes del colegio. Si Er. La desviación típica de las duraciones de una muestra de 200 bombillas fue de 100 horas. (b)LO%? De igual forma que en el Problema 6. Entonces. Hallar los límites de confranza del (c) 95% y (b) 99"/.8 horas. Se utiliza la dewiación típica muestral para estima¡ o. hallar lós límites de confianladel (a) g5%. donde 2. . La desviación típica de las estaturas de 16 estudiantes seleccionados aleatoriamente en un colegio de 1000 estudiantes es 2./nloslímitesdeconfianzason:100 11.1 voltioE y dc.el 95Vo que la desviación típica de la población se encuentre ) Al nivel del 99% los límites de confianza son: 100 * 2. puesto que /¿rr = lLEt lr'. pues. 0.21 voltios.4 V r de confianza del 99% son: 180.. = 1la1ffiy : 0.73% con: 180. ee puede esperar con confianza del 99'y'" que la deerüeión típica de la población se encuentre entre 87.. oE. Por tanto (véase Tabla 5-1.1) = 180.4 + 1.19. El valor de 0. osr* Ez+t:. 0. pues. = 0.4O pulgadas.08) = 180. o 6. el tamaño de la muestra deberá ser 1800 o más.ozs.4 + 2. entonces n : = 10.1 y 112. Es y Eq representan los voltajes de las 4 baterías.04 volüios.r Bo/l-zn Ss/\/Zn.f8.08) 0. Así.4i0.73"/o para o son S .4 t 3(0. FfJ voltaje medio de las baterías producidas por una compañía es de 45.* o".4 t = 180. * l'a.9. el tamaño de la muestra deberá ser 450 o más. = orr..73% la verdadera desviación típica de la población ::o difiera de la desviación típica muestral en más del (c) 6%.054 voltios se llama error probable.204 TEORIA DE ESTIMACION [cm.9 horas.g.4:t0. 5O%son:180.96(100)i/200 = 100:tg.96(0. se tiene ltlt+Ez+at+¿o = Fu. indica el nivel de confianza.6?45(0. 46O.19 deberá tomarse para que con confianza del 99. (c) 99. (o) Alniveldel 95". (a) Loslímites de confianza delgSv" están dados por sy'7/x. En este caso se aplica la teoría de grandee muestras. página 162)loslímites de confianza para la dewiación típica de la población son dados por S * z. Así.2L.= lr'. (b d.o/yEi. Y t¡. los límites de confianza del 99.08) = 180. entonces n 1800. = 45. pues.08)=180.2 y 109.19.1 V y la desviación típica 0.e75 y st/n/x. Así. Hall¿rr los límites de confianza del (a) 95% y (b) 99% para la desviación típica de la población de tales bombillas. ¿Qué tamaño de muestra en el Problema 6. 82. * uotr* l'a.

1 : 199 grados de libertad.7.40\f-I6/5.oos = 72.ee5 Para v y Sy/i/7.r+l/Z[I6Ef-T¡z = jtz. s! = 20.73 y 2.84 pulgadas. esto es. x2nzs de donde ¡¡.n25 = 2. Paray:16-1:lSgradosdelibertad.2 y 111.40Vf 6 /1.50. it.50.o75 = |{zsrr. y 18 respectivamente halla¡ los límites (o) Tenemos nt = l(t. Si se encuentra que sus varianzas son 24 y (b\ 90% para la relación de varianzas.g = 88.14.)rto = \/ 2o.40\f-16/2.92)2 = : \2.23. Este resultado debe compararse con el del Problema 6.26 6 7. rz = 10. Entonces los límites de confianza del 95% son 2.24 y = 6. están dados por Sy'-nlx ors y Sl-n/y.5 = 91'2 y 100y'200/12'1 = 111'3 horas respectivamente. ." x%os 1_l .t-t. hallamos como en el Problema 4.6l Para o TEORIA DE ESTIMACION 206 x?ozs = 16- 1 = 15 gradoode libertad.14.el95')h están dados por Sy'-n.11. Por tanto se tiene la confianza del 95% de que la desviación típica poblacional se encuentra entre 91. Entonces los límites de confianza del 997o son 2.2. Por tanto se tiene la confianza del 95% de que la dewiación típica poblacional se encuentra entre 1.49 pulgadas. x?szs = 27. (b) Los lÍmites de confianza d. 3? = t=r"i = (lf)rznl = "? = 18 de modo qrre 26.19(a).ozs.cAP.2= 115.9212 : 239 161 = olz02s+V2(199)-1)e =.ozs l-l Vz(rssl -r)z = itt.n. Entonces los límites de confianza del 99% son 100/Eñ6 de donde X sq¡ INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6.. ee decir.. y St/T/x. = 15.68 y 4.9 horas. (b) tos lÍmites de confianza del 99\i. Por tanto se tiene la confianza del 99% de gue la desviación típica poblacional se encuentra entre 88.¡]oor=32..sor-79.83 y 3.8 ó ¡. 6.22.¡¡5. X.3 horas.s¡5.83 y 3'84 pulgadas. Dos muestras de tamaños 16 y 10 respectivamente de confianza del (c) 98% se extraen aleatoriamente de dos poblacio- nes normales.15. : 200 - 1 : 199 g¡ados de libertad.o . 1.40\R/2.49 pulgadas.60 ó y.9 y 1001800/t2.el99% están dados por Sy'-nl¡. Por tanto se tiene la confianza del 99/o de que la dewiación típica poblacion¡l se encuentra entre 1..oos:4.!75= 5.s¡5=2.19 utilizando la teoría de pequeñas muestras. 1.?3 y xz.2 a.= r\ri= (f. Este resultado debe compararse con eI del Problema 6. Solucionar el Problema 6.9 y x..9 horas respectivamente.5 y Entonces los límites de confianza del 95o/./x Para v : sr.24 y 2.sa+19. (o) Los límites de confianza d.' son 100y'2b-0 115.5 6 x.9 y 115.19(b)._.t.SO+19.oe5=5.68 y 4.92)2 = 253 lL6. x1. 200 . pfuina 137' x.

24.25.6 Del Problema 4.4437 oí = * ('z'6'g)(?q¿. gue tenemos (I) Puesto Por tanto l(rx. . tenemos pataUl: 15 y ez:9 grado¡ de libertad f or : 1/3.89.84 V F.59.47(d). 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.#>@t-pl2 Tomando Ia derivada parcial con re4ecto raL 1:' fr. Por tanto el intervalo de #(ffi) s += 6 0. (#)(ffi3) o.eg oz 6. Entonce¡ utilizando (171. = 3)@*-Pl reeulta Q. Hallar los límites de confianza del (al 98% típicas del hoblema. pl" 'f (r.(ffi) 4. pfui¡1g 19?.89 de modo que l/F.eo = ". = (b) Como en (o) hallamos del Apéndice F que confianza del g0% es F.os : 1t2.0.sg<!=z. como lógicamente era de eryerarse.96 parapl : 16 1 : 15 ! U2 =LO-1 =9 grados de libertad.6?=1=r.23. Si n obsewaciones Xr & se toman de una población distribuida normalmente de la cual se desconoce la media y se conoce la varianza. reculta . pl = (2to2)-tt2¿-zbk-r)2t2o2 (z') (r) Fijando íLldp = 0 t¡L = a -f. Halla¡ la estima de máxima verosimilitud de la media.z8a =# : = rsee. Al tomar la raíz cuadrada 98% v el9o%.206 IEORIA DE ESTIMACION [cAP. 6.'or¡ g.e¡ = 3.zt oz 0.e5 2. tenemos F ge = 4. ü = \/2ro2 -J- r-<x¡-ü2rzoz L = f(nt. página 13p. hallrrmoe para el intervalo de confianza del 98%. 6..) Obsérvese que el intervalo de confianza del9O% e¡ mucho más pequeño que el intervalo de eonfianza del 98Vo. También del Problema 4.23 hallamos los lfmitec de confianza para el (¿) (ó) ESTIMAS DE MAXIMA VEROSIMILITUD o.tn1z.47(b). v Q) 90% para la relación de las desviaciones de las desigualdades del Problema 6.

(c) Mostrar que p¿üa grandes valores de n la fórmula de (c) se reduce a p=P¡2" \FF -nn. En estos valores extremos. donde z" deüermins el nivel de confianza. todo lo efectuado en el hoblem¡ 6.cuyassoluciop son dadas por La fórmula cuadráti. tenemos ee i'# Fijando aLl0o2 .) Dividiendo numerador y denominador por 2n. estaecuaciónsereduceaafi*bp*c:0.L n - pl pz-2pp*p2: (nI nes para zp\p2 "?P# z?lp Multiplicando los dos miembros por ¿ y simplificando.TS% delProblema 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) .13. zi n -4nz | +! .p). por tanto. = -fi+ uár> @t-r)2 02= 2 (rr - pl2 PROBLEMAS DIVERSOS 6."2) en cambio d.p oP = -1.6l TEORIA DE ESTMACION 207 6. (a) como la utilizada en el Problema 6.25 se conoce la media pero se desconoce la varianza. queda.cAP. se tiene P-P Elevando al cuadrado los dos miembros. z7 n -4ü r+4 n o P (b) Utilizar la fórmula de (¿) para obtener los límites de confianzadel99. La proporción muestral P en unidades tipificadas . Si escribimos f (rx. Entonces tomando la derivada parcial con reqrecto a 02.0 hallamos Vé¿se Problema 6. .ca p= _6 + 1/@=lo" 2a z"P+27=W 2(n* z7\ 2nP I 22" * ""t/6F(L1VlT7" 2(nI zf. halla¡ la estima de máxima verosimilitud de la va¡ia¡rza. Si en el Problema 6.63.13. se tiene e+ flt "" P(L-PI . (a) Si P es la proporción observada de éxitos en una muesha de tamaño n. {P(L = *2" p(.27.e f(x¡.26. b--(2nP+"7) y c=nP2. - (2nP I * nPz = 0 Si o=n+z!.25 ha¡ta la ecuación (2) aplica.P)/n Los valores mayor y menor de esüa variable tipificada son tzc.

'.?3 20.Entonces. horas Una muestra de 10 tubos de televisión producidoe por una compañía.rlos ESTIMAS INSESGADAS Y EFICIENTES 6.4 libras. respectivamente (véase Problema 5.7 a Lt3. 6. 10.$=12'76.?3 ton.98) están dadas por 11.6.utilizando de (a).54 ¡. En la Tabla 6-2 se indican varios valores críticos y los conespondientes intetwalos de confianza del 95%.8.208 TEORIA DE ESTIMACION (b) Paraloslímitesdeconfianzadelgg. empleando t¡alores críticos tales como justifica el trabajo involucrado.72642 pulgadas y 0.32 92. en general.6%. (c) 95% y (d) 90% para el dirimetro medio de todos los remaches fabricados por la compañía. y 0. La media y la desviación típica de los diámetros de una muestra de 250 remaches fabricados per una compañía gon O.29.8 ¡.=B. entonces zf. Valores Crítico¡ Tabl¡ 6-2 Intervelo de confianza d.e4 91. ¡es=15.30.31.30 si se obtienen los mismos resultados para 30..05.7s7=15. lcAP.r De la tabla se observa que un intervalo del95%. g.8.2 19./zn.6 p=0.TSVo.Es posible haltar otros límitee de confianza escogiendo valores críticos de X2 gar. la disminueión en el intervalo que 8e obtiene es comúnmente despreciable y no Probletn. .44.9 7.32.2 y 9. de forma 6.el 95"tb Ampütud 2r.3 91. Hallar los límites de confianza del (o) 951/.. 6.69 en acuerdo con el problema 6. dieron una du¡ación media de 1200 y una desviación típica de 100 horas. ó 0. etc. (b) 98Vo. Estimar (o) la media y (b) la desviación tÍpica de la población de todos los tubos de televisión producidos por esta compañía. pero de tal manera que las áreas en cada cola no sean iguales. X 032 y X 1¡2. respectivamente.8 89.s2=12. de amplitud sol.7 7. cuya amplitud sea menor que la del Problema 6.85.22(a) fueron obtenidos escogiendo valores críticos de y2 de tal manera que las áreas en cada cola fueran 2.6 = 12. y (b)99dto para la media de las cargas máximas de todos los cables producidos por la compañía.13(a). se tienep : 0. (c) Si n es gtande.O a 110.7.42 a a 111. 2g. 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./Anz que se obtiene la fórmula pedida.100). X.09 ton. (c) Comparar la desviación típica muestral con la desviación típicÁ de la población estimada.8.0 = 12.o¡r y x e8l. 8. (o) Solucionar el Problema 6.22(al? ¿Es posible obtener un intervalo de confianzadelg]c%para la desviación típicapoblacional Loe límites de confianza del 95í para la desviación típica poblacional como se hallaron en el Problema 6.55yn:100enlafórmula y 22"/nson despreciables y pueden sustituirsepor cero.¡amente 19. 6'33.a.8.9 110. Las medidas de pesos de una muestra fueron registradas como 8.64. Hallar los límites de confianza del (o ) 99%. Un intervalo con amplitud af¡n menor puede hallaree continuando el mismo método de aproximación x.. respectivamente.4 20.ge = 15.40 y 0.28.s sr¡plernenta. zf.e6 : 15. 10.0 a 110.00058 pulgadas. Determinar estimae insesgadas y eficientee de (o) la media de la población v (b) la varianza de la población. es de g1.a los cuales la suma de las áreas en l¡as colas sea61.z. Sin embargo. La media y la desviación típica de las cargas máximas soportadas por 60 cables (véase Problema 5.

Para los pacientes del primer grupo el número medio de horas de sueño fue 7. Hallar los límites de confiánza (a) del 95% Una compañía fabrica cojinetes de bolas que tienen un peso medio de 0. Una muestra aleatoriade 60 bolas extraídas con remplazamiento de la urna. Hallar los límites de confianza del (a) 95% y (bl99% para el tiempo reacción.33. (b ) del 99%. Dar los resultados utilizando la fórmula aproximada y la más exacta del Problema 6'27. 0.3g. o. ¿qué tamaño de muestra deberá tomarse puüa que sea del (a\96%.gg.46.44.7 Bdn pá. 6.82 con una desviación típica deO. (b)gg%y (c)99J37" para la dewiación típica de todoslos cables producidos por la compañía.24 onzze. Cinco medidas del tiempo de reacción de un individuo a un cierto estímulo fueron registradas real de 0.6l' TEORIA DE ESTIMACION límites de confianza del 5O% 209 6. dio el 7O% de bolas rojas. Una r¡rna contiene una proporción desconocida de bolas rojas y blancas. para que la confianza de que la proporción ¿Qué tamaño de muestra se debería tomar en el Problema 6. ESTIMAS POR INTERVALO DE CONFIANZA PARA PROPORCIONES 6. 6.86. 6. (c) del 99. 6. al primero le fue dado un nuevo tipo de somnífero y al segundo un tipo convencional.ParalosdelgrupoB fueron 6. HaIIar los límites de confianza del (o) g5%. (b)g|%t (c)997oV @)59.2[horas.40.g1 sfoundos. Hallar los límites de confianza del (c) g5%.638 libras y una desviación típica de y (b) del 99Vo pata los pesos de lotes de 100 cojinetes cada uno. (b\ 99% y G\ gg.30 horas. Una muestra de 200 cerrojos producidos por una máquina mostró que 15 eran defectuosos. Halla¡ los límites de confianza del (a) 96%V @)99% para la diferencia del número medio de horas de sueño inducidas por los dos tipos de somníferos.g5. como 0'28.7g% para la proporción real de bolas rojas en la urna. Hallar eI error probable de la desviación típica del Problema 6'46' .2?. INTEBVALOS DE CONFIANZA PARA VARIANZAS Y DESVIACIONES TIPICAS 6.a h diferencü de proporciones de cerrojos defrctuosos de las dos máquinas' Estudiar los resultados obtenidos. 6.41.43. y (b) el error probable para la media de los diámetros del 6. De dos grupos análogos de enfermos A y B formados de 50 y 100 individuos.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 6.45. ¿Cuál será el número mínimo de voranües que se deberá mue\trear para quelaeonfianza sea del (a) 8O%. 6.94" Hallar (¿) los Problema 6. Hallar grandes muestras y comparar Solucionar el problema 6.g?. respectivamente. y una Una muestra de 12 medias de resistencia a la rotura de hebras de algodón dio una media de 7.3? suponiendo aplicables los métodos de la teoría de los resultados obtenidos.80.012 libras.41. Hallar los límites de confianza del (a) 95%' (b)99o/oy (c) gg . Si la desviación típica de la duración de los tubos de televisión se estima en 100 horas.cAP.36 si el error en la duración media estimada superar las 10 horas? ESTTMAS POR INTERVALO DE CONTIANZA DE MEDIAS (PEQUEÑAS MUESTRAS) 6.g9. 0.(b\95%'(c\99% deladecisiónen favor de uno de los candidatos? INTERVALOS DE CONFIANZA PARA DfFERENCIAS Y SUMAS 6.73V"? 6. respectivamente.40 verdadera no difiera de la proporción muestral en más del 6Vo sea (a) del 95Vo. 0. mientras que de 100 cerrojos de otra máquina 12 eran defectuosos.42.38 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. 6. La desviación típica de resistencia a la rotura de 100 cables producidos por una compañía fue de 180 libras.76 y 0.

(b)v:12. ¿Considera que las dos muestras del hoblema 6.63.49 si 25 bombillas tienen la misma desviación tÍpica de 120 horas.54 si las muestras tienen tamaño 120 cada una.042 cm y 0.7T% de que la desviación típica de una población no difiera de la desviación típica muestral en más del 2%? 6. . del Problema 6. hoblema 6. de la du¡ación de 10 bombillas fabricadas por una compañía es 120 horas.62.. 6.e 11.6 ¿Qué tamaño de muestra deberá tomarse para que la confianza sea del (a) 95%. . Si se toman n observaciones. . . 6. . Hallar los intervalos de confianza del (o) 98% y (b)907. para la relación de las varianzas de las poblaciones de donde se exhajeron.035 cm respectivamente. basados en muestras de tamaño 10 cada una. 02 desconocidas. . . En una prueba de 40 cables seleccionados aleatoriamente resulta una media de la resistencia de rotura d. Los coeficientes de confianza del 999á ("doble cola") para la distribución normal están dados por 12. .(c)v:25. Hallar Ios intervalos de confianza del (a) 98% y (b) 90% para la relación de Ias varianzas. ESTIMAS DE MAXIMA VEROSIMILITUD 6. .59.56.2to 6. Una población tiene una función de densidad dada por i@l = 2rt/r/" ¡2s-v*. Si n observaciones 6. Solucionar el Problema 6.57.60. X1. X¡.(d)v : 30' (¿) v: 40? Una compañía tiene 500 cables. Hallar los igr la 6.51. . . . Si Xr. 6. [(A'+t)st 0<¡:<1 de otra forma Xn de esta población hallar la estima de máxima verosimilitud de h. 6. Xn de esta población.e 24OO libras y una dewiación típica de 150 libras. .52.53. .62. Xn se toman de una distribución de Poisson con parámetro tr desconocido. .. . PBOBLEMAS DIVERSOS 6. r. TEORIA DE ESTIMACION [cAP. . (o) ¿Cuáles son los límites de confianza del 951/o y 99% para estimar la media de la resistencia de rotura de los 460 cables restantes? (b) ¿Con qué grado de confianza podríamos decir que la media de la resistencia de rotura de los 460 cables restantes es de 2400 1 35 libras? ¿Cuál es el intervalo de confianza del 957. 6.49 utilizando la distribuciíny2 si una muestra de 100 bombillas tiene la misma desviación típica de 120 horas.49. Las desviaciones típicas de los diárnetros de los cojinetes de bolas producidos por dos máquinas son 0.58. -t 1 r ( -.61.51 que tiene la menor amplitud? 6.54. . 6. Una población tiene una función de densidad dada por 8e toman n observaciones l(r) = l^0 [ Si se toman n observaciones X1 . hallar la estim-a de máxima verosimilitud de z.50. La desviación típica compañía.58. Xn de una población distribuida normalmente con media ¡l y varianza ¿Pueden determinarse estimas de máxima verosimilitud de ¡t y o2 en términos d. ¿Cuáles son los coeficientes correspondientes para la distribución f si (o) v = 4.? ¿Son lc mismos a los dados en los hoblemas 6.26? Explicar. Comparar los resultados con los obtenidos empleando la distribución normal. 6.52 y (b) Problema 6.48. .54 fueron extraídas de la misma población? Justificar su solución. . .25 y 6.55. Solucionar el (o) Problema 6. Determinar los intervalos de confianza del (o) 98%v @\gOVapara larelacióndelasdesviacionestípicasdel Dos muestras de tamaños 6 y E respectivamente tienen la misma varianza. (b) gg% y (c) gg. Hallar el estiniador de máxima verosimilitud de ). 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. INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6.

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

entonces hay aproximadamente 5 ocasiones en 100 en que se rechazaría la hipótesis cuando debería ser aceptada.)/o.96). debe diseñarse de forma que minimice los errores de decisión. si al elegir una muestra aleatoria se encuentra que z para ese estadístico se halla fuera del recorrido .212 error del Tipo da.1. Esta probabilidad se denota frecuentemente por o.96 a 1. lo que quiere decir que es un suceso con probabilidad de solamente 0. 7-1.1. ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. ? II. Esto no es tah sencillo como pueda parecer puesto que para un tamaño de muestra dado. Así pues. la probabilidad de cometer error del Tipo I. por ejemplo se elige un nivel de significación del O.05 ó 0. un intento de disminuir un tipo de error. ¡--lglj .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. el valor de e obtenido de una muestra real para el estadístico S se encontrará entre 1.05.96 a 1.96 a 1. .95). z > I.96 podía entonces llama¡se región de aceptación de h hipótesis o región de no significación.. Entonces la distribución de la variable tipificada dada por Z : (S ¡.96.05 o que la z obtenida del estadístico muestral dado es significatiua al niuel de significación del 0.96 (es decir. El área total sombreada 0. lo cual puede ser o no ser posible.=lD6 I'ig. De acuerdo con lo dicho hasta ahora.96 y 1.05. es decir..96 constituyen lo que se llama región crítica o región de rechace de Ia hipótes¡'s o región de significación. Como se indica en la figura. Si. la distribución muestral de un estadístico S es una distribución normal con media p" y desviación típica o". En cualquiera de los dos casos se comete un error al tomar una decisión equivoca- Para que cualquier ensayo de hipótesis o reglas de decisión sea bueno. se está con un 95% de confianza de que se toma la decisión adecuada. Representa la probabilidad de rumeter error al recbazar la hipótesis es decir. supóngase que con una hipótesis dada.96 a 1. generalmente se fija antes de la extracción de las muestras.01. si la hipótesis es cierta. En la práctica se acostumbra a utilizar niveles de significación del 0.El conjunto de lasz que se encuentran dentro del recorrido .7-l Sin embargo.O6El conjunto de las z que se encuentran fuera del rango -1. aunque igualmente pueden emplearse otros valores. se puede estar con el 957o de confianza de que. al diseñar un ensayo de hipótesis. En la práctica. varianza 1) y se muestra en la Fig. va generalmente acompañádo por un incremento en el otro tipo de error.1.1. Esto equivale a decir que el estadístico muestral observado es significativo al nivel del 0. En tal caso se dice que la hipótesis ha sido rechazada aI niuel de significación del O.. es una normal tipificada (media 0. de modo que los resultados obtenidos no influyen en la elección. Entonces puede decirse que esta z difiere signifícatiuamente de la que cabía esperar bajo esta hipótesis y se estaría inclinado a rechazar la hipótesis. La única forma de reducir al tiempo ambos tipos de error es incrementar el tamaño de la muestra. un tipo de error puede tener más importancia que el otro.O5.lo que significa que se puede cometer error con una probabilidad de 0.05 es el nivel de significación del ensayo. ENSAYOS REFERENTES A LA DISTRIBUCION NORMAL Pa¡a aclarar las ideas anteriores.96 ó z 1. se dice que la hipótesis se rechaza al niuel de significación del0.96 (puesto que el área bajo la curva normal entre estos valores es 0. se puede formula¡ la siguiente regla de decisión o ensayo de hipótesis o signi{icación: (o) Se rechaza la hipótesis al nivel de significación del0.05 6 6"/. 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.05 si la z obtenida para el estadístico S se encuentra fuera del recorrido .

puesto que la suma del nivel de significación y el nivel de confianza es L00%. o. puede también emplearse.-: ú1V11. Z = -. Entonces. 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. Véanse páginas 158 y 160.08 y 3. Para ensayar la hipótesis nula (f) co (I ).96 en todo lo visto anteriormente por 2.28 ó -1. Medias. En cada caso. Por esta raz6n. utilizando un ensayo de dos colas.7l / ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2L3 (b) Se acepta Ia hipótesis (o si se desea no se toma decisión alguna) en caso conhario.58 y -2.88 y -1.08 ENSAYOS ESPECIALES DE SIGNIFICACION PARA GRANDES MUESTRAS Para muestras grandes. Cuando es necesário se utiliza la desviación muestral observada s (ó G).645 y 1. = op: o/1/i.96 y -2. cuando se está ensayando la hipótesis de que un proceso es mejor que otro (que es diferente a ensayar si un proceso es mejor o peor que otro). En tales casos.645 cí 2.58 2. Tales ensayos se llaman ensayos de una cola o ensayos unilaterales. los resultados son para poblaciones infinitas o para muestreo con remplazamiento' Para muestreo sin remplazamiento de poblaciones finitas los resultados deberán modificarse. Valores críticos de z para otros nivelei de significación.8I -3. es decir. Debe ponerse de manifiesto que puedgn igualmente emplearse otros niveles de significación.la X-.58 ó -2. será de utitidad para propósitos de referencia. se pueden encontrar utilizando la tabla que da las áreas bajo la curva normal. en una "cola" de la distribución.cAP.28 1.002 ó -t. Los co. tales ensayos se llaman ensayos de dos colns o ensayos bilaterales.58 2.05 001 45 0. en las dos "colas" de la distribución. como por ejemplo. si se utilizase el nivel del 0.96 1.33 ó -2. con área igual al nivel de significación.01 se sustituiría 1. que da los valores críticos de z para ensayos de una y dos colas a distintos niveles de significación. La Tabla 7-1. Ia región crítica es una región a un lado de la distribución. donde o es la desviación típica poblacional y n es el tamaño de la muestra.645 1.33 -2.10 0. con frecuencia se puede estar solamente interesado en los valores extremos a un solo lado de Iá media. media poblacional. La variable tipificada viene dada por Aquí S : X... tss =. Tabla 7-1 Nivel de significación o Valores críticos de z para ensayos unilaterales Valores críticos de z para ensayos bilaterales 0. para estimar o. Si4 embargo. página 195.81 2. La Tabla 6-1.6 1. media muestral. 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. aceptaríamos -EI6 de que la media poblacional es p : o utiliza¡íamos el estadísti-EÍe (o al menos no lo . 1.88 2. es decir. Por ejemplo.58 (véase Tabla 7-L).005 0.i: ¡t.

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

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

fuera tal que nsz t2 y aceptaríamos IIo (o al menos no la rechazaríamos) de otra forma. Para ensayar la hipótesis H.1 grados de libertad. Varianzas. sí sí = F'o. . En este caso utilizamos el estadístico (véase página 161) F= donde (16) fi.t n.2L6 ENsAyos DE HrporEsrs y srcNrFrcAcroN / Se'tt. El empleo de (12) está plenamente justificado al hacer 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 . aceptaríamos. página 159. Esta es la uarianza 3. utilizando un ensayo de dos colas. Por tanto rechazaríamos Hs. y después utilizar como estima de o2 la media ponderada (n. Procedimientos semejantes empleando ensayos de una cola pueden formularse en el caso que deseemos ensayar la hipótesis de que una varianza poblacional determinada sea mayor que otra.t. n . cuyas varianzas medidas son sl y sr2. basados en el ensayo de dos colas.01 u y la rechazaríamos de otra forma.10 si Fo.. (o al menos no la rechazaríamos) en el nivel 0. . provienen o no de la misma población normal. . t La distribución de ? es una distribución de Student conv: n.1)^ii + fn.05 (y por tanto concluiríamos que f/.. combinada obtenida al donde ^31 t . Relaciones de varianzas. de que la varíanza poblacional es mayor que o2 emplearíamos la hipótesis rilo . Un resultado otro nivel. es correcta) si la varianza muestral específi- ca.1 grados de libertad. fi son las varianzas de las dos poblaciones normales de donde se extraen las muestras.s'.05 si X. Entonces si una muestra aleatoria de tamaño n tiene varianza s2 aceptaríamos flo .) (17) Para ensayar esta hipótesis al nivel 0.0. primero anotamos que F en (16) tiene la distribución F con fr .'oz¡ o<nsz< (14) semejante puede obtenerse para el nivel 0. 4. * n. s2.EIo (o no la rechazarí4mos) en el nivel 0.3¿ son estimas insesgadas de oi combinar los datos.. es decir = o3.J)9j 1) + (nz -1)-- l' n. -2 gradosde'libertad. Bajo esta hipótesis (16) se convierte en "! F::-l q2 q2 \. pero entonces emplearíamos un ensayo de una cola. (rz' .oz : o en(12). por ejemplo.s? + + n. y o!. en el nivel 0. Si ¡/o denota la hipótesis nula de que no hay diferencia entre las varianzas poblacionales. (/8) y lo rechazaríamos en el caso contrario. En algunos problemas deseamos decidir si dos muestras de tamaños m y n respectivamente. Entonces. .1.

32 y 7. El problema de ensay En un intento para determina¡ si una distribución normal representa un buen ajuste para datos dados. se describe más adelante. Un resultado semejante para_ ensayos de una cola requeriría intervaloi de confianza unilateralás. POTENCIA DE UN ENSAYO Se ha visto cómo el error del Tipo I pued.05 es eq pigtm 195 conducente al intervalo de confianzadel96"/o se puede obsenrar que existe u eoría de ejemplo. el enmyo chi-cuadrado.33. donde s camb se deben simplemente a fluctuaciones causa de deterioro en las máquinas. significación.elo vn vn Por tanto. A pesar de que la necesidad de tales intervalos es rara' es posible definirlos (véase Problema 7. CURVAS CARACTERISTICAS DE OPERACION.136 y también Problema 6. al menos en el caso de los ensayos de dos colias. qué tamaños de muestras deben emplearse.30.7. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2t7 R.31). r a¡ la bondad d.14). etc.cAP. El método utilizado general: típica de la muestra para estimar la media y des 7. Sin embargo. 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. Útt "trrayo ajuste de distribuciones teóric as. es posible frecuenten llamadas "modelos" o distribuciones "esperadas") tras de la población. . Los gróficos de control suministran un método útil y sencillo para tratar tales problemas (véase Problema 1.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. conviene utllizar papel grófico de curua normal o papel grófico de probabilidad. 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.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. érrores de los empleados. por ejemplo. (/ ) en la (1e) ñ _ L. Es posible evitar el riesgo de error < nunca la hipótesis. la si de modo que puedan darse los pasos rápid ejemplo en control de calidad.29). GRAFICOS DE CONTROL DE CALIDAD importante conocer cuándo un proceso ha cambiado suficientemente. poüíamos realmente emplear el intervalo de confiaíza del Capítulo 6 para e¡¡sayar ttipótesir. como a veces se le llama (véase Problema 7.

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

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

L)(k . Una corrección análoga cuando se utiliza la distribución chicuadrado-. . Las tablas de contingencia pueden extenderse a un número mayor de dimensiones. Et númeró áé É dado para h > l.. el máximo valor de c viene dado por 1frn .t. la corrección se hace solamente cuando el @s) se conoce frecuentemente como corrección de Yates.*!4t_"p_4.rtt" pr. También existe una modificación análoga de (24). se pueden tener tablas h X h X I donde estén presentes 3 chsúicaciones.62.7 . ejemplo.rytc (véanse problemas 7. En COEFICIENTE DE CONTINGENCIA Una medida del grado de relación. Una tripótesis normalmente supuesta es la de que las dos clasificaciones son independientes enhe si.ü nPr En general. A mayor valor de Q mayor es el grado de asociación. Si el número de filas y columnas de una tabla de contingencia es ilrrh ah.1F nz si las frecuencias observadas pueden solamente calcularse estimando m parámetros poblacionares con los estadísticos muestrales. k il por (b) u : (h. Así por CORRECCION DE YATES PARA LA CONTINUIDAD . como se ha visto en capítulos ant-eriores. asociación o dependencia de las clasificaciones en una tabla de contingencia está dada por (26) que se llama coeficiente de contingencia.Los ensayos de significación para tablas h x h son análogos a los de las tablas 1 X k.6g y 1. (h . La corrección consiste en poner (21) coimo sigue "r "pii""uié ¡2 (corregida) = tL\-g!)- !'5Y * !4-grP +. El número de filas y columnas de la tabla dg contingencia determina el valor rñáximo de C.ráU" de esto véase el Problema 7.L\q 1) si las frecuencias-.. número de grados de libertad es z : 1.220 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. Para.48.Cuando se aplican a datos discretos los resultados para distribuciones continuas deben hacerse ciertas correcciones. ión muestral muy próxima a la distribución no sean demasiaáo pequeñas. . que no es nunca superior a uno..esperadas pueden calcularse sin tener que estimar -parámetros ooblacionales con los estadísticos muestrales. ? I estad de Y de es tal (a) v :.L27\. Las frecuencias esperadas-son halladgf bajo una determinada hipóteiis llo.

. 53 (o) (b) Por el Problema 7.e la regla de decisión y es igual a 0.-210 caras) FiE.2. Si en una serie de 100 lanzamientos sg obtiene una z entre -2.lO 2. 39.5 caras. ambos inclusive. uo Pueeto que np o-{ffi=['r{ffi=' = _2. -.0358 6 3. (2) de otro modo. (b) Interpretar gráficamente la regla de decisión y el resultado del apartado (c).I de la regla de decisión y la probabilidad de cometer este error es igual a 0.5 . de otro modo se rechaza y se decide que la moneda no está bien hecha.1O y z: 2. Según la distribución binomial. \ql . 7-2. se dirá que esta z difiere significatiuamente de lia que cabría esperar si la hipótesis fuese cierta.0358.5 - 50 = 2.) +'noc.1.tp = 1oo(. la hipótesis de que una moneda está bien hecha. se acepta la hipótesis. puede utilizarse para la er¡aluación de la suma anteriqr la aproximación normal a la distribución binomial.. Hallar la probabilidad de obtener entre 40 y 60 caras inclusive en 100 lanzamientos de una moneda. Entonces la probabilidad de rechazar la hipótesis cuando es correcta : 0.en unidadee tipificadas = 60. Para ensayar (c) Hallar la probabilidad de rechazar la hipótesis. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 22r Problema. probabilidad de error del Tipo I) se llama níuel de significación d.) =. (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.5 y 60.que muestra la distribución de probabilidad de caras en 100 Ianzamientos de una moneda bien hecha.1. Por esta razón. cuando debería aceptarse q el error del Tipo. se rechaza. En una escala continua. 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. la probabilidad pedida es /1\'t0 'oocoo( i) /r \6r' .0..CAP. La regla de decisión se ve gráficamente en la Fig./lY' (./ 1" (.10 y nq son ambas mayores de 5. cuando en realidad es cierta. . /1Y.0358. el área total sombreada (es decir.s resueltos ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NORMALES 7.9642 : 0.0358 del apartado (o).58%.7-2 z (60. Región de recbace ? El error que se puede cometer de rechazar la hipótesis (39.5.'lóJ /1Yo .5 en unidades tipificadas = q9'5-:-E 60. la probabilidad de no obtener entre 40 y 60 caras inclusive si la moneda está bien hecha 1 . está representado por el área total sombreada de Ia figura..L0 y 210.'| rrx'ti'\r/ /tY' \-/ \-/ \-/ \-/ \-/ La media y la desvi¿ción típica del nf¡mero de ca¡as en 100 hnzamientos vienen dadas por t.I0 Probabilidad pedida : : área bajo la curva normal e¡tíe z: 2(áreaentre z: O y z: -2.0358 en este casc. pues se habla de rechazar la hipótesis a un nivel de significación de 0. Así.10) 7.5 ca¡as) = 2 l0 Si en una serie de 100 lanzamientos se obtiene un número de caras cuya z se encuentra en las regiones sombreadas. . entre 40 y 60 caras inclusive es lo mismo que entre 39.

np: 64(0.222 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.1.96(4): 1. caras se encuentra entre (2) es Se rechazá la hipótesis en caso contrario. cada6rea sombreada en la Fig. el área entre 0 y zr es 0.95. (2) Rechazarla en cualquier otro caso.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.96.O25O : O-4750. una posible regla de decisión es: (I ) Aceptar la hipótesis de que la moneda est:á bien hecha si Z está entre -1. nótese que la media y la desviación típica de la distribución binomial exacta de caras están dadas por ! .Asípues.96 < z < 1.96{npq o entre 32 - 1.84.025 por simetría. np.5) .01 .96(4)< (x6 32. (b -1.1.58o y pt*. SiZ:1.76y 32+ -1. Segundo método: Con probabilidad 0.< 1.84.05.5i2:-1.84.16<X< 39.96.96.960 y ¡J + l. Entonces el área entre 0 y zr = 0. (o) Primer método: Si el nivel de significación es 0.96(4).84que 32) < 1. ? (c) Según la regla de decisión.23-7. es decir. en ambos casos se aceptaría la hipótesis de que la moneda está bien hecha.68 y Bz + Entonces la repla de decisión sería: (l) Aceptar la hipótesis si el nfrmero de caras se encuentra entre 22 y 42 inclusive. Se puede argüir que con solo una cara más que se hubiese obtenido. cada área sombreada en la figura anterior es 0. se habría rechazado la hipótesis. Esto es lo que se debe afrontar cuando para tomar decisiones se toma cualquier línea de división.4950 ! zt = 2.32.y z¡ : 1. -zr Fis.5. Entonces. es decir.0050 :0.32 y o -= t/iw = y'6llos)(05) = = (X p)/o 4 bajo Ia hipótesis de que la moneda está bien hecha. Si el nivel de signilicación es 0.01.? en lugar de 0.58o. el número de ca¡as se encontrará entre ¡¡ decir.16 y 39.05 y (b) 0. Se puede aceptar la hipótesis cuando realmente debería rechazarse como.que también conducea ) obtenerse de la Tabla ?-1. (d) Si.96 y 1.58(4):21.96 y 1. .(X-32)14:-1. El error que se comete al aceptar la hipótesis cuando debería decisión.1.96.58(4\: 42.7-B 2r Los valores críticos la Tabla 7-1- -1.96 <(x-gz)l¿. por ejemplo. 2.575).96_ (2) Rechazar la hipótesis en cualquier otro caso.5000 .005.96 equivale a . 7-3 es 0. Entonces Z la regla de decisión resulta: = (X - 32\14.96(4)< X< 32 + 1. (i ) Se acepta la hipótesis de que la moneda está bien hecha si el número de 24. es decir. Tercer método: y np+1. Diseñar una regla de decisión para ensayar la hipótesis de que una moneda est. se ve que con probabilidad 0.96(4) :24.99 .(X-32)l¿:1-96óX:39. entre 25 y 39 ambos inclusive.96(4) la regla de decisión anüerior. Para mayor discusión véanse Problemas 7 rechazarse ea error del Tipo 1I de la .t6. Entonces.3.966X=24. g2-2. 7. Siguiendo el mismo procedimiento del método segundo del apartado (o ). Así. pues.96yñpq lleva a Ia regla de decisión anterior. 24.5000 0.á bien hecha si en una muestra de 64lanzamientos de la moneda se toma un nivel de significación de {c) 0.25. Estopuedetambién - el número de ca¡as se encontrará entre lr 2.bg (másexacüarnente 2.1. sería el caso cuando la probabilidad de cara fuese realmente 0.O. 89.2.960.

5 üiene un valor tipificado de (31.05 el individuo tiene fuerza de E. zl (2) Si z es menor de 1.05. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 223 7. la decisión rnantiene es decir. no significativos al nivel del 0.P.05 pero no al nivel del 0. Entonces el área enüre O y zt = 0.01 son probablemente significotiuos.4900Y2r:2.01.P. Rechazar Ia hipótesis en ca6o contraúo.54 p=.5 .01. (D) Sielniveldesignificaciónes0.5) en unidades tipificadas es 1.cAP. la regla de decisión del Problema 7.06 se debe elegit z1 en la Pig. Asfrpues. puesto que no se está interesado en la facultad de obtener valoree bajos. Fig.645. 7. . Sin embargo.6.5) = zb ! o=\/wq = /86(05)(-05) = ¡/Es = (a) Para un ensayo de una cola al nivel de significación de 0. es decir. en muchos ejemplos prácticos es importante decidir si una hipótesis debe eer aceptada o rech¡zada.ar la hipótesis si el número de caras se encuentra e¡fte 22 y 42 inclusive. la media y la desviación tfpica del número de cartas identificad¿c correcüamente 3.05 y (b) 0. Esto puede también eacarse de la Tabla 7-1.01 ¡on altomente significatiuos. Algunos estadísticos adoptan la terminología de que lios resultados significativos al nivel del 0.4. p es la ptobabilidad de que el sujeto elija conectamente el color de una catta. 7-4 Puesto que 32 unidades tipifrcadas (32 .33.98 es mayor que 1. (I) ee Adüértase que tealmente debería aplicarse una conección de continuidad. Se elige un ensayo de una cola.64:1. Seglrn la üerminologfa.5.05.5 y el sujeto tiene fuerza de E.4500. mientras que los resulüados significativos a niveles superriores al 0.26)13. los resultados son significativos al nivel del 0. Una completa discusión de tales casos requiere l¿ consideración de errores del fipo II (véanee hoblem¿s 7. puesüo que 32 en una eecala continua está entre 31-5 y 32.Puestoque32(ó 31.entonceseláreaent¡eOyzt:0.S.) 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.645 los resultados Be deben a la casualidad. sino en la facultad de obtener aciertos numerooos. ¿Cómo se podría diseña¡ una regla de decisión en el Problema ?.S.26'). Si el zujeto identifica conectamente 32 cartas' determinar si los resultados son significativos al nivel de significación de (c) 0. de modo que posteriores investigaciones del fenómeno están probablemente justificadas. Es desconocido-para el zujeto cuántas cartas rojas o azules hay en el lote.omete al aceptar una hipótesis que debería ser rectrazada. se concluye que los resultados del experimento anterior wn probablemente significatiuos. Si la hipótesis está dado por ff6 es cierta.P.S.98 (ó 1. Así por ejemplo.84) que es menor que 2.3 que evite el enor del Tipo T? El error del Tipo I[ se c.645. se concluye que al nivel del 0. Sin embargo. 7-4 de modo que el área sombreada en la región crítica de r¡alores alüos sea 0. en lugar de aceptar la hipótesis. 31.06 son no significatiws. En un experimento sobre percepción extrasensorial (E.84 llegándose a Ia misma conclusión anterio¡. se deduce que los reeultado¡ no son significaüuos al nivel de 0. es decir.64: 1.5 V el sujeto está simplemente adivinando.23-7. entonces se tiene que decidir entre las dos hipótesis siguientes: Si Hoi p: 0.645. los resultados significativos al nivel del 0.05 y el indiüduo tiene fue¡za de E.P. lo que efnificarfa que ee rehuaa cualquier decisión en este caso.S. lo que se hace es simplemente no rechazarla.3(b) serfa: (I ) (2) No recltzz. los resultado¡ son totalmente casuales Ht: p ) 0. Y zr : 1.25\15.np = 50(0. Para evitar este etlor.33.01. la regla de decisión o enaayo de significación es: (f ) Si la z observada es mayor que 1.

1. como puede deducirse del koblema 7.23: -4.5(b). que es mucho menor de -2. por un período de 8 horas. 7-5 toma como regla de decisión: (1) La aseveración no es legítima si Z es menor de -2.05 y (b) 0. Por ejemplo.7. entoncegz¡ : -2.$) : 1AO y " - 7. 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. es decir.6. .96.s.01 . se llama a veces niuel de significación erperimental o descriptiuo. (2) Se acepta l/6 (o no se toma decisión alguna) en caso contrario.224 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.23. en este problemapuesto quep(Z > 1.0322 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.33. ta probabilidad citada en-este caso 0. Asípues.5).P. es sobre el 3 por 100. (2) En caso contrario. Determinar si la aseveiación del fabricante es cierta.r¡ = a.01.r es la duración media de todos los tubos producidos por la compañía.96 a 1. Ahora 16O en unidades tipificadas (160 . algunos estadísticos citan las probabilidades reales inherentes. con una desviación típica de 120 horas.. Si ¡.En una muestra de 200 individuos que tenían la alergia la medicina suministrada alivió a 160 personas. El fabricante de una patente médica sostiene qu€ la misma tien'e un 9O% de efectividad en el alivio de una aler_gia.Ossetienelasiguienteregladedecisión: (/) Se rec}raza 116 si la z de la media muestral está fuera del rango . si el área sombreada en la Fig. la aseveración es legítima y los resultados obtenidos se deben a la casualidad (en cuyo caso Si se acepta 116 ).84):0. comprobar la hipótesis ¡¡ : 1600 horas contra la hipótesis altemativa r¡ # 1600 horas con un nivel de significación de (a) 0.S.dondegvoscnlamediayladesviacióntípicadelapoblación de todos los tubos producidos por la compañía. Denótese porp la posibilidad de obtener alivio de la alergia utilizando la medicina. puesto que Ee esüá interesado en determinar si la proporción de gente aliviada por la medicina es demasiado baja. o de la Tabla 7-1.33 (en cuyo caso se rechaza H¡). Si se toma el nivel de significación del 0.33. altamente significatiuos (véase final del Problema ?. 7.9 y la aseveración es correcta es falsa Hy: p10.9)(o. mediante la simetría de la curva. Entonces tre las dos hipótesis: se debe decidir Ho: p: 0. 3.01.l8O)14.viacióntípicaop:s/1/i. H1: ¡t* 1600horas Un ensayo bilateral debe utilizarse aquí puesto que g * 1600 incluye valores mayores y menores de 1600. El estadístico bajo consideración es la media muestral X. Se zl Fig. La duración media de una muestra de 100 tubos fluorescentesproducidosporuna compañía resulta ser 15?0 horas. (a) Paraunensayobilateralalniveldesignificaciónde0. . 7 Puesto que los niveles de significación sirven de guía en la toma de decisiones.0322. \/"pq = /?2ooxo.9 y la aseveración Se elige un ensayo unilateral. Se tiene que decidir entre las dos hipótesis: Ho. 7-5 es 0. lt:1600 hora. La distribución muestral de X tiene una media r¿x-Éyunades.

7.33. ¡. En el Problema 7.01? Se tiene que decidir entre las dos hipótesis: Ho: lJ: Ht: lt > 1800 libras. (a).50 se encuentra dentro de este rango.Ff6 (o no se toma ninguna decisión) en caso contrario.05 y (b) 0.05.96 a 1.01.01.F/0 (2) De otro modo. se tiene X-p ol\n 1850 . ensayar la hipótesis p : 1600 hora. el valor de z es -2. La resistencia a la rotura de los cables producidos por un fabricante tienen una media de 1800 libras y una desviación típica de 100 libras.96 a 1 .05. se tiene g : 1600 y o* = a/t/n = 120/\/L00 = 12.58.9. (1 Hs si Z es menor de -1.1600y12 : -2.33 los resultados son significativos al nivel de 0. 7-4). ¿Puede mantenerse que.33. puesto que se ensaya I/6 conha una alternativa diferente en cada caso.33. se rechaza /16 al nivel de significación del 0.1800 -------------ó.50. en efecto. Se debe < 1600 decidir entre las dos hipótesis: Ho: lJ: 1600 horas. con los niveles de significación de (¿) 0.01.645. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 226 eneuentra fuera del rango Bajo la hipótesis I/6. De aquí se deduce que los resultados son olúamente significatiuos y Ia aspiración de mejora debe ser admitida. Ilo es aceptada (o no se toma decisión alguna). naturalmente esperarse. Para ensayar esta aspiración. y hay un cambio en la resistencia Aquí debe emplearse un ensayo unilateral (véase Fig.7 Como en el Problema de significación del 0. se acepta Ile (o no se toma ninguna decisión) al nivel de sfinificación del 0.7(b) mediante un ensayo bilateral. Mediante una nueva técnica en el proceso de fabricación se aspira a que esta resistencia pueda ser incrementada. se rechaza pues. (a) Sielniveldesignificaciónes0.oo loo/v5o que es mayor de 2.1600)/12 : (L570 . y realmente no hay cambio en la resistencia 1800 libras.¿ 7.58 a 2. II1: ¡t{ 1600 horas. ' (b) Si el nivel de significación es 0. el valor de e es -2.01 y. laregiónsombreadadelaFig. que es menor de -1 .9 6. Entonces.8. Puesto que / : (X .cAP. por tanto la regla de decisión: -L. utilizando la desviación típica muestral como una estima de o.645. /ls al nivel de significación del 0. Como en el Problema 7. hay un aumento de resistencia al nivel de significación del 0. Adviértase que esta decisión es la misma que la obtenida en el Problema 7. (2) S.s frente a la alternativa horas. basadas en ensayos de una o dos colas. se ensaya una muestra de 50 cables y se encuentra que su resistencia media es de 1850 libras.01 eI valor de z1 en la Fig. ) (2) Se acepta. fle al nivel (b) Si el nivel de significación es de 0. I/e es cierta. Las decisiones concernientes a hipótesis'lfe dadas. que es menor de -2. el rango -1.01. Al nivel de significación del 0. Se ¡ecltaza 7 .05. 7-5 es -2.7(a).7.645.50. Bajo la hipótesis de que (I es rechazada.96 en la regla de decisión del apartado (c) se sustituye por -2. Esto cabe.T-Stieneunáreade0.0Sysetieneque zt : Se adopta.33. puesto que z -2. se rechaza pues.01 la regla de decisión es: ) Si eI valor de z es mayor que 2. 7-5). . Adviértase que esta decisión es idéntica a la obtenida en el Problema 7.50 se -l . Debe aquí utilizarse un ens¿ryo unilateral (véase Fig. no están siempre en concordancia. acepta H6 (o no se toma ninguna decisión) en caso contrario. De aquí que se adopte la regla de decisión: (I ) Se rechaza H¡ si Z es menor de -2.7(a) mediante un ensayo bilateral.

5.0ó hay una diferencia significativa entre las dos clases y la segunda es probablemente mejor.5 pulgadas. !40*50 = 1.05 pero no al de 0. ! la diferencia se debe simplemente al azar H t : Pt * ¡t2 .606 donde se han utilizado las desviaciones típicas muestrales como estimas d. . Así pues. ambas clases provienen de la misma población. se tiene que Supóngase que las dos clases provienen de dos poblaciones que tienen de medias respectivas decidir entre las hipótesis: l\ y tJz.05.226 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [g. se rechaza la hipótesis lls si el valor de z fuese mayor de 1. De aquí se deduce que al nivel de 0.11.58.10 si se está dispuesto a correr el riesgo de tomar una decisión errónea con una probabilidad de 0.El6 .58 y 2.01 no hay diferencias significativas entre ambas clases. ¿Hay una diferencia significativa entre el restfltado de las dos ciases al nivel de significación de (a) 0.10.e o1 y o2. "Z= l8r. Debe sin embargo ponerse de manifiesto que la hipótesis puede rechazarse al nivel de 0.hay una diferencia significativa entre las dos clases la hipótesis lls.645. 7. p2 .e 2. mientras que 50 estudiantes que no mostraban interés en tal participación tenían una estatura media de 67. Entonces z= (a) (ó) Pata un ensayo bilaüeral.01. - l"? . = o*r-fr. En la primera clase la puntuáción media fue de 74 con una desviación típica de 8. = 1# = -2.4s Puesto que los resultados scin significativos al nivel de 0. Se debe decidir entre las hipótesis: Ho: llt : H t: Ft ) Bajo la hipótesis. (b) 0. de acuerdo con la terminología utilizada al final del Problema 7. es decir. Enton- Bajo ferencia de medias están dadas por Ho: ltt : llz. ?. = o n*r-'^" = !t-". ltz . La estatura media de 50 estudiantes de un colegio que tomaban parte en las pruebas atléticas fue de 68.lp.01 si Z se encuentra fuera del iritervalo -2. Para un ensayo bilateral. mientras que en la segunda clase la puntuación media fue de 78 con una desviación típica de 7.5 pulgadas con desviación típica de 2.la estatura media del primer gtupo ^o hay diferencia entre las estaturas mediases mayor que la del segundo ur?.96.2 pulgadas con desviación típica d.-*. Ensayar la hipótesis de que los estudiantes que participan en las pruebas atléticas son más altos que los otros. z ENSAYOS RELACIONADOS CON DIFERENCIAS DE MEDIAS Y PROPORCIONES 7. no se puede rechazar la hipótesis a este nivel de significación. Se hizo un examen p dos clases formadas por 40 y 50 estudiantes respectivamente. n2 = 0.53 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 0.05 si Z se encuentra fuera del recorrido -1.8 pulgadas.. ft1 "8. De aquí se deduce que al nivel de 0.05. I vez cada 10.01? ces. los resultados son significativos al nivel de 0.10. La media y la desviación típica de la di- uir-i.96 a 1. los resultados son significativos al nivel de 0. se deduce que los resultados son probablementesignificatiuos. =o n*r-rr"= "? .

Se debe r! p2.5¡z ¡ ".05 si Yif-t'uou (b) La diferencia observada ó 1/-n=8."2 nn (2._P" orr.01. H t : pt ) pz. se rechazaría la hipótesis IIs solamente si z fuese mayor de 1.ir_*./" Para la diferencia de 0.01.ebr(-#. Dos grupos A y B fo¡mados cada uno de 100 individuos.?50 - = 1. .o*r-*. = o o. = 0 V p". respectivamente las proporciones poblacionales curadas ( I ) utilizando el suero . pero no al grupo B (que se llama gtupo control). bajo la hipótesis tiI6.650 0.t. Se encuentra que en los grupos Ay 8.5 ó t57 n>1b? 50 De aquí que se debería incrementar cada muestra en al menos : lO7 . De donde se deduce que a este nivel tambiénlas diferencias se deben al azgt. Entonces ry- en los dos grupos muestrales el valor (?5 * P. = o?.8 í¡ n>78 50 Así pues. Denótese por P utiliza¡ suero. (a) o. = p de curas 0.L2.10 se rechazaría f/e solamente si el valor de z fuese superior a 1. al nivel de significación del 0.7 observada en las estaturas medias se tiene xt .01 si : 28 al menos.30.01? Supóngase que el tamaño muestral de cada grupo eB n y qLe las desviaciones típicas manecen iguales a las de antes.II para que la diferencia observada de 0.tt d \/a>r2. respectivamente se han recuperado de la enfermedad. 0. Entonces.7 pulgadas en las estaturas medias sea significativa al nivel de significación (o) 0. se r*}lrazaría lahipótesis1116 solamente si z fuese mayor de 2. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 227 7.28.r-r.7\n 3'75 La diferencia observada será significativa al nivel de 0.05. (c) 0:10.75/\n 0. ui'!!=r.7 3. se tiene .70 y donde q : 1 p : 0. 14. se deduciría que el suero es efectivo al nivel de significación de 0. (b) 0. deberá incrementarse el tamaño de cada grupo en ?8 será significativa al nivel de 0.10. Ensayar la hipótesis de que el suero ayuda a curar la enfermedad al nivel de significación del (a) 0. ¿En cuánto deberíán incrementarse los tamaños de muestra de cada uno de los dos grupos en el Problema 7. siendo en todo lo demás los dos grupos tratados idénticamente.0648 donde se ha utilizado como estima de la proporción 65)1200 : 0. (b) 0.r.54 (c) De acuerdo con un ensayo unilateral al nivel de significación del 0. el suero no es efecüivo Ho: Pt : Pz.zt. 7."io" dos grupos per- o*r- *.13.05. padecen una enfermedad.05. Puesto que esta condición es satisfecha.75 y 65 individuos.#) = 0.33.645.l las diferencias observadas son debidas al az.xz 4 .y el suero es efectivo Bajo la hipótesis 116.. se debe deducir que los resultados se deben al azar a este nivel de significación.CAP. urr-r'. Puesto que el valor de z es 1. Se administra un suero al grupo A.zorro.54. (ó) De acuerdo con un ensayo unilateral (c) Si se utilizase un ensayo unilateral al nivel de significación de 0.75 n .09 3. (2 ) sin decidir entre las dos hipótesis: es decir.0648 ro.

(¿) Si solamente se desea determinar si hay diferencia entre los distritos.48)(200)l/500:0.. se deduce que el suero es efectivo con solo una probabilidad de 0.?S. que son las mismas del problema anterior. z Adüértase que las conclusiones anteriores dependen de lo que se esté dispuesto a arriesgar de tomar una decisión erróneá. Solucionar el Problema 7.encontrándosedentrodelintervalonosepuedetechazatH¡ a este (b . 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. . ?..0374 P. se rechaza É16 a este nivel y se deduce que el candidato es preferido en el dis' trito A . Al nivel de significación del 0.15. respectivamente. se puede proceder a dar el'suero a grandes grrlpos de gente solamente para obtener entonces que realmente es inefectivo.56)(300) 0. Puesto que éste es el caso. 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. Por otro lado. z=ñ= - = 2.472.33.t 0. Bajo la hipótesis (Ho: pt:pr ) se tiene l¡.-P. Co¡r un ensayo unilateral y al nivel de significación del 0.zol ro.zt y 195 del grupo B.228 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. se puede rechazar la hipótesis al nivel de significación del 0.14. se rechazaría Hs si Z estuviese fuera del in' tervalo-1 .6b0 respectivamente.01 de equivocación.01.13 si cada grupo dividuos del Grupo. Entonces 0.650 0. (b) el candidato sea preferido en el distrito A. es decir. . estaban a favor de un candidato dado.480 = -0^0456== nivel. en muchos casos es imposible el aumentar el tamaño de la muestra.05. Esto muestra cómo al incrementarse el tamaño de la muestra aumenta la seguridad de las decisiones.Puesto queZ:1.sol( r*-L * r*-L ) : 0.560 dondesehautilizadocomoestimadepyqlosvalores +(0. Entonces = 0 or.-t'r= se ú'G.0374 .528 = z - P. _ 1. se debe decidir entre la hipótesis (Ho : P t : pz\ y (Ht : P t * pz).96a1.67 es puesto que el valor de z es mayor de 2. Si los resultados se deben realmente aL azar y se toma la decisión de que son debidos al suero (error del Tipo I). Bajo la hipótesis ^FIe.05 ensayir la hipótesis de que (o) haya diferencia entre los distritos. Una muestra de 300 votant€s del distrito A y 2O0 del distrito B mostró que el 66% y el 48% respectivamente. que se estudia con un ensayo bilateralCon un ensayo bilateral y al nivel de significación del 0. ?." 0.645. se está forzado a toma¡ decisiones en acuerdo con la información utilizable y asÍ se tendrá que correr mayor riesgo de tomar decisiones erróneas.0. = ú(¡D=@=00456 f(0. Sin embargo.. Este es un riesgo que nb siempre deseamos suponer.750 = ro.195y600:0. se debe decidir entre la hipótesis (f/e ).96. En tales casos.05 se rechaza H¡ si Z fuese mayor de 1.70 utiliza como estima dep.528 l'75 y 1-0. l'pr-pz = donde (225 0 ú¡'. que se estudia con un ensayo unilateral. decir. se compone de 300 individuos y si se curan 225 i* : 0.P" = rrar. que están a favor del candidat<¡.750 y 195/300 Adviértase que en este caso la proporción de gente curada en los dos grupos son 225/300 : 0. Denótese por pr y p2 las proporciones de todos los votantes de los distritos A y B.

7. y la afirmación del fabricante de modo que se requiere un ensayo unilateral. se rechaza Puesto que ?: 3.05. Se rechaza. Se desea decidir entre las hipótesis Ho: lt:0.86 .36. y la máquina Ht: P + 0. que para 6 Se rechaza. Ensayar la hipótesis de que la máquina está en buenas condiciones de producción al nivel de significación del (o) 0. ABI sería aconsejable comprobar la máquina o al menos toma¡ otra muesha.. lo cual para 10 libertad es eI intervalo -2.L7¡"- 1= ?l|'!-_99rnJ .Efs al nivel 0. -1:5 gradosdelibertad da ?) -2. : ) Para un et¡sayo unilateral al nivel de significación del 0. y la máquina de modo que se requiere un ensayo bilateral.F/e en caso contrario.un.05. Para determinar si la máquina sigue en buenas condiciones de producción.01. .25 a 3. que para 5 grados de libertad da 7') -3.ee.01 se adopta Ia regla de decisión: (I ) (9) Se acepta .ee5.050. se encuentra en buenas condiciones no se encuentra en buenas condiciones Bajo la hipótesis (o H¡ se tiene . se adopta la regla de decisión (1) (2) Se acepta f/¡ : si ? es mayor de -f.01? Se tiene que decidir entre las hipótesis Ho:. = 4---f. Se rechaza -1 :9 gradosde lls en caso contrario.003 pulgadas.F/6 eri caso contrario. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Ú ENSAYOS RELACIONADOS CON LA DISTRIBUCION DE STUDENT 7. : ) Para un ensayo unilateral al nivel de significación del 0.05 se adopta la regla de decisión: (I) (2) (ó) Se acepta fle si f se encuentra dentro del intervalo-f cz¡ a f e75.25. (b) 0. H lJ: 8000 libras. que resulta tener un grosor medio de 0. (b) 0.6).86.01 .cAP.050. que para 10-1 tad es el intervalo -3.05 pero no al nivel 0. Ya que se rechaza lls al nivel 0. y la afirmación del fabricante está justificada es falsa 1 : ¡t 1 8000 libras. se toma una muestra de 10 arandelas.26.050 pulgadas. : 9 grados de liber- Puesto que ?: 3.17.05 .01 . se adopta Ia regla de decisión (l) (2) (b Seacepta116 si ?esmayorde -ú. 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.053 pulgadas y una desviación típica de 0.00.F/6 si ? se encuentra dentro del intervalo --f. ) Para un ens¿ryo bilateral al nivel de significación del 0. Bajo la hipótesisae se tiene (o . ¿Se puede admitir la afirmación del fabricante aI nivel de significación del (a) 0.86. Puesto que ? -B .F/s. se rechaza ffs . -t/n- t = 9!$-.g.16.i6= = -8. se rechaza .o. Para un ensayo bilateral aI nivel de significación del 0. . se acepta.26 a 2. Puesto que T = -3.01.f.4!9 ú0 -t -_. Se deduce que la afirmación del fabricante es extremadamente improbable que esté justificada.01.00.00. En el pasado una máquina ha producido arandelas con un grosor de 0. á ú.É16 elr cáso contrario. se dice que lamuestraresultaproboblemente significatiua (véaee la terminología del final del Problema 7 .05. I/6 al nivel de 0.

eue para n¡ I nz . .ee5.2 : 22gradosde libertad es 2.45 (¿) Con r¡n ensayo bilateral al nivel de significación del 0.2: 28 grados de libertad es el recorrido -2. ¿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. Q. ¿Hay diferencia significativa entre el I. En una estación agrícola se deseaba ensayar el efecto deun determinado fertilizantn sobrela producción de trigo. "tf. n1*n2-2 "=!ffi (a) I 12(0.. la mitad de ellas fueron tratadas con el fertilizante y la otra mitad no (grupo control). (b) Con un ensayo bilateral aI nivel de significación del 0. mientras que la media en las parcelas tratadas fue de 5. lo cualpara n1 * nz . se eligieron 24 parcelas de terreno de igual superficie. sé rechazará Ia hipótesis f16 si ? fuese mayor que ú.05.1 - 4.05.3s7\n/12 + Urz = 1. se rechazará la hipótesisl{6 si ?se encuentra fuera del recorrido --t r¡g¡. tiene que decidir entre las hipótesis se Ho: lt : ltz. T- xt-x. y ¡r2 las medias poblacionales del decidir entre las hipótesis I.ee. eue para 28 grados de libertad es el recorrido -2.ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.44 y T= ltz - t07 9. a ú.ctsa ú e75.2:. mientras que el L Q.36 fanegadas. Q.19. no se puede rechazar.y hay diferencia esencial entre los grupos Bajo la hipótesis lls. "t/U"t+ Y"2 donde o - n.85 Con un ensayo unilateral aI nivel de significación del 0.05.01. Todas las demás condiciones fueron las mismas.8 0. Q.4012 =o'397 v T= 5. se tiene que Ho: lt : ltz ! no hay diferencia esencial entre los grupos Hti ltt =* tlr.18.01. 7.44\/ l/16 + l/t4 = 1.y la diferencia se debe al azar H t: pt ) tt1. (cociente de inteligencia) de 16 estudiantes de una zona de una ciudad dio una media de 107 con una desviación típica de 10.16 + 74 . y (b) 0.76. de los dos grupos. hay diferencia significativa entre el I. de los estudiantes de las dos zonas.y el fertilizante incrementa la producción Bajo la hipótesis I/6.01. ? ?.O5 a 2.8 fanegadas con una desviación típica de 0.S! + nrS! n1 -ln2-2 Entonces t6+L4-2 =9. El I. La media de trigo conseguida en las parcelas no tratadas fue de 4.2 : 72 + t2 . T= Entonces xt- X. Q.01. Así pues. Así pues.01.05? Si se denota por ¡l-. Para ello. de 14 estudiantes de otrazona de la ciudad dio una media de 112 con desviación típica de 8.Ef6 al nivel de significación del 0. respectivamente. no se puede rechazar É16 al nivel de significación del 0. no se puede rechazar Se deduce que no 116 al nivel de significación del 0.?6 a 2.ffi + 12(0-36)2 t/". de los dos grupos al nivel de significación del (o) 0.40 fanegadas. donde nrsl + n252. Así pues.1 fanegadas con una desviación típica de 0. se rechazará Hs si T se encuentra fuera del recorrido -t.51.

ltle al nivel 0. Un instructor tiene dos clases.sr.4.e5.32 on?T. ya que Ad F( F .1 para v : 20 .05 y (b) 0.tá h.01. Sin embargo antes de sacar conclusiones definitivas referentes a la conveniencia del fertilizante. y la variabilidad se ha incrementado El valot de 12 para la muestra €8 X2 : nsz/sz :20(0.ee : 2.0 onzas. que ás igual a 36.01.EIe al nivel de vel de significación del 0. llenados por una. 24 grados de libertad (véase Apéndice F). se rechaza ^Ef6 al nivel de significación del 0.32)2/(O. f ( F. se rechaza . Una muestra aleatoria de 20 paquetes dio una desviación tipica de 0. ¿Podemos concluir al nivel d-e significación del (c) 0. 9tt" 4'rn.!4 = '*rrrr'= 1Eo Hay que decidi¡ entre las dos hipótesis : o ¡ = o2.06. ¡12 fuese mayor- Mediante un enaayo unilateral. probablemente incrementado. sería deseable tener alguna prueba más. Así. El número de grados de libertad para las clases son respectivamente rr¡ :16-1:lb.Por tanto . en una asignatura específica.oz.05. (o) (b) Mediante un ensayo unilateral. Se deduce que el incremento en la producción de trigo alttilizar el fertilizante es probablemente significoúiuo. no se rechaza.la clase A tuvo una desviaóión típica de 9 en tanto que la clase B tuvo una desviación típica de1'2. En el mismo examen. ¿Es el aparente incremento de va¡iabilidadsignificativa al nivel de signifióación del (a) 0.máqlLlina era de 0.05 Si el valor de X2 muestral fuese mayor 9ue x?gs.cAP.EI6 al nivel de significación del 0. (b) Ya que f'.v2 = 24 tenemos del Apéndice F. muestras en cuestión. A y B.2 para 19 grados sig de I O. y cualquier va¡iabilidad observada se debe al azol Íi1: o1>.8. LaclaseA tiene lGestudiantes en tanto que la clase B tiene 25 estudiantei.05.É16 al ni- Se deduce que la variabilitlad se ha. empleando eubíndices 1 y 2 para las clasee A y B respectivamente. sr g.Z5l2 = 82.01 paraZ¡ = L5..Ffs al nivel de significación del 0.8g. que es igual a 30. aunque no hubo diferencia significativa en medias de las calificaciones.?0. pues.25 onzas.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. Entonces. = E = *n@ = r. y los resultado¡ observados se deben alazar H 1 : o > O .25 onzas.LL para 15. vemos que tampoco podemos rechazar. ENSAYOS RELACIONADOS CON LA DISTRIBUCION CHI-CUADRADO 7. Vz:26-L=24. se rechazará. Así puee.01. p. sz :12 de modo -que G? = .25 onzas.72. (b) 0. F.05.05 que la variabilidad de la clase B es mayor que la de la clase A? (o) Tenemos.74 eí Entonces.serechazarálahipótesisfl6si?fuesemayor que ú. ENSAYOS RELACIONADOS CON LA DISTRIBUCION ¡' 7-2L.nn no podemos techazar ff6 al nivel 0.01 si el valor muestral de pues. . se rechaza. lo cual para22 grados de libertad esL. 4 = .er:z.1 : 19 grados de libertad. En el pasado la desviación típica de los pesos de ciertos paquetes de 40.Alnivel 0._Lr'? = if Itr¡ (e)2 = 86. Y deberá efectua¡se una revisión en la máquina.01? Hay que decidir entre las dos hipótesis: Ho: o :0. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 237 (ü) Conunensayounilateralalniveldesignificacióndel 0.

(c)p :0.24.2 es decir.58 tipificadas = üipificadas - = = : -2. 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 .5 39.5 4. sino solamente si hay una variabilidad en las calificaciones. .? tiene una media y una desviación típica que Bon dadas por p=np=(100)(0.7 39 5 caras 60.6.jo la curva normal de La izquierda en la Fig.7 7.Efs cuando realmente p : 0.5 caras Fig.90 4.07 -6.2L si existe una diferencia significativaenla media de las calificaciones de las clases? Justificar su solución. con la regla de decisión dada hay muy poco riesgo de aceptar la hipótesis de que la moneda eetd bien hecha.5 4.23. se acepta cuando el p = 0.2(ol. ¿Canbiarían sus conclusiones en eI ProblemaT.J? neda está bien La hipótesis ff6 de que la moneda está bien hecha. la media y la desviación típica de la distribución de caras vienen dadas por !=np=(100X0. (a) Sip : 0. que representa el nivel de significación del ensayo de lfe. llegando a una regla de decigión (2) Se decide sobre Q y P y después se llega a una regla de decisión.5.5 en unidades 39.0192 Así.3) = 4. ?-6.7. esta á¡ea d.23 si (a)p:0.ó y 60. ¿cu6l es la probabilidad de aceptar la hipótesis de que la mohecha cuando la probabilidad real de ca¡a es p : Q.6. es igual a 0.18 Entonces 9: área bajo la curva normal entre z : -4.¡O tn Entonces I: áteabajo la curva normal entre z --6'66 y z -2-O7 : 0.6)=60 ú = lnpq = 60. está dada por el área rayada p de la iigura.O5 ó O. cuando realmente P : 0.0358.5 en unidades ' = : r/"pq 60. La probabilidad de rechazar Ffe cuando debería aceptarse (es decir.6 p-0. Para calcular esta área se obeerva que la distribución bajo la hipótesisp : 0. (b)p : 0.90 V(100)(0.7)=70 60. ?.232 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. entonces la distribución de carag en 100 lanzamientos eetá representada por la curva normal de la derecha en la Fig. En la práctica se pue' den presentar otras dos posibilidades: (I ) Se decide sobre c (tal como O. probabilidad de error del Tipo I) viene: dada por el área toüd c de la región sombreada ba.8. Puesto que la media real de las calificaciones no se usó para nada en el Problema 7 .9' (d) P : O-4.66 to'l.99 60.2L no inüeiresa su¡ valoree.58 = 70 y'6oo)(oJ)(0.5 en unidades tipificadas = - 60 60 = = 0. Solucionar el Problema 7.4) = 4. rOalculada en el Problema 7.7-6 Si la probabilidad de cara es p : 0.18 yz : O.5 en unidades tipificadas = 39.6.6)(0. 7-6. probabilidad de error del Tipo II). número de caras en 100 lanzamienüos se encuentra entre 39.tO2: 0. Adviértase que en este problema se tenía la regla de decisión de la que se obtenfa c y p.? . Esto es de esperarse ya que no estamos tratando de decidi¡ si hay una diferencia en las medias de las calificaciones. pues.5 p=o.O1).7 (es decir.5405 Asi pues. En el diagtama se ve claramente que la probabilidad de acepLr . y después se calcula p.102 -4.22. CURVAS CARACTERISTICAS DE OPERACION 7.

12 p: área bajo la curva normal entre z : -10.2 0.5405 0. (d) Porsimetríap = 0.0192 0.9: 0 pa¡a todos los propóeitos prácticoe.5.24.0000 0. (b) ( 1 p ) y p. Nótese que p representa la probabilidad de aceptar la hipótesis p : 0.0 0.8 0.? 0. La Tabla 7-3 muestra los valores de p correspondientes a valores dados dep. Sin embargo.6 0.23y7.9642 y ha eido introducida en - L-p 1. Be ve que sip = 9.(a).8) = 80 y o=.0 0. Esta probabilidad es igual a 1 0.t"p:0.0358 :0.0000 la Tabla 7-3.se gla de la decisión o enoayo de hipótesis. 7-1.25. Interpreta¡ los gráficos obtenidos.9 0.6 0.cAP. si realmente'p : 0.3 02 0.9642 0.5 en unidades tipificadaa 39.1 06 0{ 0.p:0.9.4 da el miemo valor deÉq.6 0.6.4 0.8 0. 7-z (o) El gráfico p.5405.eedecir.1 0.24 construyendo un gráfico cuyos ejes sean (a\ I y p..0000 0.09ó8 al nivel de significa- En general.9 0.8 0.5 0.5405 0.0000 0. llama curua carocterísüca de operación o curva OC de la re- la di¡tancia del punto máximo de la curva OC a la línea p ción del e¡rsayor : I es igual a a : 0.5 se puede interpretar p como la probabilidad de acepoar p : 0'5 cuando debiera ser aceptado.4 0.23y 7. 1c) Comparando con (b) o por cálculo. (b) Sip=0.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION y'(100X0-S)(0¿) 233 =¿.12 y z -4. p ee muestra en la Fig.3 0.2 0.7 0. Representar gráficamente los resultados de los Problemas 7. el apuntamiento mayor de la curva OC es la mejor regla de decisión pa¡a techazar hipótesis que no son válidas.6 en unidadeb tipificadas Entonces = ry = q9? : = = -4.enüoncea p=np = (100)(0.9 1.88 = 0.1 0 0 (a) (D) Fig.8.0192 0.5 cuando realmente p tiene un valor distinto a 0.88 -10./nW= 60. blemas7. comolorobtenidosenlosProTabla 7-3 p B 0. 7. .0000 muy aproximadamenüe.3 0.6 0.

(b) Bajo la regla de decisión adoptada en (a). (2) Se'aceptqlfq pue¡to 'que z = cessi Z>2.310 libras? Supóngase que la desviación típica se mantiene en z4libras.01. I¡ cantidad (l . ae quiere decidir enhe las hipótesis: Ho: U: Ht: ! ) Pa¡a 300 libra¡.26. se puede hdla¡ p para loe caeor en que el . suponiendo que la desviación típica de las ¡esistencias se mantiene en z4libras.7-9 = iren.01 si se pone dé manifiesto qu¿ debe rechazarse al ensayar 64 cuerdas. ¡e llama curua de potencio de la regla de decición o ensayo de hipótesis. : -1. puesto que indica la aptitud o potencb de un ensyo para rechazar hipóüesie que son falsas. que debieran ser rechazadas.e potencia. H t : ! -. y el nuevo p¡oceso es mejor que el primitivo se un ensayo unilateral d nivel de significación del 0. Si ción (a) ! es la resistencia media. Se cree que mediante un nuevo proceso de fabrica- puede inc¡ementarse la resistencia media. de modo que realmente ambos gráficoe aon equivalenüee. la regla de decisión anterior se convierte en: (I ) (2) (ó) Se rechaza 116 si la reeistencia media de 64 cuerdae excede a 30?.0 libras en unidade¡ tipificadas : 300 (307. ? ) E gráfico (1 . Razonando análogamente a como se hizo en el Problem¿ 7.33. Considérense las doe hipótesis (Ho: bras) Las distribuciones de las resistencias medias correspondiente¡ a estas dos hipóteeis se repreeentan. Constmir (a) una curva OC v (b) una cun¡a de potencira para ei Problema 7.p) ¡e llama a menudo función d. p ¡e muestra en la Fig. tiene la siguiente regla de decigión (referenüe eon la Fig. es decir.234 (D ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.158?. X>300+3(2. (c) Diseñar una regla de decisión para rechazar el proceso primitivo al nivel de significación del 0. *r. Para hallar su valor nótese que 307. de aquí que A - 310)/3 = Fig.0 tb 307 tb 3r0 lb -1.27. 7-9. Esta es Ia probabilidad de aceptar Ho: ! : 300 libras cuando realmente es la probabilidad de comeüer error del Tipo II. 7.00 = 0. Una compañía fabúca cuerdas cuyas resistencias a la rotura tienen un valor medio de 300 li bry" y una desviación típica de 24libras.26(br. y el nuevo proceso es igud que el primitivo 300 libras.0 libras.P). 7-9. La cantidad p se llama tambiénfunción caructerístico de operoción de un ensayo. ?-8): (t ) Se rechaza lle si la e de la media de resistencia muest¡al es riayor que 2.0 lb.26. respectivamente con las distribuciones normales de la izquierda y de la derecha de la Fig.Enton= "lr/ñ 24/\/u Así.33) =30?. es 7. bajo la curva normal de la derecha a la izquierda de z dect.33. Esta curva ae obtiene ¡encillamente invirtiendo la curva OC. 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. 7 -7 (b). y (Ht: tt: 310 libras). en caso contrario.J = 't. i 800 *sz. Se acepta ^Éfs en caeo contra¡io.9qo.310 libras es cierta.00. ¿cuál es la probabilidad de aceptar el proceso primitivo cuando en efecto el nuevo proceso incremente la resistencia media a.

De la Fig. 7.?4Eo De esüa forma se obtiene la Tabla 7-4. AquÍ y Tipo II.1687 316 0. por encima del cual se rechaza la hipótesis de que p : 0.4) debe ser á lo sumo 0.6? : 0.0 libra¡ en unidades tipificadas: (307.7-11. p : 0. Para ensayar la hipótesis de que una moneda está bien hecha (es decir.0000 296 1.1 o más (es decir.0 B 0.6 0.1 0.8 o.l (excepto para el nivel de significación del 0. en- 9: i¡ea bajo la curva normal de la derech¡ a la izquienda de z :0.5 en 0. (¡) U probabilidad de aceptar la hipótesis cuando realmentep difiera de 0.¡ o. Por ejemplo.05.28.9 0.0038 320 0. (b) La curva de potencia se ve en la Fig.7 0. mientras que la restricción (B) requiere que la probabilidad de error del Tipo II eea a lo sumo 0 : 0. límite al riesgo de error del Tipo I Por ejemplo.2 0. se desea imponer las siguientes restricciones: (A) la probabilidad de rechazar la hipótesis cuando sea realmente conecta debe ser a lo sumo 0.0000 300 305 0. la curva baia ró- pidamente hacia cero.6?. se ha puesto Denótese por n el tamaño de muestra pedido y por ¡ el número de caras en los n lanzamientos.5 0.6 6 p f 0. si el nuevo da una resistencia menor de 300 librar. sepuedenobtenerdeellalaomismasinterpretacionesque de la curva OC. p > 0.7-r0 (¿) La curva OC se muestra en la Fig. La eituación planüeada se ve gtáficamente en la Fig. Eeepués.7-10(b).1 p (lb) 300 300 3to 3t5 (o) (ó) Fig. ri ¡r tonces 307.5) mediante un número de lanzamientos de la moneda.0000 p 0. y de aquí - 396 librae.cAP.05. etc.01 cuando el nuevo proceeo da una media de 800 librar).05.305y9 = 0. Determinar el tama¡1o mínimo de muestra necesario y enunciar la regla de decisión resultante.05.5. la restricción (A) impuesta requiere que la probabilidad de error del Tipo I sea a lo sumo c : 0. Tabla 7-4 tt 290 1. de modo que no hay probabilidad de aeguir con el proceeo primitivo cuando la media de resistencia es mayor de 316 libras. 7-11 se tiene: . ya que lae dog curvag eon esencialmente equivalentes. es piácticamente. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 235 nuevo proceco da un¡ resistencia media ¡r igual a 306 librar.0 .7486 3r0 0. 315 librae. ?-10(o).. En esta curva 6e ve que la probabilidad de seguir con el proce' so primitivo.9900 L1.

(o) Diseñar una.n: 318. Cuando un punt'o se rale de estoe límite¡ control (tal como en la tercera muestra tomada el jueves). La elección en cada caso depende de la¡ circunetancias particulares del tnismo. GRAFICOS DE CONTROL DE CALIDAD 7. . p = 0. dentro del intervalo 0. se debe lanzar p - 0.. Cada vez que se observa una media muestral se representá por un punto en el gráfico.05.5.egla de decisión mediante la cual se puede estar razonablemente cierto de qúe la calidad del producto esüá de acuerdo con las noÍnas requeridas. pueden igualmente determlnarse otros lfmiües de confianza. también s€rá 0. Para determinar si la máquina esconstruida para el fin que se destina.el 95V".05 en el "peor de loc casos".5 : .x :177.Haciendo n : 319 en (3) o (4).008 pulgadas.4r rtñ- (n.564 a 0.5.r) - 0. ? (f. se toma una muestra de 6 cojinetes ejemplo.5.4 a 0.llamado grófico de control de colidad. se adopta la riguiente regla de decisión: (o) Se acepta la hipótesiep:0. (o ) 3o¡) a (p¡*3o¡) con el 9€.0. Para decir.584 pulgadas.05 o menoa. enfte 742 y 177 si el número de carac en Slg lanzamientos está dentro del recorrido 159. 7'l2.236 ENsAyos DE Hrpornsls y sIGNIFrcAcroN lcAP.6 n Y x - 0.05 o menos cuando p tiene cualquier otro valor por fuera del recorrido 0. .) Eláreabajolacurvanorrnalp:0.0. Así pues.. y se obsen¡a el diámetro medio de la muestra. es 0. (b) Mostrar cómo se.564 y 0. Se sigue que el tamaño de la muestra debe ser al menos 31g.98.ít/n Vnpq= "- :0. 7 0.674.Saladerecha a" 7 (9) El área bajo la curva normalp 09" O. la máquina (b) Un registro de las medias no s€rú adecuada y habrá que buscar la razón de su ineptitud. el procelo está bajo control.4s 1/A 0.49\/n n = o.6n 0.. e¡ decir. (b) S€ rechaza la hipótesis + 17 .0'6n Realmente el área entre -f.7 BVo o brevemente lfmite¡ 3o. = 0. (2) es una cantidad muy aproximada.5\/n De 0.5n = 1. que representan la probabilidad de error del tipo II. En tanto que los punüoe se encuentran entre los límites 0.O\4\'\/E) o Con confianza del 99 .524 * Puestoque De aquí que la regla de decición eea como sigue: (l ) Si la media muestral decuada para el trabajo pedido.9É!= -r. la moneda al menos B1g veces.49{n vnpq = '--. Por tanto un promedio ponderado de todas estas probabilidades.025. hay la posibilidad de que falle algo y se precisa una invesüigación del posible fallo.014l\/6\ y (0.o:0.73% de O.574 . Se construye una máquina que pr-oducfuá cojinet€s de bolas teniendo un diámetro medio de una desviación típica de 0.5 en caso contrario.5.re'presentaría grárticamente la regla de decisión de (a).6 r¿ * 0. muestrales puede tlevarse por medio de un gráfico tal como ee muestra én la Fig.6. L7 .6 a la izquierda ae es 0.05.645 ó (t) o. tales como los límitee d'el 99% o d.9801fa- e'¡ 9-.6 n- 0.584 pulgadasi ee supone que la máquina es a- (2) De otro modo. Los límites de control determinadog anteriormente se llaman límites de confianza del gg.806y'-n es De (3) y (4). ¡- np :1-77 - 159.6. Sin embargo. es 0.008yn=6.7 3% se puede decir que la media muestral X debe estar denüro del intervalo (p¡ entre cae a m p ¡t:0.29.96 r ó (Sl u.seeigueque I se encontrará entre (0. automáticamente tomarÍamos como 0. Obeérvese que tomando la probabilidad de aceptación como De(/) x .

Tabla 7-5 Número de caras (r caras) Frecuencia esperada Frecuencia observada 38 0 1 0. Utilizar papel gráfico de probabilidad para determinar si la dist¡ibución de frecuencias de la Tabla 5-2.47 rooo Igualando las medias teóricas y real se tiene 5p da viene dada por /(r) = . La bondad del ajuste se estudia en eI ProblemaT.3087 2 3 ^ 0. Para la distribución de frecuencias observada.30.3162 0.30.494. Se tiene P(x caras en una serie de 5 lanzamientos) : f(¡) = sCrprqs-".C.43.7 ó 151 29.31. Así pues. Ajustar una distribución binomial pectivas de cara a los datos del Problema 5. página 163 puede ajustarse a una distribución normal.7 ó 309 150.4 6 29 33.¿94)¡(0.47 6 p :0.. la media del número de caras es 2fr_ / _2470=2. 7-12 AJUSTE DE DATOS A DISTRIBUCIONES TÉORICAS 7.0332 0. : 2.1507 0.2 t44 342 287 164 25 7. página 178.506)5-¡.2 ó 316 308.9 ó 162 316.0294 5 6 33 161. La media del número de caras es ¡.1619 0.cAP. El ajuste se observa que es bueno. dondep y q son las probabilidades resy sello en un solo lanzamiento de la moneda.(0. x F a os74 a a a t I a : o 0 s64 o Fis. la distribución binomial ajusta- En la Tabla 7-5 se han obtenido estas probabilidades así como las f¡ecuencias esperadas (teóricas) y las observadag.1: np : 6p.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 297 Lunes Martes Miércoles Jueves Viernes $ € bD osal 1} a a t ü {. .

Y se pone de manifiesto que ee ajuetan ba¡tante bien con las frecuencias observadas realmente. se observa que hay una distribución normal que se ajusta e¡trechamente a los daüos. El grado en que los puntoe así dibujados ee encuentran sobre una lÍnea recta.6 74. que da las áreas bajo la curva normal de 0 a z se obtiene con la tabla del Apéndice C.72 -1.0 65.6 menor que 73. 7-13. 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 59.32.6 menor que 67. son pasadas sobre los límites reales superiores de clase.46 pulgadar. las frecuencias relativa¡ acumuladas expreeadar en porcentajes.92 pulgadas (x mente El trabajo puede organiza¡se como en la Tabla 7 -7 .5 oD. como se ve en la Fig.35 y 5.4920 0.5 7L.a -2.6? 0.6 &tatura (pulgada¡) Fis. 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).t3 D 18 42 27 8 ñ.40 respectiva- La cua¡ta columna. anotadas en la última eolumna.92 ó 39 27. De aquÍ se sacan las áreas bajo la curva normal entre los valores sucesivos de ¿. La "bondad {el ajuste" de la distribución qe congidera en el Problema ?. caicular e de los límites reales de clase.0 Io a E ql € ó a () 95 90 80 70 Q0 a (t 6 .2771 0. = 61.6 ¡¡+ 0.43 ít 7 4. en un papel. Después.238 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla [cAP. Por lo anterior. Véase o a I É to 5 o a d E 62.6 Rcl¡tiv¡¡ Acumulada¡ (%) 6. dadas en la quinta columna. s = 2.3892 0.0413 0. Par:a.5 menor que 70.70 -0. la distribución de frecuencia¡ dada se convierte en una di¡tribución de frecuencia¡ relativas acumuladas. página 163.5 7¡.36 1.6 68. determina la bondad de ajuste de la distribución dada a la distribución normal. ?-r3 hoblema ?. Ajustar una cunra nonnal a los datos de la Tabla 5-2.6 menor que 64.5 66. .5 7t. como se muestra en la Tabla 7-6.7L 6 28 7.0 23.E 50 40 30 20 Primero.68 6 2l 38. ? 76 Frecuenei¡¡ Estatun (pulgad¡¡) menor que 61.2068 6L65 6&68 69-71 68. 7.z z = .39 2.4177 0.5 62.grófico de probabilidad eepecial. La¡az6¡ de esto se ve claramente con un diagrama. Multiplicando lo¡ valores de la quinta columna (que representan las frecuencias relativas) por la frecuencia total n (en e¡te ceso n = 100). se rutiliz.32.41 0. se obtienen lae frecuencias esperadas de la sexta columna.tlls. donde la media i y la desviación típica 6 se han obtenido en los Problemas 5.0 100.0 92.44.0743 72-74 6 4 20.

a¡í com. < 6. En 200 lanzamientos de una moneda se obsen'aron 115 caral¡ y 85 sellos. Tabla 7-9 Número de accidentes. Entonces.1647 espeado 20. El número medio de accidentes es Número de I Número de accidentes. de acuerdo con la distribución de Poisson. Para una verdadera distribución de Poisson.0494 0.2.* : P(r accidentes) 1118 2 7 o. 0 r N(rmero de dÍasr Número de días obsen¡ado 2L 18 7 3 1 {r accidentes) 0.o loe números teóricos de días en los que ee presentarán ¡ accidentes (obtenidos multiplicando las correspondientes probabilidades por 50).47 0.3 y 4 accidentes de esta distribución de Poisson. La Tabla 7-8 muestra el número de días f durante un período de 50 días. puede ser esto un indicio de la adaptabilidad de la distribución de Poison a la muestra de datos.05. 313 {11 = Iq"+ill En l¿ T¿ble ?-9 aparecen lae probabilidadee para 0. puesto que 4.'12 ¡ 85. puesto que 4.24 2.9?.50 . durante los cuales r autos tuvieron accidentes en una ciudad.50 pótesis de que la moneda está bien hecha al nivel de significaeión del 0. Ensayar la hipótesis de que la moneda está bien hecha con un nivel de significación del (c) 0. respecti- xz = (o) El valor crítico (b @t:lptlz -(rz:. hi' la ) El valor crítico xlso para 1 grado de libertad = 6.84. Entonces y eeüos esperadas si la moneda está bien hecha son np : 100. véaee método 1 del Pro" blema 7.30 8. LA PRUEBA CHI. El cálculo de la varianza de la distribución da' da.33 I 2 3 18.0111 4 6 6 ó Nótese que el ajuste de los datos dados a una distribución de Poiseon es bueno.56 6 ó 20 18 8 2 1 0. se rechaza la xlo¡ para 1 grado de libertad es 3. Para conveniencia de la comparación.36.34.63. 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. Ajustar los datos a una distribución de Poisson. ?] ENSAYOS DE HTPOTbSIS Y SIGNIFTCACION Tabla 239 7-t 7. . la euarta columna que da los números de días observados se ha repetido. > 3. (b) 0.7:2 -L = l.60 hipótesis de que la moneda está bien hecha al nivel de significación del 0.f 0l2r + : (21)(0) '50 (18X1) + (7X2) + (?liQ_l q)(a) = .05.v: + (85:!00)2 = 100 h 4.01.eo Entonces.CAP..33.np)z npt npz - (115__100)2 Pueeto que el número de categorías o clases (caras. da 0.4066 0.3659 0.63. 100 sellos) es h:2.84. la varianza d : L. np2 : tOO.CUADRADO ?.01. Comparando con el valor de \ : 0. Entonces.90 hallado.rj días. blemente bíen heclu. respectivamente rr = 115. Las frecuencias de caras vamente.1. Las frecuencias de caras y sellos observadas son.

1.s)z = 100_ 100 tt q^< 4. ^-------::-:-. Entonces 114.58.5 o más caras.35.34 utilizando la corrección de yates. 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)2.86. la media y la desviación tÍpica del número de caras espe- : (l1b -lOO)t7.g. (185 _ __ 1001 Í4. 115 o más caras equivale a 114.34' Esto Con un nivel de significación del 0. si el valor de z está fuera del intervato -1. véase método 2 del Problema 2. 7.01 el intervalo sería -2.5 .15.36. ? 7. (23-20)2 +--lO .2o5 < 6.86. Esto se cumple siempre que la prueba de chiruadrado eomprende dos categorías y se aplica la corrección de Yates.00 > 1. Esto conduce a las mismas conclusiones que por el primer método.)z .b8 a2.63 se deducen las mismas conclusiones que en el Problema ?.-nps)2 (ra-npe)2 < 11.05 y un ensayo bilateral.34 que la hipótesis se rechaza al nivel de 0. Nótese que el cuadrado de este valor.86. (rr. Método 1. 7.zvb Puesto que 4'205 > 3.5)z _ .5)z = _100 )_ (L[. es el mismo valor de X2 obtenido en el probl.npr o _ (rt-np)2 . (rt-nptl2 . Solucionar el Problema 7. (ZJ2)2 : 4.6)esh:6.ema se cumple siempre que la prueba de chi-cuadrado comprende dos categoiías. De ello se sigue que la concordancia entre ambas frecuencias no es tan buena como para no dudar de Io deducido. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación del 0. El valor crítico a2e5 para 5 gados de libertad es 11.L2. Método 2.96. (16_20¡z _ *--lO-+ +ñ=5. de modo que X2 : 5. se rechaza la hipótesis de que la moneda eetá bien hecha. 115 caras en unidades tipificadas Bajo la hipótesis de que la moneda está bien hecha. Se sigue como en el Problema 7.84 y 4.15. Con un nivel de 0. radasen200 lanzamientosdelamonedason¡r=np=(200)(0. Nótese que el cuadrado del valor anterior.5 en uni: (114.2.00 la hipótesis de que el dado está bien hecho.05 pero no al de 0.05)2 7 -37.00 20-+ n 20 Puestoqueelnúmerodecategoríasoclases(carasl. Véase Problema 4.07 :2. (rz-npzl2 . (2.20. no se puede rechazar Para 5 grados de libertad x%s: 1.S¡(0f)--7. La Tabla 7-10 muestra las frecuencias observadas y esperadas allanzat un dado 120 veces.01.05.84.93_4)' _(15-20\2 .35. de nuevo en consecuencia del Problema 4. (rs-np¡.240 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.4. puesto que 5. Pa¡a una comparación con los métodos a4teriores.5)2 . x2 (conegida) = = (lzt - nptl nPt 1001 0'5)z + !1""- np2l npz - 0'5\2 (1115 - 100 _ 0.96 a 1. dades tipifica¿¿5 : 4.06.5. Con la corrección para la continuidad.0. (24-20\2. Entonces. .1. es igual al valor de ¡2 corregido con la corrección de Yates p¡ra la continuidad del Problema7.5) =100yo=1fipq=/IZOO¡O.34 mediante la aproximación normal respectivamente.60. a la distribución binomial. solucionar el Problema 7.v:h-1-:6-1:b.O7 : 2.07.7OO)17 .

cabría esperar 3 bolas de cada clase en la muestra de 12 bola¡. : 3. 7.39. naranja. x?ss: 11. Ensayar la hipótesis de que la urna contenga proporciones iguales de los diferentes colores.352 y X2 :0. x2. 4 amarillas y 1 verde. Se deduce pues. . En los erperimentos de Mendel con guisantes. De acuerdo con su teoría.7.40.zb rugosoe y verdes ft Entonces tssol = x2= (o) (b) Para v Para v (3L5 3L2.g El valor crítico d" x. 101 rugosos y amarillos y 32 rugosos y verdes.h=4yelnúmerodegradosdelibertadesv=4-1=3.01. Una uma contiene un gran número de bolas de cuatro eolores dife¡entes: rojo.76 *W = 0.como 23.ss= = 3. Bajo la hipótesie de que la urna contiene proporciones iguales de los cuatro colores. de modo que no se puede rechazar la teoría al nivel de 0.470 Puestoquehaycuatrocategorías.75lisosy amarillos tol.05. obseryó 315 lisos y amarillos.81. teoría y los reeultados del experimento están de acuerdo.26 rugosos y amarilloe B4. ?. ?. amari'llo y verde. ¿Hay alguna evidencia que permitadudarde su teoría al nivel de significación del (a) 0.. de modo que no se puede rechazar la teoría al nivel de 0. (b) 0. .2. Puesto que eetos números esperados Bon menores de 5. 108lisos y verdes. estos números deberían presentarse en la proporción 9:3:3:1.05? El número total de guisantes es 315 + 108 + 101 + 32:556.Qe-2512 try+ . Una tabla de números aleatorios de 250 dígitos mostró la distribución delosdígitos 0. Puesto que los números esperados están en la proporción 9:3:3:1 (y 9 * 3 + 3 + 1 : 16).3. r ry = 2s. que la Nótese que para 3 gtados de libertad.7I ENSAYOS DE HIPOTESIS Y SIGNIFICACION 241 7. la aproximación de chi-cuadrado será errónea.76\2 3t2.L. .zS lisos y verdes Struol = frtssol 104. De modo que aunque el acuerdo es bueno.se esperarían fttssel = -- 312.'nr parav: h -1:9 gradosdelibertad es21-.01. . 9 que se da en la Tabla 7-11. ¡$5: 0.38. 5 naranjas.cAP.352. Una muestra de 12 bolas extraída aleatoriamente de la urna dio 2 rojas.3 >2!3 sededucequeladistribución observada dífiere significativamente de la esperada al nivel de significación del 0. .4?O > 0.01.. loe resultados obtenidoe están sujetoe a unh razonable influencia de error muestral. Para evitar esto se agrupan las categorías de modo que los núme¡os esperados en cada categoría sea al menos 5. ¿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. Se deduce que cabe sospechar alguna tendencia no aleatoria en dicha tabla de números.

81 sellegaríaalasmismasconclusionesqueantes.x2l)s==3. Esto se consigue en nuestro caso considerando las categorías "roja o verde" y "naranja o amarilla". respectivamente. Así pues. (4--3)2 . Esto cabía esperarse puesto que la corrección de Yates Debe ponerse de manifiesto que si se emplea la aproximación de siado pequeñas. 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 0.10). se rechazaría la hipótesis a algún otro nivel (tal como 0.Asínosepuedetechazrlahipótesisalniveldesignificacióndel 0. ? Si se desea rechazar la hipótesis. (5-e)z . x' _ (1 -3¡:r ooo Puestoqueparav=4-1:3.-ss:3.05. = ry. para grandes muestras tales como las de aquí. l)na encuesta sobre 320 familias con 5 niños dio la distribución que aparece en la Tabla ?-12. = - 60l 60 - . se tiene x: = 0qj:_6Fo. los resultados que se obtienen utilizando la correc- ción de Yates son más dignos de confianza que los resultados no corregidos. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación de 0.84.41. en 360 lanzamientos cabría esperar "siete" y 1/18(360):20 veces "once".rP.42.65 De acuerdo. En 360 lanzamientos de un par de dados.07 Parav:2-1:7. empleando la corrección de Yates. Sin embargo. de modo que (74-60)2 .5)2 (124 - 2ol - 0. En general. 7.:?.10).xjr¡. z.tz. se tiene (9 ^cuando las proporciones de los colores sean iguales. ¿Es el resultado consistente con la hipótesis de que el nacimiento de varón y hembra son igualmente probables? .(ig:lf-!éE. aun Otro método: Utilizando la corrección de Yates.1. Puesto que el número esperado en cada categoría bajo la hipótesis de iguales proporciones es 6. se agrupan las categorías de forma que la evidencia en contra de Ia hipótesis se muestre claramente. puesto que incluso el valor corregido de y2 se encuentra cerca del valor crítico.84seestaríainclinandoarechazarlahipótebien. de aquí que cuando no sea aconsejable agrupar frecuencias se debe recurrir a los métodos exactos de probabilidad incluyendo la distribución multinomial. se obtendría ¡2 a pesar de que las frecuencias sean dema- (2-3¡z . para las que la muestra dio 3 y 9 bolas.0?>3. Ento¡-. 7.puestoque4. .5)2 #-g*): = 3.05. la aproximación ¡' para frecuencias pequeñas es pobre.ces P("siete") : 1/6(360):60 veces 6/36 : 1/6 y P("once") :2136: 1/18.Entonces. (24-20\2 . se observaron 74 veces "siete" y 24 veces "once". Un par de dados puede caer de 36 formas.) x2 _ = -6-.05(aunque sí se puede al nivel de 0. "Siete" se puede presentar de 6 formas y "once" de 2 formas. Sin embargo. pues con la X2 corregida.Desgraciadamente.242 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.ü.. - e¡z -9 Parav:2-l:1. Los resultados observados pueden imaginablemente deberse al azar. se tiene (174 (correglda. En tales casos. se duda acerca de la decisión que se debe tomar.84.0. De otro modo.05. = siempre reduce el valor de ¡2 . no se rechazaría la hipótesis al nivel de 0.:-:_+r::__-::_:sis de que los dados estén X¿ 4.r que conduce a las mismas conclusiones anteriores.

50.44.--_-16-_¡&. Para v : 2 (que son la me- = 2. Utilizar la pmeba chi-cuad¡ado para determinar la bondad de ajuste de los datos del Problema 7. 100. como 8e indica en la Tabla ?-14.. La¡ condiciones del problema se presentan en la Tabla ?-13. x.i"..1 : 4.(L44_161. .-El: .(287_308. el ajuate no es tan bueno como pudiera = 4.Entonpiobabilidadee de (5 niños).959 7. Adviértaoe que ¡fo es equiyalente a afirma¡ que la recuperación eeindependie¿úe del empleo del suero.:z .x2. (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:t12.43 20.. .3.(342_316. . el ajuste no es "demaiido bueno". . BONDAD DE AJUSTE ?.4.=--_a6---_Eñ-----Jó¡-----i6b--_-Ed. De aquf queel ajuste de creerse. (110_100)2.1 para y:61:6gtadosdelibertad. De aquí (8_10)2 _.---T08J.1 .1 .sss:15. Bajo la hipóteeis nula lfq de que el suero no tie' ne efecto.49.".z = 6 4. "!ü Puesto que el número de parámetros utilizados para estimar las frecuencias esperads e8 m metro p de la dietribución binomial). 50.os:0. (164-150.L .1 .serechazarálahipótesisalnivel de significación del 0.m : 6 .setiene P(ániñosy0niñas) = (+)5 : # P(4niñosylniña) = 5(¿-)4(á) : ¡tz P(3niñosy2niñas) = f0(l)3(i)2 = # Enüonces el número de familiae que 8e espera P(2niñoey3niñas) : f0(l)2(l)3 = i8 P(lniñoy4niñas) = 5(+X+)4 = t P(OniñoeySniñas) = (+)5 = + tengan 5.U Puesto que x:e5:11. Para V 1 (que er el pará- los datos es muy bueno.?)2 . xL¡s:0.--I¡Ié- .2 : 2.os= 5.05.2)2 . v : k .yg:1-p:probabilidaddenacimientodehembra.01. Seap:probabilidaddenacimientodevarón.32. .13 *(18-2-0:68)2 *(a2:^-39=92\2-(27:3ft7rl2 *(8:?'j13)z:0.9)2 . v = k .. lag cla¡ificaciones 8on independientes. (88_100)2.43.-. Solucionar el Problema 7. puesto que X2 = 0.103.45.= (s8_33. .m : 5 .412_ -58:t-- .68 38.---r¡If..--lóo:t- .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 . Asf'puesto que X2 = 7 .1 y x.212.?)2. (4 niños y 1 niña). 7. Se deduce que el ajuste de los datos es muy bueno. x2. x. Determina¡ la bondad de ajuste de los datos del Problema 7.99. . Entonces. Así se deduce que los reeultados son probablemente significativos y el nacimiento de varón y hembra no son probablemente iguales.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). 2.30.?11. X?ss = 9.-r3)2 .13 utilizando la prueba chi-cuadrado. pectivas probabilidades anteriores por 320. y los reaultados son 10. es decir. 10.103.(26-29.cA¡.^ _ (18_10)2 (56_60)2.?11. cabría esperar que 70 individuos de cada uno de los grupos Be recuperase y 30 en cada grupo no se recuperase. Pa¡a rr = 2.64 > O.!. Para y : 4. 100. pero no al 0.1y0 niño¡seobtienemultiplicandolasres' (40-50)2. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla ?. TABLAS DE CONTINGENCIA 7.959 > 0.92 27.

13.54.Puestoqueparalastablas2Xz.10 uüilizando z.51). Nótese que X2 : 2.profesores son iguales. se deduce que lob resultados no son significativos al nivel de 0. _ ¡¡ (corre(rda) = (i75 -70\. X.244 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla 7.5)2 * ----TO* ?O S0 _ .45 aplicando la corrección de Yates.Z 56 8 64 TOTAL 153 27 180 Aprobados Suspendidos TOTAL 50 D Bajo la hipótesis H¡ de que las proporciones de estudiantes suspendidos por los tres profesores son las mismas. Tabla ?-16 FRECUENCIAS OBSIERVADAS Sr.5)r .47. (35-301 -0. En la Tabla 7-16 se indican los estudiantes aprobados y suspendidos por 3 profesores: Sr.05 utilizando X" equivale a rechazar esta hipótesis con un ensayo unilateral al nivel de 0.-.5)2 * ----?O- (i65-701 -0. Y y Sr.5)2 .^se sigue que X er lo mismo que z en este caso. ^.¡. x2)x2ss correrpondea x>x.No ee recuperan cupetan TOTAL [cAP. Sr. habrían suspendido 27 lL80 : Iíc/o de los estudiantes y DO .46.45 son también válidas aquí.13 FRECUENCIAS OBSERVADAS Se re. X Sr. que es igual a la¡ dos dadas anteriormente.84.38 es el cuadrado del valor de z : 1. = I. conaidérese la Tabla 7-15. pueeto que una vez hecho esto loq números de las restantes casiüas vienen obligados por los üotales ya indicados. Se No ¡e recuperan recuperan TOTAL 100 100 Grupo. 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.--. 7. De modo que hay un grado de libertad. Solucionar el Problema 7.!t_. Z. (125-301 -0. al rechaza¡ una hipótesis al nivel de 0. 200 140 30)2 o _ (75 x-1rc-?o70)2 - 70)2 . Asf pues.0. or^_. 7. ya que la corrección de Yates siempre disminuye el valor de ¡¿". obtenido en el Problema ?. Ensayar la hipótesis de que las proporciones de estudiantes suspendidos por los tres . ya que.A Grupo B TOTAL 140 60 200 Puesto eue X. Y 47 L4 61 Sr.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. drado Cel valor de z. la prueba chi-cuadrado en relación con proporciones muestraleg de una tabla de contingencia 2 X 2 equivale a un ensryo de significación de diferencias de proporciones mediante la aproximación normal. Está claro que solamente se tiene libertad lara colocar un número en una de las cuatro casillas vacías.Xz egelcua- Nótese también que yn ensayo unilateral utiliaando ¡12 equivale a un enEayo bilateral utilizando.vó Obteniéndose que las conclusiones del Problema 7.30\2 (36 *ffi = 2'38 Tabla 7-16 Para determinar el número de grados de libertad.e5óx{-x.gs.84 para 1 grado de libertad y puesto que ¡2 = 2. como en la página 215 (véase Problema ?. pero en la que solamente se han puesto los totales. Esto podría haberse visto rápidamente.05.38 < 3.ss : 3. porejemplo. En general. ? Tabl¡ 7-14 FRECUENCTAS ESPEBADAS BAJO Ho Se re.

pá. 7.25)2 .núnR/n "r'. Se deduce que el número de gtados de libertad hk .60-=4.ó+ Pa¡a determinar el número de grados de libertad. Hay h (fz > 1. Así pues. Puesto que x.CAP. después de lo cual.5135-547ó-----d25 9J5 --. 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.85 85V" d.49. Pero : (ar- nrnn/n)z (a". considérese la Tabla 7-18. Nótese que este resultado es válido si se conocen los parámetros poblacionales necegarios para obtener las fr.61. que es igual que la Tabla 7-L7 pero en la que solamente se han puesto los totales. Está claro que como cada fila y cada columna han decumplir con loü totales.40)2 (5-8. Tabla 7-17 ITRECUENCIAS ESPERADAS RAJO Sr.99. Z TOTAI.ecuencias teóiicas.75 = = 51. Nótese. (47.85)2 (56-54.n2nslnl2 . hay en este caso dos grados de libertad.60 64 180 64 180 Entonces o x-.e 64 54.51. Sr.40 : Aprobados Suapen- Suspen._ (50-46. Y St. los resultados esperados bajo la hipótesis nula aparecen en la Tabla 7-20. 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. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION habrían aprobado el 86Vo de los estudiantes. Las frecuencias esperadas bajo FI¡ se muestran en la Tabla 7-17.60)2 4175 -. Mostrar que para una tabla de contingenciah X h tad es (h . de otra forma se necesitan ajustes como los descritos en ( b ).r"/" a1b2 (o.05. todos los números restantes vienen obligados por lo8 totales.1).gina 22O .n"n¡ln\z' nrnn/n ntftl.1Xk . * ó1)(o1 * o2) o1*óq*a21b2 n a2b. sin embargo.-. at__n_ = -nrrxJn (ór nrnsln)2 (b2. Y 85% de S¡. Z TOTAL 153 27 Aprobair¡c didos TOTAL 85% de 55 : 6l 4G.15)2 (8-9.25 OD : didos TOTAL 55 61 9. se puede rechazar lfs aI nivel de 0.(h+Ic-l) = (h-lx/ú- 1) como se requería.10 si se está dispuesto a correr el riesgo de estar equivocado 1 vez de cada 10. X ¿IO Tabla 7-18 Sr. 7. que puesto que x:eg : 4.48. no se puede rechazar I/e al nivel de 0.75\2 . Entonce8 *.L5% de 55 : I5% de 6t 9.S II A2 TOTAL fL¡ fiB I A B TOTAL II n2n¡ln n2n¡/n 'tL2 TOTAL n1n¡ln rl¡ fl3 b2 rL2 nrnsln n1 nl tt n Como en ql Problema 7-45. . k > 1) el número de grados de libereg * & - 1 totales independientes de un total hÉ.zs¡ : 5. Í4-9.15 61 15% de 64 8. 153 qn X Sr.

de modo que (r) (4) ú1 = nlPy az = nzPz. Ilustrar el resultado del Problema 7.93 7.246 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. 1-Pr . r¿¡ = 100. EnelProblemaT.. yn:2OO. Dr = 65. nt=140.=&r*a2*b1*b2. f. n2:60. bz:35. el resulüado eg el mismo que en el Problema 7. Con referencia al Pro- (r) (2') P. da x' : D'- n(a. n1=at*b¡ nz=a2*b2. Sise aplica la corrección de Yates. frA=úr*az. = #. 7 Análogamenta Así. 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).Pr)]2 nrnínpnq = nfri\+LlllrJ (Ya que n = nt+tt2l (Pt. bz = nz(l- Pz) tlg = flq Utilizando (3) y (4). P. a2=26..=.46 ¡2 (corregida) = ---ñ^"" - = - (25X65)l (140)(60X100X100) . ns = ür*ó2. C= vra = {*#fu : r/d'6112e = 0'1084 . se puede escribir az-ry = ur-ry = Í2fts . ^ (t) n /otbr-ozbt\2 n lotbr.10012 = 1. se tiene p la proporción poblacional.49 da x2 = n(1aft2.n2P2n{l . Or--m arb2 = - a2b.tn)z = 200il(?5x35) 2.50. COEFICIENTE DE CONTINGENCIA ?. (/ ) se remplaza por (21 "rr"r"^"" : nL2 nrnznAnB x2 (conegida¡ n(ltl.45. ¡e tiene del Problema 7.49 paralos datos del Problem^I.a2b)2 -T nrn2nAnB nrn2(Pr. entonces riI ) del Problema 7..ozbr\2 n /orbz-ozót\2 ml?¿B\ n n nzn¡\ n n¡r¡\ / / / n fatbr-tzDt\2 n ?zrs\ / que al simplificar. a1 =75.52. ns = 100.Prl .P)2 nWtPrA$ .azbtl .38 : Empleando la corrección de Yates. . Denótese por P1 y P2 las dos proporciones muestrales y blema 7. ür : 'tL¡ = flP. - O2 l¿z' fL¡ tl' ó.49.P)2 que es el cuadrado del estadístico Z. -flg L-p l-P2 = bc -= = q = -. dado en (IO) en la página 215.bq - aqb'12 donde A:&tbz-azbt.49 x2= n(ap2. r¿r(1 - Pr). Halla¡ el coeficiente de contingencia para los datos de la tabla de contingencia del Problema 7.ln)? = -"r!rrrñr" 7.51.45.4S.

4)2+ ro0a(0.[roOi(0.56. (ii) en caso contrario.. Esta tabla de contingencia aparece en la Tabla 7-21.¡* . Un instructor hace un cuestionario forurado por 10 preguntas falso-verdadero.o.---80. en la gue el número de fil¡s y columnas eon ambas iguales a &. la probabiüdad de decidi¡ que el eetudiante no reeponde al aza¡ cuando es que si.6)8(0.". C. el e¡tudiante acierta alazar). hallar la probabilidad de aceptar la hipótesis p P : 0. ee 0. PROBLEMAS DIVERSOS 7. (e) p : 0.cAP. En tal caso.5 cuando realmente (a) p : 0. " x.1?19.= (100 zw En general.3)10] = 0.5 cuando realmente = O'7' : O. En el Problema 7.54. el estudiante está adivinando..t.(iX.6.3)3+ r0Cs(0.9.60)2 50 .5 (ee decir. Hallar el valor máximo de C para la tabla 2X 2 del Problema 7.6)e(0.6)101 = 0.".64.3) + r0Cr0(0.2. (a) Sip : 0. En el problema 7.ro)¿ . Hallar la probabilidad de rechazar la hipótesis cuando es corTecta.7)8(0.ueno) TOTAL 100 (irupo ó 0 100 100 100 100 200 .618 . para la dependencia total en uua tabla de conüingencia.-60 .7)e(0.3)2+ r0Ca(0.21 valor máximo de C ee presenta cuando la¡ Se recuperan No se recuperan 0 TOTAL 100 GrupoA (utilizando auero) (no utilizando .6 la probabilidad pedida será 1 - [P(? conectas) * P(8 correctas) + P(9 cotrectas) + P(10 correctas)] =|- ho0?(0..".53. son todas igualea a 50..X. (d) p : O. (100 . adopta la siguiente regla de decisión: (i) si 7 o más respuestas son acertadas el estudiante no las acierta por casualidad.3504 7.4) + 10010(0. .?1e Asi ee que ésta pues. 7l ENSAYOS DE HIPOTESIS Y STGNIFICACION 24V 7.a 7. = 0. (c)p : 0.----80Entonceg el valor máximo de C e¡ . Para ensaya¡ la hipótesis de que el estudiante acierte por car¡udidad. Pueeto que las frecueneias eeperadas. Nótees la probabilidad de error del fipo I. D Tabl.4)3+ roOs(0.7)7(0.50)2 (0 .(.(+Xá) * .0o)z (0 . hallar la probabilidad de aceptar la hipótesisp = 0.55. (b)P : 0. (Véase Problema 7 . do¡ clasificaciones son perfectamente dependiente¡ o a¡ociadas. donde g =L- p.?0?1.4.13.54. La probabilidad de conteetar correctamenté Bajo la hipótesisp r pregunta¡ de las 10 será rcCrqqto-'.? Bajo la hipótesis p P(menoc de 7 corectas) : - 1 -P(7 o mác conectas) 1 . Seap la probabilidad de que una pregunta sea contestada correctamente. (f) p : 0.8.(á) = 0. todor loe que tomen el suero 8e recuperarán y todor lor que no se lo tomen no Be recuperarán.L27)./Zt(xz + n'l = t/ñl@6T 2oo-) = 0.".6)?(0..(g)p : O. = 1/@-ffi. Para taleo ca¡os.3.. P(7 o más correctas) : P(7 correctas) * P(8 conectas) + P(9 corectae) * P(10 correctae) = . 7.. suponiendo independencia total. las únicas frecuenci¡¡ de casillas que no Eon cero aparecen en la diagonal que baja de izquierda a derecha de la tabla.i .

Ele al nivel 0.1094.8. pero no d 0.7 0. 7-15.945 0.t+.5 dado por p : 1 . 7. 0.4 0. Bajo la hipótesis (Ho: p: 0. el resultado observbdo es significativo al nivel 0.618 0.65. 4.999 0.6) y (Ht: p > 0.01. ¿Puede deducirse que al nivel de significación (c) 0.0. Puesto queP(0 ó no ee puede rec}ntzar H¡ al nivel de 1ó 5 ó 6 caras) = 2(t) = 0.5 0.1. 03 02 0.01. Ad- la curva OC del 06 Si se hubiese dibujado (1 -p) yp.01 la moneda no está bien hecha? Considerar ensayos de una y dos colas.989 0. se puede rechazar. no se puederechazar. pero no al 0.!¡.01.248 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. respectivamente. l0 09 08 0? El gráfico pedido es el de la Fig.t v i. Pueeto que P(6 ó 6 earar): * + # = éa:0. Puesto que P(0 ó 6 carar): t'o+* = 0.000 0. caraa en 6 f(x\ = P(x lanzamientos) = Entonces lae probabilidsdes de 0.trf6 llnivelde . 3.05. Sea p la probabilidad de ca¡a en un solo lanzamiento de la moneda.59.1094.58.64.01 (es decir.828 del Problema 7.5 cuando realmente p > 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. Ensayo bilateral. la moneda está bien hecha).06. pero no al 0. Una moneda que se lanza 6 veces da 6 veces cara. (g) pueden hallar¡e análogamente y se indican en la Tabla 7-22 junto con el valor correspondiente a p : 4. Tabl¡ ?-22 p B 01 1.013 0 828 7.Puesto queP(6 caras): f¡ :0. Ensayo u¡ilateral. Nótese que la probabilidad se denota por p (probabilidad de error del Tipo II).1 El grafico indica que la regla de decisión dada ee muy odecuado para rechazat p:0. $oluciona¡ el Problema 7. .5). . . Utilizar el Problema 7.1?19 : 0. por #.68.5). Se ha irrcluido también el valor para p : 0.57.03125.2 0. +i. ee puede rechazar ñfe Ensayo bilateral: al nivel 0.7 hallado en el Problema 7 . 7.05 y (b) 0. como se muestra gráficamente en la di¡tribución de probabilidad de la Fig. (c).8 0.5)(ee decir.¡qn. si en la moneda sale 5 veces cara. 1. **. se habría obtenido la curvo de potencia de la regla de decisión.9 0. 0. viértase la semejanza con Problema 7-27.01).350 0.2188. p + 0. ? Loa resultados de (b).121 0.05.01662 y P(6 ó 6 carad) = * +-# : 0.05 ó 0.ó) y (Ht:. . Aquí se desea decidir entre la¡ hipótesir (Ho: p : 0.3 0.6 0.05 ó 0. Ensayo unilateral: Aquí se deeea decidi¡ entre las hipótesis (Ho: p: 0. 7-14. 2.54.6 y 6 caras son dadas.

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

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

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. se quiere un nivel de significación del 0..cAP. (¿) ¿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.entarios ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NOBMALES ?'63. erplicando las conclusiones sacadas con estos ensa- . . ee decir..01 que el es ahora peor? hilo 7 . Esüo provee Problernas suplem. Enaayar la hipóteaie de que los dados esüén bien hechos.Of O. mediante (of un ensayobilateralyla¡. Solucionar el Problema 7.65. Para ensayar la hipóteeis de proporciones iguales de e¡to¡ colores. En un examen dado a un gtan número de estudiantes de muchas escuelas distintas. se adoptarÍa en el Problema 7. En una escuela determinada con 200 estudiantes el mismo examen dio una puntuación media de 75. 7. Var (W) = pr(l) * pz$) * .. normal (puesto que e8 una combinación lineal de la¡ variablee Z normaies e independientee). y Denominado¡ (.. 7'68. (o) ¿Qué regla de decisión ?.66 ei el nivel de significación es del 0. 7.e) = p(lWl < e) - e4(0)(Z€) = 7. La "demostración" anterior (que puede hacerse rigurosa) muestra incidentalmente que cada restricción lineal colocada alas Z.40 onzas. ¿Se puede deducir al nivel de signüicación del (o) 0. Un examen sobre una muegtra de 200 de talee equipos reveló que 18 eran defectuosos. 7. y que E\W\ = VE(O) + \/p2(o)+ .01.(o¡ : 1 s Por tanto la función .05.OO. (ó) Interpretar gráficamente la regla de decisión y el resultado obtenido en (o). es decir.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. yos. 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. (o) Hallar la probabilidad de rechazar la hipótesis cuando en realidad aea correcta. + {pt Zt.05 desde el punto de vista de (o) un ensayo unilateral y (b) un ensayo bilateral.e y azules.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 26L Para evaluar el denominador de (5) notamos que la variable aleato¡ia W = lptZl * es l-p222 + .. y por tanto a la¡ Y o a las X reduce el número de grados de libertaá en X2 en 1. donde z : h - las bases para las reglas dadas en la página 219.64.69. Recientemente.63 si ee quisiera que la probabitidad de rechazar la hipótesis siendo realmente conecta sea a lo sumo 0.67. + V!f.01.0ó? (d) ¿Cuál sería la regla de decisión si el nivel de significación fuera del 0. no cargados. Un fabricante sostiené que al menos el 95% de los equipos que Euministra a una fábrica eetá de acuerdo con las especificaciones requeridas. proporción d. Discutir las razones de las posibles preferencias de uno de estoe ensayos sobre el otro.05? 7. (Zr)-t/2(ze) Al dividir (8) por (9) obtenemos el resultado deseado. * p¡(1) = de den¡idad paraW es p(rr) : (Zr)-r/2e-u2/2.0.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.ebolac rojas que de azules.66.9.05 y (ó) 0.93 onzas.1 y la desviación típica fue 8. Una urna contiene bolar roja..7 o.. Comentar la significación de este resultado al nivel de 0. Ensayar la afirmación del fabricante al nivel de aignificación del (o) O. una muestra de 36 piezas de hilo dieron una resistencia media de 8.trLtroyo uniiateral y un nivel de significación del 0. Supóngase que en el Problema ?. la puntuación medi¡ fue de 74.63 se desea eneayar la hipóüeeis de que hay moyo.

etc. respectivamente.01.83.79 ensayar la hipótesis de que el contenido medio de cobre sea más alto que el que marcan las especificaciones. Análisis de 6 muestras de A dieron un pH medio de 7.01 y (ó) 0.01.05. 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.63 fanegadas. mediante un nivel de significación del (a) 0.O7o laintroducciónde tales máquinas en eI proceso resulta antieconómico.49 con una desviación típica de 0.01 V (b) 0.05 que el producto presenta las especificaciones requeridas? ?. El nuevo fertilizante se aplicó a 30 de estos cuadrados y el antiguo fertilizante a los restantes. respectivamente. ?.76. El número medio de fanegadas de trigo cosechadas por cuadrado en los que se utilizó el fertilizante nuevo fue de 18.52 con una desviación típica de 0. Una muestra de 100 bombillas de un fabricante A dio una duración media de 1190 horas y una desviación típica de 90 horas. Para ensayar los efectos de un nuevo fertilizante sobre la producción de trigo. Explicar las diferencias entre esto y lo que se pedía en el problema anterior.19. mientras que la puntuación media de 36 niñas fue de 75 con una desviación tÍpica de 6. ENSAYOS REFERENTES A DIFERENCIAS DEMEDIAS Y PROPORCIONES 7. Unamuestrade 10 análisis dio una media de contenido en cobre de 23. . una parcela de terreno se dividió en 60 cuadrados de áreas iguales. 7 . En el Problem a 7 . Ensayar la hipótesis de que a los niveles de significación (a) del 0. ¿Hay diferencias entre las duraciones medias de las bombillas de los dos fabricantes al nivel de significación del (o) 0. Con un nivel de significación del (a) 0.8 y 0. Ensayar la hipótesis de que (o) las dos máquinas tengan diferente calidad de fabricación y (b) la máquina B sea mejor que A.05 y (b) del 0. En un examen de psicología de 12 estudiantes de una clase hubo una puntuación media de 78 con una desvia- 7. En seis pruebas de este tipo se obtuvo un decrecimiento en eI tiempo de producciónde 8. ensayar la hipótesis de que el nuevo fertilizante sea mejor que el antiguo.05 y (b) 0. Utilizando un nivel de significación del (a) 0. 0.8f En el Problema 7. la puntuación media de 32 niños fue de 72 con una desviación típica de 8. Una muestra de 8 bombillasdelaproducciónactualdiouna du¡aciónmedia de 10?0 horas. todos ellos tenían idénticas características de suelo.73.05.01 las niñastengan mejor ortografía que los niños.77.7 4. Análisis de 5 muestras de B dieron un pH medio de ?.01.7 8.05.7 7 ensayar la hipótesis ¡¡ : 1120 horas contra la hipótesis alternativa tt diante un nivel de significación del (o) 0. A y B fueron ensayadas pa¡a ver su pH (grado de acidez de la solución).76. me- 7. [.80. (b) 0. 7.72 ensayar Ia hipótesis de que las bombillas del fabricante B sean mejores a las del fabricante A utilizando un nivel de significación del (o) 0.a media y desviación tfpica correspondientes a los otros cuadrados fueron 17.2 con una desviación típica de 0. ENSAYOS EN RELACION CON LA DISTRIBUCION ú DE STUDENT 7.2% de cobre. ¿Puede deducirse al nivel de significación del (c) 0. ción típica de 6. Mediante unniveldesignificación del 0.5% y una desviación típica de 0. < 1-t2O horas. Ensayar la hipótesis de que la duración media de las bombillas no ha cambiado.01 y (b) 0.05 y (b) 0.05 y (b) 0.252 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Solucionar el Problema 7. Un experto efieiente mantiene que introduciendo un nuevo tipo de maquinaria en un proceso de producción se puede disminuir sustancialmente el tiempo de producción. A causa de lo costoso del mantenimiento de estas máquinas resulta que a menos que el tiempo 4e producción ee disminuyaen un8. Las especificaciones para Ia producción de una cierta aleación piden el 23. mientras que 15 estudiantes de otra clase tuvieron una puntuación media de 74 con una des- . determinar si los dos tipos de soluciones tienen diferentes valores de pH. 7. ? 7.05.4a.032. 7. exposción a la luz del sol.54 fanegadas. 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. Utilizar el nivel de significación del 7. Dos tipos de soluciones químicas.32%. Una muestra de 75 bombillas de otro fabricante B dio una duración media de 1230 horas con una desviación típica de 120 horas. lcAP.01? En el Problema 7 .a2.70 si el nivel de significación es del 0. ¿Se contradicen los resultados con los del problema anterior? En un examen de ortografía en una escuela elemental.01.05 y (b) 0.24%.01.05 ensayar la hipótesis de que las máquinas deben ser introducidas.72. con los niveles de significación de (o) 0.024./o con una desviación típica de 0.7L. 1 .

89.0f . (b ) 0. Representar gráficamente los resultados del Problema ?. La resistencia a la rotura de una muestra de 8 cables dio una desviación típica de 300 libras. (c) 0. determinar Ia probabilidad de aceptar la hipótesis de que haya igual proporción de bolas rojas y azules. Investigar la significación del aparente incremento enla variabilidad. ?.86. se toma una muestra cada 4 horas de 200 de las tuercas producidas.ores.05 determinar si el primer grupo do. durante los 15 últimos años. Ensayar la hipótesis de que la primera varianza poblacional es mayor que la de la segunda a un nivel de significación del (o ) 0.3. En relación con el Problema 7. tienen varianzas dadas por s? : 16 y s2 : 8 respectivamente.82.25 considerando Ia analogía de bolas rojas y azules con caras y sellos respectivamente. (d) 0. (b) 0.93.cAP.65. Después de introducir un cambio en el proceso de producción de estos cables.63.81 .CUADRADO 7.01. ¿Concluiría que esto no es común? Explicar. mediante un nivel de significación del (a ) 0. Adviértase que en esüe caso solo son necesarios los límiúes de control super. una curva de potencia correspondientes al Problema 7.90. La desviación típica de resistencia a la rotura de ciertos cables producidos por una compañía viene dada por 240 libras.90 construyendo un gráfico de (c)p V p.731o ó 3o. (o ) Solucionar los Problemas 7 . . ENSAYOS EN RELACION CON LA DISTBIBI'CION CHI. En el Problema 7.64 onzas y una desviación típica de 1.84. desviación típica de las temperatwas anu¡legde una ciudad en un período de 100 años fue de 16" Fahrenheit.27 GBAFICOS DE CONTROL DE CALIDAD 7. t¿ ?. un cierto tipo de hilo producido por un fabricante tenía una resistencia media de roüura de 8.27 si se eru¡ayan 400 cuerdas. se toma cada 3 horas una muestra de 16 piezas de hilo y se determina la resistencia media.01 . 7.8.92. Construir (a) unacurva OC y (ó) .95. ENSAYOS EN RELACION CON 7 LA DISTBIBUCION F .91.87 si las dos mueetras con¡i¡ten de 60 y 120 observaciones respectivamente.26 y 7 . Comparar estas curvas con las del ProblenaT . Ia desviación típica de las temperaturas anuales fue calculada como de 10o Fahrenheit.77 una muestra de 20 bombilta¡ reveló una desviación típica en la duración de 150 horas.28 onzas. (b) 99% sobre un gráfico de control de calidad y explicar sus aplicac¡o- nes. (e ) 0. En el pasado. ¿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.E8. (b ) 0. cuando la proporción real p de bolas rojas sea (o) 0.85.7. (b ) ¿Qué conclusiones pueden sacarse de acuerdo con Ios riesgos de error del Tipo II cuando se incrementan los támaños muestrales? 7 . Dos muestras consisten de 21 y 9 observaciones.9.05 y (b ) 0. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION es 263 superior al segun- viación típica de 8.05.05. Solucionar el Problema 7. al nivel de significación del (a) 0. Para determinar si el producto está de acuerdo a estas normas. Alrededor del lVo de las tuercas producidas por una compañía son defectuosas. ?. (b) (1 -p) y p.6. Con un nivel de significación del 0. Hallar los límites de control del (a) 99. ?.01? CUBVAS CARACTERISTICAS DE OPEBACION ?. Ensayar la hipótesis de que las temperaturas en esta ciudad presentan ahora menos variabilidad que en el pasado. Con la temperatura media del día 15 de cada mes. ?. Para mantener esta calidad de producción.94. En el Problema 7. ?. Comparar estos gráficos con los del Problema ?. Determinar los Iímites de control del (a ) 99% y (b)95% pam el número de tuercas defectuosas de cada muestra.

Ajustar una distribución de Poiss<¡n a los datos. 3 4 . 7. utilizar papel gráfico 30 62 16 l0 . 7 z AJUSTE DE DATOS A DISTRIBUCIONES TEORICAS -24 2 7. solucionar el Problema 7.96 y comparar con el ajuste obtenido utilizando la distribución binomial. Un profesor nr¡evo da durante dos se_ mestres 22 A. Los resultados aparecen en la Tabla 7-26 junto con las frecuencias esperadas bajo la hipótesis de que las monedas están ces y Tabla 0 caras Frecuencia observada 7 -26 2 caras 3 caras t.108. (b ) 0. 7.rrru de 4 máquinas.CUADRADO 7'102' En 60 lanzamientos de una moneda se observaron 37 caras y 23 sellos. de probabilidad para determinar si los datos del Problema 5.05. el número de muertos por unidad y año debido a coz de caballo se dan en la Tabla ?-2b. con un nivel de significación del (o ) 0. I 65 22 a l 10!¡ I LA PRUEBA CHI. 7.107. Juev.106.96. Determinar si existe entre las máquinas una diferencia significativa al nivel dc significación del 0.0r . 7. Ensayar esta hipótesis al nivel de significación del 0.05 2 rojo 0 blanco Número de extracciones con Ios esperados. Tabla 0 ? -25 I ?-101. Se Tabla 7-28 0 rojo 2 blanco 1 rojo 1 blanco 53 si los extraen aleatoriamente dos bolas de la urna. 6l ?. 9.05.254 ENSAYOS DE HIPOTESTS Y SIGNIFICACION Tabla f 0 [car. 7.01.1'04.gg. las puntuaciones dadas por un grupo de profesores en un determinado curso dieron un promedio d. . Ajustar una distribución normal a los datos del problema 5. Mar. Una urna contienc 6 bolas rojas y B blancas.05.103. Ajustar una distribución normal a los datos del problema 5. Durante un largo período de tiempo. (o) Determinar las frecuencias esperadas. 3.^ 30 Frecuencia esperada )0 90 3() ?.98. 10. 108 Mierc. 146 t20 7. 114 Vier.100. Delerminar al nivel de significación de 0.r02 utirizando la corrección de yates. resultados obtenidos son consistentes (. (á) 0. En 10 unidades del ejército prusiano y en un período de 20 años 1875-1894.Lg?o D y 12% F.l 1 cara 108 bien hechas.66 C' 16 D y 12 F. Se lanzaron tres monedas un total de 240 vese observó cada vez el número de caras obtenido.se muestran en la Tabla ?-2g. (b) Determinar al nivel de significación del 0. Número de libros sacados Tabla 7 -27 Lun.99. se anota su color y se vuelven a la urna.LB% B. Ensayar la hipótesis de que la moneda está bien hecha utilizando un nivel de significación del (o) 0.g8 pueden ser aproximados estrechamente a una distribución normal. Se eligieron aleatoriamente tuercas de la producción de . Ensayar la hipótesis de que el número de libros sacados no dependa del día de la semana. Ajustar una distribución de poisson a los datos del hoblema 2. El número de libros sacados de una biblioteca pública durante una semana determinada viene dado en la Tabla ?-22. 7 '97 Ajustar una distribución binomial a los datos dela Tabla 7 _24.100. . 7.e 12% A.34 8.40% C.05 si el profesor nuevo sigue las mismas nornns de puntuación que los otros.0b.105. El número de defectuosas ""d" fueron 2. Este proceso se repite un total de 120 veces y los resultados obtenidos.

De un grupo de enfermos que se quejaban de que no dormían bien. ¿Qué poeiblee dificultades en las t&nicas de muestreo como en otras consideraciones pueden afect¿r las conclusiones? .112 introduciendo la corrección de Yates. Mediante un nivel de significación del (o) 0. Hacer el problema con y sin la corrección de Yates. se Ies preguntó si las pastillas habían surtido efecto o no. Mediante la prueba chicuadrado determinar la bondad de ajuste de los datos de (c) Problema ?.05 y (b) 0.(b) ¿Es el ajuste "bastante bueno"? Emplear el nivel de significación del 0.LOg? TABLAS DE CONTINGENCIA 7 Tabla 7-29 Se . los votos de los demócratas y republicanos registraron los resultados que se observan en. tiene su efecto en el número de accidentes de automóvil (incluyendo todo tipo de accidentes) se indican en la Tabla 7-34. Dott.05 y en cada caso determinar si el ajuste es "bastante bue. Posteriormente. Suponiendo que todos los pacientes dijeron la verdad. N nivel de significación del (a)0. ensayar la hipótesis de que no haya diferencia entre los grupos vacunados y no vacunados.111.ensayarlahipótesis de que no hay diferencia entre las píldoras de dormir y las de aziucar al nivel de significación del 0. Los resultados de una encuesta hecha para determinar si la edad de los conducüores a partir de los 21 añoe.116. Mediante la prueba chi+uadrado determinar la bondad de ajuste de los datosde (o)Problem¡ 7.101.01. mientras que a otros se les dio píldoras de azúcar (aunque todoselloscreíonque suspíldoraseranparadormir). Solucionar el Problema 7.115. a unos se les dio pfldoraspa¡adormi¡. la vacunación y esta enfermedad son independientes.118.05 v (b) 0.06. las dos claees.100. 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.113. ensayar la hipótesis de que no haya diferencia entre. Utilizar el nivel de significación del 0.05. ¿Es consistente el resultado de (o ) con el del problema 7 .96.la Tabla 7-32. Mediante un nivel de significación del (o) 0. 7.f09. Tabla ?-30 Aprobados Clase 7. A 72 64 t7 23 Clase B 7. A un nivel de significación de (a) 0. Ia Tabla 7-33 da la relación entre las notas de los estudiantes en matemáticas y física. IA Tabla 7 -29 muestra el resultado de un erperimenüo para investigar el efecto de vacunación de animales de laboraüorio contra una determinada enfermedad. (b) Problema 7.01 ensayarlahipóteaisdequeelnúmerodeaccidentes es independiente de la edad del conductor.cAP. 7.99. Sobre una decisión de importancia nacional.0ó. enfer No se maron 'enferma¡on Vacun¡dos No Vacunados I L7 42 28 ?. El resultado de sus respuestas se muestra en la Tabla 7-31.114.05 V (b) 0. (b)hoblema 7.01 y (b) 0.ensayarlahipóteois de que no hay diferencia entre ambos partidos en lo que a esta decisión se refiere. 7.98.110.31 DurmieTabla 7-32 ron bien Tomaron píldoras para dormir 44 No durmieron bien Demócratas 10 A favor 85 118 En contra Abstencionistas 78 61 37 Republicanos 25 Tomaron pfldoras de azúcar 81 35 7. medianüe un nivel de significación del (o) 0.112. Tabla 7. (a) Utiliza¡ la prueba chi-cuadrado para determinar la bondad de ajuste de los datos del Problema?. 7l BONDAD DE AJUSTE ENSAYOS DE HIPOTESIS Y SIGNIFICACION 265 7.01 y (b)0. 7.L17. Ensayar la hipótesis de que las notas de física sean independientes de lás obtenidas en matemáticas.01. es decir.06.

/n.?r para toda tabla de contingencia. Si nI y n! denotan. pero se desconocen las proporciones de boias rojas y blancas en cada una de las urnas. discutir las tablas de contingencia h X k X I. COEFICIENTE DE CONTINGENCIA 7.¡¡¡.117. 20.266 ENSAYOS DE HIPOTESIS Y SIGNIFICACIOD¡ Tabla 7-33 lcAP. la suma de frecuencias en la fila ¡ y en la columna j de una tabla de contingencia (frecuencias marginales). 7.11?. Por similitud con las ideas desanolladas para tablas de contingencia h X &. diantes. es JUS:0. 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.LL4. Demostrar que el coeficiente de contingencia máximo para una tabla fr X k es 1/1t¡ PROBLEMAS DTVERSOS . ( sin y con coeficiente de n de yates.) 7.122. se toma una muestra de 50 bolas con remplazamiento de cada una de las urnas. Xu) r¡ñY Azules No azules 49 30 8-ó 7.1L2 y (b) Problema 7.8165aproximada- 7.125. donde n es la frecuencia total de todas las casillas.121. 7'. ? MATEMATICAS Notas altas Notas altas O CA Notas medias 71 Notas bajas L2 Dt) AO Notas medias Notas bajaa 163 42 38 85 T4 Tabl¡ 7-34 EDAD DEL CONDUCTOR 21-30 31-40 41-50 78s 51 51-60 720 66 16 5 61-70 672 50 RH HE< 0 748 74 82r 60 26 10 oz ÉE I 2 Bg z< 3l 22 6 ID 7 lMásde2 I 7.L23.127.119. (o) Demostrar eu€ ¡2 = 2@l/np. Dos urnas A y I contienen igual número de bolas.49. (b) Con el resultado de (c) hacer el Problema 7. 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. Hallar el coeficiente de contingencia sin y con la corrección de Yates para los datos de (o) problema 7. Demostrar que el coeficiente de contingencia máximo para una tabla 3 X 3 mente. donde n és la frecuencia total de todas las casillag. señalando las posibles aplicaciones que pueden_tener.128.126. . ?. Demostrar el resultado (2) det Problema 7. respecüivamente. Hallar el coefieiente de contingencia para los datos del Problema ?.1 .121.

133. Solucionar los Problemas 7. Al nivel de significacióndel 0.05.6 con una desviación típica de 0.54 ?. Utiliza¡ el resultado del Problema 12 para el Problema ?.001' (d) 0. ?. ?.135. A B Tabla 7-36 I &1 II A2 III dg ó3 'tLg TOTALES ?.141. Construir gráficos análogos a los del Problema 7. (b) 0'01. Solucionar el Problema 7.142.01. Comentar cómo puede utilizarse la teoría del muestreo para investigar las proporciones de diferentes tipos de pescado presentes en un lago.55. Ensayar la significación de este resultado a un nivel de (a) 0.140.54. el número medio de millas por galón consumido en 5 automóviles análogos bajo idénticas condiciones fue de 22. el número medio fue de 21.136.13g. ?. ?. hallar el menor número de preguntas que un estudiante debe contesta¡ correctamente para que el instructor esté seguro al nivel de significación del (o) 0. Generalizar el resultado del Problema 7.0Sinvestigarsila marca A realmente es mejor que B proporcionando mayor recorrido por galón.0ó. Con otra marca B.64-7.4 con una desviación típica de 0. Una moneda se lanza 8 veces y se obtienen ? caras. Con referencia al Problema ?. Durante un período particular hubo 40 calificaciones A en un grupo de 300 estudiantes. El porcentaje de calificaciones A dadas en un curso de física en una universidad determinada durante mucho tiempo fte L0%. Con una determinada marca A de gasolina.138 ¿hay mayor variabilidad en millas por galón utilizando la marca B que utilizando la marca A? Explicar.131. (b) 0. Explicar cómo podría definir interualos de confianza unilateroles y dar una posible aplicación.56 si el 7 en la regla de decisión del Problema 7.132 empleando un ensayo unilateral. ?.48.01? Utilizar un ensayo bilateral. es ahora 8. 2. Demostrar que para la Tabla ?-36 y2 " n = o(l+ú+"?\ * 2a (u" +ú+ rt2 'tL2 ns/ rr o?) ns ¡\ ?t I \t¿r / -. 7.54.05.132 si salen 6 caras.140.13?.138.23 pzra el Problema 7.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 267 dando la de A 32 bolas rojas y la de B 23 bolas rojas. 7 n¡ ng üt fl1 b2 .134.130. Mediante un nivel de significación del 0. ¿Se puede rechazar la hipótesis de que la moneda está bien hecha al nivel de significación del (o) 0.l4O para obtener el valor de TOTALES lr2 n .129. ?.10. (b) 0.132.06 de que el estudiante no está contestando al azar. Comentar los resultados.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. En eI Problema ?. ?.4?. 7. 7. (c) 0. (c) 0.cAP. ?. Solucionar el Problema 7.

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

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

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

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

z. entón". y. = o2r +b>12*c)ry 2u" : "2u + b> ry 1.23. .denotamos por U".-' perficies de regresión en espacios tridimensionales y superiores.8 REGRESION MULTIPLE Las una ces busc hay ás variables.: 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".s curvas de regreéión posible. Por ejemplo. ' Estas ecuaciones. n¿viértase qúe pueden obtenerse formalmente de (20) multiplicando por L. y respectivamente y sumando. se hacán fácilmente.r €l valor estimado de y para un valor dado de ¡. si creemos que dos variables inaependi"áfus y. ó.c)y2 (21) tado de aplicar una definición análoga a la de la página 2sg.' : f"(L-r') Í l.."t)z = 2¿2. REGRESION Y CORRELACTON lcAP. debemos hallar si n es lo suficientemente grande para que estén rectas alrededor del 68%. tenemos (23) (24) También podemos expres¿u s. x.r)2 (22) r. (25) de donde incidentalmente se deduce como corolario que r2 _ El error típico de la estima tiene propiedades análogas a esas de la desviación típica. con a y b dados por (4).2. como se emtodas la. : a* br. si construimos p¿ües de rectas paralelas a la recta de iegresión de y sobre r a distancias vertióales te. se obtienen como resul- ERROR TIPICO DE LA ESTIMA Si. puesto que >(A U. incluyendo ecuaciones lineales y no lineales conducentes a s¿. tenga la forma (20) z = a*br+cy Esta se denomina ecuación de regresión de z sobre r. 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. llamadas las ecuaciones normales correspondientes a (20). c en (20) de modo que que (20) lz = tmtb)r+ "2a 2*.262 CURVA DE AruSTE. por ejemplo. esto es -1 < r < 1.96% y 97% de los puntos muestrales res. por la recta de mínimos cuadrados en términos de la varianza v del coeficiente de correlación como s?. obtenido de la curva de regresión de y sobre r. Genetalizaciones a más variables. la cun¡a de o de la estima.. entonces una medida de la dispersión con respecto a la curva de regresión está suministrada por la cantidad sg. Si r es la variable dependiente una ecuación semejante se llamarú ecuación de regresión de x sobre y.

*-u)' (27) La cantidad a la izquierda de (27) se llama la uariación total.x"l(E (32) a. decimos que hay una correlación lineal perfegta (y en tal caso también regresión lineal perfecüc). 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.. r mide qué tan bienla recta de regresión de mínimos cuadrados se ajusta a los datos muestrales. De otra parte si la variación total no se puede explicar. r : + 1. entonces la variación explicada es cero y así r : 0. mientras que la segunda suma se llama uariación explicadn. La fórmula (29) se conoce como la fórmuln producto-momento para correlación lineal.. Esta terminología surge debido a que Ias desviaciones y -U.r s€ comportan en una manera aleatoria o impredecible en tanto que las desviaciones /esr . REGRESION Y CORRELACION 263 Así como hay una estima insesgada de la varianza muestral dada por 3t : nsz/(n . Si la variación total se explica totalmente por la recta de regresión. 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.)2 * 2(u.r7 se explican por Ia recta de regtesión de mínimos cuadrados y así tienden a seguir un patrón definido.. 8l CURVA DE AJUSTE.(>rX>y) (3r) ra-ra (? . En Ia práctica la cantidad 12. y sy tenemos )('?-U""')' D2 = r Entonces podemos demostrar que (véase Problema 8. que se utilizan en la práctica son M n2ry . Al tratar de hacerlo notemos que de (25\ V las definiciones de sy. y (en COEFICIENTE DE CORRELACION I.. es decir. Este está dado por 3r2.24) (26\ 2@-ü' = 2ta -?/". La primera sunra a la derecha de (27) se conoce como la uarincíón no explicadc.) . si 12 : L í.. Por esta raz6n algunos estadísticos prefieren expresar (22) con n .. algunas veces llamada coeficiente de determinación..2). En otras palabras. : nsl . Fórmulas equivalentes a las anteriores. se encuentra entre 0 y 1.2 en cambio de n en el denominador./(n .INEAL Hasta el momento hemos definido eI coeficiente de conelación formalmente por (I5) pero no hemos examinado su significado. 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.1) igualmeninsesgada del cuadrado del error típico de la estima.cAP.

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

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

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

3.'\[+Fi. Ensayo de hipótesis para valores medios predichos.(i#J aproximadamente tiene una distribución normal con media y desviación típica dadas por (50) -Zt" /1+p\ *. lo : a * bxs. La transformación (60) se llama transformación /1+p\ I o/' ". REGRESION Y COBRELACION 267 tiene una distribución de Student con n . Ensayo de hipótesis para valores predichos.46.8 : to estimado de la ecuación de regresión muestral. = ffi - (51) Z de Fish. Entonces el estadístico t- ú- ru.2 grados de libertad. fo = E(YIX = co)]. Ensayo de la hipótesis p = 0.45. Entonces el estadístico t- su.44. Esto también puede utiliza¡se para hallar inten¡alos de confianza p¿ua coeficientes de regresión poblacionales de los valores muestrales. Aquí utilizamos el hecho de que el estadístico f = rl/n-z \/fr (+s¡ tiene distribución de Student con n - 2 grados de libertad.1618"". es decir. Denótese por Jo eI valor predicho de y correspondiente o. De aquí pueden hallarse los tes de confianza para valores medios poblacionales predichos.8l CURVA DE A'USTE.m (ao- úor\Ñ @a¡ tiene una distribución de Student con n .43 y 8. 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. Í : Ís para la población.2 grados de libertad. Ensayo de la hipótesis p * 0.48. Véanse Problemas 8. Véanse Problemas 8. . 1.Para este propósito debemos conocer la distribución muestral de r. Véase Problema 8. 2. Denótese Por Jp el valor predicho de y conespondiente 2.2 grados de libertad. En ese caso una transformación debida a Fisher produce un estadístico que aproximadamente tiene una dishibución normal. = 1. 2. Denótese por ¡lo el valor predicho de y conespondiente i f : ts estimado de la ecu¡ción de regtesión muestral.49 y 8. Denótese por üp elvalormedb predichodey correspondiente a x = Ío para la población [esto es. De esta ecuación se pueden ha' llar límites de confianza para valores de población predichos. lo = a * bxs..ffi @o- a"\{n-2 Urr¡ tiene una distribución de Student con n . En el caso de que p = O esta distribución es simétrica y se puede utiliza¡ un estadístico con distribución de Student. Para p + Ola distribución es sesgada. Véanse Problemas 8. Los ensayos siguientes resumen los procedimientos involucrados. es decir.cAP.47 y 8.er. Aquí utilizamos el hecho de que el estadístico z =*r"(i+) = r.. (i=/ : 1'1513 tos'o(1 Estos hechos pueden también utilizarse para hallar los límites de confianza para los coeficientes de correlación.50. Véase Problema 8.

Se¿n X. 8 3.@ se mueetra en la Fig. y 22 conespondientes a y rz utilizando (50). lt ) y ( rr. Esto se demuestra en los ejemplos siguientes.b(r-r-1\ Í2trt Uz-Ut . 8-5.2. = Y nr- n^ = nt-3' nz-B (53') disbibuye norma[mente. cuando p + O. EJEMPLO 8. Entonces ya que (¡r. = Pzr. Por tanto (1) A2 = aibr2 u-a1 = @*br)-(a+b*t) (2\ .a ecuación de una recta es ! : a * b*. ). diente de la recta. Véase Problema 8.Zrpzr-2. ozr-2. La consüante b : (yz . yr ) V @2.1. REGRESION Y CORRELACION [cAP. Luego utilizamos el hecho de que el estadístico Zr. Problerna.a*br)-(a*br1l = b(r2-r1l Obteniendo que b : (yz . y. Si X representa los s¿larios anuales de los profesores en tanüo que Y representa la cantidad de crímenes. Además. EJEMPLO 8.t [.)w-.1.yt)lfz . y2 ) son puntos sobre la recta yt = a+bn1. Aquí hay una independencia directa enüre X Y. Y variables aleatoria¡ que representsn eetaturas y pesos de individuos. 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.¡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. Pero diffcilmente diríamos que hay interdependencia düecta entre X y Y.yt)l@z .s resueltos NECTA DE MINIMOS CUADROS 8. eI coeficiente de correlación puede eer diferenüe de cero y podríamos halla¡ una ecuación de regreeión prediciendo una variable de la otra. Una recta pasa por los puntos (xr. página 82) que son dependientes en el sentido de probabilidad (esto es. Y tienen un coeficiente de correlación diferente a cero. (521 donde se Itzr-|. el resulüado se deduce. CORRELACION Y DEPENDENCIA Si dos variables aleatorias X..51.(.lLzr. su distribución conjunta no se factoriza en sus distribuciones marginales). ozr-2. sabemos (Teorema 3-15.268 CURVA DE AJUSTE. Significado de una diferencia entre coeficientes de conelacion. Es importante acla¡a¡ que "correlación" y "dependencia" en el sentido anterior no necesariamente implica una independencia causal di¡ecta de X y Y. calculamos Z. Demostrar = que la ecuación de la recta es U-Ut tenemoe (Ty.11 ) de (2) y (l pedido sustituyendo en ). La gÉfre de la recüa .

rfnSOn a*bry albr2.4\.2 utilizando a (c) variable independiente. 8. 6 y-l=0.tl' a-r =ffiO-l.cAP.642r. 4).542r ó¡ U=l+0. 9) sobre un ¡istema de coordena' das rectangulares corno se muesha en l¡ Fig. F(a.. 12. (b) Hallar una ecuación para esta recta.61.g¡2. 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. Para un método que eümine la ne' eecidad de juicio individual. I 4 8 I Una rect¿ que se aproxime a los datoc se dibuja a mono olzada en la figura. Refiriéndonoa a la Fig. 6). r como .. 2ra = a2r*b2r2 como 8e pedfa. Derivar las ecuaciones nonnales (4). 8-6.1 . es decir.7 . (6. (3. recta de mínimos cuadrados conespondientes a 11. 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. (11.1 ) y (72.(4.4. aFlab = 0. CURVA DE AJUSTE. 7). 8-?. Ajustar una recta de mínimos cuadrados a los datos del Problema 8. Ya que # = >f. 8-6 . . página 260.. 2).b) = l(o * br .8l 8. 8. (o) Dibujar loe puntos (1.3. 3 2 4 6 4 891114 o a t).os valores de y sobre la. por ejemplo. Puede demostrarse que eetas realmente resultan en un mínimo.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.2.. (9. Entonces el Problema 8. f. (8.. dn = a*bxn-yn Fis. Una condición ó mfnimo (o un máximo) es necesaria para que esto sea un que aFlaa = O. Las coordenadas de e¡tos puntoa tomadoc de la gráfica eon aproximadamente (0. (b) Para obtener la ecuación de la recta construida en (o). albnn Las dewi¡¡ciones verticales correapondientes son dt = a*br1-yt. 8) y (14.rA' ")t)'6"' Fig. vé¡ee Problema 8'4 que emplea el método de mfnimos cuadrados. para la recta de mínimps cuadrados. (b) Í como variable dependiente. dz: albr2-9". tales como P y 8.. escójarrse dos puntoe cualesquiera sobre la recta.

636. se ha agregado a la tabla para emplearla en la parte (b).sz El trabajo involucrado en el crilculo de las sumas puede ordenarse como ae indica en lá Tabla 8-2.60 . yla rectade mínimoecuadradoopedida es S t + lrx 6 U = 0.r.2 utiPuesto que hay 8 pares de valores de. la ecuación de la la recta de mínimos cuadrados es ¡ : c * dy.)ru) c=ffi==-0.Ga)(.(56X364) lt ó0'545 = 6 --lE f8-i6 g=w =qffiffiá#l )c = cnld)y = frao.546 + 0. Otro método. d=9 ó 1.8 (o) La ecuación de la recta es y : o * b¡.50 d- - = 1. REGRESION Y CORRELACION [cAP. t¿s ecuaciones normalee son )Y: 2ru: an*b)r a)r*b). 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. n lizando el método a mano alzadt.50. las ecuacionee normales se convie¡ten en dedonde c=-* ó -0.CURVA DE AJUSTE. Aunque la última columna no se necesita para esta parte del problema.()r)()ry) = (40)(524\ . y. 8c*40d = 56 40ci256d = 364 Estos valoree también pueden obtenerse de ()rx)sz¡ . Nótese que esta no es la recta obtenida en el hoblema 8.oso (b) Si se considera a r como la variable dependiente y a y como la variable independienüe. las ecuaciones normales son 2ru = c2y*d2a2 Entonces utilizando la Tabla 8-2. a = ()y)()r2) .50. b=+ ó0.545.636 r.

E.7. Por üanto la¡ rectas se interceptan en el punto (?. = tllu-úl Nótese que en general. se indican en la Fig.8-8 8. 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. más exactamente.9. llamedo el centroide.Resolviendoeimultánesmente.Elpunto(?.5).546 + 0. .8.50y. La recta obtenida en la parte (b) se llama la recto de regreeión de x eobre y.50(3) = {.8l CURVA DE AJUSTE. ti). {.6. 6) se encuentra en la recta U = 0.333 + 0'667 ¡' que no ee l¡ mi¡m¡ rect¡ 8. Nótese que al solucionar esta ecuación para y obtenemos y obtenida en la parte (o). ú).66? r 8 6 1 u= 0.500*1. las rectas (¿) V (S) no coinciden. REGRESION Y CORRELACION Por tanto la ecuación pedida de la recta de mínimos cuadrados es r = 0. y es la varirrble independiente. hallamos que la recta de (5) que indica que la recta pasa por el punto (4. pueeto eue6=*+t(?). y : 0. [¡secuacionee delaedosrectassona= llamos 8. (o) El punto (?.60y t2 10 = y= e. mfnimos cuadrados puede eecribirs€ como hocediendo como en el c¿¡o 1 intercambiando r. Nótese quelas dos rectas en e¡te caso prácüicamente coinciden.636 ¡ 2 0 6tl012 Fig. es (7. remplazando las constantes o. U = 0'646 + 0'636(12) = g'Z' (c) Al remplazary:3 enlarectaderegresiónde¡ sobre a.fi).pue¡üoque7=-*+*(6).ú).cAP. ¡ es la variable independiente.! :5. se utiliza para estimar r para valores dados de y. (b) Al remplazar x. 2.6.4 intersectan en el punto (.60 y. ¡ ¡=-0.636 r o..4. la recta de mínimos cuadrados puede escribirse como Q) Caso que muestra que la recta pas¿ por el punto (á.6). (b) Estimar el valor de y cuando x: L2.546 f 0.60+1. F = -0.636¡. r-ñ f). (o) Demostrar que las dos rectas de mínimos cuadrados obtenidas en el Problema 8. - 0. Demostrar que una recta de mínimos cuadrados siempre pasa por el punto (i. 0. Ot¡o método. (c) Estimar el valor de ¡ cuan' doY: 3' -2a40 a=T=¡-=o Luego el punto (6.546 * 0. b por c.333 * 0. y E=-t+*y.Í. Caso 1. d respectiremen' üe. lo cual es un¡ indicación de que los datos están muy bien descritos po¡ una relación lineal.60 + 1.ha*+É.6)seencuenhasobrelarerfar=-++$y. ¡ = 7 . 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 ). U = &* Lrrr. Lar gróficas de l¡s dos rectat. Representar gráficamente las dos rectas obtenidas en el hoblema 8.: L2 en la recta de regresión de y sobre n.60 * 1. pero ¡e intergectan en (a. y.úr.

u=u'*k.1 -ñF-trú. . U - g.()¿X)y) n)¡z . y (véa¡e problema g. De la segunda ecuación en (5).272 CT'RVA DE AJUSTE. página 260.(>. REORESION Y CORRELACION Demostr^ar que la tecta de regresión de mínimos cuadrados de y sobre forma (8).-. U .pdgina 261.n8z 2r2 I Entonces . Tónemo¡ de 11) [eAP.8 tenemos f. pdgina 260.7 . = n8ru-(2rl()ü _ n2xz _ (2r)z Entonces ti ú = út I h.(2x')(2y'l n)s'2 . 8. Problema 8. j[n2ra Por tanto (I ) oe conüerte cn 2rU t (>¿X>y)] de donde ¡e obtie¡e el resultado (S ).9.=7+h.t).t¡z = - t )(>x)2 |ín2rz . ¿ = ñ.8. r puede escribirse en la (l).(2r)(2r'l n2r.Demosharque .ú = b(x. h_ v- dondeh n2uU yk son constantes.(Ic)z¡ También >(r - t)(v . tenemos D_ 2(r n2xy . sean c = d *h.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.10 Si en el Problema 8.e¡z demo¡tración de (12).úl = 2(rs-i:y-ir*efrl 2ra-ñ2u-ú2n1'2eú 2rU-nEú-nfrE*nitfi .al r.=-Ep=Ts¡t Del Problem¡ 8.y. + k. 8.nEú (I¡X)z) ¿ru . u=7+tc Por üanto . Ir 2(a . h = f.tenemos .(2rlz 2(¡z-2nr*12) 2r2-2ñ2r*2i:z 2r2-2n82 lniz 2s2 . demostrar que D--i# .(2r.. g 8.9.)(2g. y. re rigue intercambiando D - >(z::elfu.n2r'a' .12).

88+r.418b = 64. de modo que y :96. (c) Hallar la ¡ecta de regresión de mínimos cuadrados de r sobre y.476.4.8l CURVA DE AJUSTE. 8-9. 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. La gráfica de esta ecuación ¡e muest¡a en la Fig. donde o y b se obtienen resolyiendo las ecuaciones normales.476x. REGRESION Y CORRELACION 273 Se deduce inmediatamente del Problema 8. de modo que lae ecuaciones normales se convierten en 9oe 2? 666 864 É¡ E 12o*800ó:811 800o*63.cAF.a recta de regresión de y sobre r está dada por y = a + b*. 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.418 Zny = 54. 72 de dispersión se obtiene dibujando los r = _8. (c) Construir un diagrama de dispersión.849 .197 )92 = 64. 62 62 6{ 66 Fig. 8-9./ €70 6 !a 2a'= an * ólr 2ra .a2n*b2n2 [.9 ya que 2fr' = l(c-t) y análogamente = 2r-nñ = 0 ly' = 6.y deuna muestra de L2 padres y sus hijos mayores.ae sumas se muestran en la Tabla 8.L07 de donde hallamoe o : 36. (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r. .82 y b = 0.086/___V (b) f.82 + O. &11 La Tabla 8-3 muestra las respectivas estaturas lc. y ) sobre un sistema de coordenadas rectangulares como se muestra en la Fig.

67.086 8. por ejemplo 68.38*1.d=1.L07 E1lc#54.asfque¡:-3.4?6 Larectaderegresión x:c* dy.ú de acuerdo con el Problema 8. Por tanto 6?.(lyX>ay) n2yz .86 * 0.12s¡z _ _s. 8-9.476(n-66. CURVA DE AJUSTE.82. y ( los números restados de r tee).476 También ya que &' = ú . u =7*68 = -**68 = IZ-LZ = b(u.38. ¿ = n>r!: (>!)l?nl = n2a2 .274 Otro método.5) - (10)z = 0.11 utilizando el método del Problema 8.2y 2uY = c2Y*d2Y2 L2c Utilizando las sumae en la Tabla 8-4. De una manera análoga podemos obtener l¡ ecuación de regreaión de r sobre y. (12X106) (-16)f.()y)2 1.11.á).68 = 0.476u u .68. Solucionar el Problema 8. REGRESION Y CORRELACION lcAP. - (>¡XI=y2l.036y.07) 6 ecueción de regreeión pedida de y sobre x ea a . esto ee a = 36. = ñ .g8. Réstese un valor apropiado. . = ú - 68. 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). 8 "= (c) ecuaciones normales I]4ff de¡ sobrey viene = 85. - 68 tenemos r. .Iagráficadeestaecuaciónse Otro método.12. = delascualeshallamosc:-3.849d muestr¿ en la Fig.68. y.dondecydseobtienensolucionandolas 2a = cntd.9. aparte de los enores de redondeo.58 n I¡ =7*68 = -**68 = 66.036. de r. Esto nos conduce a la Tabla 8-5.6?. se convierten en -f SLld = 800 64. b = dada por ry# = 0.

2077 3. la última ecuación puede escribirse (r) U = oibr donde¿:logC.7943 4. Las ecuaciones normales qorrespondientes a la recta de mínimos cuadrados logP = logC-ylogV logC ó logP*ylogV: Tomando log I/: x.20=logCy (b) Pvt.4Ou.60X104 y y=1.6 88. P de Ia Tabla 8-6 y también indica los (l ) son 2a = on*ü)¡ de las cuales 2ry . REGRESION Y CORRELACION 276 ECUACIONES NO LINEALES REDUCIBLES A FORMA LINEAL 8.40=-y. n.7 28.0997 3.13. De acuerdo con los principios de la termodinámica una relación de la forma PV.0059 2xa - 16.2 t9.a2r*b2r2 4.0350 3.()rX>u) 6=-ffi.8309 t.20-l. Solucionar el Problema 8.6946 1.40 Luego Y = 4.8 49.4685 3.40(21 =1.0 10.40. 8. 8-10.4 118.7858 1.3019 6.2833 1. Para cada pareja de valoree de la presión P y el volumen V en la Tabla 8-6.log P : y.1 Presión P (lb/pul2 ) Ya que 6r. debe existir entre las variables.5 72.000.9294 2.074L 2.2340 2. .9479 2.0095 3.40.ffi¡af'=-1.1 lu = 8'7975 b )12 = 23.4 37.6 194. (c) EstimarPcuando V = 100.cAP.3 61.66L7 2.0 pulgadas cúbicas.2ry .20-1.14. y y= logP=4.b:-'1. C=1. obtenemos un punto que se dibuja en el popel log-log construido especialmente como se muestra en la Fig.8l CURVA DE AruSTE.8543 =-1.6953 (o) Puestoqueo=4.7348 1.40= lb/pulg2. r=logV:2 25. tenemos tomando logaritmos de base 10 cálculos involucrados en eI cómputo de la recta de mínimos cuadrados (l ).to = 16. Tabla 8-6 Volumen V (pul3 ) 54.13 dibujando los datos en un papel logJog. y conespondientes a los valores de V. La Tabla 8-? da los valores ¡.7910 1. = C.20. donde y y C son constantes.(b) Escribirlasecuacidnes que¡elacionan aPy V.2976 )r = 11. a = ()y)()rz)-(>rX:g¿l _ n2"2-1>n\z .0043 12 ra 3.2 PVt = C.2878 2.859? A = logP 1. La tabla 8-6 da valores experimentales de la presión P de una masa de gas dada correspondiente a varios valores del volumen V. Entonces P=antilog1. (c) Hallar elvalorde y y C. Tabl¿ 8-7 s = logV L.6762 1.4533 1. (c) CuandoT=100.

que er negatlva en e¡te ce!o. of bur*wl l¡¡ de¡vir¡cionee de. .2. prigina 261. (r*uzl. .a*(1.4. Por t¡nto albn2*ct/. U = a*ba*crz l¡ pa¡óbol¡ de mfni- Se¡n lo¡ puntos mue¡t¡alec (a¡Ittl.4.1rn ¡on olbr¡lcu!.o*blogV ó g = o*bn Ie pendiente D. P: 26 de la g¡lfic¿. Deriva¡ las ecuaciones nomales (I9). .8-r0 150 ¡00 ú t00 También ¡e indica un¡ rect¿r (dibujada a mano alzada) que re aprorima a eeto¡ puntos.8 l0 ú' 3o {0 ü. .. Entoncee lo¡ veloree de y ¡ob¡e moc cr¡¡dr¿dor cotrec¡rondieatet a a1.Ut U2. logPTlle . . .!nl. Enton4. [¡ medida en este e¡¡o indica que D = -1.2. .. (nn. re de numéric¡rnente por l¡ relación-de la longitud AB a le longitud AC.) d^ = o*üc"lorl-t^ y lrr ruma de lo¡ cuadrado¡ de le¡ de¡viacionee eotá dada por )¿t = )(o+ bxlca2-t)1 . y PVtl = 16O00 PARABOLA DE MINIMOS CUAI)BAI)OS E. .¡ U¡ ertfa dadar por dt = qtbx¡Ic¡.16. m 60 so r00 Volumen Y '{l Fig. REOBESION Y COBRELACION [cAP. e2. para la parábola de mínimos cu¿dradoo.2 a = logP-ülog7 = lo926*1. Ir grifflca re¡ult¡¡te muerb¡ que hay una relación li¡eal entre log P y log V que puede repreeentarre por l¡ ecu¡ción logP . Por ejemplo cua¡do V: 100. Pa¡a obtener ¿ ¡e nece¡it¿ un punto sobre ce8 l¡ recta..a)(2) = de modo que logP* 1.276 CURVA DE AJUSTE..4 logV = 4.4 los100 = l. .?"-al' dc = o*bu21-cú-!2.

b.19 2.4E 1065.b.5 6.61 24.82 4t.360 + 18971.588 de mfnimoq cuadrado¡ pedida tiene l¡ ecr¡¡- .7 4.1 : 8.L6 6470.065 t .36 5?6.O.66 259.20 o + 2276.688.2 )u= 46.9 7.4 2r2 - Ic3 = 2276.2b + 291.0 ?.49 60.2r2].o3to*óc*cr2-a)2 = )2(o+br*crr-a) k = )*a{o*br]-cnz-u)2 = 2Zr(a*brtcü2-a) aF :d.06 941.92 230.2 6.24 9.9 9.00 2.ólcs*clra H trabajn involucrado en computa¡ la¡ ¡uma¡ puede ordenarce qomo 8e mue¡ha en la Tabla 8-9.cAP.8 4. 8.93 342.9 7.6 2.1 t€ 14 a 4.cl = )(o I Para minimizar esta función debemo¡ tener bx * cx2 - U)z Ti=o' .36c = 230. b = : 2.04 1. págin¡ 261.6 9.0 7.42 291.8 2.73 5.7 7.16.27 1. Tabl¡ u 1.49 92.6 5.62 21.8 4. REGRESION Y CORRELACION función de o.7 12 n3 xy 6.36 2ua = Zxu 291.6 2A = an*óI¡*c2n2 [¡s (r) ecuacionec normales son 2ry = o)¡*b2r9*c2rs 2n2a = o. lar ecurciorÉ¡ norm¡ler (I ) rc convierten en 8a I 42.08 10.8 7.1 12.2Ob+2275.48 19.75 117.70 26.70 38. o ción = 8.2ll0rt . e¡ decir 277 F(o.41 73.2 1.12 67.65 185. T¡bb ü u 1.066.8 3. c.8r 2n2g I¿= 42.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).00 Puecto que n (2) Reolviendo.44 3. = + 2.8l E¡t¡ ec CURVA DE A¡UsTE.28 233.20 c = 48.8 7.2a*2SL.t2 9223.' 7.2110¡ arí la parábola 2.58 4.28 38.2 6.91 636.96 96.04 48.42 - - 1449.8 r87.79 s32.2 1.7 4.9 5.20 18.6 a I bx * cr2 a los datos de la t€ D.92c : 1449.1 8. c = {).22 rzy 6.t=o' *=o Enüonces # = ). Ajustar una parábola de mínimos cuadrados de la forma ! Tabla 8-8.40 10. ? = )f.83 29.46 254t.8 3.971.19 36?.OI 32.

y. Entonces los valores de z sobre el plano de regresión de mínimos cuadrados correspondientes a (r1.0. .2 6.página 262.278 CURVA DE AJUSTE.An) son respectivamenüe a*br1*ey¡ Por tanto las desviaciones de z¡. y puede escribirse z: albnlcy Las ecuaciones normales (21).962 7.zt.. b. y.2)2 = 4. Pata r = 1. . Utilizar parábola de mínimos cuadrados del Problema 8.18 la forma z r. . las ecuaciones normales pedidas (21) en la página 262 se obtienen. (b) Determina¡ los valores estimados de e de los valores dados de r. .8 8. . .2110(I. La Tabla 8-11 muestra los pesos z ala libra más cercana. (rn.).5 2.741 4.8 4.613 6..762 4. Tabl¡ 8-10 Uest 4. b y c a cero.7 u REGRESION MULTIPLE 8. 8.. ala pulgada más cercana y las edades y al año más cercano de 12 muchachos.9 6. REGRESION Y CORRELACION la.56L 2. z. las estaturas x. c de modo que satisfaga (21.2. 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.zn\. lcAP.762. (ün. y por medio de una ecuación de regresión de a ! bx * cy. (c) Hallar la ecuación de regresión de mínimos cuadrados de z sobre x. c e igualando las derivadas parciales con respecto za.621 5. Demostrar que la ecuación de regresión de mínimos cuadrados se obtiene al determinar a.2) .588 + 2.8 7. all. .19. Ue"¡ = 2.5 5. pág¡na 262.16 para estimarlos valores de y de los valores dados de r.z¡ dt = a* br1 * cUt. b. 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.503 7. .065(1.Un. 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.os resultados se muestran en la Tbbla 8-10 junto con los valores reales de y.17.0 7... (c) Estimar el peso de un muchacho de 9 años y 54 pulgadas de estatura. [. vienen dadas por a*bnr*cyn dn = a* bnr* cUr. Se desea estimar una variable z de las variables : Sean los puntos muestrales (ryUyzr). Análogamente se obtienen otros valores estimados.640 7.

920 64 7l 63 67 DD 68 77 67 66 61 76 68 (c) Remplazando ¡ : 54. 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 = 40.830 2yz = 6796 2uy = 6779 48.865r+1.. ERROR TIPICO DE LA ESTIMA 8. la ecuación de regrerión pedida es (t) (b z = 3. Utilizando la ecu¿ción de regreción (3) obtenemos log valores egtimados de z. =í.b2r(u -a-br) . denoüado8 pot valoreg Tabl¡ 8-13 2est 2 64.136 64."r)2 2afu 2fu-o-brlz o.86? 65.8436 * 6779c = 40.2(Ufl -a. a = 6796 = 3. c = 1.206 69. Ír.e resultado¡ ¡e dan en la Tabla 8-18 junto con lo¡ mueshaleg de z.66+0. ü = 0. o aprorimadamente 63 lb.20.4t4 69. las ecuaciones normales (I ) ee convierüen en l2a1-643b *106c (2) 643¿ = 769 * 34.606u zesb al susti- ) tui¡ los valores correspondientes de x.880 106o*67?9b+976o Rerolviendo.7r7 68. Si la recta de regtesión de mínimos cuadrados de y sobre que el error típico de la estima sy.6068. demos- s'?.cAP.8l CT¡RVA DE AruSTE.8646.-brl - o-bu) .¡ €stá dado por r viene dada por ! : a * b*.= v. Entonces ^.664 78.356.139 34.168 48.6612.225 68. y.843 Utilizando esta tabla.926 66.286 66. el peeo estimado es zest : 63.! : 9 en (3).682 ?8. REGRESION Y CORRELACION Tabla t-12 fi 64 Df 59 49 62 51 a 8 10 6 11 z. 2a'- a2g n - b2rY por Ueet Loe valoreg de y ectimadoa a partir de la recta de regrerión vieneÍ'r dados = @ * ü¡.r=n= = 2(a-a.

24 63 66 65. Método 2.b2(r' * ñl@' * úl = 2(y'2*2ytfi*¡z¡ .76 L.66 >(u-u.r9)z:l-.14 ü a Uesl 65 68 66. También ¡e indican lor valorea y - Uest. g = A'+ ú.b2rtgt * nú(ú .úl donde hemooutilizadolo¡re¡ultedot2r'=0.71 -0.b2(r.20 se obtiene el re¡ult¿do pedido.bn.xpot¿-á.280 Pero CURvA DE AJUSTE. = 2a@-a-bt\ nll 2a2-a2a-b2ra Este ¡esultado puede extender¡e a ecuaciones de regresión no lineal. güe ¡e neceaitan para el cálculo de oy. REGREsIoN Y coRRELAcIoN lcAP.22.28 68 69 68.24 68 67 67 67.76. Catcular el error típico de la estima¡ 8¡.o2(g' * fil .a)2 . 8.UpotA-ú. E.47 6r.ú = 2u'2 .28 pulgadac.b2r'Y' = 2(a . Sabemo¡ que la recta de regreeión puede eecribiroe oomo blem¿ 8.19 2.€2 + O.a(2U.bi2r' ." y 8t.anÚ .29 -1.2O puede escribirse como ^z üu.82 + 0.2r-b2rz = 2A = on * ó)c 0 puesüo que de las ecuaciones normales 2ru .11.Cuandoeehacenestoeremplazo¡enelProlos datos del Problema 8.a2r * = b2u2 Entonces sí.2na-o. cotrespondiendo a ¡ = 65 tenemotgest:36.bt2y' .x = lTiltr= 1. como se obtienen de la recta de regresión.. 2(a .24)2+(0.62 0.ó)(a .21. 8 2(A-a-bn) .14 -2.19 67 68 67..19 0.81 U - Aest 0. Demostrar que el resultado del Problema 8.¡ Método 1.11(b ) la recta de regresión de y cobre x ea ! : 36.98)2 12 = L64z .24 -0. Entonce¡ del hoblema 8.o.!* e!\ = 2a'2 + 2y29' * nú2 .+(0.38 7l 68.")z = "1. (1. En la Tbbla 8-14 ee listan los valores reales de y (de la Tabla 8-3) y los valorec estimado¡ de y.33 0.al@ .2¡ pará Del hoblema 8.á). Tabl¡ t.b2t'g' .14 66 65 67.28 -1.*nú') .ana .66 7l 70 69.7L 64 66 66.71 69 68 68. Por ejemplo. que corteeponde a empezar con l--o+bryremplazando:oporcero.81 0.20 N3' = 2u2-o'2a-b2xy = 2(a' + ú)2 .2y-an-óIr = 0 2r(a-a-br) .ú)'- b)(c n - ¡)(u - ú'l Si ¡ = r' * A.. / .476(66) : 66.y. I üyt * r. 2u'=0 y ú = o*bt (que re deducen aldiüdiramboslado¡ de l¡ ecuación normal 2A = an * b)r por n¡.81 62 66 66. denotados por lresr.6? 70 68 69.r. Erto demueetra el resultado pedido.ú = b(r .bñl = 2O'' .b2r'g' .bnü! = 2U'2 + nú2 .

11 se muestra sólida en la Fig.A)'. Entonces el porcentaje pedido es 9l12 : 7 5d. de datos. Este hubiera sido el caso aproximado si el tamaño fuera más grande.)(y-uu. REGRESION Y CORRELACION 28L 8..:: ..13 -1.13 1.a) = =Q :y. y-gfo".25. Entonces el porcentaje pedido es 9lL2: 7 5%.25 1..?0.22.U""t)2 .23. (¿) Construir dos rectas paralelas a la recta de regresión del Problema 8. = 1.t-ti) - A)" = 2(A - El resultado pedido se deduce si podemos mostrar que la última suma este es eI caso.el 6812 de los puntos se encuentra entre las rectas.::. 8-11.77 )(U".61 0.cAP..t)2* )(yn"t-ú)2+ z>fu. 8l CURVA DE AJUSTE.[t = (y .40 pulgadas. Uir examen poste- 66 6l 62 Otro método. (b) la variación no explicada y (c) la variación total para los datos del Problema 8.34 0.82 -t. Calcular (a) la variación explicada..08 2.11 a una distancia vertical sy.abn) a .28) = 1.24. Si los puntos están distribuidos normalmente respecto a la recta de regresión. se encüentra entre -1. (b) Determinar el porcentaje de puntos de datos que se encuentren enhe estas dos rectas.. del Problema 8. = )(U ..82¡z+..11. ts.58).r 0. = tpiLo (1..56 -0.61 -2.S-15 Uest : 8]-LlL2: 67.g) sumando. ne dada por 6r. se muestrana trazos en la Fig.58 del Problema 8. y). .476¡ obtenida en el hoblema 8. + (2. Las dos rectas paralelas.. Demostrar que >(g Elevando al cuadrado A"'r)'* 2(U*r.28 (véase hoblema 8. 2r(u . Tabla. ya que es cero..) para 9 puntos (¡. ya qve ú la Thbla 8-14 podemos construir la Tabla 8-15.brt Q. tenemos 2(u-ú)2 .rr.y""t) * (Uost . (o) ta recta de regresión y : 35.:'.28 (es decir.12 (o de la Tbbla 8-4. En el caso de regresión lineal )(v - Y'"'¡)(v" "r .30 0.'. la teoría predice que alrededor d. = 19.un"J(v. Il .04 (a) Variación explicada = (b) Variación no explicada -ú)2 = (-0. 8.0t¡z .nrr.rn.22).. NOTA: Una mejor estima del error tfpico de Ia estima de la población de la cual so. :: :.28 y 1. 8-11. Utilizando los valores - a -0. cada una a una distancia vertical su. Del último renglón de la Tabla 8-14.82 * 0.a-bxl = Análogamente puede demostrarse que el resultado es válido para regresión no lineal utilizando una curva de mínimos cuadrados dada por Aes¿ = ao* ap t a2r2 I " ' * a. = 1/@ se tomaron las estaturas vie- COEFICIENTE DE CORRELACION LINEAL 8. ú>@ - a - bn) puesto que de las ecuaciones normales 2(a = 0. parecen estar sobre las rectas.ne?. 'tz ?0 (b) De la figura se ve que de los 12 puntos 7 se encuentran entre las rectas en tanto que 3 66 rior utilizando el último renglón en la Tabla 8-14 revela que 2 de estos 3 puntos se encuentran entre lasiectas. Tenemos Uest de ú : 67 .

7 -3. utilizando A.22 + 19.8 (c) Variación total : 2(a .62 1. ¡o )¿ = 800 i.69 u'a' a'2 0. tenemoa &*br 6 Ulr¡= bx.6 L.34 2a'2 = 38. Entonces 2r'a' 40.= EF.82 7. en el caso de regresión lineal.[bb tt 62 70 66 68 67 69 -4.68 2trtg'= 40. pero negativa cuando /est disminuye a medida que r. = y -f.96 2.z b22r.6 0.6 0.26.09 10.4 -0.68 5.92 = 67.3 2. Halla¡ (o) el coeficiente de determinación y (b) el coeficiente de correlación pa¡a los datos del Problema 8.' . puesto que la'gt'es positiva cuando 3/ss¡ autnentá a medida que r aumenta.7027 o con dos cifrar significativas r : 0. A partir del resultado general (30).66 0.l2at2.= !0.92.7 3.32 1. y Ulst = U.26(b).76 11. prágina263.56 0.6 . Puesto que la varirable yn".11. Por tanto se sigue el reeultado pedido. para el coeficiente de conelación..s¿. la expresión para r tiene automáticamente el signo conecüo asociado.4F7q de acuerdo con el Problema 8. (la fórmula producto momento).4 7l 67 68 70 -0. Utiliza¡ los resultados del Problema 8.y.3 a-v 0.-0v t'.) asír--*2r'a' ffi (2x..69 0.4 .4e88.09 5.7 0.11. página 264.y = EP.29 1.09 7. del Problema 8. El trabajo involucrado en la computación puede organizarse como se indica en la Tabla 8-16.92 10. 8. derivarel resultado (34).L2 7.92 0.= \Eá/ /rorl = \r¡.6 0.16 6.3 0.29 18.69 22.36 68 il 'l .o. E.49 1. 8.6 3.))' l) n'\ ¡ \) '\il t' jó -0.24.3 -2.66 -0. aumenta a medida que r aumenta. /i84s8)?58-3t Tabla E-16 = 0. Los resultados (b) y (c) pueden obtenerse por cálculo di¡ecto de la suma de los cuadrados. La recüa de regreeión de mínimos cuadrado¡ de y sobrer puedeescribfuse 1lest= b = 2r.282 CURVA DE AJUSTE.25.49 -2.:800/lZ = 66.4 0. trt =r- E.42 -1.7027.82 4.70 = 38.'.7 )y = 811 a = 8LUl2 2rt2 = 84. (D) coeficiente de conelación = r : tVñ7d58.3 -2.3 -1.A.32 7t 0.16 6.18 0.27.2 /?r.donde ¡2= variación explicada va¡iación no explicada 2b2r.16 o.4 2.7 1.7 1.7027 u 65 63 67 B4 a 68 66 68 66 69 66 68 66 r-t -t. obtener el coeficiente de correlación lineal para los datos del Problema 8. Entoncee.76 1.34 \/G.f.89 13.3 4. la conelación ec poeitiva y por tanto escribimo¡ r : O.?0. Utilizando la fórmula producto-momento.A)z = 19.16 2. .4 a'= tr'2 2. REGRESION Y CORRELACION lcAP.aumenta.)z \/ñtrW Sin embargo. (a) coeficientededetermir¡ación = t = '1Hi1iáf*1"io" =m= 0.89 0.4 ' 0.02 1.28.

Demostrar el resultado (17).476 d=ffi =1.2ñ2r 4 ntz (2112 2(2nl' ()r)2 = 2rz = 2r2 . la recta de regresión de donde A=?I.036 Enroncec rz = bd.>IY w@ : n2rA-(2r'l(2A) . Utilizar el resultado del hoblema 8. págrna 261.| ¿gl\/¿e¿\ 6 =(iiot/\al/ ' ¡=o'7o27 que está de acuerdo con lo¡ Problemae 8. Del Problema 8.31.nnn* v Entonces (I ) ee convierte en r(a-üz = 2a2 r : . 8.TUSTE.30.(>aXIY) n :E Puesto que = (2rlln V'ú = (2Alln" Arúlogamente. . [.8l CURVA DE A. REGRESION Y CORRELACION 288 8.11(c) respectivamente 484 ' ó=10fr=0.26(D) y 8.29 para halla¡ el coeficiente de correlación lineal para los datos del hoblema 8.11.29. Demostrar que el coeficiente de correlación lineal viene dado por f= En el hoblema 8.cAP./ 8. donde ¿=? rz r sobre y er =a*ilu 8y Entonces b¿t = 1g\ 1g) = \c"/\oy.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 .11 (b) y 8.a recta de regresión de y aobre r es u=olbx Análogamente. 2(a-nlz = 2(rz-2rt*r2) = 2s2 .28.

. Ubtlizar la fórmula del Problema 8.1 ¡. y r =0'9911 var6eió.L071 = 0.40 8 = 1.ilz = variación explicada 21.) (42.34. (b) Hallar el coeficiente de correlación no lineal entre estas variables.16.64 (á) Primer método. Esto puede deberse a fluctuaciones aleatorias o a una variable adicional que no se ha considerado. (o) Del Problema 8. Utilizando (a) y el Problema 8.30.21(46. 8.33 (b).636y'i-(0. Entonces variación total = 2(A . COEFICIENTE DE CORRELACION GENERALTZADO 8. 8.()¡X)z) (8oo)(811) (r2)(54.tal =ffi=0'9822 (c) El hecho de que la parte (a) muestra un coeficienüe de correlación de solo 4.40.52) - (40.7027 como en los P¡oblemas 8.20) - (42.78%de la variación total permanece no explicada. i = (2U)/n = (46.01?g Por tanto 7.4O De la Tabla 8-10 Por tanto t-= = l(g""t-Al2 = 2l. (c) Hallar el coeficiente de correlación lineal entre las variables r.26(b).n¡zi = -0. supóniendo la relación parabólica obtenida en eI Problema 8.99r1)2 = 0. hay una muy buena relación no lineal dada por la parábola del hoblema 8.33.284 CURVA DE AJUSTE. 8 8.16. variación no explicada va¡iación total (d) = l-r2 = L-0.11.2g y g. (d) ¿Qué porcentaje de la variación total permanece como no explicada por la suposición de la relacii.n parabólic a entre x.31 para obtener el coeficiente de correlación lineal para los datos del Problema 8.16. I del Problema 8. Entonces la desviación típica de y es 8u= 2(u - ú\2 21. hallamos r= n2ru - ()¡X)r¿) (8X230. el error típico de la estima de y sobre I es B!." = ss\/T=F = 1.9922 = 0.636 ó 1. y (b) sr. Sin embargo.3743 indica prácticamente ninguna relación lineal entre r.4)/8 = 5..80. REGRESION Y CORBELACION [cAP. Hallar (a) s.16. y. y? (a ) Utilizando los cálculos de la Tabla 8-9 y agregando que 2tt2 = 290.Oz variación explicada .2z .42) [(8)(2e1. como lo indica el hecho de que el coeficiente de conelación en (b) está muy cercano a 1.4'.33 (b).3?43 (b) De Ia Tabla 8-9.32. De la Tabla 8-4 r= n2ru . (c) Explicar la diferencia entre los coeficientes de correlación obtenidos en (c) y (b). 2(A .62. paralos datos del Problema 8.ú)2 = 21.2)r][(8X2e0.218 6 o.

z gería en general diferente del valor anterior.19 Variación no explicada = 2(z - zo"tl2 (64-64. vemos del Problema 8.a = = 299.22 8. Ya que z se determina de ¡. ¡ sobre y. pág¡na 264. la mediaú ylavarianzasf sonigualesa(n l)12 y (n2 L)ll2 respectivamente.L2(62.I i son las desviaciones entre las graduaciones.os grados son enteros de 1 a n. dada en térrninos de e2r.76)z = 888'26 = 888.@ "" = 0'8418 = !ffi = thffia Debe mencionarse que si fuéramos a considera¡ la regresión de eobre y.88 Va¡iación total 2(z-2\2 . AquÍ estamos considerando n valores de r (por ejemplo pesos) y n valores correspondientes de y (por ejem. Análogamenüe.35. z.22 Tercer méüodo.88 = 629. Sea rr: el grado dado al j{simo valor de x. viene a3: s?+r?-2rs¡ads"sv .37 Coeficiente de correlación múltiple de z sobre x. = 12-82 = 12+22*. el coeficiente de correlación de ¡ CORRELACION GRADUAL 8.218 ó 0.25 Variación explicada Enüonces - 258.222-n22 48. tenemos 2a2-a2a-b2ra-c2n2a = 0.218 6 0.8l Segundo método. ! ¡ el grado dado al j'ésimo valor de y ' [. Entonces si d¡ : r i .33' variación no explicada = 0.l'ciñexptñat. y estamos interesados en el coeficiente de cor¡elaeíón múltiple de z sobre x. Explicar córno determina¡ía un coeficiente de correlación múltiple para las variables en el Problema 8.. [¿ media de r. que Para obtenerlo. la varianza de las desviaciones. *n2 n n(n*r)(2n*11/6 2 n2-l t2 utilizando los reeultados 1 y 2 del Apéndice A. y I va.16 y el cálculo adicional 2gz 8y. Derivar la fórmula de correlación gradual de Spearman (36).pl.36. CURVA DE AJUSTE. esbturas)..*n @l_ryz n*l En = mientras que la varianza es sf.4L4\2 + "'+(68-65'920)2 = 258.139 . ss t+2+. Utilizando el Problema 8.cAP. y.-. REGRESION Y CORRELACION 286 Utilizando el Problema 8.52.19. al y el coeficiente de correlación entre grados por * - s2¿.

1. 9.5.6 7. 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 10 3. AsÍ. 71 Puesto que en esta ordenación loe lugares sexto y r*éptimo represenüan la misma estatura (6? pulgadas).286 Entoncee cuRvA DE AJUsrE. 69. ?. Hallar el coeficiente de correlación gradual. Tbmbién se incluyen dz y 2dz. les asignamo¿ w orden meg [(6 + z + + 9) / 4 .rz)/n y (l ) ge convierte en 7')/12 W @2 - * (nz 6>d2 . 6?. 7.6.6 1.5 l.5.6 10 t2 7. 7l y puesto que los lugares 6.6. 1¡ (t) y (2). 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.s" 0.6 1. Análogamente. 64. 12 De igual forma. 6.(J) y (4).7. 10. lac estaüuras de loe hijos ordenadas en gentido creciente son 66. 70. 69.6. 66. Calcular el coeficiente de correlación gradual para los datos del Problema 8. tor \-"rttd- "3 - e¿. 4. 10. 8 y 9 repreeentan la migma estatura (68 pulgadas). 3.7. la Tabla 8-B se convierte en Tabla E-19 Graduación del padre Graduación del hijo 4 2 6.5. le.6 t2 5 7.8s45 indicando que hay una relación entre el rendimiento en laboratorio y teorfa.6. 11. 69. 6?. 70. 9. 3.2 24 = Entonces rgrad= t-#!T = t-ir#?u = 0. 66. 6g.5. 69.c asignamos a estos doe lugares un orden medío de 6. 6g. 67.6. 6. 6.(2d2)/n = L-nfu2] 8. %.7. a los lugares 8 y 9 ae les asigna el orden 8.5.6.11 y compararfos rezultados con el coeficiente de correlación obtenido por otros métodos.38. 3. REeRESIoN y coRRELAcIoN lcAP.l\ltZ . d d2 -1 -2 -1 1 1-1 I 1 3 I I I 2-L 4 1 -1 1 4 2d.6 11 . por tanto las estatu¡as de los hijos quedan ordenadas @ Con las correspondencias 1. 63. 8. 2.66.6.6 3 8. 6. las estatura¡ de los padres eon (r) 62. 66. Tabla 8-18 Diferencias de puntuacionee. 66. 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. 69.6 7. 11. 66.6 1 11 6 8.6.6.6 3. 69. 8 (r) h¡ecüo que 7 = fgrad = eZ+sT-af.37.

rv) = 0.cAP.r.6 -1. .v)l + Gv-Ft'x-o)2 = "? * F2oI .o*t¡ .Fpx.6 -3. los resultados para muestras tienen resultados análo- gos para poblaciones e inversamenüe.26 L2.8l CURVA DE AJUSTE.-ffi!\ = 0. 8. (b) X sobre Y.2Boyy r (py .60 rgrad = t-#!T: . halla- tv = ol Ftx Por tanto si g .25 2.00 d Entonces 2iP = 72.6 3.26(b).5 1.26 12.26 6.dlz} = El(y -pv)21 + BzEl(X-r. p) tenemos AF u = mos -2(pv zBoi - 2oxv - 2px(pv . con la correspondiente para muestras.px) * (pv . 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 . E(Y .zBEl(X-pi(Y -¡.5 -1.a* pr entonces A .}j'2l.6 1. Tabla 8-20 -3.6 2.Fy = p(r . Derivar (39) a partir de (37).9px."l Igualando estas ecuaciones a cero.0 1.0=Y<L {o deotraforma Hallar la curva de regtesión de (c) Y sobre X. ) La función de densidad marginal de X es f{r) = [.25 6.ol.39.pvl .0.0 ü 12.F) sea un mínimo.7027 obtenido en el Problema 8.(r+2y) 0<n<7.5 -1. REGRESION Y CORRELACION diferencia en graduacionec d.ú2 E(X . los cómputos de d2 y I¡ )d se mue¡tran en la Tabla 8-20.26 L2.40.25 2. íE = dF Denotando la última expresión por F(c.?466 que concuerda muy bien con el valor r = 0.5 3.25 1.25 2.00 2.5 -2.Fpx. = f. INTERPRETACION PROBABILISTICA DE REGRESION Y CORRELACION 8.a) ó Fok = o*v a-tly="4tr-u*) A-Py - /'. utilizando esperanzas. lo+zo¡a.P¡x. La función de densidad conjunta de las variables aleatorias X.26 1.px) . 20. . utilizando sumas. lo cud es una condición necesa¡ia para que F(q.P(X . Y es l\r'a) : (a | f.px\ ^t u\ox) | Debe notarse la semejanza de la demostraeión anterior para poblaciones. En general.

x = Í. (b) Para 0 = y < I la función de den¡idad marginal de yes fztu) Por tanto.la densidad condicional X dada Yes frotu\ = ffi = )'. (e) o*r. 0óy fi (¡ly).'"(?i#)* l.=o J"=ooLi<"+zYlfdrdY rr ll = iá fr = f. J:'=. = fo'!@+zula.'=.4O.13r"+zv¡fanav = # Entonces ofi = Íz-*z = *-(3)'= # (dl Entonceo F = f. "l?o + zutlar ay = I i: -'l 4r f-o J. REORESION y CORBELACION [CAp. ni la curva de regresión se definen ( 8. y f{rl =0 deotraforma. ni la curva de regreeión están definidas para ¡( 0ó¡ ) 1. (d) o?.+# o='=1 L0 rf . = E(x I y =ú = tlpara y Í.E(ylx=r\ = fl.*4 Jra\"+¡1"v = 6'+6 Ni fz (yl*).t y la curva de regresión de X solre If viene dada por t.'=o. de = |tr*nr¡ = y S L.I¡ ) 1.ladensidadcondicionaldeYd¡.41. = 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 .f"'=o".t"lul a.para 0 r<l. para O t. 8 par¡ 0 Í r=1.288 cuBvA DE AJUSIE.'=o Í"'=o o.lla +zut)an ay = t ofr = F-tz = á_(i*)' = # . (qY. (D p paraladistribucióndelProblema8. 3ü. @l (a) (ó) "?.ufr{ulOaa ('/"+zy\. Hallar (a) X. Nóte¡equelaadoscurvasderegresión"=(3r+4llrcx*6).Portanto.*:12*6y)/(3+12y)eondiferente¡. = r<O ó r>.

11).180 si ú ) ú.nfi162\/28/Bz4 -0. hallar los límites de confianza d-ei 95'7...136 y 0. (¿) La recta de regresión de Y sobre X es + oXY "+@ .szs=!2.q\I a.xY p = n-xÍ oxY oxoy = *-(s)(i*) = = - 1 162 0 -l/162 . (+) ó a -i : - ür I x) ó -. sx: 2.- = . Loslímitesdeconfianzadcl F = b-+f+) ' \ñ4\82 I para 12 .82 + 0.- 2.-.Of Ae que el coeficiente de regtesión de la ecuación de regtesión poblacional es tan bajo como 0.42.45.2\ o..cAP.66 (Problema 8.0 y lb) 70.82 + O.e5: 1.8I 6. 1/ .o1f.81 para L2 .4?6 r6 (Problema 8. (b) X sobre Y para el Problema 8. de los hijos cuyp son 8.42.2 : 10 grados de libertad.2: LO grados de libertad.t / ó (b) La recta de regresión de.o+zul)arav =1 3 .:2.B4o confianza del 95% de que 6 se encuentra entre 0. Por tanto no podemos rechazar la hiPótesis.476x.11.2U'L66 0'19916¡= = ya que eo.44. .losaleolocar t=lt. REGRESION Y CORRELACION 289 (e) xY = Entonces Í.los Ií¡:rites de conftanza del 95oy' para --j:lq--.43.r: L.40.2 = l0 grados de libertad) vienen dados por 95?iparap(obteni.lrv1l_z=-.28 (calculcda en el Problem a 8.4?6 t Vlo\' t/tz..2g para 12 . = {"..r: L.11 se halló que la ecuación de regresión de y sobre x eray: 35. 8. Ensayar la hipótgsis al nivel d-e significación del O.47G :t ' +('!!) t" / = 0.0818 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. Escribir las rectas de regresión de mínimos cuadrados de (a) Y sobre X.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. 0. En eI Problema 8.'lW\" . sr.43)' y n: !2 1 r/o t r--- .11 = -l/162/.'=o Í"'=o..43.9b Con un ensayo unilateral de Ia flistribucirin de Student a un nivel 0.á para el coeficiente de regresión del Problema 8.23 h es decir. 8l CURVA DE AJUSTE. se está en la ryHt\ = 0.0 pulgadas' puesto qu€ t s7. ot : ". En el Problema 8. ¡rara ias estaturas yos padres tienen unas estaturas de (o) 65. Y ltr-2 donde 37e : 85.66 del Problema 8'11' 8.-- .180.28.05 rechazaríamos Ia hipótesis de que el coeficiente es tan bajo como 0. Hallar los límites de confianza del 95'. r8fl .22)y 1.476B-b t=r..

05.?6 a 2'23 es decir.96sy. Entonces 66.8 pulgadas.66 (Problema 8. 35. Tarnbién. es decir. (o) Si. hallamos [comparar con el hoblema 8.0.za\ = 66. También (x¡ . REGRESION Y CORRELACION lcAP.": 2.0 y (b) ?0.6 pulgadas.05 utilizando un ensayo unilateral de la distribución que de Student. En el problema 8.?6 pulgadas. y¡ : 66.16 :65.rcontalquero -ñnoseademasiadogrande. ciertamente no podemos rechazarla al nivel 0.78.Bb Sobre la base de un ensayo unilateral de la distribución de Student a un nivel 0. ¿Cuál es el tamaño mínimo tal de una muestra para que podamos concluir que un coeficiente de correlación de 0.t)2 : (65 .46.45(c)] los límites de confianza delg1l".45(ó)] los límites de confianza del 95%. es decir. los límites de conñanza del 95% están dados aproximadamente 8.0.0 pulgadas.i¡z : (?O.sz\/ra-z : p l. se puede tener confianza de 95Vo que la estatura media de todos los hijos cuyas estaturas de los padres son 65.14 + 5. (o) (ó) Puesto que no podemos rechazar ) 0).SOO112)2 : 11.01 que el coeficiente de corréhción poblacional es apreciablemente mayor que cero? Deseamos decidir entre las hipótesis (Ho: g :0) y (llr t = .82 + 0.7 y 70.23 para 1 0 grados de libertad.32 sea considerablemente mayor que cero al nivel 0.45 pulgadas.1 y 7 4. se puede estar en la confianza de| g6% de que la egtatura media de todos los hi jos cuyas estaturas de Ios padres son 70.1/l-z = = .E. = t.8OOtl2r2 : 2.11.290 CURVA DE AJUSTE. Un coeficiente de correlación basado en una muestra de tamaño 18 resultó ser 0. los métodos muestrales son exactos para una población normal.476 r6 (Problema 8.?6 t 3.05? A un nivel 0.0.14 pulgadas. rechazaríamosI/e si ú ) ú. hallamos [comparar con el Problema 8. Ya que t.07 pulgadas.2óy6!2so.80 pulgadas (b) Si 16 : 70. o.66. Porlo +1.Estoconcuerdaconlosresultados aproximados mencionados en la página 262.05.09 pulgadas. TEORIA MUESTRAL DE LA CORRELACION 8.0.' sr.05.elgbVo de que las estaturas de los hijos están entre 64. Nótese que para grandes valores de n.11. Por tanto no podemosrechaza¡I/6 al nivel 0.69.14 f es decir.47.32. 7.01 8. ¿Puede concluirse a un nivel de significación del (a) 0.8 los límites (o) Si 16 : 65.75 para 18 -2: L6 grados de libertad.05 y (b) 0.48. los límites de confianza del 95% para Uo fo son = 2.0 y ?0. ' (b) Si re :70. hallar los límites de confianza del96% para las estaturas'medias de los hijos cuyas estaturas de los padres son (a) 65. se puede esta¡ en la confianza d.o¡ para n - 2 grados de libertad .76 1 1.11)./i=@0. es decir. t/6 al nivel 0.s1t : 2.ss :7.sz). el valor mÍnimo de n debe ser 032{n - 2 r/i -to. /e : 69. de confianza del g5% son (ro .23 donde y¡ : ffisv.48).? y 6?.2 pulgadas.0 pulgadas se encontra¡án entre 67.O .6 pulgadas úo 0. se puede estar en la confianza del 96Vo de que las estaturas de los hijos están entre 63.Los métodos de este problema son válidos independiente del tamaño de n ó to . Entonces los límites de confianza del 96Vo so¡ 69.0 pulgadas se encontrarán entre 65.

!613*(=. t. pa¡a n=2g.4620 Entonces ¡t2 tiene el intervalo de confianza del9SVo.4904- = 1.49 y 0.el 95Vo püa pz vienen dados por Z=L.05. = Deseamos decidir entre las hipótesis = 0. v=26.64 y por tanto n: 25. Por tanto no podemos rechaza¡ la hipótesie de que el coeficiente de correlación sea tan pequeño como 0.tJ2:1.b4es.60. z = t. Dos coeficientes de correlación obtenidos de muestras de tamaños nt : 28Y rtz:35 se cdcularon como rr : 0.96oz = 1.7L.e155.05 utilizando un ensayo unilateral de la distribución normal rechazaría' mos la hipótesis solamente si z fuera mayor a 1. El coeficiente de correlación entre las calificaciones finales de fÍsica y matemáticas para un grupo de27 estudiantes se calculó era0.=L. Entonces el tamaño mínimo de la mueetra ean:28.s|= 1.05? o.7L.72./ = 0.50 y tz : 0.rrro. los límites de confianza d. (Hs p2r= Fzrl I (Hi Fzr* .5606.Hallarloslímitesdeconfianzadel96% paraeste coeficiente.05? zr = r. (b) Sip:0.92.50. t=0.sz\/rLtt/l-(u32Y = 1.28z (ff3*3) = o.80. ¿Hay una diferencia considerable entre los dos coeficientes a un nivel de 0.r6r3t"" o. v =24. t .5493y2:(0. zz: r. Un coeficiente de correlación basado en una muestra de tamaño 24 se calculó era r : 0.51. Por tanto los límites de confianza del 95Vo para p son 0.s5=1.9730 0.9730-0. v =26.r¡rlb*'.2182 = 1.94. n=26.B0eb #*#= Fzrl.) 0.60.28 A un nivel de significación del 0. t--032\r26^tr=@ = 1. p : 0.s0(-/l1 \ \y'n_B/ = 1.s2\/ñ/\Flfu2p.2182:L. (b) p : 0.50 a un nivel de significación del 0.L613 logS:0. t.s|= l.50.0e86 10.75.69.80 y n = 21.5493)/O.o. Puesto que r : 0.16131og(++*) /r r-\ \r-'l / *t.?1.266e = 0.5606.66.64. para n=27.0.6932 0.(-) \r P. L {zt - = Z-pz oZ 0.5366 a 1.L6rt*(=. ú. REGRESION Y CORRELACION Para un número Pa¡a infinito de grados de libertad. si Si pz Fz /r +"\ = l.unrr. 8.CURVA DE AruSTE.Portantopodemos rechazar la hipótesis de que el coeficiente de correlación poblacional sea üan pequeño como p: 0.:) = oz= La variable tipificada ee Fz = r.5366' p = = L. t. ¿Podemos rechazrir la hipótesis de que el coeficiente de conelación poblacional sea tan pequeño como (a) p (o) : 0.rsr3 loc\t -. a un nivel de significación del 0.9r : 1./ 0.6.49.) nzr-2.30 respectivamente. 8.50.r5tz'""(+l-&. 8.

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-(#)(#)] =

REGRESION Y CORRELACION 299 Por tanto las desviaciones típicas de las calificaciones de matemáticas y fÍsica son 14.uo+qY: 145+q'qfrEq = u= De los resulüado¡ del Problema ?o.926 y r = 0. De la Tabla 8-30 tenemos.. Escribir las ecuaciones de las rectas de regtesión de (c) y sobre del Problema 8. en tanto que su covari¡nza es 160. página 261 . = 13..61 a.hallar(o)losvalore$deycuenda x=6.60.5¿8 8. (a) (bl Ey.(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. E.66 8.e Ge.65 utiliza¡rdo el resultado de la parte (c)' . Tenemoe 8""..o 8.v ts.7t9(u-69. a y-6e. r.?686. 8y r-70.s6oy'1:107686)á Problerrra.64. para los datos del Problema 8. (b) Í sobre y para los datos rr+qW = 64.9 = 8.66..0). (b) SolucionarelProblema 8.9 respectivamente.2. 8xv 160. 0.a guplementa.0) x-?0.60. para obtener las ecuaciones de las rectas de regtesión (¿) ó a-u='!w-nt.cAP.e).64. = ¿yt/Ti-rz = = a"t/T7rz = f¿. r a 3 6 6 8 911 234668 8. ParalosdatosdelProblemaS..61.0 y 14.0=A+##€?!)@-70. Utilizar los resultados del Problema 8.934 s.x=L2.62. (b) sr.20 G&r'-áiÉfutB = o'7686 que concuerda con r hallado en el Problema 8.5+E#9 = ú .64. = L4. Ajustar una recta de mínimos cuadrados a los datos de la Tabla 8-31 utilizando a (a\ x como la variable independiente.821(o-70.0=q9ff##q(v-6e. s!. 0. Representar gráficamente los datos y las rectas de mínimos cuadrados utilizando el mismq conjunto de ejes coordenados.gZfy'f - (OfOg6P = = 9. Calcular los ertores típicos de la estima (c) er. Entonces utilizamos ( I 6 ).rlos RECTA DE MINIMOS CUADRADOS Tabla 8-31 8.63.966.0 = (b) 6 r-ü='?o-o¡.60. (b ) r como Ia va¡i¿ble dependiente.9) -69. 8l CURVA DE AruSTE.

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 8:69.74.6 9. Tabla 8-36 Velocidad. 12 . La Tabla 8-32 muestra las calificacionee finales en álgebra y física obtenidas por diez e¡tudiantes seleccionados alcatoriamente de un gran grupo de estudiantes. utilizando a r como la variable independiente. (c) Comparar los valores de y obtenidos de esta ecuación con los valores reales.8?.?1. z.a Tabla 8-37 muestra los 3 6 o n 8 t? o t4 valores correspondientes de tres variables x. I : o t bx * cx2 I Tabla 8-37 REGRESION MULTIPLE E. 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. y. (D) Hallar la recta de mínimos cuadrados que se ajuste. (d) Representar gráfioamente las dos recta¡ de regresión de (b) y (c) sobre el diagrama de dispersión de (o). ¿cuál es su puntuación eeperada en álgebra? Tabla 8-32 Algebra (c) Física (y) . (d) Si un estudiante obtiene una calificación de ?5 en álgebra. (o) Representa¡ loe datos en papel semi-Iogaritmo. Escribir las ecueciones normales para la curr¡a cúbica de mínimos cuadrados dada por dx3 . con Ia escala logarítmica para yr la escala ariü- méticaparar. REGRESION Y CORRELACION [cAP. En el Problema 8.73. y : t 8. (d) Estimar el valor de y cuando r : J. Alustar una parábola de mínimog cuadrados.72.t--10. 54 42 30 .(c)Estimardcuandou:45mi/hy80mi/h.(b)Ajustarunacurvademínimoscuadradosdelaforma !=abxalosdatosyexplicarporqué esta ecuación específica da buenos resultados.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.y:6. (a) Representar gráficamente d.3 14.70. (c) Hallar la recta de regresión de írínimos cuadrados de ¡ sobre y. (o) Representar gráficamente los datoe.u.2 5. Con referencia a Ia Tabla 8-33.71 rrcstrar c6mo una gráfica en papel semilogarítmico puede utilizarse para obtener la ecuación pedida sin emplear el método de los mínimos cuadrados.a los datos. (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r.6 21. y. (b) Ajustar una parábola de mínimoscuadradosdelaformad:oIbu*cuzalosdatos. o + bx r a 0 1 2 ó A 5 t) ¿x?alos datos de Ia Tabla 8-3¡t. u (mi/h) Distancia de parada d(p) 20 54 30 40 138 50 60 70 90 206 292 396 E. [. ¿cuál es su puntuación esperada en física? (e) Si un estudiante obtiene una puntuación de 95 en físice. o^ 2. t. El número y de bacterias por unidad de volumen pres€ntes en un cultivo después de ¡ horas viene dado en la Tabla 8-36. (c) Hallar la recta de mínimos cuadradoe que se ajuste a los daüos.I 3. (b\ Estimar z cuando a to 90 10 72 . 8 t.ID 80 ?8 93 86 65 72 87 91 7L 98 95 68 84 89 tt 82 80 72 74 E.300 CURVA DE AJUSTE. utilizando a y como la variable independiente. (o) Construir un diagrama de díspersión.68. (o) Hallar la ecuación de regresión lineal de mínimos cuadrados de e sobre x.

64. y dados en la Tabla 8-39. (b) Multiplicar todos los valores de ¡ por 2 y sumarles 6. coeficiente de correlaciónentredos variables¡. 8. E.! .z .68 (a) dircctamente.. " para los datos en el Problema 8. y tiene la form¿ z = A 1. en E.3E F¡lad (r) Presión Sanguínea (y) 55 49 38 42 68 r47 725 160 118 t49 t28 150 146 115 140 162 56 42 72 36 63 47 60 165 E. 8.86. sr:2.81. y es 0.89.EO.68.74.80 para hallar el coeficiente de correlación entre los dos conjuntos de calificaciones de los exámenes del Problema 8. . 8l CURVA DE AJUSTE. Utilizar 8. Hallar la covarianza para los datos del Problema 8. Calcular (o) sv. 8.Sis"=1.t3.¡.88.38 lación entre muestra las edades r y la presión sanguínea y d. (b) la va¡iación no explicada datos del Problema 8. Multiplicar todos los valores de y por 3 y restarles 15.50.68 utilizando la fórtnula producto-momento y comparar con el resultado del Problema 8. explicar por qué se obüiene o no el mismo resultado que en la parte (a). (o) Hallar el coeficiente de corre' r. (b) Problema 8. (b) $. (b) utilizando la fórmula s¡s = rs¡sÍ y el resultado del Problema 8.85. Si sv.86.8f . halla¡ r.00. (c) la variación explicada en y para los 8.8?.68.79.81 u 8.cAP.i=10. los dos conjuntos de calificaciones de los exámenes del Problema 8. (c) Estimar la pre- sión sanguínea de una mujer de 45 años. y. ¿Hay al' t. Si el coeficiente de correlación entre. Hallar el coeficiente de correlación entre los dos nuevos conjuntos de valores.= 3y ss : 5. (b) Obtener eI coeficiente de correlación directamente de las pendientes de las rectas de regresíón del Problema 8. La Tabla 8. Utilizar los resultados del Problema 8. ¿qué porcenüaje de la varfación total pennanece no explicada por la ecuación de regresión? 8. y. (o) Hallar elcoef¡cientede correlación entre E.Br * Ca I Dr2 * Ery * Fyz Obtener las ecuaciones normales para los eoeficientes de regresión de mínimos cuadrados. Hallar los coeficientesde correlación para los datos del (o) Problema 8. Tabla 8.y para los datos del Problema 8. Obtener las ecuaciones normales para la regresión lineal de mínimos cuadrado¡ de guna interpretación geométrica para esto? Explicar Una superficie de regreaión de z sobre ¿¿ eobre r.E2. (o) Calcular el coeficiente de correlación entre los valores correspondientes de r. ú=20.E4. REGRESION Y CORRELACION 301 8. Hallar (o) sy ". ballar las ecuaciones de la recta de regresión de (o) y sobre x. 8. (b) r sobre y.68. D.76. Tabla 8-39 x a 2 4 5 6 811 18t210875 . (ó) Determinar la recta de regtesión de mínimos cuadradoe de y sobre r. r. Demostrer que la ecuación para regresión lineal de z sobre r. y obtener exptesiones para los coeficientes de regresión de mfnimos cuadradoe el resultado del hoblema 8.eL2 mujeres. Calcular (a) la variación total en y. y puede escribirse como z-2.7t. El 8.75 para solucionar el Problema 8.82.68(b) v (c ).60. ERROR TIPICO DE LA ESTIMA Y COEFICIENTE DE CORRELACION LTNEAL E. (b) sr.7 7 a(r-¿l+b(u-úl o.r.= E. yesr:0.76.67.60.90.

Obtener el coeficiente de correlación lineal para el hoblema 8.(D)larvariacionee explicaday no erplicada.y. el coeficiente de correlación gradual para loa datos del (a) Problema 8.104. (c) el coeficiente de conelación generalizado. (b) X eobre y.302 CURVA DE AJUSTE. Y con E.94. tls[a¡ la recta de régresión de mínimos cuadrados de (a) Y robre X. en el ca¡o de do¡ variablee aleatorias X. y para lo¡ daüo¡ del Problema 8. (o) Hallar el coef¡ciente de correlabión gradual para los datos del Problema 8.a) = [2r+3a Io o(c(L'o<Y<2 de otra form¡ Ilalla¡ la curva de regresión de (a) Y sobre X.página 263.93. H¿ll¡rlacurvaderegreeiónde(a)YsobreX.92. t.74.s.paraelca¡odeunaauperficiederegresiónlinealparazsobrer. Doa juecec en una competencia debían clasifica¡ a 8 candidato¿ A.lo6' función de densidad conjunta (o función de probabilidad conjuñta) f(x.lOS. lo¡ resultados se mueshan en la Tabla 8140. Tabl. y\.lol.(b)XaobreYparalosdatosdelhoblema2.97. estudiar una posible deeventaja del método de conelación gradual. E.96gina 52.págirra52. Il¡llar t.84.102. D. I COEFICIENTE DE CORBELACION GENEBALIZADO E'91. 8. B.96. variación toüal es erplicada por la ruperficie de regreeión? (b) ¿Quéporcenüajedela Demostra¡elresultado (27).5g ufilizando el resultado (35). INTERPBETACION PROBABILTSTICA DE LA REGRESION Y LA CORRELACION E.90. página 52. Hallar el coeficiente 264. (o) Calcular el coeficiente de conelación múltiple pars los datos del hoblema 8.96. Mostra¡ cómo se puede diseñar un coeficiente de correlación múltiple. ble¡ aleatoriac independientes? Explicar. F. t.74.gus observaciones en (o).99. Hallar el error típico de la estima de z ¡obre ¡.68 v (b) Problema 8. (b) X cobre Y para Ios datos del hoblema 2.rOO. Da¡ un ejemplo para demostrarcómo hallaría (a) el error típico de leestima. Halla¡ la recüa de regesión de mínimoe cuadrados de (a) Y sobre X. de conelación para las variabie¡ en el hoblem" g. La función de den¡idad conjunta de las variables aleatorias X. t. (D) X eobre Y para el hoblema 8.4O Candidato A o 4 B I o C 8 7 D 1 E 4 F' 6 G 3 H d a himer Juez Segundo Juez 3 2 I I 6 t.98.99. COBRELACION GRADUAL E. t.99.¡ 8. G. Halla¡ el coeficiente de conelación gradual y decidir eobre el acuerdo de loe jueces en su8 eleccioneg. C. t. H de acuerdo con sus preferencias.106. Y viene dada por f(r. (b) De.8. t.8. Hallar el coeficiente de conel¡ción lineal para la¡ variableg aleatoria¡ del Problema 2. REGRESION Y CORRELACION [cAP. página t. 8. ¿Ocurren algunae simplificaciones en la¡ curvas de regresión Ce Y sobre X ó X sobre Y para el caso de varia- . t.

f-(1 -r2)s. 8l CURVA DE AJUSTE.05.10? ensayar la hipótesis de que el coeficiente de regresión poblacional 1. (b) tan alto como 2. EnelProblemaS. ¿Podemos concluir a un nivel de significación del (o) 0.el 95% para el coeficiente de correlación calculado en el hoblema 8.01. Sobre la base de una muestra de tamaño 27 se encontró que la ecuación de regresión de y sobre r era t = 25. (b) 0. donde r¡¡ !/6¡ cl¡.00. Dos coeficientes de correlación obtenidos de muestras de tamaños 23 y 28 se calcula¡on como 0. para la recta de mlnimos cuadrados. Hallar los límites de confianza del (a) 957o.108.8. 8.I22. a un nivel de significación del 0.l19. 8. 8.115. Las rectas de regresión muestrales de mínimos cuadrados para un conjunto de datos involucrando X. 8.50' ¿Podemosre' chazar la hipótesis de que eI coeficiente de correlación poblacional es (o) tan pequeño como p : 0. demuestre que el coeficiente de correlación entre r'. Un coeficiente de correlación basado sobre una muestra de tamaño 35 se calculó como 0. REGRESION Y CORRELACION 303 TEORIA MUESTRAL DE LA REGRESTON 8." = 1. A' = llo * c2y. página 260. Yvie' nen dadas por 2:r . y'es eI mismo que el entre.05.\ es independiente de Ia elección del origen de las variables o de Ias unidades en que se expresan.112.60.(b\99% pra el coeficiente de regresión.109.113.(b)997oparu un coeficiente de correlación que se calculócomo 0.00 ¡. y).!l = 2. es (o) tan bajo como 8. utilizando un nivel de significación del 0'05? 8. 8.sx = 3.114. Solucionar el Problema 8.c2 soll constantes arbitrarias. (b) tan grande como p : 0.116.00 y ñ = 7. E.?0.01. Demostrar que el ángulo entre dos rectas de regresión muestrales de mínimos cuadrados viene dado por .84. .110. hallar los límites de confianza del (c) 95%. Verificar los coeficientes (5). (b) ta presión sanguínea de las mujeres de 45 años. Si sr.95 respectivamente. 5r . TEORIA MUESTRAL DE LA CORRELACION 8. Demostrarqueelcoeficientedecorrelaciónentre¡.ypuedeexpresarsecomo il2 -:.11?. Hallar el coeficiente de correlación lineal.70.(b\ 99% para y cuando ¡ : 6.118. ConreferenciaalProblema8.d'.40.tu] tan-'L rfti + si) -l E.S4.00.114 si el tamaño de Ia muestra es 52.01.10? hallar los lÍmites de confianza del (o) 957o.el(o)95%. (b) 0.50. (Sugerencia: Suponga quer' = noi c1r. 8. que hay una diferencia significativa en' tre los dos coeficientes? RESULTADOS DryERSOS 8. En el Problema 8. Un coeficiente de correlación basado sobre una muestra de tamaño 27 se calculó como 0.0 + 2.60 de una muestra de tamaño 28.111.80 y 0. (c) la media de lae presioñes sanguíneas de las mujeres de 45 años.121.(b)99%paralamedia'detodoslosvaloresde y correspondientesa¡ = 6.hallarloslímitesdeconfianzadel 9fleparafo)elcoeficientederegresiónde y sobre r.l0?hallarloslímitesdeconfianza d.5a = 3. que el correspondiente coeficiente de correlación poblacional es considerablemente mayor que cero? E.cAP. 8. ¿Podemos concluir a un nivel del (o) 0.tes t?.30. Demostrar que el cóeficiente de correlación - g.123.211Ú 8.10?. Hallar los límites de confianza d.1 "l$- c2) 20. En el Problema 8.20. .* : 8. DemostrarqueparaelcasoderegresiónlinealelvalormÍnimodeE'{[]'-(o*¡lX)lz.

(o)HallarlarectaderegrecióndemínimoscuadradosdeysobrerparalosdatosdelProblemaS. 8ü 8É ¿Es el resultado válido para regresión no lineal? 8. Demostrar que para regresión lineal 4 = +.L24. 210-225 I . Ilalla¡ el coeficiente de correlación entre las estaturas y pesos de 300 adultos dados en la tabla de frecuencias siguiente.r (pulgadas) 59-62 63-66 1 67-70 71-74 75-78 9L109 110-129 !e 2 n 8 2 ! p ql 130-149 150-169 170-189 190-209 o 15 L2 4 22 63 28 10 I 1 h tt) .3 I 10. - Tabla 8-42 Año Indice de precios al consumidor Indice de precios al 99.0 113. Con referencia a la Tabla 8-43: (o) Representar gráficamente los datos. REGRESION Y CORRELACION [cAP. El período base es de L94? 1949 : 100.8 8. 19 5 o (t) e. f¡¡ 32 20 t2 q .125.128.5 por mayor 103.8 114.8 111. 8.2 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 101.1 114.7 114.127. (ó) Hallar la recta de mínimos cuadrados que se ajusta a los datos y construir su gráfica.r. 8.4).5 116. E.2 Fuente: Bureau of Labor Statistics 8.2 r20.(ó)Estimar los pesos de doe hombres cuyas estaturas son 64 y ?2 pulgadas respectivamente.L25.y para loa daios del hoblema 8. 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. (d) Predecir el Índice de precio para la asistencia médic¿ durante 1958 y compararlo con el valor verdadero (L44.3 1r 7.l2S.304 CURVA DE AJUSTE.41 ESTATURAS .4 I14. (c) Calcular los valores de tendencia y compararlos con los valores reales. (b) Br.1 t 10. Hallar (o) s".5 r14. Tabla 8.129. Hallar los límites de confianza del 96% pára el coeficiente de correlación calculado en el hoblema 8.126.8 111.1 25. 8.2 t23.130. 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 . (e) ¿En qué año podemos esperar que el índice de costos médicos doble el del 194?1949.6 I 10.8 102.6 L19.

Y variables a|s3fs¡i¡s con función de densidad conjunta (o función de probabilidad) f(x.' Utilizar el Problema 8. (b) Hallar la parábola de mÍnimos cuadrados que se ajuste a Ios datos. (Sugerencia.132 para variaciones explicadas y no explicadas.9 ¿ind 1935 1940 1945 1950 1955 24. 8. y).5 23. REGRESION Y CORRELACION 305 8.3 16.9 17.134. Con referencia a la Tbbla 8-44. Estudiar la relación.0 1030 18. E.cAP.página265.133. página 265. En el Teorema 8-1.136.131.132). (a) Representar gráficamente los datos. Demostrar el Teorema 8-2. del Problema 8. (c) Calcular los valores de tendencia y compararlos con los valores reales.9 Welfaie 19.¿(r) es cualquier función de r para el cual estas esperanzas existen.6 23. 8.132. Tabla 8-44 Año Natalidad por cada 1000 habitantes 1915 1920 7925 25. 8. Demostrar el Teorema 8-1.6 Fuentet Department of Health.¿) donde . si Ia hay. (d) Explicar por qué la ecuación en (b) no es útil para propósitos de extrapolación.8l CURVA DE AJUSTE.7 21. ¿es g(r) única? Explicar. Demostrar que si 9(r) = E(Y \ X = c) entonces EUY - É(x)1'!) = E{LI'- o(xl¡z¡ + Ells(x) - q(x)l. Sean X. . Education 8.l35.

ao lk : a0 i=t r=t -.. . Tabla 9'1 Tlatamiento 1 Ítt E2l rtz rzz xtb fr1.r i:7. medias de tratarrtiento o medias de fila..a Q) El punto en tj. TYatamiento 2 itv t2. *iÉr. 22. desarrollada por Fisher. dl h : 7.. donde i : t. .1r2'. En el Ejemplo 9'L. tenían la misma vaianzi.Capítulo 9 Anólisis de vqrionzq PROPOSITO DEL ANALISIS DE VARIANZA En el Capítulo 7 utilizamos la teoría de muestreo pÍua ensayar Ia significación de diferencias entre dos medias muestrales. . de las cuales se extrajeron las muestras. cada uno de los cuales tiene b repeticiones o réplicas. r35 se refiere a la quinta medida para el tercer tratamiento.^ 306 (2) . b. EJEMPLO 9. Los resultados de un experimento de un factor pueden representarse en una tabla con a filas y b columnas (Tabla 9-1). .. ¿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.. . . se denominan medias de grupo. donde el número de medidas en cada grupo es b. La gran media o media total es la media de todas las medidas en todos los grupos y se denota por c. Por ejemplo.. Supusimos que las dos poblaciones. esto es r . Ttatamiento ¿ üol fio2 rob tra Denotaremos por i¡ la media de las medidas en la fila j. Los valores i¡. se utiliza para indicar que el índice k se ha sumado. tg y 24 hU}l'a respectivamente. Tenemos _lb fr¡:62r.2.1. Hablamos de a tratamientos..2. a : 4. . En muchas situaciones existe la necesidad de ensayar la significación de diferencias entre tres o más medias muestrales.. Aquf r¡¡ denota la medida en la fila j y Ia columna k. Utiliza la distribución F considerada anteriormente en los capítulos previos. 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. Supóngase que en un experimento agrícola cuatro ttatamientos químicos diferentes del suelo producen rendimientos medios de trigo de 28. 2. o lo que es equivalente a ensayar la hipótesis nula de que las medias muestrales son iguales.

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

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

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

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

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

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

El modelo viene dado por X ¡xt = ¡. Bajo ambas hipótesis HÍ. niveles de significación especificados. * . .. como en el caso de factor uno. Por conveniencia.1 grados de libertad./S3 ti"n" la distribución F con s . Bajo la hipótesis H'oz'el estadístico 3.l. Pa¡a obtener esto denotemos por X¡o¡ la variable aleatoria correspondiente a la fila o tratamiento j.*-r)! EXPER.1 grados de libertad. Teorema 9-6: Bajo la hipótesis ll[. V. Debido a la repetición debe utilizarse un modelo apropiado para remplazar el dado por (35). Para ensayar la hipótesis I1. (a-1)(l¡-l) con grados de libertad Residual o aleatoria. cambios apropiados pueden hacerse cuando los números de repeticiones no son todos iguales. L'. Tabla 9-5 Entre tratamientos.1) (b .u I' lir. 'L' - u.!') 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.V"/n2 tiene la distribución chi-cuadrado con b -1grados de libertad. página 312.V/o')tiene la distribución chi-cuadrado con ab .lc (ú - l)(ü --1) rt1 ar* u" = )(r.1) (b .l¡^i¡l v ^3yS: vienen dados en el teorema siguiente análogo al Teorema 9-3. En tal caso habrá más de un valor correspondiente a un tratamiento dado y a un bloque clado. una tabla ^ análisis de varianza puede construirse code mo se muestra en la Tabla 9-5.1) grados de libertad. Las distribuciones ¿" . el Teorema ANALISIS DE VARIANZA 313 9-5: Bajo la hipótesis H[L)./S.IMENTOS DE DOS FACTORES CON REPETICION En la Tabla 9-4 sol¿rmente hay un '. Análogamente para ensayar la hipótesis I1[!) consideramos el estadístico ^3ySg. El teorema nos permite aceptar o rechazar H3" 6 H3'.1 y (c .'alor ccrrespondiente a un tratamiento dado y a un bloque dado. la columna o bloque h y ala repetición /. Supondrerfios que hay c valores para cada posición. .I y (c .1) grados de libertad. úe = l'Total. ¿.!'.1. uc = (t>(tA-j)r b. > (J'j - :L)2 a-l i | 3l ' -ra--1 con cr . proceso conocido como repetición.r) el estadístico si. (¿ -l)(¿r-t) grados de libertad Entre bloques.tt y Ht2'.e.r * Fr * 7. s c-ls . ti"n" la distribución Fcon b . Más información considerando los factores puede a veces obtenerse repitiendo el experimento. Bajo la hipótesis H[.cAP./o2 tiene la distribución chi-cuadrado con c .

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

esto es l3*= 0 I{:}): No hay interacciones entre tratamientos y bloques.F de 33/0? V GfBi en cambio de esas dadas en la Tabla 9-6.los detalles de un experimento deben planearse cuidadosamente con anterioridad. para ganar tanta información como sea posible. utilizando hs íelaciones F de G?liZ v 3:63 reópectivamente como se muestra enlaTabla9-6. B. página 306.1) (b . En este caso podemos concluir que las interacciones no son muy g¡ánAes.1). C. 1. Luego podemos ensay4r H. El procedimiento se ilustra en el Problema 9-tr3. Pa¡a üseña¡ tal experimento podríamos dividir el teneno en 4 X 4 = L6 parcelas (indicadas en la Fig. el Las relaciones tr'en la nulas ANALISIS DE VARIANZA 31ó las hipóteeis ütima columna de la Tabla 9-6 pueden utiliza¡se para ensayar I/[t): Todas las medias de tratamiento (fila) son iguales. aunque físicamente cualquier forma puede utilizarse) y asignar cada tratamiento. Caso II. y utilizando este valor para remplazar el denominador 3! en el ensayo F. En lo que sigue damos algunos ejemplos importantes de diseño de experimentos. 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. etc. DISEÑO E)GERIMENTAL Las técnicas de análisis de varianza discutidas anterionnente se emplean despuós de que se han obtenido los resultados de un experimento.6. Supóngase que tenemos un experimento agrícola como en el Ejemplo 9. En este caso podemos concluir que las interacciones son considerabtemente grandes. Il[3) puede rechazarse. a cuatro bloques escogidos completamente al aza¡.9-l .l) + ab(c . 9-1 por cuadrados. D. 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. Dos casos poóibles se presentan. esto es oj = 0 I{2): Todas las medias de bloque (columna) son iguales.2 Fig. Utilizaremos este procedimiento alterno. indicados por . Por esta razón muchos estadísticos recomiendan que se ensayen I/é'. Las diferencias en los factores serían impgrtantes solamente si fueran grandes comparadas con tales interacciones.j'z) utilizando las relaciones .r A B c A C B A c C" Dr Au B6 Cuadrado Compleüa aleatoliedad Bloquee aleato¡ios Cuadrado latino Fis.1. El propósito de la aleatoriedad es la de eliminar varias fuentes de enor tal como fertilidad del suelo. 9.cAP. Esto se denomina a veces como diseíw del experimento.9-l Fig. que pueden analiza¡se como en la Tabla 9-5. y l/.o) y-H<2. Esto produce una tabla factor dos con valores singulares.4. Caso I.9-3 grecoJatino Fig.F' de 3?/S3 de la Tabla 9. Completa aleatoriedad. 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 . Sin embargo. (a . Il[r) no puede rechazarse. 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.

El arreglo se llama cuadrado latino puesto que se utilizan letras latinas A.*. B. D se introducen en orden aleatorio dentro de cada bloque I. C.-f)t t. 9-2).316 2.^ -.n-r. lJ. Cuando se cumple esta propiedad el cuadrado se dice ortogonal. = 1o.) i ". C. B.]: ya que ij.1.i=(rjr-rj)+(rj. /V (véase Fig.--). errores en diferentes filas y columnas podrían ser causadas a cambios en la fertilidad del suelo en diferentes partes del terreno.-r)2 i.". Problerna. 4.-) -. principalmente la diferencia en bloques (filas en la Fig.s resueltos CLASIFICACION SIMPLE O EXPERIMENTOS DE UN FACTOR 9.2.^-¡. Si es necesario controlar üres fuentes de efror o variabilidad se usa un cuadrado greco-latino. Este tipo de diseño se utiliza cuando se desea controlar una fuente de error o uariabilidad.\' i.-tj)(:¿'j-t) j* Para demosürar eI resultado pedido debemos mostrar que la última suma es cero. es necesa¡io tener un conjunto completo de tratamientos para cada bloque los tratamientos A. ANALISIS DE VARIANZA [cAP. S.k 2 Tenemosr¡¡.. Cuadrados latinos. Para hacer esto procedemos ñ (". -")[r\t-tj L . como en el Ejemplo 9. - ".1. por ejemplo.* .- )(".k así (r. 9-2) y por esta raz6n los bloques se conocen como bloques aleatoríos. como se indica en la Fig.r.r. 9-4. D uttlizadas para un cuadrado mientras que para el otro cuadrado se utilizan letras griegas a. Para algunos propósitos es necesario controlar dos fuentes de error o uariabilidad al mismo tiempo. B. II. III.k )(r.. En tal caso es deseable que cada tratamiento ocurra una vez en cada fila y una vez en cada columna. e Bloques aleatorios: Cuando. como la diferencia en filas y la diferencia en columnas.á .i)' : )(r.t. como en la Fig. 3. 9-3. r] Q ". con letras latinas A. Cuadrados greco-latinos.^ . Tal cuadrado es esencialmente dos cuadrados latinos superpuestos entre sí.Elrequisitoadicionalquedebe cumplirse es que cada letra latina debe utilizarse solamente una vez con cada letra griega. r.[-i.^.Entonceselevandoalcuadradoysumandosobrej¡zlzhallamos )(". En el experimento del Ejemplo 9. Demostrar que ) i. D. .il :- > = j=t .k '' i\2 + )1o.k )2 t )(r-.ri)(ii . = Lk + j.. C.

It - 1'b' Tabla 9-? 9.2(o) en el último renglón. )1rc = ))*r* r = abt 9.zr>ti.cAP.. Hallar (c) el rendimiento medio para los diferentes tratamientos.18 49 50 47 19 . .2(o) en el tercero y último renglones anteriores.t) = )(¡.=brj. . Tenemos página 307. : abñ. Utilizar el método largo. Análogamente = )(¿. el ANALISIS DE VARIANZA 317 g. + abú2 i.u ó un -.k abúz )"i = j.18 49 48 50 49 51 50 . = 't)61't).utilízandolanotaciónenlapágina307. (c) la va¡iación total.k .3. (d) la variación entre tratamientos y (e) la va¡iación dentro de tratamientos.) r:r tenemos K por Ia parte (c).4. (b) (c) Puesto que 7j.'*\ u u.2(b) en el tercer renglón y el Problema 9.r b bI 1. i'k f¡*" .k = )rr¡.r-r): i. Verificar las fórmulas cortas (10)-(12). La Tabla 9-7 muestra los rendimientos en hl/ha de una cierta va- A B C .j=lk=l 'i ) )'¿r.k .¡.].k / r'\2 rl rS/rl-zrJ. o C. (b) la gran media para todos los tratamientos.k 2r@br\ aü*: )"'n = j.oi-ziri+ñ2) utilizando el Problema 9.(c) ?'. Verificarque(o) (d) r: úbÍt(b).ijk+ñ2\ = i. )r¡. -'#(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 9.2.2x)r¡¡ I i.-¿)t )¿i = i. B.D6 I ab¡z s-? -4 ab =. riedad de trigo cultivado en un tipo particular de suelo tratado con químicos A.-!+abEz -* í..k )(rji-zx..

por ejemplo 45. Variacióntotal 4 =.01? Tenemos con-o Con referencia al hoblema 9.4)'.4)2 + (4- + (2 -3)2 + (4-3)2 + (:J-U + (5-4¡r + (4-4): 3)2 + (3 .@ir-E)2 = (3-4)r + (4-4)x + (6-¿)¿ + (4. = b)) (é) Variacióndentrodetratamientos Otro método. C (b) (c) .)2 t. ¡r. (b) 0. -¿). = ) @¡¡-E¡. (b) la variación dentro de tratamientos. ¿podemos rechazar la hipótesis nula de medias iguales al nivel - 1 : F=$=h = 3 6 - L : 2ya(b . hallar una estima insesgada de la varianza poblacional oz de (c) la variación entre tratamientos bajo la hipótesis nula de igual medias de hatamiento.¿): + (4 -4):¿ + (6-4)2 + (5.Puesüoque^F :6)F.:l = = r'.¡. [cAP. de todos los datos sin afectar los valoree de las variaciones. i. (a) (b) ? 3 9.4): + (5-4¡: =14 ((l ) Variaciónentretratamientos = tr.4.05.4)2 + (4-4): + (3 .Tabla 9-8.f B+4+6+b+b¡ = Así la gran media para el conjunto original de datos es 45 * 4 : 49 hl/ha. de significación del (c) 0.¿.u = 14-8 = 6 (cl.26. 4l(4 .4)! + (3 . 1 = 4.: i(4+6+5*5) = respectivamente. Entonces obtenemoe los datos de la.41-B.05..4)2 + (2 . Con referencia al Problema 9.5. Por tanto los rendimientos medios. 48 y 50 hl/ha para A. (o) ConreferenciaalApéndiceF. 3 0. B.yemosqueF.1): 3(4-1) : I grados delibertad.95:4. = i(B+4-f b+4+2t. = o.4)2 + (5 -.318 ANALrsrs DE vARTANZA Para simplificar la aritmética podemos restar algún número apropiado.g)r + (4. = lae+A+3*B) = 5 3. obtenidog al sumar 45 a éstos.. =.conut:2yu2:9.6.4.4¡:: * (3 . Tabla 9-E e (a) por Las medias de tratamiento (fila) para la Tabla 9-8 vienen dados respectivamente rr. eon 49.5)r + (d--5)! -l (5-5)r + (5-5)r 412 9. = !4(B+4+ 5+4.k = (3.96podemos techazar la hipóüesis nula de medias iguales al nivel 0.¡. .

.conur:2!uz:9.a&-6 .2/3 n con 2.Pue8toqucF=6(F. Utilizar las fórmulas cortas (101-(12) para obtener los resultados del Problema 9.O1.= Dentro de t¡ata 0w=0-0b a -63 ^' . = 3+4+6*4 = 16 tz. = 4 +6+5*5 = 20 r = 16+12+20 = 48 Luego D6 1s-.vemoaqueF.. Tabla 9-9 Gg=f.?.6:8.=2+4+3*3:12 rt. I¿ tabla de aDáli¡is de va¡ianza para loe hoblemss 9. el ANALIS$ DE VARIANZA 319 (b) ConreferenciaalApéndiceF.06-S8t = (b) Los totdes de las filas ¡on 206-rsz = 14 También rl.9 o(b-1)=(3)(3)=9 gradoe de =14-8=6 libertad 9. .9no podemos techazar la hipótesir nula de medias iguales al nivel 0.02.4 ba'i ab 1 i062+t22+202) 0w: (^8\: te.4-9.6 ¡e muestran en la Tabla 9-9.n) = : 2oo 6 _ tg2 = E (c) D-Qb:14-8 .cAP.4. (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"?--# : .

ffi : - 245 := .ab6-1#¿.rooo¡ . La Tabla 9-11 muestra de unid s. = t4 800 7) = (zoe)r-9q): = u¡. de todos los datos para obtener la Tebla 9-12. =48 ?t. = lrsoor --. Tabla 9-12 J Í: ). de como antes. e t T: A B C 3454 2433 4655 16 256 t2 20 r14 400 ) s. cinco operadores experimentados trabajan con las máquinas durante intervalos iguales.'r = 206 " = ?".(¡ti)] : ! Los resultados concuerdan con los obtenidos en el Problem a 9. Tabla 9-10 T [cAP. 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. 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.?¡ Entonces = 2356 r. de las máqui nas.320 Es conveniente ordenar los datoe ANALISIS DE VARIANZA como en la Tabla 9-10. 16= = zs56-246 soo = zrrL (i55 I t. por ejemplo 60.4 y a partir de este punto el análisis proce- 9'8' máquinas didiseñado para .

las medias de grupo o muestrales y la gran media.-i)z -3(9 ' - 7\2 36 ! 5(7 + 4(8 -- 7)! = 36 . (b) 0.1456 =ZO I | =.05.t0i Muestra 2 Muestra 3 11 409 401 406 408 405 .01. 7):+(11 -?)2+.u-1) = 5(4) rA = I l "u ?'. Es conveniente restar Tabla 9-14 Muestra 1 .^..l-5rr -. .102 410 . Tabla 9-13 Entre tratamientos. el Formamosla Tabla 9-13. 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. ?t¡ = 655 tratamientos. ANALISIS DE VARIANZA 321.. ensayar al nivel de significación del (c) 0.cAP. Entonces tenemos ..ru r También podémos obtener 72 -- 36 .05.)(r.01 si hay una diferencia en los tres tipos. Tabla 9-15 Total Muestra 1 Media 9 7trI 4 27 8 5 2 Muestra 2 Muestra 3 6 25 32 5 10868 .18-512: rl¡--5rr .r (2 5):r -l..(8 _ 8l: - . lógicamente tampoco la podemos rechazar al'nivel 0. Utilizando el método largo..108 406 408 un número apropiado.u¡.fti'k ¿rr.r. Por tanto no podemos rechazar la hipótesis nula a un nivel 0.1 .-+(8-7)z = 5): 72 -= J'K )(t. por ejemplg 400.(i -5r2 .¡r .ss: 2. y obtener la Tabla 9-15.". ".8 (5X4) t: Pata 4. u. 20 grados de libertad tenemos F .i = Gran 8 media = 84 1t En esta tabla hemos indicado los totales de fila.2lIl I ab-I=24 I W = tz.)rr¡(.. directamente observando que es igual a (7--9):r-(11.f)r!-i tÍf -f)): r t.(10 8r: I í8 __ 8)r -i rG 8): -1.87 .-i.9.-¡. .

:25. = = 36 (27)2.4 7.96 : 4.-. CLASIFICACION DOBLE O EXPERIMENTOS DE DOS FACTORES 9. + 62 +8r-Q|2 = 72 a6 = ?t-.0 5.?. como se indica en la Tabla 9-18. De la Tabla 9-15.=27.=32.7 45 8. Rt=3. Tabla 9-16. = 19= 1g 5.05 pero no al nivel 0. las medias de columna y la gran media.9 utilizando las fórmulas cortas incluidas en (24). (b) hay una diferencia significativa en rendimiento por acre debido a las cosechas.01. Tabla 9-16 [cAP. 12t nB=4. F.2 7. Por tanto podemos rechaza¡ la hipótesis de medias iguales (esto es. Utilizando el método lartivadas en Cosecha I Fertilizante A Fertilizante B Fertilizante C u Cosecha III Cosecha IV 6.01 si (a) hay una diferencia significativa en rendimiento por acre debida a los fertilizantes. ensayar al nivel de significación de 0. (25) V Q6l.(32)2 s-5-4 -W = s6 'l)ú = I-Ub Utilizando estos re¡ultados el análisis de va¡ianza procede como en el Problema 9.9.(25)2. rg.11..8 o.26. n=12.9 6.8 9. I 5. Soluciona¡ eI Problema 9.2 ñ"¡'. e Variación Grados de libertad Media de cuadrados F D¡=36 a-7=2 n-a=9 io. Por tanto ! = n2=5.8 6.4 uru so'- 18 = 36 G1=?9=4 = 4.99 : 8. ninguna diferencia en los tres tipos de tubos) al nivel 0.10. 12. ¡=84 = + iL2 + .2 Calculamos los totales de fila y medias de fila. La Tabla 9-17 muestra los rendimientos por acre de cuatro go. . Tabla 9-1? Cosecha cosechas de plantas diferentes culparcelas tratadas con tres tipos diferentes de fertilizantes.6 7.os datos pueden resumirse en la tabla de análisis de varianza. como también los totales de columna. so:.02.. 9.5 Enüonces para 2 y 9 grados de übertad hallamos del Apéndice F que F. 72 t1.322 ANALISIS DE VARIANZA f.

2 23. : Esto conduce al análisis de varianza en la Thbla 9-19.2 -6.58 F =G?/C?: a.4-6.3 .0-6.2 2t.8)2 + (5.6 .6.8)2 + (8.zt gl: 2.7-6.8)2 + (8.0 .6.5-6.4¡z * (7.8)2 -1 (9.8 : Variación de medias de fila con respecto a la gran media = 4U6.08 ue : Variación aleatoria = Lt .9 = = 81. (7.86 gl: 3.0 Gran total 22.4-6.2-6.68 u" : Variación de medias de columna con respecto a la gran media = 3[(6.8)2 + (6.6 ¡'=0"2/i3=0.8 9.8¡r+ (7.2 .9 68 5.14. Entonces.8)2 + (6.S¡z a (7.2 6.6 5.24> 5.6 grados de libertad.6.r. .9 .32 U: Va¡iación total (4.7 -6.6.cAP.S12 -'. el ANALISIS DE VARIANZA Tabla 9-18 Cosecha 323 I Cosecha II Cosecha III losecha IV Totales de fila 24. Fq. .6.8)2 = 23. 64 7.8 Media de fila 6. Ya que el valor d'e F correspondiente a las diferencias en las medias de columna ea menot que 1 podemos concluir que no hay difenencia significativa en el rendimiento debido a las cosechas.05 con 2.6 oi = t.8)2 + (5.0 7.7 5.6 7.8)21 = 13.8)2 + (6.4 7.r.8)2 + (5.6.5 6.5 18.8 -6.6 columna u.yaque 6.ocz Al nivel de significación de 0.3-6.6.2 Fertilizante A Fertilizante B Fertiüzante C Totales de 4.14.8 .3 5.0 33.8)2 + (5.9 -6.3 Gran media 6.podemos rechazar la hipótesis de que las medias de fila son iguales y concluir que al nivel 0.5 6.8)2 + (?.8 7.:5.8)z] = 2.5 -6.4¡z a (6.2 8.8 . Tabla 9-19 6.7 8.05 hay una diferencia significaüiva en el rendimienüo debida a los fstilizantes.9 columna Medias de 19.

t2.6)¿ = 2274. e 9.11.(23.5)2 + (18. 554. : lcAP. C.2¡z (19.rol rt .88 ab = 23. Los días de la semana se pueden considerar conro réplicas o repeticiones del rendimiento de cada máquina para los dos turnos.n¡z (5.58 EXPERTMENTOS DE DOS FACTORES CON REPETICION 9. D en la producción de tornillos. - 13.05 si hay (c) una diferencia en las máquinas.6 : 577.88 2.G8 = *>t-"ti = |trozs. móquina y lurno.2. 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.ut - bb4.88 = = 18. Efectuar un análisis de varianza para ensayar al nivel de significación del 0. Nótese que para cada máquina se han indicado dos turnos.24 ¡ (22.08 = uc Lnezln. + 24. Los resultados se indican en la Tabla 9-20.k )"i T a .. Un productor desea determinar la efectividad de cuatro tipos de máquinas A.2+23.13.2)2 (27-O'¡z r.10 Entonces s-2 j* tt'r^ 12 ab = vr 1s-r-t' 577.324 ANALISIS DE VARIANZA las fórmulas cortas para obtener los resultados del Problema 9. 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 9-21.82 = 6. (b) una diferencia en los turnos.8+33. En esta tabla se indican los dos factores principales.2)2 81.zu 'üc bb4.11.96 bj'j.08 de acuerdo con el Problema 9.. .68 . B.6 = (4.2)2 ¡ + (33.9)2 = 1673.96 S-z Sro (24.S¡z a (6. Utlizar Tenemos de la Tabla 9-18 i.82 11 = = 23.

0 'tt" = --ñ.5 = 1861. (30)2. 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+ . 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 [.0-8.S . móquino y turno. que llamaremos variación subtotal u".cAP.2 .5 .b .6 - 1?9b..-. (32)2.3..¡2912.0c = 65.4 Para considera¡ los dos factores principales.1 Si reetamos de la variación subtotal u. concentremos nuestra atención al üotal de los valores de repetición correspondiente a cada combinación de factores.b --5 .1 = 6.ro ro 10 La va¡iación entre columnas viene dada por (zgq)' 40 = 1846. (38)2 ""--6-5 .)' + qq -ld. ZO - (126\2..6 = 1b0.4 variación total para la Tabla g-22.6 : 66. Estos se ordenan en la Tabla 9-22. + 72 +L02-W = 1946- 1?95. viene dada por -.6 = 51.6 La variación enhe filas üene dada por (zee¡z 40 a' = (54)2 (85)2t' (6. (119)r_eqq\2 ? 40 - _ 180s.1795. (44)2.6-51.?_1?e5. variación debida alasinteroccion¿s entre las filas y columnas. que es una tabla de dos factores con valores simples.S . _124)2. (31)2. Esta viene dada por * u" ) obtenemos la 0i = 0"-D¡.(41)2. la suma de las variaciones entre filas y columnas (u.6 rov = 8.

ce debe a interacción. se halla reetando la suma de variaciones füa. Esto es equivalente a decir que al nivel 0.90 para B. u= 150. Aef. Para hallar loe grados de übertad debidos a la interacción obeervamoe que hay 8 valores en la Tabla 9-22. Esto esequivalenüe a decir que al nivel 0. B2 grados de libertad podemos rechazar la hipóüesis ll.Ya que hay 40 valores en la üabla original 9-2i el total de gradoe de libertad es 40 1 = 39. lo cual indica que la interacción no ee significante.06.. 0c = 8'1 Interacción.o Columnas (turnos). Eeto resulta en a" = Q-(or*o"*o¡l = 7).42. 7 (3 + 1): 3. De la Tabla 9-23 vemos que pa¡a interacción F : 0. I¡iabla también da el número de grados de Tabla 9-23 Filas (mÁquinas).16. eeto es.06 no hay diferencia iignificativa entre turnos. u¡ = 6.326 ANALISIS DE VARIANZA lcAP.o" : 150. Si decidimos analizar los resultados combinando las variaciones residual e interacción como lo recomiendan algunos estadísticos.05 podemos conclui¡ que las-máquinas no son igualmente efectivas.! : Sgradosdelibertad.61. filas y columnas de la Tabla 9-22). no podemos techazt la hipóteeio l/[zt ¿" que las columna¡ tengan medias igualee. Po¡ tanto el total de gtadoe de libertad es 8 I : 7.tr ¿" que lar fila¡ tienen ¡¡sdi¡¡ igualee.65 para el denominador de F en la Tbbla 9-23 no afectan las conclusiones alcanzadas anteriormente.5 G? = zltt Aleatoda o residual. e Finalmente la variación reaidual.4 Para continuar debemos determinar primero si hay alguna inüeracción significaüiva entre los facüores básicos (es decir.6 + 84.6 : 84. . 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). que conduce a unava¡ianzacombinadade gL. Siguiendo lae reglas de la página 315.: 4.:6. la va¡iación subtotal) ¿L U variaóiOn tot¿l u. 32 grados de liberüad Fn. hallamos para la va¡iación combinada y grados de libertad combinados u¡* u.3 y 3 + 32: 36 respectivamenüe.8 1 grado de liberüad. columna e interacción (ee decir.8 : 91.F nl: 2.entantoquelavarirrcióndebidaalae 2columnastiene 2-L= Estas va¡iacionee se indican en el análisis de varianza. el reeto. D" = 84'8 Total. podemos rechaza¡ |a hipótesis flllr ¿" la pógina 315. Por tanüo los grados de libertad debidos a l¡ va¡iación residual o aleatoria ee 39 7 : 32. Al usar este valor en cambio de 2.81?. Puesto que . - libertad cottespondientes a cada tipo de variación. vemos que F para las fila¡ e¿ 6. 0' = 51'0 i? = tt.SfSe:2. Entoncee ya que F calcul¡do para lascolumna¡es 8. ya que hay 4 filas en la Tabla g-22La variación debida a l¡s fila¡ tiene 4 . Para l. Puesto que 3 de esos 8e deben a filas y 1 a columna¡. Tabla 9-23.4-65.

Ya que ¡'. = T*ry*ry 5723. podemos concluir que aún al nivel 0. de modo que podemos proceder más al.06 : 329.' + (10¡z * (lT2 -@5Y 16 5769 - 6439. 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. Solucionar el Problema 9.51 para 1. columnas y üratamientos se obtienen común y corrienüe.01.94 Variación entre filas . Un hacendado desea ensaya¡ los efectos de cuatro fertilizantes A. 32 grados oe libertad y puesto que F para filas es 6.19 (2eS1z - 5439.47 para 3.1)¡ ff +ff + ff -5468. 32 grados de libertad y puesto que F para columnas es 3.15.25 *9'{ -(fftr = 284.. D en el rendimiento de trigo.06 = 4.13 si se utiliza el nivel 0.01.75 . 29.At-ril.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 9-26.19 - 5439. 4 : 5443. C. Ya que F .06 : va¡iación entre (77\2 (74\2 (78\2 (71\2 columru lS=?rc= 4 .4 .4 -.25 + ry .05 y (b) 0.r. concluimos que al nivel 0.Ia variación üotal y las va¡i¡ciones para filas.l cAP. Hdlamos Va¡iacióntotal : o= (18)? + (21)2 + (25)2+'.69 16 variaciónenrretratamienros = . B. el ANALISIS DE VARIANZA 327 9.01 no hay diferencia significativa en los turnos. También obtenemos el total de rendimientos para cada uno de loe fertilizantes como g€ muestra en la Tabla 9-26.5439. 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 9-24.06 . CUADRADOS LATINOS Tabla 9-24 9.49. donde los números indican rendimientos en dkl por unidad de área.05. A este nivel aún no hay interacción apreciable.14.t: 4.e0 = 7.lá.01 las máquinas no 6on igualmente efectivas. Efectuar un análisis de varianza para determinar si hay una diferencia significativa entre los fertilizantes a niveles de significación de (c) 0.

D aleatoriamente a filas y columnas.0 : 9. podemos aceptar la hipótesis que no hay diferencia enla fertilidad del suelo en las filas (o las columnas) al nivel de significación del 0. Suponga que en el desarrollo del expeúmento del Problema 9-16 el número de kilómetros por galón es el dado en la Tabla 9-29.16.01. 284. B.¡.328 ANALISIS DE VARIANZA El análisis de va¡ianza s€ muestra en la Tabla 9-27. B.. podemos concluir que hay diferencia entre fertilizantes. C.01. 11. como se indica en la Tabla 9-28. i I}¡ 9. 29.78. Es de interés determinar si hay alguna diferencia en el kilometraje por galón entre las gasolinas A. 7.. Tabla 9-28 CONDUCTORES 1234 B. sujetos a los mismos requisitos impuestos a las letras latinas.76. debemosconcluirquehay una diferencia entre fertilizantes al nivel 0. rechazamos al nivel 0.69 Tlatamientos. conductores. C.r. cuatro autos y cuatro caminos diferentes. CUADRADOS GRECO.lJtiliza¡ el análisis de varianza para determinar si hay alguna diferencia significativa al nivel 0. Asignamos aleatoriamente los cuatro caminos que van a emplearse. LATTNOS 9. 6. Sin embargo. 4. autos y caminos podemos emplear un cuadrado grecolotino. concluimos que no hay diferencia en la fertilidad del suelo en las columnas.19 Columnas. Un aneglo posible es el dado en la Tabla 9-28.19 Residuales. Tabla 9-2? lcAP. D. Se deduce que al nivel 0. Supóngase que los diferentes autos se representan por las filas y los diferentes conduetores por las columnas.8? (o) Puesto que F er.05Ia hipótesis de que hay medias de fila iguales.' I A. de modo que cada letra apatezca solamente una vez en cada fila y solamente una vez en cada columna. Puesto que se incluye igual número (cuatro) de gasolinas.05 hay diferencia en la fertilidad del suelo de una fila a orra. (b) Ya que Fgo.05. 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).9 > 4. Ya que el valor de.17. Diseñar un experimento utilizando cuatro conductores. e Filas. p.76.F para tratamientos es 4?. Puesto que el valor F para columnas es menor que 1. Así cada conductor tendrá la oportunidad de conducir a lo largo de cada uno de los caminos. . 4.o :4. Asignamos las diferentes gasolinas A. denotados por o.

utilizando el método corto. Filas: a----l---4 (64)2 . 7.60 I 4096 6. Las filas.4-T 4 .50 La variación total ee (1S¡z * (le¡z + "' + (16)2 + (2s\2 -e66\2 =' 'I | \-vt 16 16.60 ry*ff+ff+ry-ry 4 (16)'z = 4ros.os resultados se mueshan en el análi¡i¡ de varianza.60 -4096 = 111. (68)2 4 . B. (63)2 .60 (A. Tabla 9-31. (61)2 . (59)2 . E número total de gados de übertad es n2 .4 .60 = 6. 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. Dl Caminos: (o' P. el ANALISIS DE VARIANZA 329 Prirpero obtenemos totdes fila y columna como ¡e indica en la Tabla 9-30. columnaE. 4 - (70)2 (256\2 16 Q6A)z 16 QAA¡z = 4112.60 - 4096 = = 16. (81)2 .00 de modo que la variación debida al e¡ror e¡ 148. C. (62\2 -.cAP.50 4244-4096 = 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. (61)2 4-4-4-4-16 4102.50 - 7.00 - 6-50 - 11r.6o-40e6 = ?.60 Columnas: .1 para un cuadrado de n X n. -1--4(n-1)=(n-lXn-3). como eigue: Atotal: 15+16+15+16 = Btotal: 19+18+2I+ 23 = Ototal: .Portantolosgradosdelibertadparaelerroresn2 caso n f. (52)2 .Ennueetro .00 deliberüad. ó) Ga¡olinas: (62)2 4267. leüras laüinas y letras griegas cada una tienern 1 grados : 4.

26 Tenemos F. de Ia página 308. b 3 (¿'-1"'\ -i---t\ b / = a(b . Derivar (c) la ecuación (17).330 ANATISIS DE VARIANZA Tabla 9-31 lcAP..*-i.3u*3" = op+\'¡ t=L i=l !:t' = (2p)/a. 111.50 Caminos (o' É' 7.or. Se deduce que t=L )¡t* )"t j:r ' donde hemos utilizado la definición p )a. (o) Poi definición tenemos v. Demostrar que > oj = 0 [(15). 6. página 308]. 6).".19.50 2.28 V F. (b) la ecuación (I6).5.r. donde Sf é define por (15).so.a:9.60 Gasolinas.tz = b j=r |Lo rEr' " ' ) = ¿!s? j=1 d.01.-¡b-l ¡ es la varianza muestral para el tratamiento jr como que el tamaño de la muestra es b..C.D). Por tanto podemos rqchazar lahipótesisdequelasgasolinasson igualee al nivel 0.¡z > + ) (x. El tratamiento medias de la población viene dado por p¡ Por tanto ac = 9. B. = F* e¡.s : 29. 7.05 pero no al nivel 0. ya E(v.18. Capítulo 5.l)oz - .s.) = bj¿E(Si) utilizando (I6) del Capftulo 5.500 :?*33=t. 5u.= .} . = 9.-*. e Columnas (conductores). J=r - =.. PROBLEMAS DIVERSOS 9. Entonces. (4.

. puesto que las varianza¡ S! bn indep el Teorema 4-4. obteniendo u" . página 158: ( tr) var (5) =r Var(X) = # E(X) = p (i¡.t) X = ( )It. 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.) = pj = p+ai Utilizando los resultsdos (2>(7). omitiendo el fndice de la euma.) (d) (7) E(Xj. En el Problema 9.+auxz l=r t=L ya que (f) (21 (.21.P = (a-l)o2 * abp2 + zbp> ". = 84. P¡ra hallar la variación debida a larepeticiónutilizamoslostoüalegdecolumna cn la Thbla 9-21. Por tanto lv(x. ¿Podemos sostener esta conclusión al nivel de signifi cación del (c) 0. .+*i):-l -"ufLab J !+rr) " '' ) -LD aoz * b ) (p+ a¡)2 - o2 - s'b.19(o).) + a. bSJ/o2 tiene drado con b .20. página 309.-x¡z t=r aa a o = b>*i-2bx)x. Entonceo..13 supusimos que no existían diferencias significativas en las repeticiones.05. + > al - ob¡P (c--t)62 * b ) a.01? Si existe alguna variación debida a las repeticionee se incluye en lo que ae llama el ertor re¡idual o aleatorio.bgQ7z) Entoncee para cualquier variable aleaüoria U.8. (b) 0.\12 lBlx¡12 E(xil : E(Xz) = Var (Í) + Pero ya que las poblaciones de traüamiento son normales. el ANALISIS DE VARIANZA Por 331 (b) definición vt' = a ) 1*r. Por el Teorema 5-6. Demostt'ar el Teorema $1. que V-/o2 tiene dishibución chi-cuaüado cón o(b - 1) 9. en (I ) tenemos E(va) = b>[+*(¡.cAP. Como ¡e indica en el Problema 9. más el reeulüado dd hoblema 9.Enloncex. E(U2) = Var (U) + lE(U)12.-ab*z j=1 a.p6gitn 116. los diferentes días de la semana. ¡úgina 161.2 9. en la Tabla 9-23. tenemos dd Teoreme 6-4. con medias ¡t¡ y varianza común 02.18. esto es. üenemos E(val = b>86?) var(i¡.) / \ // /\/ ' = b>*?.1 gradoe de libotad.

t 2 @¡rt- ú)z que puede dividirse en siete variaciones. 8r. Reproduzca la tabla de análisis de varianza a emplearse en tal caso.86. El valor f. es decir. Ias conclusiones reliacionando máquinas y turnos son las mismas a las obtenida¡ en el Problema 9.827 = 73.. los días de la semana no eon significativos..Elvalorú¡¡.4 De la tabla vemos que el F calculado para repeticiones es 1. es la media de valores para las clases Il y C cuando Ar es constante. Pero ya que Fe5: 2. e 1t=-+'re¡ (57\2 g (51)2 g . sedenotaporxjkl. . .C".*ucA-.¡r. Ao) Barupos.22.0g.2g grados de libertad. g - (268)2 40 = 1807 . Finalmente d Existirá una uarioción total dada por (l) 1) = t... 0' = 0c 51'0 Columnas (turnos).EIvalorenA¡.332 ANALISIS DE VARIANZA [cAP.7! parz 4.06 (y por tanto al nivel 0. Las otras variaciones son las mismas a las de la Tabla 9-23.767 | -=0.1795. = 8'1 Repeticiones (días de la semana).6 = 11.. T. como se indica en la Tabla 9-33. La tabla final de análisis de varianza.18. es la Tabla 9-32. Describir cómo se pueden utilizar las técnicas de análisis de varianza para clasificación triple o experimentos con los tres factores (con factores simples). ."o = 11.. l---g 6. Las siete variaciones en las que se puede dividir (1 ) vienen dadas por u = DA+ürJ+uc lTIAB *. La interacción entre todas las clases se denomina como antes la uariación aleotoria o residuol.8¡r.C{luposdenotadosporC¡. Sigñificados análógos se dan a E¡ ¡ ! r .ú¡n< .32 Filas (máquinas). denota la media de valores en la clase C cuando A¡ y B:p se maitienen fijos.rpor denota la gran media. C.4 Puesto que hay 5 repeticiones.4)2 .4. teniendo en cuenta las repeticiones. .4 3 Aleatoria o residual a'" | 2.01) debi- da a las repeticiones. denotados pot 41. denotadospor ejemplo.8 114: ?8.k. Suponemos que la clasificación se hace en A grupos. (47)2 (50¡z -.. I-a variación residual después de restar la variación debida a la repetición ea ue : 84. 9. podetnos concluir que no hay variación significativa al nivel de 0. el número de grados de libertad asociados con esta variación es b 1 : 4. Estas variaciones son entre clases del mismo tipo y entre clases de diferentes tipos (inúerccciones).u¡6.. Tabla 9.. o..

? (E¡.4ñ s gl t... Se efectúa un experimento para determinar el rendimiento de 5 variedades de trigo A.s suplernerirta.ñ..ByC) u (total) (o-1)(ó-l)(c-1) abc-7 9?.ó I Dg n rA^ Ét s^.* ñ..kc (b - 1)(c - 1).k..ri. (b) 0.+ 0nc = ".rt.Bc -1) 3. (a.'uc c-1. C.Bzcl. el donde U¡ ANALISIS DE VARIANZA 333 - .34. E.Bc b-r.ñ."" a a-l - 7.+ ¿. Se asignan cuatro parcelas de terreno a cada 20 12 15 t7 L4 19 t2 15 14 12 18 D 23 16 18 15 L7 20 2I t4 L7 E .+ i)\2 E)2 aABc = .1Xó - l)(c - 1) gl os (entre grupos B) ó-1 c Ao og s "B . ce' ) (¿. B.k..ñ.r.c .c (entre grupos C) -'l Añ "c .rlos CLASIFICACION STMPLE O EXPERIMENTOS DE UN FACTOR Tabla 9-34 A B C 9.rTabla 9-3$ Media de cuadrados r¡ Ao -q¿=-A o-l Varíación o¿ (entre grupos A) Grados de libertad F ?1.23..n. (o - 1)(b - 1)(c - 1) sl u¿ (entre gr¡r- posCyA) (entre grupos (c - 1)(o .új.4ñ sA.ñ.J- er" (ñ¡¡1.A^o 8ó^tsA. D.t.ú.01.BlSA. Suponiendo que las parcelas eon de fertilidad semejante y que las variedades se asignan aleatoriamente a las parcelas.05.cAP.(a-1Xb-lXc-1) AÓ.-.ñ j*.¿).. Q¡n rB = = . (a - 1Xó - 1)(c - 1) gl trac (entre gru- posByC) o¿ =o=ffi= (c-1X¿-1) acA .BC gl 0¡s (entre grupos AvB) (o-1)(b-1) (b-lXc-1) (o - 1)(b - L).I ót s.t ..c)i. (fr. (o 1)(b 1)(c 1) gl 1) ¡ A. variedad y los rendimientos (en hl/ha) son los mostrados en la Tabla 9.r+ ñ)z !ct = b > (ñ¡t. Dc ñ\2 : ab 2 @..- ñ¡.2r@i*t.(a-1)(b-1Xc-1) Añ.." = uesc (o-l)(ü-lXc-1) Probletna.tt+ ñt.% (c 1)(a 1).n\r. . determinar si hay una diferencia significativa en rendimientos a los niveles de significación del (a) 0.

Demostra¡ la¡ fórmulas cortae (3I fl34). Ensayar a loe niveles (o) 0.06. 9. Una compañfa deeea ensayar 4 tipos de neumáticoe A. Dar la informaci6n deseada utilizando un nivel de oignifi' cación del 0.26. B. 9. (b) entre máquinas. diferentes. D. Ensayar a loe niveleg de (o) 0. Ensayar al nivel de (o) 0. Se efectúa un erperimento para determinar el número de artículos diarios producidoe por cada operario utilizando cada una de lac máquinas. Un profesor desea eneayar treg métodos de en¡eñanza I. Para lleva¡lo a cabo. (b) 0. 9.85 Tabla 9-86 9.25. página 311.24.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. 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 .29.05.a 9-38.05. Tabla 9-37 I\[atca. (b) 0. Luego se da el mismo examen a todoe los estudiantes y oe obtienen las calificacionee indicadae en la Tabla 9-36. Demo¡tra¡ el resultado (30). vienen dadas (en miles de millae) en l¡ Tabla 9-36. I'z duración de log neum6ticor.27. Demostrar los resultadoe (24).81.O1 si hay una diierencia significativa en sus calificaciones entre Ssas asignaturas. El fabricante desea determinar ei hay una düerencia (o) entre operarior.06.01 si hay una diferencia significativa en los métodos de enseñanza. (b) 0. La Tabla 9-37 da los números de mill¡s al galón obtenido por autornóviles semejantes utilizando 5 ma¡cas de gasolinas. página 310. (25) V Q6). 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.os a¡tículo¡ fabricados por una compañfa se producen por 3 operarios utilizando 3 máquinas diferente¡. determinada de sus fibras. II1. para el caso en que los 4úmeror de oba¿rvaciones dean CLASIFICACTON DOBLE O EXPERIMENTOS DE DOS FACTOBES 9. II. tres grupos de 5 estudiantes se escogen aleatoriamente. donde cada tipo ¡e ha tratado en 6 automóviles semejantes asignando los neumÁtico¡ aleatoriamente. Tabla 9. C.334 ANALISIS DE VARTANZA [cAP.28. y a cada grupo se le enseña por un método diferente.01 si hay alguna diferencia significativa en las marcas. loa resultados se dan en la Tabla 9-39. [.01 si hay diferencia en lo¡ neumáticos.06. (D) O. Determinar al nivel de (o) 0. Durante un semestre un estudiante obtuvo las calificaciones indicadas en Ia Tabl. prÁgina 311. e 9.30.

40 utilizando un nivel 0. roy"t al nivel de 0. Ensayar al nivel 0. 9. Ensayqr la hipótesis al nivel 0.33 utilizando el nivel de significación del 0'01. Ios réeultados se dan en la Tabla 9'41.3ó r¡tilizando el nivel de significación del 0. Solucionar el hoblema 9. 9. Soluoiona¡ el Problema 9. E 18 22 2L l7 18 24 g. varfan significati- aleatoriamen' 5 .41.8?.24ltprirnera observación para cada tipo de neumático se hace empleando una claee espeiífica de automóvil.39. 9. / y II. \4 9. (b ) en los planteles.34.33. y así sucesivamente.06 ¡i hay una diferencia en (o) lor ferüilizantes.38 al nivel 0.05 ¡i lo¡ rendirnienüos en bla 9-40. dUrante díae diferentee. Solucionar el Problema 9-31 utilizando el nivel de significación del 0.05.26 el primer valor para cada método de enseñanza corresponde a un estudiante de un plantel especffico.g6.36. g. en tanto que en un experimento semejante efectuado en el oe¡te da los resultados en la Tabla 9'42.12. Solucionar el hoblema 9. Suponer que en el Prpblema g. B C 16 18 20 15 L7 16 2l 19 18 23 19 2l 23 20 D 9. Tabla 943 Míquina Lun I Jue 20 18 Nláquina If Vie 15 12 11 L7 Opcario A Operario B Operario C Operario D l5 L2 t4 19 Mar 18 16 t7 16 Mie Vie t7 14 18 2L t2 11 13 18 l6 2g Lun lVlar Me Jue L4 16 18 L7 11 15 12 16 72 L4 16 L4 L7 15 18 20 .01. Determinar al nivel de 0.01.38. el ANALISIS DE VARIANZA 335 g. (b) las clases de automóviles. a ^ B {amente con (o) las diferencias del terreno (esdecir.cAP.01. (b) las máquinas. los bloques). la eegunda observación empleando una segunda clase especffica. SLOQUpS C D E IIIUIIV t2 15 15 19 L4 18 11 16 16 l7 10 t2 16 L2 11 14 11 12 16. c Semill¡s de 5 tipos de mafz ee siembran en 5 bloques' Cada ue se asignan 0. 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. (b) las diferencias en el tipo de maí2.g2.05 si hay diferencias signifiéativas en (c) loe operarios. el segundo a un estudiante de otro planüel. Analizar el ex' pelinojo rubio Alto Mediano Pequeño 76 81 73 78 76 castaño 80 79 perimento al nivel de 0.40.01. Solucionar el hoblema 9.06 si hay diferrencia en (o) los tipos de neumáticos. Suponer que en el Problema 9.23 se lleva a cabo en el suroes' te de un pale y que las columnas de la Tabla 9-34 indican 4 tipoc diferentes de fertilizante. ts Tabla 9-43 da el número de artículos produeidos por 4 operarios diferentes trabajando en dos tipoe de máquinas. Suponer que el experimentg del hoblema 9. EXPERIMENTOS DE DOS FACTORES CON BEPETICION T¡bla 9-42 A 9. Tabla 9'4O TIPOS DE MAIZ bloque te a los hl/ha. doñde los números in' dican 10 en el tope de los graduados.06 de que hay diferencia en (a ) d método de en¡eñanza. y así sucesiva-E mente. (b) la localización. Tabla 9-41 9. lo 77 9.

4? c. y de variaciones del teneno en dos direcciones perpendiculares.01 de que no hay diferenci¿ en (o) los fertilizanSe C8 At4 D10 Á10 c12 BL4 D16 D12 B11 811 Dt5 Á10 tee.43. respectivamente. como se muestra en la Tabla g-46. Det¿rmina¡ a un nivel de 0.43 utilizando un nivel 0. (D) lae variaciones del terreno. [. Con referencia al Problema 9. B.1. El aumento en peso por unidad de tiempo 6e da en el cuadrado greco-latino de la Tabla 9-46. 4 cantidades diferentes de dos compuestoc químicos se agregan a los ingredientes bási co¡. Tr AB 164 c2 Bf 181 c3 ca Ay 193 193 207 166 c4 D6 160 T. Tabla 9-44 efectúa un experimento para ensayar el efecto sobre el rendiniiento de 4 tratamientoe de fertilizanües A.05.Tz. o.05.44. T¡¡ fq¡talezas promedio obtenidas se dan en el cuadrado greco-latino de la Tabla 9-4?. Centro.05 ¡i hay una diferencia significaüiva en rendimiento académico de los e¡rudiantes debida. B o C. Wt.r 198 D. 9. Wc y 4 especies d-iferentes . B. 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 9.47. e 9.38 euponer que introducimos un factor 876 c81 o73 Tabla 9-46 o78 E'76 c80 o79 c76 877 w4 CUADRADOS GRECO. .05. q D.C1 . (ó) 0.45.6 .as cantidades diferentes del primer compuecto se indican por A. t¡ Tabla 9-48 contiene los datos sobre el moho acumulado en hierro tratado con químicos A.48. ?a sefabricanporcadaunadecuatrocompañfas. D usando cuatro máquinas diferentes. Tabla 9. Cuatrotiposdecable?¡. 9. Tabla 9-4t Alto Pequeño Mediano 110 95 Tabl¡ 9. Tabla 9. donde lo¡ números indican rendimiento de maÍz por unidail de á¡ea. BoG Dy l0 Ap8 c6 10 cialee.49 105 103 118 A B 3544 4233 6465 Lt2 10? 90 115 c 108 lr2 93 104 96 L02 . Efectua¡ un análisiÉ de varianza al nivel Q. 7. St. T3 T4 c6 t7l D. (b) colo¡ de pelo. miden las fortaleza¡ de los cable¡. Ca.a diferencias en (o) ertatura.Tc.Cz. eetableciendo cualquier conclusión a que pueda llegaree. Determinar al nivel (o) 0. c16 9. B7 At4 Tabla 9-4ó c12 adicironal dando la sección donde naci6 el estudiante Eete. L62 BB L45 cB 2t2 A6 112 86 Do An 188 Bq 167 c7 136 PROBLEMAS DIVERSOS 9.LATINOS wr ^S.Ct. Efectu¡r un análisis de la varianza del experimento al nivel de significación del 0. eetableciendo cualquier conclueión a que pueda llegarse. Ensayar la hipótesis a un nivel del 0. Para producir un tipo superior de alimenüo pnra pollos. W¡ . Oes: te.S4 Sr. Sz S¡.05. Soluciona¡ el hoblema 9.Cuatro operarior A. Wz. Se obtiene el cuadrado latino.44. B.336 CUADRADOS LATINOS ANALTSIS DE VARIANZA IcAP. D y las del cegundo por ü. w2 BB6 Dog ws Ao5 9.01 si hay una diferencia significativa en los tratamientoc. É. C. (c) lugar de nacimiento. C.46. 6.

Demostrar el Teorema 9-3.51.05 y establecer sus conclusiones.Q. 9. ¿puede determinar si hay una diferencia significativa en el número de artículos producidos en los diferentes días de la semana? Explicar. 70 9. Demostra¡ (o) la ecuación (37). (b) la localización.4g. (b) la ecuación (38).Q. Un experimento mide el L Q. 9. . ¿Es ésto cierto si cada valor se multiplica o divide por una constante apro' piada? Justificar su resPuesta. Solucionar el koblema 9. 9. página 309. en tanto que los resultados correspondientes para el oeste se dan en la Tabla 9-52.05 si hay diferencia en (o) fertilizantes.Q. (b) I. Derivar los resultados 9.01.Q' 9. t¿ Tabla 9-51 muestra los puntajes para una muestra de estudiantes universitarios de diferentes partes del país con diferentes I.59.40 suponer que un experimento adicional realizado en el noroeste produce los resultados de Ia Tabla 9-53. de estudiantes adultos de estaturas altas.62. rinden mejor' Los puntajes obtenidos se muestran en la Thbla 9-50. página 312.cAP.Q.53.61. Solucionar el Problema 9. Tabla 9-51 Alto 9. Norte y centro 80 ¡D 79 g.05 si hay una diferencia en los puntajes debido a diferencias en (o) el estado veterano.52 utilizando un nivel 0'01. relativo a diferencia de estaturas. Tabla A B C 9-52 Tabla 9'53 5463 3423 5746 AltT 14 18 Bl20 10 20 cl18 Dlt2 ¿'ll5 15 16 11 11 12 19 12 15 L7 11 14 9.5E. Este Oeste Sur 88 84 86 Medio 80 78 82 Bajo 72 ¿o 9. 70 En el Problema 9-42. Demostrar (o)la ecuación (39). página 312. En los cálculos de análisis de varianza se sabe que puede sumarse o restarse una constante apropiada dp cada valor sin afectar las conclusiones.54 al nivel 0.05.Q. Demostrar el Teorema 9-2.54.01 si hay alguna diferencia significativa en los I. Tabla 9-50 Alto I. (b) 0. medias y pequeñas.55. Veterano No veterano 90 85 Medio ril 78 I.23 y 9.05 si hay diferencias debido a (o) los químicos. Suponer que los resultados en la Tabla 9-48 del Problema 9-48 son válidos para el noroeste. Analizar la tabla al nivel de 0. 9. Con referencia a los Problemas 9.50.60. (b)la ecuación@0).Q. Los resultados se indican en la Tabla 9-49. 9. página 372. 9. el ANALISIS DE VARIANZA 337 g. Determina¡ al nivel de 0. (b) los tres lugares. (3) y ( ). Ensayar al nivel 0. Se realiza un examen para determinar si los veteranos o los no veteranos de diferentes I.ó6. Determinar eI nivel de 0.62. Bajo I.5?. página 309. Determinar al nivel (o) 0.

13? Justificar sus conclusione¡.65. De¡cribir cómo emplear las técnica¡ de análisi¡ de varianza para experimentos de tres factore¡ con repetición.7 16 D66 Br7 Haga el montaje de un experimento que conduzca al cuadrado greco-latino de la Tbbla 9-55.06 y establecer conclusione8. ¿Deberíen modific¡r¡e la¡ conclu¡iones obtenidas en el hoblema 9. ¿es¡rer¡rf¡ encont¡ar un (o) curdrado latino de Explicar. Haga el montai dc un erpcrimenüo que conduzca al cuadrado latino Tabl¡ 9-64 FACTOR 1 de la Tabla 9-54. 9. 9.64. Suponer que en el hobleme 9.69.62 utilizando un niyol 0.63. 0.66. 9.71. 9. 9. Efectuar un análisig de va¡ianza en el cuadrado greco-latino de la Tabla 9-65 a un nivel 0.338 ANALISIS DE VARTANZA Solucion¡¡ el hoblema 9.21 hallamos una diferencia significaüiva en los días de la semana.69. las repeticionec. 816 FACTOB 2 c2r 823 416 AL8 ct4 Bt2 ct5 l á18 9.01. 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 9.68. e 9. Efectua¡ un análisis de va4ianza en el cu¿drado latino de la Tabla 9-64 a un nivel 0. es decir.05 y eetablecer conclusiones. 2X 2? (D) ¿un cuadrado greco-latino de 3 X 3? . Montar y solucionar un problema que iluetre el procedimiento en el Problema 9. En ln práctica. lcAP.67.

Apéndices .

.

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

nr(n) (2) f (i) : 1. Por esta taz6n ción gamma es que (8) l(n) se cohoce como la.n) INTEGRALES ESPECIALES - (e) Las siguientes son algunas integrales que se presentan en probabilidad y estadística.f'r^-'1t-u)n-t¿u olg m) 0. denotada por B(m.indica que la relación de los dos lados tiende a 1 cuando n -+ @. Una extensión de la función gamma para n ( 0 puede obtenerse por el empleo de . n). se define como B(m.Í. ¿-o" cos br d. una buena aproximación para n! viene dada por n7 LA FUNCION BETA = 1finnne-n (7) La función beta.' Í. stirling: (4) : ll2. (4) da "(l) = u" Para valores grandes de n tenem os la fórmula asintótica de (5) r(n +1) . Una propiedad importante de la fun- r(P)r(1 -P) Parap : *. función factoriat.r = L#"-b2/4o = a+E 13.n) . m) -L a)O 12.342 La fórmula de recurrencio viene dada por APENDICE A f(ra+l) = donde (2). En el caso de que n sea un entero positivo grande.yffin"¿-" (d) donde el signo . a)0 -/m + l\ ¡m¿-orzfu='\ 2 I zL<m+r)/2 11.a ¿)0 . Í.' a)0. e-o'" cosbr d. entonces r(n+l) = nr. n) 0 (8) Está relacionada a la función gamma por B(m.fu. Si n es un entero positivo.

Í.-."md*=*or"' lg.or)o denomina.l L-e(b'-1oc't4o I "VA tT.n)0 .lafunción complementarb de enor. lB.o*rot+ü fl¡ = i{:e<b'-4dc''t1o """(#) o ) 0 donde erfc(u) se = r-erf(z) = t-U*f""-sa.o-'"-* o" -fa-f= Y 16. to' . = hÍ""c-tdr a')o. Ío"''""n'^-rtcos2¡-¡0d. J_n c-<"¿*o'+c> dÍ =t1.APENDICE A 343 14. fr' . Ío'"-*senbc O" = ¿ft6 a)0 c)0.0=W m)0. p)0 o) 0 16.

0413 .2827 .0005 .3876 .3932 .0235 .0001 .0001 344 .0620 .3802 .0016 .0154 .266I .0012 .00r1 .3555 .0012 .0026 .1872 .1 0.0573 .3725 .1040 .0833 .3101 .0023 .0032 .3485 .0 .0129 .3918 .0006 .0060 .0050 .0056 2.0804 .1 .1057 .0989 .0022 .1 7.0005 .8 0. ¡ .0036 .1 561 604 .3 0.3986 .0116 .0002 .2t07 .0241 .3056 .0270 .0973 .0004 .5 0.1 .0036 .3391 .0018 .0468 .0229 .9 3.1 .2444 .2709 .7 0.140 .0003 .2317 .l lJf]4 .0004 .0734 .3429 .0317 .0194 .8 3.0005 .0003 .0707 .0051 .2323 .13 .002I .Dl éo .0006 .3902 .8 .0290 .0027 .1736 .0 1.0277 .1849 .3372 .034? .0498 200 .0449 .0007 .1 .5 2.0017 .0006 0004 .3209 .1354 1.0081 .6 ¿.0043 .0171 .0058 .3251 .0002 .3621 .0020 .2589 .0018 .3668 .0002 .0069 .3605 .0101 .1895 .1.0014 .0010 .0596 .0055 .0i21 .0019 .0096 .3977 .1.0363 .00I7 .0355 .0028 .3752 .0339 oe OA .2685 .3857 .0893 .0009 .0379 .2 3.3712 .1 .0003 .0020 .0488 .2803 .225I .0198 .3989 .0431 .5 3.156 .0818 .72i6 .0073 .0084 .9 .3572 .0r 36 .3521 .3956 .0005 .0093 .3939 .3230 .7 2.0086 .1219 .3589 .0040 .3683 .3989 .3970 .0031 3.010? .3965 .2 .3292 .0139 .1518 .39?3 .2920 .1 109 092 1.058.3?65 .0184 .0053 .0002 .1771 .24G8 .0025 .0088 .0632 .1415 38 .0047 .0132 .1 tQ .0790 .0151 .0004 .0110 .0396 .3961 .0104 .0863 .0004 .0297 .3836 .016:l .1626 .1582 .0002 3.1435 .3187 .0283 .2732 .3352 .3011 .1781 .7257 .0013 .0063 .0039 .2227 .2420 .3894 .0519 2.3 DA .0034 .4 0.0061 .1315 .oI47 .3 IA .0540 .2850 .0029 .2613 .0002 .r295 .3790 .1127 .3448 .0002 .3989 .0940 .1145 .2897 .I942 .0011 .0009 .0387 .0608 .0669 .0459 .0002 .0075 .0003 .2t31 .0694 .1965 .0529 .0013 .3980 .3847 .0303 .3988 .:1825 .0258 .1182 .2 1.3637 .01.9 2.0 3.0015 .06{4 .2t55 .0002 .0508 .0099 .0219 .0909 .0.óooó .2756 .0122 .8 I.0404 .2637 .1919 .0042 .0065 .3410 .0203 .3538 .2 0.0016 .r374 .3503 .0008 .28i1 .0002 .0003 .0012 .0213 .327L .0038 .237r .0008 .0006 .0681 .0189 .0925 .0ri56 .1826 .0004 .0126 .0025 .0310 .0252 .0008 .0332 .07.0325 .5 1.Apéndice B Ordenadas (E) de la curva normal t ipif icada enz 0 I .0246 .3778 .0957 .0761 .0551 1.1006 .1669 .3166 .0224 .2072 .0004 .2516 .9 .6 o.0562 .2989 .24!r2 .2295 .1334 .2513 .2780 .2059 .0119 .0010 .0180 .2036 .0067 .2565 .1 804 .0046 .0091 .2396 .3332 .12 .0003 .0158 .0003 .2966 .0005 .r023 .2083 .0014 .0015 .0030 -0022 .0044 .3144 I .0007 .0008 .u077 .3697 .3910 .10?4 .0009 .0002 .0003 .¡ 3.o024 .0002 .0005 .0003 .381 4 .0371 .0079 .3885 .1989 .0113 .0037 .16'17 .0010 .8 2.0264 .3079 .01?5 .3467 .3867 .0848 .0167 .6 2.r1f)7 691 .3945 .0033 .0002 .1758 .0071 .3739 .3984 .l 2.0208 .331 2 3 4 D 6 7 8 o 0.3982 .000? .0 0.254r .1 .22i5 .0478 .3034 .3951 .1539 .3925 .0878 .0775 .0007 .0048 .6 l.0422 .2203 .l 163 .

3315 .4998 .4997 .4997 .4463 .4332 .1L62 .4959 .4382 .4955 .() 3.0359 .0000 .4t47 .4987 .4279 .467L .066? .0398 .4979 .4319 .1772 .4970 .4911 .3340 .6 L.4956 .3599 .4778 .4999 .1 .4015 .2673 .4878 .6000 3.1985 .4997 .3621 .25t8 .1293 .4996 .2 D') 2.0279 .2088 .4999 .4773 .4798 .6000 .1915 .1808 .4993 .0478 .4975 .3962 .4934 .4554 .1 0.3485 .4429 .4977 .9 346 .4968 .4803 .4357 .07L4 .3238 .4998 .4484 .4909 .1406 .4994 .4207 .4884 .Apéndice C Areas baio la curva normal tipificada de0az 0 0.1103 .4999 .5 1.4049 .5000 3.1844 .4767 .4989 .2 1.3023 .4941 .4686 .3888 .229r .4940 .3944 .4991 .4854 .4997 .4999 .4 .3438 .4744 .2357 .3830 .4994 .9 2.4999 .3531 .2324 .5000 .4999 .2224 .4964 .4961 .4988 .t443 .4986 .4999 .4982 .4875 .4913 .6 3.1 1 2 3 4 6 6 7 8 I .0910 .4817 .4032 .4991 .4995 .4997 .4965 .4991 .4993 .4868 .6 0.2794 .4192 .3907 .4999 .8 .2734 .3926 .4962 .2764 .476t .4394 .4808 .2580 .4999 .4989 .2389 .5000 .3997 .4932 .2910 .4943 .44t8 .4988 .4948 .4678 .4983 .4996 .2967 .4999 .3508 .4999 .8 3.1ts26 .1141 .4987 .4591 .3133 .4978 .0871 .444L .4997 .3554 .4920 .4599 .0160 .4992 .4999 .2 ¿-D .3643 .4993 .4906 .4131 .4998 .1987 .4999 .3051 .4693 .497L .1736 .4963 4973 .1554 .4998 .4901 .)( 2.4726 .4406 1.4732 .4999 .4890 .4998 .3461 .4990 .1 .4981 .4999 .4719 .3708 .4608 .1517 .5000 .4984 .48(.4997 .4999 .4222 .0987 .4936 .3186 .4788 .2 0.9 1.4999 .4953 .0239 .4916 .4699 .4946 .1 .2486 .4864 .4989 .3289 .3264 .4750 .0696 .4990 .4582 .3129 .4998 .4999 .1480 .1368 .0 2.4535 .4345 .2549 .4474 .4625 .4972 .0 0.4881 .4960 .4 0.4995 .4756 .4772 .7 2.4997 .4979 .4918 .{o9t .4846 .3078 .4925 .2823 .4564 .2t57 .4996 .4995 .48L2 .5000 .4974 .4998 .3869 .6 2.0 3.2190 .4967 .4573 .3r 59 .2454 .2939 .4996 .4649 .4525 .0080 .4082 .4850 .5 0.2422 .4949 .1026 .4738 .4 .4292 A25L .4990 .3749 .0948 .4977 .4656 .45L5 .5000 .3790 .4986 .4505 .2704 .0 1.4999 .4980 .3389 .3 1.1?00 .3170 .4995 .2996 .1664 .0517 .4992 .4962 .4999 .4976 .4999 .1591 .L265 .7 3.4999 .4115 .4999 .1064 .4904 .4830 .4783 .0793 .485? .3106 .4997 .0120 .4821 .4994 .1960 .4998 .1879 .4495 .4981 .5000 .3686 .4998 .4966 .2019 .3577 .3413 .4896 .4236 .0832 .3 0.4099 r.4974 .4706 .0636 .43?0 .4842 .4838 .4993 .8 0.7 0.1179 .4898 .8 1.4985 .4664 .4999 ..4999 .4951 .4997 .2642 .2064 .26L2 .2t23 .4616 .4969 .3665 .4922 .3980 .4945 .4998 .3365 .0438 .3849 .7 1.5000 .4998 .1331 .4927 .0754 .4986 .4999 .4931 2.4984 .4834 .487L .4887 .4452 .4998 .0040 .4995 .4994 .4996 .3272 .4996 .4992 .4994 .0319 .2881 .2258 .4117 .4265 .4999 .0675 .4938 .4545 :4633 .4793 .0199 .4998 .2852 .5 3.4306 .4893 .4992 .4967 .4982 .4066 .4995 .tzt7 .1628 .4999 .4929 .3810 .

727 .42 2.82 2.674 .71 t.257 16 2.70 1.259 .06 3.80 2.861 .48 2.624 . Stotistícal T¿bles for Bíological.45 2.02 2.?8 .37 1.31 1.865 .685 .256 .258 . .906 .A.18 2.626 .630 .727 .39 2.257 .866 .255 .L27 .szs tse 31. Fistrer y F.66 2.04 2.35 1.254 .256 .546 .688 .130 .7L 1.531 .256 .47 2.73 1.68 .67 1.90 2.98 1.92 2.98 2.81 2.34 1.686 .325 .L29 10 11 .137 .36 1.56 2.20 2.08 1.263 .864 .r3 2.289 .876 .643 1.686 .32 1.683 .30 1.633 .28 t20 € .31 .36 3.684 .33 1.256 .18 63.687 .690 .94 1. con permieo dé lo¡ autores y editorea.50 3.542 .32 L.3?6 1.5L 2.534 .531 .96 4.71 L.857 .584 .33 .645 t.72 2.703 . publicado por l.88 2.81 1.627 1.76 2.86 1.530 .23 2.691 .42 1.82 2.257 .854 .31 1.?l 1.L27 .48 úes t.868 .t6 2.536 .L28 .t27 .76 L.858 .258 r.862 .684 .683 .64 1.84 4.53 2.686 .76 2.L27 .82 6.531 .77 1.134 .t42 .765 .zs üeo tso 3.58 2.77 2.86 2.08 2.sgs I .256 .257 . Yate.130 .89 1.66 9.36 2.277 .90 1.126 .629 .57 2.72 1.76 1.76 2.128 .000 .66 1.48 2.532 .62 2.38 1.64 2.266 .683 .27L .36 3.76 3.09 2.54 3.01 2.05 2.40 1.25 3.533 t2 13 14 15 .L27 .31 1.70 1.261 .688 .L28 .zo t.696 .36 t2.858 .72 1.50 2.67 2.128 .30 3.L27 .03 3.83 1.76 2.3L 2.60 4.677 2.11 3.06 2.60 2.70 2.68 L.t27 .17 3. AgriculturalondMedícol Recearch.96 2.856 .267 2.256 .883 .?18 .61? .44 1.266 .33 1.78 2.700 .83 2.80 1.263 .t2s .848 .34 1.t2 2.t27 .061 .36 1.L32 .842 Fuente: R.941 .L27 .90 2.r27 .873 .L27 .684 .78 2.30 L.692 .06 2.563 .46 2..06 2.689 .681 .62 2.84 2.727 .535 .131 .32 L.04 2.14 .669 .ongman Group Ltd.711 .47 2.256 .75 L.92 6. (previamente pubücado por Oliver y Boyd.255 .257 .694 4 6 6 .00 1.879 . 3 .r29 .34 1.532 .258 .68 2.697 .540 .49 2.07 2.531 t.6?9 .534 .11 2.63 1.860 .66 2.262 .r28 .649 .630 .7L 4.538 .46 2.816 1.856 .32 1.L27 .861 .73 1.856 .8?0 .256 . Edinburgh).62 2.260 .92 2.539 .32 L.537 .74 1.889 .158 .706 .920 .856 .29 L.72 2.128 .70 1.66 t.00 2.Apéndice D Percentilrr de (tr) l¡ di¡tribsción f de Student con z grador de libertad v úss ¿oo t.869 .s.71 3.31 2.32 2l 22 23 24 25 26 oa 28 29 30 40 60 .70 1.07 2.t26 .L26 .L26 .260 t.t3 2.896 .532 .L0 2.79 2.846 20 I.74L .32 L.978 .33 8 9 .14 3.569 .09 2.02 1.863 6.06 2.96 I7 18 19 .254 .26 2.

6 43.484 .35 5.5 33.66 8.2 11.9 2t.6 32.3 23.3 73.6 22.1 27.6 46.7 28.8 79.3 12.6 33.L 2l.t 31.1 .1 8.6 79.6 36.8 67.3 69.1 10.6 109 1r8 130 t28 140 t24 149 Fuente: E.44 9.472 .67 3.90 27.0 14.1 DD.9 43.64 9.63 8.41 ?.1 19.4 69.3 42.6 15.59 10.5 20.7r 4.4 32.35 7.6 74.3 15. Biomelr:iha Tobles fo¡ Stotitticíane.3 5.94 4.6 r3.2 67.7 7L.2 '19.4 83.34 8. t3.8 24.24 1.4 12.99 7.6 50.7Ll 1.88 10.0039 .07 3.6 56.3 11.4 34.0 4L.1 52..24 1.3 18.455 1.5 16.7 25.54 L0.91 7.4 31.1 12.3 53.3 30.4 16.34 9.6 17.3 69.04 10.24 10.7 23.66 2.6 20.0 22.0 23.49 2.4 43.3 29. 1(1966)' Tabla 8.8 9.3 r6.1 90.0 20.6 22.5 20.6 28.3 28.2 36.1 16.57 4.63 ?.2 46.7 7.7 2t.5 96.9 26.63 7.3 16.7 66.6 24.8 13.31 10.3 49.3 99.8 t9..6 32.E4 6 .6 12.7 16.6t 6.64 .8 48.7 28.6 47.2tL .6 30.6 19.02 7.84 5.0 26. 3 4 o I .6 28.gg x?rn y2 ^-00e .38 9. x'.4 35.6 108 118 8.9 L6.7 34..4 13.6 36.15 1.2L6 .8 26.3 22.6 61.4 L02 113 rt2 t24 136 98.3 26.70 3.3 61.1 12.3 61.92 2.2 88.0002 .Apéndice E Percontilas (¡f) de l¡ di¡tribución chi-cuadrado con u grados de libertad v x.25 5. Pear¡on y H.9 30.7 33.1 77.E 42.73 2.o 22.66 5.2t 11.49 11.2 66.3 35.3 89.0 r 7.91 9.4 32.7 26.26 7.0 L07 6.07L7 .872 L.03 t.6 24.8 t7 18 19 20 2L 8.0 104 116 l4 16 16 to.5 34.89 6.8 70.60 5.6 32.33 3.6 46.6 21.5 24.82 4.2 26.26 6.8 14.3 67. páginas 187 y 188.O.3 27.26 3.0 27.8 20.7 76.32 2.9 34.6 tt.3 2L.1 28.9 34.8 28.6 2L.9 11.2 11.6 48.0 71.34 10.6 88.9 39.9 68.2 74.8 16.3 16.07 4.6 38.3 71.0 13.2 10.7 14.11 5.86 11.7 12.26 8.69 2.362 l.9 35.1 45.89 10.2oo¡ xlo.30 7.57 t.6 36.8 34.3 49.3 45.0 11.6 12.1 40.1 t2.5 16.3 2L. xlo.2 6t.3 23.35 6.8 14.3 20.7 29.tl 4.3 I 1.6 61.09 2.3 t6.3 16.79 t4.2 59.1 37.4 37.9 63.6 46.34 1.5 43.2 61.9 40.7 39.O tt.20 2.87 6.3 82.9 20.9 t8.0 27.0 16.9 17.7 38.04 7.r7 2.L4 6.9 13.7 37.4 29.60 3.8 24..8 55.L 30.83 3.L 80.3 18.78 9.8 18.207 .9 1t.26 9..39 2.6 92. x?o".81 6.6 23 24 25 26 27 28 29 30 40 60 60 70 80 90 100 41.2 16.6 L2.0010 .2 44.61 2.4 42.3 49.2L 1.39 10.0 36.3 46.6 4.7 18.2 24.4 20.57 7.2 28.3 22.9 48.2 18.? 42.3 13.9 23.6 25.8 38.8 16.6 29.7 99.8 30.1 39.989 1.36 4. 347 . x?no X.25 7.8 40.18 2. .7 60.01 5.2 29.6 19.37 3.0 62.6 40.96 8 I 10 11 4.6 14.0158 .831 .3 29.l 22.0000 .3 X.L6 2.103 x?.8 67.7 47.45 4.2 31.9 12.3 13.6 90.8 36.2 t3.57 6.O' X.0 44. Vol.291 .1 27.0201 .6 .8 43.2 35.39 6.2 14.6 14.0 48.8 63.1 13.7 26.S.0 19.2 62.0 17.4 23.0 69.3 13.81 9.7 16.1 10.26 6.90 6.7 18.0 t2 13 18.116 .9 11.7 37.1 ttz r26 13? 64.4 63.4 3.56 9.3 26. con permieo de lol autore¡ y editoree.06 3.8 14.7 46.4 85.3 14.? 37.0? 5.7 73.4 16.2 37.63 6.7 23.0 17.9 29.0 x2ot x'"0 .3 27.0100 .73 3.7 2.1 16.6 26.8 14.0506 ..3 24.3 18.D'ID r.0 33.4 86.23 8.58 6.3 39.74 7.01 7.6 24.06 1.8 20.3 59.43 8.7 22.3 79.102 .3 49.t7 4.1 37.6 66rB 56.554 .6 41.3 96.6 9.6 16.8 26.3 17.3 61.67 9.3 19.4 40.58 8.84 9.30 r6.2 38.6 31..3 32.6 54.6?6 .3 10.9 18.1 31.2 11.3 .8 32:0 33.1 13.8 45.4 100 t2.8 12.2 94.3 32.70 6.684 1.23 5.40 6.9 40.6 13.77 4.8 13.2 29.7 14.1 41.23 5.3 17.8 44. Hartley.56 3.2 12.4 40.6 43.8 t7.9 19.

28 3.68 3.85 2.43 1.25 2.91 3.96 2.7L 2.85 1.94 1. l'.95 4.L6 2.29 3.28 2.00 I.76 2.93 1.L0 2.96 2.46 2.06 2.82 t.87 2.28 9.30 2.21 4.96 2.74 2.19 2.46 2.27 2.07 3.87 3:70 3.89 1.15 2.06 2. Tabla 5.46 4.61 2.77 2.08 2.50 1.88 1.1L 2.56 2.01 2.96 1.66 1.77 2.59 2.10 2.97 1.83 2.58 1.50 3.84 3.53 2.05 2.30 2.85 2.08 4.75 2.5 9.92 2.71 2.20 2.67 t.28 4.40 2.41 3.66 2.06 2.74 4.57 8.53 2.2r 2.49 2.23 3.55 2.56 4.59 6.?0 8.42 2.14 3.30 3.34 2.53 2.07 2.3 4 o 6 I 19.65 1.48 2.35 2.98 1.34 2.62 2.96 1.25 2.10 2.64 2.09 2.43 4.78 2.59 3.?9 r.4 19.08 2.60 2.01 2.t6 2.73 4.57 2.47 2.05 4.93 1.78 2.23 2.85 2.27 2.66 2.62 8. ¡O 5.38 2.30 L2 13 14 15 16 L7 18 19 20 2.86 1.92 1.12 2.32 2.45 2.7L 6.68 4.15 3. página 178.38 3.t9 2.18 2.38 2.81 t.01 1.5 19.38 3.55 2.31 2.5 19.79 t.34 2.73 2.29 2.93 2.92 2.76 2.42 2.94 1.94 1.42 3.68 2.88 1.49 2.90 2.60 3.95 2.r5 2.rL 2.12 2.95 1.52 j 3.11 3.09 3.62 1.33 3.87 1.34 2.g¡.18 2.97 2.25 2.35 2.80 2.16 6.09 2.L3 2.18 2.76 4.37 2.01 2.01 2.90 2.96 4.07 3.75 1.84 1.24 2.03 1.(}51.75 4. I 2 3 1 2 s 2L6 4 b 6 7 8 9 10 L2 16 20 24 30 40 60 t20 @ 161 225 230 234 237 239 24L 242 244 246 248 249 250 26t 252 253 254 18.26 6.66 5.83 t.27 2. .84 3.70 I 2.r3 2.39 2.51 3.79 3.42 2.62 2.92 1.95 1.2r 2.46 1.92 3.85 8.81 1.23 2.5 19.76 1.53 2.6 10.79 8.87 3.22 2.7l 2.04 1.4 19.04 6.34 2.61 19.0Q 2.91 5.5L 2.2 19.39 4.48 3.31 2.28 3.25 2.01 1.79 1 a^ 1.64 8.2q 3.04 1.03 ¿.r7 4.7l 1.53 2.06 2.7 4 2:28 2.54 4.19 4.86 3.45 2.82 4.t5 2.57 r.49 2.57 2.53 4.79 2.8z r.34 2.22 2.98 2.98 1.27 2.22 2.L2 2.60 2. S.66 2.39 2.20 2.75 1.87 r.89 8.05 2.84 1.49 4.26 2. O.13 3. Eiom etriho Toblec for Stotíaticianc.87 3.77 2.90 1.59 2.22 3.?0 1. con perrniro de los autoreo y eütorea.61 2.r9 2.49 2.77 t.79 2.L5 2.94 1.98 2.67 2.40 2.04 1.40 2.84 2.77 L.85 1.58 2.54 2.0r I | 4.45 8 I l0 11 5.95 2.32 2.36 2.63 6.63 3.58 3.4E 2.09 2.L2 9.12 3.84 2.55 8.06 t.97 r.44 3.64 2.39 3.24 2.69 1.22 3.?3 3.70 2.02 1.93 2.1 7.73 1.24 3.25 2.01 8.18 3.37 3.62 4.LL 2.03 2.41 5.43 2.37 2.96 t.3L 2.16 2.74 1.07 3.53 r.4 19.69 5.86 5.61 I.50 4.37 2.32 2.59 1. Vol.36 3.10 4.74 2.09 6.32 2.92 1.33 2.66 2.07 3.64 2.53 2.56 2.92 4.46 2.60 2.90 1.l I D.96 4.24 2.L2 3.27 3.88 4.80 a.90 2.94 2.6? 3.57 3.84 4.64 2.38 2.29 2.69 1.81 2.99 1.89 1.60 2.74 2.49 2.85 2.30 2.t2 4.L8 2.36 2.62 2.07 4.4 19.69 4.13 2.35 3.48 3.18 3.35 2I 22 23 24 25 26 27 28 29 30 3.96 1.46 2.96 5.86 2.64 1.58 2.88 4.6L 2.20 2.64 3. Pear¡on y H.47 2.16 2.75 1.r8 2.91 1.35 2.28 2.4e 3.54 2.14 3.59 5.43 2.99 5.00 3.47 1.00 2 Fuente: E.4 19.04 3.4 19.76 1.00 3.79 L.01 1.0s 1.77 4.21 4.63 5.6L 2.11 2.07 2.42 2.84 1.00 5.79 3.60 4.02 r.83 2.07 1.98 2.84 1.5L 2.4 19.84 40 60 t20 t.29 3.90 1.49 3.69 3.25 2.2L 2.93 5.32 1.83 2.3 19.45 2.94 8.57 2.22 1.35 4.54 2.66 8.71 3.51 2.69 2.35 7.02 2.Apéndice F Porcentila 95 (nivele¡ 0.7r 2.t0 | 4.01 1.42 2.92 1.06 4.L8 2.39 6.63 2.tl 2.9L 2.96 1.34 3.85 6.32 4.37 2.26 2.0L 1.30 4.68 t.72 5.70 2.23 2.54 2.2 19.5 19.L0 2.20 2.91 1.8L 2.70 2.01 4.29 2.76 2.74 8.99 1.41 3.38 2.87 t.66 2.37 2.76 1.47 3.53 3.DD 1.44 3.97 3.82 2. parr le di¡tribución F u1 grados de libertad en el numerador /2 gfados de libertad en el denominador ><.80 t.lL 2.46 2.24 2.23 2.26 3.20 2.41 3.45 2.20 4.05 4. (1972).35 2.91 1.39 t.65 2.01 2.5 19.27 2.78 t.23 4.67 4.40 4.16 2.44 2.r7 2.46 2.03 1.81 8.84 3.03 4.L5 2.6? 2.17 3.90 2.31 2.46 2.15 4.33 2.34 3.99 1.76 2.20 3.84 1.r2 2.59 8.94 3.70 1. Hartley.44 3.L9 2.69 3.65 2.74 4.71 2.68 2.41 2.t0 2.35 3.28 2.42 2.26 3.89 1.93 1.61 2.rL 2.08 3.99 2.84 1.40 2.89 2.62 2.80 2.81 3.

23 5.62 3.19 11.32 2.07 3.28 4.95 4.86 6.3L 6.72 5.84 2.5 26.10 3.20 4.76 4.66 3.34 3.50 4.21 3.46 2.42 2.39 6.99 5.08 3.65 8.73 7.62 5.68 2.39 4.3 10.89 4.63 3.89 7.90 3.86 1.t7 2.16 3.33 4.31 3.0 15.?9 3.53 3.76 3.46 3.23 3.18 5.64 6.07 4.40 2.55 3.t4 4.51 s.94 3. F.31 2l 22 23 24 26 26 27 28 29 30 40 fó 4.2 9.17 3.72 2.06 2. l4 15 16 4.36 3.43 3.02 7.30 3.25 3. página 180..2 14.66 2.29 8.41 3.22 5.10 L2 16 20 24 30 40 60 L20 @ 4062 6000 5403 6625 5764 5859 99.10 4.43 4.86 3.64 2.r7 3.7 10.63 2.03 3.54 5.72 7.01 6.35 2.98 6.26 6.63 6.54 4.69 2.87 4.80 5.3 27.50 2.82 4.97 6.94 3.60 4. para ls di¡tribución F v.43 3.94 2.?5 8.33 8.7 27.44 4.39 3.38 9.3? 3.59 6.91 5.7 10. Hartley.66 2.4 27.07 5. 3.60 4.36 4.4r 5.29 2.47 6. gFados de libertad en el numerador v2 grados de libertad en el denominador x1 I 98.04 3.82 4.L4 5.88 2.20 2.011.06 4.01 .37 4.08 6.99 2.07 4.70 3.94 3.29 6.70 8.26 3.5 14.89 3.04 3.O.93 4.68 7.60 1.66 6.2 18.76 2.91 .o J 2.0s 1.16 3.78 3.96 3.20 4.üb D.67 9.26 2.72 2.L2 2.41 2.35 3.80 3.18 3.03 5.06 6.2L 6.7 13.36 2.67 6.69 3.19 l0 99.75 2.42 2.3 28.55 7.2'.44 2.67 5.59 1.5 13.31 3.2 9.09 3.51 3.40 4.2 99.61 6339 6366 99.42 3.93 6.26 3.91 6.64 3.70 2.34 4.10 4.78 2.2 ?.APENDTCE F 349 Percentila 99 (niveles 0.79 60 2.11 6.30 3.03 3. Pearron y H.56 4.70 3.2L 3. con permirc de lo¡ autoree y editoree.01 5.64 3.72 4.95 1.56 5.01 3.40 4.74 4.68 99.l 11.60 2.29 2.81 6.1 13.71 3.45 3.r3 2.95 7.86 4.65 3.20 2.00 2.03 1.00 3.89 4.52 3.74 4.81 4.65 2.17 3.31 3.43 3.21 3.6 13.00 2.4 99.6? 3.81 3.93 z.30 7.0 30.3L 2.00 2.sz 2.60 3.00 t20 Fuente: E.85 4.96 4.87 2.16 5.61 6.80 6.9 9.93 2.11 6.L2 1.94 4.6 5981 6023 6066 6106 615? 6209 6235 6261 6287 99.31 7.96 I 10 11 .13 2.86 4.66 2.57 t2.66 4.8 99.02 7. .42 5.L7 4.31 4.6 14.86 8.39 2.ó9 3.74 6.22 3.78 3.99 3.62 4.63 5.90 2.3 8.22 4.58 4.3 13.59 3.78 3.7r 4.89 3.01 1.3 L2.03 2.21 2.7? 7.70 6.2 29.87 6.3 14.32 5.55 8.47 t4.51 3.28 4.64 4.19 2.65 3.85 7.65 6 .7 99.67 2.02 3.31 9.4 9.56 2.59 3.6 10.89 4.54 2.31 4.0 10.86 2.72 7.13 3.35 4.8 10.47 5.13 3.26 4.68 8.35 4.93 3.82 7.01 3.46 6.66 99.1 7.08 3.t4 5.56 6.66 2.59 3.84 2.94 3.56 6.18 8. 3 4 o 6 .30 3.07 6.15 8.57 2.68 3.2r 5.98 2.72 6.94 1.37 5.18 3.61 4.46 5.82 4.0 9.51 3.30 3.10 2.4 11.45 7.46 7.25 4.17 4.46 2.33 2.38 2.15 2.78 3.67 3.39 4.r 26.16 3.85 2.76 1.84 6.63 8.62 4.72 5.66 4.?0 1.63 4.99 6.88 5.58' 2.11 2t.84 9.49 2.36 3.S.56 4.44 4.12 3.78 9.4 26.ó 16.77 4.10 8.4L 2.54 20 9.46 3.32 3.61 o.12 3. 3 4 o oot 28.17 3.5 26.0 16.4 27. 8.30 4.65 9.52 4.07 2.5 26.23 2.40 8.60 3.38 1.19 5.48 3.36 6.83 2.0 9.00 2.88 2.52 2.18 4.29 3.09 2.36 2.03 2.56 3.86 3.46 3.5 9.04 4.4 27.oo 7.75 2.74 2.02 7.45 s.4.63 4.71 3.40 6.96 2.5 26.26 4.02 2.26 4.40 3.Ll 2.75 3.62 2.8 99.41 3.36 3.l 8 I 99.78 3.68 4.7 14.67 2.47 2.69 3.9 99.88 7.se.92 2.L4 4.00 3.49 12 13 6.70 2.09 3.99 5.23.99 b.54 t7 18 19 4.5 34.29 7.64 7.6 9. Biomeúiho Toblec for Statbücbnc.50 4. Vol.60 6.63 3.03 2.4 13. Tbbla 6.87 3.oD 8 ?.64 4.16 3.1 6.92 2. 2 (1972).23 6.78 2.80 2.92 2.06 4.47 3.67 4..12 4.09 3.7 16.10 6.20 4.4 99.b8 2.42 4.96 2.26 3.33 3.41 9.5 10.42 6.1 a.52 3.2 13.66 2.49 2.10 3.5 26.80 3.49 5.54 3.42 3.54 3.37 3.02 6.2 16.25 4.60 '7.95 5.37 2.3? 3.89 3.32 4.83 3.4L 4.tL 3.84 2.9 99.18 3.86 3.

Apéndice G
Logaritmor dpcimale¡ con cuatro c¡fra¡

N
10

0

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

2

3

4

5

6

I

8

v

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

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

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

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

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

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

Partee hoporcior¡ales

22 23 24 26 26 27 28 29

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

4728 4742 4757

30
31

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

82
33

84 35 36 37 38 39 40

4829 4969 5105 5237 5366 5490 5611 5729 5843 5955

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

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

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

81114L7202226 81113L6L82L24

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

81113151719 81012141618 810t2L415L7 7 911131517 7 911121416

7 7 6 6 6 6 6 5 5 5

910121415 810111315 8 9111314 8 9111214 ? 9101213

7 ? 7 6 6

9101113 8101112 8 91112 8 91012 8 91011

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

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

4l
42 43 44 46 46 47 48 49 60

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

65/'2 6551 6561

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

5l
62 63 64

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

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

7tt8

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

N

2

D

6

I

350

APENDICE G

351

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

N
55 56 57 58 59 60
61

0

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

2

ó

A

D

6

7

8

I
1474

L23456789

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

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

7435 7513 7689 7664 7738

7443 7520 7597 7672 7745 7818 7889 7959 8028 8096

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

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

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

7

62 63
64

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

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

6 6
6

65 66

ot
68 69 70
7L

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

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

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

6 6 6
6

6 5 5 5

72
73

14

to
16 '/ó
79

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

8791 8797 8848 8854 8904 8910 8960 8965 9015 9020

5 6 5 5

80
81

82 83 84 85 86 87 88 89 90
91

9036 9090 9143 9196 9248 9299 9350 9400 9450 9499

9042 9096 9149 9207 9253

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

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

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

6
5 5 6

6

9304 9309 9355 9360 9405 9410 Q455 9460 9504 9509

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

o9 93 94 95 96 97 98 99

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

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

344

9786 9832 987? 9921 9965
I

9791 9836 9881 9926 9969

9?95 9841 9886 9930 9974
4

9805 9850 9894 9939 9983
6

9809. 9814 9818

9854 9899 9943 998?
n

9859 9903 9948 9991
8

9863 9908 9952 9996
a

3 3

4

N

Valorc¡ de e-^

(0<r<1)
}'
0

I

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

3

4

5

6

7

8

I
.9139

0.0
0,1

0.2 0.3 0.4 0.6 0.6 0.? 0.8 0.9

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

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

.9608 .8694 .7866 .7118 .6440

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

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

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

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

.8270
.7483

.677t
.6126 .5543

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

.5827

.5273
.477L .43L7
.3906

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

.Eore
.4538

.4107
.3?16

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

lo¡ valores

de

e-r

para otroe valore¡ de

I,
=

emplear lar leyes de los exponentes.
.03081.

Ejemplo:

-¿-3.48

=

(e-3oo)(¿-0.r8¡

=

(.0a929)(.6188)

Apéndice

I
Números aleatorios
74640 2349L
601 73

51772 24033
45939 30586 03585 64937
1

42331 83587

29044
06568

4662I
21960
1

62898 2L387 55870 86707 85659
551 89
41

93582 76105

04186 10863

52078
75797
81

25424 45406 82322 20790
98527 30277 60710 06829

1645

02133 79353 03355

31041 96799 65304

56974 12973
36081

37428
171 69

938

50884

19640 97453 93507 88116 14070 rL822 24434 41982 16159 35683

8?056 90581

94271

42t87
74950
15804

95863 51135 57683

5630

64759
56301

09448
21 631

62586 94623
5229A 87843

889

00745 25439
68829 48653 27279

65253
88036 06652
71

67283

85418 16835

49t59

9tt57
17480

7733L

590

t4676
47280

91097

294t4

28L95

47162

362

Respuestos o problemqs suplementqrios
CAPITULO
1

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

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

(c) {5i (d) t5}

k) @ (/) {3}

@) {2,6,3}
(¡¿) {6}

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

(d) {4} (¿) {3} (/) {3,4}

5/36

(c)

0.e8, (d) 2/9

(e) 7/8

) ) (c )
(o

(b

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

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

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

(e) 4/5

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

(e) IL/t6 (Í) L/5

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

(i\ (i)

6/26

52/225

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

(e) Lr/L5 U) r/5

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

1.86.

(a)

3/10

(b)

1/10

(c)

315

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

r.106.
1.107.

(¿)

32,805

(ó) 11,664

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

1260

1.108. (a)

120 10
6

(b) (b)

72

(c) L2 (c) 45

r.r09.
1.110.

(o)
tt.

70

.

1.96. 113 1.9?. t4/57
1.100.

=

1.111.210

8 12
(b)

1.112.

840 ?000

1.101. (a)
r-LO2.

2620

(c\

720

1.113. (a) 42,000 (b)

n:5 60
5040
(b)

lJla.

(a)

L20 150

(b) 2620 (b)

1.103.

1.115. (¿)

46

(c) 100

1.104. (o)

120

(c)

240

1.116. (¿) 1? (b) 163 1.117. (o)

1.105. (r¡) 8400 (b)

2520

20

(ó)

330

(c) t4199

353

354
1.118. (a)
16

RESPUESTAS A PROBLEMAS SUPLEMENTARIOS

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

6rys

¡

ya

1.119.2016

L.r22. (a) 5/L8 (ü) 11/36 (c)

1/36

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

44

(b)

2r

4

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

4152CB

r.127.

(6Ca)(aCz\/MCs

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

Ql

QCz. ¡¡'Ct

*

a'.Csl,l12cs

4(r3Oa\hgC+)/szCss 1025

r.l3E.

(o)

120

(ó)

60

(c) 72

1.131. 2.95 x 1.133. 0.8%

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

aproximadamente - 3

1.f40.

3L26/46,656

1.13ó. vT1
L.146. (a)

l.l4t.

(a)

4

(b) 14

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

4/52C5

r.t47.

2/243

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

126 462 3/32

(ó) , +,- rCn(b) (b)

r

,-tCn-t

1/16 (cl r/32

(d) 1/8
prob. empate

1,151. prob .4 gane

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

=

L26/216

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

2
0

2.38.

(¿)

I
3/8

o

3

2.39.

(a)

0

I
t6/28

.)

f(r)

r/8

3/8

t/8
t

f(r)

3/28

6/14

2.4o.

(a)

t

0

1

f(r)

9/64

r5/32

25164

RESPUESTAS A PROBLEMAS SI'PLEMENTARIOS

365

2.42.

(a)

r
f(r)

0 194,580

1

2 6768

3

4

270,726

69,184 270,725

r92
270,725

270,726

2.43.

(o)

r
F(n)

0

I
U2

2

3

L/8

7/8

I
4

2.46.

(o)

r
f(n)

I
L/8

2

3

(b) 3/4

(c\

7/8

(d)

3/8

(el 718

u4

3/8

U4

2.47.
2"48.

(o)

3

(ó) e-B

- e-6

(c)

e-s kll | -

e-s

F(r)

=

2.49. (al

6l2s

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

2.50. F'(c) =

2.6t.

(a) r/27

(r2/9 0<¡(3 de oha forma l0

(c) 26/27

(dl rls

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

fo

2.66. 2.67. 2.ó8. 2.60.

(¿)

(a)

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

(ó)

/r(u)

= {o

(Ale A = l'2'3
orra u

(d\

6116

(¿)

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

(ó)

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

tl1

*

al

o<a=l v=l

a=0

(a) (ó)

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

2.61

.

(a)

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

t)

=

rÍl'

0

5

Y

=

1

otra

r' O=A=I
0

(b)

l(r+ull@+l) 0 < ¿-< l, = 1o o<rsl,

=Y = otray

1

356

RESPUESTAS A PROBLEMAS SUPLEMENTABIOS

; i . ¡

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

0<rrl'

0=v<1

;
i |

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

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

,=o,u<0

A¿O

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

de oha forma

0 de otra forma

2.72. (o) c(u) =

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

(D) c(ut

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

i:i::
de otra forma

o

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

0 de otra forma

=

" {; '' 1"1í,""1.",t
I

2.82. c@)

=

{í'"-''u

:::

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

2.E3. l/4

-" ;: ;

2.s4.

s6/2*g

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

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

-

7e-o

2.89.

(a) c = (a)

1

(ó) 8e-2 c2=

,

2.9L. 2.s3.

cr=2,

I

- e-4 (ó) 9e-2-lAe-s L0

-

ze-r

(c)

4e-s-4c-?

(iI)

e-z-¿-t {ó

(el 4c-s

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

2's6' (a)

{r-^''
-rn2)

1"t"r0.".,-" (ó)
(r)
o1+

{;t'-"
zlrn

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

2.e0. (b) ;(1

lrnz

(¿)

2

,

2.e8. s(?)

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

2.ee.

(b)

7/L8

2JoE. \/r/z

p3 =-L2lll60.RESPUESTAS A PIOBLEMAS SI. 3.57. 3/2 n (b) -2e/6 Lla !4 3. pi= Al=0. 3. 3. pn=33 (c) (bk+r'st<+r)/(k* 1Xb-o) peiaa (sen (ó) [1+(-1)k](ó -a.69.77. pá: t6/5. 3. 7/0 (ó) 6/5 3. pl:L L6/3 3.62.66. 3. ps: -5. ú= (a) h=0. 3.60.7 3. 3. 10.68. 3. Fz:3/80. i¿l p4=230718960 2a 3. 3. p¿=35 (b) pr = 0. Ft=2. 3.78.62.61.6E.74. (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. <1 (ó) p = l.E1. 3.72. (c) 315 3.67. (o) (f + 2te2t . 3.43.65. Fz:5.82.47.44. 1e/10 (¡t') 6/6 a/3 @ 1 \Ng 3. pí=1.50. 3.\ +(et/2+e-t/2) = cosht (ó) p=0. (e2ia-Zie2ia-ll/"2 (a) (¿) (¿) Lr/144 (bl rr/L44 1c¡ t/iJttz (¿) (¿t) \/-LUr2 (e\ -L/L4a 0 -!rr 1 . pí=0. pí= 2. 3. yí= 6. 3. (a) (a) 2/3 (b) 2/3 G) aB 7/a (c) @\ Als 3. 3. nx=lE (al (a\ (ü) Var(X)=3/80. (a) (3r +2\/(6r*3)para0 5 ¡<i t¿l lsu+Z)/(6u*3)para 0 = a = | 3.E0.46.\klzk+t(k+ll I qeiab co)/ao 3.ezt\/zt2 (D) p = 4/3.48.45. (c) 1/(1¿). pz=7-.'PLEMENTARIOS CAPITULO 3 3.54. (a) 1 lb) 7 (c) 6 3. o*=1/t5/ZO 4 (b) 2 (c) .(b) 1 (c) (ó) 1 (d) 1 (c) 0 (/) 0 (e) 73le60 ?3/e60 y'?s/e60 t¿l r/Tils6o -u64 (f) -r5/7s (a) 233/324 (b) 233/324 (c) (a) \.83'. 3. 3/2 (bl 3e/4 (a.79. 3. (o) 1 (b) (o) Var(X)=5.64. 3./3s12 3. pi= 2./m/L8 (d' \rzssñ8 (e) -9L/32a (Í) -sr/235 4 tb) 4/\/35 -t/tst¿. 3.ó6.5e.55.5 3 (b) r3n/6 (a) 35112 @\ (ü \Elm.E4. (a\ l/2 parae>O (b) lParay>0 . (o) (a) 1 (b) I (c) rla (c) 3.

94.127. t"l .120. (¿) 3.109. 3.05r 3. ffiParao rle (b) 1 6x2*6n*L s r:< I . (o) 1 3.105.1or.10a.e2.ze-t (D) no existe (al 2(\F-Ll/3 (b) L6t7 2 0 2 7/3 r/3 2t/2 (b) e 3.103.358 RESPUESTA"S A PROBLEMAS SUPLEMENTARIOS 3. (o) (ó) ln 2 (D) I 3. (a) x E(Y 0 I 2 (ó) Y 0 I 716 2 lxl 4/3 I 6/7 E(xlY) (ó) 4/3 u2 3.123. (d) 1- (1/\. (o) 3..118.1)/4 (c) 16/81 3. (a\ L 3.90.L22.89.124. (o) (a) 3.100.r/r-tsnflo) (ó) \F@i @ tlfr.[o ) 3.121 . (a) r 2 0 (ó) 8(21/2-r)/L6 (D \. (al 3. (a) 3.119. (a) 3.85.8/2 (ü) 1/3 (c) 0 .91. (bl 3614 (1 @l atg (b) 2/e L (c) * 2te2t - e2')/2t2 (el -2\/fr/r6 (d) -(1 + zibe2ia . (a) x Var (Y lX) 0 5/S I 416 2 (ó) Y Var (X I Y) 0 I 2S/36 2 24t49 3. (o) no eriste (ó) (c) 3 -1 (c) e-z *0 3. (o) (c) 3 (ü) 3 3.126. (o) 1 I (ü) (ó) (y'3. (o) 3.116.o)/6 (a) -7/27 (c) 2(et-l-t¡¡¿z -Z(e--l-ü¡¡"2 (e) r/136 3.5 02. (¿) 1/y'5 3.###parao < nr 5r 3. (o) 0.10E.17 (c) 0. 3. (b) 2415o (ü) e (al (a) (b) 6/e (b) 1/18 (c) (et * 2e2t + Sezt)16 (d) (d) (eto + 2e2to + 3e3.f 6/9 7lr2 o 3.113. (a) (b) r/4 (b) 0.eziarlznl u) 12/6 3.114.125. . (o) (c) 8/16 1-+y'3 (bl v2 3.

0.5976 (c) 0.66.E8. 641243 25 (c) 500 4.8?67 (b) 0.1127 (dl2. 4. 4. 57/6a Q\ 2r/32 (b) (ó) 4.03?5 0. (c) (p) 0. 359 CAPITULO 4 4.80.76.5. 4.73.E1. (a') pl (b'l npq(l - 6ps\ * 3n2p2q2 -1. 4.93.4232 (o) 0. (a't (a) r/64 Ua 250 (b\ 3/32 (c) l5/6a @\ 5/L6 (e\ 15/64 (l) 3/32 (g) Ll6a (b) 11324 4.77 (a) npq(q (o) 1.0567 (b) 0. 4.84.0286 (d) 0.224r (e) 0.G¿s 4. 4.0838 (b) 0.1008 (c) o.9198 (c) 0.0089 (o) (o) 0.67.6404 (d) 0. 4.726t (/) 0.626 ó 0.90.85.87. 4.90 75.049?e (ó) 0.06131 . 4.66.9962 (b) 0.a7% 4.78.76.61.68. -0. 4.995 0.0668 (a\ 20 (b) 36 (cl 227 (cl (d) 40 @) 15% 4.69. 4. (a'¡ 6L.t"/o 0. L93t5t2 (a\ @) 32/243 (bl re2l243 k\ a01243 (dl 2421243 42 (b) 3.03eb .64. 4.7% (b\ 54.86 (c) 2. 4.E6. 4.0% (c\ 93. 84 (bl 8.9495 (b) (ó) 0.08 (d) r.05610 (b) 0.77 (c) 0.7123 0.7% (al e5.0079 0. (al93% 4.92.3% (a) (o) (a) (o) 1.9500 0.1342 0.6826 4.E3.0?86 (c) 0.62.2511 (b) 0.849 (e) tt.4 (¿) 0.74.t9.15 (b) 0. 4.7t.82.550 (c) -0. 11/16 (dl 518 (a\ r7lL62 (a\ (a) 5/16 (c) 4.4% (bt 23. 4.2241 (d) 0. 4. (o) 0.63.e265 (d) 0.2991 (c) (o) 0.s27 1. 4.I RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS .75 (b) -1.6 (b) e (b) 72.91. 4.0658 4.89.0687 0.1494 0.1680 (/) 0.0154 (e\ 0.

94.r?r.58 5.s5 z. (o) 5/3888 (b) 5/324 4.LB 4.3/8 4. (a) 9.81 (bl2.5 (b\ 4.000948 (ó) 0.47 (c) 9.005? (b) 2 (c) ninguna (dl 24 6. ¡2.008 = oz. (o) e.4 ft\ *e-tn -1"-. (o) sx = 22.0228 (c) 0.B 4.53.L29.40 o¡ ligeramente menor que 0.BB (d) -0..2 2s6.0 (d\ 2. (a) (d) (el 2.04462 (c) 0. oi : 6.t : 5.00J8 (d) 1.35 L7e. (a) 2.Lo4. (a\ 3/4 .s? 4.48 4.r y 26.0e (c) (c) (c) (c) 1.0 (d) 8.51. ('f) (l?)/(l?) (iSX?SXtt) sla 0 (b) (ó) (ó) (ü) l(¿ocoxzoc2ol+(4oc'l(nctsl* (qoc)(ncnl)taoczo 4.s 20.62. (a) 237 22.2 (c) suponiendo áreas iguales en las dos colas.L27.0000 .b9 84. (a) ?0/429 (b) l/143 (c\ L42|L4B 4105 (.0918 (d) 0.136.136.50.47 (c) e. (a) 0 4.3 (d) (d) 55.ro2.rr3. o* = 0.2 zr.00g oz oz oz.55.60 3.L26.o rí. (a) 4.34 2. o* = 0.40 oz. @\ 4. 22.9544 5.8164 (ó) 0. - 2.49.13?.L4L.166 6.L32. Ll4 aJLa.2 (c) (c) (c) 2B.0 (b\ 4.160? (d) 0.0 (b) (b) 4. (a) 0.1b82 (c) 0.0620 4. (a) 4. 82S\fe (b) (ü) (b) 2(b-al4/6 e/5 113 6.? 3/4 16.0 (b) 4.73 -0. (a) r 4.75 2. (a) 0.16 5.6e64 (/) 0.2 4l.l 86.ro9. (o) B0. (¿) 4.4972 (ó) 0. (a) 0.03 (¿tl 2. (a) 201.128. 0.s a8.4O 0.71 (ó) (b) (b) 1.101.000295 4.62 (b) CAPITULO 5 (c) 0. (a) e.r2o. (Q 4.829 1. (a) L22.76 1. @) 2.861 (.tr2. (a) (ile)/Q?) .75 1..) 4'106' (c) 4. (o) 0.1? v 7!r= !4.gs (e) z.84 (d) 4.68 2.138.130. (c) p.1 4.8b2 (e) 0.008 oz oz (ó) (b) pX pX = 22.1033 (c) 0.40 oz.128 (d) -1.7 (b\ 4.8 68.111.00248 (b) 0.64.360 RESPUESTAS A PROBLEMAS SUPLEIVTANTARIOS 4.r03. (a) 1.

7349 pulg. 5. 5.?4 lb I 2 (d) 126 0.09 tons.0316 5.9 lb 5.e5.326.6 (fl @) a6% 100 (horas) (s) 62/a00 (h) 25. (o) 0.11 5.63.91?2 6. 0. (c) 0.56.26 5. 99. (ó) 38.. .60.t7.60 1'.00?? (ó) 0.86 (ó) (c) -e1 (d) 63 .?9 0'0228 lb (b) 0.6% (il 0't ts.6 (d) 10995. 0.0064 (c) 0'4504 5.99. 6.49 (c) 0'28 5. (a) ?99 (ü) 1000 (e) (c) 949. (¿) (o) (¿) (b) (b) 0. 5.1841 (cl (o) 118. .72642 pulgadas 26.0482 .111.113.003 pulg.33? 6.2160 (b) 0.33?6 pulg.81. 6 0 -1 (ü) 40 4 6 (c) (c) 288 (d) (d) 2188 (b) 0 26.94.74.8 lb.106.01.E6. 5. (c) 146.82. (a) 24% (b\ rL% 5.68. (@) 0.59. 501. . 6.47 (ó) e = 5.90 5.o% 78. 5. 0.1o9. 6.5E. (o) 0.105. (ó) 0.9596 (c) 0'1161 .1%.tO.0028 (b) 0.2 6.322. (a) 2 6 6 (b) 996 (b) (c) 218 12 5. (o) (o) (ó) (ó) 11.72.3204. . .60 0. 5. (¿) 0. 0. 86 5.326-0:328.100.0026 6. (o) 0. 0.01 (b) menor que 0.50?.65. (a) menor que 0.7L. 0. (al 4018 6. (c) 0.73.0.0019 (ó) 0.0.01?9 5.33f0.20% ton.3%' 99.01 (c) menor que 0. 1199.7o.?33 (c) 0. 46 (@) 0.01 y 0. (a\ 2.6% = 0.t1 5.a84 5. (c) 0.101. 5.06 pero máe cerca a 0. (a) 82 6Jo2. 11.166 ó 16. 12.8664 (c) 0.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 5.L6 (ü) 0. O.76% S. . (o) 5..108.3196.97.93.60 5.323-0. (o) 0.92.9t.00496 pulg. (b) 0..0136 0.67 0.66. (o) 10.3265.00 6.76.96. 80Eo. (o) ñ = 2.01 (b) entre 0.104.10 5. 5.49 0.0006?6 pulgadas (b) 72.3226.6.0% 76 5. 8.36 (ü) (ü) 0'17 0.8869 28.0 s ?9 5.1. (a) 5. 5.62. 78 á. 5.LL2.

62 r 0.tu. 0..82 0.362 ó.073 i 0. 0.0696 r¡¿o 560 (c\ r. (o) 0.128. 6. (o) ?8. (o) 0.84914 6. 60 y 100 tuboc son respectivamenüe.115. (o) 0.131. (ó) 11.1 ó.18 tons. (o) 0.000095 pulg. 6.09? (c) 0. Las estimas de las media¡ de la población son 1200 hora¡ en todos los casos. tb9 5. 7 RESPUESTAS A PROBLEMAS ST'PLEMEI.82.20 (f) 7. 0.000060 pulg.40.09 t 0. 0.045 6.4 4 (i) (il 706. 2.5 horas.38 (hl 22.4 hr Las estimas de las desviacionee típicas de la población para los tamaños de muestra 30.0ab t 0. (a) 11.123. 6.31. = -3. (bl 0. ms = 0.69 I 0. 42 5.72642 + 0.2344.7.045 0.72642 + 0.127. (c) 0.18.28 (b) (s) ?8e. rn2= 5. (a) 0.29.38 I (a) 0.25.09 t 0.94 Laprimeradistribución (a) la aegunda (b) la primera 5.36.000072 pulg.5 lb (b) 0. (d) 032642 a 0.124. 6.12 hr t 0. (¿) ffiz: 0.97.2 (d) 7158. (o) (b) 105. m1- 89.6.24 tons.38.493e (b) 5.62 6. (a) 1200 hr 6.38 (a) ?.11 (ó) 0.70 t 6.112 .22 0. (o) 9. L9. (a) 6. 0.130. 101.122. 0.428 24. ó. 0.74 5. 5. m1 = 0.24 lb2 (c) 0.298 t 0. 0.0586.u (o) al menos 323 hr (b) al menos 560 (c) al menos ?66 (b) 1.07 t 6. (o) al menos 96 (ó) al menos 68 (c) al menos 16? (d) al menos 225 900 (o) al menos (o) 7. 0.¡'TARTOS 5. 6.43.129.88.96 onzas t t I 0.e5 5.546 2.41. 26. (a) 0.72642 t 0.2 (b) 0. (o) 1.125.030 eegundoa (D) 0. 6.22. n4= 0 -0.53743.36206.049 segundoe 6. (b) -4.7.2 106 (ü) (b) 8. 1193. 6.3?.0 y 100.9?. (a) 5. m1 :0.r5 (c) 0.16 onzas 0.00002b pulg.L2. -0.12t.?3 onzas onzae (ó) Z.0090 CAPITULO 6 e.86 lb reepectivamente 6.39.30.72ti42 t 0.35 (e) 26. (b) 0. 6.Se (ó) ?.000025 pulC.116.298 0.36.241 7. (q') (c) e2. 101. -1r7.09 t 0.33.?0 * o.38 384 (b) al menos 221 (c) al menos 666 (d) al menos a 1.117.118.?8 y 0.2464 (b) 52.000085 pulg.126.?0 r 0.0? (b) 0.41.68 a 0.34.

20.79 kl) t2.5 a CAPITULO 7 7.69. (d) Rechazar lfe ei se extraen más de 41 bolasrojas..31 onzas 6.01 en (o) ni en (b).49.02 (a) 0.70 (b) 0.944 (b) 0. rechazarla en caso contrario.58 e 2.5 horas (b) 88.05. k = -lln - (ct. .1 a 140. (b) Ensayo unilateral.ó4.269 (o) 0. 86 lb (b) 1800 t 328 lb (c) 1800 t S82 lb 6. 1.8 horas 6.06? a 1. -= 3' 2tritl "'+r3l 6.8 t 0.68. kt') 0.52. (c) Aceptar la hipóterie ¡i las bola¡ rojac extrafdas esüán ent. (a) al menos 87.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 363 6. r = .45.. y se acepta en ceso contrario (o no se toma ninguna decisión).9 1?0.64.ó2.56.4 horas hora¡ horas (b) 78. (a) Aceptarlahipóteeissilasbolasrojarextrafdasestánent¡e22y42 rcchazarlaencasocontrario.63. Se puede rechazer la afirmación a ambos nivele¡ mediante un enaayo unilateral.5).17.14 (a) 0.69.65.6% 105.250 6. 7 No se puede rechaza¡ la hipóteric al nivel de 0.673 a 2. (a) 95.63.(b)0.8 (b) 0. 139.) (e) t2.r.00 (ó) 13. ?.67.66. (a) 63.458 a 4. 2400 t 45 librs¡. en ambos nivelea.62.06 (c) t2.05 en ambos en!¡ayos.1 a 288. 6. (Hi p> 0.8 l: 0.60. (c) 106.4E. I _ ()rr)/r¿ 6.9 6.1 horas 6.51.138 a 10. 6.58. Sí. .1 a 148. 0. (a) (IIe: p=0.70 6.15 6..7O. (a) 1800 t 6. (o) a 230. mediante un ensayo unilateral en ambos caso8. (a) 6. (o) No se puede rechaza¡ Ia hipótesis al nivel de 0.58.2606 7.6 horas 2400 ! 59 libree (b) 87. El re¡ulüado significativo al nivel de 0.05.Bb 6.0 4802 (ó) al menos 8321 (c) al menos 11.6 ¡ a 1g0. (b) Se puede rechazar la hipótesis d nivel de 0.78 (b) 0.9a1 a 2.24 249 onzas lb (ó) 63. 7. (a) 0.99. 6.5). 7.46.259 a 5.?41 a l.50. es 7.61. 7.654 a 1. (o) t¿. (c) Rechazar 116 si se extraen más de 39 bolasrojasy acept:ula en caso contrario (o no tomar decisión alguna).5 (ü) 102.lre 24 y 40.519 a 7.

20.7 Un ensayo unilaüeral muegtra quc la diferencirr e eignifrcaüive eB al nivel 0. Las frecuenciae eeperadas son 41.0.96 onzas (D) 8.1 y 0.77.3rL2 8.98.RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS 7.6.82. 7.64 + 0.87.86. 14.E5. 7.8E. 7.72. 4.7. 7. 5. al eegundo.7 y 0.t9.0118 7.6.99.1 y 1. bilate¡al muestra que no hay eúdencia s ni¡guno de los do¡ nivdes de que la duración media haya 7. 7 . Un ensayo unilateral muestra que el nuevo fertiliz¡¡¡¿ superior a ambos niveles de significación.6.01. es 7. 7.9. E aparente decrecimiento significativo al nivel 0.84.05 pero lo es al nivel 0. E resultado es significativo a este nivel con un enar¡yo unilateral.1.05 pero no al nivel 0. 7. 53.06. 12. 50. 13 y 2 respectivamente.0 respectivamente. pero debe introducirse si el nivel de eignificación adoptado e¡ 0. pero no lo e¡ con un ensayo bilateral. no ¡e deduce que haya diferencia de acidez. f (r) = aC"(0. 7.06.ae frecuenciae esperadas eon 1. concluimos que el primer grupo no es superior . 3. 11. Podemos conclui¡ que la primera varianza es mayor que la regunda a ambos niveles. 66.6t)l-r. Un enrayo unilateral indica que no disminuye la media a ninguno de loo do¡ niveles.?.73.05.05.32)r(0. ?. [. El aparente incremento en la vai'iabilidad no es significativo a ninguno de loe dos niveles.36. y 4. Un ensayo cambisdo. 60. (b) Un ensayo unilateral muestra que I no ee mejor que A al nivel de 0.1O0.6 respectiVamente.?. 15. 7.4. (a) 0. 0. Mediante un ensayo bilateral al nivel de aignificación de 0. (o) t 0.34. 9.2.5. .4.9. pero no al nivel 0. Las frecuenciae esperadac 8on 1.2.05. la¡ frecuenciae esperadar son 32.94.E3. no 7.2.01 . f (x) = T. 7. 7. Un ensayo bilateral a ambos niveles muertra que el producto no cumple con las especificaciones.7.e0. Un enrayo unilatetal a ar¡bos niveles de aignificación muesha que la marca B es superior a la marca A. es ?.78. 7. 21. 7.7 respectivamente.tO. No podemos concluir que la primera varianza 8e¡ mayor que la segunda a ningún nivel. ?.3. 39.7 respectivamente.96.e5.4.83 onzae (c) 8.71.0118 (c) 0 (d) 0 (e) 0. Un ensayo unilateral rnuestra que a ambos niveles el contenido -nedio en cobre es más alto que el señalado en las especificaciones. (o) 6 (D) 4 7.01. 4.1.l0l.64 1 0.63 onzas 7.64 (ü) 0.1.0.76.A1 \¡¿ - lar frecuencias esperadas con 108.6.El' 7 Un ensayo unilateral muestra que el proceso no debe inhoduci¡se si el nivel de significación adoptado es 0. Mediante un ensayo unilateral al nivel de eignificación de 0. 23.01.0. Concluirfamos que el resultado no común al nivel 0. 13.2. 49.05. 7. 7.7ó. 7 (a) si (ó) no . 43.79.81 ln 7. (o) Un ensayo bilateral indica que no hay diferencia en la calidad de fabricación al nivel de 0.

No puede concluirse que la marca A 7.1985 (conegida) (D) 0.118. 7. La diferencia ?.103.2205.105.05. La hipótesis no puede rechazarse a ningfin nivel. bueno (b) no (o) El ajuste es "muy bueno". el re¡ultado er significativo al nivel 0.0. ?. (a) Un ensayo bilateral al nivel 0.115. (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). ?.104. 7.06. Mediante un ensayo unilateral. La hipótesis puede rechaza¡se a ambos niveles.465t 7 .L72. 7 . (a) 0.05 pero no al nivel 0.124. (o) El ajuste 7.3179 (con conección de Yatea) 7 .113.109.05 indica que á tiene una mayor proporción de bolas rojas que B.106.05.t25: 0. 7. (b) (b) 7. ?.05 no rechaza la hipóteris (b de proporcioneo igudes. La hipótesis puede rechazarse al nivel 0. 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. esto es consistente con el Problema ?. 7.109.0872.129. 60.05.05. ? .138. (o ) 10. No al nivel 0.139. No hay razón para rechazar la hipótesis de que las monedas ¡ean hon¡adas. tul e no (b) 10 si (c) 10 (d) 8 7. La hipótesis no puede rechaza¡se a ninguno de lo¡ nivdes.13?. (a) (b) (c) no ?. ?.LO2. sea mejor que la B d nivel 0. 0. (a) 0.134. Puesüo que la dietribuciónbinomialdaunbuenajustedelosdaüos.728.06 pero no al nivel 0'01.11f es es significante al nivel 0.01' 7. (c) si no si no (c) no (c) no ?. La hipótesis no puede rechazar¡e al nivel 0. . La conclusión es la misma.0738 (corregida) 7.108.05. 7.116. La hipótesis no puede rechaza¡se a ninguno de los niveles. 1. Igual conclusión. 7.1L7 .06. El proferor nuevo no sigue las miemas nortnas que los otroe. 0. (b) El ajuste es pobre al nivel 0. 7 .L23.114. (o) 7.132.10? . ) Un ensayo unilateial al nivel 0. No hay razón para rechazar la hipóteeis a ningún nivel. . La hipótesis puede rechaza¡se a ambog niveles. (b) El ajuste es bueno pero no "muy bueno". 7.RESPUESTAS A PROBLEMAS SI'PLEMENTARIOS 365 7.133.3863.110. (o) El ajuste es muy pobre al nivel 0.

2.188 ¡ (c) r32 8.398 (ó) 192.111.96.6633 1.0 8.0 t 5.151{" ¿O ó U -92. 37. (a) 0.?961 y (ó) 0.oooo t 0.108.14¿0.60 (ó) 1.r3. (¿) 0.096 o * 0.2928 y 0.24.366 CAPITULO 8 RESPUESTAS A PROBLEMAS SUPLEMENTARTOS 15o 8.00 6 r= (¿) 1. (b) d 8.s912 (ó) 0. (o) (ó) 2. (a) 0. (¿) t 3.) 1.109. (a) 3.68.8.60 (ó) 17.69.s72 80.77 y -.13 + 0.64. (o) (ü) t.85.0 t 8.r10.60 8.00 (c) ?. Mediante un ensayo unilateral no puede rechazarse la hipótesie. =0. B.66.46¡r*l 8.448 8.115.20 E.91¿6 y y 0. (a) 24.7l4r (b) "=t*lu 10.92.96.1r4. ft (d) Bg? (b') A=32. (b) a = 29.Z. (o) 8. (o) E. (o) 1.E0.5 (b) (ó) g?. (a) z = 3.6 1.8961 (b) u = 8.8861 1 t.00*1.90.0 a 19.67.E6.427Y 61. (o) 1.00 t _1.21 0.661¡ (c) r = -14. (bl u = 4.9818 8. - 1.81.968 (b.87.9?.8r*12 (b) r= 0.?600 y 0. (a) 0.64y 8.ss56' 8.88.113.408 + 0.?3S(n-B)2 6 41.6 E.304 (ü) 1.szos 8.r1y (d) 7g 95 t.20(r-B) +0.14(10)0.89. (o) v=0.IBB72 616 8. (o) 0. (a) 8.gBB+o.0 4.84.1 E.29y 8. 75/p 8.?801 y .9927 8.70.28 (o) (ó) Mediante un er¡rayo unilateral puede rechazaree la hipóteaia.66r * 2.9 2.89 * L. E.138 t a 0.21r*O.107. (a\ u=-i+í" 6 u=.0 a (b) B?.6t-t. 0.000 + 0.71.6606 (ü) 0. r¡o¿ = fi -o.rz 8. (cr.80 E.24 (b) 8. 0.5t*3.00 8.99. u = 6.4 si no no si E.2 (c\ 182.14(L.500a (cl r = 2. (a\ 0.6tly E.08?86 o¿ (ó) (c) t?0 ft.79. (c) 37.126s 'y 0.112.74.40 6 A:32.?8 + 1. -0.

l31. 9. .33. 0. 9. 0. Flay una diferencia significativa en los métodos de enseñanza al nivel 0-05 pero no al nivel 0. CAPITULO 9 9. llay una diferencia significativa en neumáticos y automóviles al nivel 0.05.33 r .7 (e)1977 1o. 9.38x E.31. (b)y:18.01.05.129.130.23.L27. 9.9*4. 9.43. 9. No hay diferencia significativa en neumáüicos a ningún nivel.120. 8.125. 9. una diferencia significativa en sus calificaciones a ambos niveles.27. No hay diferencia significativa en el color del pelo o estatura. Igual al hoblema 9.16-0.3?. (a\ 20.39. Hay una diferencia significativa en el tipo de maíz pero no en los suelos al nivel 0. 415 8.38. una diferencia significativa en operarios pero no en máquinas.44.9254 y 0. No hay diferencia significativa en los sitios o fertilizantes al nivel 0. 9. una diferencia significativa en rendimiento a ambos niveles.0.01.lgxsilaunidadxesLl2añoyelorigenesel ¡ es un año y el origen es el 1o.32. Igual al hoblema 9.05 pero no al nivel 0.4653¡z.35.34. No hay diferencia significativa en los métodos de enseñanza o plantelesal nivel 0.01. 9.40: No hay diferencia significativa en neumáticos o automóüles al nivel 0.26.42. flay 9.66. No hay diferencia significativa en el tipo demaíz o suelosal nivel 0.6158 E. (o) u = 3.4f.05.24.11?.38. tlay 9.05.deenerode1954.7096 y 0.6402 si la unidad 8. 9.25.1083¡*0.126. Ilay 9.(b)y:722.116. 9.4547 8.36.42*2. 0. de julio de 1950 (d) 142.01.128. No hay diferencia significativa en operarios o máquinas.01 .oy:107.dondeyeslanatalidadpor1000habitantes. 9.7 y 173.30 pulg.¡es5añosconorigenen julio de 1935. No hay diferencia significativa en fertilizantes o suelos. llay 9. una diferencia significativa en marcas al nivel 0.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 367 8. Hay una diferencia significativa en los sitios pero no en los fertilizantes aI nivel 0.36 lb 3.4 (b) 116. 9.43.9653 (D) 8. No hay diferencia significativa en operarios o máquinas. 9.4 libras 8. (c) si no (ó) 8.

62. 9. 9.52. al nivel 0. B. 9. No hay diferencia significativa en los puntajes de I. máquinas o fortaleza de cables. FIay diferencias significativas debidas al factor 1 pero no al factor 2 o tratamienLos A.05. No hafl diferencias significativas debidas a los factores o tratamientos.63.45. pero hay diferencias debidas al I. significativas debido a los sitios pero no a los fertilizantes.4E.54.368 RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 9. 9. y canüidades del primer compuesüo químico. color del pelo o Iugar de nacimiento. 9.46. ltray diferencias signifrcatiyas en especies renciag signif icat ivas. sílo son. fuual al hoblema 9. No ha! diferencias significativas en los puntajes de los estudiantes de diferentes partes del país.Q.47 No hay una diferencia significativa en rendimiento escolástico debido a diferencias en estatura. Al nivel 0. pero las debidas al LQ. No hay diferencias significativas debido a los químicos o s¡tios. .Q.01 las diferencias en los puntajes del examen debidas al estado veterano no son significativas. llay diferencias 9. 9.3. 9.55.66. No hay diferencias significativas debido a sitios o fertilizantes.61. significativas en los puntajes de los exámenes debido al estado veterano y al I.54. llay diferencias 9. pero no otras dife- ' ltray diferencias significativas en tipos de cables pero no en operarios. C.ó.49. 9.64. 9. 9. 9.Q. No hay diferencia significatirra en tratamientos a cualquier nivel.

163. 47 para el caso disc¡eto. 11. 28L-284 ensayo de tripótesis y significación para el. 267. 344 curua parabólica. 138. ó conjuntos iguales. 221-226. 31ó álgeb¡a de sucesos. 168. 258-3O5 gradual. 33O cuadrados latinos. 34ó cu¡va normal tipificada.213 Bridae. 117. I29 aproximación normal a la.2A2. James. 10. 349 distribuciones gamma. 26 4. L27. 297 poblacioml. 31O. 220. 309 media y varimza de la. 316. 46 casillas. coeficiente de. 163 decilas. 116 reJación de la a la dist¡ibución normal. 99 (uéase tombién distri' bución normal) áreas bajo la. 81. 47.78. 108 bloques. 342 axiomas de probabilidad. dewiación. 258. 1 (uéos¿ también conjuntos) clases y frecuencias de clase.lndice Ajuste de datos po¡ distribuciones üeóricar. 316 bondad del ajuste.244 cuwa nomal.86.311 aleatorios. 297 distribución de Bernoulli (uéose distribución binomial) distribución de Cauchy. 89 282 diagramas á¡bol. 9. 306. 83. 1 13. 92- curua cuadrática. 130. 328. 134.169 negativa. 248 curuas de aproximación. 1 conjuntos disjuntos 3. 284. 4 conjunto vacÍo o nulo. 23A.28l-244 fórmula p¡oducto-momento para el. cuenteo. 332. 135 teoremas sob¡e la. coeficientes de. 246 muestral. 115.97-99. 82. L28. 183 de la distribución binomial. 11. L24. 164. 13 conjuntos bien definidos. 112 relación de la a la distribución binomial. 116 cuenta. 217. 296 Poisson a la. 78 diseño de experimentos.324 el. 266.237-239 aleatoriedad. 316 diseño experimental. 321. 118. 217.135-137. 11.145 ajuste de datos por. 268 r23 aproximación de la dist¡ibución de interl¡retación probabilfstica de la.293. 139'141 teoremas sobre la. 291 26r. | (uéase también conjuntos) columna de conteo.297 teo¡ía muest¡al de. 142 relación de la con la binomiál negativa. 21 1 desigualdad de Chebyshev. 24O. 295.244 conelación. 97 también varianza) dewiación tÍpica. 135 distribución bimodal. 11O. 26O clase. 3O7. 118. 92-94 teoremas sobre la. 321. 347 como caso especial de la distribución gamma. 264. 263.11-13 teoremas sobre. 230 coeflcientes binomiales. 112.26l múltiple. 29G 292 correlación gradual. número desigual de obseryaciones en 312-315 experimentos conjuntos. 6 conjunto nulo. 46.112 219. completa. 269 ensyo chi-cuadrado Pua la. 118.2L6 área bajo la.320. 254. 316. 1 conjuntos medibles. 112. 133 . 2a5'247. 1O9 relación de la a la distribución normal. 316 27 distribución binomial negativa. 6O.97 dist¡ibución binomial. 266 (véose tom' bi¿n conelación y reg¡esión) curva de potencia. 27. lO9 (véase tomb i¿n distribución no¡mal) distribución geomét¡ica. 85.125.246 Datos agrupados. 263. 311. 213. 56-60 pua el caso continuo. 177. 219. 268 generalizando. r97. 115. 268. 345 ordenadas de la. 25-2 7 análisis de v xianza. 1 18 distribución chi-cuadrado. 100. 118. 218.322 para experimentos de dos factotes. 319. 119 distribución ¡'.163 centroide o centro de gravedad de los datos. 78. 3 264. 134 cuilas cdacterÍsticas de operación. problema. 84 ajuste dé datos por la. 177. 3 1 5 altamente significativos.294 generalización del.281-289 tabla. 232-236. 3 dimensiones o unidades.348. 25 coeficiente de conelacion. 46. 264. 133. 244 264. 2a6-2a7 . 263. 12. 237 dispe¡sión. cumplemos. 2 (uéose deteminación.324 cuadrados ortogonales. reglas de.37 Cambio de variables. 118 distribución de Poisson. 306- continua a la derecha. 144 cont¡ngencia. 114.129 distribución exponencial. 296 independencia y. 2 constante de Boltzmann.310. 19ó coeficientes de correlación múltiple. 26 4 coeficientes de confianza.118 propiedades de la.263 covuianza. E4. 109. 161. 143. 295. 258 relación de la a la distribución norrnaI. 82. 23. 11O á¡eas bajo la. 2ó8 94. 315. 2ll. 344.112. 2. 315. 345 tipificada. 1 17 moda de la. 31 curtosis. 116. 217 convoluciones. 306-338 fórmulas cortas en el. curua de ajuste. 129. 225 análisis combinato¡io. 85.316-321 aproxirración de Stirling a nl. lO. 13 2. 40 control de caüdad. 224. 1l uti¡izando p¡obabilidad.L28 relación de la a la distribución de Poisson. 136. 119- 310. 198. 112 de Ia distribución normal. 21 diagramas de Venn. 1 51 contado¡ Geiger. 111 r34 distribución de Pascal. 83. 30. 94.243. 265-267 coeficiente de correlación lineal. 139. 115. 333 cociente de inteligencia. 264. 118 valores de Ias percentilas de Ia. 216. Bernoulli. 22O. 115. 7L.242.118 distribución hipergeométrica. 2L7. principio fundameotal de. 117. 47. 247 332. 9. 117 ¡elación con la chi-cuad¡ado y t. 109 de la distribución de Poison. 184 categorías.2 conjunto universal. 117. 8ó decisión. 116. 6 conección de Yates para la continuidad. l. 88. 234. 316 püa de tres factores. 112 clasificación simple o experimentos de un factor. 317. 11. colección.333 para experimentos de un factor. 197. 267. 263. 1 77 combinaciones. 246.315. 217. 24 complemento de un conjunto. 259 típica (uéose desviación tíPica) desiación media. 3f6-321 clasificación tríp¡e o factor tres expedmentos. 5 completa aleatorledad.269 cunas de regresión no lineal. 248 decisiones estadlsticas. 264 curyas OC. 82 cuadrados greco-latinos.3f6 bloques aleatorios. 1O8. distribución gaussiana. 61 disÉibución beta. 9. 127. 239 propiedades de la. 108. 26+ 246 püa datos agrupados. ' dife¡encia de conjuntos. conelación y reg¡esión üneal perfecta. 232-236. Só. 316.

168- de ¡elaciones de vuiauas. 206.370 media y vaxi^nza de la.196. 299 er¡ores del tipo I y del tipo II. 231 experimentos de clasificación doble (uCose experimentos de dos facúores. 186 estadlsticos muestra¡es. 2L6. 211267 estimas no eficientes. 1O8 . 117. 198. 113. 1O8 expamión multinomial. t¡ansformación Z de. 296 derivación de la. 179 relativa. 343 función de densidad. 158.229-231 2L con repeticiooes.226-228 mediante diferencias de proporciones. distribución f de Stud. 162. 159. 310. 94. 16-321 225 la. 83. 141 probabilidad. 269. 214.244.39.2A6 224 espacio muestral.ent. principio de. 48. 39 (uéase tambíén funciones de distribución) función de distribución conjunte. probabilidad de. 4 46. 36 E. 163. 41 conjunta.215. probabilidad de. 306-31O. 266 para vrimzas.61. 238 bidimensional.lores medios predichos. 164 f¡ecuencias elementales. 6. 259 estimador insesgado. 44 . 76. 157. 81 fórmula de Spe¡man pa¡a la cor¡elación gradual.22L.279- 164. 1ó chi-cuadrado y. 178.282. 164 acumulada. 157 función de densidad normal tipificada. 221-226 mediante proporciones.294 fómulm de Euler. 213. 196. 16ó-168. 41 distribuciones de probabilidad discret¿. 159. 276.160. 295. 112 de la distribución normal. 279 efectos de bloques.293. 44.A. 36 función aleatoria (uécse vuiable aleatoria) función beta. áreas bajo mediante relaciones de varianzas.318 de vuianzas. error típico de la (véose ettot tfpico de la estima) estimación. 3 Ecuaciones norraales pua la recta de mfnimos cuad¡ados. 2 interacción en el.S.P. 313-315. 115. 92. 314. L4l 11 8. 265 77 38. 43-46. 341 fracaso. 231. 142 distribuciones condicionales. 16ó. 215. 199 insesgada (u¿ose estima iDsesgada) estimas de máxlma verosimilitud. 116.267 formas igualmente factibles. 38. 261. 2L9.226-22a mediaate la distribución chi<uadrado. 216. 297 e¡rb¡ o residuo. 43 teoremas sobre la. 306 Fistre¡. 77. 124-127 ajuste de datos por la.312.268 pua grar¡des muestras. 118. óó estatura de padres e hijos. 161. 156. 2I9. 117 teoremas sobre la. 194 estimas. 44 dis¡etas. 260 ejes. 38. 266. 61-63 distribuciones co¡iuntas. 82 distribuciones de frecuencias. 64 293. ?7 muginal. 311 notación paa. 163. 5. estadfstica. fó8. 4ó. 4 espacios muestrales inflDitos contables. 260. 312 Einstein-Bose.. 118. 63. 222 escalera flor. éxito. 198. 4 espacios muesfales discretos. 241 3 mediante medias. 80. 2r9. 117 disribución trimodal. 260 elementos o miemb¡os de los conjuntos. R. 213 para va. óo conti¡uas. 44. 26ó también esperanza) estadfstica Bose-Einstein. 110 espermza matemática.4. 293. 266. 54 de sumas de variables aleatorias. 91. 237. 290 . 1ó espacio muest¡a] finito. 114 relación de la a la disEibución binomial. 194-210 eficiente.266. 81 ble.2t6 ¡elación con la teorÍa de estimación. 4 esperanzar 76.139-141 ¡elación de la a la distribución normal. en téminos de varimzas y del coeficiente de conelación. 163. 5. 162.178.pua el coeficiente de correlación. 285. 178 (uéo¿e 213 mediante la distribución f de Student. 217 ensayos de dos colas. 194 estimas por intenralos. 194 e¡aor tfpico de la estima. 263. 81.249 distribución nonnalr 109-1 11. experimentos de dos faetores. 4 espacids muestrales continuos. 184 de medianas.263. 43. 117 relación de la a la chl-cuadrado y F. 83. 113 distribución Maxwell. 212.177 enfoque de la frecuencia relativa de 308. 138. 77 (uéose dos. t7l enfoque a posteriori de Drobabilidad. 4O. 52 distribuciones de probabilidad condicional. 44. 286-287 .294 pa¡a la püábola de mlnimos cuad¡a- teoremas sobre. zLl. 161. 4.6 286. 194 estimas sesgadas. 84 distribución multinomial. 14. 163. 39. 312 efectos de lnteracción.) distribución porcentual de frecuencias. 2ó9. (pe¡cepción ext¡as€nsorizlr. 111 distribución nomal bidimensional. 35 estadfstico no puamétrico. l6 3 frecuencia relativa. 133 distribución Weibuü. pua variables aleatorias contfuruas. 218. definicid¡ de la. 109 propiedades de Ia. 218 frecuencia porcentual. 45 función de densidad conjunta. 113 experirnentos aleatorios. 1Og de la distribución de Poisson. 164 distribuciones de probabilidad. 162 distribución multimodal. 326 función de distribución acumulada. 286 fórmula producto-momento para el coeficiente de cor¡elación lineal. 297. 27 O. 198. 346 media y vaianza de la. Futl. 22L- experimentos de un factor. 6 enfoque clásico de probabilidad. 342 función característica. 324-327 variaciones pa¡a. 42. 6 fórmula de inve¡sión. 273. 40. 4 espacios muestrales no disretos. 194. 2L9. 1 de proporciones.171173 de medias. 162. 86-E8 condicionel. estadfstica (uéose estadís- tica Bose-Einstein) e1e x.179 distribuciones de frecuencia ¡elativa. 28t. 264. 2L4. 3 7 Fisher. 297 f¡ecuencia observada. 44 va¡ianza pa¡a. 243 ensayo de bipótesis y significación. 289.¡ecuencia marginal. ó1. 13ó función de densidad para la. 14. 160. 199. 267 pua valores predlchos. 198. 267. 113. 194-2LO. 114. 156. 41 de funcit¡nes de vadables aleatorias. 77 espermza condiciona!. 119 distribución muestral. 3O8 error tfpico. 160. 290 estima. 311 distribución t Student) 163 acumulada.277 para el plaao de regreslón de mfnimos cuadrados. 31 1 experimentos de Mendel. 84 distibución uniforme. 164 acumulada. 5 enfoque uiomático de ptobabiüdad. 16G162. 81. 1ó7. 29A espacios muestrales infiniio no conta- fumión complementaria de error. 220. 92. 289.214 püa pequeñs muestras. 278. 162 INDICE efectos de tratarniento. 99 de la distribución binomial. ó2 de funciones de vuiables aleatorias.274. 216 para coeficientes de regresión. 132. distribución de 2t6. 138.216.201 esti¡nas insesgadas. 117. 8l totales. 47 interpretación gráfica de la. 17?179 acumulada. 262. 49. 213 ensayos de una cola. 52-56 continuas. 216 Fermi-Di¡ac. 267 3-2L5. 157 de dewiaciones típicas. 212.2La. 111 teo¡ema de la unicidad para le. 263. 223. 194 estimas po¡ puntos. 162 de difetencias y sumas. 25. 98. 119. 164. traslación de. 2t6. 4ó para valiables aleatorias dlscrets. 94. 262. 6 enfoque a priori de p¡obabilidad. 262. mediante la disúribuclón F.47 disc¡etas. 236 mediante la distribución normal. 164 distribuciones de fiecuencia acumulada. 261. 1O8 expansión binomial. 137. I76. 287. 1?3-176 de varios estadísticos. ó3. 6 ensayo chi-cuadrado para bondad del ajuste. 194 (uéate estimas insesgadas) toñbién mediante diferencias de medias. dualidad.

249-292 n factorial. 80 teoremas sob¡e la. 308. 1 polÍgono de frecuencia. 352 números complejos. 6 moneda b-omada. 159 normal. potencia de un ensayo. 117 la distribución normal. 112 la distribución F. invuianza baio üanstotmacióD. 183. r23. 136 gráficos de control. 84. 2t3.¡los abierto y cetrado. 8O función monotónicamente creciente. 179 acumuladas. 15ó. 177. 179-183 la distribución binomial. S. 85. 156. 165. 3. 83. 45 funciones de distribución. 164. 156 tamaño de la. 1 56 independientes. 197. 123 la distribución de Poisson. lnteÁ. 63 función de Drobabilldad coqiuDts. á1 lÍnea real. 211.268 funciones de probabilidad marginrl. 76 de una muestra. 26O intetsección de cotiuntos.221 experimental o descriptiva. 2O4. I 55 integrales de Fourier. 44. para el análisis de la varianza. (uéqs¿ rectas de mÍnitnos cuadrados) método y fórmula clave. 83. L22. poker. 163. 5ó. 259 para curvas. 21 hipótesis. 195 lÍmites fiduciales. 37 Poisson. f96-202 L44. 195. 264. ó8. 47. 243 pua paábolas.INDICE función de probabilidad. 48 probabilidad de causas (uéos(f teorema teoremas de la. 206 semi-cerra2dO. funciones de densidad marginal. 95 para las pruebas de Bernoulli. 1ó8.312 ordenadas. grupo control.5ó marginal. ró9 población infinita. 76. 217 259 236. 194. 217. 13 Iey distributiva. LS7. 23O inferencia estadística. 79 intenalos geml-abiertos o dos. 311 mediana. 221 experimental o descdptivo. 1 7-2O función de la. 46. 40. 157 media ditmética. 204 para medias. 3 ¡ey conmutativa. \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.D. 79 condicional. 259 método de comprensión. f 56 alrededor de la media. 200 número. para la convolución. 3O6 medias de tratamiento. 69 para datos agrupados. 97. 198 dist¡ibución de muestreo de la. 277. 4O función factorial. 47 para conjuntos. 6r 3 ley de los grandes números. 203.S. pea conjuntos. 1ó1 grados de libe¡tad. 96. 311. f16.293 medidas de centralización. 6 suma de los pa¡a la distribución chicuad¡ado. 224 tabla de. 184 teorÍa de correlación y regresión. 1O función paso. 269. ó3 niveles de confianza. 224 niveles de significación. lO9. 86. 1^O. 111 21 E inte¡ralo semi-intercuütÍlico. 163. 96. 196.272 función error. 47 Pata conjuntos. 11 método de mínimos cuadrados. 1r6. 2 pea vErian¿as. 163.23O Herencia. 217 gráficos de control de caüdad. 19ó. 12. 6.179 ojivas porcentuales. 266- 4t. 156. 1 44 pe¡centil¿s o valores percentüa. L78 I paradoja de Russell. 1ó8. 32 parámetros poblacionales. 43. 80.165. 2.219. 164. 13 en los zucesos.313 ? probabilidad. 312 g¡an total. 156 población multinomial. 206 modelos matemáticos. 6 muestras. 159. 26.297 198 para rectas. 45.179183 momelltos centüales. 171. ó4. 1ló de la distribución F. 195 (uéose tambíén lÍmites de confianza) IÍmites reales de clase. para la convolución. 342 fórmula asintótica de Stirling pa¡a la. 39. 155 aleatorias.164. 3. 84. 43 4O 268. para datos agru- Gas ideal. 27 . 227. 214 histograma. Ojivas. 3 inteivalo de clase. 205. 81. 163. 79 alrededor del origen. 342. 97 mejor cuwa o recta de ajuste. 342 27. 342 fórmula de recunencia ptala. 155.. 158. 177 muestreo. 1 (véase también conjuntos) prábola. 156 196 Ley asociativa. aproximación de Sti¡ling a. 84. L21 Jacobiano. 97 medias de fila. 312.49.2O3 para relaciones de vuianzas. 177. 11ó. 351 loterm. 47. 342 función gamma. 350. 164. 306. 89-91. 1. 343 central. 1O9. 241 tabla de. 84. 1ó5.98 de la dist¡ibución binomial. 183. 76. 2 lntcnalos de confianza. 94 moneda cargada. 18O- población normal. 13 lÍmites de confianza. 126. 306. 94 función escalera. 3O6 de de de de medias de grupo. 55. 61-63 conjunta. 159. 111 de la distribución ú o de Student. 110 eomplementaria. 48. 89'91.84 Papel gráfico de curya normal. 155 población binonial. 198. 123 de la distribución chi-cuadrado. lf l. 196 población finita.237. 13ó de la distribución d€ Poisson. 1O9. 3O7. 266. 2 núme¡os ¡eales.44. 96. para la convolución.266 pe¡mutaciones. 11? de un conjunto de números. 39. 1óó. 292. 1ó6. 194-206 para diferenciás y sumasr 196. 96.Q. 1ól momentosr 79. 85. 163. 164 operaciones de coniuntos. (cociente de inteligencia).312.45. 21?. 1á6 con o sin remPlazamiento. 156 parámetros de la. 40.50. 96 de la dist¡ibución beta. 213 números rleato¡ios. 114. acumulado. 79 momentos condicionales. 84. 178 moda. teorema de la unicidad pea la. 1 método de expansión. 39 condicional. 44 g¡andes muestras. 196 muestras aleatorias. 276. 156. 8.5 probabilidad condicional. . ll. 86 Marca de clase. 308. 2+2.342 función gene¡atriz de momentos. 44.97 (véase tanrbién esperanza) pados. 113. 36. 184. 157 media total. 171. ensayos de. 8 3O7.297 miembros o elementos de un coqiunto. 27-23 población. 45. 2 logúitmos comunesr tabla de. 44 371 molécula de gas ideal. 268 para vuiables aleatorias continuas. 158 I. 41. 97 medidas de dispersión. 2. 341. gran media.241 hipótesis estadísticas. 199. 186. 98 integr¿les especiales. 199-201 grupo. 99 pe¡cepción extransesorial (udase E. 117 modelo matemático lineal pua el análisis de va¡ianza. 212. 197. t71. 211 (uéase tombián ensayos de hipótesis y significación) hipótesis nulas. 112 de la distribución normal. 84. 117. 309. 42 para variables aleatorias discretas. l2 computación de la. 3Oo funciones de distribución marginal. 84 (véose también media) media muestral. 164. ó6. 269. 259 ir¡tetcepto. 19ó nivel de significación. 2O2.22O.P. 313 polÍgono de frecuencias 179. 17? niedia. 49. 3.) mÍniinos cuadrados. 196. 38 marginal.166. 1 56 partículas radioactivas. 26L. 8O. 166-167.234 pare propo¡ciones. 54. 76. 162 no unicidad de la. débil ros) (ué¿se muestras independientes. 85.

266. 45. 311 tratamientos. 259. 11O v&iables aleato¡ias dist¡ibuidas uniformemente. problema de los. 212.38 discretas. 311. 254. 4. 176 velocidad efectiva (¡ms). 112. 262. 4. 194. 243246 tablas de frecuencia (uéose ta¡nbién distribuciones de frecuencia) variables aleatorim distribuidas binomia¡mente. 11 1.260 pua vriables aleato¡ias distribuidas binomialmente.244 representación gráfica. 21 variación. 258 punto muestral. 27 I relación fineal.372 o ¡egla de Bayes) concepto de la. 289. 2a9.2a5 vatiación residual o aleatoria. 50 dist¡ibuidas unifomemente. 341 ¡elación con las dist¡ibuciones t y F va¡iables aleatorias con dist¡ibución Gamma. 108 pruebas de Bernoulü. 112 de la dist¡ibución normal. 81. 37 subconjuntos. 15 sucesos elementales.94 de la distribución binomial.88. 1O8 vuiables aleatorias distribuidas de a- cuerdo con la dist¡ibución Poisson. entre columnas o bloques. 37 serie de Fourier.82 de momen- mente. 25 Unidades o dimensiones. 3O7 para . 26 2 teoría muestral de. caso donde s . 160 esperanza de Ia. 82 veiables aleatorias normales asintótica- ley de los grandes números paa 109. 216 como segundo momento.123. 311. asignación de las. 6.3il1 Taylor.2a2. variación total.49. 1O8 variables aleatorias dependientes (uéose variables aleatorias independieDtes) vaiables aleatorias discretas. 284. 81 transformación Z de Fishe¡. 143. 322-327 tabla de c. 266. 1 14 independientes.272 318 grados de libertad para.318 múltiple. 263.262 vüiación explicada. 85 sesgo. 195 desconoce la. 264. 67. 97-99. 14.111.273 en términos de varianza muestral v teoría de muestreo exacto.85. 64 probabilidades. 26O. invarianza bajo. 266. 164. 15-17 p¡obablemente significativos. 3 significación. 79 vriables aleatorias con distribución Be- serie". 271 referencias tipificadas. 264. 38. probabilidad empírica. 123 de la distribución de Poisson.161:171 prueba de Bernoulli. 263. 1lO va¡iables aleatorias adimensionales. 3O7. 265. 63. 111 de la dist¡ibución t.39 vaiables aleatorias continuas.86. 41 INDICE sobres. f91. 212 regla de Leibniz para la de¡ivación de una integral.81. 164 dist¡ibuciones de la. I 1 O pila distribuciones conjuntas. 48. 39. 260. ó-7 sumas es¡reciales. 131 prueba del. 258. 38. 23a como una función de valor real. 8. 237 . 195. 49. 3O8. dist¡ibución muestral de. 9. 3f 3-3f 5. 9. 2a7. 29. 97. 27 8. 242. 89. 8O ¡acte¡Ística. 263. 46. 7. 260 variaciones. 195 valo¡es de tendencia.317.245 en análisis de varianza. 26? traslación de ejes. 266. 1O9.6O teorema del límite central. 112 de la distribución f'. 48. 5. 29. 43 t¿blas de clasificaclón doble. 48 función de densidad de. 8O dist¡ibuidas binomialmente. 324-321 residuo.249 computación de la. 29O curva. 249 de vaiables aleatorias distribuidas normalmente. 156 temperatura Kelvin. 63. 26I intersección de.lasificación simple. 352 293. 312 regresión. 26-27 231. 20. 326 diag¡ama. 79 distribución de las. 131 teorema o ¡egla de Bayes. 2O1 t¡ansformación de Fourie¡. 64 gráfica. 270 va¡iables aleatorias. 3O7. 269. 164 probabilidad geométrica. 3O6 triángulo de Pascal. 85. 38. 291) universo del discurso. 219 en anáUsis de varianzas.284 relaciones no lineales. 223. 2ó9 Sec¡etaria. 306. explicadas y no explicadas. 242. 117 muestral. 151 teorema de unicidad. 13O. 79.116 función (uéose función de probabilidad) geométrica. 78 va¡ianza combinada.89 combinada.239 problema de la aguja de Buffon. 49 ¡éplicas. ó2-56. 3Og pua las. 264. para un conjunto de números. 3O9 regresión múltiple. I7 -2O. 79. 79. 161. 262. 269 vdiables-transf o¡madas. 2AL.2O2 interpretación probabilística de.287-289 transformada inversa de Fourier.81. 289 ecuación. 281.285 recta. 212 ensayos de. 83.158.2a5 vaiación no explicada. 50 papel gráfico. 219. 198 rectas de mÍnimos cuadrados. 259. 266. 1Og de la distribución de Poisson. 89. 58. (véase v atianza muesüral) continuas. 38 variables aleatorias de la distribución de Bernoulli. 131. 7. Tabla de probabilidad coniunta. 68 proporciones. 114 1ó8. 17-2O. 297 tammo de la muestra. Valores críticos.259.63 vüiables aleatorias no relacionadas. 216 var\anza muestral.98 serie de Taylor. 78 unidades tipificadas. ó. 311.159. 266. 226 . 289.experimentos de dos factores. 6.110 vüiables dependientes.294 vaianza. 266. 217. 262. 1?9-183 vriable independiente. 46. 1ó8. 115 cuadrado. 113. 52-56. 30. 1 I O región crltica. ó sucesos. grados de libertad 311 métodos cortos paa obtener las. I 18 tablas y distribuciones de frecwncias de doble v&iación. 22O.124 las. 292-294 cov^rianza. 183 de la distribución binomial. 49. 161. 8 cálculo de las. 31O. 117 de la distribución muestral de medias.161 veiables aleatorir nomalizadas.115 vtianza poblacional. 261.4 Recorrido. 1 subconjuntos p¡oFiós. 317. 63 no conelacionadas. 269.114.37. 262. 264-27 4. para datos agrucondicional. 3O9 ent¡e filas o tratamienúos. 26A. 42. 5 condicional. 158 de la distribución no¡mal.2a4. 81 transfomación. 26O. 79 pados.262 27 a. 108. 46 scesos mutuamente excluyentes. 281. 6 suceso seguro.266. 78. 31 1 entre y dentro de tratamientos. I O8 distribuidas normalmente. 79 tipificadas de.27l uperf icies. 30. 1 ilceso imposible. 266. 262.97 semi-intercuartr-lico. 5O con distribución dg Poisson. región de. ? sucesos independientes. pda la función generat¡iz tos. 263. 259. 22O tablas de con¿ingencia. 158. l94 sÍmbolos de inclusión. aleatorias) 2 2 241. S2 sin dimensiones. plano.115 variables aleatoiias con distribución chi- ta. 6 algunos teoremas importantes sobre la. problema de la. tabla de. 130. 151 82 seguridad. 15 utilizando el análisis combinatorio. 213 región de rechace. LIL. 196 tigmpo de reacción. 2t9.284. 165. 45. 242. 3O9. 2ll (véase tombién ensayos de hipótesis y significación) vaiables aleatorias con dist¡ibución Cauchy.lores esperados de las. pa¡a la función ca- vaiables aleatorias independientes. 111 vuiable estocástica (véase vuiables valores exponenciales.2a4.78. 85. va. 279 unión de conjuntos. 8O sesgada a Ia derecha o a la izquierda.2ó9 coeficiente.

.

.

l .

.

.

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

Sign up to vote on this title
UsefulNot useful