760 problemas resueltos probabilidad y estadistica

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.

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

Parte I PROBABILIDAD .

.

o.2. u.6}. C. Sic noperteneceaC escribimos a é C. 5.6\. Sinónimos de conjunto son c/cse. I a. En general. i. u ) es un subconjunto propio de {o. A tenemos A C A. uloporelmétododecomprensióncomo{rlreeunavocal}. grupo y colección. EJEMPLO 1. escribimos de B. i. pero no un subconjunto propio. e. EJEMPLO 1. puesto que los dos conjuntos son iguales. Un conjunto puede considerarse como una colección de objetos. de {o. El primero se denomina el método de extensión y el segundo el método de comprensión.6.2.5. 6). debemos estar capacitados para determinar si un objeto específico pertenece o no al conjunto.4. Un conjunto puede definirse haciendo una lista de sus elementos o. B. o. 4. 3. mientras no se especifique lo contrario. En este caso AyB tienen A+ Si A no es igual a B. denotamos un conjunto por una letra mayúscula A. es decir si B. 4. Si o y b pertenecen aC escribimos a. EJEMPLO 1.3. i. describiendo alguna propiedad conservada por todos los miembros y por los no miembros. a. si esto no es posible. SUBCONJUNTOS Si cada elemento de un conjunto A también pertenece a un conjunto B llamamos a A un subconjuntodeB._l 'Cupítulo Coniuntos y probqbilidqd EL CONCEPTO DE CONJUNTO 7 El concepto d. _ Si un elemento a pertenece a un conjunto C escribimos a€ C. i. u}. 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.Para que un conjunto seabiendefínido. b e C. e. { 4 o. u}. EJEMPLO 1. y un elemento por una leha minúsculao. 3. o. Se sigue que para todos los conjuntos exactamente los mismos elementos. e. e } es un subconjunto. el cual es un subconjunto (propio) del conjunto de todos los resultados posibles {L. 2.e conjunto es un pilar fundamental de la probabilidad y la estadística y de la matemática en general. ¡ |¡ es un triángulo en un plano ) es el conjunto de los triángulos en un plano. .1. llamados míembros o elernentos del conjunto. El conjunto { Obsérvese que el método de extensión no puede utilizarse aquí.5. EJEMPLO 1.4. Obsérvese que la sola redistribución de los elementos no cambia el conjunto. SiA C B pero A + B llamamos aA un subconjunto propio EJEMPLO 1. El conjunto de las vocales en el alfabeto puede definirse por el método de extensión como { a. Al lanza¡ un dado los resultados posibles cuando el resultado es "par" son elementos del conjunto {2. como siempre lo supondremos.b. léase"elconjuntodeloselementos¡talesque¡es una vocal" donde la línea vertical I se lee "tal que" o "dado que".escritoAcB6B:Ayleído"AestácontenidoenB"o"BcontieneaA" respectivamente. A y B no tienen exactamente los mismos elementos. Si Ac B y B CAllamamosa A y B iguales y escribimos A : B.

EJEMPLO 1. l -2 Fig. 5.a CONJUNTOS Y PROBABILTDAD lcAP.8. 1-3). sirven para da¡nos una intuición geométrica respecto a las posibles relaciones entre conjuntos. 1-2). Un conjunto importante que no8 es famili que pueden reprecentarre por puntoe en una línea reol lor subconjuntos{¡ | o < x = ó} y{r I a1x(ü} deR (r ( b¡ ee denominan interualos centdo y abierto reepecüiv I o 1x < b) se denomin¡n intcrvalo¡ eemi-abiertos o semi-t . 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. el conjunto de todoe los resultados posibles es el universo {L. Si AC B y B CC. 1-4 2.4.2. EJEMPLO 1. Si lanzamos un dado.T. En tal caso los subconjuntos de zt (como A y B indicados y sombreados en la Fig.3. Intersección. l-3 Fig. Fig. Tales diagramas denominados diagramas de Venn. 6}1. El conjunto de todos los elementos (o puntos) que pertenecen a A o a B. Los elemenr Es útil considerar un conjunto que no tiene r uacío o el conjunto nulo y se denota por p. DIAGRAMAS DE VENN Un r¡niverso u puede representarse geométricamente por el conjunto de puntos dentro de un rectángulo.JNTO VACI( Para muchos propósitos restringimos nuestra d fico denominado el uniuerso del discurso. o tanto como aB. OPERACIONES ENTRE CONJUNT\OS 1. El conjunto de loe rcsultados que consisten de las caras 7 u 11 sobre un solo dado es el conjunto nulo. es un EJEMPLO 1. entonces AC C. . CONJUNTO UNIVERSAL Y CONJI.7. Unión. 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. 1 El teorema siguiente es verdadero para cualesq Teorema I-I.9. o simp espacio uniuersal y se denota por u. se llamala unión deA yB y se escribe Au B (región sombreada en la Fig. 1-1) se representan por conjuntos de puntos dentro de los círculos.

.1l CONJUNTOS Y PROBABILIDAD DosconjuntosáyBtalesqueAnB:p.cAP. AnU (AuB)' = A'ñB' (AnB)' = A'UB' A = (AnB)u(AnB') Los teoremas L-Lzo.AñB1C An(BuC) = (AnB)u(AnC') . símbolos de inclwión . l-5 Fig.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 . 3.4u^B)uC I. 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.11. 1'6). t-Lzb A YB y 1-13 pueden y 1. 1-4). L'L.An(BnC) = (¿nB) nC -. A y B son disjuntos. cyf.B (región sombreada en la Fig.esdecir.AnQ=9 AU'al -. En la Fig. interrecciones por uniones.74). u el 1/. entonces A')B' 6 B'c.4u(anC) = (AuB)n(AuC) A-B = AñB' Si AcB. escrita por A . el B y lo escri se llama saXl-B Fig. El conjunto que consiste en todos los elementos de A qtlle no pertenecen a B llama la diferencia áe A y B. se B Si A : UB).{ = A Primera ley De Morgan Segunda ley De Morgan Para cualquier conjunto generalizarse (véanse Problemas 1. Diferencia.'NTIOS AUB = BUA Au(BuC) : (. se escribe Fig.69 AUQ-A. 4. l-6 AIGUNOS TEOREMAS RELATIVOS A CONJI.guenotienenelementoscomunes'sella¡¡ran coniuntos disiuntos.

Así cuando se produce un tornillo será un miembro del conjunto {defectuoso.. simbolizado por S ( ó 0 ). (0. l-? tos como números naturales 1. es decir SC. Obsérvesé que eJ córresponde al conjunto universal.1 ) representaselloen el primer Ianzamiento y cara en el segundo lanzamien[tr.16.SC. Si un experimento consiste en medir "la vida" de las lámparas eléctricas producidas por una compañía. 4.or . 6 | en tanto que otro es lpar.5. 1 EXPERIMENTOS ALEATORIOS Todos estamos familiarizados con Ia importancia de los experimentos en la ciencia y en la ingeniería.6). por ejempio. Con frecuencia habrá qás de un espacio muestral que describe los resultados de un experimento pero hay comúnmente sólo uno que suministra la mayoría de la información. Si tenemos una máquina que produce tornillos. Si lanzamos una moneda eI resultado del experimento es un "sello". es lógico que el último no sería adecuado pan determinar. 'EJEMPLO 5. es decir es un conjunto de resultados el resultado'de un experimento es un elemento de A decimos que el suceso A ha ocunido.tal como 0 f r: S 1. 1.en tanto que uno que es infinito no contable'se llama espacio muestral continuo o no discretoSUCESOS posibles. 4. EJ EMPLO 1 . un espacio o conjunto muestral de todos los resultados posibles se da por {1.16.CONJUNTOS Y PROBABILIDAD [cAP. = 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. sedenominaespacio muestral infinito no contable. Si un espacio muestrdl tiene un número finito de puntos. 0 ú :: 4000.dsdecirdos EJEMPLO 1. etc. si un resultado es divisible por 3. . el resultado del experimento es que algunos pueden estar defectuosos.14. 1)). se denomina espacio muestral infinito contable.2. Si lanzamos un dado. hay experimentos en los cuales los resultados no son esencialmente los mismos a pesar de que las condiciones sean aproximadamente idénticas.12. 1-7 donde. . entonces el resultado del experimento es el tiempo f en horas que se encuentra en algún intervalo. simbolizadaporc(ó1). donde suponemos que ninguna lámpara eléctrica dura más de 4000 horas.12) puede dibujarse por puntos en la Fig.SS) caras. Si tiene tantos puntos como hay en algún intervalo en elejer. por ejemplo.CS.3.esdecirunodeloselementosdelconjuntóíqs)(ó{0. EJEMPLO1. Silanzamosunamonedadosveces. por ejemplo. Los siguientes son aLgunos ejemplos.2. Si tiene tantos punl'ig. 3. . cara la primera y sello la segunda. g.elresultadopuedeindicarsepor{CC. o una "cara". Un suceso es un subconjunto A del espacio muestral. Sin embargo. no defectuoso}. En tal caso es deseable utilizar números en cambio de letras siempre y cuando sea posible. EJEMPLO 1. si lanzamos una moneda dos veces y utilizamos 0 para represenmr sellos y l para representar caras el espacio muestral (véase Ejemplo 1. si lanzamos un dado el resultado del experimento es uno de los números en el conjunto {L.15.13. Si elemental o simple. EJEMPLO 1. EJEMPLO 1. Un suceso que consiste de un solo punto de cJ frecuentemente se llama un sueeso . como en el Ejemplo 1. 2. Frecuentemente es útil dibuja-r un espacio muestral gráficamente. Un principio fundamental es que si efectuamos tales experimentos repetidamenle bajo condiciones aproximadamente idénticas obtenemos resultados que son esencialmente los mismos.11.1 0. Unespacio muestral que es finito o infinito contable frecuentemente se denomina espacio muestral discreto. impar) Sin embargo..se denomina espacio muestral finito. Tales experimentos se denominan experimentos aleatorios.

Entonces A : {CS. Esto también se llama laprobabilidad empírica del suceso. y de estas dos maneras una cara puede aparecer en una sola manera.B es el suceso "A pero no . Si después de n repeticiones de un experimento. A' es el suceso "no A". todos igualmente factibles. si la probabilidád es de 1f4. excluyentes. CC}. EJEMPLO 1. SS) : eJ A-B- Añ B: {CS} {^SC. 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". 2. perosi estamos regutJs de que'el suceso no ocurriú d_e9. donde n es muy gmnde.'sello" (suponiendo que la moneda no se pierda ni caiga verticalmente). EJEMPLO 1. es decir que no está cargado. Flxisten dos procedimientos importantes por medio de los cuales podemos obtener estimativos para la probabilidad de un suceso. B : { CS. Enfoque'clásico o a priori Si un suceso puede ocurrir en h maneras diferentes de un número total de n maneras posibles. un suceso ocurre h veces. 1. que es el suceso cíerto o seguro ya que un elemento de eJ debe ocurrii.B". SC. diríamos que hay y 26Vo de oportunidad de que ocurra y un 767" de opoitunidad de que no ocurra. nes relativas a sucesos pueden traducirse en el lenguaje de-la Pu-esto que los sucesos son conjuntos es lógico que las particular tenemos página 3. Al llegar a este resultado suponemos que la moneda es honrado. Supóngase que deseamos la probabilidad de que resulte una cara en un solo lanzamiento de una moneda.17. w tloríá de conjuntos e inversamente. SilosconjuntosconespondientesalossucesosAyBsondisjuntos. En ólgebra de sucesos que coffesponde al álgebra de conjuntos indicada en la e. y el conjunto vacío Q. frecuentemente decimos que los sucesos son mutuamente.cAP.lm9s que su probabilidad es cero.cualquier experimento aleatorio siempre hay incertidumb¡e sobre si un suceso específico ocurrirá o no. entonces ta próbauilidad del suceó es h/n. razonarno{¡ que la probabilidad requerida es 112. Como medida de la oportunidád o plobabilid. el suceso que sólo resulte una cara es el subconjunto del espacio muestral que consiste de los puntos (0. CC} EL CONCEPTO DE PROBABILIDAD En. Enfoque. 2. AU B es el suceso "Aó B o ambos". SS } así tenemos A U B: {Cg A': {SSl SC. A n B es el suceso'qtanto A como B" 3.como frecuencia relativa o a posteriori. entonces la probabilidad del suceso es h/n. . 1) y (1. como se indica en la Fig. A. simplemente "cara" y .19. 4. que se llama el suceso imposible puesto que un elemento de Q no puede ocurrir. 1-8.18. 0).esdecirAñB:Q. Esto quiere decir que no pueden ocunir ambos. CC. entonces podemos obtener otros sucesos en cJ. 1l CONJUNTOS Y PROBABILIDAD EJEMPLO 1. 1.Puesto que hay dos maneras igualmehte factibles del resultado de la moneda.ad con la que podemos esperar que un suceso ocurra es conveniente asignar un número enhe 0 y 1.[ proposicio Fig' 1-8 Empleando las operaciones de conjuntos en sucesos en Así si A y B son sucesos. Equivale adecirque laprobabilidad contrasu ocurrenciaesdel 75% al25vo o de B ai. Si estamos seguros de que el iuceso ocurrirá decjmos que su probabilídad es 100% ó 1. Como sucesos particulares tenemos el suceso en sí mismo. Por ejemplo. si lanzamos una moneda dos veces.

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

]) . á3 son tres sucesos cualesquiera. Si asignamosprobabilidades iguales a lospuntos muestrales. 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..An (1+) P(Ai + P(Az) + . Hallar la probabilidad de que resulte 2 ó 5.4. + P(ánA") (rr) ASIGNACION DE PROBABILIDADES entonces por el Teorema 1-18 Si un espacio muestral el' consiste únicamente de los sucesos elementales Ar. En particular...) + P(Ar) + P(As\ . 1l CONJUNTOS Y PROBABILTDAD P(Ar) Teorema +P(A2)+.5.21. si suponemos probabilidades iguales para todos los sucesos simples.4... entonces P(A:U AzU ¿") : P(.6}. Ar..2..+P(4") = 1 (e) 1-19: Si A y B son dos sucesos cualesquier4 entonces P(AuB) = P(A) + P(B) . esdecir si suponemos que el dado es honrado. Podríamos lógicamente emplear otros procedimientos para asignar probabilidades..cAP. 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.. entonces P(A¿: '!y si A es k=1.. Az..3..P(A. Se lanza solo un dado. como el de la frecuencia relativa de la página 6.entonces P(A) = P(AnAi + P(AñAz) *'..2. El espacio muestral es e-I: {1.P(üñAz\ - P(A|¡A.B\ Generalizando.. EJEMPLO 1. Az.. Véase Problema 1..79.A. si A (10) t..P(AsnA) (rr) + P(Lt\AzñAs) También pueden hacerse generalizaciones a n sucesos. + 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).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. entonces 1 6 .

. + p(A")P(AlA") (20) . A3 tenemos P(AtñAzt\ás) = P(A) P(A2l At) P(Asl Atn Az\ (1e) En palabras. . 1-9) tales que P(A)> 0. (o) no se da ninguna otra información. . TambiénP(AñBr:216:1/3.41 ha ocurido tantas veces la probabilidad de que A3 ocura dado que At y Az han ocurido. el saber que el resultado del lanzarniento es un número iinpar aumenta la probabilidad de Ll2 a 213. (o) Si B denota el suceso {menor que 4). (b) se da que el lanzamiento resultó en un número impar. Puesto que se sabe que A ha ocurrido. ilamamos a P(B I A\laprobabilidad condicio¡wl de B dada A. AnB Fig. 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.. TEOREMAS SOBRE PROBABILIDAD CONDICIONAL Teotema 1-22: Para tres sucesos cualesquieraAl. A. 1 indica por 2 U 5. entonces P(A'.) + p(A)P(Al Azl + . . = P(A)P(A|A. El resultado se generaliza fácilmente a n sucesos. A2. P(BIA\:"+#=#=? Por tanto. 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. Teorema 7-23: Si un suceso A debe resultar en uno de los sucesos mutua[iente Ar.CONJUNTOS Y PROBABILIDAD El ¡uceso que resulte 2 ó 5 ee [cAP. Denotamos por P(BiA) la probabilidad de B dado que A ha ocurrido. (b)SiAeselsuceso{númeroimpar}observamosqueP(á):316= Entonces 1/2.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. Por tanto P(2u5) = P(2)+P(51 = *. Fácilmente se demuestra que la probabilidad condicional satisface los axiomas en la página 6.22.) excluyentes á1.2 6 g observamos por el teorema P(Bl = P(r) + P(2) + P(3') = -+-+-= 6662 1l1l suponiendo probabilidades iguales para los puntoc muestrale¡. es decir la probabilidad de que B ocrura dado que A ha ocu¡rido. 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.Ya queB es la unión de los sucesos 1-18 que 7. r-9 EJEMPLO 1.

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

. El número de permutaciones diferentes de las 11 leüras de la palabra u M/SS/SSIPP. + . Tt.7 manerias r * escoger ét segunaoiU¡e_ to-. ?a. . . 41. Si las camisas se representan por S¡.l. Para el caso particular cuando r: . lógi tos es Sup n conjunto que consiste de n objetos de los cuales nr son de un nguir entre sí). I 2 1 Fig.to. D. 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... en muchos problemas estamos interesados solamenos sin inteiesar su orden.P. 52 y las corbatas por ?1. o permutaciones diferentes como generalmente se les Uarnc está dado { 5 6 8 por Fig. Así el núm&o de permutaciones diferentes (28) Véase Problema 1. l-10. Dichas selecciones se llaman combinah misma combinación. n2 son de un segundo tipo. . 43 y 2p EJEMPLO 1. que rt4t4l't COMBINACIONES 11! = 34 650 una te e cion En una perrnutación estamos interesados en el orden de-la distribución de los objetos. y luego de hacer esto n de . .. clr no se Aquí. elnúmero de permutaciones de n objetos lomados de r en r. C. consiste de LM. EJEMPLO 1. l-10 (25) . y finalmente n 1 formas dó escoger-el r-ésimo objeto. . las diferentes maneras de áscoger una camiea y luego una corbata se indican en el diagrama á¡bál de la PERMUTACIONES Supóngase que se dan n objetos diferentes y deseamos ordenar r de estos objetos en una línea puésto que hay n manera. Llamamos a . rr. B. .s de escoger el primer objeto.P. G es ¡P:t = fi.10 CONJUNTOS Y PROBABILIDAD [cAP. Tz. Así abc es di o lo Sin embargo. .2). .34. EI número de ordenaciones o permutaciones diferentes que consisten de 3 letras cada una y que pueden forma¡se de las ? letras A. (25) se conüerte en = n(n-l)(n-z). E. .6. . F. son del hnr + nz + .r + l\ donde se observa que el producto tiene r factores. . = n(n. = .26. (n .l)(n . . n..24. .P.1 : nt (26) que se denomina n factorial. -se deduce por el principio fundarnlntal de cuenta que el número de ordenácionás.5 = 210 .

cAP. @-l (:. (l)* = APROXIMACION DE STIRLING A r¿ ! xa+ 4x3y!oxzyz *4xy3 +ya Cuando n es muy grande la evaluación de aproximada n! no es práctica.(n-r-rr\ r! ó nP.:nC. (|)*-lt * (i)*"-. El símbolo . .r'2 :25".r/\) \r/ \n EJEMPLO 1. que también puede escribirse como (2e\ ("\ \r/ Fácilmente se demuestra que n(n-L\".podemosesaibir A: {5. EI n(¡mero de manera¡ en lae cuales cartas diferentes es nU.48. .1.s resrreltoa CONJTINTOS 1.71828.\s/ . r! (30) /n\ ( J=( /n '.yEñn"e-n donde e : 2.r. .27. Por esta raz6n decimos que el I unaexpansión asíntótica del lado izquierdo. Sea A el conjunto de todos los números reales cuyos cuadrados son iguales a 25.s! COEFICIENTES BINOMIALES 56 Los númerós de (29) se les llama frecuentemente los coeficientes binomiales puesto que provienen de laexpansión binomiat (r 1- u)^ : * .)" (n) Tienen mucha. y)t = r:{ * (Í)"._.en (33) signifrca que la relación del al lado derecho se aproximá a 1 a medida eü€ /l + o.36) ln\ \"/:nt¿r=rl@=T. U (n Tenemos (véase Problema 1. :25)que se lee"el conjunto de todosloselementosde¡ talesque. .28. (a) A:kl* elementos. 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.e¡decirA . Para un estudio más detallado de la fórmula de Stirüng véase el A¡Éndice A..(t¡*" . En tales casos se utiliza la fórmula (38) nl . Véase Problema 1. escogerse o ¡elecciona¡¡e de un (91') 3 ca¡t¿s pueden total de 8 sc¡ = lt) = 8'J. se. + . EJEMPLO 1.describé dando sus (D) Puesto que t2 :25parar:5y x:-S.(t)**.-5).s propiedades interesantes. Indique cómo describir a.4 por (c) el método de comprensión y (b) el método de extensión.'6 = . es la base de los logaritmos naturales. . Problenra.

-2ly * )9. 1 L.u C.--4} n {+.o. página 3.-4} (c) (AuB) n C = {-{2.pueotoqueloe elementos 3 y 5 son enterosimpares. Entonces {x I x * x} : e.0.+. 2 es wn número re¿l mientras que {2} esw conjunto que consiste del número real 2.-4}n{0. es decir cada elemento de A eetá en 8. AsícadaelementodeB perten.5)=0 sólosi x:B6x:6. (a) AnB = {-12.'NT\OS 1. si el universo 'u = {}. (o) (b) (o {rln+ü} -. 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. Si A = {r l r2=4.15:0).o} u {5. {*. ) La proposición es falsa.5.6. Yaque x2 -8x * 15:0 ó (r -3)(¡.4 u n = {-fr. OPERACIONES ENTRE CONJUNTOS.enconhar(a) AnB.lQ}. Puesto quetambiénBCC.6.Demostrarque BcA. Asf. es deeir B ee un subconjunto de A.-{2.-rt. = {0.-4} = Entonces (BnC\' = {0.2.o} u {0._\E}.t.-tf2. Puesto que no hay un númeror tal que x2 :416x:2._\E} .L2 CONJUNTOS Y PROBABILIDAD lcAP.-fr}. r. -rt.8 = {6. DIAGRAMAS DE VENN Y TEOREMAS SOBRE CONJT.0. El error radica en escribi¡ {@} por @.r).{0. no hay objeto que no sea igual a sí mismo.4.6}.-{r). (e) A . tenemos x€ B..3.o. Aeícadaelemenüodeá esunelemento de C y por tanto A C C. (/) (Bn C). (c) (AUB)nC. puesto que {9} es un conjunto no voclo que conriste del conjunto vacío. C' : conjunto de los elementos en 'll que no están en C : {0.5.B: eonjunto de elementos en A que no están en B : [0.-4} = t-\ñ} (D) . üenemoe A-B = AñB'= (f) BñC = {6.2. (d) B'u C'.0|.-4}n{+.sededucequeACB6B)Aylrrpropocición Obaérvese que esto se lee es verdadera- 1. ¿Es cierto que {2} : 2? No. Cualquier objeto particular se supone ee igual a sf mismo.üenemosB:{g. -4} y los subconjuntos de u están dados por A : {-\n. Por el Teorema 1-8.r} {*.-r/2. tenemosque¡ € C.r. -4} = {+.-fr. entonces AcC. Otro método. 1.r. Demostra¡ que si Ac B y B cC. (s) (AnC) e (Bne.0}n {5. Entonces ya que AC B."áÁ y porüantoBC 1. aA. se sigue queA: @. . Sea r cualquier elemenüo de á.. (b) AUB. (e) A-8.. (d) B' : conjunto de los elementos en t/ quenoestánen g = {0.+. seaA={rl*esunenteroimpar).". B: {x I x2 -8r+.5.-4} = {-18.+.o.-qyC = {+. ee deci¡ ¡ € A.0.5. ". pertenecen á. Determinar cuáles de las proposiciones siguientes son verdaderas y cor¡egir las que son falsas.r} = {0.r.5. n].+. entonces B) A.. (b) "A es el conjunto de ¡ tal que 12 : 4 y ¡ ) 9'.5. 0.-¿}. Entonces B. 5.4} utilizando el re¡ultado de (b). r>g} y B: {fr | r<l}.6. +. el conjunto vacfo.-. Puestoque el conjuntovacloesunsubconjuntodecualquierconjunto. r.-4}.

Región sombreada = (AUB)' Región doblemente ¡ÜEÉru¡r qvvrs¡¡¡E¡¡w rayada ]_"7.-¿} [Vóase pa¡te (f)].2.-¿l = {+. Sea C:8' en el Problem¿ 1. A'se indica por líneas diagonales paralelas construidas de izquierda a derecha en tanto que It se indica por líneas diagonales paralelas consüruidae de derecha a izquierda. Entonces A n (BuB') A r.8. Teorema !-L?tt. .reBuC} I re A. (c) Demostrar la primera ley De Morgan.@. l reA¡B 6 neAnB'} M6todo 2. sirve para euminishar relaciones posibles entre conjuntos que luego pueden probaree por métodos similaree al dado en (o ). Demostra¡ laprimeraley distributiva. 1-11. B n C = {}. (b) Ilus- har el resultado de la parüe (c) empleando un diagtama de Venn. 13 el de la parte (d) ilustra la segunda ley De Morgan. (sl AnC = {-\/-2. Luego At ñ f|' se representa por la región doblemente rayada en donde se encuentran ambos conjuntos de líneas.xeB 6 reC} I s€A.nn.r€B') (b) = A' ^B' El resultado puede extenderse a cualquier número finito de conjuntos (véase Problema 1. y se observa que esta región es igual a la región sombreada de la Fig.0} n {*.8.7.al : (ArtB) u (A^B') : (AñB') u (A¡. (AuB)' = {r I r4Ar-tB} = {" I rCA. Demostra¡ que para cualquier conjunto A y B tenemos A Método 1. 1-11 la región sombreada representa (A U B)'.reB 6 r€A. 1. Teorema 1-6.8') A = (AnB)u(AnB') El resultado puede generalizane (véase Problema 1. (AnB) u(AnB') A : {r I reA) = {.reC) @ | reA"'B 6 xeAnC\ {. página3:Tenemoo An(Bu C) = (AnB)U(AnC). elconjuntovacío.-ll .74). 1l CONJUNTOS Y PROBABILIDAD Obsérvese que este re¡ultado conjuntamente con Tborema 1-12b.9. l-12 Obsérveee que un diagrama de Venn no suministra una prueba como la dada en la parte (o). {r {" (AnB) u (A nC) 1.cAP. página 3. Fig. En el diagrama de Venn de la Fig. Ao(BuCl = = = = = l r€A.-4} Entonces t.neB\ = {r I neA'. (o) Tenemoe págrna 3: (A u Bl : A' n B'. 1-12.69). l-ll Fig. (A¡C\ u(BnC) : @u {*. Sin embargo. = (AnB) u (AñB'). En Ia Fig.

). 2. (E) @ nB) U (A ñ B'):{(rey y trébol) o (rey y no trébol)): irey}. dos. diamanües y tréboles. rey de corazones.A.nB. (d) A. .11 com ^ B' . 1. diamantes y héboles respectivamente por l. (o) Si no tenemos en cuenta los pdos el eepacio muestral consiste de as.10 sea. . 13}. . de acu gamas Fig. reina. 1. (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 ).. es deci¡ rey (ó) 4 n I : {rey y trébol} : {rey de trébol) de trébol)) (c) Puesto que B Luego A U Bt = {trébol}. 1-13. diamantes y tréboles.. . Se extrae una carta aleatoriamente de una baraja de 52 cartas.UB. @) AUB'.CONJUNTOS Y PROBABILIDAD [cAP. (e) A-8. Emplear la Fig. (e) A. . . 2. . 1 EXPERIMENTOS ALEATORIOS.. pica}. (f) A.). picas. y (b) Si tenemos en cuenta los paloc el espacio muestral cronsiste del as de corazón. 3. Refiriéndose al experimento del Problema 1.12. por ejemplo.10. También puede considera¡se observando que (A ñ B) U (A n B') : A. (o) A U B = {o rey o trébol (o ambos. si . = A. . . También puede considera¡se observando que A. Denotando corazones. Luego el espacio muestral consiste de 52 puntoo indicados en la Fig. . B': {no trébol} : {corazón. : (rey o corazón o diamante o pica). . B. rey. ESPACIOS MUESTRALES Y SUCESOS 1.4. I diagrama eden de indicarse A U B.n(8. diamante. de Teorema 1 era simila¡ todos lo¡ obeervarse de la Fig.11.L4 .B. . picar.-8.. diez. jota. Describir los sucesos (a) AUB. (n A'-3' :{no rey y no "no trébol") : {no rey y trébot}: (cualquier trébol excepto el rey).{rey y no trébol}. (b\ A' se 1.B -{reyperono trébol} Es lo mismo que A ñ B' .4 el suceso {se extrae un rey} o sencillamente {rey} y B el suceso (se extrae un trébol} o sencillamente {trébol}. Describir el espacio mueshal (o) no se tiene en consideración el palo (b) si se tiene en cuenta el palo. (q AnB. picae. podemos indica¡ una jota de picas por (11.(g) (AnqU (AnB.1-14.2). puede indicarse como {1.4 u B. 1-13 para describi¡ los s sucesos (a).

asr que Entonces por el P(42\ = P(ár) * P(A2.B) son mutuamente excluyentee.15.At) = P(Azl . Entonceepuesto gue.(A ñ . Aunque hemos utilizado el diagrama de Venn el i rlu^') ". 1-15 (1) AUB: AUIB -(. página 6. Una carta se extrae aleatoriamente de una barqia de 52 cartas. (c) Teorema 1-16.Puesto que P(eJ) sfnp = Q se sigue del Axioma P({)) 3 que s = P(d)+P(Q) 6 = 1. Fig.42 . (b) Teorema 1-15. 1l TEOREMAS SOBRE PROBABILIDAI) 1.77).Ar ) - 0 por el Axioma 1. página 6. (o) Tenemoe Az : At U (Az . Para demostrar que observamos que A C et. tenemos usando el Axioma 3 y el Teorema 1-14: P (A u B) | i'. Demostrar (a) el Teorema 1-17 y (b) el Teorema 1-19.42 ) = P(Al ). 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.4n8)l Entonces puesto que los conjuntos A y B . Demostra¡ el (c) Teorema 1-14. l-15 (An CALCULO DE PROBABILIDADES 1.A¡ ) en donde . (o) Tenemos AV A' :s[.14.P(Ar) Puesto que P(.Ar.At son mutuamente excluyentee.^^'rl i' r"u r--' resultado (l ) puede establecerse directarne¡rte (véase Problema 1. P(Az.cAP.41 y Az . (b) Con anterioridad sabemos que P(A) > 0 por el Arioma 1. página 6. también ee rigre queP(.13. axioma 3. Encontrar la probabiüdad de . Así por el Teorema 1-14 [partc (o)] y el Axiom¿ 2 P(A) < 1 primero P(A)=P(¿)=1 (c) Tenemos eJ : eJuQ.

* h* . (d) no roja.. (f) un diez o una pica" (g) ni un cuatro ni un trÉbol. en particular "as" tiene una probabilidad de 1/13.2.L ñD ó 1 n ") =P((1 n c) +P(1 nP) +P (1 nD) +P(1 n r) 11111 = 52. trébol. 4 bolas blancas y 5 bolas azules.. Puesto que este complemento tiene 52 . por ejemplo.# = 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. (e) P(C') - 1 .16. ? para indicar coraz6n. Por tanto puede denotarse por P(4' ñ ?'). .P(C) = ! P(L0 Ln = ?uti[zando laparte (d)y elTeorema 1-1?. Pero por el Teorem a 1-t2 (a). doo.52. (d) un corazón. Empleemoe el espacio muegtral del Problema 1. a cada punto mue¡hal.10(tr). Por simplicidad utiücelnos C. (e) cualquier palo excepto corazones. P¡ @ Puesto que 10 y P no son mutuamente excluyentes tenemos del Teorema 1-19 UP):P(10) +P(P)-P(10 ñ : 1/13 + rl4 - 7152 : 4lI3 @) La probabilidad de no cuatro no trébol página 9..[P(4) +P(")-P (4 n T)] _.r-Lñ-Z-521 También podíamos obtener este reeultado observando que el diagrama de Venn favorable a este suceso es el oomplemento del suceeo moetrado como la parte sombrcada en la Fig.4' ñ T' = (4 U ?)'.la probabilidad requerida es 36/52 = 9/13.. 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. (b) una jota de corazones. asignando probabilidades iguales de tl52 : L162. Asf g n C significa tree de corazoneo. P(4'^T')= 4(4 U ")'l: L- P(4 U ?¡ : 1..10(o) en donde cad¿ punto mueehal. eeto es 1/4. Así. . pica.. (c) azul. 1-16. respectivamente.16 CONJUNTOS Y PROBABILIDAD [cAP. Determinar la probabilidad de que sea (c) roja. 1 que sea (g) un as..n.13 .* (d) P(c):P(ln c 62ñc6. rcy. (e) roja o blanca. l-r 1.sz = Lg Tbmbién había sidq posible conseguir este resultado del espacio mueshal del Problema 1. . D. P(6 n (o) ") P(1): PG^e ó 1nP ó. t (b) P(11 ñC¡= :- (c) I * -I^ 26 ) +P(6 ñD¡: 62 52 = I " . diarnante.16 : 36 puntos muestrales en él y cada punto muestral tiene una asignación de probabilidad Il52. 13 pot aa.lsnc) = #. P.1l _ 9 .y 1. en tanto que S U C significa tres o corazón. Una bola se extrae aleatoriamente de una caja que contiene 6 bolas rojas.. # -. 1. (c) un tres de tréboles o un seis de diamantes. (b) blanca. página 6.

Método 2. .3 6 4 en el segundo lanzamiento. --6+4+5=1b=s 662 Nuestro espacio muestral corisiste de 6 * 4I 6:15 puntos muestrales. 4: 12 maneras en que tanto A1 como .::"fl'"". un total de factibles. B y A los sucesos de extraer una bola roja. 5 ó 6 son 3 resultados de las 6 probabilidadés igualmente factibles) y P(Az): ltO (ya que 7. de las 6 maneras en que cae en el segundo lanzamiento. 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.cAP. P(roja o blanca) : P(R u r) : -"""'. Método 2.3ó 4 son 4resultadosdelasGprobabilida' des igualmente factibles).H 10 2 6+4 6+4+5 . ' SeanAl elsuceso "4rS ó 6 enelprimerlanzamiento" y Az elsuceso "7r2.También i"-or usado P(.t""i: . (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 1.364en elsegundo lanzamiento".5 o blanca También puede resolverse l¡tilizando el espacio muestral como en la parte (c).) '!' . r(RUB)=P(A'): 1-P(A): I . Entonees L1 (o) P(n)= Mótodo 2. Puesto que los sucesos R y B son mutuamente excluyentes se deduce de (4). página 6. norparte(c). 2.'"::.6:36 maneras. Un dado honesto se Ianza dos veces.42 ocurren. Denótese por R. Luego estamos buscando P(Ar ñ A2). . Método 1.R ) : 6/15 : 215.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). 19 1 . 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. Hallar la probabilidad de obtener 4. 1l CONJUNTOS Y PROBABILIDAD Método 1. Entonces si asignamos probabili' dades iguales Ll15 a cada punto muestral observamos que P(.á = | Método 3.2. respectivamenüe. debido a que hay 6 puntos muestrales que corresponden a "bola rojatt. .4 1) :316 (ya que 4. blanca y azul.. .15 .P(At)P(A. 6 6 6 en el primer lanzamiento V 1.J.1?. Entonces P(ArnAzl .

2gara indica¡ y 2o. todas igualmente factibles. Entonces P(A. a (2.2) signitica que el resultado del primer dado es b y el del segundo 2. aa {) (6. 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. Método 1.3) (8. si la carta se remplaza para la segunda extracción. 1. Entonces estamos (o) Puesto que para la primera extracción hay 4 ases en las 52 cartas."t (ol La primera carta puede extraerse en una de las 52 maner:u¡ posibles y ya que hay rempl. {) (5. l-17 Utiüzando subíndices t. dados se muestra en la Fig.2 a (6.18 coNJUNTos y pRoBABILTDAD lcAP. Sea A1 buscando suceso ttas en la primera extracciónt' y . entonces P(A2 | A r) : 4152. Entonces P(ArnA. Puesto que los dados son honestos y hay 36 puntos muestrales asignamos la probabilidad 1/36 para cada uno.3) Si A es el suceso "7 u 11" entonces A se indica por Ia porción sombreada en la Fig.l Método 2. 1-17. /. P(A¡): 4152.2) a a aa (5.P(Al -- L 27 -::99 1o.tp(A2 A¡\ = (52")(*) = . r) (2. todas igualmente factibles. extracción".42 suoeso "as en la segunda P(Arñ A2): P(A1) P(A2l A t). Así ambas cartas pueden extraerse en (52 ) ( 51 ) maneras.3) (3.' ( #)l#) == # r\ P(A1l:4152.18. l'ig. 6) ({.2l a a (6.nA") =+:(. l) (3.2. l) (1.6) a (3. 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."A) = P(A) P(A.azamiento la segunda ca¡ta también puede extraerse en una de las 52 maneras posibles. 6) a 1.6) I (¿. I a a aa (r. . 1 Esto indica directamente que A 1 y A2 son independientes puesto que . Puesto que se incluyen 8 puntos tenemos que P(A ): 8/36 : 219.6) (2. Hallar la probabilidad de que ases si la ca¡ta (c) se remplaza. 6) El espacio muestral para cada lanzamiento de los (r. También. . 1-17.1) a Se deduce que la probabiüdad de no dada por ? u 11 está 345 Primer dado P1A'¡ '= | . (b) no ambar¡ sean se remplaza. puesto que también hay 4 ases en las ó2 ca¡tas para la segunda extracción.19. Se extraen dos cartas. A.)(á) = P(ArP\A2l (2. Encontrar la probabilidad de no obtener un total de 7 u 11 en ningunó de los dos lanzamientos de un par de dados honrados. r'(A. = las 51 cartas restantes. \.3) (4. Así que ambas cartas pueden extraerse en (52)(52) maneras. Por ejemplo (5. p(A. así que P(A2l Ar Sin embargo si ocurre un as en la primera extracción quedarán 3 en ) : 3/51. de una baraja de 52 cartas. oaa (3.) = (b) Como en la parte (o). (2.

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

Si se extrae una bola de cada talego. I|2 : süc€so "bola blanca del segundo talego". plear los resultados del Problema 1. Supóngase en el Problema 7. Si se obtiene cara se saca una bola de la caja. SeaB¡ : suceso "bola blanca del primer talego". Demostramos el teorema para el c¡¡so n : 2.22.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. Demostrar el Teorema 1-23.2/ 5 z TEOREMA DE BAYES L25.. 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. (b) ambas sean negras..I.41 U Az): 11/36. Se lanza una moneda honrada.4 debe resultar en uno de los dos sucesos mutuamente excluyentes At. fcAP. Extensiones para valores mayores de n se obtienen fácilmente.\P(A:A. página 8. Az: II. At : I.) . Así la probabilidad de sacar una bola roja P(Rt - P(nP@ Il+P\II\P(RIII¡ = /t\/ I \ /r\/ z (.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).20 CONJUNTOS Y PROBABILIDAD Luego el número de manera¡ en l¡as cuales por lo menos uno de los sucesos 11. j Dor tanto ". si se obtiene sello se saca una bola de la caja /I.. Puesto queA resulta en uno de lossucesos mutuamenüe excluyentes 1-22 (Problema 1. Axioma 3 empleando (I8).26. Demostrar el teorema de Bayes (Teorema L-24. Az entonces A = (AnAr)u(A¡42) PeroA ñAt y Añ Az son mutuamente excluyentes puesto que A1 y A2 lo son. otro contiene 3 bolas blancas y 5 bolas negras.O*' P(A\'Aki \ P1A¡ A¡ = P(A) P(A I Ak) P\Ak^A) = --PÁt ) P(A¡l P(A' Akl 1. . Por tanto P(.23.. An tenemos por el Teorema P(A) = P(AI)P(A Ar) + ' " + P(A. (c) una sea blanca y una negra.. Asípor P(A) = P(AIA)+P(A^AI') = P(A) P(A i A) + P(42\ P(A I A2) 8. página t.píryina9). Un talego contiene 4 bolas blancas y 2 bolas negras. La contiene 3 bolas rojas y 2 azules en tanto que la caja II contiene 2 bolas rojas y 8 azules.23) Ay A2.23 con A: R. Hallar Ia probabilidad de sacar una bola roja.)("+-ri-r:ri ---r:\ \2/\2+8/ \-/\-. 1 : Ar ó A2 ocurraes- 5 +5+ 1 L. pero revela que se sacó una bola .24. hallar la probabilidad de que (¿) ambas sean blancas. (d) P(BtnBil:P(Br )P(B2lBt):P(Br )P(B) = lt!")/-=) + 5/ = I 4 \4 + 2/ \3 P(B'tñnb:pelp@. Puesto que una bola roja puede resultar al escoger cualquiera de las cajas podemos em. Si el suceso .

CUENTA Y DIAGRAMAS ARBOL 1. Se va a conformar un comité de 3 miembros compuesto por un representante de los trabajadores. Az : I/. De este diagrama árbol podemos lista¡ toda¡ la¡ comisionee. 1-18 muestra que hay en total 24 comisiones diferente¡. 3 4 ee escogió ANALISIS COMBINATORIO. empleando (c) el principio fundamental de cuenta y (b) un diagrama árbol.cAP. Con cada una de estas eleccionee podemoe escoger un representante del gobierno de 4 maneras diferentes..f moneda sea cara)? Utilicemos la misma terminologfa del Problema I. At : I.. determina¡ cuántos comités diferentes pueden conformarse. Lz. 1l CONJUNTOS Y PROBABILIDAD 2L (es decir que el resultado de la roja. Buscamos la probabilidad de que se bscoja la caja / y se conoce que se sacó una bola roja. Pc. ¿De cuántas maneras diferentes pueden ordena¡se 5 bolas en una frla? . ¿Cuál es la probabilidad de que se escogiera la caja. Ps. los candidatos de laadministración pot My. Si hay 3 candidatos de los trabajadores. Así podemoo dar una probabilidad de 3 a 1 que s /r\/ + \ \-3 4 =/t\/r\ \ti /r\/z\ \zi \E-+z/ ' \t/\2 + 8/ la caja I. y la candidatos del gobierno pot Py. 2 : 6 mi¡neras dife¡entes de elegir un representante de los trabajadores y de la admini¡tración.28.ta probabilidad ectá dada por P(Blr) P(I lP) = P(rl P(R | /) + P(I/) P(BlIIl P(r. I 2 I 4 D 6 8 q 10 1l t2 t8 l{ ló l6 1t l9 20 2l 22 28 24 Fig. L1M1P2. uno de la adminishación y uno del gobierno. por ejemplo LrMrPr. Asl el núm€ro de los diferentescomités que pueden Repreúntense los 3 candidatos de los habajadores por Lt.P2. 2 de la administración y 4 del gobierno. ea decir. Empleando la regla de Bayes con n: 2 er. (b) Podemos elegir un representante de los trabajadores en 3 maneras diferentes y luego un repreeentante de la adminishación en 2 formas diferentes. Enüonces el diagrama árbol de la Fig. Aaf hay 3 . l-rt PERMUTACIONES 1.24. A : R. (a) formarseesS'2'4=21. etc. M2.27.L3.

1. puestos).22 CONJUNTOS Y PROBABILIDAD [cA?.a tercera puede ser cualquiera entre 8 (no pueden ser ninguna de las que ocupan los dos prifneros La cuarta puede ser cualquiera entre 7 (no pueden ser ninguna de las que ocupan los tres primeros Entonces 9 .9si(c)los números pueden repetirse. . Halla¡elvalorde (a) . 3. . (b) uPo. Entonces I ' 10 ' 10 ' l0 : 9000 son los números que pueden formarse. hay 9 formas para ocupar el segundo puesto. El primer número puede ser cualquiera entre 9 y los tres restantes pueden elegirse de gPa formas.3. persona!¡ tomadasde 4en 4es = tC. á maneras de llenar la cuarta posición.31. = r¡ ! como en el Problem a 1..4. 7 : 4586 sonlos númerosque puedenforma¡se. La primera posición puede ocuparse por cualquiera de las cinco bolas.1. (c) tsPt.. 9 . 120 Elnhmerodeordenacionesdenobjetosdiferentesenunafilaes=n(n-l)(n-2\.28.T = - 5040 El número de ordenaciones de n objetos diferentes tomados de r en r ea n = n(n 1) . (¿) aP¡ = 8. Cuando esto se haya hechó hay 4 maneras de llenar la segunda posición. puestos). Obsérvese que cuando | = tr. 4. L = b! =.7: 4536son los númerosque pueden formarse.7. Luego hay 3 maneras de llena¡ la tercera posición. (n .30. Se quieren sentar 5 hombres puede asociarse con cada ordenación de las mujeres. es decir hay cinco maneras de llenar la primera posición.3 = 860 (c) . Entonces 9' sPs : I . (b) si los números no pueden rcpetirse. Por tanto: El número de ordenacionesde 10 En general. Otro métod<¡. = e 15 (d) ¡P¡ = 3.. 1 Debemos ordena¡ 5 bolas en 5 posiciones así -. tercera y cuarüa pueden ser cualquiera de las 10. y 4 mujeres en una fila de modo que las mujeres ocupen los sitios pares.8..2. 2... l. (o) La primera puede ser cualquiera entre g (el 0 no).32.r * l) Esto se conoce como el número de permutaciones de n objetos diferentes tomados de r en r y se denota por P. (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). = 5.5. Cada ordenación de los hombres Elnúmerodeordenacionespedidoes = "Pr. Así pues. y finalmente sólo 1 manera de llena¡ la última poeición. g. I . S para ocupar el tercero y 7 para ocuparel cuarto. ¿De cuántas formas pueden sentarse? Los hombrcs pueden sentarse de 5P5 formas y las mujeres de 4Pa formas. nPr.. La segunda.1 = 6 1.1 =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. 1.oPo = 514! = (lZO)\24) 2gg0 1. ¿Cuántosnúmerosdecuatrocifraspuedenformarseconlosl0dÍgitos0.Pr. La segunda puede ser cualquiera entre 9 (no puede ser la que ocupó el primer puesto). por tlnto: El número de ordenacionesde lag 5 bolasen una filaes En general. cuando esto está hecho. ¿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.8.336 (b) Pq = 6.6 . (d) rPr.2. 8.29. ..rP.

+ tt¡ = n. seis diferentes de física y dos diferentes de química se. ¿De cuántas formas pueden 10 objetos dividirse en dos grupos de 4 y 6 objetos mente? es respectivaotros 6 Esto Io mismo que el número de ordenaciones de 10 objetos de los cuales 4 objetos son iguales y los tambiénsonigualesentresí. Entonces. Entonces el número de ordenaciones pedido será = 4't. . 6l 2l3! - 207 360 (b) Considerar los cuatro libros de matemáticas como un solo libro. los libros de física de 5p5 :6! formas.. ll0. si (o) pueden sentarse de cualquier forma. Se ordenan en una fila 5 bolas rojas. Entonces se tienen 9 libros que pueden ordenarse de 9P9 . I 1. Pero las dos personas consideradas como una sola pueden ordenarse entre sí de 2! formas. que es el total de car¡os que se dan en la ordenación de 7 personas en un círculo. Entonces ' 7 : 504 será el nfrmero pedido. .35. 1 n"+ . . de modo que dos de ellas no estén sentadas juntas es 720 . (b) si dos personas determinadas no deben estar una al lado de la otra? Considérese una de ellas sentada en cualquier parte.. . Entonces hay 6 personas para sentarse en círculo. 6! = Considérense las dos personas que no han de ir juntas como una sola. ¿De cuántas formas distintas es posibliordena¡los si (c) loslibrosde cada asignatura deben estar todos juntos.33.24O: 480 formas. Multiplicando N por el número de ordenaciones (o ) de las 5 bolas rojas entre sí. Pero los libros de matemáticas pueden ordenarse entre ellos de aPa:4! formas. 10 ! EntonceslSl 2: 3l)N = t0! y N - 101/(5! 2t Bl). que lo pueden hacer de 5! formas. Entonces 9 son los números que pueden formarse. ePz:9 . la segunda entre 8 y la tercera entre ?. son iguales. se tiene el número total de formas en que 6 personas pueden sentarse alrededor de una mesa. es decir. rt. Entonces las 6 restantes pueden sentarse de ?20 formas.34.34estoes ¡ft - 10'f''8' . (b) solamente ios libros de matemátitas deben estar juntos? (o) Los libros de matemáticas pueden ordenarse entre ellos de aPa: 4! formas. Entoncesel número de ordenacionespedido será = 9l a! - 8 709 120 1. El primer dígito puede elegirse de 9 maneras y los dos siguientes de gP2 formas. 1l CONJUNTOS Y PROBABILIDAD La primera cifra puede elegirse entre g. En todos estos casos los libros de matemáticas están juntos. Cuatro libros distintos de matemáticas. ¿De cuántas formas pueden sentarse 7 personas alrededor de una (c) (b) mesa. colocan en un eslante. mediante (o). Así pues.PorelProblemal. n2 son iguales.9 ! formas. el número de ordenaciones de 6 person¿N sentadas alrededor de una mesa con 2 determinadas de ellas sentadas juntases de 5! 2! :24O. g. n¡ En general el número de ordenaciones diferentes de n objetos de los eue ?r¡ Soriguales* donde. COMBINACIONES 1.cAP. . loslibrosdequímicade2P2:2! formasylostresgruposde3P3:3! formas. n#l* 1. (b) de las 2 bolas blancas entre sí y (c) de las 3 bolas azules entte sí (es decir. 23 (c) ' 8'7 : 5O4 Otro método.36. 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. multiplicando N por 5! 2l 3!) se obtiene el número de ordenaciones de 10 bolas si todas ellas fuesen distintas.

Por tanto El número de ensaladas Otro método. no teniendo en cuenta el orden de los objetos dentro del grupo. Hallar el valor de (a) zCq (b) aCs. Entonces tC+:I. (b) un físico determinado debe pertenecer al comité. Nfimero total de selecciones posibles = sCz' zCs = l0'35 = 350 (b). como si se escoge o como si se rechaza. (c\ eC+ 7.4!B! = 7.4 = l4. 1 El problema es equivalente a encontrar el número de grupos de 4 objetos que se pueden formar con 10 objetos dados (o de 6 objetos con 10 objetos dados).ur . si (c) puede pertenecer a él cualquier matemático y físico.SdelasSverduras. 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. 2 físicos restantes de un total de 6 puedtn elegirse de eCz formas. Número total de selecciones posibles = tCz'tCs = 3'35 = 105 L.38.2delasSverduras. escarola. _ e! _ \s/-sws-BJ]T- e.. ae llamanúmerodecorñbinacionesdelosnobjetostomadosderenrysedenotapor..CL-l tC2+5Ca+ sC4+ scs : 5 *10+ 10* 6* 1 : 31 .4O. = #h = I si se define Nótese que formalmente aCa 0! = l. se forma un corúité de 2 matemáticos y 3 físicos.24 CONJUNTOS Y PROBABILIDAD lcAP.. endibia.Olf/Vvienedadopor ^ n"r nl /"\ \r / . De un total de 5 matemáticos y 7 físicos.rl nP' 1.1 = o'' --ll (b) oCs = 6 ! = 6.b = 126 1.8.Entonceselnúmerorequerido de ensaladas es -.5 71 ^ (ol . oCz = 10 . En general el número de grupos distintos de r objetos que 8e pueden formar con. (c) dos matemáticos determinados no pueden estar en el comité? (a) 2 matemáticos de un total de 5 pueden elegirse de sCz formas. 2 matemáticos de un total de 5 pueden elegirse de sCz formas. 3 físicos de un total de 7 pueden elegirse de zCs formas. 1.5.5..6.C. beno y achicoria? Cada verdura puede tratarse de 2 formas.rl(n-rll n(n-11"'(n-r+1) r! .. ¿Cuánt¿s ensaladas pueden preparañ¡e con lechuga. lo que es evidentemente 1.39. ¿De cuántas formas puede elegirse una comisión de 5 personas de entre 9 personas? /g) = ^c. n. 3 físicos de un total de 7 dan 7C3 formas. Número toüal de selecciones posibles = sCz.37. Pero las 2s forma¡ incluyen el ca¡o de no seleccionar ninguna verdura. 6 uCt=oC1 =6' 5ú ff (c) +Ca es el número de grupos de 4 objetos que se pueden formar con 4 objetoa.2 = 6. el número de formas de considerar lias cinco verduras es 25 formas. ¿De cuántas formas puede formarse. 4.6. 15 = 150 (c) 2 matemáticoe de un total de 3 pueden elegirse de sCz formas. b! ?. 5. es:25 - 1 : 31 Puedeseleccionarseldelassverduras.objetos dados.6.

Demostrar q"" Tenemos que 11) \r/ = l" . 4.tFV=fr . . que consten 4 consonantes y 3 vocales? No es necesario que las patabras tengan significado. Halla¡ el término constan6 en h exDansión de 1r. $ \k /' 3 \& /'. Aeí10:4I6. Si escribimos lo¡ coeficientes de la expaneión binomial de (c * U)" púa n :0..1¡¡ 1" .41. 2.43.eüc. ! = 2r-1.y por tanto eetá dado por /12\ _ \n/= 12.r)l (¿-l)! (¿-1)! ..1r . La¡ 4 coneonantes pueáen elegirse (!e lC+ formas.. lss 3 vocsles de s0g formac consonantes.' \"/ ü/ \ El término conetante corresponde a aquel para el cual 3& . 1.*. de 1.1).1l CONJUNTOS Y PROBABILIDAD 26 nCn Engeneral. Entonces: El nhmero de palabrae y las ? letra¡resultantee (4 q 7C1 ' óCa ' ?! : 35 .Cs+ -.z. ee 1. 'xl (**!\" = r-:o (1?).!2 = 0.*-. 1b:10 * 6.42. 10 ' 6040 : 1 ?64 000 COEFICIENTES BINOMIALES 1. 1 L 1 | I 1 6 4 3 6 2 1 1 3 4 1 1 5 10 10 5 15 20 15 6 1 1 Un resultado en cualquier renglón puede obtenerse sumando los dc coeficiente¡ del renglón anterior que encuenüreninmediatamentealaizquierdayaladerecha. 3 vocales) pueden ordena¡¡e entre sf de zPz : ?! forma¡.B. ¿cuántas palabras pueden formarse..t) + f" . De acuerdo al teorema del binomio *'\. ee decir k = 4."¡ /¿-r\ /"-r\ \ " )-\"-t) El resultado tiene la siguiente aplicación interesante. r0.r e =4e6 . \ r / \r-1l' (n-r*r)(n-1)! r! (n . n0r+ ncz+. .= xau /rz)'.11)"-.11. ¡raracualquier enteropositivo n. obtenemoa Ia distribución conocida como el trióngulo de Poscal: n=l n=2 n=3 n:4 n=5 n=6 et¿.cAP.r)l (n-r)(n-L)l * r(¿-1)! r! (n . . Con 7 consonanps y 5-vogaJes diferentes.r)'! r! (n .+!\".

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

un dado honrado./L\'/qY .66.4?. L¿ probabilidad pedida está dada por 8!3! 10! - 1 15 APROXIMACION DE STIRLING A z! 1. Supongamos que lo¡ 3 libro¡ determin¡do¡ de m¡temática¡ ee remplazan por 1. diez.6ó. Asf logN = los(/lofi¡o5o¿-50) 1f = i los100 I |losr * 60 log60 - 50 log¿ .á.* = (il'eu)' : 10 de ertor nrceeor y pueeto que suponemoe que lor ¡uoesos ron independientee. Un estante tiene 6 übros de matemáticas y 4 de física. = .cAP. reina. u (c) (d) P(3 diece¡ y 2 jot¡¡) CONruNTOS Y PROBABILIDAD QCslQCzl 1 szcs 108 290 (4cr P(nueve.á á *.4E. Pero a su vez io¡ 3 libro¡ de matemótica¡ pueden cden¡r¡e enhe ¡f de 3P3 = 3 ! form¡¡.n"¿-¡. Cada eopacio tendr6 lo¡ ¡uce¡oc 6 o 6.{fi. eractamenüe 66.por elmiamorazonamientoanüeriorlaprobabiüdaddeobtener r vece¡A en n enaayos independientes ea \n/ 1. Arf tenemo¡ un üotd de 8 libroe que pueden orden¡¡se enhe ¡f dc 6Ps = 8 ! formas. Los libros pueden ordenar¡e éntre ef de roPro = 10! formar.66. etc. Por tanto aot-t/ffi5oso¿-so:N Para evalua¡ N uüilizamoe logaritmoe de ba¡e 10.p(6)p(6') .. LuegoP(al menoa un ar) 1. 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. Pero hay rCa son mutua¡nente ercluyentes. n7 .ó En generd. Por ejemplo.\6/ \o/ BITT\6i \6i 8888 nc.lf{| = 'ffi. Halla¡ la probabiüdad determinados de matemáticas estén juntos./r\3/s\2 = =*é)t1l)'= = I 't 'v.\o/ \o/ para todc lo¡ oEo¡ resultado¡ en los cuale¡ ocuren hec 6 y dos no 6. de que S libros . Por tanto la probabilidad pedida e¡ p(666. Detenninar la probabilidad de tres seises en 5 lanzamientos de Represéntense los lanzamiento¡ del dado por cinco eepacioe no 6 (6'). (/) P(ningrn *) = # = m. jota. Hallar el valor de 50! Para n muy grande. Análogamente '" .46. puesto que hay 4 form¡¡ de eecoger el primer palo y 3 foim¡s de ercoger el regundo. 2 de otro) = q#@ = ffi = t -. rey) x4crx4crxrcr) (rcr) szCs 64 162 496 (e) P(3 de un palo.p"en-' = (n\o'o'-' sip: P(A) y q:1--p:P(A'\.

) P@. Probabiüdad = {¿)(f )($).Xt(. Bz."u j /t\/r\/t\ * /r\/r \/r\ = \r/\5/\r/ \¡i \zi \¡i 5 . 1 = ¿los100 | ¡lor3142 + 11 = i(zl * de donde 50 1og50 - 50 log2?18 . supuestamente honradoe. luego pierde B. B gana 4 y 2 tnrmrnan en tablas.4972) + 50(1.28 11 CONJUNTOS Y PROBABILIDAD lcAP.10. 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. -/¿\/a\1¿\ = le ^ \3/\3/\3/ 27 1. 2a.:.50 A y B juegan lanzando alternativamente un par de dados. lanzamiento. PROBLEMAS DIVERSOS 1.04 x 100r.18 y Fig. Acuerdan jugar un torneo consistente en 3 partidas. 1á¡ n gane al menos una partida. luego B) == ". (c) A y B ganen altemativamenie.. (o ) La probabilidad de obtener 7 en un sólo lanzamiento de una pareja de dados.:'. luego A.49..de2tablasenBpartidases(réase Problema 1. (ó) quien lanza segundo los dados gane.46) 5 /s\ " \í)o'n'-' = t(. \a) = n /r\2/<\ (c) P(A y B ganen alternaüvamente) : P(A gane. Hallar la piobabiüdad de que (o) A gane las tres partidas.P(B'roBj¡B'r) L . un nfimero que tiene 6b dígitos. A 3 los sucesos " A gana" la 1. lanzamiento.'J?fi '. 2a.'.i :.. Denótese por A B t. lallar la probabilidad de que (o) quien lanza primero los dados gane. I|3 los sucesos "B gana" la 1a.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. es 1/6 como se determinó en el Problema 1. partida respectivamenüe. luego B.z. luego gana A.P(B no gane ninguna partida) t .^.. Az.:.4343) = 64. A pierde en el ler. y 3a. . (b) dos partidas terminen en tablas. Atendiendo a la experiencia que han tenido (probabilidad empírica) suponemos que P(Aganeunapartida) = #=+ P(Bganeunapartida) = #=+ =I (o) P(Aganelashespartidas) - P(AtnAroA3') = p(At)p(A2)p(As) = (. (Esta suposición no sería justificable si un jugador fuera influenciad. partida respectivamente.6990) - 50(0.P(B') P(B. t. Quien obtenga primero un total de 7 q^? el juego. Probabiüdad : 1 /6.':.Asílaprobabilidad.. y 3a. A y B juegan 12 partidas de ajedrez de las cuales A gana 6.íll 36 (d) P(B gane al menos una partida) : 1 . luego A o B gane. 1-17.) suponiendo que los resultados de cada partida son independientes de los resultados de la¡ ohas.) ..4836 N= 3.

estén vivos en 20 años. Sean ÁI. que la segunda es blanca.9.2)(0. (c) al menos uno viva.9) = 032 (ó) P(ningunoviva) = P(H'nW') = P(H'\P(W') = (0. I|2 son los suceoos "blanca en la primera extracción". Véanse Problemas 1. lanzamiento. pierde B. pierde B.53.tJ es cero ya Así iríamos 6 a 5 a que el primero que liance gana. "blanca en la segunda extracción".(5/6)2 11 . gana A.\6/ =5136=5 1 . gane es /t\ /s\/s\/r\ . estamos buscando P(Br lB2). respectivamente. el 3'/o 6 360 son defectuosos y 11 640 no lo son. Entonces y lI/ son sucesos independientes. Hallar la probabilidad de que de 600 tornillos seleccionados aleatoriamente 12 sean defectuosos. De 12 000 tornillos./s\/¡\/o\/s\/r\ * \6/-\6i \6/\u/ \6i \6/\Bi \u/\6i 1l-. Prqbabilidad = (áX8X8X8X+). Una caja contiene 5 bolas rojas y 4 blancas. l|/ los sucesos que el esposo 0.*/q\'*/q)'* \o/\e/t_' \o/'. respectivamente.02 . ¿Cuál es la probabilidad de que la primera también sea blanca? Método 1.' \6/\6/\6/\6/ * = /q\/r\T.F/ y la esposa.9 respectivamente. 1.8. P(W) : 0. Una rnáquina produce un total deL2 000 tomillos diarios de los cuales en promedio elSVo son defectuosos./l)/q)lq\It\ \6/\6.152. : 6L" /s\' * /r\* I _ \al \ui donde hemos utilizado el resultado 6 del Apéndice A con x r/6 6 : (5rc)2 - (b) Análogamente la probabilidad de que B gane el juego es 1q)/l) .8 y 0.cAP. de tal manera que la probabilidad es 3/8. Hallar la probabilidad de que en 20 años (a) ambos vivan. lo cual puede ser o no razonable. pierde A. Suponemos que .51. (b) ninguno viva. Nótese que la probabiüdad de un empate que 11 ' 6-5 11 1 Esto no serfa verdadero si el juego fuera limitado.151 y 1. P(H): (o) P(ambosüvan) = P(H1W) = P(H)P(W) : (0. Así Probabiüdad pedida = -H*-P 1.8)(0. 1.1) = 0. Este resultado se obtiene así Si P(BJB)='+#=elwq=* Método 2. Se extraen dos bolas sucesivamente de la caja sin remplazamiento y se observa. Así la probabilidad de que g.52. 1l CONJUNTOS Y PROBABILIDAD 29 (3) A pierde en el ler. Las probabilidades de que un esposo y una esposa estén vivos dentro de 20 años están dadas por 0. Puesto que se sabe que la segunda bola es blanca solamente hay 3 formas de las restantes 8 para que la primera sea blanca. Bl.

U A..) Ap) hay ( (+)l=+) \lr/\tt ..98 1. Una secretaria ineficiente coloca ncartasdiferentes en n sobres con destinos diferentes aleatopiada. lo¡ sucelo¡ primera.i1-:. ='-('-+r.#. . Entonce¡ el ¡uceso al menos una carta en el sobre conecto es.Tenemosporejemplolosiguiente: (z) P(A)=+ yanálogamente PlAr¡=L ya que de lo¡ n sobres rolamente 1 tendrá la dirección apropiada.02 = 0..A.. .sobre "nto"o' *to '' de los rectantes n- 1 sobres estará (4) p(AtnAzr1A¡) = p(Á. página 7.C2 términos que tienen el valor dado por (3). riamente.lAtnAr) y así aucesivamente.0.30 CONJUNTOS Y PROBABILIDAD [cAP.\ri )\" " ' " + (-r)^-'l'\l+) = r-fr+i-"'+1-t¡"-'I cz \z/!t!/ Del cálculo sabemoe que (véare Apéndice A) = lf ¡*#. aefqueparar:-l e-.\ /"\/t\/ I = (l)(t)-l:)/l)l \. cegunda. 'á P(4 ñ A¡ ñ que tienen ) = "r"términos el valor dado por (4).r) . Por üanto.6321.ñA2t : p(At\p(A2lAt\ = (*)("=) aProPi"ao ü.).ri../\. 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.) "1 ó 1.u) las es la ¡uma de las probabilidades de A¡ desde t hasta n... 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."uAn) = )r(¿*) -)e6'tnl'r) "' * (-t¡"-t P(At^A2¡ " n. n-ésima carta ¡e encuentra en el gobre correcto.. Hallar la probabilidad de que al menos una de las cartas llegue a la destinación aproDenótensepor A¡.\t/\.-.etc. A partir de la generalización de los resultados (10\ y (1 l).* r-e-l I : 0. Tbmbién (E) p(A..79) tenemo¡ (1) donde E P(A¡) + )P(AinAinAk) P(áruAru. (véase Problema 1.. Por tanto la probabilidad pedida es p(ApAzu-..=t \/ . -r/\n-2/ (+) = + \.1) .i \. El resultado ee a¡ombroso ya que la probabilidad permanececasi constante para n ) 10..vAn¡ 1\ t.42. ."...54.1/ nl (5) Entonces en la suma > Análogamente en E p(A.f'..U An y deeeamos hallar P(A¡ U A2V. . 1 (c) P(al menoc und üYa): 1 -P(ninguno viva): 1 .1/ =..i/ ./\ ..) p\AztAttp(A.(+ll-+ll=+) \.nA2n.4¡ U AzU'. E P(A¡ ñ Ar) es la suma de probabilidadesdeA¡ñA¡conjyhdeedelhastanyh)j.xt"1B"""ntJfi::::i*il'ff.nA) = ''-n' P(A¡ñ A¡ ) hay (. finalmenrte .

.s supletnentarios CONJUNTOS 1..0. Denotando la probabiüdad dada por p y tomando logaritmos naturales hallamos (r) @\ (3) lnp tnp =t"(r-#) -r'"(.^" --!.-4\ .n(r-l) i30 para n pequeño comparado con 365. Entonces. "'+rn(t-#) ln(1 Pero sabemos de cálculo (Apéndice A.693. 12+22 i-. La primera de las n personar¡ tiene lógicamente algún cumpleaños con probabilidad 365/365 : 1..55.165/\'.865)"'\'. Determinar cuántas personas se necesitan en el Problema 1. Describir A de acuerdo al (o) método de extensión.693 6 ln 2 = 6 (n .-k). Enipleando los hechos de que para n .865 ) de 1.cAP. Problema. si Ia segünda persona tiene un cumpleaños diferente. 3. Por tanto tenemos es (365 - P(n cumpleaños diferentes) = #* # ffi = \'- ' 365 :-l! + 1 1\/'. suposiciones que no se cumplen genetalmente en la realidad. tnp = . Por tanto tenemos n. ."' . 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.' (Apéndice A' fórmulas 1 y 2) (Ir\ I+2+ "'*(n-1) = @. 1. 1l CONJUNTOS Y PROBABILIDAD 31 1. SeaA = {r r2-3r*2=0}. Sea A eI conjunto de los números natwales entre 5 y 15 que son pares." ..56.z\.l.55 para que la probabiüdad cumpleaños distintos sea menor que U2.58.). Finalmente.DeterminarsiACB o no. debe ocurrir en uno de los otros 364 dlas.. Halla¡ Ia probabilidad de que n personas (n < 365) seleccionadas aleatoriamente tengan n días de cumpleaños diferentes. el segundo término y los términos superiores a la ae 1S¡ son dlespreciables comparados con el primer término.23)(n'l 22) = g asf que n : 23..ln p r¿(rr : - -- 1) ?30 . 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. asf que una buena aproximación en este Pa¡a (7) p : L12. la probabilidad de que la n-ésima persona tenga un cumpl'e¡ñoe diferent¿ de las otras n * 1)/365..2 -r¿-506 = 0 = 0.(.r)(Zn -r) 6 obtenemos para (3) (5) *::":: 16) rnp = -!!+ñ! . (b) método de comprensión. fótmula 7) que -r) -= --c - T- 3 así que (I ) puede escribirse como = ft+z+ : 2. por ejemplo n ( 30.-*(n-1)2 - n(n . D = {t I 12<16).67. Así la probabilidad de que la segunda persona tenga un cumpleaños diferente de la primera es 364/365.1\:{.

B.ñ(B.?0. en un grupo de 600 hombre¡. C = {4.68.68.73. formule en palabras el (a't A'. x>y O i Demostra¡ que cualquier aubconjunto del conjunto vacfo debe ser el conjunto vacfo.} ! B = {rlreounnfimeroprimo. (ü) Teorema l-8. 1. A tenemo¡ A C A. (c) A'uB. (Véase Problema 1.4. 1.76.nC.2. B={2.69. de loe siguientes experimentos aleatorios: (o) 3 lanzamientos de 1. (ñ) A . página B.0(¡=4) Encontra¡ (a) AvB. (d\ (AnBlu(AnC).6 A: falredad de las propoeiciones siguientce. (o) Si A y B eon dos conjunüos cuáleequiena. Un erperimento consiste en el lanzamiento de una moneda y un dado. (bl AnB. oPEBACIONES E¡ITBE CON. (s) (AnC)' u B. A)8.9. (Ó) el nhmero de fum¡dore.uC'). 0 @uB) . 1.66.t B = IA-(AnB)] u ÍB-UnB)l 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. (c) A'nB'. (c) Añ(BuC).5.5}.p6gina 3.?f . (c) Teorema 1-4. (d) AnB'.4 u (BnC\ (c) A' n (BuC)' (rt) A . (ó) Sir yy son do¡ númeroereales sr¡alesquierq entonces x1y.7 o negar: Si A u (Ar\B) eilusha¡loporundiagramadeVenn. Demostra¡el (a) Teorema l-2. Seaununiver¡o 'Ll:{L. (d') A-8. y (D) ilustra¡la utilizando un diagrama de Venn.1.Encontrar (a) Av(BuCl.3. 1.61. .76.?).(B. Demo¡trarque (á -A)UA =á ¡ólo srBC A e ilugtrarlo utilizando un diagramade Venn. (e) A. 1. (ü) B'. EXPEBTMENTOS ALEATOBIOS. (fl (A-B) u (B-A). ¿EE (A - B)' : A' . (e) A-8. Sea'tl el conjunto de todos loi enteros no negativos y conaidérenee loe nrbconjuntoc A = {xl¡e¡unente¡ope¡. entonce¿A = B. Demo¡harque . I-a paradoja descrita se conoce Rusell. (b) (AuB)uC.62..69' 1. 1. 1.(BnC) (e) A' - (BuC)' 1.64. Ilustrar el principio de dudidad haciendo referencie a losteoremas de la pfuina 3. Generaliza¡ el recultado del Problema 1. (o) Demostrar que (b) Demoetrar que ri p-f Ge[. (c) A)8. página (o) Eemortrar la segunda ley De Morgan.72. (e\ B-A.).(AuC). 15¡(6. 1. =y. signifrcadodecadaunadelasoperacionessiguienüee: (f) B A. - . DIAGBAMAS DE VENN y TEOREMAS SOBBE CONJUNTOS 1. (d) el númer. Emplear un diagrama de Venn para dibujar ceda uno de loo conjuntoo eiguientec: (¿) A n (Bucl (ü) . (e) el número de partícular nucleare¡ que enhan a un contador Geiger.6?.66.2}. 1. 1 1. E¡tudiar la verdad o entonces A CB.32 CONJUNTOS Y PROBABILIDAD Demoeürar que para cualquier conjunto [cAP. De¡cribir un espacio muestral para cada uno una moneda. Tborema 1-120.B'? Ju¡tificar l¡ ¡olución. Generdiza¡ las primen y eegunda leyec De Morgan a cualquier número de conjuntos.5\ yrupóngarequeloerubconjuntoede'll son A:{1. (c) lanzar un¡ moneda hasta que aparezc¿ un sello.31.60. B. página 3.ruNTOS. 1. Afirmar -B = @.o de llamadas recibida¡ en une ce¡ttrat telefónica. ei ¿[e como I Sea ci éeeI' o cl¿se de todos loe conjunüoc que no 8on elementos de eUos mi¡mo¡. L. entoncq cJeeJ.A r. ESPACIOS MUESTBALES Y SUCESOS L. (fllanzat una moneda y un dado.

as. y así demostrar eI resultado (l ) del Problema 7. jota de tréboles o reina de diamantes al extraer una sola carta de una baraja común de 52 ca¡tas. (c)A y B-C. 1.7t. (b) La suma 8 agatezca en un solo lanzamiento de un par de dados honrados. (g) al menos una sea azul. 1. (h) máximo una sea roja. (b) ni roja ni azul. Hallar la probabilidad de que sea (c) naranja o roja.8 I . B. blanca 1. pfuina Demostrar que P(A'uB') = 1 . (¡) solamente una sea roja. 20 azules y l5 naranjas. (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. Halla¡ la probabilidad de que (a) ambas sean blancas. ll CONJUNTOS Y PROBABILIDAD 33 TEOREMAS SOBRE PROBABTLIDAD 1. Resolver el Problema 1.cAP. (¿) roja. y A3 el suceso "rey en la tercera extracción". (b) la primera sea roja ylasegunda sea blanca. (e) pl(A1nAr) u (A"nAr)].14(b) demostrando (sin emplear el diagrama de Venn) que AUB = AOIB-(AOB)I donde A y B . Completar la demostración en el Problema 1.8t. y (I I ). (¿) p(A1^A'2ñA\). B'. (d) blanca. CALCULO DE PROBABILTDADES 1. (c) una sea roja y la otra azul.86. (b ) A' es independiente de A es independiente de B demostrar que (o ) A es independiente de B . PBOBABILIDAD CONDICIONAL Y SUCESOS INDEPENDIENTES f .1. (b)AyBñC. (c) AyBUC. 1.87.t1. Se extraen dos bolas sucesivamente de la caja del Problema 1.89.54. (e) la segunda no sea azul. (e) Al menos aparezca una cara en tres lanzamientos de una moneda honrada. (d) sean rojas o blancas o de ambos colores (roja y blanca).t4.90. Sea A1 el suceso "reyen la primera extracción". üe (sin Una caja contidne 2 bolas rojas y 3 azules.91. 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). Hallar la probabilidad de que si dos bolas se extraen aleatoriamenremplazamiento) (o) ambas sean azules. 1. (b) ambas sean rojas.82.tA'r). satisface los axiomas de probabilidad en la página 6 y por tanto todos los teoremas sobre probabilidad. Csonsucesosindependientes. 1. o un estimador de ella. remplazando la bola extraída después de cada extracción. p6gina Generalizar los resultados (I0 ) 30. . Demostrar el resultado (1 1).P(A¡B).42 el suceso "rey en la segunda extracción". (c) ninguna sea naranja. @) p(A'rr.?9.84 si no hay remplazamiento después de cada extracción.85.página 8. 1. 30 blancas.(A ñ B) son mutuamente excluyentes.80.83.. o azul.demostrarque pendientes. L. Un experimento consiste en la sucesiva extracción de tres cartas de una baraja. SiA. Demostrar que si P(A ) >P(B ) entonces P(A I B) Si > P(. pfuina ?. Hallar la probabilidad de extraer 3 ases aleatoriamente de una ba¡aja de 62 remplazan. 7. 1. cartzs 1. Explicar el significado de cada una de las siguientes: (a\ P(AroA!r). 1. Determinar la probabilidad p. 12 defectuosos.4 ).92. para cada uno de Ios sucesos siguientes: (c) La aparición de un rey. (D ) si las cartas (o) se no se remplazan. (c) no azul. son inde- . Se exürae una bola aleatoriamente de un caja que contiene 10 bolas rojas. 1. (i) la primera sea blanca pero la segunda no.77. . (b\ p(AluA2\.83.

¿De cuántas maneraa pueden coloca¡se l. I monedae diferentes en 2 posiciones diferentes? PERMUTACIONES 1. Atl At.lO2.94. ANALTSIS COMBINATORIO.43 no son independientec.1O?. 3. en tanto que en el oho hay un reloj de piata Si seleccionamos un joyero aleatoriamente.98. En cada compartimiento del primer joyero hay un reloj de oro. ¿cuál es la pobabilidad de que el otro compartimiento tenga un reloj de oro? 1.34 CONJUNTOS Y PROBABILIDAD Sea lcAP. .106. Demostrar que A¡ .99.10t. 1.¿Guál es la probabilidad de haberla exbaído de la primera caja? Ttes joyeros idénticos tienen dos compartimiento¡. AziA2. 2. La urna I tiene 2 bola¡ blanca¡ y 3 negras.101. ¿Cuántos números diferentes de 3 cifra¡ pueden formar¡e con 3 cuaEog.96. 1. Az. (¿) roP¡. 1 1.9?. Utiliza¡ un diagrama árbol para determin¡r la¡ diferentes poribilidades que pueden suceder. La escoge una bola aleatoriamente de la primera caja y se coloca en la s€gunda c¿ja sin ob¡ervar su color. (b) las primeras dos cifras de cada número son pa¡es? lor números deben ser 1. (b) doe mujerer determinadas no deben centar¡e juntar. Luego ee extrae una bola de la segunda caja. (D) 3 libros determinados deben estar juntos. . y una bola ertraída aleatoriamente e¡ blanca. ¿De cuántas forma¡ pueden ordena¡se 7 libros en un eEtanüe ei (a) er posible cualquier ordenación. (ó) zPs. Hallarelvalor de(a) oP2.96. 4 blancae y I nggra. . ¿Para qué valor de n es . En el tercer joyero eñ un compartimiento hay un reloj de oro. ¿De cuántas formas pueden 5 personas sentarse en un sofá si tiene sol¿mente tres asientos? 1. Una caja contiene 3 bolas azules y 2 rojas mienüras que otra caja contiene 2 bola¡ azulee y 5 rojas. 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. A3 lon independientes pero que 1.ent¿nüoquelacajalfcontiene4bola¡rojasy2blancas. 3 blancas y 4 negras. Hallar el valor de (a) rC3. A ¡: auceao At. (c) cada mujer debe eetarentre dos hombres? COMBINACIONES 1. 1. suceso "número impar en el primer dado". Resolver el problema anterior si la8 cifreÁ de los números pueden estar repetidas. Se lanza una moneda tres veces. L. á3 : "total impa¡ en ambos dados". Hallar la probabiüdad de haber escogido la urna I.+tPt = nPtl. . (c) 2 libros deüerminados deben ocupar lo¡ exüremos? (o ) 1.cajas reeulta azul. . En cada compartimiento del Begundo joyero hay un reloj de plata. (¿) roC¡. Una bola extrafda aleatoriamenüe de una de las. ¿De cuántas formas pueden 3 hombres y I mujerec sentarse alrededor de una meea ei (o) no se impone ninguna resüricción. Se extraen tres cartas aleaüoriamente (sin remplazarniento) de una baraja de 62 ca¡tas. Se TEOREMA O REGLA DE BAYES 1.1OO.1O3. ¿Cuánto¡ números de cinco cifras pueden formarse con los dÍgitos L.106. A2 = BuG€so "núme¡o impar en el segundo dado". (b) ¡C¡. 9 ¡i impares.93. 1. Hallar la probabilidad de que sea blanca. CUENTA Y DTAGNAMAI¡ ARBOL 1.109.4 doeee y 2 tres€s? 1.104. caja / contiene 3 bolasrojasy Sblancas. Se selecciona una urna aleatoriamente la urna II. y lrr urna ffl. . abrimos uno de los compartimientoa y hallamos un reloj de plaüa.

(f) la seErnda carta no sea una figura. 2 héboles. (b) la primera ca¡ta sea un aÁ pero la eegunda no.. (d) (rz*21t.113. PROBABILIDAD UTILIZANDO ANALISIS COMBINATORIO 1. 3 niños y 3 niñas con 6 hombres.126.111. ¿Cuántos comités diferentes pueden formarse si (o) no se impone ninguna restricción. Calcular. (b) dos estadistas determinados deben estar en el comité.t24. COEFICIENTES BINOMTALES 1.125. lJna caja contiene 9 tiquetes numerados del 1 al 9. (b) deben seleccionarse un hombre y una mujer 1. Hallar la probabilidaddeque (o)laprimera carta no Bea un diez de tréboles o un aa. 1. Halla¡ el número de (o) combinacionee y (D) permuüaciones de cuatro letras cada una quepuedenformarse con las letras de la palabra Tennessee.117. (b) /11 \ (r-a)4.(b)almenoe dos lanzamientos de un par de dados honradoe. 3 corazones y 1 pica. (h) las cartar son frguras o picas o ambas.115.122.-tj(. (e) no más que una carta sea figura (jota. j=1 = n.118. impar o par' impar' par. Con 5 estadistas y 6 economistas quiere formarse un comité de 3 estadistas y 2 economistas.. (ó) ( ). t"l kCz\QC¿)/DC.cAP.) = 0. (b) en contra de A de perder los prir4eros dos juegos? 1. (b) un palo completo.2n-1. Demostrar que (c) (b) \r¿l \o/ \r / + 1") * '. Si se van a jugar tres juegos ¿cuáles son la¡ apuestac (a) en favor de A de ganar al menoa doc de los tre¡ juegos. 1l 1."".+ r-''i" 2/ \l )=o \o/ \r/ /"\ * /"\ I 1.4 mujeres. Halla¡ la probabilidad de que uno de loe jugadores obtenga (o) ? diamantea. s€ impone ninguna restricción..C..110. (g) la seg. (b) j=t (-1). unavez'(c)dosveces'en 1. (d) las cartas no sean del mismo palo. ¿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. Se extraen dos cartas sucesivamente de una baraja de 52 eartas. (b) tres 1. 1.114.. 1.. +/"\ \2 / /"\ . \4 / 1. ¿Para qué CONruNTOS Y PROBABILIDAD valor de n s€ cumple que 35 3' n+rC¡ : 7' nCzl.121. Demostrar que (o) É .119. (c) un economista determinado no debe estar en el comité? 1. Hallar el coeficiente de ¡ en lt * ¿)t.120. Expandir (o) (o+y)6.8 mujeres.rnda carta no sea una figura dadoque la primera eí lo es.e cuántas formas puede un grupo de 10 personas dividirse en (o) dos grupos de 7 grupos de 5. Hallarlaprobabilidaddeobtenerunasumade?puntos(o)unavez. par. (c) (t-r t)s./"\ . . ¿De cuántas formas pueden seleccionarse 4 niños y 5 niñas si (o) no determinados? 2 hombres. (c) eC¡. \ r/ 1. Si s€ extraen 3 tiquetes de la caja uno a uno' hallar la probabilidad de que alternativamente s€an impar. La¡ apuestas en favor de A de ganar un juego de ajedrez contraB son 3:2.116. 3 y 2 personas? y 3 personas. En un juego de naipee ee reparte a cada uno de loe 4 jugadores 13 cartas de una baraja de 52 cartae. 1. reina' rey).( ") . (c) al menos una carta sea un diamante.f 23. ¿f).

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.139. Demosürarque siACB' entonces AnB:Q. ¿Cuál es el menor número de lanzamientos necesarios en el hoblema 1.uAn) < P(4. . . Obüener una aproximación al resultado del Problema 1. ¿De cuántas formas pueden selecciona¡se 30 individuos de un total de 100? 1.141.146. l.127.95? 1. ¿Puede considera¡ee la moneda cómo honrada? Expücar.96? 1. 1. 1.143.145. (c) ca¡tas diferentes.l47. Hallar la probabilidad de que ocurta 11 por primera vez en el sexto lanzamiento.136. 1.135. 1. Un par de dados se lanzan repetidamente. 1. - L. Halla¡ la probabilídad de que (o) sean diferen1.134. APROXIMACION DE STIRLING A n! 1. .36 CONruNTOS Y PROBABILIDAD lcAP. 1. (b) 0. rey y as del mismo palo. etc.. (b) tn full que consiste en 3 cartas de un valor y 2 de otro (por ejemplo 3 diecer y 2 jotas. Demostrar que para cualesquiera sucesos Ar. 1.3. . Az. An P(ArvA"u.129. (o) Hallar la probabilidad de obtener la suma 7 en al menos uno de tres lanzamientos de un par de dador honrados. . Demostrar que aproximadamente 2nCn - 22"1\/ñ. Si diepara al blanco hastaqueledal¡primera vez. (c) todas las letras son diferentes pero dos letras determinadae no puden estar juntas? tes.138. 12.130. Se extraen 3 ca¡üas de una baraja de 52.142. hallar la probabilidad de que necesiüe 6 disparos. (D) 2 letras son idénticas.jota. (b) máximo dqs sean igualee. Al lanzar un par de dados la suma puede ser 2. Enunjuegodepókerhallarlaprobabiüdaddeobtener(o)unaescaleraflor.140.12E.'. PROBLEMAS DIVERSOS 1.. Hallar porcentaje de enor en la fórmula de Stirling para n : 10. ¿Podríamos asignar probabilidadee de 1/11 a cada uno de esos puntos? Explicar. (d) 4 ases.queconsistedediez.51. Supóngaae que al lanzar una moneda 500 veces hay una secuenci¡ de2(lsnzanientosqueresulüan"carast'.5. ¡rara valores de n grandes.I's probabilidad de que un tirador dé en el blanco eede 213. 1. Halla¡ la probabilidad de que 3 sean rojas y 2 azules..144.) + P(A)+ . Hallar la probabilidad de que un jugador tenga de 13 cartas g de un mismo palo.133.131. . 1.140 para que la probabiüdad de obtener 11 por primera vez sea mayor que (a) 0.reina. Un espacio muestral consiste de 3 puntos muestrales con probabilidadeg a¡ociadas dadas gor 2p. A-(A nf¡: AñB'. Halla¡ la probabilidad de que (o) las cartas eean de un palo. 1 1. +P(Á") 1. Cuatro enteros se eligen aleatoriamente entre 0 y 9 inclusive.13?. Demostrarque 1. (b) ¿Cuántos lanzamientos se necesitan para quela probabilidad en (o) eea mayor que 0. (b)al menos dos sean ages.132. ¿Cuántas palabras pueden formaree con 5 letras si (o) lae letras son diferentes. .). 1. p2 y 4p Halla¡ el valor de p. Una urna contiene 6 bolas rojas y 8 azules. Se extraen cinco bolas aleatoriamente sin remplazamiento. . 1.

_ \r/ (1 + r¡t (1 + o¡"-t y hallar el coeficiente de ¡j en el producto). ¿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. "dar ¿ letras en los 1. Un jugador de póker tiene las cartas 2. 3. 1l 1. 1.1ó3. 4.11)'-* 1i)'-l \"/ \o/ \t/ .149.148. . Demostrar que /"\ = ! 1t'¡¡" .8.rtimientos separados. Demostrar l") . Demostrar que la probabiüdad para que la secretaria del Problema 1. Generaliza¡ el resultado del Problema 1. Desea descartar el 8 y remplazarla por otra carüa que espera sea un 5 (err ese caso obtendrá una "escalera").54 obtenga exacüamente I ¿-c / r\k sobres correctos ".541. (d) ningfrn 5? ¿Puede resolverse el problema sin saber el número de cincos que tienen los otros jugadores? Expücar. 1. una interpretáción combinatoria.50 si el juego se ümita a B lanzamientos. . . Resolver el Problema 1. ¿Cuál es la probabilidad de que obtenga el 5 suponiendo que los oüro¡ tres jugadores en conjunto tienen (a) un cinco.150.)va". Hallar la probabilidad de que en un juego de bridge (o) dos jugadores. demostrar que p"(a) = 1 fipn-o (0) y luego emplear el resultado del Problema 1.t't . que (Sugerencia: Consi¿s¡ar 1.151.:). Este üipo de problema se presenta en física en conexión eonlaestadística Bose-Einstein.ISrí"r"ncia. Este tipo de problema se presenta en física en conexión con l¡a es tad ísüca Fermi-Diroc. 1.155.' Denoüando la probabilidad deseada comopñ (a).6.152. 1. 1.¿De cuántas maneras pueden colocarse 4 bolas idénticas en los compartimientos? (b) Resolver el problema si hay n compartimientos y r bolas. 1.\¡/(. u¿ fi.cAP. (c) los cuatro jugadores tengan un palo completo.151. (a) Un estante contiene 6 compartimientos separados.154. (c) trer cincoe.(i)' una interpretación combinatoria. (b) dos cincos. (ü) tres jugadores. CONJUNTOS Y PROBABILIDAD 37 (c) Un estanque contiene 6 compa.156.

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

(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. lxla .de la función de probabilidad notando que r es cualquier número rl = F(u) real.2-2 Histograma FUNCIONES DE DISTRIBUCION PARA VARIABLES ALEATORIAS DISCRETAS varidble aleatoria X se define por La función de distribución acumuhda. Recíprocamente la función de probabilidad puede obtenerse de la función de dist¡ibución.5 y 1. En la FA. 2-2. o por un histogromo. como se indica en la Fig. Íz rn entonces la función de distribución está dada por 0 f (r') f(rt\ + f(rü F(r\ = -@<fr1It rt3fr1trz rz3fi1rt : (5) /(r. (a) Halla¡ la función de probabilidad correepondiente a La variable aleatoria X del Ejemplo 2... P(X:1) = P(CSuSC) = p(cs)+ p(sc) = i*i P(X=21 = P(CC) Así.) +. En el ca¡o del hislogama podemos considerar la va¡iable aleatoria X como continua. 2-1 la suma de las ordenadas es 1 mientras que en el histograma la suma de l¡¡ áreas rectangulares es 1.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 39 donde la suma en 2 se toma sobre los valores posibles de probabilidad.2-f Eepectro Fíg. Fig. P(X < (8) La función de distribución puede F(rl = P(x=r) -.1 x ( -. Tabla 2-2 =I r f(r) 0 I r/2 . Si X únicamente toma un número finito de valores lct. es decir .6. por ejemplo X: 1 significa que esüá enüre 0. r.. r/4 =I r/4 la función de probabilidad está dada en la Tabla 2-2. (b) IÁ gráfica de probabilidad puede reprecentarse comoleindica en la Fig. 2-1.cAP. o simplemente la función de dístribución.. pata vrta donde obtenerse. Una gráfica de f(¡) se llama grdfica de (b ) EJEMPLO 2.2.+/(r") x.1 y construir la gráfica de probabilidad.

.2 su 2. Sin embargo hay una probabilidad mayor que cero de que X esté entre 145 y 150 centímetros. (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. DISTRIBUCION DE PROBABILIDAD Si X es una variable aleatoria continu4 la probabilidad de que X tome un valor determinado generalmente es cero. que son verdaderos en general. tomando valores desde 0 hasta 1. Si se selecciona aleatoriamente un individuo de un grupo numeroso de hornbres adultos. 1.3. EJEMPLO 2. 2-3 frecuentemente se le llama función escalera o función paso. 1. F(r) se mues- Los aspectos siguientes acerca de la función de distribución anterior. Debido a esto se dice que es vnafunción monotónicamente creciente. (o) Halar representación gráfica. 2. por ejemplo. Entonces definimos la probabilidad de que X se encuentre entre ¿ y b como P(a<X<b) : Í"' f (n) d. El valor de la función én un entero se obtiene del paso superior. Debido a la apariencia de la gráfica de la Fig. A medida que procedemos de izquieida a derecha (es decir subiendo la escalera) la función de distribución permanece igual o aumenta. f(r\ > 2. la probabilidad de que su estatura X sea precisamente 147 centímetros sería cero.@ e -. 714 corresponden exactanrente a las ordenadas en la Fig. la función de distribución para la va¡iable aleatoria X del Ejemplo 2. nos conducen f(r) tal que o a poshrlar la existencia de una función 1. Estas ideas y la analogía de las Propiedades 1 y 2. 712.2.4.)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 .40 EJEMPLO VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD lcAP. 2. 2-1. Esto se expresa matemáticamente estableciendo que la función de distribución es continua por la derecha en 0. 2-3. así el valor en 1 es 314 y no Ll4.n (6) . 2 son LlA. Por tanto no podemos definir una función de probabilidad en la misma forma que para una va¡iable aleatoria discreta (págrna 38). 3. deben notan¡e. Las magnitudes de los saltos en 0" 1. Este hecho permite obtener la función de probabilidad a paftir de la función de distribución. 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. pagjna 38.

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

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

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

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

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

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

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

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

(a) Obtener la distribución de probabilidad paraX. así que cada punto muestral tiene probabilidad 1/36.2) tenemos X : 5.Jo 4/36 2/36 (ó) Podemos emplear un espectro o un histograma como los dados en la Fig. 2-8 o en la Fig. (4. (3. Tabla 2-4 'x 1'17'página18.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 49 Problerna. 2-8 la suma de las ordenodas es 1 en tanto que en la Fig.1) así que la probabilidad asociada es 4/36. obtenemos la Tabla 2-4.Po¡ ejemplo. .s restreltos VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCRETAS 2.3).1. Supóngase que se lanza un par de dados honrados y que la variable aleatoria X denote la suma de-los puntós.cAP.4). de acuerdo con si deseamos considerar a X como va¡iable discreta o continua. 2-9 la suma de todas las óreos rectangulares es 1. (2. Nótese que en la Fig. 2'9. Utilizando el hecho de que los 36 puntos muestrales son igualmente probables.2). Así para (3.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/. variable aleatoria X es la suma de las coordenadas para cada punto. (b) Consbuir una gráfica para esta distribución de probabilidad. (c) LospuntosmuestralesparaloslianzamientosdeunpardedadosestándadosenlaFig. garaX:5 corresponden los cuaho puntos muestrales (1.

(i) \-'l /r \3 f(r) r/8 3/8 L/8 (b) La Eráfrca va¡iable X como discreta o continua. F(r) 1 33/36 30/36 27 i36 I 24/'. Enüonces de los resultados del Problema 2. I 3/8 . ip=q:L12. 2-11.46 trató el caeo de n intentos mutua¡t¡ente independientes. Se encontró quelrr probabilidad de obtener eractamente r veoea A en los n intentos es icrp'q..c. c.(. (a) Hallar la función de distribución F(r) para la variable aleatoria X del Problema 2. Fig.2-L2.) 3 se indica en la Tabla 2-5.50 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP.1 hallamos F(rl = 0 -e 1r<.".. D:3.2. 2-10 o en la la FI.2 2.)' Tabla 2-6 fr 0 donde la variable ale¿toria X representa el número de niños en la familia. A y A'. (c) Hallar la disgibución de probabilidad de niños y niñas en familias con 3 hijos.t-.JNCIONES DE DISTRIBUCION DISCRETA r/t 2. siA e¡eleuceeo"niñott. (a ) EI Problema 1.)"(t'-' = .". 2-10 (o) Tenemos que F'(r) = P(X = tl u=x 2 Ífu¡. tenemos P(eractamente r niños) = P(X = r) = . (Obeérvese que X se define sobre el eepacio muestral de tres inüentos). Obsérvese que el cero del eje r se ha desplazado. f(r) = .on probabilidadesp y g: 1-prespectivamente.(. (b) Représentar gráficamente la distriUución en (o). 0123 Número de ¡¡iñoc X = ¡ Fis.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.¿6 2r/36 18/3rt 15/36 12/36 9i 36 6/36 3136 .3. suponiendo iguales probabilidades para niños y niñas. donde cada intento tenfa dos resultados posibles. Por tanto. La función de probabilidad para X. 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.L y (b\ repr€sentar gráficamente esta función de distribución. dependiendo sobre si deseamos considerar a puede representarse como en la Fig. 2-ll (b) Véase Fig.

. acf que c=Ur.4. z2 = 1 (ü) si* = x2 =t. 1 C" F(r) = )_-t{")a" = i)__ n du _ = !l-t.2V @) (o) Uüilizando la Tabla 2-5 del Problema 2.ran-l(--)J = l[r*-' " "if = i. t*tantolaprobabilidadpedidaes t(-'lstt oJ-t dn *lft dr IL'rJ¡5.2 obtenemo¡ F(rl (ó) L8 gráfica = de la función de distribución de (o) se muestra en la Fig. Un (¿) (a) Debemostener aXtienelafuncióndedensidad o".cAP.2l VARIABLES ALEATORIAS Y DISIBIBUCIONES DE PROBABILIDAD 51 2.6.-.rr_rrl.\r-.12 + | = "t"r-rrl r-o = "L. )? estÉ entre 1/3 y 1." r¿*l = ?['*-'(1) .entonces ó -l < x = -f.(-.<6.. t:_flu)ttr = 1. (b) Hallar la probabilidad de que f(r)=c/(n2+l). la constante c./J f = " =.r . I -u. f .6.r12*L =zC' oJ6./ -\-'l (* :u. _.'= J-. (c) Hallar la función de distribución F(*) para la va¡iable aleatoria representar gráfrcamente esta función de dishibución. rL t__J = 11h.e¡décir t-. F(¡) I 7t8 6/r 6tE 4/E 3/8 2t8 I UE t Fig. 2-13.6.t¿n-r (+)] I = z(z-z\ = 6 6/ "\4 2. X del Problema 2...itan-rc . donde -o(ú.2-13 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2. Hallar la función de distribución conespondient¿ a la función de densidad del Problema 2.

Y = l).e-4. (b) Hallar P(X =2. fir-\ = dt l-F1. donde r. Puesto que el gran total.) 2c 4c 6c 3c DC l4c 22c 42c 7c L5c Tota les+ 9c l2c . Tabla 2-6 Y X 0 0 0 I c 2 3 Totales ü I 2c 4c 6c 3c 5c 6c I . La función de probabilidad conjunta de dos variables aleatorias discretas X.y f(r.62 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP. (b) la probabilidad de que X > 2. Y estÁ dada por f(r. (o) .A) = c(2r *y).8.2 2.du = -e-2"1 = L-e-8 lo l{ Otro método. y pueden tomar todos los valores enteros tales que 0 < n 3 2. Por defrnición P(X =-21 = )" ze-z"du = -u-r"1.42c. P(X>z) = f -(1 -e-r) = (c) e-4 p(-B<x<4) = ln¡rulou = f_roa"+ ton2r-r. )-11. y (c) la probabilidad de que-3<X<4. Por tanto.7.F(-g) = (1 -e-e)-(0) = l-e-B DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2. (a) tos puntos muestrales (r.Y s2\. tenemos que c : L142. 0 = U < 3. P(-3<X<4) = P(X=4) -P(X<-3) = r'(4) . = = F(2) = | .U\ : 0 de otra forma. 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.¡l = f2"-u l0 r)0 r10 le-1 (ó) P(X>z) Otro método. (c) Hallar P(X>l. y) para los cuales las probabilidades son diferentes a crero se indican en la Fig. las probabilidades asociadas con esos puntog dadas por c(2x * y). debe ser igual a 1.. (o) Hallar el valor de la constante c.

(o) Debemos tener la probabilidad total igual a 1. no P(X--2.10. Y del Problema 2. 2<Y <3).8 (b) y 2.r du = I .Y : A) = P(X = r\ P(Y = Y¡ Pero. puede expresarse como una fi¡nción de ¡ veces una función de y.u) d.Y=\ = asr que h P(x=4 = # P(Y=l) = I (2x rr y)142.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD De la Tabla 2-6 determinamos que 53 (b) P(X=2.8 son dependientes. Si las variables aleatorias. 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.Y=L) + P(X=21 P(Y=L) E resultado también se deduce del hecho de que la función de probabilidad conjunüa. Demostrar que las variables aleatorias X. es decir | | f@.9. y. 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. 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. Y son independientes debemos tener. P(X=2.Y=l)=5"=a 42 (c) De la Tabla 2-6 determinamos que P(X>t. como se determina de los Problemas 2. 1<g<5 de otra forma 1o (c) Hallar P(X>3. (b) Hallar P(1< X <2.9. Hallar las funciones de probabilidad marginal (c) de XV (b)de Yparalasvariablesaleatorias del Problema 2.8. La función de densidad conjunta de dos variables aleatorias continuas X.{. P(X = t. Y es f (n. (o) Hallar el valor de la constante c.11.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..u) = lcnU 0(r<4. 2. Y <2).cAP. para todo r. De estos vemos que P(Y=Y¡ = verificación:1*3 +!+1 ''7 74'7 t4 fz( =t 2.

'uau)a' = *f. = e6c Entonces 96c = 1 y c : 1/96."=.- ñ E P(x>s. = = 1 C' 5r. xaau )clx = "!. fi uo = # 1. Hallar las funciones de distribución marginal (c) de X V(bl de I' del Problema 2.=o J"=.1Í":=.11.o)ctud. (o) L¿ función de di¡t¡ibución marginal para X ¡i 0 < ¡ ( 4 ec Ft@) = p(X=r) = f' ¿u=-4 ¿O=-@ f" fet. [ Í=. 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. Ft(¡) = 1.54 vARIABLEs ALEAToRIAs y DrsrRIBUcIoNEs DErRoBABTLTDAD -l IcAp. 1""=140.(a) = 0.Yl'"=.Y=z) = í:="í"'=. =y( 5 ec Fzful = P(Y <-vl = Í¿t=_@ f1 ¿ú=l f" f@.=.¡¡'J.'=r$l'"-.* s /rz11z .'=.:o J"=rcnvilxils ft rrs = " J. 4.r"=.2<Y ' (c) <3) = Í. la integral tiene el valor f4 ¡5 J. Por t¡nto Fr(rl = 1.'=. 7 ñ J"="To' = ln 2. (ó) Utiliz¿ndo el valor de c hdl¡do en (a) tenemoe P(l <x <2.r=o(ry-. para 5 < 0.o' = "Í.=oL.2 Empleando la defrnición de /(.frarau = * Í'^='lÍ"'="u aafa' = + f"="#l'"='* L f4 Br.)* = "Í:=rr2adr = "tu*)l'_. .r.Tn' = idt\t/|.olduclo dudo = P¡re o > ft (s J. Oo = #Í:=. fv J-"=oJ"'='ffiauao = + .podrfamocremplazarenlaerpreaiónanüerior(por<. y).12.F .

2l Para y VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD OD = 5. 2. Y del Problema 2. 2-15 muesha la definición por trazos de . Por tanto Fzfu) Puesto que F2 (y) es continua en y = 4@r-t)tz+ tfy<b a=6 l.t : 5. 2-I6 .L2. donde J tt. Del Problema 2.' *u au)a* Fig. de tal manera que su función de distribución conjunta eetá dada por F(r. En el Problema 2.11 hallar P(X+ y < conjunta de 3). esta probabilidad está dada por 'í Í"'=. av = ut-[:.LL se observa que la función de densidád conjunta para X. Y puede escúbirse como el producto de una función en r veces una función en y. 3. y) : Fr G\ Fz@).F(r.Yl = rz(az . 2-16..| l rr.ul = fr(r) f2(y). y) resultante. 2-15 2. F{A) = 0. l\¡. En efecto. podríamos remplazar en la expresión anterior [o u<r : 1.(ul = { (.n ffia. !""=. Y son independientes. Fz@) = 1.cAP.¿v I < Y < 5 [ 0 de otra forma L/96. 1 < y ( 5 dentro de la cual la función de densidad X. t = 1. Puesto que f(x. J ( por < . Para U < l. o 0 ( ¡<4 f de otra forma . Halla¡ la función de distribución conjunta para las variables aleatorias X. Se deduce que X. región sombreada en la Fig.F ¡ (r) V Fzp) se determina¡on en el Problema 2.¡ ryl96 sobre fi. la Fig. ! c(t = c : F(r.14. Las distribuciones marginales . La probabilidad rc.Y es diferente de cero. En la Fig.13.l\ (r6)(24) Fig. 2-16 hemos indicado la región cuadrada 0 ( ¡ ( 4.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 ( 3.11. [f=.

| trrr J| s(u. = 2. para el caso donde J 0. (2) puede Fig. Demostxar el Teorema 2-4.fl.u). podemos demostrar que u y u también crecen. esto es. Entonces._-. ) O. como puede deducirse de la figura.a todo u1 y u2 solamente si los integ'andos son idénticos.16 ó P(ut<Uiu. página 46.(' 'u2 l3-' '.¡. La función de probabilidad para U está dada por s(u) = P(Lt ") = Plo(x) .15.1)llJ duda ("' ("'n.= fu ). .y) fe2 dr dy Remplazando avanzado que r : Út@.' ut 12 : ¿ ttt V@) en la integral al lado derecho.. Jtl r s(u.páqina 46. "rl "" /{.t'@) Este es un caso especial de (34). Primero considere el caso donde u : ó@) 6 x : tenemos función creciente.Ll Plx = gfu)) = f lv@)l En una manera análoga puede demostrarse el Teorema 2-2. donde ry''(u¡ ) 0 (es decir la penCiente es positiva). 2 lu=rd' CAMBIO DE VARIABLES [r(3-r)z r 'rldr 48 2.=o g6. es decir g(u) _.u..z 46. 92fu.At<Y<Az) = | fre | l(r. 2-1'7). Primero suponemos que a medida que r.v)dud. L es una función decreciente de ¡.u11V1o. u). Igual que en el Problema 2.. ' olü au = ¡'tl f ¡¡gqullv'tu:du Esto es válido pr.r\uti.. u) en la integral de la derecha tenemos por un teorema de cálculo flrrtu.rl duda = f"' (''' Ju.16.f . págir. (r) (t tlt(u) es una P(ut LI 1tt"): P(rtlX1rr\ f¡7 (2) Remplazando x escribirse como /'ü: | t\u) titr 'ul |.67).. Para el caso donde rlr'(u) -< 0..2 1 L (" = J. Ju. y : Ju.66. pá$na 46. y crecen.o'tlJ J< que es (3ti). u) ellacobiano. Dr P(r1<X1rz. 2. Por tanto = fI¡rfu. Demostrar el Teorema 2-t.4v. también podemos demostrar que (31) se cumple (véase Problema 2. esto es. 2-17 f .56 VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD [cAP.17.a) a@'a) donde es d\u. El teorema también se puede demostrar si rl'(u) 0 ó r/'(u) ( 0. u aumenta a medida que r aumenta (Fig.u .1 .\: ?u. Úz(u.2fu. Demostrar el Teorema 2-3. pá4ina 46.a). Véase Problema 2. pá$na 46.. Análogamente podemos demostrar ('36) para el caso donde .

'll = 1 2. 2-18.3 ¡e deduc.. 2.3 ( ¡ < 3 corresponde a 0 s z s 9 er tanto que 3 (¡( 6 corresponde a 9 ( u ( 36. La función de es disüribución para U G(ul = P('tlu') Entonces si 0 Fis.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD es 67 2.3.16..Loe valore¡ de u que correrponden a¡= .tt¡¡f".2 = _. de probabilidad pedida para U ea ( z-ni i s("! = 1o utilizando el Teorema 2-1.. o el hoblema 2. Así para cada valor de ¡ conesponde uno y colamente un valor ds u pero para cada valor de u # 0 corresponden do¡ r( u( valores de ¡. du ¡5 <tz:_su.3 y* = 6 rcn u = 6 y u -2re¡I¡ectivamente.17.¡función u = 2. Como se obeerva en esta ffuura el intervalo .e por el Teorema 2-3.E2.19. | .cAP.16 que la Tbnemosu:tl3(L2-f. En este caso no podemos emplear el Teorema 2-4 directamente ¡rero podemor proceder de la manera eiguienüe. Puesto que ú'(u) : dx/du : . = P(. Los valores de r para los cuales.!7. Tenemos tL = tr2 ó r = *\ñ. HaJlar la densidad de probabüdad de la variable aleatoria U = )? donde X es l¡ va¡iable aleatoria del Problema2.2O. recfprocamentg.."1:-. o por el Probler¡¿ 2. página 46. de otra forma .. 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).82.Enüonce¡1. U: * .)óx:L2-3u.. página 46.18. u= r+11 6 r =n/F1..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.. f(r) = to de otra forma Halla¡ la probabilidad para la va¡iable aleatoria a = X4 + Puesto que l.sutz¡21 ].I9. La función de ptobabiüdad de una variable aleatoria X (2-' ü=1. . UyXqtídadapor y8€hatomadol¡raízrealpositiva.A¡íparacadavalorderhayunoydamenteu¡valordeuy función de densidad para U ee s(ut Verificación: = ilt'.U<u) = P(-B<X<\fr) = J-s f@lA.3 ( 6 corresponden a los valores para los cualeo 0 S 36 como se muestra en la Fig.+ l larelación entre loe valoreedeuyrdela¡variablesale¿torias donde u:2.

1 < y ( 5 correeponde a la regiiin 0( u ( 4.<¿<36 de otra forma 21rsrz Verificación: zlb.ol =#¿" . función de densidad de U = X + ZY. = 2.21. etcogiendo arbitrariamente l¡r eegunda relación. 2-19. uear¡do la regla de c@l Utiüzando la definición dada de = f(r) eeto se convierte en 0<z<9 9. 1 tZ _1. Por üa¡¡to la región 0 I r 1 4.r'nu ffr:i:0" 'Sea u = t I 2y. función de den¡idad g(u) ee l¡ derivada de G(u) tonemos. Y tienen función de densidad conjunta r(x. El Jacobiano está dado por Fr 0r J_lr"0o oa lüu la" att lo =l I 1 11 -. 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.2 < u .=.1. Si las variables aleatorias X.-ro 0 6<¿<10 f4 afu.IBUCIONES DE PROBABILIDAD Pueeüo que la [cAP.11) hallar la Método 1.a) (véase Problema 2.u 110 que ¡e muesEa eombreada en la Fig. Entonces la ¡olución ¡imultiinea re¡ulta r : u. 2-r9 Entonce¡ por el Teorem a 2-4 la función de densidad conjunta de U y V (u(u-t:l/384 21u-o( 10.58 VARTABLES ALEAT1ORIAS Y DISTR.2 l*ibníz (12).u). lo1u114 de otra forma . 2 ea - Fig. ! : ll2(u . le * fil2136 z4B l. u : r. = {.

Si las variables aleatorias & Y tienen la función de densidad conjunta 4' L <s <5 f(r.a función de di¡tribución de la variable eleatoria X + 2Y erüá dada por P(x *zY É ut = Íl rr2y 3 t@. IL m de b Flg.2)2 (u reeultado dd método L para 6 ( u ( 10.22. Considére¡e u : xy2 .11) hallar la función de densidad conjunta de U no uu está dada por o<azlgu-r/t<4 gue son equivalentee a . Al dividir egüa¡ ecúaciones obtenemoe y/r = u/u aef que y = ut/v.u2 t< 7) uztga-rls < L26'u 6 1 64u 1u2 < Eata región ee muesba eombreada en la Fig.i 1<c<5 Pa¡¿ 21u ( 6 obserraÍros al r€ferirnoo a la Fig. De un¿ manera análoga podemoe obtener el Al deriva¡la con respecto a ¿ 8e encuentra (u ."'' gunoo = Í"::'lW-#fo' + 4)t2304. V = )PY. 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.au i*Z=.cAP. El Jacobia¡¡o estó dado por .y=y2/3p-rl3.21. 2.2l como VARHBLES ALEAI"ORIA"S Y DISTBIBUCIONES DE PROBABILIDAD 69 'lar p determina refiriéndo¡e a lae regioner ¡ombreadas I. 2-19.2-2L 2. 2'20 gue la últim¡ integral ee igud a Í"--.ytdrdy " = ÍÍ fta.L(y(Senelpla' (véase Problema 2. Fíg. [.o 2. Mo ¡oe conducealasolucióneimultánea s=p2/34-r/t. eüc.a) : {*''nu de otra forma :':' 0 L = XYz.' I":". Nlétod.2-2O Fig. u = x2 y . I/aimagende0(x14.

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

f ..w) = (" DISTRIBUCIONES CONDICIONALES fz@\lt@-u)dut = fz'ft "/u=-n 2.olver el hoblema nes de densidad f t@). Y son variables aleatorias independientes que tienenfunciof.8 y 2.e-tr¡ f -'.23 si X.f¿ .-*) = 1 2. Demostra¡ gue fi t. obtenemos (-' Ítrfz = .{olf2(u-olito = f t* fz que es la conuolucidn de h y fz.d.f2(u-t:ld. En este caso la función de den¡id¡d eonjunüa et f(x. así que por el Problema 2.l) = 6(e-zt . (o) Empleando los ¡esultado¡ en los Problema¡ 2. HaJlar (al f(y l2). R'ex.ar@u . (b) P(Y : 1lX : 2'¡ pan la distribución del Problema 2.23 la función s(ul = t'. 2.2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD 61 2. (y) respectivamente. 2.8.<0 L0 ü>o * fg"-to a=o " frfu\ '-\e' =1l0 a<0 Y. Ve¡ific¡ción: ao ifui = 6o.- u de tal maneraque u = u-u.u = (.f 2* f1 (Propiedad 1.27. Si X. Por tanto Cful = | JO f! (2e-2ül(ge-sru-u))do (" = 6"-su. Y son variables aleatorias independientes que tienen funciones de densidad ft@l =112"-t' .a J_ú En el integrando f1 se anula cuando u ( 0 y f2 8e anula cuando u ( u.o{üau = tfo'k-r"-"-rv\d.cAP.to ¡iu>0yg(u):O¡iu(0.9 t¿nemo¡ ftutrt = arf que con ¡ : 2 ffi:*+#t f(ylz\=g#f=+ P(Y=rlX=2\=/(1l3r=*z (ó) .25. de densidad de U: X * Y e¡ y): f t@) fz(yl.rru-u)f2@t)(-d.u:-dw.241a función de den¡idad pedida es la convolución de f t y fz y eetá dada por c@) = ft*fz = f' fr(o. halla¡ la función de densidad de su sumao U = X Por el Problema 2. pígna 47\" Tenemos Ít* fz = | /r(") fz@-o) Jo=-a Haciendo fa da u)= a.24.fw=n .26.

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

2-24). Y están dadas respectivamente por (r) f . 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. Jo L /r)'lo' = \a/ --) r de lo cual c = 312a. fz(A) : AaQ-A2').A\ = 8rA. La función de deneidad ertá dada por f(r) r_ /r)rl = "Lt . Ít@l = 4r?. + f t@) Í2fu). f(t. = t. EnlaregiónsombreadadelaFig. Determinar la probabilidad Denótense por X Y la¡ va¡iables a¡ociadas con lo¡ puntos dados. c es r¡na constante y o es el radio del objetivo (véase Fig.30.[t . Portanto f(r. tal conclusión serfa verdadera- APLICACIONES A LA PROBABILIDAD GEOMETRICA 2.(.U) Debe anota¡se que no puede deducirse a partir de f(x. Dos puntos se escogen aleatoriamente en el intervalo 0 < de que la suma de sus cuadrados sea menor que 1. y) puede expresarsecomo una función de r por una función de y. que se supone üene radio b.r) = . = . = lo'Ar"d.30.. Íis. b(Boz-br¡ =. tenemos ("fr. Hallar la probabilidad de pegar en el blanco.)¿.rrrro. Puesto que se supone que intenalc igualec tienen probabüdadee iguales.ls rbF /"\2-1. htotdda -- Ío' 2. Entonces la probabilidad de pegar en el blanco es Jo I rb t(. Eeto ¡e debe a la restricción 0 < y < ¡.29 son independientes. que flr. ¡ < 1. la función de densidad estd dada por . Determinar si las variables aleatorias del Problema2.31.2-23.21). fot rrror¿a = fo 4A$-u2lda = | 7 f"'r.¡ _.cAP. Suponer que siempre se hace impacto en el objetivo. la¡ funcionee de densidad de X.t L \a/ 2.2-21 Puesto que siempre se hace impacto en el objetivo. Si ecta ee remplazarí pu alguna reshicción en y no dependiente de r (como en el Problema 2.)']0" Aquí. : T zalo lr-(i) Jl.r'lúttr = Í"' fo" &or : .2l VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD 63 Verificación: fo' . R es la dista¡rcia del impacto desde el centro del objetivo.G't = lI 0<¡<1 | 0 de oEa forma f zfu) : tf f 1 ofY=1 o de otra forma Entonces ya que X. y a¡í { Y son dependientes. y) : 8ry.(.32. Y son independientes.

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

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

y) = I 2z2y*xy2-8!-ZV2 420 F(x.yl = F(r. Por incpeccióa.yt = d+# F(r. Br2 . o<Y<1 de otra forma Suponemoequelafunciónde¡conoeidahestalqueloeinüervalocXSr. obtenemos oha erpreción.ntonc€.yeatarolucióntienelaepropiedadeodeseadas. Por tanto.r.3') = g F(z.84. etc. F(r. Hallar la función de densidad de U : Método f Sea . Xf si la función de densidad conjunta de X.vl -| F(r.al + ft@lfzfu) o. P(X = di¡tribución deben ¡er igualee.36. !: u/u. B. 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 |. 2-2t (h) Las va¡iable¡ aleatorias aon dependientee ya que f(r.IBUCIONES DE PROBABILIDAD [cAP.2 Cuando (¡.66 VARIABLES ALEATORIAS Y DISTB. u: x 6r:u.2-28.1) ó &: a2 6 PortntoY:*tE. i) ¡e encuentra dentro del rectángulo.y 1 l.Y es f(.¡) = I F(r'Y\ = I F(r.Entonce. para 0 ( r. 2. ala¡cuales correcponde u:Í1. 2.2rs = - 2U8 a = h(r) = ¡fi e8 u¡¡a rolución.al + Fr(r) F2fu). do por U: XY. Lor result¡dos completoe se muestran en la Frg. V: X.8 elJacobiano eetáda- .Y=y:l¡(*)üienenuna correrpondencia uno a uno en una forma continu¡.a\ - o Fig. y). lo que er equivalente F(r. r): P(ts< yI e¡ decir la¡ funcione¡ de Jo f " au$ - u) ttu = (u Prt(t Jo BAI t)2) d.

SeobservaqueXpuedetcmarcualquiervalorentreOyll2. La función de distribución de U es = o@.....ú J _* = J_-. 2-29. V es | .u) s(u = 6r\".X)* por la hipérbola a Q. asíque 0 s ¡ < t/2.r du ft t / G(u) = lf ¡gSu Pa¡a u =./ .r\. s(u) Método 2.:)a. obtenerños g(u) : f: (+) ..IBUCIONES DE PROBABILIDAD arl ú .. 2-29 Fig.y\<t1¡)ar Derivando con respecto a u utilizando la regla de l.ü d. a Fig. cuando la región de integración está ümitada El mismo resultado se obtiene para u ( trazos en laFig. Una aguja de longitud a1l cae aleatoriamente al piso. t".'.(.f_: t f"-.(. Hallar la probabilidad de que la aguja intersecte una línea. (Este problema es conocido como el problema de la aguia de Buffon).36.2-29.t-zl | _u-r Por.2l VARIABLES ALEATORIAS Y DISTR.1)* = Í:"ár('. Un piso tiene líneas paralelas a distancias iguales I entre sí. 2-30 2. 2-30 )' Sea @ una variable aleaüoria que da el ángulo agudo entre la aguja (o su prolongación) y la línea. También @ puede tomar cualquier valor entre 0 y ¡l2. Sea X una variable aleatoria que da la distancia del punto medio de ta aguja a la línea más cercana (Fig.anto la función de densidad conjunta de U..Denotamos porry0cualquiervalordeterminadodeXy@.u. + !o'i.r\."\ ) aa a partir de La cual se obtiene la función de densidad marginal de U.eibniz. )0.cAP.0 la región de integración ge muestra sombreada en la Fig.la" | J _ l^ tdfr árt l# #l I o 1 | | lo-t -u.Se deduceque . Observamos que G(u) = ..y¡aylar * [o'll:-' r(r.

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

Una variable aleatoria X tiene función de deneidad f(n) = | "r' 1 "r L0 L< aé2 21r13 de otra forma . 2. (a) Construir una üabla que muestre la distribución de probabilidad de X V (ü) FUNCIONES DE DISTBIBUCION DISCBETA 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. 2.E¡ suplernenta. (dl P(X < 3). probabilidad. (c) Problema 2. Sea X la yariable ale¿üoria que representa el número de ases extrafdos aleatoriamente en 4 ca¡tas de una baraja de 62 cart¡¡. s).on remplazamiento. (o) Conetrui¡ una tabla que indique l¿ función de dietribución de X y (b) representar gr6ficarnente e¡ta función de distribución. 2.IBUCIONES DE PROBABILIDAI) 69 Problenra.89.46.cAP.46.18. Una variable aleatoria X tiene función de den¡idad l(x) Ilallar (o ) = 1o = (ce-g" c)0 rso (d) P(X < 1). Comparar los re¡ultados con los Ejemplos 2.44.41. Hallar la di¡hibución de probabilidad de Z. Si se extraen doe bolas aleatoriamente sin remplazamienüo y X denoüa el número de bola¡ blancas. 2. (D) P(l < X g).1 y 2.40. 2. Obtener l¡ función de dishibución y su gráfica para el (o) Problema 2. La función de probabilidad de una variable aleatoria X ee muestra en la Tabla 2-7.2l VARIABLES ALEATORTAS Y DTSTR. Una urna tiene 5 bolas blancas y 3 neg¡a¡. Hallar la función 2. (o) hallar la di¡tribución de probabilidad para X V (b) repreeentar gráficamente la distribución.39. (D) Problema 2. La Tabla 2-8 muestra la función de distribución de la variable aleatoria X.19.rlo s VARIABLES ALEATOBIAS Y DISTRIBUCIONES DE PROBABILIDAD DISCBETAS 2.4L.41. (¿) P(X > r. Obtener la función de distribución y su gráfica para el (c) Problema 2. (b) Problema 2. 2.42. repreeenüar gráficamente la di¡tribución. (c) P(X >21.2. la con¡tante c. Rnpre*ntar gráfrcamenüe las funciones de densidad y digtribución. describiendo la relación entre ella¡. = Determina¡ (o) la función de VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD CONTINUAS 2. Resolver el Problema 2.39 si s€ extraen las bolas c.42. (a) construi¡ una tabla que muestre la distribuci6n de probabilidad de X V (b) representar gráfrcamente la di¡tribución. de digtribución para la variable aleatoria del Problema 2. 2.48. Una moneda ¡e lanza tres vece& Si X es l¡ variable aleatoria que indica el número de caras que rerultan. 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 2.47.4O.47. (ó) P(1 < X < 2).38.38. (r) P(.

(b)P(X<+. 0< gr< 1 f(r'u) = 1o deotraforma Determina¡(o)laconstantec.Y = 3). f(r) = 1o 0=rÉ2 deotraforma Hallar (a) el valor de la constante c. Hallar (o)laconstante c.67. DISTRIBUCIONES CONJUNTAS Y VARIABLES INDEPENDIENTES 2.ót. cerode otra forma. (e)siX Ysoninde 2. Halla¡ la función de probabilidad condicional (o) de Problema 2.56.49. SiP(X:3):0hallar(o)laconstantec. ¿Puede ser la función (c(I-12) F(r\ = 1o una función de dishibución? Explicar. Halla¡ las funciones de distribución 2.56 para el caso donde las variables son continuas. X. pendientes. La función de probabiüdad conjunta de dos va¡iablee aleatorias discretae )d Y eet6 dada por f(x. 2.57. Sean 2. La función de distribución de una va¡iable aleatoria X está dada por 2. (b) P(X=2.2.60. Halla¡ la función de distribución para la variable aleatoria X del Problema 2.(d)P(Y<{). 2. (e\ P\Y < 2). 0= ¡=1 deotraforma 2. (c) P(X > 1). marginal (a) de X. (d\ P(X > 21.Y>+). E)emo¡trar el resultado del Problema 2.63. Y = 2). (b) P(1-12< X <312).3. 2 2).70 VARTABLES ALEATORIAS Y DISTRIBUCIONES DE Hallar (a) la constante c. 2. (b) P\X'> PROBABILIDAD [CAP. (cl P(llz < X < 3/2). (b) de Y para la función de dencidad del Problema 2.64. y su función de probabilidad conjunta puede expresarse por el producto de rfna función en ¡ y una función en v. Y variables aleatorias continuae que tienen función de densidad conjunta (c(r2*a2) 0Ér< 1. (D) de Y dada X para la distribución del .!: L.52. (c) P(X>l).69.54.56. DISTR¡BUCIONES CONDTCIONALES Y FUNCIONES DE DENSIDAD 2. (g) P(Y = 3). Sea X una variable aleatoria que tiene una función de densidad (r. (fl P(X = r). (d) la función de dietribución.ñ. (c) P(I<X< 2. y): cxy parar: L.3. X dada Y.54. Hallar las funcionee de probabiüdad marginal de (c) X V (b) (c ) y para las va¡iables aleatorias del Problema 2.ó8. Demostrar que las variablec aleatoúas di¡ctetas X. (d) P(l<X<2).2. De'rerminar ¡i X Y son independientes. 2.(c)P(|<X<*). (b)lafuncióndedensidad. Y son independientes solo si poro todos los uolo¡es de x.

@) < 0. hall¡rladensidadde Y = tan-rX. -. (e-(r+u) x>0.2I y verificar su reapuesta. 2. (ü) *.paraloscaso¡ (al g. para la digtribución del Problema 2.(ulZ 0.. (o ) Si la función de den¡idad de X es f(r ) hallar la función de densidad de X3 . hal|arlafuncióndedén¡idad deY=*. (bl Xs + 1. 2. .7O. Si X tiene función de densidad f(r) Hallar la función de den¡idad de l"-.71. si f(r. Sea dada X.72. y>0 f@.64. (c) r¿.ú = { 0 J^ ^¿_. 2. SiXüienefuncióndedenaidad f(r):(2v)-r/2"-érz. l.. (D) Y CAITIBIO DE VARIABLES 2.at = 1. (ü) Y dada X.(¿) S 0. de otra forma [^ la función de ilen¡idad conjunüa de X.66. Siladen¡idaddeXes f(r)=U"(r2 *1). (*e-2. u >0 n1O 2. (b) Y dada X. Y.cAP.página46.67.2l VARIABLES ALEATORIAS Y DTSTRIBUCIONES DE PROBABTLIDAD 77 2. Completar la labor necesa¡ia para hallar gt(u) en el método 2 del Problema2. 2. DemostrarelTeorema 2-3. 2.6t.2. Hallar la función de densidad condicional de (c) Xdada Y.6!.69.p6gna 46.57 . 2. Demo¡tra¡ el Teorema 2-2. Sea la den¡idad de X Í@l = Halla¡ l¡ densidad de (¿) 3X (l/2 to -l<r(l deotraforma .rl:j"<s<L Hallar la funcióa de den¡id¡d ondicional de (a) X dada Y. 2. < 5 < @. n)0 = to r=o Y: X2.63.*. 2. Veúfic¿r que la integral de gr(?r) en el método 1 del Problema 2. Hall¡¡ la densidad condicional de (c) X dada Y. -a <a < .66. 2. (b ) Iluatrar el re¡ultado en la parte (a) erco$endo f(rl = i: l0 y verificar la solución.62.2L e¿ igual a 1.

22 pare.). Sean X. 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. f.r""""va¡iablesaleatoria¡taleequeX:R co¡O.22. Y variables aleatorias que tienen función de den¡idad conjunüa Í@. . ofrf 1.75. -e 16 1o. l¡ función de den¡idad conjunta h¡lloda en el hoblema 2. yz0 deotraforma {o = X/Y. Si X. Emplear el Problema 2. 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.t1. para hallar la función de den¡idad de U = X + Z. 2.7t. y tienen función de den¡idad onjunta f(r'u) = y tJ (e-(t+vt r>0. 2.79. Si.halla¡ la función de den¡id¡d de (a) U : XYz.21 primero efectuando la Ea¡rdormacií¡ 2Y 2. 2. osv51 to deotraform¡ la función de densidad conjunta de Y.77. Sea l(n'u) = ){ (1. (bl V = XzY.8E.a) = (2r\-rs-(r2+Yt). 2.t2.R y @¡ott tt. CONVOLUCIONES 2.74. hallar la fi¡nción de den¡idad conjunta de U y V. Sean X.emosha¡que (a) lt*(fz*fs)=ft*fz*ft*fs' (b)/rt'(lz+fs) =(/rof)*fs' = Z y lttryo utiliz¿ndo convolucione¡ 2. Re¡olver el Problema 2. Y variables aleatoria¡ independientes didribuid8r idénticamente con función de den¡idad (l f(t) = Hallar la función de dengidad de X 0<¿<1 deotraforma 1o * Y y verificar su ¡olución' 2.76. thll¡r proübiUd"d la de que lo¡ trec reg¡mentor de lfnea formado¡ de e¡t¿ m¡nora puedan ¡er los lados de un triángulo. < U < @. Hallar la función de dengidad de Z = XY. APLICACIONES A LA PROBABILTDAD GEOMETRICA 2. Sean función de densidad de X.72 VABIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABTLIDAD Verifica¡ por medio de integración directa [cAP.2 2. V = X I Y.76.8O. Si la¡ va¡iables aleatorias independienteo X1 y X2 están di¡tribuidas idénticamente con función de den¡id¡d | (t) f te-t t>:0 L0 ú<0 hallar la función de den¡idad de X1 * X2.

2. (d) y (e)? Jurtifrc¡¡ . (e) HallarP(2 s X< 3). Un¡ pcr-na decide 6 minuto¡. Supóngaee que 2. . tomará el metro.¡¡ue. F(rl = 1"0_"_.GlP(x+r>1). 2.0 {o deotraforma X..S Y DISTBIBUCIONES DE PROBABILIDAI) 73 2. P(l<x<2. (c) Repreeentar gráficamente la función de probabilidad y la función de distribución. 2.E4. 2.92..t6. (d) P(l <x<21. es la función de densidad para una variable aleatoria 2. 2. 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. (d) Hallar P(2 = X ( 5). y la¡ 3:80 P. Dos variables aleatorias independientee. r :1.1. f(r) = ( cre-22 r >. ¿Cuál es la probabiüdad de que tome el meüro? Se sabe 2.ln 2)lZ.9L ¿cuil ea la relación en'tre la¡ rcluciones (c).DoopuntosPyQ se escogen aleatoriamente sobre AB y CD reepectivamente. AB yCD tienen longitude¡ de 8 y 6unidadesrelpect¡vamente. (b)P(X> 1). En el Problema 2. (c) Representar gráficamente la función de den¡idad y la función dedistribución. (e) H¡tlarP(X > 3). < X < 2). 8i no lo toma. .u r€. (o) Deüerminar a (b) Hallar la función de di¡tribución.t9. e¡ la función deprobabilidadparaunav¡¡iablcdeaüoriaX (o) Determinar c.2l VARIABLES ALEATORIA.(d)HallarP(X> 1).E8. P(r=1). deotraforma Hallar la función de densidad de la va¡iable aleatoria Y: X2 y verificar ¡u ¡olución. Una va¡iable aleatoria X tiene función de densidad l$tr-¡z) o<¡51 f(xl = t.cAP.9O. ' PROBLEMAS DIVERSOS 2. Dos segmentoe de línea. M.Y=ll. M. Halla¡ (o)P(0 < X< 3).t7. Supóngase que f(r) : cl3t. t)o es la (0 rS0 (b ) Determinar P(1 función de distribución para una variable aleatoria X.91. 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.t¡. encontrar c. (b) Hallar la función de distribución... (a) Demostrar que para una constante c apropiada. La función de probabilidad de una variable aleatoria X está dada por f(r) dondep es una constante. Demostrar que la probabilidad dc gue el área de un triángulo de altu¡a AP y base CO sea mayor que 12 unidade¡ cu¿dradas ee igual a (1 . X.86.

(d)lafunción Hallar(o)laconstantec. dada en la Tabla 2-9. Hall¡r ta función de densidad de Z .101.102...(c)lafuncióndedensidad 2. -. En el Problema 2. (c) Dererminar si X y Yron independienter.L. (b) ttallarP(l S X< 3.99. (b) Hallar p(X>tlz).s7. u=0. (b) X Si -X. Demo¡trar que la función de den¡idad de X s(u) I @# u=0.(u) = ¡1e:r donde l.93 ee cumple que P(X > +. 0 os¡=2'o<Y=' de otra forma 2 (o) Determinar ei X. 2.94.(b)P(X>Ll2.. ¿por qué? +l En el Problema 2. Y está dada por I r/9 r/6 r(r. + y. y > 1). 2. Estudia¡ ¡i considerra que eltar oupoeiciones Bon realistas y cómo podrÍa mejorarlas si no lo son.98.93. (d) Hallar 2. x.a) = de deruidad (marginal) de Y. (D) Hallarp(1 <x<1.0<U<t de otra forma P(X + (a) Determinar ai Y> rl2r.79 a tres o má¡ va¡iables. 2. Sean X. nal de X y f. f tienen función de den¡idad conjunta f (r' u) = t o llla 0(¡(U. y < g) = p(X > p(y < +.1ü1.74 VARIABLES ALEATORIA"S Y DISTRIBUCIONES DE PROBABILIDAD sean lcAP.101.L se rompe en dos parües.X2 + Y2. 2.78 y (b) el Problema 2. ¿Cuál es la probabilidad de que una parte tenga una longitud mayor que el doble de la oüra? Indica¡ cla¡amente qué suposiciones se hicieron.96.96. Sean -(_ Y vari¡ble¡ aleatori¿¡ independiente¡ di¡tribuidae idénticamente y con función de densidad (2v)-r/2¿-úr2. /(z) = 2. Generalizar (o) et hoblemz 2. La función de probabiüdad conjunta para las va¡iable¡ X. Y variables aleatoria¡ independientes cada una con función de densidad .2.103.). * Y es ) 0. Un¡ estaca de longitud .( tt ( -.y> 1/B). Y son independientes.. (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. o<Y <2 | c(2r+Y) o(¿(r' o de otra forma I (marginat)deX.1. . Supóngase que la función de probabilidad conjunta de las va¡iables aleatoria¡ X. ¿Cull er el análogo del teorema de la convolución para variables aleatorias di¡creta¡? Ilustrarlo usando el hoblema 2.. t2<X< l).Y<312). Y está. Y son independientes.2. (c) HallarP(Y = r).2 2. 2.y>1).91 halla¡ la funciónde den¡id¿d de (o) X2.. X Y va¡iable¡ aleatoria¡ que tienen función de den¡idad conjunta f(r. (d) Harlar P(Ll2 2.ur = {"-'o |. (c) Iüllar p(x<rlz.

1O7.cAP. Pa¡a una aguja de longitud dada ¿cull debe ¡er el t¡do del cuadrado en el Problena 2. función de den¡ided conjuata de tres variable¡ aleatoriea X. Supóngase que la¡ variable¡ aleatoria¡ X Y.10t.ede O a cualquier punto P del objetivo) forma con el eje. c Fis. Y.1O5.109. 0< y1l. Un haz cilínüico de partícula.1O4 para que la probabilidad de intersección ¡ea mádma? Erpücar ru rcluci6n. dada por Ilemochü que la dirtribución s(o) = lcosa 0<c<n/2 deohaforme {o donde 0 es el ángulo que la línea OP (de. er igral a o(4t o\ltf .J'v 1r' o1z. la! b€s no son independientes.ri"r" dos de esta¡ va¡iables aleatoria¡ eon independientee.¿. Demorbar que la probabilidad de que l¡ atuja intersecte al meno¡ un liado. 2. Si es l¿ f (r'a' z) = ( 1 rv2zs 01r11. .s de radio q e dirige haci¡ un obietivo hemi¡férico ABC co¡ centro en O como ¡e indica en la Fig. 2-32.z) Demo¡ka¡ que au¡que = ito-""trtcosracos¡rz :.a. 0121L o de oha form¡ 1.1O4.107 halla¡ la probabiüdad de gue una ¡rarüfcula pegue 8l objetivo entre A = O y0 : Í14. Supóngase que Ia di¡tribución de l¡¡ partfcul¡¡ ectá dada por l(r) = 1o donde esüá I lla 01r 1a deotr¡forma de lar partfcular a lo largo del objetivo r es la dist¿nci¡ desde el eie OB. - 2.2l VARIABLES ALEATORIAS Y DIÉ¡IT.106.IBUCIONES DE PROBABILIDAI) 76 2.. Z tienen función de den¡id¡d conjunüa r(r. P(Z<X+Y). 2. es decir ¡ur factores funci6n de densidad marginal.2-32 2. Z> $). (¿) 2. r *"loq. Un piso ertá con¡huido de cuadrado¡ de l¡do L Una aguia de lon¡itud o1l a lanza al piro.'"L'. En el Problema 2. Z. Ilallar (o) P(X > Y< +r.

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

La función de densidad de una variable aleatoria X está dada por f@l = El varor esperado de X es f*u 1. Y son dos variables aleatorias continuas con función de densidad conjunta f(r.l(ir) a' = * : cE(X) ALGUNOS TEOREMAS SOBRE ESPERANZA Teorema 3-I: 3-2: 3-3: Si c es cualquier constante.con función de densidad f(r). Y son variables aleatorias independientes..¡0.= *|.=+ aleatoria..rrr-z. Els(X.3.ables X. entonces - E(X+ y) = E(x) + E(y) entonces (e) Teorema Si X.) /(".Y)l EJEMPLO " = ¿-. Y son variables aleatorias. Así por " -Ur. Si X es la va¡iable aleatoria del Ejemplo 3. + g(x")f(n"\ (5) = É' s(r.r(r)dr = Í.y \7) 3. Por tanto en un juego honrado es de eeperarse pagar $5 EJEMPLO 3..cAP. Si P(Y=v¡: X es una variable aleatoria discreta con función de probabilidad /(¡). Se deduce que el jugador puede esperar una ganancia de $5.3l 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. entonces E[s(x)] : g(n)f(r) + s(rz)Í(r"\ +'. entonces E(cX) Teorema Si (s) X.a) f(r.2.oO¡f@)dr Generalizaciones a funciones de dos ejemplo si entonces la esperanza de g(X. 0<r12 de otra forma E(xt = Í:_. E6n : E(X) E(Y) (10) Generalizaciones de estos teoremas se hacen fácilmente..fo" .) = ) i 2. Si s(r) /(¡) X es una variable aleatoria.(i. Y) se obtiene por aleatorias se hacen fácilmente. entonces (6) Elsul = f.2. . y\.'.Jf*f g@.f"_rt" -2x'¡f@)dx .Entonces Y FTJNCIONES DE VARIABLES ALEATORIAS Sea X una variable : g(X\ también (¡ | s(¡)==y) es una variable aleatoria y se deduce :* 1. . E'ex2_ zx) . = Ío'tro.y) r)r d.

tenemos ¿ = l(u-p)r+(rr-p).tr71x-¡l f(*). La situación se representa gráfrcamente en la Fig.A DESVIACION TIPICA Anteriormente e_n la página ?6. Es por esta rcz6n que con frecuencia se utiliza la desviación típica.- y la desviación tfpica "=\F=+ Obsérvese que si X tiene ciertas dimensiones o unüadeq por ejemplo entímetros (cm). De acuerdo con el Ejemplo 3. A la raíz cuadrada posiüva se le llama ladesviación típica y por úx = t/@ X = .3 TI|' VARIANZAY I. ALGI.NOS TEUREMAS SOBRE VARIANZA Teorema 3-4: é: donde p = E(X\.'¡* = . 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... &1. ¡.)2 f(n) ita (151 I-a. +..4. Si los valores tienden a concentra¡se alrededor de la medi4 la varianza es pegueña.. anotamos que la esperanza de una va¡iable aleatoria X frecuenüemente se le llama la. plrf(a) ee\ Donde no exista lugar a confusión.¡.l0(Xll (161 . 3-r EJEMPLO ' 3.2.+ (a"-plzlln que eslavarianzade turconjunto dez númerosf¡ ¡ . x^Si (1t) es X es una va¡iable ale¿toria continua con función de densidad f(r). Fis. la desviación típica se denota por o en cnmbio de o*. Si es una va¡iable aleatoria discreta con función de probabilidad entonces la varianza es a'l = E[(X.78 ESPERANZA MATEMATICA lcAP.2 l.p)rf(xtl = X (rEn el caso especial de (13) (I3) dondelas probabilidades son toda¡ iguales. varianza (o la desviación típica) es una medida de la díspersión o wriaeión de los valotes de la variable aleatoúa alrededor de ¡r.. = J-. es decir cm.¡ media 6 p = E(X) = 4/3.p)r) = 2 @. EÍ(X -p)'l = E(Pl - p2 = E(X') . ("-i) l. 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.("-á) rota" = J. entonces la varianza "? = EÍi/. Hallar la varianza y la desviación tfpica de l¡ va¡iable aleatoria del Ejemplo 3. Entoncec l¡ varianza re encuenha por 02 = r/ t\21 tl("-n/l es / ¡\2 (z/ 2 ¿\r/f \ . para el caso de dos distribuciones continuas con la misma .media y se le denota por t. V la varianza por o2. la varianza es grande..t)rl = Í__ O - ¡.. .

Entonces podemos @ol x* . = i(r. es decir -"Ol cero y vayianzal. esto es.. Los valo¡es de una va¡iable normalizada se denominan algunas veces referencias tipificafus y X tipificadcs (es decir.p).yenestecasohayfórmulasanálogasa(23)y(24)enlascualesp:0.3l Teorema 3-5: Si c es una constante ESPERANZA MATEMATICA 79 c2Yar(X) Teorema 3-6: La canüdad E Í6 .esdecirelsegundomomento central o segundo momento alrededor de la media es la varianza.' @61 .p)'l @2) donde r:1. : E[(X ..f@) = )(rf@ p)'l\r) (variablesdiscretas) (variables \23) (24\ t'.. 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.¿o:1. o2* + (18) (19\ Generalizaciones del Teorema 3-7 a más de dos variables independientes se hacen fácilmente.l (r) du -.lJr:0y¡re : 02. Teorema Var(cX) -- (17\ 3-7: Si X. MOMENTOS El momento r de üna uariable aleatoria X alrededor de la media p.. o se toma como unidad al medir X .'.r. + "' + (-\'(. la varianza de la suma de variables independientes es igual a la suma de sus va¡ianzas. VARIABLES ALEATORIAS NORMALIZADAS Sea X una variable aleatoria con media ¡r definir una uariable aleatoria normalizadd como y desviación típica o (o ) 0).x---yUna propiedad importante de X* es que ti"rr" nombre de normalizcdc.cAP. = 7)l momento'r de . En palabras. Las variables normalizadas son útiles para comp¿üar diferentes distribuciones. l. también conocido como el momento central r.j=l ti..Y) = Var (X + (Y) ó Var (X) + Var (Y) 6 Var (X) + Var o2.. se dice está expresada en unidades sín dimensiones.2. y) = Var (X . Y son variables aleatorias independientes. se define como p.l.*y o?-v : = ol o2* * o2. .2..a)" 1es mínima cuando a : p : E(X). = pi- (l)r.6¡.)-l-¡t"i* "' * (-r)'¡.fi' f continuas) X alrededor del origen se define como pi'= E(X') dc:cler:0. Sededuceguel. Tenemos p. . La relación entre estos momentos se expresa por @5) t".

donde i es la unidad imaginaria en la función generatriz de momentos obtenemos una función importante llamada lafunción característíca..=t eo'f(r¡) = 2 ) _. Entonces X. entonces la función generatriz de momentos de (X + a)/b es + Mr*ro.3 Como casos especiales tenemos.r(t\ Teorema = """'**(l) (33\ 3-9: Si X.t"2 lrt = t"L-Bp'rtr * l"t : t't. la justificación del nombre función generatriz de momentos es lógica. (t) respectivamente.#l+ "' * r:#+''' ¡"i (r 1) Puesto que los coeficientes en esta expansión nos permiten hallar los momentos.r. la función generatnz de la suma de va¡iables aleatorias independientes es igual al producto de sus funciones generatrices de momentos.'NCION GENERATRIZ DE MOMENTOS (27) - 'i|¡'a I-a.. = l"L.15 (c)] M*(t') : I + tLt * r. AIfUNOS TEOREMAS Teorema SOBRE LA FUNCION GENER ATR. 2p" 6¡Ir¡12 tt. (r) . Donde no exista lugar a confusión escribimos M(ü) por M"(tl.4pip I FI.función generatríz de momentos se define como Mx$) ee decir = E(e'*) er"f (28) (variables discretas) (2el (30) M*(t) = M"(t) ¡ . La denotamos por . utilizando pl = p ygb:1. Y tienen la misma distribución de probabilidad solo si M. En palabras. Teorcma 3-I0 (Teorerna de la unicidad): Supóngase queX. f M " son variables aleatorias con funciones generahices de rnomentos M y "(t) (t) respectivamente. erf(r\ dr (r) (variables continuas) Podemos demogtra¡ que la expansión en serie de Taylor es [Problema 3. FUNCIONES CARACTERISTICAS Si remplazamos ú : i<.IZ DE MOMENTOS 3'8: Si Mx (ú) es la función generahiz de momentos de la variable aleatoria X y a y b (b 0) son constantes. entonces M**"(t) = Mx(t)MtQ) (3 /r) Generalizaciones del Teorema 3-9 a más de dos variables aleatorias independientes se hacen fácilmente. IUI y (t\ idénticamente. Yson variables aleatorias con funciones generatrices de momentos M * (t) y M .80 ESPERANZA MATEMATICA lcAP.-" (32) es decir. ¡ri es la r-ésima derivada de M * (ú) evaluada en ü : 0. De la expansión podemos demostrar que [Problema 3.16(D)l = fi*"Oll.

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

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

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

r): 1l2.. lim + X" (n=L.\. realmente es falso. .q en la Fig.10 6lO% y se Fig. que esperamos sea verdadero. 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. .) Sn/n (60') Puesto que Sn/n es la media a¡itmética de X1 .3 3. variables aleatorias mutuamente independientes (discretas o continuas).75. el ánea a la izquierda de r. Mediana La mediana es el valor de r para el cual P(X = x): P(X. En tal valor r. Xz. Moda.3-2 . f(r) es máúma.25. y. =o "( *-" =. tiende a cero : g. : Xt* Xz+ ... Aunque la ntedia es la más empleada. tres o más valores que tienen relativamente grandes probabilidades de octrrrencia. llamado la ley de los grandes números. . 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. este teorema establece que la probabilidad de que la media aritmética S.84 EJEMPLO ESPERANZA MATEMATICA lcAP. o en otras palabras.ro sería 0. cada una con media g y varianza o2 finitas. Así por ejemplo el área a la izquierda de la ordenada eD f. Teorema es una consecuencia interesante de 3. trimodal o multimodcl respectivamente.. Con li31 frecuencia este resultado se denomtna ley de los grandes números en forma fuerte. la desigualdad de Chebyshev. se implica la ley débil..pero cuando n '+ @. Cuando se hace referencia a la "ley de los grandes números" sin ninguna especifrcación. Los valores que corresponden a tales áreas se llaman uolorcs percentila o simplemente percentíhs. La moda es el valor que con mayor frecuencia ocurtre. . Xn. Un resultado más fuerte. el resultado del Teorema 3-19 se llama ley de los gundes números en forma débil.25 6 P(lx-pl<2"\ > 0.19 (LeV de los gnndes números): Entoncessi S. es que p con probabilidad uno. equivalente.2. la probabilidad de que X diflera de su media en más de 2 desüaciones típica8 €8 menor que o iEral a 0.34). 2.75 Literalmente. .. Por ejemplo. . 3-2 es c. tiene la mayor probabilidad de ocurrir. Si h : 2 en la desigualdad de Chebyshev (59 ) vemoo que P(X-pl>2s) í= 0. 1. 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. Algunas veces tenemos dos. también se emplean otras dos medidas de centralizaciiln. Estas son lamoda y lamediana./n difiera de su valor esperado ¡¡ por más de e. Sean X. 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.. . la probabilidad de que X se encuentre dentro de 2 dewiaciones típicas de su media es rnayor que o igual a 0.En el caso de una distribución continua la mediana corresponde a la ordenada que separa una curva de densidad en dos partes que tienen áreas iguales de Ll2 cada una. en contraste.6.

plf(r) (variablesdiscretas) = DllX-¡.O .x. M. Con frecuencia una distribución no es simétrica con respecto a un máximo sino que üene una "cola" más Iarga que la otra. se dice que eslásesgada a la izquierda. En algunos cafios una distribución puede tener sus valores concentrados cerca de la media así que la dishibución tiene un pico grande como se indica por la curva sólida de la Fig. Si r. 3-5.É. hay diferentes medidas de dispersión o variación respecto de estas medidas centrales además de la varianza o desviación típica. Lógicamente. OTRAS MEDIDAS DE DISPERSION Así como hay varias medidas de centralización además de la media. como en la Fig. Fig. 3-5 2. esperanza Desviación media La desuiación media (D. 3-{ Fis.ts . 3. Medidas del grado de apuntamiento de una distribución se llaman coeficientes de curtosis o simplemente curüosis.p)n] o* p+ o4 (64) . M. 1. Cu¡tosis. 3-5.ll : f_. 3-3 F'ig. 2. mientras que si la cola más larga se extiende a la izquierda. Las medidas que describen esta simetría se denominan los coeficientes de sesgo o sencillamente sesgo.tlf(r. Una de las medidas es 'il "ü"é D[(x .3l ESPERANZA MATEMATICA 85 llamaría la décima percentila (o la primua decilal. Si la cola más larga se extiende a la derecha. La mediana sería la quincuagésima percentila (o quinta decila'¡. se dice que la distribución está sesgada a la derechc. La medida es positiva sesgada a la derecha o a la izquierda respectivamente. 3-4.1. como en la Fig.(X) X se define como la (6f ) ) lr. o negativa si la distribución está distribución simétrica o¡ : 0.l dr (variablescontinuas) : EllX -¡. esta medida no tiene sentido si alguno de los valores extremos es infinito.11 : (62) SESGO Y CURTOSIS 1. Algunas de las más comunes son las siguientes.r representan los valores de la vigésima quinta y la septuagásima quinta percentila la diferencitrc. Recorrido. Recorrido semi-intercuartílico. El recorrido es la diferencia entre los valores más grande y más pequeño de una distribución. En otros casos la distribución puede ser relativamente plana como en la cun¡a a trazos de la Fig.(X) D. Una medida empleada frecuentemente está dada por "4 :-_-----i--: E[(x.cAP. 3-3.. Para una o.zs) es el reconído semi-intercuartílico.r.ts .M.p)3] ps (63) que es una cantidad adimensional.r5 y x. Sesgo.25 se Ilama el recorridó intercuartiticoy Il2 (x. es decir D.) de una va¡iable aleatoria de lX.

1. = 1 PorüantoS:2. Problerna. Hallar la esperanza de la suma de puntos al lanza¡ un par de dados honrados.86 ESPERANZA MATEMATICA lcAP. js = !+ | + á + # +.0005) + (0) (0. ¿Cuál es el precio justo que se debe pagar por un boleto? Sea X la variable aleatoria qrre denota la canüidad de Tabla 3-2 d:. s = . [.'(*).. que tiene un coeficiente de curtosis igual a 3. En una lotería hay 200 premios de $150.o\El = t7 \o.s resueltos ESPERANZA DE VARIABLES ALEATORIAS 3. Entoncee Restando.02 750 0.(+)..002) + 3000 (0.41.'(#).. - E(Y) ^/t\ = tll) * \o/ "' ...02) + 750 (0.002. El precio justo a pagar por un boleto es 6 peeoo.0005 0 P(X : r\ 0.002 3000 0. por el Teorema 3-2.00 ó 6 pesos. Sin embargo una lotería gana dinero. Hallar la esperanza de una variable dada por aleatoria discreta X cuya función de probabilidad está Itrl Tenemos : (i)' (t=r.2... Por ejemplo la probabilidad de obtener uno de los 20 boletos que dan un premio de $ 750 es 20/10 000:0. Tenemog E(x) Entonces.3 que es una cantidad adimensional. Comúnmente se compara con la curya nonnal (véase Capítulo 4).os diferentes valores de X conjuntamente con sue probabilidades se muestran en la Tabla 3-2.s. 20 premios de $750 y 5 premios de $3000 Suponer que se colocan a la venta 10 000 boletos.(i)" = +. Es posible definir coeficientes de sesgo y curtosis utilizando otras medidas de centralización y dispersión.977t D(x): (150) (0.(*) ..../ 'l*)* 7 E(X+Y) = E(X\*E(Y) = 3.(i).ero que se ganará un boleto. hágase á. 3. el precio del boleto sería más alto. |s = i . Y los puntos que aparecen sobre los dos dados.) E(xt = Para halla¡ esta suma.'(+).9?75) : 6. Véase también Problema 3.z.'(*) . . Sean X. La esperanz¿ de X en pesos es r (pesos) 150 0. pero los definidos anteriormente se emplean con mucha frecuencia.3.

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

\2 ^a = f-('-L)''"-"0' = i = El(x-r)21 E(xz¡-ll(x))2 = t. y) la función de probabilidad coniunta de X.2. tenemos E(X): E(Y)= 7 12. Demoshar el Teorema 3-3.r. Demostra¡ el Teorema L4. = Wa"(X+Y) = 1/g v6 3. Por el Teorema 3-4."*' ""'*"' =i'|í'. tenemoe f(x. var(X) (D) 3. VARIAT'IZA Y DESVIACION TIPICA 3. E(x2) = E(vz¡ ='. püa todo ¡. Sea ¡t(¡. puetüo que X. Y ron independientee. Halla¡ (a) la varianza y (b) la desviación típica de la suma obtenida al lanzar un par de dados honrados. = Var(Y) = +-(.(l) var(X) Var (X * ' . y) puede expresarae como una función de r multiplicada por una función I. Obsérvese que la validez de eate teorema gira alrededor de si f(.4.88 ESPERANZA MATEMATICA [cA". o. (o) Del Problema 3.(. y." (')no(')l E(X) E(Y) Si cualquier va¡iable e¡ continua la demoetración ee desarrolla de igual manera.(+)-Fr. con¡iderada di¡creta. Entonce¡ l¡ varianza e¡ Var (X) = Etá . / . Hallar (¿) la varianz y (b\ la desviación típica para la variable aleatoria del Problema 3. Y rcn E(XY) = 22 Í!J! --t ra f@.1/2. Además. página 77.)'= i o = tFf-var(x) = \E = t r" : Ot¡o ¡nétodo. Tenerno¡ E'(x ^"' * u' -'u. p6g¡na 78. Pa¡a va¡i¡blee dependientec generalmente no ee cumple.10. por el Teorema 3.7 Y) = Var (X) (Y) = F (b) ox+). Por tanto Y. Y ¡on independientes.y f t@) fz(a) )1. con las eumas apropiadae remplazadas por integracioneg.*(á) # :%1 Entonces. por el Teorema 3-4. Si la¡ va¡iablec X. ea decir.9.)'= * Var y.p\zt = '[(* -])'] = l:_ (" _'L)' t*.3 3.4 l¿ media de X ee ¡t= E(Xl -.. (o) Como en el Problema 3. independienteo.:r:¡:* .'/'Q)2afztu) .7. de ¡i X.8.u) = ) ) . y): f tG) /2 (y).

o)n = O. ..3] ESPERANZAMATEMAIICA 89 3.)t(")u'-l + (-t)rpr \./ /\ /"\ = .(i )/.'tut '\'/ + "' + (-L)'-'( t . .13.11._i...py) + (Y .t'+ "' + {-r\r\l)r.i.)"n'-' + (-t)'p'l J \r-r/. .pi E(Y - py) - o ya que X. = t(4=\ / =.)¡..:.ttv eon independiente¡. + r-r¡t('.12.. página 79.ar Y gnr -Y . = .EÍ6 .t:.págna79.u.pv)}21 EllX .cAP.n)21 E[(X .-'u \I/ + .pl|. se ri' y emplear cl Teorema 3-6.' . La demo¡tración de (I9). (a) puesüo que E(X) = E(x*t ¡r.ltx.r..px)(Y . Er(x-'''..-iut + "' + (-l)'-t¡ur * (-l)-rnt donde al combin¡r loe do¡ úlüimo¡ término¡ re¡ulta (-l)r-1(?'- 1)p'...r.tt)lo es una variable aleatoria normalizadq demostrar que (u) E(X*¡ = 0' (b) Var (X*¡: 1. Demostrar el Teorema 3-6. mínimo de El(X-o)'l ocutre cuan- 3.P)21 + (P .(i\*.lt:0. Si X* : (X . e¡ decir cuando a : ll.u\(Y . \t / \r/ + . Y .pv)l * El(Y EI{(X Var (X) + Var (Y) px)(Y pvl2) El(X - - pv)l = E(X .14. * t-t'(T)t1"'-.TNCIONES GENERATRICES DE MOMENTOS 3. .px)2 * 2(X . página ?9. y el hecho de que E[(X tt)z1= 3.a)2 pueeüo que E(X .E(x. Demostrar el Teorema 3-7.\x. * .ft\tr*"-.. + (-r\'-'( n . Pr = El(x-pl'l = nfL x." -.-.px) + (Y ..2] + zEl(X .. f)e esto vemos que el valor do (t¡ .í':.r?2. pág¡na 79.tt): E(X). !¡rw-u¡ = L¡nwl-r) = a' o \ (x*) 0 (b) var = u" (?) = \o¡1x - u¡"1 oz =I utilizando el Teorema 3-5. Var (X + Y) = E[{(X + Y) - (px + pv))2] = = = = utilizando el hecho de que . Demeshar el resultado (26). MOMENTOS Y FI.!^r_':i.t . p{ina 79. Y y por tanto X gue al remplaz.

(b) el resultado (g2). = 2 fo'e<t-z>'d.. g s.*"-.2'. p'+=L.*#*.ú3x3.Lf".(. página g0..90 EspERANzA MATEMATToA [cAp. Todo¡ los momentos impares 6on cero y los pares Eon uno. (o) utlliz¡ndo lrr erpaneión en serie de potencia de eu (8. For t¡¡to Mx*vQ) = Elet(x+Yr) = E(etxetv¡ : E(etx) E(¿tv¡ = MxG) My(t) 8. M(t) = Eletx¡ = f" J eEf(t)dr fo" ""1. (o) Eqetx¡ = .) cn(ú - o)" cn = i. = L+tlt*uL#*ri#*..) * .*#.-'. (r) (zl (I)V e\ = 1_¿+ r+_#*fr_ . ffirol. Y ron independiehtee.r ze<t-Dt : -T=Tlol@ = z li't<2 z-t. Demostra¡ el Teorema B-9. !utt" quc X... -T! \ 12 rg t + tU(x) + ae(xr) +¡a1xa¡ a ..16. ¡á=0.(á) = |G. = ._" 3.* pL=1. Demoshar (o) el resultado (Br ). cualguier función de X y cualquier función de y son independientes....+"-.'.e t-oma¡ los valores 1 y ...-"'ro.*rá#*u. 8-18. = L*pt*uLr4. 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. Eltt (o) la función genératriz de momentos y (b) lós primeros-cuatro momentos alrededor del origen. Apéndice A) tenemoe Mxe) = E(etx¡ = n(t+tX-t2x2.16. página g0.r|r*frr..1 = . 'r"') \ . Pcto Al comperu Mx(\ tenemog t!:0.17.I con probabiüdad 1/2 cada uno.rfr..t (D)Tenemor hsonce¡ et = e_t t+r+#.. La variable aleatoria X pugd.. (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 .

'''-r2)/8r :"=i./ \ -/ = cosa coso empleando las fórmulas de Euler ¿io con 0 * isena s-io = cos. Hallar los primeros cuaho'momentos (c) alrededor del origen. 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 . 2 4 8 p'n 16 Pero M(t) = * tt + uí#* rtfr+ tt^fi+ "' = P¡.r. pi (b 12) dr = -51 ) Utiüzando el resultado (27\.17. t = )2.\51 . El resultado también puede obtenerse del Problema 3.-+e i. 3] (b) S¡ lúl ESPERANZA MATEMATICA 91 ( 2 üenemo¡ z_t z L_tlZ 1 I = '.. al comparar términos. '.21.1!) * r/9)' 85 ".. = 2 ^f FI. Por tanto. = . tenemos ttl t2 = r-(*)'= # = 02 Fr .Lp. para unava¡iable aleatoriaX con función de densidad r(r) (c) = i./!\./!\'_ ..'..216 -r.'.cAP.17(o) al remplazar t : i<¿ 3. .) = \ -..216 pi = E(Xr) = . (b) alrededor dc la media.8?b B6eg 8?50 ztcy q\. "\5/ tt4 y.". : c¿. tti = *.*L*!-L*!*. = .. p6gin 80.19./+b(.(+) * . /t = \.r.i¡en.\." = B t.". Jo "ot.r)\B/ -t\Ei _ ^. La función característica está dada por Eteiux. = l(3.(l) -.*. 3.20. Halla¡ la función característica de la variable aleatoria X del Problema 3. = 27-s\s5.'NCIONES CARACTERISTICAS 3. = E(X) =#Í""*z¡s-¡z)itr =f pL tt = Elxz¡ = # 1"" *rn - s2) d.".

¡xXY .p*y .o = 8en Cú. e<o+iarz * Jo ¿-<a-. l:. a.ryttx * pxpv = ElXy). Por definición la covarianza de X.. Demostüar el Teorema B-14.6-'l "iar¿-.E(X)E(ts) = 0 .pxE(Y) ._(a_io) ü a L 2(o* io) 2(a. Demostra¡ el Teorema B-15.donde c ) 0 y c es una constante apropiada. Yl = E(XYI -. página 82. Si X.io') = _a2 a2 * o2 COVARIANZA Y COEFICIENIE DE CORREIACION 3.l*-ei.útit¡) l€ lo lo . página 82."r.r = "lÍ:. por tanto por oxy el problema 8."-*l* = -Alo = I - Entonces c: ol2.pvX. Hallar la función característica de la variable aleatoria X con función de densidaa f@) = ee-atEt. o" = asf que I .. Y es oxy = Y) = El(X . + fo* n. Puesto que f(r) es una función de densidad tenemog Í). -oo < Í 1 @.lxtty = E(XY) _ E(X) E(Y) Cov (X. arf 2c O + .92 ESPERANZA MATEMATICA La función ca¡acterfstica está dada por lcAP.f?o/.rrrrru. = *t_""^"0.c-atxt d.22. 3.r'. = 2a io l-o = | al@t la ela@ ..* npv] = E(XY) .pyE(X) * E(pxpvl = E(XYI . = "{lo 4f-o u-n<-.20) ceñ d = ao..Fxpy .23 = Cov(X. la función ca¡acterística está dada por E(eiax¡ = .o<t> ¿sf .24.LJ_-e(a+t@)ro" q.3 D(etx¡ = f-.23. e-(a-i@)¡ 2 a*io l-" ' . úu empleando las fórmulas de Euler (véase problema 3. 3.t an + !o' "-"r.f(r)dr tlÍ-"eíore-o<-x. .e-ho 2ia. Por tanto. y eon independientes entonces E(Xy) : E(Xl E( y) .pv)] = E[Xy .

. Utilizando c : LI 2LO tenemo¡: (¿) (c) E(xt = E(Y\ E(xY) h + s) dr t. + (0)(1Xc) + (0X2X2c) + (0)(3)(3c) + (1X0)(2c) + (1X1)(3c) + (1)(2Xac) + (1XBX6c) + (2)(0)(ac) + (2X1)(6c) + (2X2X6c) + (2XB)(?c) 427 ld.r".o. página 50.a\l = .n".at) = rr. [] tA.y) = ?rh f(. lr.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.J"-o{o)1"Iuld'rita = I70 6s = tf67580 . (/) Var(x). = E= + (c) D(xY.. (b) t 93 (¿) 3..=..o.lrrr"o*. si las va¡iables X.cAP.. (¿) (b) = ))o/(". * (1)z(1ac) E(Y2') lllr"t *l =t ..) (e) E(xz¡:22r2f(r..25 si las va¡iables aleatorias X.at) = 4.O.[) ¡@.o1.(1)(9¿)+ (2)(L2cl+(3X15c) = = = 22nufia. =# =+ = 22u2f(u. EsPERANZAMATEMATIcA y). . (e\ E(Y'). página 52. Y se definen como en el Problema 2. Resolver el Problema 3.alf '* = *.. (s) Var(Y). Y se definen como en el Problema E(x) (a) E(X'¡.26.*. (0 p.. (d) E(X').ur"..al = )"rl-)ftr./zso r/55 -20: = 3. ."=.ul = )y.(1)(1ac) +(2)(22c\ = 58o = E = n 78c E(Yt = 22af.ú = ..26. dy = %T t 16 ri = ñ)"=.:-* J. E(Y). sl Hdla¡ Cov (X.= = t/zwan ' 15514.or..y) = E(xy)-E(x\E(yt ?-(it)'=:* = +-/+)l+) = --+ r47 7 \21l\7/ -0.-.8.3. 2. Ju=o {rú{rr r sl dr dv = .a\ .lyL47. txv o = oxnv -.ol.. (c) E(XY).r. f"t=u our.'..2103 apror.

X: 2 es E(Y =2) "x = ? r(+) X: donde la suma se toma sobre todo y que corresponde a E(y. Si f(r) es la función de densidad de X entonces . Presentaremoe la demostración para variables aleatorias ecntirruas. p= oxoy -200l3969 /50s615e6-0 {r6únsn -200 t/zsnr/te zzs = ESPERA}IZA. 3 (d) (el u') b) (h') (t oxy =# E(Yz¡ = h f. . Esto oru o"oo oo. VARIANZA Y MOMENTOS CONDICIONALES 3.(ui) .var(X) = E(xz¡-ll(xtl2 = #. Hallar la esperanza condicional de Y dada X : 2 en el problema 2.)\t)* J_- donde hemos utilizado el hecho de que ltz: E(Y lX: r) :2. la función de probabilidad eondicional de Y dada X : 2 es ftutz) = Entonces la esperanza condicional de Y dada + 2.\r-.=o.28.(#).2g.g. Hallar lavariar¡.x=2) = -. DESIGUALDAD DE CHEBYSHEV 3.a varianza pedida (segundo momento alrededor de la media) es 12 z"\'/zu\' =18 E[(v-pr)zlX=r] = f'w-td2fz@lr)da = ('/ Pz"'=J.27. .rrr.29.# E(xz¡ =h Í.za condicional de Y dada 2(L-ys¡ 2(l+y*y2) --¡O+7I- x para eI problema 2.rrrr."=. * a) dr tru = # otr . Como en el hoblema 2.. (o) (ó) E(ylX=r) = Í-_afrtuldau = ír'r(rr")* = + E(xly=y¡ = f_-".30. [.y) = E(xy)-E(x\E(y) = ?-(?f)(*t) oxy = -# -0. . f u'.28(o).03129 aprox. .(#)' = *tq*$ o2. página 61.27.(rlytdr = í"'"(#*S* El=a\ 3.(iu) = ii 3. pág¡na 62.^:. * v) dx da = cov(x.(#). = var (y) = E(vz¡ _ l'(y))2 = t# _ (#)' = t.pág1na62. pág¡na62. Hallarlaesperanzacondicionalde(c)YdadaXv(b)XdadaYenelProblema2.94 ESPERANZA MATEMATICA fu'=o [cAP.2g.. La demosbación para variables discretas es semejante si ee remplazan las integralee por sumas.zlB del Problema 8. Demostrar la desigualdad de Chebyshev.

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

(b) Hatlar la mediana.[. El máximo relativo de la derivada es cero. r: 1.62 apror. y (c) compararlas con la media.36='ñ¿r ze) az de donde o = sli{z- q Por tanto la mediana pedida. l(r't 3. (c) Comparar la moda" la mediana y la media. P(x<a) Igualando eeta = *. . . que ea La moda pedida.9 - -'l 86 - 8l l2r2 = u Entonces . e8to e3 f(r ) ocurre dondc ."on-r2tdr = #(Y-t) 2aa_36a2 all2 hallamoe que *91 = 0 de donde _ia2 = 36a\436P-4(2X81-) .33. (c) ' E(x) = + ('¡z(g-xz\da = !(t*-+)l'= 8l\ 5/lo 8lJo que prácticamente ee igual a la mediana. la mediana y la media se muestran en la Fig. .84. es Í: L. que debe enconharse entre 0 y B.96 ESPERANZA MATEMATICA lcAP. Ob¡érvese que este valor da el máximo ya que la -24x 187 . una va¡iable aleatoria discreta tiene una función de probabilidad f(r) : !12' donde 2.?3 aprox. Halla¡ (a) la moda y (b) la mediana. (b) La medianaee 1. aquel valor deo parael cudlp(X é a): ll2. . Ahorapara0(a ( 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. = fr: aegunda derivada.¿rL 81 -_l = 'r2) df ar. r. (a)/ La moda es el valor de 4 asociado con la probabilidad más grande. para el cual la . ea negativa para x = 1fá. (o ) La moda se obtiene hallando donde la densidad f (x) ea máima.. En este caso probabilidad esLl2. 3-6.3 OTRAS MEDIDAS DE CENTRALIZACION 3. eetá dada por = n-Zr/.60 = 1. La moda.

(" .33 hallamos que s : 0.25.68 aprox. : 2. Entonces el recorrido es 3 ..60 : 8/ó.n "¡fa' = Í^" (.esdecirlasoluciónde(18a2 : 0.t):ll2.3. Del hoblema 3.33 la media Desviación media ee lt : 1. Por coneecuencia escogemos el punto medio del intervalo.b1 aprox. :. I.19.. Empleando el método del Problema 3. En forma análoga puesto que todos los valores ¡ ( 0 tienen probabilidad cero. (b) vigésima quint4 (c) septuagésima quinta percentilas para la distribución del Problema 3.cAP.r - pl f (n) dr = l"' l' .121 reepectivamente.35 los valores de la vigésima quinta y septuagésima quinta percentilae son 1. tomamos el uolor mínimo de ¡ : 0.098 y 2.l : 2. OTRAS MEDIDAS DE DISPERSION 3.L21 aprox. Y CURTOSIS de (a) sesgo 3. .36.33. Por tanto el orden de las tres medidac es contrario al del hoblema 3.1253 3693 8750 (a) Coeficiente de sego -: o.r :: .10.P(X=r):l12yP(X. o sea ¿ 0.'"¡)a' = SESGO 0.0 : 3. es decü 312.")[#.a septuagésima quinta percentila es el valor de ¿ tal que (18o2 - a4 ¡¡8t: o @a.37.33.-1998 0. M. (o) Puesto que todos lós valores ¡ ) 3 tienen probabilidad cero.? 5.3l ESPERANZA MATEMATICA 97 (b) Si¡escualquiervalorentrely2.655 apror. Entonces E(lX = D.Portantacualquie¡númeroentrel y 2 podrfa representar la mediana. (b) La vigésima quinta percentila es el valor de a tal que (L8o2 P\X<a)=#(Y-fl = "# aa -a4¡¡8t \l8L : O.l0.o . Determina¡ (a) el recorrido.")] d' + Í. = - p|) = l_".)[#'n .*l[#. Del Problema 3.. (c) Como se encontró en el Problema 3. : 1.". PERCENTILAS 3. a (c) f. (c) Del hoblema 3. Por tanto Recorrido semi-intercuartflico = ?121 . Hallar el coeficiente y (b) curtosis para la distribución del Problema 3.33. Determinar los valores de la (c) décima.33(b) tenemos (o) LadécimapercentilaeselvalordeoparaelcualP(X5o):0. (b) el recorrido semi-intercuartílico y (c) la desviación media para la distribución del Problema 3.35.19 tenemos 02 ll 25 It3 oo - 32 8?5 -0. tomamoseluolor móximo de ¡: 3.098 aprox. (b) Por el Problema 3.

40.1.. ..l l''. J..39 I pt. f-ri".... o1_o o..tlZ Se deduce que hay un sesgo moderado a la izquierda. .t_ | eú .r i r)d (¿@ I ¿ir r 1.> ]¡xeik. y la varianzaes 02 : M"(O)-ÍM'1O¡12... 3.98 ESPERANZA MATEMATICA lcAP. ... (b) Mulüiplicar ambos lados de la expresión (r) .3 (b) Coeficientedecurtosis = et :. f tl' . - I zt.. la serie de Fourier se rernplaza por la integral de Fourier (véase página 81). = . Del Problema 3.. que tiene una curtosis de 3. Sea p. De (32).¿.. . ú"r**:r. = I#+i:"-o 2¡ tt'' sr(." .¡ rru.. . PROBLEMAS DIVERSOS 3. = 2¡p f -o --n .39 para obt€ner 14 distribución de probabilidad de una variable aleatoria X cuya función característica es O(<¿ ) : cos .Z. X una variable aleatoria que toma los valores t n. puesto que f_"n. Utilizar el Problema 3. . respecto I @ desde 0 hasta 22. (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 -. "" Entonces j f'= " -iia 4..{o) r/o Con frecuencia llamamos Q$. ti = M'(ol Entonces de (27) tL = M"(o) p = Iú'(0) 3. 4¡ J.1. es algo menos apunüeada que la 3€.n.i)o ¡f.("./" ...Para una variable ¿leatoria continua.l ¡rt" . pk 1 12= T.Iu-| é(o) E1er. coS c do -e ':.r-..rf t1o k+j k---j Por tanto rt ¡ P¡ . = o" = M"(0) - lM'10¡12 1. También la distribución distribución normal.. n2. Si M(tl es la función generatriz de momentos para una variable aleatoria X demostra¡ que la media €S g : M'(O.39. ... Qk¡).u-¡ . ¿ k icr_...' '^'y'.1._ ...x¡ ¿ior¡ = - i -) r^. " t*''L i:.(ar tra -= k =S o*Ja " ¿i{r'.. . remplazaudo j por h.página 80.j . tenemos remplazando r : L y r : 2. .38. . yp¡ los coe¡icietttes tte iour¡"r. como se indica en la Fig.

41.si. "_. Por ta¡¡to la va¡iable aleatoria ectá dada por X=) Comó una verificación vúas€ hoblema 3. Por simetrÍa. Análogamente obtenemos ti = E(xr¡ = h fl= o.k:-1hall¡mogp-r=*. # to' '"t2"-'d'o B L 4. Por tanto el coefi- La di¡tribución tiene I¿ apariencia de la Fig./g\ = {. con probabiüdad Ll2 con probabilidad Ll2 -r 3.1"/1) = r \/.)21 = E(X2) = pí = ps = qllX -p){] = E(X4) = p'n -o2 'lt4-." *.cAP. {2¡ or. \ Fig. .x2/2 ¿.1"/l) = -{.. 3-7.20.2"-22/2¿¡ ¿u = + 'to f'sz¿-x'/z¿. Iülla¡ el coeficiente de (c) sesgo y (b) curtosis con densidad de la distribución defrnida por la curua normal.2.Pa¡alo¡oEdvalore¡dektenemo¡p*=0. 3-? (b) Tenemos p. = Z Jo {i .3l ESPERANZA MATEMATICA 99 Si&:lhallamosr'=$. (r |. cientc de sesgo es cero.8.p.\2/ {... 3 Por tanto el coeficiente de curto¡i¡ e¡ -i-ó . (o) f(t)= l¿-"'" l/Zn- -co<n<e l!\ : llt = O y lt\:0. = h Í. -f rz ¿. (.= -z-rll) .'\2/ Entonces = EI(X./. 2 2'\2/ = . 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. = E(xz¡ = -+ ¿l" l/2r -.

otr ___q__ .( ". (bl E(}X-21.¡. + n?. (b) E(zX + 6). La función de densidad de una variable aleatoria X es /(r) = (e-r r>0 de oüra forrns 10 Hallar (o) Eo(l.49.s suplernent&rio s ESPERANZA DE VARHBLES ALEATORIAS 3. Sea prob.-". (cl E(X21. (b) E(Xz *)a2).Y El(Y _¡v)21 c(X - Px))21 = 0 / ol. Una variable aleatoria X tiene la función de den¡idad (e-' r>0 /(r) = {l0 ^ ¡(0 Hallar E(e2x/31. 3. g.x)(Y- pv)l = + c2al - 2co*. = o?..Y = ] 3 prob. ¿Cuál es el número esperado de puntos que resultan en 3 lanzamienüos sucesivos de un dado honrado? ¿Parece razonable su solución? Explicar. 1/3 por .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.44."Í\"-. 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¡ . Sean X. .48.3 3.zl \ 'xv\2 "i" "x/ --t-"i = ""*"1-o'*"=-0 ó *=1 '7ní queesequivalenteap2 < "'*"?. 9. 3.zcEl(X.46. I Problerna. (c) E(XY).{) * -.47. Hallar (a) E(XI.100 ESPERANZA MATEMATICA p [cAP. I 1 3. ll2 . / . 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). (c) E'l(X-1)21. (c\ E(Xt). Demosbar que -1 < s1 (véase página 82).45. -2"":'\ -" -* \"r* ) -/ = oí+oil"-. Una variable aleatoria X se define | -2 prob. (b) E(Xr). * c2El(Xr ¡x)21 .42.!\'Entonees el lado izquierdo puede escribirse El¡.

1/B prob. (b) "x. Sean X1 .7/2 prob. (d) E(X2t'). Sea X una va¡iable aleatoria con función de den¡idad (1/4 -2f x=2 l(rl = jo deotraforma Hallar (o) Var (X). 3/4 prob. 1/6 Xzl . 1/3 \o prob. (c) E(X-rY). s) = ] : de otra forma |0 Y).50.50? Explicar.69. (b) E(2X2-Y2).0lyf 3. . .57.E(X) E(Y).0=tt<2 lr(t*u) l\x'a) = f deoüraforma 1o (b) E(Y). 3. tc)E(X+Y\. (ft E(xY). + Xn). * Xil. . 3.cAP. 3.55. VARIAT{ZA Y DESVIACION TIPICA 3.(zr+y) 0<r='I. Sean X. (b\ E(XY) : E(X) E'(Y). ¿Se cumple que (c) E(X + Y) = EIX) + E(yl. Si /(t. (b) E(Y). (x) = io x>-0 de otra forma Hallar (o) Var (X).52? Explicar. en el Problema 3. 3.53.2/3 v) | 2 i -a prob. Y variable¡ aleatorias independientes tales que ^ vt || prob. (d) E(XY). (f.62. Y va¡iables aleatorias con deneidad conjunta f(r'al = iat' Io o-<:us1' o<tl<1 de otra forma Hallar (o) E(X).. 3. en eI Problema 3. Hallar (o) la varianza y (b) la desviación típica del número de puntos que resultan en un EoIo lanzamiento de un d¡do honrado.51. = I Z [ -_r Hallar (o) E(Xt+ prob.XY\ 2 = E(X) E(Y\. Sean X. . X2. Y va¡iables aleatorias con función de densidad conjunta Hallar (o)^E'(X). que (o) D(X + Y) = E(X) + E(Y).58. 3. 3. . (b) E(. 1/4 Hallar (o) E(3X+2Y). 3. ¿Se cumple que (o) E(X + Y) = E(X\ + Sean X..48? Explicar. (b) E(Xy) -. (ó) E6?+ X'r+ .54. Xn n variables aleaüoria8 que están distribuidas idénticamente tal que | 1 Xt. E(Y\. en el Problema 3. (d)E(XY).'. 0f s<I. Sea X una variable aleatoria con función de densidad f (e-. (b) "x.66.3l ESPERANZA MATEMATICA ¿Se cumple 101 3. (cl E(XY).49.

En el Problema 3.64. (b) Var (X).60.67. y 4o.01 - 3M"(0) ¡l'(0) + 2lM'(0\13 Ifrivr(Q) 4M. (c) o¡. (a ) 3. 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.72. 1/2 -tn primeros cuatro momentos alrededor del origen. MOMENTOS Y FUNCIONES GENERATRICES DE MOMENTOS 3. (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.(0)]2 - 3[M'(0)]4 FUNCIONES CARACTERISTICAS 3. página 81. 1/2 prob. 3.(0) + 6M"(o)lM. 3.43. momentos al¡ededor de la media están dados por = p1 - ItI"'(.'(0) ¡f. E(X): 2. 3. Halla¡ Ia función ca¡acterística de la variable aleatoria (a X = 7 ó I prob. 3. 3. demostrar que el 3o. Hallar los primeros cuatro momentos alrededor de la media en el Problema 3. Si X tiene función de densidad ¡t") : -i (l/(b-a\ O a'=r=b de otra forma. (b ) ox.44. Hallar la función carar:terística de la variable alcatoria X con función de densidad f¡): (x/2 io 05rtZ deotraforma . Hallar el hésimo momento alrededor (a) del origer^.63. 3.. (b) Problema 3. (b) de la media. - 1)2] = L0.70.65.73.43. Ei6 - .62. E(X2 ) : 8.71. 2\21 Si una va¡iable aleatoria X es tal que E[(X Demostrar el Teorema 3-1. 3. Hallar (o ) Var (X ).7 lxl I a deotraforma 4. Si M(ú) es la función generatriz F:t de momentos de la variable aleatoria X. 3. (á ) Problema 3. Demostra¡ el Teorema 3-11.6 hallar (a) E(X). 3.68.66. página 77.67 halla¡ los primeros cuatro momentos alrededor de la media. g Problema 3.r02 3.69. ESPERANZA MATEMATICA Hallar la va¡ianza y la desviación típica para la variable aleatoria X del Una va¡iable aleatoria X tiene (a ) [cAP. Hallar (o) la función generatriz de momentos de la variable aléatoria x = y (b ) los ( U2 1 prob.61.44. p Prob' g=L-P Hallar la función característica de la variable aleatoria X que tiene función de densidad í'llZa f(r) = 1o 3..

cAP. 3l

ESPERANZA MATEMATICA

103

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

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

aleatoriasindependienres(E=

t,2,...,n).

Demosrrarquelafun-

ción característica de la va¡iable aleatoria

x\+x2+...+x,
\n
es [cos (,,;/1ñ)]".

3.76. I)emostrar que

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

^ "-o2/2.

(Sugerencio:

COVARTANZA Y COEFICIENTE DE CORRELACION

3.71.

Sean

X, Y variables aleatorias con función de densidad conjunta
f

(r'a) =
(c)

(x rA 1o
(rt)

0.*1

r=1,0<U<L

de otra forma

Hhllar (o) Var (X), (ó) Var

(y),

o¡,

oy, (c¡ oy.., (t') p.

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

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

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

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

Hallar (o) Var (-Y),

1ür)

Vat Y, (c) o¡,

ftt) oy-, (e)

"xv,

(/) pt

para las variables aleatorias del Problema 2.5?.

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

3'81. 3'82.

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

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

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

-

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

ESPERANZA, VARIANZA Y MOMENTOS CONDICIONALES

3,83.

Si

X, 1l tienen función de densidad

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

=1
y

fr*u
o

0<¿=I,0ay<1
de otra forma

dada

3.g4.

Resolver el problema 3.g3 si

/(¡, y) (b ) X dada

.f,2e-

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

0

Io

de otra forma

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

) Y dada

{

y,

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

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

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

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

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

104
DESIGUALDAD DE CHEBYSHEV

ESPERANZA MATEMATICA

[cAP.3

g.g¿. Una variable 3.93.

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

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

1

3.95.

,

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

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

-1 <c<1
de otra forma

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

P{ ljl -\l
LEY DE LOS GRANDES NUMEROS

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

|
3ne2

3.96.

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

e interpretarla.

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

/ls-

I

\

=

1

3.9?. SeanX¡ (h:1, ...,n)

n variables aleatoria¡independientes tales que

| \o

(

orob. n prob. q

=L-P
¿qué interpretación

(o) Si X¡

representa

Puede darse

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

)

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

e

interpretar egte resultado.

"trx

"(

/1s.,o1= |

l;-

'

1=

\

o

g.g8.

Sean

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

cada una con función de densidad

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

-@<s<@

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

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

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

(b)

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

de una distribución para que lrr ley de loa gnndes

OTRAS MEDIDAS DE CENTRALIZACION

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

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

le-t {o

r¿0
deotraforma

cAP.3l 3.101. Resolver

ESPERANZA MATEMATICA
el Problema 3.100 si la función de densidad es

105

(at¡-¡z¡ l(r) = 1o ( 2

0<r<1
deotraforma

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

y compararlas con la media.

x = i -t

prob. 1/3 prob. 2/B

3.103. Hallar
media.

(o

) la mediana y

(b

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

la

PERCENTILAS

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

(b ) septuagésima

quinta percentilas para la variable aleatoria con

(2(l-r\ (rl = iu

0.1

x!-L

de otra forma

3,10-5. Hallar los valores de la

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

f

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

-1

.1

r{1

de otra forma

donde c es una coriatante apropiada.

3.106. Una variable aleatoria X tiene fr¡nción

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

(e-, 1n -ln
(1

rl:0
deotraforma
donde 0 = p

-p)

< l.

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

-@

<n ( o.flemostrarqueelvalor

3.108. Hallar (o)

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

!r va¡iable aleatoria

del Problema 3.104.

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

11. g.ll2.
3.1

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

Ll2ln

3.

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

S.1f

3.

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

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

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

3.115.

Sea

/(z) = I| ^ 0

(c(1

-¡t¡

-1 <r:'1

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

c es una constante apropiada, la función de densidad

de

la variable aleatoria

X. Halla¡

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

106

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

[cAP.

B

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

3.117.
3,118.

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

f(r)=1t
curto¡ii.

l"(1
Io

r/

l"l\ -;l

rl=a lr )a

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

3-1i9.

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

fk\={
PBOBLEMAS DTVERSOS

ftr¿-I¡ l0

r>0 ¡(0

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

el tercer momento alrededor de la media.

8.121. Re¡oh¡er

el hoblema 3.120 si

X tiene función de den¡idad

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

o(r(1
de otra forma

8.122.
8.129"

Se

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

(o )

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

Sca

X una variable ¡le¡tcia con función
f

de densidad

(r\ =

cr 1o
f

0=r<2
de otra forma

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

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

eeperado que llegarán al dest¡no

8.12ó.

X, ftienen función de den¡idad conjunta |

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

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

otn forma

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

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

f(r)
y rea

= {j

;;j;;"

Y:

X2. Halla¡ (a)

E(XI,

(b)

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

cAP.3l

ESPERANZA MATEMATICA
paxe

ro7

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

demo¡trar que podemos tener E(XY)

:

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

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

y) la función generatriz de momentot

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

|

|

,tz+ut

f(n,ü dr d.u

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

.

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

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

3.133. Un juego conriste

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

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

3.134.

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

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

entonces (a) K'(0)

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

= p = E(X),

(Ó) /<"(0)

=

o2

= Var (X).

37.

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

t:

0.

3.138. Obtener

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

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

lrl I

a

deotraforma

)

0. Hallar la función ca¡acterfetica de

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

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

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

Supóngase gue tenemos

probabi prueba
Sea

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

pruebas

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

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

f(r) :- p(X:n) = (])r,n"-, = ¡f_;¡

(r)

PIX=2) =

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

_

/r\=/1 'zÁ\!/ \, ¡o-z )

6:

lb
61

puesto que para

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

\q+p)'

= o"

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

+ pn

: á ('1'1r-,,,-,

(2\

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

AIÁI.JNA.S PROPIEDADES DE 4-L.

LA DISTRIBUCION BINOMIAL

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

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

desviación tÍpica es o

: y'jfbo¡rr¡}¡ :

g.

cAP.4l

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

109

!

'np

o2 .. tt'l¡q

o =

ytirytq

Coeficiente de

sesgo

_ q"
|LIft¡

p

v npq

Coeficiente de curt<¡sis Función generatriz de momenCos

l-6pq
y npq

=

ft¡

l- yter)n

Función característica

4,6) = (qIpe,.)"

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

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

Teorema

4-1

(Ley de alealoria proporci
ro positivo,

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

li,

:

Sea

así € es c

l'*"(l

{i_ rl ,.)

:

o

(3)

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

DISTRIBUCION NORMAL

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

f(x) :

-L-¿--r'-r'r2':'2 o¡/2-

-co <'t <

oo

(¿)

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

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

¿-'"-u''/b'd1)

(5)

Tenemos z de la variable tipificada el wlor tipificado. *t(ft)] (e) En la Fig.z.". du (s) se Algunas veces llamamos al valor encuentra relacionada con la función enor. La función de distribución correspondiente está dáda por F(z) = P(Z < z) = I t/2" Í'-"-. P(-Z=Z<2) = 0.. resultando de f(z) : le-"'" V2" .68. : .. 4 En este caso decirnos que la variable aleatoria X está normalmente distribuida con media g y l.-.451/" y 99. ert (z).110 va¡ianza DIsrRIBucIoNEs DE IRoBABTLTDAD coN NoMBBE pRoplo [cAp. 99.z: + . Si hacemos que Z sea la variable normalizada correspondiente a X. P(-3< Z<3) = 0. 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. Esto quiere decir P(-1<Z=L) = 0.2 y 3 desviacionestÍpicasde lamedia(esdecir entue z: -1y * L.8 yque3) las cuales rcn iguales aJ.9545.46%. (r) Este resultado se conoce frecuentemente como la iunción o la distribución de densidad normal tipif!eada.99?3 (10) ¡$$. A parür de esta tabla se pueden encontrar las á¡eas entre dos ordenadas cualesquiera utilizando la simetría de la curva al¡ededor de z : 0.73% del área total. es decir si hacemos (6) z=r= entonces den¡idad la media o el valor esperado de Z es 0 y la variartza es 1.6827.-2y I2.73% Fig. du = + # fo' . algunas veces conocida como la curva normal tipificda. La función F(z) eú(z) = z-frÍr' e-u'd.u y F(z) : á['..Nl/s-> 96. que es uno. 4-1 se muestra una representación gráfica de la función de densidad (7)..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.27%.

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

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

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

n'-" o2 = 'ILPQ p=nP esperábamos. Los resultados son los que N gmnde el muestreo sin remplazamiento realmente es idéntico al nuestreo con remplazamiento. ya que para (25) de acuerdo con las primeras dos entradas de la Tabla 4-L. = i@-a).=#=*. (221 se reduce a (I8). La función de distribución está dada por F(rl = P(X = x) = j (t.s=#=# de modo que 6 b=Np. r=Nq (21) (I9) V e0\ se conviertan respectivamente en P(X = x'¡ = (22) p--nP Obsérvese que cnando (23) escribirse como N -+ . (281 X tiene la dbtribución de Cauchy. si la función de densidad de X es (2el .p respectivamente. entonces . párySna 109. que puede (24) p(x=t:) y (23) se reduce a = (I)o.(ó N es grande comparada con n).114 DISTRIBUCIONES DE PBOBABILIDAD CON NOMBRE PROPIO [cAP.a)/(b-a) a< n <b rzb |1 f o r<a (27) La media y la varianza son respectivamente u = |@+b) DISTRIBUCION DE CAUCHY Una variable ". 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.4 (20) 'tL -: D+r nb Si consideramos que el número total de bolas blancas y rojas es N.

Apéndice A.+a Para a (lo rrB c-= (. . P ) t hay una única moda en el valor 4'lmoda - .t e-tttt r)0 rS0 A). p son positivos. Análogamente no existe la función generatriz de momentos. La media y o2 : nF2 Qt. entre y gamma la distribución beta también puede definirse por la función de densidad I r'r..CUADRADO Sean X.dada por $lu'): ¿-o' (30) DISTRIBUCION GAMMA Una variable aleatoria tiene la distribución gamma si la función de densidad es f(r) : donde -r p"t'(tt) lo F:all I ru--. + Br -' \jl-):-.t*B):(a+B+1) (s6) > L. Sin embargo la función característica existe y está.. t.t-1 t-lB2 (37) DISTRIBUCION CHI.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.B>0) (3t\ donde B(a.-+x?. .Bi"')-" (33) X tiene la distribución beta si la función de densidad es [*. .9) es la función beta (véase Apéndice A).p.-:^:Jo-r(l -r\tt-t r(CI) l'(p) f(r) = I 0 ( ¡ <1 (35) o de otra forma donde o.cAP. (3 8) . En vista de la relación (9).) = (l. X."11 f(r) : 1 tA. .0) Ia varianza están dadas por (81) f (a) es la función gamma (véase Apéndice (32) La función generatriz de momentos y la función característica están dadas respectivamenté por M(t): (1-pr¡-" DISTRIBUCION BETA Una variable aleatoria é(. variables aleatorias independientes distribuidas normalmente con media cero y vartartza 1. Sin embargo no existen la varíartza y otros momentos superiores. X". Considérese la variable aleatoria x": X'i+xt+..Bl o I las funciones beta -j)u-' 0(r(1 ^ de otra forma (o. La media y la vananza son ts=.

... Ur. = 30) con media 0 y varianza 1.i( 1' /j' -) / 'l' -¡(f<o (42¡ . . ) v... Entonc€S ¡2 = Xt'+Xi+'.. o simplemente xto si v se sobreentiende y no ' pot ftp. (Véase Apéndice E). tiene distribución chi-cuadrado con r.. Teorema4-3: Sean Xr.tt. gradosde li+ U2 + .. Por tanto tL = 1.116 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO se [cA?.4 A. Entonces podemos demosha¡ que para n > P(x' < r) = 2¿úr:) Ío 0r.r grados de libertad respectivame'hte. Así.¡''r'' (tr podemos ciemost¡ar que{2y2 Para grande (. e-ulz du (3e) YP(x'-r)=0Parar(0. Si V. é(') = (1 -2i.. f X.v" -l bertad.. donde y2 llama chi-cuadrado. '. r'2.Uo variables aleatorias independientes do . ó r. - 12. . Esta es una notación ambigua y el lector debe emplearla con cuidado. y V... Entonces susuma fV: Ur | '..j tiene distribuciónchicuadrado con z grados de libertad. t Un tiene distribución chi-cuadrado corl r'.'(. 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. DISTRIBUCION ¿ DE STI. . la distribución F y otras. B: 2.... o2 : 2r. (págrna 117).)t\-/ lt L1.. y Teorema 4-5: Seü V. especialmente cuando cambie de variables en las funciones de densidad. variables aleatorias independientes normalmente distribuidas con meáia 0 y varianza 1. .. Entonces V2 tiene distribución chi-cuadrado con v -.. es común en el estudio estadístico emplear elmismo símbolo para la variable aleatoria y el valor de esa variable aleatoria.. En conexión con la distribución chi-cuadrado. grados de libertad mientras que V : Vt * V. M(t) = (l-zt¡-.IDENT Si una variable aleatoria tiene la función de densidad lft\ : _/r + r\ r\--ct¡.. - 1 está casi distribuida normalmente Las consideraciones anteriores se sintetizan en el teorema siguiente..¡.-.".12.. ¡. la distribución ú (más adelante).. . donde r. .. variables aleatorias independientes. tiene distribución chi-cuadrado con r grados de libertad. Xr. con distribución chi-cuadra- Otros dos teoremas que son útiles en el estudio posterior son: Teorema 4-4: Sean U.. los valores de las percentilas de la distribución chicuadrado para grados de libertad se denotan por x.vr gIados de libertad.-... X. -l.

si se sobreerltiende p. por ejemplo ¡f o. > 30) la gráfica de f(¿) se aproxima estrechamente a la curva de la distribución normal como se indica e_n la Fig.t y uz grados de libertad.. tr-o : -ún. . Fisher) con v. "2 (r'.. La media y la varianza están dadas respecüvamente por p?ra u. 4-2 (véase Problema 4. o sencillamente ü.A. DISTRIBUCION ¡ y v" grados de Una variable aleatoria liene distribución F (en memoria de R. Iibertad si su función de densidad está dada por u)0 Los valores de las Fp. Puesto que la distribución es simétrica. (4t) tiene la dishibución ú con .'IJná tabla que da tales valores en el caso z¿<0 grados de libertad se denotan por P : .. o sencillam (. Entonces la variable aleatoria 11- Y lzt.... gados variables aleatorias independientes con distribución chi-cuadrado y vf de libertad respectivamente. 4-7: Sean Vt y V. vr... r.45) donde P: 0. ) 2) Y O-= (to¡ La distribución tiene una moda única en el valor (t'nt?)(#) Teorema (u. donde Y está normalmente distribuida con media 0 y varianza L mientras que Z tiene distribución chi-cuadrado con v grados de libertad. o simplemente la dístribución t.161).. Si v es grande (..gmdos de libertad..j (.> 2) (t*s¡ El teorema siguiente es importante en el estudio posterior.. Entonces la variable aleatoria @a¡ tiene distribución f' con . Los valol¡es de lis percentilas de la distribución f para v grados de libertad se denotan pot tr. se dice que iiene la distribución Para la distribución ü tenemos p:0 Y "z:. Para una tabla que da tales valores véase el Apéndice D.cAP..:1.95 Y P F.>2) &r¡ Los teoremas siguientes son importantes en el estudio posterior. Teorema *6: Sean Y y Z variables aleatorias independientes. con v grados de libertacl.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO LL7 t de Student. v..n. vr.

. lt:po'=p2 r"rq E+S La va¡iable aleatoria aquella en que el r-ésimo éxito ocurra.n] (4s¡ donde -o ( t. É¡r p2son las medias de X. . donde se da. RELACIONES ENTRE LAS DISTRIBUCIONES CHI. p es la probabilidad de éxito en una sola prueba. 1. (+)' ) /.= + X. -ú <A <6'. .r. Distribución binomial negativa o de Pascal..u\ : 2rororl/T-p" ". a. 410: 4.9: Teorema fYF 4-r. Y. Aquí La variable aleatoúa X representa el número de pruebas de Bernoulli hasta.0(* :. f (r) : P(x = . . M(t\: aquella en que el primer éxito ocura. r : 1 da la distribución geomékica..4 *8: 4-o. Para cualquier dishibución conjunta la condición p = 0 es necesaria para independencia de las variables aleatorias (véase Teorema 3-15).ottoz sonlasdesviacionestípicas de X. e incluyendo.CUADRADO... remplazando t = ia. En el caso de (491esta condición también es suficiente (véase Problema 4. y p es el coeficiente de correlación entre X y Y..118 Teorema DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. las constantes o. r=l ""=# Me)=# r.. = (X -t)o'n'-' r :. e incluyendo.51). Con frecuencia nos referimos a (49) como la distribución normal bidimensio¡ul. Y. Teorcma 4. El caso especial X representa el número de pruebas de Bemoulli hasta. Distribución geométrica f(t) = P(X=r) = pq'-' r=t. p.o. . DISTRIBUCIONES DIVERSAS En las diskibuciones descritas más adelante.. : L/4'rr'r. r.r'X?) .r *1. se considenn positivas al menos que se establezca lo confrario. 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. La función ca¡acterística se obtiene de la función generatriz de momentos.r.' {-[(?)' -. . 2. 1ú... b. = t!-qprzt.rr.Z.

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

Aeí por ejemplo si seleccionamo. NOMBREPROPIO [CAP. Halla¡ la probabilidad de que en cinco lanzamientos de un dado honrad o aparezca 3 veces. Tenemos (c ) dos X él número de veces que un 3 aparece en lo¡ cinco lanzamientos de un dado Probabiüdad de 3 en un solo lanzamiento = o=I q = t-U : * Probabilidaddeno3enunsololanzamiento =' (o) P(Bocu¡ra2veces) = P(x-2) /l\llYll)' = i"' 3888 \2/\6/ \6/ . 4 P(almenosunacara): |-P(ningunacara):1-P(SSS): t -á = 3 (d) P(no más de un sello) P(0 sellos o 1 sello) = P(0 sellos) * P(l sello) : P(CCC) +P(CCS u CSC U SCC) : : P(CCC) + P(CCS) + P(CSC) +?(SCC) 4l 82 Método 2 (empleando fórmula).)'(. /l\/tYll\'= . (c) puede escribirse P(al menos una /s\/r\'/r\o /s\/rY/r\ = \s/\rl \ü -\. 4. qr" X.r)\t)\r) .sea la va¡iabié aleatoria que denote el número de caras en los 3 lanzamientos. Sea la va¡iable aleatoria honrado.)'= P(1 cara) 3 (c) P(aI menos 1 cara): P(1.2.)'(i)'= á (b) p(zserrosunacsra) :: (. ó 3 caras) : * P(2 caras) * P(3 caras) = /'\/l\'/t\'. (o) p(scaras) = (l)(. (c) al menos dos veces.X.\t/\t/ \z/ \z )\zl \zi \3 l\2) \2 / De otra forma.I2O DISTRIBUCIoNES DE PRoBABILIDAD CON De otra forma. -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. (b) máximo una vez.. i 8 P(al menoe 1 cara) : 1 : . cara) = I'(X ¡-- 1) = P(X = 1) + P(X =2\ * P(X: 3) .' /'\lrY/l\'.á . Usaremos ambos de los enfoques intercambiablemente.2.

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

determinar la probabiüdad de que de 4 tornillos escogidos aleatoriamente (a) 1. (b) 0.L22 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP..detalmodoquelaprobabilidaddenoTenunsololanzamientoesq:1-p:516.4 Número esperado de familias con 1 ó 2 niñas = tZOOOill) ' '\ 6 / \/ = 125 1250 (d) Nfrmero esperado de famiüas sin niñas = (2000)( i ) = 4. Sea la (o) P(X: t) = (rn ). Médodo 1. Si el 20 % de los tornillos producidos por una máquina son defectuosos.r. Entonces es g : I ..nba j-ésima si éxito en la prueba j-ésima U=1'2. \r/ Entonces la función generatriz de momentos está dada por M(t) = E(etx¡ = )etxf(r'¡ n /n\ = ¡=0 .2. = 1:)l+Y/q\' \"/ \"/ \6/ - r25 216 y 4..6.q" . sean defectuosos.pet¡" Xi ' |0 {[1 si fracaso en la prr. HaIIar Ia probabilidad de obtener un total de 7 al menos una vez en tres lanzamientos dé un par de dados honrados.rt't0. = = Método 2. Si X está'distribuida binomialmente./ ) _)p.8.l# = fr X que está distribuida Hallar la funCión generatiz de momentos de una variable aleatoria binomialmente. Para una secuencia de n pruebas de Bernoulli definimos n /n\ '?n ('/tr"')'0"-' (a -l.46e6 ffi ? .' (0.0. página49).1.6.n) .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.'(\*. 4. P(al menos un ? en tres lanzamientos) = | .n" .. (c) menos de 2..:: =:"0..p:0.8)r = ¡. de un tornillo no defectuoso va¡iable aleatoria X el nl¡mero de tornillos defectuosos. f (r) P(x = r) = (!\o. La probabilidad de un tornillo defectuoso e8 p :0.46e. (ü) p(X = 0) = (c) P(x <e) = (fi)to..

38) o direetamente de la función de probabilidád (véace Problcma 4. tt = flp.t y varianza 02 Íini- (r) en tol P(X-11 -ko\ flp. .lro. de Los resultados anteriores también pueden obtenerse (pero con má¡ difrculüad) derivando la función genaetriz momentc (véaee Problema 3.npl > k1/i-npq) < i ó (3) Si hacemos c = k \l T.) / \ 14 'l y tornando el límite cuando n -+ @ = 2+ ¡4r.8. Demostra¡ que la media y la varianza de una variable aleatoria distribuida binomialnente son p: np Y o2 : npg respectivamente.7 tenemos para/: L. como se requiere. o - {-npq. Por tanto la desviación tipifrcada o = y'56 = 6.q Entonces o2 p:E(X)=E(X'\+E(X2)+"'+E(X")-np = Var(X) = Var(Xr) *Var(Xz) +. página 80.i)'== .9) : 36.L52\.) + (r - p)2p = i)".n) (Q Entoncee por el Teorema 3-9. (b) l'Iananza o2 : npq: (400) (0. n.10.)l*. 4. Si la probabilidad de un tornillo defectuoso es 0.t/V6d.1. Por la desigualdad de Chebyshev. Pa¡a la función geraeratr:iz Mj(t) = stoqlettp . M"(t) - 'f pst¡n 4. halla¡ (a) la media y (ó) la desviación tipiticada para el número de tornillos defectuosos de un total de 400 tornillos. .2. = X. si X es cualquier va¡iable aleatoria con media tas.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L23 de momento¡ Entonces las X¡ son independientes y tenemos X: Xr * Xz *. li* Pll{-. entonces ¡.IMEROS PARA LAS PRI. Procediendo como en el Método 2 del Problema 4.9." *Var(X) = npq donde hemos utilizado el Teorema 3-7 para o2 .cAP.la ley de los grandes números (en forma débil) pa¡a las pruebas de Bernoulli. (o) Medialt:np:(400)(0. Demostrar el Teorema 4-7..1 = . o =. página 83..)(0.....'* Xn. y1 E(X) = 0q*Ip = var (x. tenemos.1. entonces F = P(lX.esdeciresperamolque40tornillosesténdefectuo¡os. :-.) Í+ó \l ?¿ -l = / = 0 El resultado también se deduce directaménte en el Teorema 3-19.. con S.i .e*pet M(t) = M tQ) LI2Q\' ' ' (i=1.y (I)rc convierte En particular si X tiene distribución binomial o de Bernoulli. .'EBAS DE BERNOULLI 4. v (3 ) se convierte en P(lz -.1 ):40. LEY DE LOS GRANDES NT. 2. págirra 84.

3849.2. = "-u!/t 0. proceda a la derecha hasta la columna 8. baje por la columna ma¡cada con z hasta alcanzar el valor /.68 (por simetría).4864 : 0.28.2) = | {u ¡rz Jo ¿r.C. (c) entre z : -0. . ee el área pedida y representa la probabilid¡d de que Z eté entre -0. (d) entre z: 0.68 sz=o) = -! l'o {2¡ J = | r' -o.=12 Fig.941.a'ley de los grandes números establece en este caso que la probabilidad de la proporción de los 3 en n lanzamientosdiferiendodel/6pormásquecualquiervalor€)0tiendeaceroamedidaquen-+€.L24 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.94.ildlt + _= |^2 ¿¡ = O. El resultado.12.81y z = L. 4-3 (b) Area pedida : área entte z : O y z: *0.1828 O yz ) lo mi¡mo que P(0.!772 + 0.(b) entre z:-O.4964 | t/Zt Js \/2r Jo "-uz/z 1 (d) Area pedida : (área entre z : : E¡to es - (área entrez : 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.68 y 0.i77Z + 0. baje por la columna z basta alcanzar el valor 0. [.6.as 0.6636 e-ú'/! clu = 0.25f ? El área.46 " 1 e-u. \.21.94) O y z = 0.46 y 2.L (o) Utiüzando la tabla en el Apéndice. Por tanto P(-0.+e "-u2t2f.(área enhe z :-0.46 y z: 2. DISTRIBUCION NORMAL 4.68 "- u. es el área pedida y representa la probabiüdad de que Z estÉ ent¡e O y 7. El recultado.211 = + (''" {2r .27. Por üanto'. Halla¡ el área bqio la curva normal tipiñcada (a\ enfte z: Q y z: 1.68 y z : 0.rz¿u (c) ñ J" Area pedida . (e) a la derecha de z: - L.u + t/2" 'lo + ('"' "-u2tz 1¿4 2l 10. 0.gg4g z=O . Entoncee. 0. P(-0.¿ ¿-uzr!¿u = -! Jfo \E = ___1__ -o.Luego proceda a la derecha h¡sta la columna marcada 0.4 4.46) * (área enbe z:0 y z : 2.6636.46 f ZÉ2.t _o. Por tanto .2517..2910 = 0.4738 - : 1.81 = Z = L.2L) : (área entre z : O y z : 0.2I) : O.11.81 0. Por tanto P\0=z=r.2. represenüa la probabilidad de que Z eaté entre -0.46 y z : O) * (área ent¡e z : O y z : 2.0.

3997 + 0.O2l7 : Entonces el á¡ea entre z). Area entre z v -t'5: 9ü. (c) el área enhe - 1.5 kg y la desviación tipiiicada es de 10 kg.4-ll -1.5:0. de lo cual z:1.16 es otro valor de z."O. hallar el valor o los valores de z tales que (a) el área entre 0 y-z sea 0. Caso 1: z es negativa pero a la derecha de -1.4332- Entonces el área entre 0 y z es cual e: -1.16.69.L6.4332.5)/10 68. Area entre -1.de 91 kg.3621.4332- : 0. o.5: -2.(área entre 0 y z) (área entre 0 y z) 0. suponiendo que se regis' han al valor de kg más próximo.35.09. Caso 0. con menos precisión.5 )/10 .5: 0. Si "área" se refiere al área bajo la curva nonnal tipifrcada.5. -1. por tanto z debe ser negativa.5 y 0 ) . El peso medio de 500 estudiantes varones de una universidad es de 68.:1Tí"11u (área entre 0 y O.13.4115 de lo 2: z es negativa pero a Ia izquierda de -1. Por simetría. hdlar el número de estudiantes que pesan (a) entre 48 y 71 kg.O2l7 + 0.5 kg.8997 Esto es lo mismo que P(Z > -1.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROP¡O Area pedida L26 (e) - (área entre z: -t.4332 :0.30 47.4549 y z: l'ig.28'y z = O) T 1área a la derecha de z : 0) = 0.14.8621.8621 .O2L7 : 0. o.0277 (árca entre -1.4332. z : -t.3??0. : (47 .cAP. (a) En la tabla en el Apéndice C.7O ?1.5: 0. el valor 0'3?70 se encuentra a la derecha de la fila ma¡cada 1. Suponiendo que los pesos están dishibuidos normdmente. 0 y z esO.5 kg en unidades tipificadas 68. 4. El problema es equivalente a resolver para z la ecuación rfz G ). z debe ser positiva.5.5 y z : 0. (o) Los pesos registrados entre 48 y 7l kg pueden realmente tener cualquier valor entre 47.0.5 y z sea 0.5 kg en unidades tipificadas : (71.5 y 71.5.694 utilizando interpolación lineal.5 y 0' (c) Si z fuera positiva el área sería mayor que el área entre que es 0.28). (b) Puesto que el área es e-tt/2 du = 0'3770 mayor que 0. (b) más. Por tanta z: + 1.0217. (b) el área a la izquierda de e sea 0.1 y bajo la columna 6. 4. z : -1. Area entre 0 y z es 0. Entoncec la z pedida es 1.

11.16.275')lO.29 en unidades tipificadas : : (1. M(tl = E(etx¡ = L= Remplazando (x ot/2r J -- (' ette-(t-tD2/2c2 dtr g.4893 = 0. 1. .I. Determinar el porcentaje de lavado¡as defectuosas producidas por la máquina.0126: L. (D) toe e¡tudiantes que pesan más de 91 kg deben pesar al menos 91.0125 cm. 4. 1-14 Obsérvese que si consideranros el intervalo L.2 -77% = 23%.26 s 1.7698 ó O yz : 77% -1.26 en unidades tipificadas 1.tt)lo: uenlaintegralde M(tl = -= | \/2r J-14q modo quer:¡¡+ dx: o d4 tenemor dt.2 L.30) : (área entte z: -2.10 y z Ol * (área eítte z = O y z : 0.30) 0.26 (1.26 a 1.600) kg.2 .29 cm.91¡ = 6.6)/10 : 2.295 cm.30 Entonces el número de estudiantes que pesa más de 91 kg Fig. d1) = "ut'<o2t2/2t (J-ú "-tr-ort" l/2" .(área entre z : O y z : 2.1. 4-r3 Si W denota el peso de un estudiante escogido aleatoriamente.10 y z:0.010?): $.l.0107 es 2.68.SO) (área a la derecha de z : 0 ) .(área bajo la curva normal entre z : L.4 Proporción pedida de estudiantes : : = (área entre z = -2. etrt+oot-tu2/2.L26 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. el resultado anterior se modifica ligeramente. (área a la derecha a.5 Proporción pedida de estudiantes 91'5 kg en unidadee tipificadas: (91.5 - 0.266 a 1.275 cm y la desviación típica es 0.30 = 600(0. de otra forma las lavadoras se consideran defectuosas.5)=0.29 .6000 Entonces el nfimero de estudiantes que pesa entre 48 y 7f 500(0. podemos resumir los resultados anteriores en términos de la probabilidad al escribir P(47.(dos veces el área enhe z : = 2(0. Hallar la función generatrrz Tenemos de momentos para la distribución normal general. r.4821 + 0.2) yz Proporción de lavadoras no defectuosas .2) .5<W<71.275)l O.2 : -7.600 P(W -. = 300.29 cm como representando realmente los diámeüros de¡de L. La media del diámetro interior de una muesha de 200 lavadoras producidas por una máquina es 1.O]-25: -1.2 Por tanto el porcentaje de lavadoras defectuosaÁ es 10002 Fig.1179 = kS ee 0. : Z.9tOt 4.5 .300) 0. Sin embargo para doe cifrar significativag los resultados son iguales. .3849) = 0. suponiendo que los diámetros están dishibuidos normalmente. El propósito prira el cual se han diseñado las lavadoras permite una tolerancia máxima en el diámetro de I.

3289 : 0.6.5 en unidades tipificadas : (6.7734 que se compara muy bien con el valor verdadero superiores de n. mostrada a trazos.5 en unidades tipificadas : (2.e O..)\. en la Fig.5)/1. )\.p94!l y la varianza para la distribución binomial están = 1.58.)'_ .ó8 : -1. se'deduce que 3 a 6 caras pueden considerarse como 2.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L27 Entonces sustituyendo u - ot: u hallamoc que ettt+(c2t2/2)( M(t) : + f\t/2" J-* "--. 4-r5 23{587E Nfrmero de caras Fig. La probabilidad pedida es la suma de las áreas de los rectángulos sombreados en la Fig. 4-16 trata los datos como gi fueran continuog.58 y z : 0.5 caras.X. (b) la aproximación normal a la distribución binomial.es la probabilidad pedida es P(B=x<6) = #.58 6.68 y z = O) * (área entre z : 0 y z : 0. Hallar la probabilidad de obtener entre 3 y 6 caras inclusive m 10 lanzamientos de una moneda honrada utilizando (c) la distribución binomial.5)/1. 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..-o) l+Y 5 ll)' : . Cor¡siderando los datos como conünuoe. Tqqbié"r!g_.7784 Probabilidad 2341678 Nfrmero de caras Fig.7718 (área entre d.58: 0.5 .* "á Ar P(X=A) /ro\/fY/r\'_ = \4 /\z/ \z/ P(X=6) = 106 stz /to\/r\o/r\n _ = (.¿*\ / = ewt+(ozt2/2) APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 4. obtenido en la parte (o). 4-16 y puede aproximarse por el área bajo la correspondiente curva ncrmal. Entonces dadas por/r= np=10(4\= 5yo = {nw = y'(10)(+)(+) 2. Entonces p(x=B\ = P(x ('f)(.4429 + 0.#*¿%*# 03 = # = 0. ro¡ Entonc.cAP.17.) ffi. La precisión es aün mejor para valores .5 a 6. (o ) Sea X la variable aleatoria que da el número de carag en 10 lanzamientos.E \ /\2/ \2/ =5) = l.95 Probabilidad pedida : : z: -1.95) : O.95) (área entre z :-1.

b. .6 - 2O)l4.02 y 2 : -1... 239.94 260. pbr (o) Deseamos la probabilidad del número de 4 entre 0 y 18.3? (D) Procedemos como en ha parte (o).5 en unidades tipificadas : : (área bajo la curva normal entre z: -0.5 en unidadee tipificadas :-5. o si conslderamos los datos como continuos.35) : (á¡ea entre z : O y z : -5.' La probabilidad de que resulte un 4 es p: l16 y de que no reeulte esg : 5/6. : 4.O2 14.0.(área entre z : O Y z :-1.31-i Probabilidad pedida : (área bajo la curva normal enhe z : -5.5 en unidades tipificadas 28O. entre 219.250y11.L28 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP. empleamos la aproximaclón normal.- -1. podríamos considerar que la moneda no 4.4 4.1443: 0. = .94) : (dos veces el área enhe z: O y z :0..5. Hallar la probabilidad de que el número de caras no difiera de 250 por (a) más de 10. (b) por más de 30. Entonces -0.02) : : -(área enhe z O Y z : 0..5 -..4115 : 0.18.0.OB pero debido a que el habajo involucrado en la computación es excesivo. l8 cuatros pueden tratarse como tt = ttp = Entonces 120( )l = ZO \o/ /t\ y q = 1/-n7tq . suponiendo que el dado es honrado.5 en unidades : (área bajo la curva normal entre z: -5. Hallar la probabilidad de que resulte 4 (c) 18 veces o menos y (b) 14 veces o menos.mr. (rzo\/r\/!\'.6528 = (239..5 cuatros. o si consideramos : (219. entre 239.35) : 0.08 .02) .7 3 280. t. . .5 en unidades tipificadas hobabiüdad pedida . 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.(. un 4 debe apariecer 14 vece¡ o menos en aproximadamente la décima parte de estas muestras.5 en unidades tipificadas: (14. Un dado se lanza1-2O veces.3557 -0.6 .18 : -2.5 en unidades tipificadas : 1-0. ¡ rzo\1¡\''l5_\'o' r8 \.6/ r7 \ /\6/ \6/ \ /\6/ Con¡idenndo los datos como continuos que 0 a También .)(+) = I 1.7 3 Probabilidad pedida : (dos veces el á¡ea bajo : 2(0'4968): 0'9936 la eurva normal enb.18: .OB tipificadas : -0..73\ por más de 30.94 ib) Necelitamoe la probabilidad de que el n(¡mero de caras la encuentre entre22O y datos como continuos.19.18 (o) Necesitamo¡ la probabilidad de que el número de caras se encuentre enbe 240 y 260.5 - 250 )/11.'... Esta se encuentra exactamente ¡rzo\/f\"i 5\'o' .5 se 0.5 y 280..5 .e z: O y z:2.(i) = 250 s '= \/ill = .02 18. Una moneda honrada se lanza 500 veces. remplazando 18 por 14..02y z: Probabilidad pedida -O.94):2(0.5 y 260. o \ i \6/ \6/ -{.0."p: .3264): 0.0885 Se deduce que si fuéramos a tomar muestras repetidas de 120 lanzamientos de un dado.5 en unidades tipificadas : 2.311 : (área ent¡e z: O y z: -5.94 y z: 0. es decir etabacargoda 280.5 a 18.20)14.(lX*) : -5.37) -0. 219.

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

vC. es 0. Halla¡ la probabilidad de que en una muestra de 10 henamientas seleccionadas aleatoriamente. Entonces de acue¡do con la distribución de Poisson I¡¿- P(x--x) . Denótese por X el número de individuos que sufren una reacción. Diez por ciento de las herramientas producidas en un proceso de fabricación determinado re. _/1t\ para X* es ". tfi-oa = > ¡=0 |\_. podemoa suponer que X tiene una distribución de Poisson. empleando (o) la distribución binomial. 4.' . Entonces de acuerdo con la distribución binomial p(x:zl (b) Tenemos )\: np (tJ )10.001.183e ó 0..1e37 ó o./íil 2 o et't-(. 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. 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.- 6 P(X=2) = %: = 0.23. La variable tipificada para X es X* = (X .r¡r1s.180 (b) P(X>2) = 1-[P(X=0) *P(X:1) +P(X=2)] _ I fzo¿-z.18 En general la aproximación es buena si p É 0. TEOREMA DEL LIMITE CENTRAL 4.22.24.1) - 1. Si la probabilidad de que un individuo sufra una reacción por una inyección de un determinado suero.130 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.e¡' = \z/ 0.0"-' . Zze-21 -. es decir P(X:x\ -. Denótese por X el número de herramientas defectuosas de las 10 escogidas.1.2te-z --z! . )r.1# ^:?¡p:(2000)(0. sultan defectuosas.4 4.. exactamente 2 estén defectuosas.1 y \ = np 5 5.np)/l/nW y la función generatriz de momentos Eletx'¡ E(et<x-nú/t'/-nil¡ tnnr rliii g 1"txrl noÁ ¡ "" = e-tnpt.(d) I¡¿-)\ donde p(x-Bt .re = (10)(0. (b) más de 2 individuos tengan reacción. (o) La probabilidad de una herramienta defectuosa es p :0./)(p".r -Lót 1! ) = l-6e-z = 0. (b) la aproximación de Poisson a la distribución binomial.001) :2 _ 0.. e t.tr r/iñ 1o + per/ lliii tvr ll-nw 1n ¡pt e ' tnp. t ¡t qn. pero ya que las reacciones se suponen sucesos raros. X tiene una distribución de Bernoulli. determinar la probabilidad de que de un total de 2000 individuos (c) exactamente 3.

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

Una bola se selecciona aleatoriamente de la caj4 se observa su color y luego se remplaza. Entonces la probabilidad de escoger 3 bolas rojas /5tl2\3 . 4 blancas y 3 azules. 12.'. Método 1.+)' = ffi es es Método 2.4 DISTRIBUCION MULTINOMIAL 4. Hallar la probabilidad de que después de 5 pruebas del experimento se hayan escogido 3 bolas blancas. Una cqia contiene 5 bolas rojas. DISTRIBUCION HIPERGEOMETRICA 4. pero no se remplaza la bola. 2 blancas y 1 azul. 2 brancas.t \A/ Pero la misma selección puede realizarse en otros órdenes diferentes. Por tanto Ia probabilidad de escoger 3 bolas rojas. Po=' 3/12' Porexpansión se obtiene elresultado anterior. Método 1 (por fórmula). Entonces la probabilidad pedida es lr Método 3.27. 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.t i . La probabilidad de escoger cualquier bola roja es 5172. i-paIpo)G donde p. . y el número de estas formas diferentes 6l 3!2!1! como se expuso en el Capftulo 1. 2 blancas y 1 azul en ese orden es /s\'/¿\'/rY \tll \.ri \z ) /ro\ \5. rc 2l . El número de formas diferentes de selecciona¡ 3 bolas blancas de 6 blancas * \r/.\ [ .El número de formas diferentes de seleccionar las 2 bolas restantee de las diferenües que contienen 3 bolas blancas /a\ 4 rojas * (.rt.132 DISTRIBUCIONES DE PROBABILIDAD CON NQMBRE PROPIO lcAP. lJna caja contiene 6 bolas blancas y 4 rojas. /o\ /r'i \.26. ) Por tanto el número de mueshas y 2 rojas ". En forma análoga la probabilidad de escoger 2 bolas blancas e (4ll2l2 y la de escoger 1 bola azul (3/12)t . Halla¡ la probabilidad de que de 6 bolas seleccionadas de esta forma 3 sean rojas.h(¡r)'(#)'(.i Entonces r azur) = . pb = 4/72. Se realiza un experimento en el cual se selecciona una bola aleatoriamente y se observa su color. P(roja en cualquier extracción) = # P(blanca en cualquier extracción) = h P(azul en cualquier extracción) p(B rojas. 6t In\"lt\-/:lY z!r!\itl/ \itl \rrl $/ La probabilidad pedida es el término 44p" en la expansión multinomial de (p.

(a) t. Entonces por(I9). J-. X con DISTRIBUCION DE CAUCHY 4. n=6.29.modo que = r*tu*lfí*. Tenemos b 133 =6. ¿ > 0 e.r-n '." = o 2 . i J-6 x'' + a: ""'l' .' 7't|^ou" (b) La función característica de X es E(eiox) = g (¿. 7+ azctr sin +-ai )-. = ffi= Yt+Y = Entonces la va¡ianza está dada por s2 = E[(X-u¡21 = E(Xzl-uz ry4y_ (+). (a) La función gerreratriz de momentos de X es -¿. 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. Í". Oemos- /(a) = ! -L2- .2+d2dr ' _ donde hemos utilizado el hecho de que los integrandos en el segundo renglón son funciones par e impar respectivamente. Puede demostrarse que la úlüima intcgral existe y es igual a e-aa (véase hoblema 4. E(erx¡ = g (" -J".r! * la cual no existe si ú es real.28. = E(x) = E(xz\ l"'* = #:af" b2-a2 Z(b-a\ a*b 2 (b) Tenemos = I.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Método 2 (empleando la fórmula). tiene unadistribución Cauchy en. -> t!! I y la integral a la derecha diverge.páginallS.rr¡ r¡¿n' ("' 2o (" cosor r=. Sea @ una va¡iable aleatoria distribuida uniformemente en el intervalo -l=t trarque X: atan @.dz T . PIX=S) DISTRIBUCION T.l \ /10\ \5/ 4..' La función de densidad de @ es < j. = n# Í. = firo_ot.30. de. r = 3.laprobabilidadpedidaes .'NIFORME 6 = \/4 }i|j.cAP. o > 0.@ 1x1*. (b) o2 : Ll72(b -a)2. Esto puede verse al notar por ejemplo que si r ¿ 0.cos or = . . Demostrar que la media y la varianza de la dishibución uniforme (página 114) están dadas respectivamente por (¿) ¡. a f .#ruo. Jo r. r= 4. 4.. : Ll2(a + b)...'f-+ = #tl.159).

= Í.134 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO Considerando la baruformación [cAP.)*: = ift)"("+z) = n2 Í. la función de densidad de X está dada por s(r) que es la distribución de Cauchy." "loo"¡.o*r"-ro.19: t tenemos E(xz¡ = ff"*.. = r@l#l = :a+-a DISTRIBUCION GAMMA 4. .+fl Jo * l* _ r(a)I'(p) r(c r'(a + 4)- Jo (t *su+t11 2) l'(B) n)e-r ¿. Por tanto p2 = Bz(aIL)a"2 .. Demostrar que la media y lavananza de la distribución gamma están dadas por (a) p: aP.z¡ro-r1l.r ..'#0" p2(a*t)a.4 ¡: a tan 0 tenemog o-t¡¡-L! a .. .lff. Hallar lavarianza de la distribución beta." "." ffi. El segundo momento alrededor del origen es * 0) l'(a + 1) r(B) o I a B E(xz¡ = f(a)f(p) (t . r Y dx Íz+a' Entonces por el Teorema 2-3. ya que I'(a + 2) = (c * 1) r(c * 1) = (a * 1)a I(a). fo"' . (b) o2 (a) = oB2.31. l'(a r.¡a-\d. p = E(x) = ### fo'*¡.t p\ f I sa(r - ¡)e-r fls rt"lrtBl r(a+1+B) I(a + É) dr(d) r(B) r(a) r(B) (" + P) f(4 + p) = 4.32.¡^.rÍ". 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_! .33.. página 46. HaJlar la media de la distribución beta. t.."-r{r-x)F-tlitr = frffiJ." = ffirt"+f¡ = R RemPlazando p= Bon f' Fe-tdt aB (ó) Remplazando E(Xz¡ = t.E(X2) - (ap)z - "Bz DISTRIBUCION BETA 4.1o" xlQ: t tenemos : f.

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.'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.2t)-. y utilizar el hecho de que r(á) = V7. Sea X una variable aleatoria distribuida normalmente con media 0 y varianza 1.s(v-2)/2e-<L-2t>r/2 dr =J-r(v/2) )o 2. Esta debe ser la distribución de Z. t : (1 - N¿¡-Qr+v2t/z (b) Se observa del Problema 4. Sean ¡t y X. ea M(t) : Enet(xr+xü1 : E(etx.1 en la última integral hallamos M(tl = 2. pá4ina 1-1.'rz¿s (-fr"-.r2. Al generalizar los resultados anteriores obtenemos una demostración del Teorema 4-4. cia entre Paray Deseamos hallar la distribución de la manera siguiente. ! X.t2r(v/2)Jo " r-2t \r-2t/ : ll .cAP. DISTRIBUCION CHI. colocarz: 1 en (39).t Pero esta es una distribución chi-cuadrado con 1 grado de libertad.r2 Al remplazar (l - 2t)n/2 = 7.B2.ztl-v/2 fa u<v/z)-re-udu = (L-zt¡-'rz r'(v/z) )o 4. Pa¡a ( 0es lóglco que P(Y SU) y> 0 tenemoe P(Y<u): P(Xz<a) = P(-\/u=X<+\/a) +fr"-.36. Demostrar que X2 tiene distribución chi-cuadrado con 1 grado de libertad. página g1. do ) función generatriz de momentoo de Z = X.84. utilizando el Problema 4. 4. es con (¿ dA v. .34./2dü (-.a una distribución normal para X.36. a * v. pero procedemos de :0. Puesto que Ia correspondenX y Y no es uno a uno no podemoe aplicar el Teorema 2-3 como está.CUADRADO 4.6. por el Teorema B-18.-rr/2e-. grados de libertad.v2 gadosde übertad.34 que una distribución cuya funéión generatriz de momentos es (1 2t)-<vt+v2)/2 es la dishibución chi-cuad¡ado con v11. Efectuando el cambio de variable x : *t/T en la última integral.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 135 Entonces. grados de liberta u2 Z:Xt *X.)Eqéx"¡ : 1l-2t¡-'r/2 1l-2t)-vz/2 utiüzando el koblema 4. Y: x2 dad. obtenemos P(Y < ú = -! fs rrrze-uz t/2r Jo d. como se ve al página 116.la varianza es 02 = E(xz¡-l'(x)l= _(rro)'= cr6#T_Fn : (1.

0.9?5 Análogamente.05. El resultado general para todos los enteros positivos l. . el átea a la izquierda de percentila 99. X. entonces X? V X3 tienen distribución chi-cuadrado con 1 grado de libertad cada una.O5): 0.1. (b) 2I.(b) 2T. y Si el área sombreada a la derecha es 0.025: 0.026. (b) 28 y (c) 40 grados de UtÍIizando la tabla en el Apéndice E.61. (c) 67. Entonces del Problema 4. xi representa la décima percentila.4 4. la cual es igual a 15. al menos se especifique lo contra¡io.O25 representa la percentila 2. Hallar los valores de xf.3correspondiente^v :40. (d) el área sombreada a la derecha: 0.05. Fig.831 y 12.¡2.05.2-.5 correspondiente a z: 50.01.píryina 116.esr. Hallar los valores de ¡2 para los cuales el área de la cola 15. (d) Si el área sombreada a la derecha es 0. x. (b) el área total sombreada: 0.99 y ¡22 representa la 4. x. (c) el área sombreada a la izquierda: 0..35(b).025. y x? (c) Si el área sombreada a la izquierda es 0.tán distribuidas normalmente con media 0 y variánza 1..¡r.1 es el valor pedido de 12.40.831. 4. ¡! que corresponde a (a) 9.¡ (puesto que la mediana es la percentila 50 ) los valores: (o) S.34correspondienteav:9.2gs. La representación gráfica de la dishibución chi-cuadrado con 5 grados de libertad se muestra en la Fig.0. . (b) 32. (c) S9. xz:. 4-18.01.10. 4. u"mo. en la columna /. se acostumbra.? conespondiente a la derecha de la distribución ¡2 es 0. Hallar el valor de la mediana de libertad. El resultado 11. el área sombreada a la izquierda de x3 es 1 ¡j iepresenta la percentila 9?.la cual del Apéndice E es 12. escoger las dos áreas iguales. Demostrarel Teorema 4-3.10.39. x! por los cuales (a) el área sombreada a la derecha: 0.36 vemos que si X¡ y X2 es. 4-18 (o) Si el área sombreada a la derecha es 0. qi" Z = X?*X2" tiene distribución chi-cuadrado con 1 * 1:2gradosdelibertadsiXr y X2 son independientes.. hay muchos valores para los cuales el área totál sombreada : 0. (c) 50' Utilizando la tabla en el Apéndice E hallamosenlacolumna ¡2er. Es de interés notar que los valores de la mediana están muy próximos al número de los grados de libertad' En efecüo. como puede observarse de la tabla. entonces el á¡ea a la izquierda de representa la nonagésima quinta percentila. si el número de gndos de liberbad v es igual a (c) 15.7.. Por tanto los valores son 0.025.04 en tanto que el área a la izquierda es 0. Entonces procédase hacia la derecha hasta la columna x%r.la cual es igual a 0. búsquese el valor 5. a! es 0. Sin embargo.Ia cual es igual a 1.37.x?o¿s.01.8.5.05. (b) Puesto que la distribución no es simétrica. los valores: (a)25.38. Véase Problema 4. xl es (1 .95 y xz2 Refiriéndose a la tabla en el Apéndice E.05. si el á¡ea sombreada a la izquierda es 0.150. Por ejemplo. parav> 10 los valores de la mediana son iguales av . el área sombreada a la derecha puede ser 0. lcAP. X.136 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 2. hallamos en la columna ¡.¡ se deduce en la misma manera. para v : Por el Problema 4. (Véase las consideraciones sobre notación en la página 116).8.O.3correspondiente av:28..5. el área a la izquierda de x? es O.0 correspondientear: av:21. Entonces. en este caso cada área:0.

Hallar xlerpm (a) v : 60 y (b) y . zo/2)-re-z/21ffi e-uzzr2.rf ¡"ffi "-r.\2/ r\ (l + u2¡'¡<'+t>rz .0(v¡lorre¡l =L24.FA = zp I t/Ft x| = *(zo+tffj¡z (o) Si v=50.64+rfss¡z =69..u [f=.ss+rtrOool-t¡z = |(1.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPTO 13? 4.zl ztÍt + <t2 | v>r a")au ( " Susüituyendo F(r) = G.2.u\ .cAP.. tn¡r( z\ Ju= -' ..-j(* .6 = f.tz¿ul¿" LJ":_-e A = urfi en la integral entre parénteais rectangulares hall¡mo¡ . (b) Si r=100.3). podemor utiliza¡ el hecho de que ({Tx2 . 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.@ hast¿ rl/z/r. DE STUDENT 4.r/2.#. Debido a que Y y independientee ¡u función de den¡id¡d coqjunta er 6l producto de (I ) y (2). podemoe ercribir."^' + zo+"/2 Í"'=-* d. Entonca ti z.tzt'(vl2\ ).Elrode donde t6=t = .(z.. Para . -/.y ¿2 # donde la integral ¡e toma ¡obre la región ( del pleno lz parn l¡ cr¡¡l g ut/ñ.lt * T ) eeto puede eocribir¡e d. xlgs = \@."a']au de acuerdo con lo pedido. #.= .va J"' {2r2.(' F(r) = _ tf Jr=-. oon un alüo grado de aprorimación.es+ftool-t)2= +(1.er dccir z<v/z)_te_ :|-r+zr/2 para -o 1g 1lo.rzrl. página 117.rr-r"-.Lu€{p integrannr_conrespecto az de¡de 0ha¡t¡o. er la percentil¡ 10Op de l¡ di¡trlbución nornd tipilicada. / mayor que 30.o 6 ..42.41. Demostrar el Teorema 4-6.locuale¡tÁde¡cuerdooonelvalor6?..=o"r. himero fijamor r z b = integramos con reepecto a y de¡de .t' / 2 e. DISTRIBUCION ü x3s¡ dado en el Apéndice E.64+/199P = 124... ./ . *^ I' = - *l Í": como z('' . Por tanto tenemos Remplazando F(xl = ./4 f ( 7<rrz>-r e-<yz+ztrz ¿. z ) La función de di¡tribución de I = Ylt/ffi e¡ F(u) = P(T=r) = P(Y=er/Zfi) = y@2. '\ z / (.t¡ e¡tl c¡¡i dbEibuido norm¡lmenüc con medie certr y varianza uno. dud.100 gados de libertad.z \f 2nz.tzl(vl7\ Jz=o = .

lL=-=_rü=02 L"a/ ar t'2ú | vl1t2' .025 por simetría. (c) Si el irea total sin eombrear ee 0.[.05 Refiriéndonos al Apéndice D. De la t¿bla t ss = 2.t u(v2/ 2) . J z t .90. DISTRIBUCION 4.r) a\. Por tanto el área de t para el cual el área sombreada a la izquierda es 0. a.4 4.e0. entonces el área total sombreada es (1 .05. sea 0.2 g(u. La función de densidad conjunta de f '' V¡ y V2 etá. (b) el área total sombreada: 0. 4-19.26 como el valor pedido de ú.99.05.(b) 1. ODt=r. 4-19 tt (a) Si el á¡ea sombreada a la derecha es 0. r / Ll+ lvt/v)).. Halla¡ el valor de ú1 para el cual de Student con 9 grados de libertad se muesha : 0. 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) 16.9?5 y úr reprecenta la percentila 9?.82.01 y el área sombreada a la derech¡ es 0. hallamos en la columna te.5. De la tabla hallamos t.::l = l"*:" 'u':'" Denotando la densidad como función de u y w por g(u.O. ú. (c) el área total sin sombrea¡: 0.44.nD\]uJur0. tenemoe | 1U) t.'.90.70 correspondiente a v = 27i (c) 1. .. (d) el área sombreada a la izquierda : 0. (d) Si el Área sombreada a la izquierda es 0.er5. búsqueee en Ia columna y el valor 9.05.01. Sielá¡eaalaizquierdadeú¡ es0. . Del Apéndice D hallamoe 2.olumna ¿. (c) 200.01.82. (e) el área a la izquierda de ü. Deimostrar el Teorema 4-?.l4\ -1- f 'pw\"rz'-' ID'-''-"e '"''o'-.75 correcpondienteay:16. -1)(v'\/2) "-.ú. entonced el área sombreada a la derecha es 0.entoncesúl correspondealapercentilagO. ) 0. Efectúe Ia transformación u 1/ v1 .43.:: ::'.01/2 : 0.e. ú es 0. El resultado 1.DZ=ü l1U7D Entonces el Jacobiano es i'.25.645 correepondiente a y: 200.'') (?ñ rr^ o(vz/2) -| "-'. ¿. ) 0 y 0 de otra forma.005. dada por 1 (._tr Fig.:.0. vlW v2 . La representación gráfica de la distribución (c) el área sombreada a la derecha en la Fig.1 ez(vt+ v2)/2 lQl/21 f (u2/2) <t | + ú2)' ri o.:"i = l::"'.es. 4.u) = .38.quedelatablaes igual a 1.83 es el valor pedido de t (b) Si el área total ¡ombreada es 0.01 es (e) -2.css = 3.138 DTSTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO ú [cAP.rl).gg) = 0.99.45. entonc€s por simetría el área sombreada a la derecha es 0.O5): 0.0. Entonceg búequese la c. En el Apéndice B e¡te valoi corresponde a la enhada en la última fila ma¡cada ó). t. Por tanto el á¡ea a la izquierda de ú1 es (1 .) = 6"i. (b\ 27. t.025): 0. entonces el área a la izquierda de ú¡ es (1 repreeenta la percentila 95.01. losvalores: (o)L.95 y úr Refrriéndonos a la tabla en el Apéndice D. t. (El último e¡ el valor que se obtendría utiüzando la cu¡va normal.la/2.05.

u.o.46..oc. primera f.i/2)--t (v2:L vru)-(r. (o) DeI Apéndice F.78)2. Verificar que (o) /.5 L6l = (72. ¡2 y ú 4.5.1 -.t r rz)tz Si tiene un máximo relativo se presentará cuando la derivada sea cero.o. . 4.rr. (b) F . er hkt) = ei u (.48..\ z /. (a) Comparar ia¡ entradas en la columna de la tabla F..*r.l¡.2* . A diferencia de una conetante..'r2\ ) = 0 ó trt ry = /. > 0 y 0 de otra forma. página 118.+t.ut = t'(P) ap Jo da) ) 0 y 0 ei rt É 0. hallamog .io = F_¡ .s.'rrr. hallar (¿) F. rr.9. ( " *..rr. \..ot. 15.rt) - (¡'r +t2)/2 - .. rs = 3.au d. 10... ro. ) 2' de (.\z . 4. F. donde vt -. r¿ desde La función de densidad (marginal) de U puede encontraree integrando con recpecto a decir 0 ha¡ta €... /. la función densidad de la di¡tribución F es r[(t.TZ) \ (-" se Utilizando el criterio de la segunda derivada podemos demoetra¡ que realmente trata de un máximo.F' gs. hallamoa \-i.50¡2. = 0.so.. 11 . página 118. (d) F. Pero de Tenemoe (r h(u) / v2\vr/2 4Q 1/'' .30.1-2\/ /\. etc.cAP. hallamos F.1 = (3.\/2i-r.326.. (c) Por el Teorema 4-8. =- 9.-'1t'"tvp)-uvr\j-:..8 = 3.\rt. ir ua 0.(vz/2) Jo -tL-!:j!::-:(I5).96.r.80.o5 en el Apéndice F con e¡a¡ en l¡ distribución ú bajo ú.ee.2* r. : (4. ro.ob. /.o. Demostrar que la distribución F es unimodal en el valol ¡v' ' La moda localiza e! valor máximo de la función de deneidad.ul F'..7L = (2. .L5.n. 7.257.- r1u)-¡(.r..¿t. i \rn) - 2\ / v' \ si v. .ss : t?n (b) fl.t . \ : ¡.ss : ". Vemos que 18.s. = # = 0..0g (d) Por el Teorema 4-8.+v2't/2r-r = 0 Dividiendo Wt ut|ti2)-2(t2l t¡t)-[("\+t.18)2.e75. que es el reeultado pedido.47. es decir (r.r' / 2(.l= *. donde. r. RELACIONES ENTRE LAS DISTRIBUCIONES F.4l si u DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 139 > 0.\i = /v' I vr\ ) si u ) 0 y 0 ¡i z¿ 5 0.2\/2)-t e-tt+<v{/v2)t(o/2> z(tt ' u2)/2 t0t/21 l. (c) = 10. Utilizando la tabla para la dist¡ibución F en el Apéndice F. Apéndice A.t)- tyt ('4fa) (.'. rr. (b) Del Apéndice F.0 = 4.t e.71)2.

I ^F.)" \/ Com¡rarando con (42).P(f 0) = = P(T=+\E|-+ donde hemo¡ usado la simetría de la distribución ú. t { l'-'u-r.l.0 <'T = *t/Ft_o) ú donde ? es una variable aleatoria con distribución de Student con u grados de libertad.eer.140 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP.. . + r\ r( ol -r- .página 11?].r¡ n'(. Demostrar el Teorema 4-9.(4. P.. tenemos P(T=+tlrno¡ = t -Pi .'.ee en el Apéndice F conegarenladistribución ú bajo ú.l / +z\-r¡ \ '/ ¡=. Por tanto t-P 2 = Pp<T:. Vemos que 4050 : (63./" + 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\ "/" . 4.rtF.49.)" .sí generalizar los resultados del Problema 4. etc.. que puede establecerse simplemente como F r-p = t? ott¡ l(4í). Entonces por la definición de un valor de percentila.9 " / +1\ -t'* "" t / vv/21l-12v-(. Sea 11 . 21.92)2. 98. pfuina 116. Entonces y a.48.1 = (5.4 (b) Comparar la¡ enhadas en la primera columna de la tabla F. Re¡olviendo.84)2. v2 = v en la funeión de densidad para la distribución F f (ul = .-¡l r. 34. P(.u/2¿-r/2(y + ul-(r1tr/2 ^/.+tfttur¡ = P(T s +VFt-p) .t./ para u /_u_r.Ft-o) f(u): 0 para ¿ < 0.-.'. y que P(U 5 .2 -. Por tanto ^\ F.60)2. '\2/'\2/ "11\ "/r\ t -/. página 118.'..5 = (9.o) r\ \ '/ ll '=2 | '\ .*rr.r(l +3!) t r-ru+l)/9 ) O. vemos que el lado izquierdo de la última ecuación es igual a z. \ : {".4*)___\-.(.66)2.r( .

. por definición. Véase Problema 4.r y una función solamente en y. Comparar las entradas en la última fila de la tabla .7 2. 4. 4. La prueba general del Teorema 4-10 se deduce tomando el límite cuando U2 la prfuina 117. y se deduce que X. (c) Comparar las entradas en Ia última fila de la tabla F o= en el Apéndice F (correspondientes las entradas bajo ¡. producto de una función solaménte en. + * en la distribución F en DISTRIBUCION NORMAL BIDIMENSIONAL 4.s2 T r.50. Y son independientes.4!¡ 4 2...25 77i6 .GB a ¡'.8t (b) -. en el Apéndice E. Ll . Esto es posible sólo si p : 6.60 -. Entonces vemos que 6.ú los valores de = t-+o-.. er el Apéndice F (correspondientes las enhadas bajo x:nn en el Apéndice E. s.'..L . Análogamente la probabilidad de no obtener un 3 en el segundo lanzamiento ee 5/6. 3. y este nfimero se determina finicamente. = @) con = "'13.95 y (b) p : 0.94 3. s. Por tanto ú es estrictamente +\/F. entonces la función de densidad normal bidimensional (49).r'il ) y y puesto que este es un producto de una función solamente r.:\/2= en . Y son independientes.'. DISTRIBUCIONES DIVERSAS 4. se convierte en l@.(p/z\\ = l-?. página 118. lotll. que era lo que se querfa demostrar. Entonces la probabilidad de no obtener un 3 en lo¡ primeros cuaho lanzamientos es (5/6)(5/6)(5/6X5/6): (5/6)4.. = tt-(p/zt ó Fr-p : tl2t'-tptz'. Y son independientes solo si su coeficiente de correlación es cero...52.Por tanto la probabiüdad de obtener un 3 en el quinto lanzamiento es 1/6. Demostrar que X..99.78 = #. Verificar el Teorema 4-10. Méüodo 1. K (r(r . y) dada por (49) debe para todos los valoxes de x. _ 9. Si el coeficiente de correlación p = 0. La probabiüdad de no obtener un 3 en el primer lanzamiento es 5/6. Hallar la probabilidad que en lanzamientos sucesivos de un dado honrado resulte un 3 por primera vez en el quinto lanzamiento. )Lo.+.¡ es el número üal que P(T=tt.r"?ll--+"-.21 .51.. r por una función solamente en y para todos ser el Inversamente. Sean X.145. lo cual provee la verificación requerida. Y variables aleatórias cuya función de densidad conjunta es la distribución normal bidimensional. lo cual provee la verificación requerida..02 = #.. Entonces vemos que a r': ó) con etc.. la probabilidad pedida es Y/r\ \6i \6/ / s c. tt tt¡/z. 3. página 118. si X. etc.il = (4 . para (a\ p : a1 0. etc.4] DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO L4t Pero..00 =. f(x.CAP. 't7 2.F e. -.¡ !.1. ya que la función de densidad de Ia distribución positiva.

63.q:616. se gradúe.L42 . (b) uno. 2¡.4. etc.be-! = o-2/br\t + a) Entonce¡ / o\ ¿u 02 = El(X-u¡21 = E(Xz)-uz = PROBLEMAS DIVERSOS o-". alf hay 6 .. i7't6 4. 1 en el primer dado y 2 en el regundo dado.¡ :6 Gzl vemo¡ que la probabilidad /t\/o\' _ \6/ \6 / página 119. etc. (a) P(ninguno ee gradúe) = 5Cs(0. : atb pa. \i)"-".6)4 = 0. ¿Cuál es la probabilidad de obtener un total de 9 (o) dos lanzamientos de r¡n pa¡ de dados? en veces.p(\ t + +)-l ó/J 4. ó aprorimando 0. ó aproximando O. 4 Utilizando la di¡tribución geoméhica. La probabilidad de que un estudia¡rte que ingrese a la universidad se gradúees 0. 4.ra evaluar la (ü) E(Xz¡ = fo- oOro*r¿-oto¡lg r "b ('/z\r*ttro> e-!:u(t/b)-t = o"o )o \. ó aproximando 0.oJs u. 6 = 36 forma¡ en las cuales ambo¡ dadoe pueden caer. Determinar la probabilidad de que de 5 estudiantes (a) ninguno. eon p: Ll6./ du (' = o-r.4)0(0. i) integral.55.08 (D) P(re gradúe uno) = 5Cr(0. - f. pedida er pRopro [cAp. 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.92. .2692. 11. (D) al menos dos veces en 6 ¿ead¡¿o¡ por (1. DISTRIBUcIoNEs DE rRoBABTLTDAD coN NoMBRE Método 2 (utilizando fótmula).tbr donde hemo¡ ütilizado Lr ¡ustitución u f@ ab ('/"\ du /' (r. de la distribución Weibull.64. (o) t' = E(X) = JO f abrb e-o"o d.of ¡(1 + 3) b/ L\ .""tb)-t a-ub I ur/be-! du Jo a_. página 118.r I ú ). (c) al menos uno.977?6.6)r : 9. Verifrcar las expresiones dadas para la (a) media.4)1(0. E¡ta¡ ¡on 1 cn el grimer dado y 1 en el regundo dado.26 (c) P(al menos uno re gradúe) = 1 -P(ninguno se gradúe) :0-92224. (b) la variarrza.

4. (a) la di¡tribución normal a datos discetoe.er)*P(9cincovecer)*P ./ * '"'(.5gr 441 * ss1 441 . (4.58.5 . ^ /r\ta.2.2.6 a 6. hallar (c) la media y (b) la desviación típica para la distribución de tornillos defectuosos de un total de 400.1): 40.5 en unidader tipificadar : 5. Las calificaciones de un parcial corto en biología fueron 0.1.5 puntoe. 4-20.5Bt 441 = 531 441 441 Otro método.6. 6). un total de 9 ocurte en 4 cqlos¡ (3. (a) Media : np :400(0.3418 - y e = 0) (áre¡ entre z :{.2:{).56.6 (área entte 0. 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..133 coeficienüedecu¡tosis: l.6u.9): 36.ó6.17 z: -1 y 277o z: O) 0.5 en unidadee tipificadar hoporción pedida: á¡ea entre : : ./ \. (c) la calificación mínima delL0% más dto de la clase. dependiendo del número de respuestas conectamente solucionadas de un total de 10. (a) (b) Coeficientedeeeego= Puesto que es positivo."'\g/ ' ^/rY/s\u.2 = -'1. 3). ^ /r\'/e\'. Por tanto la de¡üación tfpica = /56 = 6.? y la desviación típica fue 1. la distribución está sesgada a la derecha. es decir podemoselpemr que 40 tornillo¡ esüén defectuosos. .cAP. Véase Fig.17 z: -1 y z:-4. (D) Varianza : npe: (40OXO. Si la probabilidad de un tornillo defectuoso es 0.2788: . 4.6. Para aplicar : 6. (5.\0/ \e/ \s/ ^/l\'/q\' ffitZü 7268s 4.4I DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 143 De estas 86 forma¡ todar igualmente factibles ¡i los dados ¡on honrado¡. (o) P(9 do¡ veces en seis lanzamientos¡ = 6"'\t/ /q\t-' . eb necesario con¡idcrar los datoe como si fueran continuoe.-"^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. La calificación media fue 6./ \ó/ * '"'foi ó * '''Gi 72689 1 10240 960 48 61 = 681 440 65f ¿¿T .7)1L. determinar (c) el porcentaje de estudiantes con 6 puntos. Por tanto una calificación de 6 puntos ¡e cor¡sidera como 5.. .-. 4).5?.1XO. L.a di¡tribución ee s+l---^6:q : 3+ff1-6(0'1X0'9) = nuq 3'01 ligeramente má¡ apuntada que la distribución normal.17 (5. 5). (6. == vnpq H = 0. Suponiendo que las calificaciones están distribuidas normalmente. ^/r\'/a\'. Halla¡ los coeficientes de (a) sesgo y (b) curtosis de la distribución en el Problema 4./r\'/e\a. (b) la calificación máxima del L0% más bajc de la clase.7)1L. P(al menoe 9 doa veco) : 1 - P(9 cero vecer) - P(9 una vez) : . .0 (6. ^ /r\u = 'c'(o/ \é/ * '"'(.0676 : O. 10 puntos.

on O como el origen. La Fig. cue¡rta en el üiempo SeaPl(ú) la probabilidad de una cuenta en el tiempo f+ I de modo queP¡(t + Af)er la probabilidad deun¿ Aú. Si (b).4-20 Fig.L14 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cAP. 4. Si se suponen lar llegadae de lae partícula¡ sucegos independientes.69. Un contador Geiger se emplea para contar la llegada de partículas radioactivas. At. Por tanto la probabilidad de no contar en el tiempo At ec 1 .26 6 aproximando y al entero má¡ cercano.28y Ír:6. De la Fig. 4-2L el la izquierda de z¡ eo LOT. a Area entre zt y O: 0. la probabilidad de no cuenta en el tiempo t * At es el producto de la probabilidad de no cuenüa en el tiempo ú y la probabilidad de no cuenta en el tiempo Af.69 halla¡ la probabilidad de exactamente una cuenta en el tiempo t.28.6. Entoncee tendremos una cuenta en el tiempo f * Af en lor riguientee dos ca¡o¡ mutuamente excluyenter: (i) 1 cuenta en el tiempo f y 0 cuentar en el tiempo At (ii ) 0 cuenta¡ en el tiempo ú y 1 cuenta en el tiempo Aú . 4-21 (b) Sea r ¡ la calificación máxima pedida ] z¡ !u equivalente en unidadec tipificadas. tenemoS (r) De (I ) obüenemos (2) Po(ú+a¿) = lú Ps(Ú)[1 -IAú] = -IPo (¿) At+0 lim Po(¿-f a¿) - PoQ\ e¡ decir (.2 u 8 aproximando al entero má¡ cercano.x2:8. zt Enüonces zt = (xt . la probabiüdad de no cuenta en el tiempo t Entonces Po (ú + At) es la probabilidad de no cuenta en el üiempo ú + Aú. por tanto área. Entonces (x2 - 6. exiatirán término¡ adicionalecqueincluyen a (Aú)'y órdene¡ ruperiores.60.7)17. por simetría : L.I At. La probabilidad de que se cuente una parüfcula en el tiempo Af ee proport t tatr cion¡l a At y puede eecribir¡e como l.7)lt. 4-22 repteeenta el eje de tiempo c. Máe precisamente. = 0. (c) Sea .4-22 o ran si AÍ es pequeño. pero no se consideSea P6 (ú) r-----]--l Fig.17 I'ig.Z:-t.10.2 ! 22 Eu equivalente en unidades tipificadas. Halla¡ la probabilidad de que en un tiempo f no se cuenten partículas.P6(0): c e¡ la probabiüdad de no cuenta¡ en elüiempoGrro.28.r2 la calificación mínima pedida zz =L.40 : -L. Por tanto. Refi¡iéndose al Problem^ 4.28 (aproximadamente).que lógicamente e¡ 1.r) dlu dt = -^po u dP" n 6 = ->'¿t Re¡olviendo (3) por integración obtenemos lnPn = -X¿ + cl PoQ) = ¿¿-Lt Pa¡a determinar c notamoc que si ú = 0. Por tanüo c = I y l¡ probabilidad pedida ee (11 Po(¿) = ¿-^t 4.I -0. rin considerar los términoe que incluyen (Aú)2 y término¡ cuperiores.4 .

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

Si X está distribuida normalmente con media 5 y desviación tipificada 2.75. (c) el área entre de z tales que (a) el área a la derecha de z sea 0.4 respectivamente.82.4O. (d) el áreaentre 1. Z está distribuida normalmente con media 0 y varianza 1. En un examen la media fue 78 y la desüación típica 10.8{. (dl al menos I persona esté viva. 4.5 o? 4'83. -0. (c) Si las estaturas de 300 estudiantes están distribuidas normalmente c\on media 1.45. (c) solament e 2. Demostrar que si una dishibución binomial con n : 100 es siméhica. (d) iguales a 0. (c ) mayor que g 1. entre (o) 4. Hallar el área bajo la curva normal (o) a la izquierda de z : -1.6 y 1.4 4. (ó) el área a la izquierda de z sea -0.2 respectivamente.77.80< z< !.79.55 m. 4. (c) coeficiente de sesgo.e z: -1.58.b superior de los estudiantes recibirán una calificación A (excelente). ¿qué porcentaje de las medicione¡ están (o) dentro del recorrido I. (d) igual a 1. (b) P(-1.615 pul.52 y a la derecha de z: 1.L46 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP. (c) menores que 0.O?30. 4. llallar el área bajo la curva normal z: 0. (c) a la derecha d. (b ) al menos 3.23 y z sea O.?0 m? cm. 4.r)af(rl para la distribución binomial.61? pul.71.56.79' 4.0314.?O m y desviación típica 10 Si los diámetros de los cojinetes de municiones están normalmente distribuidos con media 0.2266. (a)Determinarlas calificacionestipificadasdedog estudiantes cuyos puntajes fueron 93 y 62 respectivamente. hallar P(X > S).86. todas de edad idéntica y con buena salud. 4.76. (b) desviación típica. ¿Cuál es la cslificación mínima que debe obiener un estudiante para recibir una A ? Si un conjunto de mediciories está distribuido normalmente.El m inclusive. su coeficiente de curtosie es 2.608 pul. (b) menos que o iguales a 1. (b) menos que p .0025 pul.23yz:1. DISTRIBUCION NORMAL 4.(b)z=I.85- 4.t ! 2 o. (d) coeficiente de curto¡is para una dishibución binomial en la cualp : 0.610 y 0. 0. lt!aosea . (b) Determinar los puntajes de dos estudiantes cuyas calificaciones tipificadas fueron y 1. Interpretar los resultados. 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. z:-I.81' 4.80' 4.2O y z --2. dondeZestádistribuidanor¡nalmenteconmedia0yvarianzal.618 pul inclusive.900.72. 4. La calificación media de un examen final fue 72 y la derviación típica g. (d) correspondientea z>:2. 4. EnelProblema4.64).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. Si (c) P(lzl > r).96). (b) a la izquierda de z:0. (b) por fuera del recorrido ¡t ! 1. Evaluar (o) ) (c - p\3 f (r) v (b) > (r .gShallarlacon¡tanteatalqueelporcentajedelo¡casos(o)dentrodelrecorrido 7 í'.7O.78: Hallar los valores sea 0.59 y 1. Demostrar las fórmulas en la página 109 para los coeficienües de seego y curtosis. determinar el porcentaje de los cojinetes de municiones con diámetros (a) entre 0.6140 pul y desviación tipificada 0.50. ¿qué porcentaje de esas mediciones diferirá de la media por (o ) más de media desviación típica.68.2 o. (e) el áiea en¡e-z y z 4.96 =_ Z < t.oo ¿ea 22c/a.!6.74. Un agente de una compañía de reguros vende pólizas a 5 personas.t'c. (c)z:-2.83. haltar (a) P(Z = -1. Calcular la (o) media.85V 4. 4. (D) mayor que 0.69.9. Hallar la probabilidad de que en 30 años (o) Ias 5. (e)correcpondientea-0.84. Hallarz¡ si P(Z-21)= 0. (b) menos de hes cuartos de desviación típica? Si ¡'t es la media y o la desviación típica de un conjunto de mediciones que están distribuidas normalmente.? y n : 60.?8. ¿cuántos estudiantes tienen estaturas (o) ¡nayores que 1.85 m. El l}'. 4. entre 1. (/)ala izquierda de z:-2.5722.82.15 y z *aO.

o 2lámparas eléctricas sean defectuosas. 4. Una máquina produce tornillos.ar la función generatriz de momentos). 1/2 -r -t Demostrar el teorema del límite central para las variables independientes 'Yk donde g = | | 1 prob. arí generalizando el Problema 4. p pr. (c) menos de. Demostrar el resultado (l 7).(e)entre4y8. -'. Utilizando (o) la distribución binomial y (b) la aproximación de Poisson a la distribución binomial.101. (bl 24 o más de 40 preguntas en un examen tipo verdadero-falso.#Tf DISTRIBUCION MULTINOMIAL 4.1 t\. 4. el promedio de ahogados en accidentes por año es 3.t9.9!.(f)menosdeS ahogados por año.(Sugeren- cia: Utiliz.entoncesXr+X2 tieneunadistribucióndePoissonconparámetro). f(r) =. Generalizar el resultado a n variables. 1/2 prob. (b) cada ca¡a una vez.(n5lámparar sean defectuosas. f. Si 3% de las lámparas eléctricas producidas por una compañía son defectuosas. (d) 55 o más. Xz.2.91.93.97. . hallar la probabilidad de que en una muestra de 100 lámparas eléctricas (a) 0. (c)2. hallar la probabilidad de que (of rnís de 5. Explicar por qué se podría esperar que el teorema üengan la distribución de Cauchy. . (c) menos de 85 o más de 116 caras.(d)8.10O. DISTRIBUCION DE POISSON 4. <x< @ 4. (b) entre 1 y 3. Xz. ( t 3 ). Entonces se coloca la bola en el talego. . (e) 4. Hallar la probabilidad de que un estudiante pueda acertar eorrectamente lasrespuestas a(a)12 o más de 20. TEOREMA DEL LIMITE CENTRAL 4.98. 4. Education and Welfare. del límite central no sea válido en el caso que X¡ .97.96. . 36 LO"/o de los cuales son defectuosos. "heses". 4. de loe tornillos sean defectuosos. . Se extrae una bola y se obsen'a su color.92.cAP. página 113.90. Según Ia National Office of Vital Statistics of the U. Department of Health.99. Un talego contiene una bola roja y siete blancas. Halla¡ la probabilidad de que 4. 4l DISTRIBUCIONES DTSTRTBUCTONES DE PROBABTLTDAD CON NOMBRE PROPTO PROBABILIDAD PROPIO I47 L47 APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 1. página I 1 1 .b. Se lanza un dado honrado 6 r¡ece¡. (b) 7.88. S. (b) menos que 90 caras. (d) exactamente 100 cara¡. 4.0 de cada 100 000 personas.(b)2. Demostrar el teorema del lfmite central para el caso en q rre X ¡. Hallar la probabilidad de obtener más de 25 "sietes" en 100 lanzamientos de un par de dados honradoe. enunaciudadcuyapoblaciónesde200000ocurran(a)0. hallar la probabilidad de que en 8 de tales extracciones se seleccione una bola roja 3 veces. 4. (d) 3. 4.(c)6. En el Problema 4. Hallar la probabilidad de que en 200 lanzamientos de una moneda resulten (a) entre 80 y 120 caras inclusive. 4. ( L 1 prob. . r¡ : L - p. Demostra¡ el teorema del límite central para las variables independientes xk = 4. Hallar la probabilidad de que en un muestreoaleatorio de 400 tor4illos producidos por estamáquina (a)máximo 30.95. Demostrar que si respectivostrr X1 ¡l X2 son variables independientes con distribuciones de Poisson con parámetros ytrz.94. Halla¡ la probabilidad de que el resultado sea: (o ) 1 "uno". 3 . 2 "doses" y . son independientes y están distribuidas idénticamente con la distribución de Poisson. (c)entre y 46.87. (b)entre 30y 60.

Yerificar la (a) función generatriz de momentos dadas por (33 ). hallar la probabili4. 4. Una caja contiene una gran cantidad de bolas rojas.105. Emplear la aproximación binomial (18) obtenida.148 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO [cA¡. Determinar los valore¡ modales de la distribución gamma. Generaliza¡ el resultado del Problema i. 4.Hallar(al P(X <1).116. ó (24\ se para resolver el Problema 4. Demostrar que si X1 y X2 son independientes y tienen la misma distribución {e Cauchy. sesgo y (b) curtosis de una di¡tribución uniforme.11E. Hallar la probabilidad de que de 10 bolasextraída¡: (o) 4 rean rojas. (t) P(l = X=2). Hallar (a) el tercero y (D) el cuarto momento alrededor de la media de una dishibución uniforme. 4. cuando N ' e. Una caja contiene 5 bolas rojas 5l l0 blancas. dad de que (a) 6 sean figuras. S blrncar.111. página 108.con < 2). Hallar la probabilidad de no obte4er un 1. (c) al menos una sea roja.110. es una función de densidad.102.104.fl DISTRIBUCION DE CAUCHY 4. Demostrar que el recorrido semi-intercua¡tílico para la di¡tribución de Cauchyeeo. 4. entoncel su mdia 4. Z.108. Si se seleccionan 13 cartas aleatoriamente (sin remplazamiento) de una baraja de 62 cartas. 4.106. 4. (b) no más de 2. Y son independientes y ambas eetán distribuidas uniformemente en el intervalo de 0 a 1. 2 ó 3 en cuatro lanzamientoe de un dado honrado. normalmente con media 0 y varianza l Demostra¡r que Y: Xt lXz tiene una distribución DISTRIBUCTON GAMMA 4. azules y amarillas en la proporciün 4t 3z 2: L.Hallat(a) P(X i.114. sean del oriente. ¿Porqué en este caso el 4. hallar la probabilidad de que (o) 10. recorrido gemi-intercuartílico es un eustituto de la desviación tfpica? aritmética también tiene esta distribución. (b) todas sean blancas. Si Xt y Xz son independientes y distribuidas de Cauchy. Si se seleccionan 20 aspirantes aleatoriamente. 4.115.109. 4. DISTRIBUCION HIPEBGEOMETRICA 4. 4. Si se seleccionan 8 bola¡aleatoriamente (sinremplazamienüo) determinar la probabilidad de que (a) 4 sean rojar. (b) P(lX-11 = +). página 116.107. De 60 aspirantes a una universidad 40 son del oriente. Una variablealeatoriaX tiene una distribución gamma conQ:3.103.págrna114.4 4.(b)8 sean rojas y 2 amarillas.9: 4. Verificar que (31 ). tl¡llar(o) P(X= 1).z 114. 4.11?.113. y (b) la función caracterfstica de la di¡tribución gamma .págin.112. 4. (b) P(Xz > r2).119. Suponga que X tiene una distribución de Cauchydeacuerdocon(29). 2 zzulee y l amarilla. o:2.121. (b) ninguna sea figura. Hallar la función generatriz de momentos para la di¡tribución uniforme. hallar P(lX . DISTRIBUCION UNIFORME reduce a (I ). Si X. blancas. Determinar el coeficiente de (a) > ll 6/.106 y e¡tudia¡ la precisión 4. página 115.116.122. Demostrar directamente que (22).120. SiXestádistribuidauniformemente en-2< x=2.

025.2\' 4. ee la 0. (e) el área entre -f1 f f1 sea 0.rz.ti ti¡l gue (o) el área a derecha de ¡l sea 0. 4.727 si el área de la cola derecha es 0.i) 4. \b\ Yar (7zl -. (c) P(U = cl = 0'20. Hallar los .140. pígirn 117. (b) 12. + p . v ) 2. 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) 8.13E.95. Si la variable U tiene distribución chi-puadrado P(u < x?) : 0.139. Para una distribución chi-cuadrado con 12 grados de libertad. Demostrar que para grandes valores de 4.129.20 91tt: 1i Y_4_. Verificrü que (34). v: -f1 sea 0.130. Hallar el valor de: (a) F. (d) el área a la derecha de ú1 sea 0.134.05. si el número de 4. la distribución ú es 0. es una función de densidad. (b) Demostrar que si la suposición de áreae iguales en la parte (o ) no se cumple. si el r.(c)eláreaaladerechadeú1 eea0.¡' 4.128. (c) 28.:10. (c ) 25.cAP. Hallar (a) es la x.50. hallar el valor ie . Hallar 4.4l DISTRIBUCION BETA DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO t49 4.rúmero e.¡. Demostrar que para 1 grado de libertad la distribución ú es una distribución de Cauchy. - 2). (ó) y (b) x. / una buena aprorimación para percentila (100p) de la distribución normal tipificada.01.oo. (d ) 60. 4.125. hallar el valor de ú¡tal que (a) el área a Ia derechadeú1 seaO.(b)eláreaalaizquierdadetlsea0. Q) F. grados de libertad DISTRIBUCION x . er igual a 1.%t con y :7. (b) F. Demostrar que la distribución beta tiene una moda l¡nica en DISTRIBUCION CHI-CUADBADO r: (a - l)/(a P(lX-+l = +).01 y ¡.9¡' P(U>c)= 4. lJnavariablealeatoriaXtieneunadistribuciónbet¿cono:3.05.1 de la función de densidad (45'¡. Demostrar que la va¡ianza de la distribución t de Student con t. Resolver el Problemz 4.z¿i (d) F.01.? 9:?^5: suponiendo ireae'ig.rzo..99.02'5yv=20'(c)eláxea 16. 4. los valo-res de x? y x! no son únicos' 4.rs. f f. = t2ul(v1* .90yy:25t (b)eláreaalaizquierdade-ü1 sea0. y x! tales que (a) P(U > x?rl = 0'025. (b) el área a la izquierda de xi sea 0.2.or. (D) P(-a= U 3 c) :0. v. (b) 19.or'so'lr-. 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.ol/l'.ss. 250. : 6. Verificar que la integral desde u lsugerencía: Hágase a : 0 hasta e v2u).136./(.132. (d) 40.gc.rales a la derecha de xB y a la izquierda de x!. (o) llaltar x! y x? tales que el área bajo la distribución x2 correspondiente a v -. 4.05.131.ss. ¡2o egtá x?ozs y (b) xizs para'r = 4.136.124.01. hallarlaconstantec talque (a\ 0.141..donde zo hra una distribución f de Student con 15 grados de libertad.' dada Por r * .13?.páSrrra 115. (c) el á¡ea a la derecha de xl sea 0.133.g.zoi (. 4.valores de grados de libertad I ú para los cuales el á¡ea de la cola derecha de es igual z (a) 4.9:2. (e ) 150.55 ! 4. Halla¡ (o) 4.90.01. hallar x2.os.95. (c) F.126. (c) P(x?< U < x2z) = 0. (d) P(U 2 c) = Q.eo. Si una variable Utiene una distribución de Student con ¡. Demostrar que (a) E(xz) = DISTRIBUCION ú DE STUDENT 4. área combinada a la derecha de ú1 y a la izquierda de -f1 4.142.123.98.12?.2gs para r = 150.10'(d)el sea 0.

4. Si X está distribuida normalmente con media g y variznza grado de libertad? Véase Problema 4.147.pfuinal77. Demostrar el Teorema 4-10. (a > o' o .153. prfuina 118..e8¡zsa \z /' * (tlu)to.145. . Demostrar los resultados (20) y (23). Y mnjuntamente tienen la distribución bidimensional (19). página 116. demostrar que e8t6n distribuidas marginal- "? y oi respectivamente. rj +n'r l¡ = ¡'oof 4.r.Porevaluacióndelasseries dos del Problema (") 4. libertad respectivamente. página I44.X..37 demost¡ando que si buidas normalmente con media 0 grados de 4. Demosha¡ el teorema del límite central para el caso donde Xt. 4.. hallar la función de distribución de lonva¡iablesaleatoúasindependientescon di¡tribuciónchi-cuadradoypr.I Y T' 4.. Demostrar el resultado (46). Generalizar el Problema 4. c. RELACIONES ENTRE LAS DISTRIBUCIONES CHI-CUADRADO.A) = ke-(!¡z+2bra+"v'l donde a.6O. página 114.36. Demostrar el Teorema 4-5. de 4.. + Xn. DISTBIBUCION NORMAL BIDIMENSIONAL 4.162. (ó) io ". Xz.144.156. página 118. 4. Hallar la función generatriz de momentos de la di¡tribución hipergeométrica. (véase página cada unacondistribucióngeométrica. 4. ¿Puede deducirse la ley de los grandes números en forma débil del teorema del límite central? JuEtificar su solución. 4. constantes y b2 < ¿c. Suponer que X. k=1.7ffi1.154.8. ento'nces ) Xf ti"tt" 51. Si X.. .prgradoe X¡ + ....X.n. Demostrar que cuando v "> @ la distribución f de Student tiende a la distribución normal tipificada..c<ts -. 4.. Y tienen la función de densidad conjunta f(r. PROBLEMAS DIVERSOS 4. Sean las variables independientes n X¡. mente tienen una distribución idéntica.o2)a(0. 4.155. 4... Demostrar el Teorema 4-8.16O. É^ ¡=o . demostrardirectamentelosresulta- 4. ¿tiene X2 una distribución chi-cuadrado con 1 X1.0. b..0.149.146. Halia¡ el valor aproximado de (t3o). Demostrar que 2u (..161. Si Xr.. . .. .r.143. son independientes pero no necesaria. 4. y varianza 1. página LL8. mente con varianzas h aon 4.4 4.. Demostrarque k=l ) X* tiene distribución de Pascal 118). k=l son variablee aleatoria¡ independiente¡ disürluna distribución chi-cuadrado con y libertad.^h..15E.159. Completar la demostración de la ecuación (8) del Problema 4.14E.150.0r.e8)2ez \3 /' y dar una interpretación de probabiüdad. (Sugerencia: Ilaga la transformación u : 1/u). Verificar que estas constantes son l¿¡s dadas en (19).. .150 DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO lcAP.157.1 o2 .' o) 4.

162.F' f. (c) la velocidad más probable. Estudiar qué le sucede a la varianza de l¿ distribución t 4.cAP. (b) v = 2. y varianza de la distribución gas para loc casos (o) (b\ v2= 4.4l DISTRIBUCIONES DE PROBABILIDAD CON NOMBRE PROPIO 4. (d) la velocidad efectiva(rme.esdecirlarafzcuadradade la velocidad media al cuadrado).164.163. . (b ) la velocidad media. (c) v1* 4. Estudiar qué le sucede a la media ¡i (o) r = . página 119. Comparar sus resultados con l¡ entrada 5. Determinar (a ) la conetante c. 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.

.

Farte tl ESTADIST¡CA .

.

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

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

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

Los teoremas siguientes son importantes en este sentido. página 112. denotada por oi.6. y si el tamaño de la muestra es n S N.-. 5 (3) EJEMPLO 5. 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. Se supone aquí que la población es infinita o que el muestreo es con rernplazamiento. 1. que se llama la distribución muestral para h media de la muestm o la distribución muestrcl de medias.á dada por E[(X-ti'l: "l = ¿ n donde o2 es la va¡ianza de la población. = 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. está dada por E(X) = donde ¡. Teorema (6) 5-4: p y vaianza o2 entonces la media muestral p y vananza é/n. Teorema (5) 5-3: Si la población es de tamaño N.(¡¿ -n\ -f / en tanto eue ¡r* aún se da por (4). oft = . 2 entonces la media muestral . la media de la población. Nótese que (6) se reduce a (5) cuando N . .ux. denotada por . est. entonces la varianza de la distribución muestral de medias. Entonces la variable tipificada asociada con X.158 TEORIA DE MUESTREO Jrf ll |"'Fi. estn lim P(Z -z z) = -= f = J 1 vzr -* "-uztz ¿r. 9.5. Teorema 5'1: La media de la disbibución muestral de medias.r es F*. Entonces es natuml buscar la distribución de probabilidad del estadístico muestral X.. De otra forma Io anterior es conecto si remplazamos o/l/-n en (7\ por o* como se da en (6). = t' es la media de la (l) población.¡ n lcAP. Si una muestra de tamaño 5 resulta en los valores muestrales 7. dada por Z: es x-r "/\n es (7) normal reintóticamente. (s) El Teorema 5-5 es una consecuencia del teorema del límite central. entonces (5) se remplaza por o2/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. si el muestreo es sin remplazamiento.

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

puesto que al hacerlo así muchos resultados posteriores se simplifican.e parámet¡o. En '"al caso ia distríbución muestral de la suma de estodísticos S.5. * l's.llpt iLp2 Pt. -. En este caso . PzQz (13) En cam!:i. supotriendc rtii€ ¡a-s = ¡'s. corresponden a las proporcioneJ de éxitos P. Qe) N* - ésta se reduce a (16). -X). por (X. y 52 tiene media y desviacián üípica dada por Fsr+s.. : {$j$ : Pút .6. . Refiriéndose al Ejemplo 6. EJEMPLO 5. entonces la variable aleatoria que da la uarianza de la muestra o la uarianzt muestral se define de acuerdo con (14). El estimador Q6) insesgado qu9 9sq rnuy próximo a o2 solamente para grandes valores de n (n q2 (x. página l57. X.S. continuaremos definiendo la varianza muestral por (I5).. algunos estadistas escogen para definir la varianza muestral por S. . + .= 5 . osr. página 78. Sienrpre que el valor .160 TEORIA DE MUESTREO lcAP.. + (x^- X¡z n-I (17 ) de modo oue u(D') = g' (t8) Debido a esto. resulta ser que (véase Problema 5. y S. y P.-i)'? + (Xz-.s.20) ¿'(St) está definido por = Asr : ?-Joz > 30). Sin embargo. entonces la media de la distribución muestral de varianzas está dada por E'(s. denota las variables aleatorias para una muesha de tamaño n. : {"'rr4r.t)'' t(S2) : o2. Se pueden obtener recultados semejantes a (1 1).= li4-6ri \¡"- Los resultados anteriores son válidos si el muestreo es de una población infinita o con remplazamiento para una población f¡nita Si el muesheo es sin remplazamiento de una población finlta de tamaño N. y iai-ecuaciónes (I1 ) resultan Ittt-?z .. y el valor una estima insesgada. de es+. et y pz. X\z (15 ) Entonces en el Teorerna 5-1 hallamos que E(*) = A y sería increíble si también pudiéramos tener esperado de'un' eit"dírti"o sea igual al parámetro poblacional conespondiente llarnarnos al es+¿dístico un estimador insesgdo.P". (11) nrruestras son independientes. Sin embargo. VARIA¡.la varianza mueshal tiene el valor a2 = en tanto que la ertima inseegada eetá dada por +(6-6)2 - z Ao s..iZA MUESTRAL 9i Xtr Xr. . i (X^-. + (xz.) Cuando = ps2 : ("\) (+). ez respectiva¡nente.o de rcnal diierencias de estadísticos algunas veces estamos interesados en la suma de estadísticos.X). opr-p. en cambio de 52 y sencillamente remplazan n por n -1 en el denominador de (15). 5 Resuitados cortespondientes pueden obtenerse pan disfuibuciones muestrales de diferencias de prcpordónes de doe poblaciones distribuidas binomialmente con parámetros pt.

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

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

etc. En este La primera clase o categoría. se conoce como d¿süribución de frecuencia o tablade frecuencia. Tabla 5-2.5:3.5 y 62. o por un polígono de frecuencios uniendo los puntos medios de los techos del histograma.'J ir z 61 64 6t- l0 ?3 76 (pulgadas) Estatura (p [:ig. 5-1. es difícil observar las diferentes características o computal estadísticos tales como la media.5 se conocen como límites reqles de clsse. como se muestra sombreado en la Fig. Orden3mos los datos en clases o categortbs y determinamos el número de individuos que pertenecen a cada clase. DISTRIBUCIONES DE FRECUENCIA RELATIVA Y OJIVAS estudiantes err cada clase. se llama marca de clase. la frecuencia relativa o porcentual correspondiente a la clase 63-56 es 18/100 ó 18'i.5 pulgadas mientras que unaregistrada como 62 pulgadas realmente está entre 61. Si en la Tabla 5-2 registramos la frecuencia relativa o porcentual en cambio del número de . que puede tomarse como representativo de la clase.5. Por esta razón es útil organízar o agrupar los dofos. Ya que una estatura registrada tromo 60 pulgadas realmente está entre 59. el resultado sería una distribucíón de frecuenciarelatiua oporcentual.) de tro estudiantes É tr-r (::i t'.Por e¡emplo. DISTRIBUCIONES DE F. 5l TEORIA DE iúUESTREO 163 definiciones son análogas a esas dadas para poblaciones en el Capítulo 3. se ¡nuestqan en la tabla anterior.-r-l correspondientes a esta clase Ia correspondiente frecuencia de clase es 5. .5--65. Puesto que 5 estudiantes tienen estáturas casoc:62.5 los números 59.cAP. podríamos haber registrado el intervaIo de clase como 59.. El ancho del intervalo de clase 7-ésimo. El histograma correspondiente es entonces semejante al de la Fig. por ejemplo. EI punto medio del intervalo de clase.'RECUENCTA Si una muestra (o una población) es grande. Algunos de estos.5 y 60. La ordenación resultante. denotado por c¡r que comúnmente es el mismo para todas las clases (en cuyo caso se denota por c).5-59.:) riri {l¡ ¡ lii 12 o ilr -71 27 8 . denominada la frecuencia de clase. conjuntamente con los dados.5. 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.l . La suma de ias áreas es 1 ó l-00'. Es interesante observar que Ia gráfica parece indicar que la muestra se extrajo de una población de alturas normalmente distribuida. inciicadas por 6G-62.5 pulgadas. etc.5 y 62. Distribuciones muestrales para estos estadísticos. Como ilustración suponga que una muestra consiste de las estaturas de 100 estudiantes de la univelsidad XYZ. consiste de estaturas desde 60 hasta 62 pulgadas. o al menos sus medias y desviaciones típicas (errores típicos). EI siguiente intervalo de clase sería entonces 62. 60-62 es 61. Io que se llama uninterualo de clase. 5-1 ercepto que el eje vertical es frecuencia relativa en cambio de frecuencia. desviación típica. Tabla 5-2 ESTATURAS DE 1OO ESTUDIANTES DE LA UNIVERSIDAD XYZ o H o 10 (pulgadas) fir) Estatnra i Número -f.5-62.5-62. puecen enct-¡ntrarse con frecuencia. En el intervalo de clase 59. es Ia diferencia entre el límite real superior e inferior.

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

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

0 otr 3.5 (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). o: 3. 5.0 8.0 7.D 6. 8). ¡r: 6 y o2 :10.6. Para una demostración general de este resultado véase hoblema I . éstas son (2.11) (1r. 8.2) (6.6) (6. (o) y (ó) como en el Problema 5.-. _Í ) .0 : itO + 6.O.05 Y ox r.2.2t (3.f. (d) I'a varianza o{. 4. Para una demostración general véase Problema 5. nuesto que segundo -:^-L-^ "" (. 5.r' = 16.0 (2.5 7.8) (11.* . + l:1. ) "l ."\.5 7.8) (8.0 5.5 9.3). 8).01. sumando los 25 números así obtenidos y dividiendo por 25. 3) (3.2) 12.0 9.11) (3. 4 135 : -.\ N _irl..5.r ) 4.1¡ muestras (2. 11).8). 6) (3.40.5 . (6.0 4.5. y la media de la distribución muestral de medias es 9. 7. 7.0.8/2 = 5. 7. (6. 3) (2. 3) (rl. Para una demostración general véase Problema 5.5 6.puestoqueel segundo miembro es 10.3) 111. 6) (8.5 + 4. elevando al cuadrado cada diferencia.8. 5.5 5.5 I.0 poniendo de manifiesto el hecho de que tÍ - (d) La varianza.U t< (.1 para el caso de muestreo sin remplazamiento.8.2. rj).!lr_115. (c) Hay iC-.1-¡ .3). ll ). de la distribución muestral de medias x es 6.?. Estas so r (2.2). ¡'.5 11.40 = 2'32 Esto pone de manifiesto el hecho de que para poblaciones finitas en las que se efectúa muestreo con remplazamiento (o poblaciones infinitas).0r 6.b - 6. 10'8/5 .0 es 8..11) (8.11) (6.6).166 TEORIA DE MUESTREO lcAP. 11) La selección (2. (2. de acuerdo con el valor anterior.0 5.5. se considera la misma que (8.4.5.o2/ N . (2. + (9.2) (11.0¡:: -f -' . de la distribución muestral de medias se obtiene restando el valor de la media 6 de c¿da número de (1 )."2*= o2/r.5 1 4. Las correspondientes medias muestrales son 2.6) (tt.6) \2.0 -i.5 + 9.47. 11).0). 4.29.3) (6. 6. 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.6.8) Las correspondientes medias muestrales son 2. (3. 2) (8.0 y la media de la distribución muestral de medias .2\ Esto pone de manifiestrque '' .8) (6.40 de modo que o.5+ 5. (3.0)2 = 4.0 + 7. l'I1!11-q9-"'-lgl-99'":'I9't3ls 25 comprobándose que ) 150 tt - o'' t{' -.1.0. por ejemplo.11) 4.0 O.. Lo mismo que en el Problema 5.. que es el valor obtenido anteriormente.5 + 10 /r. 5. (3.to oue el sesundo miembro ^^ .0 -('25-10 - c..* 2..8) \3.5 ¿" (l 8.5 = 6. (8.05.0 6.5. El resultado final es .0. or".

67) : : (área a la izquierda de z : 0) y z : O) .3 cabría esperar una media (o) entre 66.3 La media X de una muestra en unidades tipificadas viene dada por Z X-p* aX X-68.8 y 68.5l TEORIA DE MUESTREO r67 5.5 Proporción de muestras con medias entre 66.4772 + 0.02 onzas y una desviación típica de 0. cabría esperar que la distribución muestral experimental de medias se distribuya aproximadamente normal con media 68.0 : 0.6 pulgadas y puede. \a) p*.4 en unidades tipificadas: (66. habría mucha aproximación entre las dos disbibuciones muestrales. la media y desviación típica esperadas serán muy próximas a las de la distribución teórica.6 (o) 66.4 pulgadas? ¿En cuántas muestras del Problema 5.3.4 pulgadas . Así se tiene.304 o cero.0098): 0. por tanto. pues.02 onzas. Supóngase que las estaturas de 3000 estudiantes de una universidad se distribuyen normalmente con media 68.3 en unidades tipificadas : : (66. puesto que el número de muestras es grande. para todo propósito práctico. 5.68. (b) menor de 66. (b) 66.0 pulgadas y Yox=- ox = o=3 \/n {zs = 0.0)/0. 0.4962 : -2. considerarse la misma que en el muestreo con remplazamiento. Si se toman 80 muestras de 25 estudiantes cada una. Sin embargo.6 pulgadas 3000 3000 (b) p* = p - 68.4.8 y 68.6 pulgadas.1915 : 0.(área a la izquierda de z : -2.8 .(área entre z : 0. sino solamente una distribución muestral experimenú¿1.6 : -2.5.5) : O.0038 -2 A7 Entonces el nhmero de mueshas esperado es : (80)(0.67 Proporción de muestras con medias menores de 66.25 -1 que es ligeramente menor que 0.4 - 68.5 - 0.5\ :(áreaentree:-2yz:O) * (área entre z : O y z : 0.6687 Entonces el número de muestras esperado es (80)(0. Hallar la probabilidad de que una muestra af azar de 100 cojinetes elegidos entre este grupo tenga un peso total (c) comprendido entre 496 y 500 onzas. Por ello.0 pulgadas y dewiación típica 3.0 pulgadas. = tL = 68. que son muchas más de 80.3 pulg. 5-3 5.8 en unidades tipificadas 68. De aquí que con 80 no se obtenga realmente una distribución muestral de medias.0)/0.67 0.30 onzas.0 0.0 pulgadas y desviación típica 0.0)/0. Fig. cojinetes de bolas tienen un peso medio de 5. Quinientos onzas.6 : -2. (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. : (área bajo la curva normal entre z : -2. (b) de más de 510 Pa¡a La distribución muestral de medias ox- o yn !* = p = N-n N-1 5.3 .cAP.6682) ó 59.68. pulgadas.0pulgadas o vn N-n _3 N-1 \/% .6 (68. ¿cuál será la media y'la desviación típica esperada de la distribución muestral de medias resultante si el muestreo se hizo (o) con remplazamiento. Así.30 500 /ioo 500-1 - 100 0.02 ? .0 y z : O.

96\ (área a la derecha de z:0) . se pide Ia probabilidad de que el número de caras se encuentre entre 47.O27 : -2.ruo2. X2.0. 3-7 " x.96 en unidades tipificadas: (4. tenemos l¿-12 E(X¡) = * Entonces ya que la media muestral se define como -Y='' x..00 - 5.5 y 72. '1-.7. la cual tiene media ¡1. Se procede como en el Capítulo 4. mediante la aproxlmación normal a la binomial.+-\1L tenemos como se requiere l E(X) = ]lEtX.) - ..02)lO.96 ) El peso total se éncontra¡á entre 496 y 500 onzas si la media de los 100 cojinetes y 5.7 4) (áre^ entte z : -2.5.6.96 5.O27 : 2.7 4 y z : O) = 0. Se consideran los 120 lanzamientos de la moneda como una muestra da la población infinita de todos los posibles lanzamientos de la moneda.E6)) = L(rr\ = t! 6.7 4 : -2.02)lO.4985: 0.5 se encuentra entre 4.027 5. Puesto que X1. Tenemos .+"'") =.22 y z : -0.96) :0.t - .5.(área entre z : O y z = 2. Se 1-2O. En esta población la probabilidad de cara es p : I12 y la probabilidad de sello es C :1P : l12.. (x1) r rI (x. .5-5 5.10 .O2\10. X. DISTRIBUCION MUESTRAL DE PROPORCIONES 5. Demostrar el Teorema 5-1. (a) ' pide ra probabilidad de que el número de caras en los 12Q lanzamientos se encuentre ent¡e 4O(/o de 6 48.ttr rr"rr"n Var uuri^X.0015 : (área a la derecha de z Así.5-4 (ó) El peso total excederá de 510 onzas si el peso medio de los 100 cpjinetes sobrepasa las 5. página 158.168 (o TEORIA DE MUESTREO lcAP.0. son ina"p"nl'i"nt".22 : --0. página 158. Puesto que el número de caras es una variable discreta..+ "' + -' Entonces puesto que X¡.2704 : 0.00 en unidades Probabilidad pedida tipificadas : (5.8. F'ie.. y 6Ol/" de l2O.00 onzas. 6 72. Hallar la probabilidad de que en 120lanzanientos de una moneda el número de ca¡as (o) esté comprendido entre el 40% y el60%.(.10 onzas. 5. solamente se darán 3 casos cada 2000 de obtener una muestra de 100 cojinetes con un peso total superior a 510 onzas.216-1 (área entre z : : 222 -074 Fie. 4..10 en unidades tipificadas: (5. Demostrar el Teorema 5-2.96 Probabilidad pedida : 2. (b) sea 5/8 o más del número de lanzamientos. tenemos por los Teoremas 3-5 y Var (X) -f vu..(área entre z : -4.5 .48(i8 .pues.. son variables aleatorias que tienen la misma distribución que la población.22 y z : O\ .

0r56 - 0.8. Cada persona de un grupo de 500 lanza una moneda 120 veces.5 .28 _ y 0.9.00417) en unidades tipificadas Probabilidad pedida .65) : 0.4857) : Aunquees:cresultadotiene dos cifras significativas.74% de ellas con porcentaje de ca¡as entte AOVI y el .idad pedida = 2.0456 40Vo enunidades tipificadas 60o1c -2.00.(áreaentre z : 0 y z : 2. i:abe esperar el encontrar un97.1. que 0'00417 0.28 que concuerda con lo obtenido por el primer método.5 en unidades tipificadas = 72. las proporciones pedidas en unidades tip! 0.977 4 ttp=P:i=o.60.117 l1 a 0.50 0.48 . 5l TEORIA DE MUESTREO ¡r: núrnero de ca¡ae esperado . Así pues.00417) corresponden a las proporciones 47.28) 2(O.28 : : : Otro método.48 Probai¡ .0040 -_ 0'6250 5. puesto que 5/8: - 0. (b) 518 o más de sus lanzamientos resulten cara? Este problema está estrechamente ligado al Problema 5.6250.50 = _2.0'60 = 2.6250 - 0. ¿En cuántos individuos cabe esperar que (o) el númoro de caras se encuentre entre eI 40% y el 60% desuslanzamientos. (o) En el apartado (o) del Problema 5. de la población infinita de todo.0041 7.19 : 2(0. Teniendo esto en cuenta se resta 11 Z" = Al¡.40 0.0.65\ : (área a la derecha de z : 0) . (área bajo la curva normal entrez=-2.40 72.t9 yz : 2.cAP.detamaño 120 cada una. puesto que L1240: 0.60 5.0456 = 2. = . Adviértase que (0.5/120 y (b) Empleando el segundo método de (o) se tiene.28y2:2.I9 en unidades tipificadx: ffip z sí la probabilidad pedida es el área bajo la curva normal entre 0.0041?-0.fn ficadas son.00417) y (0.uo ". 0. Aquí se consideran S00muestras.5 .28) 2(área errtre z : O y z : 2.40 y se Buma . de 0.60 + 0. puesto que no se ha utilizado el hecho de que la proporción es realmente una r¡ariable discreta.s los posiblea l¿nzamientos de una moneda.5 5.86 : (área bajo la curya normal a la derecha de z : 2.0456 (0.8 se ha obtenido que todas las posibles muestras de 120 lanZamientos de una moneda.=1p= ^FY = 120 = 0. = 2. - 0.4887 ) : O.51720 del primer método. no concuerda exactamente.I9 : -2.60+0.5 en unidades tipificadas = - 60 72.971.np = rzo(!) = oo o= 47 \/"pq 47.4960 : 0.

5 y'1+oo)1onz)¡rsg : 2. hubiese obtenido 0. (b) 1000 individuos elegidos aI azarde entre la población votante se hubiese obtenido una mayoría de votos para dicho candidato.1056 Si no se hubiese aplicado la conección se hubiese obtenido 0. En ó00 muestras se puede esperar 97 .5025 en unidades tipificadas : (0.5000.489 : 1I individuos cabe esper:ü que su número de caras no se encuentre entre el 4O% y el 6O% de los lanzamientos.2t) : 0.5 en unidades tipificadas : " : {"w : (11.4G y ". (2()'o de 400) = 3 Entonces 11.5 y así la proporción sería 100.00125. Este tipo de error es un rresgo que se presenta siempre que se trata con probabilidades. 12 o más significa 11. (a) Puesüo que I.1131 .={-= .5000 - 0. 0.170 TEORIA DE MUESTREO lcAP.5000 + 0.1056.7 4% de 500. Los resultados de una elección demostraron que un cierto candidato obtuvo el 46% de los votos.5025. Se ha encontrado que el 2% de las piezas producidas por cierta máquina son defectuosas. una mayoría se obtendría en la muestra si la proporción en favor del candidato fuese 0.0352 L12n: ll40O: 0.p = :p = 0. También puede utilizarse el aegundo 5. (b) 2% o menos? PP'=P=0.14 = 20 0.0714 se : O.18) 0. (Esta proporción puede también obtenerse dándose cuenta que 101 o más indica mayoría.02 (o) y oP=tE= : 1/ 0.) Entonces.a es . sería 100.5 o más.0.5025 Probabilidad pedida : .0362: 1.0025.02(0.0764.3869 :0.02 I 0.0025 : 0.8 : - 1.21 (área bajo la curva nonnal a la derecha de z : l.11.007 Mediante la corrección para variables discretas. Se sigue que en 489 individuos se esperaría que su número de caras se encontras€ entre eI 4O% y el 6O%. 1/800 0.46)/0. Es interesante advertir que en 500 .0040) de sus lanzamientos sean caras.oo125)enunidadestipificadas=W=|.0'02 -: 0..5025 o más. (3% de 400 ) : 12 piezas defectuosas.5/200 = 0.25 y como antes la probabilidad pedida (b) {0.5 6OVo.50 + 0. Tales individuos pueden razonablemente sospechar que sus monedas no están bien hechas aunque sí lo estén. : 2 personas se esperará que los 5/8 o más 5.. L/2tt. En concepto continuo. (b) Razonando como en (o).-' 0. ó 489 muestras con esta propiedad. pero ésta.26): 0.00125) en unidades tipificadas 0'02 r 010q1?5 . método del apartado (o). ¿Cuál es la probabilidad de que en una partida de 400 piezas sean defectuosa.8)12.18 Probabilidad pedida : : (área bajo la curra normal a La izguierda de z 0. p0.o3_o. se concluye que en (500X0.10. se tiene (o. como variable continua.57L4 Si no se hubiese aplicado la corrección. Otro méüodo. Determinar la probabilidad de que de (a) 200.25 hobabilidad pedida : (área bajo la cu¡va normal a la derecha de z : I.s (o) 3% o más.98) v = 400 _ 0.

m=!T.4964 DISTRIBUCIONES MT.5000 - 0. ofi.6l (b) pp TEORIA DEMUESTREO = p: 0. sacado de (o) esto concuerda con el resultado general FLtr_uz= y (b).. (b\ pu.) o (e) .7 g .' ¡ecado dc 5..6g) = 0..iu.-(e) ou".' Éiinz. o.13. [.. = varianzadelzpoblación U. Calcular (a) *u. 8 y U2 lavariable de los elementos de lapoblaciín2. = població n lJn = f._ri. = varianza de la población I/' (3-6)2 + (7-6)2 + (8-6)z _ 33 a2u. 14 (d.. ¿cuál es la probabilidad de que las bombillas deA tengan una du¡ación media que sea al menos (a) 160 horas. Las bombillas eléctricas de ün fabricante á tienen una duración Lned.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. @). -3)2 + (3-3)2 + (4-3'¡z b L7 3 Eeto concuerda con el reeulüado general para muestras independient"" ou. = mediadelapoblaciónU. rnientras que las de otro fabricante B tienen una duración media de 1200 horas con una desviación típica de 100 horas.j ut-v2 (6-3)21(-. y 0.69 Probabiliüd pedida : (área bajo la curva normal a la derech¿ de z = 2...]ESTRALES DE DIFERENCIAS Y SUMAS 5. = (2-3)2 * (4-3)2 =l ó ou"= l..a demostración del resultado general se deduce del Teorema g-7 . = FLrt = 4Lrr. = media de La ]{S*?*8) = l.5025 en unidades tipificadas = ff*s : 0._u".46@Ba)/1000= 0._u.46. Sea Ut la variable de los elementos de la población 3. (t) vr.Ur) Fur-u. (f) n'u r- u" = mrianza de la población (U 1- U 2) (1-3¡z + (5-3)2 + Oo. (b) 250 hóras más que las bombilhjde B? .4.) nu.0036 = 2. = t/f.= \Ej7r-.ia de 1400 horas con una desviación típica de 2OO horas. ou.12. (f..q/n = y'd. 7.cAP.0158. Si se toman muestras al aza¡ de 125 bombillas de-cada fabricante. (o) (b) (c) Éy. (d) V @ ).. 6 r¿.

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.

VARIANZA Y MOMENTOS PARA MUESTRAS 5.2. así por ejemplo. formados por 76.5. el porcentaje de lanzamientos en los que haya menos de 2 caras es igual aI porcentaje en las que haya menos de 1.8 18. Cuatro grupos de estudiantes.8.2.23 caras. Entonces _ )/¡ n . La Fig.5 100..75.5-ll (c) La representación gráfica puede indicarse como en la Fig.8 5.5. 5-12 Fig. de modo que eI mismo porcentaje l8.3.0 o o É o C t{0 6 N^^ Eou o O .4.8.aparece para todos estos valores (indicado por la línea horizontal). respectivamente.2 52. 153 y 140 libras. cinco 4.56 ó 1. 5-11 es Ia más lógica para representar datos discretos.10 N-^ EOU G' o :! . dos 6.8. La Fig.4. dos 2 y tres 8.2ol.10 Hzo o lzo A 0123456 Número de caras 6 0123. L48.TEORIA DE MUESTREO Nfimero de lanzamientos Nfrmero de caras (frecuencia acumulada ) 0 Porcentaje de lanzamientos (frecuencias acumuladas porcentuales) 0. 5-9 y 5-10 de la parte (a). Método l. 1. Nótese que las Figs.4.4. Hallar la media aritmética de los números 5.6.(6)(5) +(2)(3) +(2)(6) + r5)(4) I (2)(2) +(3)(8) 6+21-2+5+2+3 96 20 = 4. 20. .5. 5.0 3.6. 5-12.10 y 18 individuos registran una media de pesos de 162. Hallar el peso medio de todos los estudiantes. 5-11 o en la Fig.4 81 .32. dos 3.3.6. 5-11 y 5-12 corresponden a las Figs.31.1 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?. 2x It 5 qA +3 | fi + 5 + 4 + 5 + 2 + 8 + 6+ 5+ 4 + 8l. Hay seis 5.3 + 4 + 5+ 4 + 8 1 2+ 5+ 4 20 =ñ:n'" Método 2.4.1 Número de caras Fig. 5-12 muestra el polígono de frecuencias acumuladas u ojiva de los datos y los trata como si en esencia fuesen continuos. CALCULO DE LA MEDIA.

67. alcú" 2f¡u.. 5. La media está dada por fi _ 2f¡r¡ = = nnnn. Entonces la desviación de. La solución puede ordenarse como se indica en la Tabla 5-10. Utilizar la distribución de frecuencias de estaturas en la Tabla 5-2. El método se denomina el método claue y debe emplearse siempre que sea posible. = a*c! )/'rr' .página 164.64. etc.r¡ con respec[o a alguna marca de clase determinada a. pulgadas. es igual al tamaño de intervalo de clase c multiplicado por algún entero u¡.t yaque n=2f¡. Elproblema entonces se reduce a encontrar la estatura media de 100 estudiantes. -.¡ (tambiénescrito brevementecomor =a I cui. XYZ. T abla 5-lO 5. )fu = l5 u = "*(?t..rj. etc.34. si 5 tienen una estatura de 61 pulgadas. etc. )/'(o*crr¡) = o>f..35. Derivar la fórmula clave (27).34 para hallar la estatura media de los 100 estudiantes de la Universidad XYZ (véase Problema 5-33).45 pulgadas .33. se consideran como teniendo estaturasde 61. Adviértase que todos los estudiantes con estaturas de 60--62 pulgadas. Véase Problema 5. para hallar tatura media de los 100 estudiantes de la Universidad. Utilizar la fórmula clave del Problema 5. para la media aritmética. la es La solución se indica en la Tabla 5-9. 63-65 pulgadas. 18 tienen una estatura de 64 pulgadas.)" = 67+ (i%). especialmente para los casos en los que los números son grandes y hay muchas clases. 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 >/ - + . Denótese la clave de marca j-ésima por . es decir r¡ -o:cltj óx¡: a *cu. Técnicas breves se encuentran disponibles para disminuir el trabajo en tales casos.ffiq = 6?.35.. por ejemplo. xj . pígina 163. 5 = 150 libras 5.180 sfn TEORIA DE MUESTREO lcAP.o.45 pulgadas Los cálculos involucrados pueden conveitirse en tediosos.

45 pr. Como en el Problema 5.Do 18 42 27 8 0.4.150)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.8)2 = 2QA (2_20 4.r\2 n 15(162.rlgadas.0L25 214.45 lr - fr)¿ Frecuencia 5 / f(r ñ\2 60-62 63-65 66-68 69-71 -6.10 libras.9025 208.92 pulgadas 5. Entonces n20 _ 59.2460 8.33.38. aír 20 Méüodo 2.5025 30.2025 6. [.7500 f(r TL n\z 852.20 20 2.45 2.a solución puede ordenarse como se indica en la Tabla 5'11.u.34 tenemos ri = a + cui y ft = a*c'" 2f. 5.31.6 (libras)2 : \6bS libras : 8.8. . Como en el Problema 5.cAP.4200 n=)/=100 2 2f(r-ñlz= 852.8):¿ + 3(8 - 4.31 tenemos ú = 4.55 o. Hallar la desviación típica de las estaturas de los 100 estudiantes de la Universidad XYZ Véase Problema 5.6025 11. Tabla 5. donde hemos utilizado el hecho de que las 5.7500 100 = {dEfB = 2. Hallar (c) la varianza y (b\ la desviación típica para los números en el Problema 5. 5l TEORIA DE MUESTREO 181 5.8025 72-74 246. : y'Gb. " 2f(r-r\2 _ n 6(5 . para lavarianza. x: 67.45 -0. página 164. = +:q = 65'6 en unidades libras cuad¡adas o (libras)2 .33. (o) Método 1.11 Estatura (pulgadas) Ma¡ca de clase 61 r r- r-r = 67.39. = a*cú' t¿ . Del Problema 5.DO'O 64 67 70 73 -3.8)2 _ (b) De (o\.32.5050 I¡D.z - 2 f(r .20 . Derivar la fórmula clave (28). HaIIar Ia desviación típica de los pesos de los estudiantes del Problema 5.96 y "-rfzs6=1.36.36. s2 = 59.45 4t.37.

La solución puede ordenarse como se indica en ta Tabla 6:12.o._ "o¡.<"? .f ¡@.> f .L82 Entonces s2 TEoBTADEMUEsTREo [cAp.39 para hallar la dewiación típica de las estaturas en el Problema 5. Tabla 5-12 r 61 u t D fu -10 -18 0 fuz 20 18 0 64 +67 70 73 -2 -1 0 1 18 42 27 8 27 8 27 32 2 z=)/=100 5./¡¿)'l = ¿21¿ . De la frltima columna tenemos ¡ como en el Problema a2 = "rfL>l!'.33. cr¡atro momentos con respecto a la media para la distribución de estatu¡as Continuando el método del Problema 5.- o¡.u? = ¿2 ¿2 * .\t 't t l = = ".-a¡z i) = "i 2 ¡ .35.40 obtenemos la Tabla 5-13.az¡ n \n /l = ta)'f-re? / rs Vl = Ltoo-\t*/J ^ ó'b-275 y s: 2.1"u. 2lu=75 )fqz = 97 lalEr lo-s primeros del Problema 5. Utilizat la fórmula clave del Problema 5.'1 \fu/J _ ú2]l 5.33.u. = ¿2. : }> f .{r. + c2úz *> r.40. 2 't t 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 .92 pulgadas. Esto nos permite halla¡ 6.'r".41.jú. b = f. + tlz) 2xt = *2 : t.u? -t t - C2[ /2f."? -'#2 2ú2c2 r¡u.f!n'LN c2[u2 (.

Asf los 5 estudiantes con esüaturas 60-{2 Tabl¡ 6-14 pulgadas s€ numeran 00-{4.33) + 6(0.1s)2] = ca(ML-gLI|Mi+ zM'Lz) = 2?[0.53-4(0. fflg = p: { (8.41. 46. cada uno de los cuales determina la estatu¡a de un eetudiante determinado.15 ML=Zy = o. Hallar los coeficientes de (o) sesgo y (b) curtosis para la dishibución de estaturas del Problema 5. tenemoe 183 M] = >fu n = 0.5275 Entonces mB = -2. .3?59 5. explicando cualquier discrepancia.5275 rttt Coeficiente de cu¡tosis as=E = : 199.14 m+ Entonces = 199.42.97) -3(0.6l Entoncee. etc. los 18 eetudiantes con estaturas 63-65 pulgadas se numeran 05-22. .15X0.6982 . 99 (véase Tabla 5-14). En forma semejante 77. PROBLEMAS DIVERSOS 5.43.3759 qa-szrgy _ 6 al = z't+ De (o) vemos que la distribución está modetadamente sesgada a la izquierda. (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. Del primer renglón hallamos la secuencia 5I. Cada Nf¡mero Estatura n(rmero de estudiantes se denomina número'muestral. 27. (c) Comparar los resultados de (b) con los valores teóricos. OL. que tomamos como n(¡meros muestrales aleatorios.cAP.15)41 : 199. (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 27.41. etc.33.6275 B(0.1b)B] = -2.BB Mí= >fu2 n y de (32). De (D) yemos que e8 menoc apuntada que la dishibución normal (que tiene un coeficiente de curtosir: 3). (o) DeI Problema 5.9?) + z(0.9? . utilizando La TEORIA DE MUESTB.15)(0. ffi2=s2=8.nL¡ = ca(M't..67 pulgadas respectivamente.3759 ffiz:s2=8. que tomamos como 67 pulgadas (la marca de elase). -0. Entonces extraeremo8 nl¡meros muestrales de la tabl¡ de nf¡meros aleaüorios (Apéndice I).53 M'r') = 9[0..88 "z1ML- 8.. 46 resultan en'estatu¡as de 70.EO notación de la página 165.15)2(0. Así 51 conesponde a un estudiante con estatura 66-68 pulgadas.5275)3 (b) Del Problema 5.. (b) Hallar la media y la desviación típica de la distribución muestral de medias en (o).4MiML+ 6M'r2ML- BMin) 81[2. (o) Emplear dos dígitoe para numerar a cada uno de los 100 estudianües: 00.97 M. lttt = ffi2= ffi3= 0 0. 02. 67.(0. 7'1.6932 a3 Coeficiente de eesgo = a.^=>+=2. 40.

24 64.28. 63. l. 34.93. 39 13.25 70. 67.67 64. 67 64.8s estatu¡as correspondientee y la est¡tun mcdb pan c¿de un¡ de h¡ 30 muegtraa flebe mencio¡rarse que aunque eecogimos el prirner rengl. 67 70.08. 45.73 67. 58 70.25 65.5 Por eete proceso obtencmo¡ l¡ T¡blr Fló quc rnue¡tra lo¡ n(¡mcro¡ mue¡trale¡ extrafdor. 05.f = n 30 4 ). 43 1f.42.04. 64.30 58. 30.25 68. 65. 31. 67. 70. 98. 55. 21.82.0L.46. 67. 12 3. 67 67. 70.73.50 68.25 Cl¡enta Í 1 u fu fu2 16 0 8 6 0 2 ñ( /t/t )#{ 6 4 A a+67.'7L.64 73.75 67.28. 46 2.67. 16.03.70.50 1. 64 67. 73.50 65.2L 10. 64.91.50 66'.ón dc l¡ trbl¡ de nl¡rncro¡ dcatoiio¡ h¡brfrmo¡ podido inici¡¡ en eualquier parte y escoger cualquicr patrón dctetmindo. g8 25.60 67. 61. 67 29.76) = 1. 03. 21.79 70.58.50 67. 56. 18 70.70.36 08. 67 67. 45.2L.52 13. 11. 58.00 extnfdo¡ Estatr¡¡as corespondientec 64.73 73. 86 6. 70. 67. 81. 70. 64 67. 67.54. 15. tt.77.00 (0'75)(23\ = * 'ñ- 67'58 Pulgadaa 2fuz />1"\' n -\ i " (0.74. 70. 70.57. 73 67. 67.33. 64 70.93 27. 56.25 66. 67. 67.00 67. 76.75 66. 90.25 67.22. 67 70. 70 6L.58 9.25 69. 70 64. 13. 64.98. 64.50 68.84 64. 64. 70. 67. 33 m.08 12. 64. 67 Ír¡f¡f media 66. 70 64.00 66.41.64.25 64. 1t. 51.64.87 26. 67. 20. Esta ee una distribución mucet¡al de mediu.00 67. 68. 73.50 66.00 64. 64. L2. 73 67. 67 64.83. Medi¡ = a*cú Derviación = o*c2fu típicr = = e - 6?. 67. 70 67.31. 19.fu. 67. 67.25 67. 19. 67 70.23. 67.75 69.25 68.00 -4 -3 -2 -1 0 1 -4 0 -4 -6 0 0 4 / 28 45 16 23 d D .64. 60.75 68.64. 67. 73.93 5.184 TEORIA DE MUESTREO lcAP.70. 53.75 69.6L. 67. 75. 06.70 medi¡ 67. 70.32 8.00 68. 67.00 66. 67. 10.91.24.97 24.00 70.27.02. 07.25 69.50 69. 6? 15.99 23.69. = 2 fuz = 123 (b) IÁ Tabla 5-16 da I¿ di¡tribuci6n de ftecuc¡rci¡¡ dc I¡ media muestral de las estaturas obtenidas en (o).96. 40.75 65.25 69. ?1. 67.64.44. 87 fl. 10. 42.91.62 4. 67.09.64.96. 73. 73.67 67.93 14.64. 51. 6L. 70. 93.70 Trbl¡ 6-16 Media muestral 64. 67.79.74.25 67. 67. 59.50 68.41 pulgadar . 67 . 96.50 79.97.70.50 68.54 2:2. 70. 67 70. 67 23. L¡ medi¡ y la derviación tfpica ee obtienen como es usual por los métodos claves delcrito¡ anterbrmeuüe.70 7. 70 73. 56. 07.70 70. 67. 67.6r. 73. 3 14 16 4 I l. T¡bh 6-ró Nf¡meros muesFale¡ Est¡twr¡ o- E¡la+ Nfrmeros muestralea extrafdo¡ rrcqrondieatcc 67.

4. Entonces la probabilidad de que las primeras 4 sean rnayores que ü y las 2 últimas 6ean menores que u es decir - nc. Podemos considera¡ que el muestreo es o de una población infinita o con remplazamiento de una población finita. es igual a o/y'[.0082. De la Tabla 5-1.44. El área bajo la curva normal a la izquierda z : -2. ¿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..0.0 libras.4 es (0.8%. por tanto el porcentaje pedido ec 0.58 pulgadas de la parte (b). (b) menores que 8.45. donde la dewiación típica poblacional o = 2. esto es Q\ (r) f" sean . Se escogen muestras de 200 estudiantes de esta población y se calculan las dewiaciones típicas de las estaturas de cada muestra. 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) .10.5 . ) ea el producto de (1 ) y (2). La desviación típica teórica (error típico) de la distribución muestral de medias. La desviación típica de los pesos de una población muy grande de estudiantes es de 10.8libras? La distribución mueetral de desviaciones típicas es aproximadamente normal con media 10.8 libras en unidades típicas : (8.0 libras y desviación típica 0.50Ib v400 5. (a) : 11.92 pulgadas (véase hoblema 6.con el valor de 67.50 : -2.1 aJ.10.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.44 tendrían dewiaciones típicas (o) mayores que 11..46. 5.f 'LJ" f t@ta*l'/t. /(r) tr..g2/fi = 1.0.45 pulgadas (vóase hoblema 5. estamos de acuerdo con el valor de 1.0 libras.0)/0. Í:-lÍ.a a.r. 5.33).) ps: o = ts=-' o 10.46 pulgadas.cAP.0 lb ( lr) \/2" + = 0. Hallar (c) la media y (b) la dewiación típica de la distribución muestral de las dewiaciones típicas.0 es (0. . de acuerdo. por tanto el porcentaje pedido es 2.8 . ¿Qué porcentaje de las muestras del Problema 6. Las discrepancias se deben a que solamente 30 muestras fueron seleccionadae y el tamaño de la muestra fue pequeño.41 pulgadas de la parte (b). Una muestra de Por 6 observaciones se hace aleatoriamente de una población. es ig¡ual.5 .a la media poblacional ¡r que 67.0 libra¡ en unidades típicas: (11.4772) = 0. pfuina 162. dada por a¡.3'/'.?d L -r.t.5l (c TEORIA DE MUESTREO 185 ) es t a media teórica de la distribución muestral de medias.0228. El área bajo la curva normal a la derecha de z 2.r . dada por o*.l' ra.". ¡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 €.0 . tenemos: ( ¿[.0.) au . de (b) 8.4918) : 0.40) y el tamaño de la muestra n : 4.' ¡p¡ a*)"lJ'"-r.50 : 2.t J. Puesto que o/t6':2.0y0.50 libras.

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

adecu¡das.á. el lado izquierdo e8 cero.p) = -Noz r \ -2 'r' X¡) = . (d) la dewiación típica de la distribución muestral de media¡.N\N-rl' 't/ 5.51.N-1J '¿\N-1/ Problern DISTRIBUCION MUESTRAL DE MEDIAS a. Demostrar que (c) la media y (b) la varianza de la media muestral del Problema6. NÉ y la primera suma en el lado derecho er igual por definición.4L onzas? y 22.cAP.51 si la población 5e compone de 22 cojineter.1'".38 o mayor de 22..62.. g (o¡ - p)(o. Loa peeos de 1600 cojinetes de bolas se distribuyen normalmente con medla 22.LL. ó. Resolver el Problema 6.48.40 onzas y dearriación tfpica 0.50. 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. 5." +a¡v = a N 02.¡ = . (c) la media de la digtribución mueshal de medias. En el Problema 5.42 onzae. Considerar toda¡ lae posibleamuestrasde tamaño dos que pueden extraers€ de esta población con remplazamiento. (b ) la dewiación típica poblacional. (b ) sin 6.7. Por tanto I+v:l Cov (X¡. Resolver el Problema 5.á var(X¡) * .a7 @)..(n_'.39 onzas.47 están dadas respectivamente por t*= (o) E6) = "1 =*"(x=) /X' +.f x"\ D p (. (b) sean rnayor de 22. cov(x¡. Si se erüraen 300 mueetras de tamaño 36 de e¡üa población.N-1 ^' . y el Problema 6-4?.49.iE(x)+"'+E(x")l 1 =1 n (p -r "'+p) donde hemoe empleado el Problema 6.53.) = #[. obtenemos var(x) = Sv^.(. remplirzamiento.37 onzaa. Una población est6 formada por los cuatro nfrmeros 3. ya que por definición a1 187 -la2+'.e 22. Hallar (o ) la media poblacional. (d) ¡ean menor de 22.( rr-:--r l(-.048 onza¡.' " ) = . 15. (c) sean menor de 22. = p (b) Uüilizando loe Teoremar 3-5 y 3-16 (generalizadoe).49 si el muestreo fuese sin remplazamiento.6l TEORIA DE MUESTREO En esta ecuación.rlo s 6.51. . Encontrar (c) v (d) directamente de (c) y (b) mediante las fórmula¡ 5.Ét ".(-r¿_ i)] = Lfr-"-rf = 4(N-"\ nl.Ét suplernenta.4L .x¡)] = #ú* *. ¿en cuántae de lag mue¡tras aleatoria¡ cabe ecperar que sus medias (a) ertén enl'l.

(c) mayor de 820 horas. se pueden usar hojas de papel. respectivamente. rojas? 5.57. Explica¡ la diferencia.66.' ¿Cuál es la probabilidad de que dos grupos de estudiantes.66 si las exüracciones son sin remplazamiento al obtener cada colección. Hallar la probabilidad de que una muestra aleatoria de 16 tubos. comprobar que . (d) 10 o más bolas blancas? Dseña¡ un experimento que ponga de manifiesto los resultadoe del Problema 5.63. En lugar de bolas rojas y blancas. Los pesgs de los paquetes recibidos én un departamento de almacenamiento tienen una media de 300 libras y una desviación típica de 5O libras.57 si se consideran 100 en lugar de 200 niños resultados. sob¡e las que se escrriba la inicial . 5. (c) 8 bolas rojas y 12 blancas. Ciertos tubos fabricados por una compañía tienen una duración media de 800 horas y una dewiaeión típica de 60 horas. Se extraen dos cotecciones de 30 bolas cada una con remplazamiento y s€ anotan sus colores.54. 6. (ó ) entre el 43% y el 57% sean niñas. (b ) entre el 4O% y el 60% sean niñas. Si normalmente el 6Vo de las bombillas es defectuoso. (c ) el 63"h o más sean niñas? Resolver el Problema 5.69.60. (c) más del 640/o sean niños. Un fabricante despacha 1000 DISTRIBUCIONES MUESTRALES DE DIFERENCIAS Y ST'MAS 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. tomada de entre ellos tenga una duración media de (a) entre 790 y 810 horas.6 6.5t. 5. ¿Qué enores pueden introducirse al utilizar dos conjuntos diferentes de monedas? lotes de 100 bombillas cada uno.54 si la muestra extraída ee de 64 tubos. 5. Los resultados de una elección mostraron que un cierto candidato recibió el 65% de los votos. sacadas de la urna con rempliazamiento. (b) menor de 785. 5. que tienén unas registencias . ¿Cuáles son las probabilidades del Problema 5. (c) entre 2 y 5 Una urna tiene 60 bolas rojas y 40 blancas.56.63 si se comprueban 100 cables de cada fabricante? Explicar las diferencias.62. 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. (ó) al menos 450 libras más que A? 5.59. y explic. ¿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. 5. haya una diferencia superior al1^o"k en las proporciones que votaron por dicho candidato. Si U¡ y U2 son los co¡r¡\ntos de nhmeros del Problema 5. ¿en cuántas cabe esperar que (o) menos del 4OVo sean niños.nedias a larotura de 4000 y 4500 libras con desviaciones típicas de 300 y 200 libras.61. (b) 98 o más bombillas buenas? 5. A y B fabticzn dos tipos de cables.6?. (d) enhe ??0 y 830 horas. que es de 8200 libras? DISTRTBUCION MUESTRAL DE PROPORCIONES 5. 6.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.6t. ¿Cuál es la probabilidad de que las dos coleccionee difieran en 8 o más bolag Resolver el Problema 5. 5. Supónganse iguales las probabilidades de nacimientoe de niño y niña. 5. difieran en su puntuación media en (o) 3 o más puntos.el 4Oi'o sean niños.55.64. respectivamente.60.12. (b) l2 bolas rojas y 8 blancas. De un total de 1000 muestras de 200 niños cada una. ¿en cuántas cabe esperar (a) igual número de bolas rojas y blancas.65.R o I en las proporciones adecuadas. ¿en cuántos lotes cabe esperar (o) menos de g0 bombillas buenas. formados de 28 y 36 eetudiantes. llallar Ia probabilidad de que de los próximos 200 niños nacidoe (o ) menos d. Lo mismo del Problema 5. (b) 6 o más puntos. Hallar la probabilidad de que en dos muestras aleatorias compuesta cada una de 200 votantec.188 TEORIA DE MUESTREO lcAP.

80 si las desviaciones típicas de las duraciones son (o) ambas 40 horas.79.0 voltios y la dewiación tfpica 0.50. respectivamente.72 ei el muestreo es sin remplazamiento. Una población normal tiene una vari¿nza de 15. la de la segunda. ó.699 700 .8 o másvoltios? DISTRIBUCION MUESTRAL DE VARIANZAS 6.54 libras. (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) el error tfpico de varianzas. La Tabla 5-17 rmuestra una distribución de frecuencias de la duración de 400 tubos de radio comprobados en la L & M Tube Company.5 veces la otra mayor que 0. Una en tanto que muestra de 8 bombillas se toma de A y 16 de 8. donde ? tiene.97 y 62. DISTRIBUCION DE FRECUENCIA 5. (d) Límites reales de la última clase. referencia al Problema 6. La duración parz A tiene una desviación de 40 horas la duración de B tiene una desviación típica de 50 horas.i se confirman por este valor y explicar cualquier diferencia.60. De acuerdo con la tabla de distribución ú de Student para 1 grado de libertad (Apéndice D) tenemos P(-1 < 1) : 0. (b) se encuentre enüre 50 y 70 horas.82. ¿Es la probabilidad de que una ttarianza sea mayor que 1. ¿Cuál er la probabilidad de que cuatro de estas baterfas conectadae en serie tengan un voltaje conjunto de 60.54 libras con dewiacionee típicar de 0.71. (b) 7. Explicar cómo podría utilizar el Teorema 5-7. ¿qué porcentaje puede tener varianzas (a) menores que 10. DISTRIBUCION MUESTRAL DE RELACIONES DE VARIANZAS 5. Verificar si los resultados del Problema 5.01? Dos compañías.E0. (c) Marca de clase de la séptima clase.8f .70.599 600 . (g) Flecuencia relatir¡a de la sexta clase.499 500 .999 300 1000-1099 1100-1199 las 600 horas.73. (h) Porcentaje de tubos cuya duración no sobrepasa .74. (b) ou1+ur = \Grtr. A y B fabrican bombillas.0.tubos aleatoriamente hallar la probabilidad de que la dewiación tfpica muestral (o) no exceda a 50 horas. página 161. y Se halla que CASO DONDE SE DESCONOCE LA VARIANZA POBLACTONAL 5.5I TEORIA DE IIIUESTREO ttur2 189 (a) 4.tr*Lrr: ru. Si se extraen muestrae de tamaño 5 de esta población.49.376) .3?6 < ? 1. una distribución ú de Student con r. 6 Frecuencia de Ia cua¡ta clase. entie 0.05 y 0. ?s 6.48.399 400 .01. 6. Determinar la probabilidad de que la varianza de la primera muestra sea mayor que (o) dos veces.49 se confi¡man utilizando (a) P(-1 < f < 1) = 0. para diseñar una tabla de distribución f de Student como la dada en el Apéndice D. Se pesan tres cantidades dando 20. 6.77.72. (e) Tamaño del intervalo de clase. hallar (o) Ia media de la distribución muestral de varianzas. TOTAL 400 .46 y 0. Hallar (o ) la media y (b ) la desviación típica de la suma de las cantidades. o menor que 0.cAP. (b) Límite inferior de la octava clase. Reeolver el Problema 6.799 800 . Si se seleccionan 10 .78.50. = 5. Número de tubos L4 46 58 76 68 62 48 22 6 Solueionar el Problema 5. Tabla 5-17 Duración (horas) 5.75. Dos muestras de tamaños 4 y 8 se extraen de una población distribuida normalmente. 5. Verificar si los resultados del Problema 5. I 6.05.899 900 . (b) ambas b0 horas.0.21.?6. Con 6. = 1.2 voltios.2 veces.35. El voltaje medio de una baterfa e¡ de 15. (b) mayores que 20. (ó) P(1. Con referencia a esta tabla determinar: (¿) f 'ímite superior de la quinta clase.

324.88 consüruir (o) un histograma. (d) una ojiva porcentual.740 0. ocho 8. Con log resultados del Problema 5.736 0. 0.72t 0.730 0.386.738 0.734 0.742 0.0.740 una 5. Una 6.63.?38 pulgadar. (c) una ojiva.82.0.327. Resolve¡ el Problema 5. (c) di¡tribución de frecuencias relativas.330. (b) una distribución acumulada relativa o porcentual. Hallar la media a¡itmética de dichas calificaciones.739 0.91.737 0. 0. siete 7. 6. O. 82 y 96. nueve 9 y diez 10. ¿Cuál es ¡u media Las calificaciones de un estudiante en las tres asignaturas del curso fueron 77.741 0. (h) una ojiva.731 0.732 0. 93.738 0.736 0.732 pulgadas. Tles profesore¡ de economfa regieünron una ealificación media en sus eiámenes de 79.82 con duraciones de (o) menos de 560 horas. Las calificacione¡ de un estudiante en cinco aeignaturaa fueron 85.63.736 0. y 0.128 0. (e) un polígono de frecuencias relativas. (b un ) histograma de frecuencias relativas.735 0.736 0.52.735 0. DESVIACION TIPICA Y MOMENTOS PARA MUESTRAS 6.728 0.?36 0. (b) 9?0 o mág Los diámetros interiores de las arandelas producidas por una compañÍa pueden medirse con aproximación de milésimas de pulgada.78 y 89. 5.726 0.739 0. Construir una distribución de frecuencias de los diámetros utilizando intervalos de clase 5. Con los datos del Problema 5. 5.742 0.729 0. Si las marcas de clase de gna distribución de fiecuenciaa de estoe diámetros vienen dadas en pulgadas por los números 0.746 0. (f) una distribución de frecuencias acumuladas.88.735 0. ¿cuál es el promedio adecuado para sus calificaciones? (b ) ¿Cuál sería si todas las ponderaciones son iguales? 6.94. ?6. (d) un histograma de frecuenoias relativas. 5-18 niuestra los diámetros en pulgadae de una muestra de 60 cojinetes de bolas fabricados por una compañía. (c) entre 620 y 890 horas.50.96.733 0.74 y 82.735 0.735 0. (b) un polígono de frecuencias.735 0.735 0.92. Los tiempos de reacción de un individuo a determinadoe estímulos fueron 0.46.190 (i) (j) TEoRTA DE MUEsTREo Porcentaje de tubos cuya duración es mayor o igual a 900 horas.733 0.741 0.93. ó.0.321. 0.732 0. ó. 0.89 para los dato¡ del hoblema 5.333 y 0. (b) los límites reales de clase.82 construir (o) una distribución de frecuenci¿s acr¡muladas.44 los.737 0.735 0.?36 pulgadas.87.724 0. respectivamente. "de"*- Tabla 5-18 0. (c) Si las ponderaciones asignadas a cada asignatura rcn 2.(a) el tamaño de intervalo de clase. correspondientes a la distribución de frecuen- 5. respectivamente.732 0.743 0. sue clasee . (c) entre 0. Estimar el porcentaje de tubos del Problema 5.?30 y 0. CALCULO DE LA MEDIA.?30 0.736 0. 5.731 0.82.734 0. (i) una ojiva porcentual. horas.89.86.746 0. (b) no superioree a 0.734 0. hallar.729 0.740 0. Construir (a) un histograma y (á) un polígono de frecuenciae ciaa del hoblema 5. Deüerminar el tiempo medio de reacción del individuo a los estÍmu- 6. 0. ee¡ie de nfimeros está formada a¡itmética ? por seis 6.737 0.90.89 determinar el porcentaje de cojinetes de bolas que tienen diámetros (o) superiores a 0.?30 0.95. Comparar estos resultados con los obtenidos directamente de la colección de datos de la Tabla á-18. La Tabla dos. 4 y 6.725 0.727 0.55 segundos.?39 0. (g) una distribución acumuhdá porcentual.738 0.49.83.E5' Para los datos del Problema 5. lcAP.t4.734 0. (c ) un polígono de frecuencia¡ relativas.5 5.744 0. Porcenüaje de tubos cuya duración es al menos de 500 horae pero menor de 1000 horas.732 0.733 0. 0.732 0. Para los datos del Problema 5. (c) los límite¡ de clase.82 construir (o ) una distribución de frecuencias reliativas o porcentual.

(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 6.106. tlalla¡ la dewiación üípica para las distribuciones del (o) hoblema 6. .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. 19. 10.4. Calcular el diámetro medio.7 10. Calcular la media de los datos de la Tabla 6'22.7277-0.9.1.0.8-10. .2 11. ' 164. L. 11 .3-L2.?276 0. El salario medio anual pagado a todos los empleados de una compañía fue de $6000. 5.98. Determinar la media de la carga máxima empleando (a) el "método latgo". 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. 1.7.726L 0.103.g?.4.6 se obtiene la s€rie 8.3- 9.7. 6. respectivamente.7268-0. reqrectivamente. TEORIA DEMUESTREO 191 y 11 estudiantes.7279 0.5.102.5.7.0. Demostrar que ¡as dos series tienen lae mismas desviaciones tfpicas. (o) Sumando 5 a cada uno de los nl¡meros de la serie 3.7.6.7271-0.8-L3. Determinar el porcentaje de hombres y mujeres empleados en la compañía.22.7280-0.2. Tabla 5-21 60 ó.0.6.8.8-11..262-0.7249 0.99.7259-0. 25 las clases. Halla¡ i 9. 7.4. ¿Cómo están relacionadas las medias? (b) Multiplicandocadaunodelosnúmeros3.101.2 TOTAL Í 98 75 56 42 30 21 15 11 6 compañía. Hallar la desviación típica de los número¡: (a) 3. 10' L6.7282 TOTAL de de Sfmenos de 36-menos de 40-menos de 16 L2 30 36 40 45 I o 2 TOTAL 54 250 6. ó.0. Determinar lacalific¿ciónmediaparatoda8 5.104.7252 0.98' (b) 6. para los daüos de la Tabla 6'20 empleando (o) el "méüodo largo".2. pero diferentes medias. 12.cAP. Log salarios medios anuales pagados a hombies y mujeres de la compañía fueron $á200 y $4200.6por2ydespuéssumando6seobtienelaseriell.7265-0.2. L7. i) 5.?.7247-0.3-11. 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.7274-0.1273 0.100. Hallar la dewiación típica de la serie de nl¡meros de la progreeión a¡iümética 4.3-10. 2. .7 t2 17 l4 6 3 1 Tabla 6-2O fr 11.6. (b) 3. 15.2 624 2 462 480 498 516 534 552 570 588 606 12.99.7 .5l estaban formadas por 32.2. (c) 0.7267 0.7253-0.6.2.7 L2. (b) el méto' do clave. Tabla 6-19 Carga móxima Nl¡mero de cableg (toneladas cortas) 9.2 10.7250-0.7258 0.7255 0. 1. (b) el método clave. 1' 1' 5.6.7270 0.7256-0.8-r2.

Hallar los momentos de (a) primero. 20 22 2 AI. @') mt y (d) ma para los números. De un total de n números.r5.li. Calcular los cuatro primeros momentos con respecto a la media para la distribución del Prol¡lema 5.2_ Bm.114. tlallar los momentos de (o) primero.116. 5. 5. Calcular los primeros cuatro momentos con respecto a la media para la distribución de la Tabla 5-23. = nt.+.111.. - l}rnlstn" * 4n. Hallarloscuatroprimerosmomentosconrespectoalamediadelosnúmeros0. I 4 o 10 7 5. Hallar los momentos de (o) primero. (l). k) ¡¡.8 respectivamente.0.1!2. Comparar con el problema b. (c) tercero y (d) cuarto orden respecto al punto ? para los números del Problema 5.117. comprobar las relaciones entre momentos (a) mi2. 1. (c) respecto al origen. Hallar (a) ntr. (b) segundo. l. - ?n: - 1m'rm! * l}m'r2nt!.mt.126. (b) mz. Hallar (o) m t . (b) ¿eué porcentaje de diámetros se encuentra entre (r1 . 5. (b) asimetría? .111. Con los resultados de los hoblemas 5.. la fracciónp son unos mient:'as que la fracción q : 1 -p son ceros.l F. tt.lOO.119.g. determinar los correspondientes momentos (o) respecto a Ia media. (o) Hallar la desviación típica s de los diámetros de los remaches del Problema b. 5.101. teóiicos esperados.. Los momentos de segundo orden con respecto a la media de dos distribuciones son g y 16. 14.1. ¿Qué distribución se aproxima más a la distribución normal desde el punto de vista de (a) apuntamiento.. Si el momento de primer orden con respecto al punto 2 es igual a 5. 30 5. si la distribución fuese normal.120. 8. a la media de 5.nl_ thnirni+6ml2rn. 5'121. Tabla 5-23 f t2 t4 16 18 5. Si loscuatroprimerosmomentosdeunaseriedenúmerosrespectoalpunto3sonigualesa-2.r5 1.-2bybO.1 . (b) rr. Aplicar el resultado de (o) al Problema b.1o6.102(c). 17. mientras que los momentos de tercer orden con respecto a la media son -8. 5 5.gg.126 son 230y 780 respectivamente.1 y -12.98. la distribución del Problema 5. (b) segundo.L22.722.f f O.f 07.L92 TEORIA DE MUESTREO lcAP. "on 5.0.10. Demostrar que la desviación típica de La serie de números es fi. Los momentos de cuarto orden respecto a la media de las dos distribuciones del Problema6. (c) tercero y (d) cuarto orden con respecto los números del Problema 5. ¿Qué distribución está más sesgada a la izquierda? 6.2g. 11. 5.. y (i) (i+ rFpara 5. 5.98. 5'112. 3. (t l3s)? (c) Comparar los porcettajes'de (b) lo. ¿cuál es la media? 5.¡nz = ml- 5'115. (b) m.108 para los datos del problema 5. . (c) nt3.121. Véase Problema 5.124. (b) respecto al punto 5. (D ) Derivar una fórmula análoga par^rns. Hallar el coeficiente de (o) sesgo.t s). (c) tercero y (d) cuarto orden de los números 4.5. 5. (a) Demostrar que . Lo mismo del Problema 5.125. 5. t¡l F. 5. (b típica. (a) De un total de n números.111 y 5. Hallarelcoeficientede(c)sesgo. la fracción p son unos mientras que la fracción q : 1 p son ceros.111. 6. @¡.113.(b)curtosisparaladistribucióndelProblema5.-Btnini l2m'rs. Hallar los cuatro primeros momentos con respecto a la media de los números de la progresión aritmética 2. (t t 2s). (a) Hallar la media y desviación típica para los datos del problema 5. (c) lrq .127.108. Hallar (a) la media y (b) la desviación típicaparaladistribucióndelProblema de los resultados obtenidos. y comentar las diferencias observadas. (b) curtosis para la distribución del Problema 5. (b) segundo. l. ) Construir una distribución de frecuencias para los datos y hallar la desviación (c) Comparar el resultado de (b) con el de (a).11g. (f) s.123. 5.30explicandoelsignificado 5.g.109.llE. S.

. 1z+22+32+". ¿Cuál es la probabilidad de que lae primeras tres obgervaciones sean mayores que las'últimas cinco? ó. a * 2d.1 (b)Emplear(a)enel 6.a*d. ¿en cuántos lotes cabe eErerar que la mediana de duración exceda a 910 horaa? Comparar ¡u solución con el hoblema 5.136.1 5. . Si muestras de tamaño 5 se ertraen de esta población y se calcula la varianza de cada muestra. 5. (a) Demostrarquelarvarianzasdelconjuntoden nfrmerol a. (b) sin remplazamiento.a|(n-l)dson 11 ffit = 0. 5.130.fsugerencio: Utilizar - l+2+3+.134.132.131. a * d.. mt = 0. Determinado¡ tubos producidos por una compañfa tienen una duración de 900 horar y una dewiación típica de 80 horas.129(o) y explicar ous reeultados.'*(n-1)=in(n-1).115..6l PBOBLEMAS DIVEBSOS TEORIA DE MUESTREO 193 5.cAP. pfuina 160.133.+(n-l\z=fn(n-Il(2n-1).104. página 175. tno = ñ(n2-l\3n2-7'td4 CompararconelProblema 5. Una población de 7 números tiene una media de 40 y una desviación típica de 3. Demoshar que los primeros cuatfo momentos con respecto a la media de progresión a¡itmética a.... fSugerencia: 14+24 +34+' . halla¡ la media de la distribución muestral de varianzae si el muestreo ee (o) con remplazamiento..128.. Una mueetra de 8 obeervacione¡ se hace aleatoriamente de una población. (o) Hallar la calificación mfnim¿ del 2O% superior de los eetudianües. En un exarnen las calificaciones fueron normalmente disüribuidas con media 72 y dewiación típica 8.129 si la medi¿na de duración es de 900 horas.129. La compañfa envfa 1000 lotes de 100 tubo¡ cada uno. Demoetrar que Vt y Vz definidas en el hoblema 5..135. ¿En cuántos lotee cabe esperar que (o) la duración exceda 910 horar.1)a = $n(n-l)(2n-ll8n2-Bn1 ). En el Problema 5..@z-L)dz.al2d. 6.22. mz = i. son independientes. (b) la dewirrción tfpica de la duración exceda 96 hora¡? ¿Qué ruporicioner deben hacerse? 6.* (n .aI progresión aritmética con primer término o y raz6n d) erlt6 dada por tl1-2 (n2 Dd2 . (n-1)d (eadecirun¿ 6. hoblema 6. Demostrar el resultado (I9). (b) Hallar la probabilidad de que en una muestra aleatoria de 100 eetudianües la calificación mínima del 2O% superior Eea menor que 76.

DE PARAMETROS POBI.s*o. €l 68. si el tamaño de muestra es n > 30). la media poblacional' Sin embargo. ya que en general Z(3) + o. La estima de un parámetro poblacional dada por doS números entre loJ cuales se considera que se encuentra dicho parámetro se llama estima de interualo del parámetro. SEGURIDAD La estima de un parámetro poblacional dada por un número se llama estima de punto de. Véase Tabla 5-1.l parámetro. Lógicamente se prefiere tener estimas que sean eficientes e insesgadas. cabe esperar que el estadísticoSseencuentreenlosintervalos&s o^s8Í. S realmente es un estimador sesgado de o.. Sin embargo. Por tanto.1. se está dando una estima de intervalo. eonq de esttmocton : . se está dando una estima de punto. L94 . EJEMPLO 6. pero esto no siempre es posible. El valor correspondiente del estadístico eficiente se llama estima eficiente. &s-2o"EFsl%a'" ó ¡r.. puesto que E'(X) = u. 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.2_5 y 5. es decir. por la relativa facilidad con que algunas de ESTIMAS POR PUNTOS Y ESTIMAS POR INTERVALOS. La media X y la varianza 3' d"finid". U 13 t) = o2.3. EJEMPLO 6.ACIONALES Sean ¡rs y o" la media y la desviación típica (error tÍpico) de la distribución muestral de un estadístico S. la media provee una estima más eficiente que la mediana. u-¡r"* 3o" . el estadístico con la menor varianza se llama estimador eficiente de la media. La distribución muestral de la media y la mediana.s. ambas tienen la misma media.r--Bo.95. en las páginas 157 y 160 son estimadores insesgados de la media poblacional ¡r y de la varianza poblacional 02. la va¡ianza de Ia distribución muestral de medias es más pequeña que la distribución muestral de medianas. respectivaménte.que es cierto para muchos estadísticos. la distancia real se encuentra entre 5. Entonces.28 + 0. En la práctica se ellas pueden obtenerse. Los valo^res i y 3 z se llaman estimas insesgadas.2. EJEMPLO 6. por otra parte.31 pies. ESTIMAS POR INTERVALOS DE CONFIANZA. se dice que la distancia es 5. página 162.73% de las veces.28 pies. Si se dice que una distancia viene dada por 5. La precisión o conocimiento del error de una estima se conoce también como su seguridad. El valor correspondiente del estadístico se llama estima insesgada del parámetro.Capítulo 6 rF I | .03 pies.27 % . utilizan estimas sesgadas o no eficientes. Si. Si las distribuciones muestrales de dos estadísticos tienen la misma media.46% y 99. si la distribución muestral de S es aproximadamente normal (lo que se ha visto-.

96 o.srs . $ I 3or) son llamados los límites de confianza del 68. t 6 .95. entonces los límites de confianza d'el95% y 99% para la estimación de la media poblacional ¡. son los límites de confianza del96% V 99% (ó 0.6% del área se encuentra en cada "cola" de la distribución ü.73% s9% s8% s6% s5. los límites de confianza eslán dados por X * z"o* donde z" depende del nivel de confianza que en cada caso se desee y puede obtenerse de la tabla anterior.6746 En los casos donde un estadístico tiene una distribución muestral que es diferente de la distribución normal (como chi-cuadrado.58 o.27%.73% para la estima de ¡rs (es decir.46% 95% 90% 80% 68.68 2.46%y99. 95. en el caso de un S insesgado).73% o. obtenidos en el Capítulo 5. El porcentaje áe confianza se"llama también nivel de confíanza. y S -r 2.99) para p".. Tabla 6-1 Nivel de confianza zc e9. Para niveles de confianza que no se encuentran en Ia tabla.r. Si el estadístico S es la media muestral X.96.Grandes muestras (n > 30). para estima¡ el parámetro poblacional.645 r.58 ox respectivamente. S -+ 2o.00 0. Por ejemplo si -t. se puede ver que los límites de confianza para la media póblacional vienen dados por Xtz"* vn N-tt.45%y te.96 o7 Y X + 2.68.27%. de modo que para obtener los límites de confianza anteriores. se utiliza la estima muestral S o S. .szs y ú. En general. Los números 1. los valores de z" pueden sacarse de las tablas de la cuwa normal en el Apéndice C. entonces un intervalo de confianza para ? está dado por (véase pagina 161) (N -t.6l TEORIA DE ESTIMACION 195 Análogaménte cabe esperar o se puede confiar en encontrar..96 1. vienen dados por X r. de los límites de confianza se llaman coeficientes de confianza o ualores críticos y se denotan por zc. Utilizando los valores de o.33 2.szs son los valores de ? para los que el 2. si el muestreo es sin remplazamiento én una población 2. & S*Sorenel 68."\\ñ s (3) .96. etn. Iímites fiduciales. la desviación típica poblacional o es desconoc^ida.F') se hacen fácilmente modificaciones apropiadas para obtener los intervalos de confianza.46% y 99.27% 60% 3. como otras veces sé conocen. Pequeñas muestras (z < 30).1. ps er los intervalos S .00 2. Los números extremos de estos intervalos (S i o5.05 2.27 %. Más generalmente.9q -V 0. INTERVALOS DE CONFIANZA PARA MEDIAS 1. En la Tabla 6-1 se dan los valores de z" que corresponden a distintos niveles de confianza utilizados en la práctica. De los niveles de confianza se pueden obtener los coeficientes de confianza y recíprocamente.00 1. 2. S-2o" a S+2o" ó S-3o.respectivamenllama¡ a estoé intervalos los interualos de confianza del68.28 1.cAP.73% "pueden Análogamente.o. Poi estos se 99. S +.. a S * o' delasveces. En este caso utilizamos la distribución t para obtener los niveles de confianza. 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.1.

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

los límites de confianza paÍa la diferencia de dos proporciones poblacionales. Porejemplosi x%rry X?szs sonlos valores de ¡2 para los cuales 2..F.975 o de manera equivalente -."1=. siendo las poblaciones infinitas.o2. (17) .ss los valores de F para los cuales 1% del área se encuentra en cada "cola" de la distribución. entonces un intewalo de confianzadel95% es v2 nS2 ^. *'T donde Pt y Pz son las dos proporciones muestrales.02S o2 (12) ^. desviaciones típicas y tamaños de las dos muestras extraídas de las poblaciones. extraídas de las poblaciones. esto se consigue utilizando colas de áreas iguales.entonces con98% deconfianzatenemos F.ozs = (13) De esto vemos que o puede estimarse que se encuentra en el intervalo S\n X. flt! nz son los tamaños P. están dados por Análogamente. of. W*"í-üt z"orr_r. Generalmente es deseable que la amplitud del intervalo de confianza sea tan pequeño como posible. Sin embargo.P. En forma semejante ohos intervalos de confianza pueden encontrarse.S.cAP. p$na 161. - Pr.ot y tr'.28. como las distribuciones normal y ü.I. y Pt V Pz). Si se extraen de'dos poblaciones distribuidas normalmente respectivamente. S$ si.2 X!. vimos que si dos muestras aleatorias independientes de tamaños m de vatianzas ol. Así por ejemplo si denotamos por F. n - L gndos de libertad. Para estadísticos con distribuciones muestrales simétricas.szs (1 5) con confianza de g5%. g 4 Fo. = .ozs (1t ) S{n-7 X. INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS y n con varianzas Sí./4 s?/a s7/"7 A tiene una dishibución F con fr . para distribuciones no simétricas. . (11) pr y p2 de las dos muest¡as son las proporciones en las dos poblaciones (estimadas por INTERVALOS DE CONFIANZA PARA VARIANZAS El hecho de que nS2/o2=(n-t¡32¡A tenga una distribución chi-cuadrado con n-l gradosde libertad nos permite obtener los límitesdeconfianzaprüa o2 6o.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.6l TEORIA DE ESTIMACION L97 'donde Xpopnr y X2. El proceso se ilustra en el Problema 6.n2 son las respectivas medias. entonces la variable aleatoria En el Capítulo 5.6% del área se encuentra en cada "cola" de la distribución. : P. como la distribución chi-cuadrado puede ser deseable ajustar las áreas en las colas de tal manera que se obtenga el intervalo más pequeño.

0).0) (1e) que se llama la uerosimilitud.ss se obtiene de la tabla del Apéndice F.. . Pa¡a obtener el "mejor" de tales estimadores.198 TEORIA DE ESTMACION lcAP. h desviación media y el reconido . xn. f(r".05 p2 a2 (r8) ESTIMAS DE MAXruA VEROSIMILITUD Aunque los límites de confianza tienen valor para estima¡ un parámetro poblacional es conveniente tener un estimador por punto. la función de densidad puede denotarse por f (x.6 Adviértase que F. empleamos una técnica conocida como el estímador de móxima uerosimilifud. donde Qr y @¡ ¡on las cuartilas muestrale¡ inferior y superior.e\ffi = o (20) De aquí podemos obtener 0 en términos de r¡. (c) sesgados y no eficientes.ss . debida a Fisher. .F. Suponiendo que hay n obsen¡aciones independientes x1 . Problerna. De esta manera hallamos f@. .zmuestral modificadas f eficientes. la función de densidad conjunta para estas obsen¡aciones es un parámetro poblacional. Esto vendría dado por r F.01 "'+ fl*. .s resueltos ESTIMAS INSESGADAS Y EFICIENTES 6. Sin embargo ambo¡ no son eficientes si se les compara con X. Así para el caso donde existan varios parámetros tomamos las derivadas parciales con respecto a cada uno de los parámetros. De una manera semejante podríamos hallar un inten¡alo de confianza del g0% empleando la tabla apropiada en el Apéndice F. --LtSz son dos de tales ejemplos. (b) La mediana muestral y el estadístico muegtral *(Qt + Qs). de acuerdo con el Teorema 4-8. (¿) La media muestral X y Ia varianz. página 118.f(r¡?\ f(n2. . Los dos son estimadores insesgadoe de la media poblacio- nal. semi-intercuartílico son cr¡atro de tales ejemplos. Por tanto.or €s el inverso de . (c) fa desviación típica muestral g la desviación típica modificada . d ).3. Para este propósito es conveniente tomar primero el logaritmo y luego la derivada. Dar ejemplos de estimadores (o estimas) que sean (c) insesgados no eficientes. Para ilustrar el método suponemos que la población tiene una función de densidad que contiene d-eterminado. puesto que la media de sus dishibuciones muestrales es la media poblacional.. que se va a estimar por un estadístico L . por ejemplo g.31 $z o-n o-t - I' . (b) insesgados y 3t = . los igualamos a cero y resolvemos las ecuaciones resultantes simultáneamente. El valor de F. son dos de talee ejemplos.ütr I af(rt|) + 1 0f(r".1. La¡ruíxima uerosimilitud puede obtenerse tomando la derivada deZ con respecto a 0 e igualándola a cero. El método puede generalizarse.ee con los grados de libertad para el numerador y el denominador inyertidos.

36. Determinar unas estimas insesgadas y eficientes de (o) la verdadera media.45 -- 0.3). Para la muestra dada 67. ESTIMAS POR INTERVALOS DE CONFIANZA PARA MEDIAS (GRANDES MUESTRAS} 6.58o/tñ.93.45 ! 0.6136 s2 Así .36-6. = S tr. (o ) Estima insesgada y eficiente de la verdadera media (es decir. decir que ia probabilidad de que la estatura media de la población se encuentre entre 66.ó.45 pulgad.88 y 68. y no eficiente del verdadero diámetro medio de la esfera del La r¡ediana es un ejemplo de una estima insesgada y no eficiente de la media poblacional.2.58-?+ = V100 67. En símbolos se escribirá P(66.88 y 68.02 pulgadas.02): 0. 2. 6.2. Así. Adviértase que puesto que n es grande.00055 cm2 Nótese que 0 = /0"00055 = 0.88 a 68.!1t.35)2 2(n-ñ\2 - n-l = = es insesgada + (6.46 pulgadas. Utilizando n : 67. 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.36 cm.02 pulgadas. (b) la verdadera varianza.88 < p < ti8.cAP.35)2 F (6.32 6. por tanto.93 pr¡]Éadas como una estima de o (véase Problema 6. (b) Los lfmites de confianza del 99% son X 2. Dar una estima insesgada Problema 6.3.3?-6.32 y 6. 6. pues.93/V100) ó 67. - iT $.35)2 5-1 0.4. 95Vc ó 0.45 ! 1.? = /8. n-1" (6.88 < tt<68.6136 : y.96"/\f.38: Estima insesgada y eficiente de la verdaderava¡ianza media: t : 67.6l TEORIA DE ESTIMACION 199 6.35)2 + (6.TG pulgadas . (a) Los límites de confianza del 95% son X t I.saa = tln ! 2.33: Estima insesgada y eficiente dé la verdadera altura Del Problema 5.95.37.5275) = 8.02.96.45 ¡ + z.3?-6.35)2+ (6. (b) la verdaderavarianza. de la media poblacional). no hay esencialmente diferencia entre 6. JC = . 4er.3.33. = i2 = . Una muestra de cinco medidas del diámetro de una esfera se registraron como 6. 6.37 centímetros.iroentre s yG. el intervalo de confianza del 95% para la media poblacional ¡t es 66. Determinar unas estimas insesgadas y eficientes de (c) la verdadera media. Para las cinco medidas puestas en orden de magnitud la mediana es 6. de la varianza poblacional).57 pulgadas. Se puede.336. 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. (o) Del Problema (b) ó. 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. 6.02 pulgadas es.as y i : 2.96(2. que puede denotarse por 66.JDani (b) Estima insesgada y eficiente de la verdadera varianza (es decir. los lí¡nites de confianza son 6?. = n ..023 es una estima de la verdadera desviación típica pero esta estima no ni eficiente.

pues.824 * 2. los límites de confianza del90ak son n!I. Entonces por simetría.i :. (b) 9O% y (c'¡ 99. srn embargo. puee. 6. es total.el 99.O42 pulgadas. : t. ñ!3+ \ñ - 0. Si se utiliza.G.= vn Vn V200 ó 0.4í.6.00??putgadas t 0.0.82¿!L. r.73V.45 1 0.b6 y 0.824 0.so! = Vn 0. 6. los límites de confianza anteriores se convie:rten en 67.0069 pulgadas Fig.49.6450'942 = 0. (o ) Los límites de confianza del g5% son 6 (b) x t 1.824:r0. Oa z : zc ea O. que puede denotarse por 66.ss9 = 0.824t0.200 TEORIA DE ESTIMACION lcAP.el 99o/.96ry = \/200 0.00b8 pulgadas Los límites de confianza d.21 pulgadas. se puede considerar el factor es necesario = 0.824 t 1.824 t 0. (a) " lok. el área a la izquierda de z:-zce8 también lVo. Para obtener los intervalos de confianza.824! 0. Los límites de confianza d. el área desde z eE 0. 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. se habría empleado ?: \/n/@4s = y'200[99s que puede tomarse como i para todos los propósitos prácticos. los cojinetes del Problema Hallar los límites de confianza del (a) 98%.0U89pulgadas. En general.824 pulgadas y uná desviación típica de O.semana dieron una mdia de 0.006 Pulgadas . se utilizaría t. : O es Asi pues.824tSL93 = \/zoo . z:zc Puesüo que el área total bajo la curva es 1. los límites de confianz¿ del 98% son r ! 23g+ = \/7i Asi 0.96? como 1. el intervalo de confianza del 997o para la media poblacional ¡r e¡ 66. Lad medidas de los diámehos de una muestra de 200 cojinetes de bolas hechos por una determinada máquina durante una. son xtz.sa| = r*z.73 pulgadas. lugar de Para y muestreo sin remplazamiento.21.{ñ= 0.gg9!9 = \/zo0 0.69 (¡¡ < 68.824=z.E8y.6-l (b) S" busca z" tal que el á¡ea desde z : entonces z. para n > 30 se puede asumir que s y 3 son prácticamente iguales.. respectivamente.45 t utiliza¡lo.Hallar los límites de confianza del (o) 55"1.' o^. de aquí que z":2.73% para el diámetro medio de G.7.0049oulgadas t/-zoo sn 0.645a (c) . 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.g6a = Vn 0-824:t 0.008 pulgadas.645.824 ! 0. Adviértase que se ha supuesto que la desviación típica dada es la desviación típiez modific¿d¿ i Si la desviación típica dada fuese S.69 a 68. de modo gue no 6?.6 Asf.33. v (bl99% para el diámetro medio de todos los cojinetes.

¿Cuáles son los coeficientes correspondientes pala la distribución úsi (a) v = 9.7I 6.26 &- Vlo-1 = 4. Una muestra aleatoria de 50 calificaciones de matemáticas de un total de 200.Tomando o = la estima eerá menor de 0. Asf el área ¡ombreada en la col¿ derecha es 0.04.Entonce¡ utilizando ¡ : 4.cAP.goo*.01.21o.05 segundos.026 y el valor crítico correepondiente es ú.4 60 límitee de confianza pueden repreaentarse por Ítz"ox deede z 68. (d) =2. Fig.06 pulgadas.9. lo¡ límitee de confianza del96% pedidos eon 4.23 zc h¡estoqueestodebeserigualaTSll.oble cola") para la distribución normal vienen dados por i1. se tiene que el error ser6 igual a 0. (b).04. Entonces (2.2910. 6-3 6.6 : 0.r. Aef.50 2oo-L = 76!2. (d) t= 60? Pa¡a los coeficientes de confi¡nza del 96% ("doble cola") el área total en la Fig.e?'.hallamoat.01 segundos? 0.81 es 0.11.q'-: 200 v50 200-1 = 75 + 1.26fvéaeet¿mbiénProblema6.38 + 0. debe emplearse la fórroul¿ para poblaciones finitas con muestreo sin remplazamiento.orr.9df (b) tos vn N-n A¡-1 = N-n N-1 75 t 1.29lO):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 ¡i n e¡ 97 o mayor. : 20. 6-8 debe ser 0. pues. 6.05 segundoe. <í n. (o) ¿Cuáles sonloslímitesdeconfianzadel9Ú% para la estima de la media de las 200 calificaciones? (b) ¿Con qué grado de confianza poüá .10.06. (c) v : 30.*. Entonces los lfmite¡ de confianza del 964o eon .96+ v50 (10) 200 . Una muestra de 10 medidas del diámetro de una esfera dio una media ñ: 4.682ó ESTIMAS POR INTERVALOS DE CONFTANZA PARA MEDTAS (PEQUEñAS MITESTRAS) 6.81. AsÍ. = * t1.Entonces los coeficientes de confianza pedidos son tú. 8e tiene la confianza del99% de que el error de la e¡tima eerá menor de 0.01 soliamente ¡i n es 167 o mayor. arrojó una media de 75 y una desviación típica de 10.i=r.05.38 pulgadas y una desviación típica s : 0.2S z"=L6 z"=0.58o/{i.. Para lo¡ valores de v dados egtos son (a) t Z.n r1s/t/Á¡.0452 pulgadaa . (o) Los llmitee de confianza delglovo están dados por.9Tolfi. er decir.10(c)].setienequel.00.r¿ -.58')(0. Puegtoque¡.38 t 2. (b) Loe límite¡ de confianza del 99% son X t 2. .Ze. pues.t = t.g6ol{n.gzs:2.X+r"L .:n-L:10-1:g. Eláreabajolacurvanormal : O t z: 0.8.06)/0. TEORIA DE ESTIMACION 20L es de Al medir el tiempo de reacción. de aquf que el grado de confianza pedido *162(O. (ó) +2. Los coeficientes de confianza del 96Vo ("d. (c'¡ t2.01 si (1. Halla¡ los límites de confianza para el diámetro verdadero del (o) 96% y (b) 99%.05)/\.01 : 9. 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. 1fi = (1.siendo 0.09. : 166.96)(0.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.96. un sicólogo estima que la dewiación típica del mismo (c) .8 ó n : 96.f I l.38 y c : 0.01.051/\/n = 0.4.96X0.

véase Problema 6.38 4.50.96-9.06/y'10 .96-0-.95. (a) Soluciona¡ el hoblema 6.6 : se puede estar en la confianza del 96a/o de que el valor ve¡dadero se encuentra entre 4.. Hallar los límites de confianza del (a) 95%. y para tener una confianza del g5% de su elección necesitamos : 0.qq /lo - 4. (a ) Los límites de confianza d. 6.55.55 + 0. (b) Comparar los resulüados de los dos métodos.06 como estima de o.f) = 4.13. Una muestra de 100 votantes elegidos aleatoriamente entre todos los de un distrito dado.9ó utilizando el Apéndice C indica que e-Bt/fi-fl/n:0. Para hacer este problema de una fo¡ma más exacta. (b) En cada caso. obtenidos mediante ios métodos de pequeñas muestras o teoría exacta del muestreo son más anchos que los obtenidos por los métodoe de grandes muestras.l = 4.55 t 0. (c) 6. t 3ú058)16:¡8 10d 0.50 ó n= 27r . pues. los límites de confianza del 99% son 4.55 2.446 pr'lgadas. utilizando P donde B = : 0.2/z¿y L645 Al comparar con Prob(p > 0. indicó que el 55% de ellos estaban a favor de un determinado candidato. los intervalos de confianza mues¡ras. = 3./e(l -p) ¡? V = 0.50) Prob( que hob / J--ct t)_p .= v-n 4. (b) 99%y (c) 99.27.049 pulgadas. 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. = P t 1.el95o/o para la población p son P : l.ssr(S/tñ-l.18. 0.14.l)6or.O37pulgadas ? donde se ha utilizado la desviación típica muestral 0."-. Puesto que (P .426 pulgadas.88 + g.55 = o'55t0'10 donde se ha tomado la proporción muestral 0.se5 - (b) Para v = 9.0 = 4. - ó Prob(p > e-Bt/p6-ffi¡ = + J(t t/2r -.38 t 0.11 suponiendo válidos los métodos de la teoría de muestras.73% parap son 0. Análogamente.73% para la proporción de todos los votantes que estaban a favor de este candidato.p')/\/p(l .1.202 Asf.38 * (2.045 TEORIA DE ESTIMACION lcAP.96.55 para estimarp.045 : 4. (b) Los límites de confianza del99% parap son 0.58ú6:5EXb:¡BtTdd = Los lfmites de confianza del 99.13 para que la confianza de que el candidato sea elegido sea del g5% z El candidato se elige si p ) 0.15. Entonces loe límites de confianza del 99lo rcn i t ú.58)(0.6a5y'i6lBB)Io-75j7i : 0.25.88 i g.-'\ r1/pg-p)/n / rB I l-r'-tt'/z¿y t/2. 0D > 0.38 + 0. t. ¿Qr'é tamaño de muestra debe toma¡se en el Problema 6.L2.55 del Problema 6.55 '^^ I(0'55)(0'45) :r 1'e6!ff : = 0.Z5(0. tenemoe 0.88 + 0.06b0 pulgadas y el inüervalo de confianza del99% e¡ 4.88 r 1.b0 Entonces.315 a 4.13.06) /\t1.335 pulgadas y 4. J_. (a grandes ) Mediante loe métodos de Ia teoría de grandes muestras los límites de confianza del 95% son X t 1.pV" es normal asintóticamente.55 y la estima p : 0.50): 0.

se puede esperar con el 994n de confianza que la diferencia de las medias de las poblaciones se encuentre entre 167 y 233 horas. Una muestra de 100 bombillas del fabricante B dieron una vida media de 1200 horas y una desviación típica de 80 horas.60 La fórmula más exacta del Problema 6. En 40 lanzamientos de una moneda.33.45 a 0.el 99% son: 1400 - 1200 12.6V n:40 enlafórmula \tF(l=A/.?9. 6. esperar con confianza d. se puede encuentre entre 0. pues.t 1.19 y 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. SustituyendolosvaloresP:24140 = 0. z" = 3. (a) Los lÍmites de eonfianza del 95Va son 0.el 99Vo que la verdadera diferencia de proporciones .el 96% que diferencia de proporciones (ó) Los límites de confianza d.96/il2OtG0I80)2/100 Así.73% como 0.60 + 15. En una muestra aleatoria de 400 adultos y 600 adolescentes que veían un cierto programa de televisión.tr 7. -loi*o'o -"1/"o-"" Los límites de confianza del 9b7o son: 1400 1200 . (b) Al nivel del 99./i120)r/15¡+-G0)r400 = 200 + 82. Hallar los límites de confianza del (a) 95% y 99% para la diferencia de las vidas medias de las poblaciones A y B. dando.0g.50 ! Pz : 100/400 : 0.37 a 0.73% para la proporción de caras que se obtendrían en un ilimitado número de lanzamientos de la moneda.5B = 0. Así.Xn-.96./.96 La verdadera = 0.50 - 0.25 ! Z. se Así. 95"/o de = 200 t 24.23.45 a 0.6. pues. dando el intervalo 0.58\.?4 y el INTERVALOS DE CONFIANZA PARA DIFERENCIAS Y SUMAS 6..il3li.BZ a 0.25 = 0. pues.25 = 0.el ggVoson 0. pues.AquíPr:300/600:0. Una muestra de 150 bombillas del fabricante A dieron una vida media de 1400 horas yuna desviación típica de 120 horas.respectivamente. (a) Al nivel del g5o. 100 adultos y 300 adolescentes dijeron que lei gustaba.cAP.27 da el intervalo de confianza del 95'ib como 0. se tienep : 0. ae confianza que Ia diferencia'de las medias de las poblrcionee (b) Los límites de confianza d. se As( pues.17 y 0.31.. se obtuvieron 24 ca¡as.75. el intervalo 0. PzQz el - O.15. Hallar los límites de confianza d9l (c) 96% y (b) 99. PtQt . se puede esperar con el encuentre entre 175 y 225 horas. gt= Ptz" t z¡/F(=ffi.4 y B son dados por (a) *o..25 son las proporciones respectivas de adolescentes y adultos a quienes les gusta programa.6l TEORIA DE ESTMACION 203 6. intervalo de confianza del 99. se tienep = 0. z" = 1. Mediante la fórmula aproximada p = P + 0. Los límites de confianza para la diferencia de proporciones de los dos grupoe están dados por 'll1 1t2 dondelossubíndicesly2serefierenaadolescentesyadultos.g.16. se puede esperar con confianza d.83.50 encuentre entre 0.06. [-os límites de confianza para la diferencia de medias de.Zb + 1.

96(0.21 voltios. el tamaño de la muestra deberá ser 450 o más. Se utiliza la dewiación típica muestral para estima¡ o. pues. Así.73% la verdadera desviación típica de la población ::o difiera de la desviación típica muestral en más del (c) 6%.08) = 180. donde 2.9 horas.96(100)i/200 = 100:tg. puesto que /¿rr = lLEt lr'. se tiene ltlt+Ez+at+¿o = Fu.ozs.6?45(0.2 y 109. 46O. . Hall¿rr los límites de confianza del (a) 95% y (b) 99% para la desviación típica de la población de tales bombillas.f8.r Bo/l-zn Ss/\/Zn. hallar lós límites de confianladel (a) g5%.1 y 112. = orr.4O pulgadas.. indica el nivel de confianza. (a) Loslímites de confianza delgSv" están dados por sy'7/x.08) = 180.08) 0. Por tanto (véase Tabla 5-1. o 6. Así.1 V y la desviación típica 0. se puede esperar con confianz¿ entre 90.2L.e75 y st/n/x.58(0.73% con: 180. Hallar los límites de confranza del (c) 95% y (b) 99"/.08)=180.24 ) Los lfmites (c) Loc lÍmites (d) toslfmitesdeconfianzadel voltios.4 t = 180.1 voltioE y dc.4 (o) (b Los límites de confianza del95% son: 180.58(100)/r/Zbd = 100 r 12.4 V r de confianza del 99% son: 180.0b4voltios. de la desviación típica para todos los estudiantes del colegio.4 + 1.9. el tamaño de la muestra deberá ser 1800 o más. 0. El valor de 0.19 deberá tomarse para que con confianza del 99.4 t 3(0..19. (o) Alniveldel 95". pues.4 + 2. = 45.. * uotr* l'a.[4: "'rJ o'r. INTERVALOS DE CONFIANZA PARA VARIANZAS 6..20. FfJ voltaje medio de las baterías producidas por una compañía es de 45.73"/o para o son S . (b) 99%. = 0. Y t¡.t+ti. oE.r+r 2+Er+84 = .el 95Vo que la desviación típica de la población se encuentre ) Al nivel del 99% los límites de confianza son: 100 * 2. 5O%son:180. Si se conectan 4 baterías en serie. Si Er.204 TEORIA DE ESTIMACION [cm. 6.x {2n 300//t = 5. ee puede esperar con confianza del 99'y'" que la deerüeión típica de la población se encuentre entre 87. En este caso se aplica la teoría de grandee muestras.19. Entonces.o/yEi.04 V. los límites de confianza del 99. Es y Eq representan los voltajes de las 4 baterías.* o".08 ÉEr+nz+E¡+Eo = 4(45. osr* Ez+t:./nloslímitesdeconfianzason:100 11. 82. ¿Qué tamaño de muestra en el Problema 6. (b)LO%? De igual forma que en el Problema 6. utilizando s como una estima de o.1) = 180. Así.4 t de confi¿nza del 99. entonces n 1800. página 162)loslímites de confianza para la dewiación típica de la población son dados por S * z.r-= oE.= lr'. (c) 99.8 horas. 6. (b) Si }OO/\E : Aei pues.4i0.04 volüios.16 voltios. Entonceg el error porcentual de la desviación es 3s/t/-at (¿) Si 300 _ = s. La desviación típica de las duraciones de una muestra de 200 bombillas fue de 100 horas. entonces n : = 10.73% y (d) 5O% para el voltaje total. = 1la1ffiy : 0.054 voltios se llama error probable. (b d. La desviación típica de las estaturas de 16 estudiantes seleccionados aleatoriamente en un colegio de 1000 estudiantes es 2.4:t0. 0. pues.g. * l'a.

y 18 respectivamente halla¡ los límites (o) Tenemos nt = l(t.ozs l-l Vz(rssl -r)z = itt.n.ozs.24 y = 6.23.19 utilizando la teoría de pequeñas muestras.n25 = 2. Entonces los límites de confianza del 997o son 2. Paray:16-1:lSgradosdelibertad. y St/T/x./x Para v : sr. Dos muestras de tamaños 16 y 10 respectivamente de confianza del (c) 98% se extraen aleatoriamente de dos poblacio- nes normales..50.6l Para o TEORIA DE ESTIMACION 206 x?ozs = 16- 1 = 15 gradoode libertad.26 6 7. (b) tos lÍmites de confianza del 99\i.ee5 Para v y Sy/i/7.50. Por tanto se tiene la confianza del 95% de que la dewiación típica poblacional se encuentra entre 1.40Vf 6 /1. están dados por Sy'-nlx ors y Sl-n/y.68 y 4. : 200 - 1 : 199 g¡ados de libertad. 200 .t.2= 115. x2nzs de donde ¡¡. Por tanto se tiene la confianza del 99/o de que la dewiación típica poblacion¡l se encuentra entre 1..9 y 115. Entonces los límites de confianza del 99% son 100/Eñ6 de donde X sq¡ INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6.9 horas.14. ee decir.sor-79. x1.2.83 y 3'84 pulgadas.19(a). Este resultado debe compararse con eI del Problema 6. 3? = t=r"i = (lf)rznl = "? = 18 de modo qrre 26.9212 : 239 161 = olz02s+V2(199)-1)e =.oos = 72.19(b).!75= 5. Por tanto se tiene la confianza del 95% de que la desviación típica poblacional se encuentra entre 91. Si se encuentra que sus varianzas son 24 y (b\ 90% para la relación de varianzas.40\R/2.5 = 91'2 y 100y'200/12'1 = 111'3 horas respectivamente.s¡5=2.40\f-16/2.2 y 111.= r\ri= (f.14.40\f-I6/5.el95')h están dados por Sy'-n.?3 y xz.5 6 x.)rto = \/ 2o.11._.SO+19. Por tanto se tiene la confianza del 99% de gue la desviación típica poblacional se encuentra entre 88. Entonces los límites de confianza del 95% son 2.73 y 2.oe5=5.8 ó ¡..2 a.22. hallamos como en el Problema 4.o75 = |{zsrr.15.. 1.1 : 199 grados de libertad. X.s¡5.t-t.el99% están dados por Sy'-nl¡. esto es. rz = 10. s! = 20.92)2 = 253 lL6. (b) Los lÍmites de confianza d.49 pulgadas.cAP.¡]oor=32.68 y 4.." x%os 1_l . pfuina 137' x. x?szs = 27.60 ó y.5 y Entonces los límites de confianza del 95o/. = 15. it.84 pulgadas. .g = 88.9 y 1001800/t2.7. Este resultado debe compararse con el del Problema 6.9 horas respectivamente. 1.24 y 2.oos:4.¡¡5. Solucionar el Problema 6. (o) Los límites de confianza d.3 horas.9 y x.' son 100y'2b-0 115.o .83 y 3.r+l/Z[I6Ef-T¡z = jtz. 6.92)2 = : \2.49 pulgadas.sa+19.

e¡ = 3..206 IEORIA DE ESTIMACION [cAP. Al tomar la raíz cuadrada 98% v el9o%.47(b).os : 1t2.6 Del Problema 4.e5 2.96 parapl : 16 1 : 15 ! U2 =LO-1 =9 grados de libertad. pfui¡1g 19?. gue tenemos (I) Puesto Por tanto l(rx.89.#>@t-pl2 Tomando Ia derivada parcial con re4ecto raL 1:' fr.z8a =# : = rsee. Por tanto el intervalo de #(ffi) s += 6 0.23 hallamos los lfmitec de confianza para el (¿) (ó) ESTIMAS DE MAXIMA VEROSIMILITUD o. reculta . (#)(ffi3) o.6?=1=r.25. tenemos F ge = 4.59. ü = \/2ro2 -J- r-<x¡-ü2rzoz L = f(nt. Si n obsewaciones Xr & se toman de una población distribuida normalmente de la cual se desconoce la media y se conoce la varianza.24. También del Problema 4. 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. pl = (2to2)-tt2¿-zbk-r)2t2o2 (z') (r) Fijando íLldp = 0 t¡L = a -f. como lógicamente era de eryerarse.89 de modo que l/F. pl" 'f (r.84 V F. Halla¡ la estima de máxima verosimilitud de la media.'or¡ g.eg oz 6.(ffi) 4. = (b) Como en (o) hallamos del Apéndice F que confianza del g0% es F. hallrrmoe para el intervalo de confianza del 98%.sg<!=z.zt oz 0.47(d). página 13p.) Obsérvese que el intervalo de confianza del9O% e¡ mucho más pequeño que el intervalo de eonfianza del 98Vo.tn1z. v Q) 90% para la relación de las desviaciones de las desigualdades del Problema 6. Entonce¡ utilizando (171.eo = ". tenemos pataUl: 15 y ez:9 grado¡ de libertad f or : 1/3. 6. . Hallar los límites de confianza del (al 98% típicas del hoblema.0. 6. = 3)@*-Pl reeulta Q.4437 oí = * ('z'6'g)(?q¿.23.

TS% delProblema 6. En estos valores extremos.6l TEORIA DE ESTMACION 207 6. Si escribimos f (rx.63.25 se conoce la media pero se desconoce la varianza. b--(2nP+"7) y c=nP2.p). . 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) . = -fi+ uár> @t-r)2 02= 2 (rr - pl2 PROBLEMAS DIVERSOS 6.p oP = -1. Entonces tomando la derivada parcial con reqrecto a 02. se tiene P-P Elevando al cuadrado los dos miembros. Si en el Problema 6. estaecuaciónsereduceaafi*bp*c:0.13.P)/n Los valores mayor y menor de esüa variable tipificada son tzc."2) en cambio d.) Dividiendo numerador y denominador por 2n. todo lo efectuado en el hoblem¡ 6. - (2nP I * nPz = 0 Si o=n+z!.25 ha¡ta la ecuación (2) aplica. tenemos ee i'# Fijando aLl0o2 .cuyassoluciop son dadas por La fórmula cuadráti.e f(x¡. queda. z7 n -4ü r+4 n o P (b) Utilizar la fórmula de (¿) para obtener los límites de confianzadel99.0 hallamos Vé¿se Problema 6. (a) como la utilizada en el Problema 6.13. {P(L = *2" p(.cAP. se tiene e+ flt "" P(L-PI . donde z" deüermins el nivel de confianza.L n - pl pz-2pp*p2: (nI nes para zp\p2 "?P# z?lp Multiplicando los dos miembros por ¿ y simplificando. (a) Si P es la proporción observada de éxitos en una muesha de tamaño n. La proporción muestral P en unidades tipificadas . por tanto. zi n -4nz | +! . halla¡ la estima de máxima verosimilitud de la va¡ia¡rza.26.27.ca p= _6 + 1/@=lo" 2a z"P+27=W 2(n* z7\ 2nP I 22" * ""t/6F(L1VlT7" 2(nI zf. (c) Mostrar que p¿üa grandes valores de n la fórmula de (c) se reduce a p=P¡2" \FF -nn.

4 libras.55yn:100enlafórmula y 22"/nson despreciables y pueden sustituirsepor cero. de amplitud sol. X 032 y X 1¡2. lcAP. La media y la desviación típica de los diámetros de una muestra de 250 remaches fabricados per una compañía gon O. 6.3 91.8. (c) Comparar la desviación típica muestral con la desviación típicÁ de la población estimada.40 y 0..¡amente 19.6%.0 a 110. respectivamente. 10. 8.e4 91. de forma 6.9 7.6 p=0.30.208 TEORIA DE ESTIMACION (b) Paraloslímitesdeconfianzadelgg.8 89. (b) 98Vo.. g. Un intervalo con amplitud af¡n menor puede hallaree continuando el mismo método de aproximación x.31.el 95"tb Ampütud 2r.8 ¡.28.7 a Lt3.rlos ESTIMAS INSESGADAS Y EFICIENTES 6. y (b)99dto para la media de las cargas máximas de todos los cables producidos por la compañía. y 0.a.30 si se obtienen los mismos resultados para 30.$=12'76. dieron una du¡ación media de 1200 y una desviación típica de 100 horas.54 ¡. 6.=B.Entonces. pero de tal manera que las áreas en cada cola no sean iguales. horas Una muestra de 10 tubos de televisión producidoe por una compañía. en general.0 = 12.'.utilizando de (a). respectivamente.32 92. 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. Sin embargo. respectivamente (véase Problema 5.29.?3 ton. entonces zf.09 ton.2 y 9. Valores Crítico¡ Tabl¡ 6-2 Intervelo de confianza d.r De la tabla se observa que un intervalo del95%. ¡es=15.44./zn.6 = 12.s sr¡plernenta.72642 pulgadas y 0.05.100). Hallar los límites de confianza del (o ) 99%.22(a) fueron obtenidos escogiendo valores críticos de y2 de tal manera que las áreas en cada cola fueran 2. (c) Si n es gtande.4 20.8.22(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. 2g. la disminueión en el intervalo que 8e obtiene es comúnmente despreciable y no Probletn. ó 0. se tienep : 0.TSVo.o¡r y x e8l.s2=12.. (c) 95% y (d) 90% para el dirimetro medio de todos los remaches fabricados por la compañía.42 a a 111. La media y la desviación típica de las cargas máximas soportadas por 60 cables (véase Problema 5. zf.9 110.a los cuales la suma de las áreas en l¡as colas sea61./Anz que se obtiene la fórmula pedida.85.6. . etc. Hallar los límites de confianza del (o) 951/.32.13(a). cuya amplitud sea menor que la del Problema 6.e6 : 15.98) están dadas por 11.2 19.O a 110. Las medidas de pesos de una muestra fueron registradas como 8.ge = 15. Determinar estimae insesgadas y eficientee de (o) la media de la población v (b) la varianza de la población. En la Tabla 6-2 se indican varios valores críticos y los conespondientes intetwalos de confianza del 95%. 6'33.8.7.z.7s7=15. 10. es de g1.Es posible haltar otros límitee de confianza escogiendo valores críticos de X2 gar.8. (o) Solucionar el Problema 6. empleando t¡alores críticos tales como justifica el trabajo involucrado.00058 pulgadas. X.69 en acuerdo con el problema 6.64.?3 20. Estimar (o) la media y (b) la desviación tÍpica de la población de todos los tubos de televisión producidos por esta compañía.7 7.

y una Una muestra de 12 medias de resistencia a la rotura de hebras de algodón dio una media de 7. 0. 0. HaIIar los límites de confianza del (o) g5%. Si la desviación típica de la duración de los tubos de televisión se estima en 100 horas.30 horas. Hallar eI error probable de la desviación típica del Problema 6'46' . Hallar los límites de confiánza (a) del 95% Una compañía fabrica cojinetes de bolas que tienen un peso medio de 0.g1 sfoundos.40.73% 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.g5. La desviación típica de resistencia a la rotura de 100 cables producidos por una compañía fue de 180 libras.6l' TEORIA DE ESTIMACION límites de confianza del 5O% 209 6.3? suponiendo aplicables los métodos de la teoría de los resultados obtenidos.cAP. INTEBVALOS DE CONFIANZA PARA VARIANZAS Y DESVIACIONES TIPICAS 6. Hallar los límites de confianza del (a) 95% y (bl99% para el tiempo reacción.012 libras. Hallar los límites de confianza del (a) 95%' (b)99o/oy (c) gg . Halla¡ los límites de confianza del (a) 96%V @)99% para la diferencia del número medio de horas de sueño inducidas por los dos tipos de somníferos.41.38 onzas los límites de confianza del (c) 95% y (b) 997o para la resistencia real' desviación típica de 1. como 0'28. para que la confianza de que la proporción ¿Qué tamaño de muestra se debería tomar en el Problema 6. o.94" Hallar (¿) los Problema 6. Dar los resultados utilizando la fórmula aproximada y la más exacta del Problema 6'27. mientras que de 100 cerrojos de otra máquina 12 eran defectuosos. Hallar grandes muestras y comparar Solucionar el problema 6.g9. 6. respectivamente.46.24 onzze. Hallar los límites de confianza del (c) g5%. 6. Cinco medidas del tiempo de reacción de un individuo a un cierto estímulo fueron registradas real de 0.638 libras y una desviación típica de y (b) del 99Vo pata los pesos de lotes de 100 cojinetes cada uno.76 y 0. dio el 7O% de bolas rojas. 6. ¿qué tamaño de muestra deberá tomarse puüa que sea del (a\96%.86. (c) del 99. al primero le fue dado un nuevo tipo de somnífero y al segundo un tipo convencional.(b\95%'(c\99% deladecisiónen favor de uno de los candidatos? INTERVALOS DE CONFIANZA PARA DfFERENCIAS Y SUMAS 6.42. 6. De dos grupos análogos de enfermos A y B formados de 50 y 100 individuos.44.7 Bdn pá.3g. (b)gg%y (c)99J37" para la dewiación típica de todoslos cables producidos por la compañía.36 si el error en la duración media estimada superar las 10 horas? ESTTMAS POR INTERVALO DE CONTIANZA DE MEDIAS (PEQUEÑAS MUESTRAS) 6.2[horas. respectivamente. (b ) del 99%.82 con una desviación típica deO.a h diferencü de proporciones de cerrojos defrctuosos de las dos máquinas' Estudiar los resultados obtenidos. Se cree que una elección resultará muy reñida entre dos candidatos. ESTIMAS POR INTERVALO DE CONFIANZA PARA PROPORCIONES 6.7g% para la proporción real de bolas rojas en la urna. Una muestra de 200 cerrojos producidos por una máquina mostró que 15 eran defectuosos.80.33.41.40 verdadera no difiera de la proporción muestral en más del 6Vo sea (a) del 95Vo.43. 0.g?. 6.45. ¿Cuál será el número mínimo de voranües que se deberá mue\trear para quelaeonfianza sea del (a) 8O%. Para los pacientes del primer grupo el número medio de horas de sueño fue 7. 6. 6.73V"? 6. y (b) el error probable para la media de los diámetros del 6. Una r¡rna contiene una proporción desconocida de bolas rojas y blancas. Una muestra aleatoriade 60 bolas extraídas con remplazamiento de la urna.gg.ParalosdelgrupoB fueron 6.2?. (b)g|%t (c)997oV @)59. (b\ 99% y G\ gg.

(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. .48. límites de confianza del (o) 96'/o y (b)99Eb pa¡a la desviación típica de todas las bombillas fabricadas Solucionar el Problema 6. 6.49 utilizando la distribuciíny2 si una muestra de 100 bombillas tiene la misma desviación típica de 120 horas. . Comparar los resultados con los obtenidos empleando la distribución normal.e 24OO libras y una dewiación típica de 150 libras. 6. 6. .26? Explicar. Si n observaciones 6. .54 fueron extraídas de la misma población? Justificar su solución.e 11.2to 6.57. 6.54 si las muestras tienen tamaño 120 cada una. . basados en muestras de tamaño 10 cada una. Si Xr. TEORIA DE ESTIMACION [cAP.49 si 25 bombillas tienen la misma desviación tÍpica de 120 horas.62. [(A'+t)st 0<¡:<1 de otra forma Xn de esta población hallar la estima de máxima verosimilitud de h. 6.50. .. .25 y 6. 6.58.. Hallar Ios intervalos de confianza del (a) 98% y (b) 90% para la relación de Ias varianzas. Solucionar el Problema 6.035 cm respectivamente. de la du¡ación de 10 bombillas fabricadas por una compañía es 120 horas. . (b) gg% y (c) gg.59.56. En una prueba de 40 cables seleccionados aleatoriamente resulta una media de la resistencia de rotura d. . ¿Cuáles son los coeficientes correspondientes para la distribución f si (o) v = 4. .(d)v : 30' (¿) v: 40? Una compañía tiene 500 cables. .54. .52 y (b) Problema 6. Hallar el estiniador de máxima verosimilitud de ).51 que tiene la menor amplitud? 6.51.63. para la relación de las varianzas de las poblaciones de donde se exhajeron.6 ¿Qué tamaño de muestra deberá tomarse para que la confianza sea del (a) 95%.58. . 6. Los coeficientes de confianza del 999á ("doble cola") para la distribución normal están dados por 12. Una población tiene una función de densidad dada por 8e toman n observaciones l(r) = l^0 [ Si se toman n observaciones X1 . . . . . .(c)v:25. PBOBLEMAS DIVERSOS 6.62. .? ¿Son lc mismos a los dados en los hoblemas 6. del Problema 6. Hallar los igr la 6. Solucionar el (o) Problema 6. Hallar los intervalos de confianza del (o) 98% y (b)907. Las desviaciones típicas de los diárnetros de los cojinetes de bolas producidos por dos máquinas son 0. -t 1 r ( -.60. Xn de esta población. ¿Considera que las dos muestras del hoblema 6. X1. INTERVALOS DE CONFIANZA PARA RELACIONES DE VARIANZAS 6. Xn se toman de una distribución de Poisson con parámetro tr desconocido. 02 desconocidas.52.49.7T% de que la desviación típica de una población no difiera de la desviación típica muestral en más del 2%? 6. Si se toman n observaciones. La desviación típica compañía. r. Xn de una población distribuida normalmente con media ¡l y varianza ¿Pueden determinarse estimas de máxima verosimilitud de ¡t y o2 en términos d. X¡. hallar la estim-a de máxima verosimilitud de z. hoblema 6. Determinar los intervalos de confianza del (o) 98%v @\gOVapara larelacióndelasdesviacionestípicasdel Dos muestras de tamaños 6 y E respectivamente tienen la misma varianza.53.042 cm y 0. .(b)v:12. 6. . ESTIMAS DE MAXIMA VEROSIMILITUD 6.61.55. Una población tiene una función de densidad dada por i@l = 2rt/r/" ¡2s-v*.

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

la probabilidad de cometer error del Tipo I.1. se dice que la hipótesis se rechaza al niuel de significación del0. al diseñar un ensayo de hipótesis. entonces hay aproximadamente 5 ocasiones en 100 en que se rechazaría la hipótesis cuando debería ser aceptada. por ejemplo se elige un nivel de significación del O.)/o.05.05 o que la z obtenida del estadístico muestral dado es significatiua al niuel de significación del 0. z > I.7-l Sin embargo.1.. ? II.96 a 1. En tal caso se dice que la hipótesis ha sido rechazada aI niuel de significación del O. Entonces la distribución de la variable tipificada dada por Z : (S ¡. En la práctica.96 a 1. es una normal tipificada (media 0.El conjunto de lasz que se encuentran dentro del recorrido . se está con un 95% de confianza de que se toma la decisión adecuada.05 si la z obtenida para el estadístico S se encuentra fuera del recorrido .96. ENSAYOS REFERENTES A LA DISTRIBUCION NORMAL Pa¡a aclarar las ideas anteriores.05 (área sombreada de la figura) si la hipótesis fuese verdadera. va generalmente acompañádo por un incremento en el otro tipo de error. Entonces puede decirse que esta z difiere signifícatiuamente de la que cabía esperar bajo esta hipótesis y se estaría inclinado a rechazar la hipótesis. Esto equivale a decir que el estadístico muestral observado es significativo al nivel del 0. debe diseñarse de forma que minimice los errores de decisión. si la hipótesis es cierta..05 es el nivel de significación del ensayo. supóngase que con una hipótesis dada.O5.95). Así pues. varianza 1) y se muestra en la Fig. y así se tiende a conseguir poner una limitación al error de mayor importancia.96 podía entonces llama¡se región de aceptación de h hipótesis o región de no significación. la distribución muestral de un estadístico S es una distribución normal con media p" y desviación típica o".. Representa la probabilidad de rumeter error al recbazar la hipótesis es decir. ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.96 a 1. si al elegir una muestra aleatoria se encuentra que z para ese estadístico se halla fuera del recorrido .1.96 (es decir. 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. un tipo de error puede tener más importancia que el otro. ¡--lglj . 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. En la práctica se acostumbra a utilizar niveles de significación del 0. . generalmente se fija antes de la extracción de las muestras. Como se indica en la figura.lo que significa que se puede cometer error con una probabilidad de 0.96 (puesto que el área bajo la curva normal entre estos valores es 0.96 y 1.05 6 6"/. Esta probabilidad se denota frecuentemente por o. 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. La única forma de reducir al tiempo ambos tipos de error es incrementar el tamaño de la muestra. de modo que los resultados obtenidos no influyen en la elección.1. lo que quiere decir que es un suceso con probabilidad de solamente 0. El área total sombreada 0.01.96 ó z 1. es decir. lo cual puede ser o no ser posible. el valor de e obtenido de una muestra real para el estadístico S se encontrará entre 1.05 ó 0.96). De acuerdo con lo dicho hasta ahora.96 constituyen lo que se llama región crítica o región de rechace de Ia hipótes¡'s o región de significación. Si.O6El conjunto de las z que se encuentran fuera del rango -1.96 a 1. 7-1. aunque igualmente pueden emplearse otros valores. un intento de disminuir un tipo de error.=lD6 I'ig. se puede estar con el 957o de confianza de que.212 error del Tipo da. Esto no es tah sencillo como pueda parecer puesto que para un tamaño de muestra dado.

utilizando un ensayo de dos colas. Debe ponerse de manifiesto que puedgn igualmente emplearse otros niveles de significación. Tales ensayos se llaman ensayos de una cola o ensayos unilaterales. como por ejemplo. La variable tipificada viene dada por Aquí S : X. Por ejemplo. 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). Z = -. Valores críticos de z para otros nivelei de significación.10 0. es decir.cAP.05 001 45 0. 1. puesto que la suma del nivel de significación y el nivel de confianza es L00%.28 1.. Por esta raz6n. con frecuencia se puede estar solamente interesado en los valores extremos a un solo lado de Iá media. donde o es la desviación típica poblacional y n es el tamaño de la muestra. 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. Ia región crítica es una región a un lado de la distribución.7l / ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2L3 (b) Se acepta Ia hipótesis (o si se desea no se toma decisión alguna) en caso conhario. Entonces. aceptaríamos -EI6 de que la media poblacional es p : o utiliza¡íamos el estadísti-EÍe (o al menos no lo .6 1. que da los valores críticos de z para ensayos de una y dos colas a distintos niveles de significación. Medias.96 en todo lo visto anteriormente por 2.01 se sustituiría 1.88 2. Cuando es necesário se utiliza la desviación muestral observada s (ó G). La Tabla 7-1.58 (véase Tabla 7-L).33 -2. media poblacional. o. En tales casos.58 2.28 ó -1.08 ENSAYOS ESPECIALES DE SIGNIFICACION PARA GRANDES MUESTRAS Para muestras grandes. 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. en las dos "colas" de la distribución. en una "cola" de la distribución. = op: o/1/i.-: ú1V11..08 y 3.58 ó -2.96 1. Para ensayar la hipótesis nula (f) co (I ). se pueden encontrar utilizando la tabla que da las áreas bajo la curva normal.88 y -1. Véanse páginas 158 y 160.002 ó -t. con área igual al nivel de significación.la X-. es decir.33 ó -2.645 y 1.58 y -2. Si4 embargo.i: ¡t. página 195. Tabla 7-1 Nivel de significación o Valores críticos de z para ensayos unilaterales Valores críticos de z para ensayos bilaterales 0.8I -3. Los co.58 2. media muestral. puede también emplearse.96 y -2. tss =. tales ensayos se llaman ensayos de dos colns o ensayos bilaterales.81 2.645 1. si se utilizase el nivel del 0. será de utitidad para propósitos de referencia. para estimar o. La Tabla 6-1.645 cí 2. los resultados son para poblaciones infinitas o para muestreo con remplazamiento' Para muestreo sin remplazamiento de poblaciones finitas los resultados deberán modificarse. En cada caso.005 0.

. Sean Xr V iz las medias muestrales obtenidas en dos muestras gtandes de tamaño nt y nz extraídas de poblaciones respectivas qqe tienen de media lt y ttz y desviaciones típicas ot y oz.e6 = "ñ+ = 1. donde p es la proporción y n es el tamaño de la muestrsi o" : o. Proporciones. utilizando un ensayo de una cola. ¡r" : ltp : p. '\ l x2 (7) ¡ donde se puede. La variable tipificada viene dada por z: En el caso de que P . de éxitos en la población (4) Aquí S : P. la proporción de "éxitos" en una muestra. = 0 O:. Para otros niveles de significación cambiaríamos (2) apropiadamente. 3.05 si (véase Tabla 7-1). haciendo gr : Irz s€ ve que la distribución muestral de la diferencia de medias se distribuye aproximadamente como una normal con media y desviación típica dadas por . Diferencias de medias.. donde e : ! . si es necesario. utilizar las desviaciones típicas muestrales sr V sz (ó 0t y 3. Entonces.. página 159.= X/n. es decir. Para ensay¿ü la hipótesis de que la media poblacional es menor que a acepta- iñ 2.De (//).-'._ = Xr-X" \.-X2-0 z _:.p. 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. Considérese la hipótesis nula de que no hay diferencia entre las medias poblacionales. como estimas de or y 02..2I4 ENSAYoS DE HIPoTESIs Y sIGNIFIcAcIoN lcAP. : ltulln. lt : !z.05 si ry olVn ríamos. donde X en es el P-p \/pql" (5) número real de éxitos en una muestra.r. (5) se convierte (6) Z= X-np \nLPrI Consideraciones semejantes a las hechas anteriormente para medias pueden hacerse.*r_*. aceptaríamos Ilo (o al menos no la rechazaríamos) al nivel 0.05 si p¿üa una muestra específica de tamaño n con media r (2) -1. ? rechazaríamos) al nivel 0.EIo 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..e6 y lo rechazaríamos por el contrario. Con la variable tipificada dada por X.

Los siguientes son algunos ejemplos. X: y Sr ¡l 52 . excepto que se utiliza 3:tftl@=TS enlugardeo. Medias. p1 : p2. 1. etc. se ve que la de pioporciónes se distribuye aproximadamente como una dadas por traldeladiferencia y desviación típica (e) Itn. 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. Considérese la hipótesis nula de que no hay diferencia entre los parámetros poblacionales. Esto es análogo al utilizar la variable A X-. _s-6-: X-l ?/t (1 1) donde es la media de una muestra de tamaño n. Supóngase que se extraen aleatoriamente dos muestras de tamaños nr Y n. Pt : trz lo mismo que 01 : sz) se utiliza el valor de ú dado por T- Xt-Xz 11 "\l nr. en cuyo caso se reducen a las dadas anteriormente. Para ensayar la hipótesis I/o de que las muestras provienen de la misma población (es decir. Con la variable tipificada 2 v _ Pt-Pz-O "Pf \ Pt-Pz oPf P. haciendop.t para grandes n. chi-cuadrado. Los resultados también pueden emplearse cuando la distribución no es exactamente normal pero tiene una curva de distribución en forma de campana. La tipificada t =:# X diferencia estriba en que mientras Z se distribuye normalmente. F. respectivamente. = t.cAP. ? sigue una distribución de Student. página 159.- se utiliza como una estima de la proporción poblacionalp. y así lasmuestras son realmente extraídas de la misma población.t. Diferencias de medias. Estas distribuciones incluyen la teoría de muestreo exacto y lógicamente son válidas aún cuando las muestras son grandes.n" 1 donde r¿rS? r¿r+n!-2 + n:S:2 (1 2) . y P2 las proporciones muestrales de dos grandes muestras de tamaños txt Y ttz extraídas de poblaciones respectivas que tienen proporciones pr V p2 . 2. Ensayos de hipótesis semejantes a los de las medias en la página 213 pueden hacerse empleando valores críticos de ú en cambio de valores críticos de z. Para ensayar la hipótesis IIo de que una población normal tiene de media ¡r utilizamos q1 .: X-¡. r" : 0 donde P = orr-*. Diferencias de Proporciones. página 162). (10) se puede ensayar las diferencias observadas a un nivel de significación apropiado ensay¿u la hipótesis nula. es decir. : pz: P. y de este modo Ensayos referentes a otros estadísticos pueden diseñarse análogamente. como Ia ú de Student. de poblaciones normales cuyas desviaciones típicas son iguales (ot: o2). $upóngase también que estas_dos muestras tienen medias y desviaciones típicas dadas por X.. Sean P1 De (JJ). 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2L6 4. (véase Tabla 5-1.T.

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

GRAFICOS DE CONTROL DE CALIDAD importante conocer cuándo un proceso ha cambiado suficientemente. POTENCIA DE UN ENSAYO Se ha visto cómo el error del Tipo I pued.32 y 7. poüíamos realmente emplear el intervalo de confiaíza del Capítulo 6 para e¡¡sayar ttipótesir. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 2t7 R.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. qué tamaños de muestras deben emplearse. (/ ) en la (1e) ñ _ L.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.7. Sin embargo. érrores de los empleados. Los gróficos de control suministran un método útil y sencillo para tratar tales problemas (véase Problema 1. 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. la si de modo que puedan darse los pasos rápid ejemplo en control de calidad. el enmyo chi-cuadrado. Es posible evitar el riesgo de error < nunca la hipótesis. 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.29). al menos en el caso de los ensayos de dos colias.31). Un resultado semejante para_ ensayos de una cola requeriría intervaloi de confianza unilateralás.33.136 y también Problema 6. por ejemplo. A pesar de que la necesidad de tales intervalos es rara' es posible definirlos (véase Problema 7. El método utilizado general: típica de la muestra para estimar la media y des 7. .30. r a¡ la bondad d. etc. CURVAS CARACTERISTICAS DE OPERACION. conviene utllizar papel grófico de curua normal o papel grófico de probabilidad. El problema de ensay En un intento para determina¡ si una distribución normal representa un buen ajuste para datos dados.05 es eq pigtm 195 conducente al intervalo de confianzadel96"/o se puede obsenrar que existe u eoría de ejemplo. Útt "trrayo ajuste de distribuciones teóric as. como a veces se le llama (véase Problema 7. donde s camb se deben simplemente a fluctuaciones causa de deterioro en las máquinas.14). significación.cAP. se describe más adelante.elo vn vn Por tanto. es posible frecuenten llamadas "modelos" o distribuciones "esperadas") tras de la población.

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

hay un-a y según las reglas de probabilidad' o esperada gue se calcula bajo ncia se llaman frecuencías elemen' q. (blv : k . rechaza llo al nivel de significación correspondienl rechazará.re ócupan ias corliilas de uná t tales. las frecuencias esperadas se calculan de acuórdo con una hipótesis flo.m si las frecuencias esperadas solamente pueden calcularse estimando m parámetros de la población a paftir de los estadísticos muestrales. es decir. TABLAS DE CONTINGENCIA (léase "1por h")..-Este procedimiento se llama ensayo o prueba de ehi-cuadrado de la hipótesis. cero debe mirarse demasiado bien con ncias obiervadas concuerden en que x2 estÉ muy próximo Además de aplicarse a la distribución multinomial.. en las que las fre tabla de clasifict¡' tabhs gencia. d. se calcula el estadístico (2tt\ x2 = ?g#a donde la suma se extiende a todas las casillas de la tabla de contingencia. los símbolos X¡ Y nP¡ representan respectivarnente las frecuencias obsenradas y esperadas en la casilla i.r. que son los valores crít -se deduce que las frecuencias mente). de Poisson.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. en cuyos casos se decide que i" concordancia es bastante buena a los niveles de significación de 0. las frecuencias observadas y esperadas concuerdan exactamente. Esta suma que es análoga a (21). no toinciden exactamente.Si bajo esta hipótesis el valor calculado de x' como xf. Adviértase que el restar 1 a k es a causa de la óondición restrictiva (221 que denota que si son conocidas k . la prueba chi-cuadrado puede-ser empleada para determinar de qué forma distribuciones teóricas talés como la normal. las esperadas.05 a 0. mayores son las discrepancias entre las frecuencias obsen¡adas y esperadas. A valores mayores de y2. La frecuenciá total de cada fila o columna es la llamada frecuencin marginalPara estudia¡ el acuerdo entre las frecuencias observadas y esperadas. mientras que si ¡z. etc..L . aquellas que se obtienen de los datos muestrdes.01 respectivamente. c aproxima muy estrechamente ción mejora iguales a simbolo en (-21) si las frecuen para los valores superiores.) 0. pu-esto queDebe advertirse que en a. se . En la práctica. por (21) se muestral a Como se demuestra en el elección de or tanto. . Véase Problema 7.44. El número de gradosrde libertad z está dado por (a) v : h . La suma de todas las frecuencias obsenadas se denota por n y es igual a la suma de todas las frecuencias esperadas [comparar con la ecuación (22)1. ó ¡f. la fiecuencia restante puede ser determinada. aq con cierto recelo. ó Xl.ENSAYOS DE HIPOTESIS Y SIGNIFICACION Si v2 : 0.j*h a distribuciones empíricas. contiene hh térmnos.1 de las frecuencias esperadas. paíá examfuia¡ tales situaciones se puede determinar si el valor calculado 4" I' ": -"noi eue ¡2".

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

I0 Probabilidad pedida : : área bajo la curva normal e¡tíe z: 2(áreaentre z: O y z: -2.5 y 60.lO 2.1.-210 caras) FiE.) =. Región de recbace ? El error que se puede cometer de rechazar la hipótesis (39./ 1" (. 7-2.9642 : 0.5 - 50 = 2. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 22r Problema.2.5 . \ql .en unidadee tipificadas = 60.. Por esta razón.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. Si en una serie de 100 lanzamientos sg obtiene una z entre -2.10) 7. la probabilidad de no obtener entre 40 y 60 caras inclusive si la moneda está bien hecha 1 .e la regla de decisión y es igual a 0. probabilidad de error del Tipo I) se llama níuel de significación d. se rechaza.0358 en este casc.0358. /1Y.s resueltos ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NORMALES 7. (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. entre 40 y 60 caras inclusive es lo mismo que entre 39.5./lY' (.58%.. .10 y nq son ambas mayores de 5. cuando debería aceptarse q el error del Tipo. Para ensayar (c) Hallar la probabilidad de rechazar la hipótesis.0358. 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' .L0 y 210. 53 (o) (b) Por el Problema 7. ambos inclusive.0.0358 6 3. (b) Interpretar gráficamente la regla de decisión y el resultado del apartado (c). Hallar la probabilidad de obtener entre 40 y 60 caras inclusive en 100 lanzamientos de una moneda.. En una escala continua. La regla de decisión se ve gráficamente en la Fig. puede utilizarse para la er¡aluación de la suma anteriqr la aproximación normal a la distribución binomial.que muestra la distribución de probabilidad de caras en 100 Ianzamientos de una moneda bien hecha. se dirá que esta z difiere significatiuamente de lia que cabría esperar si la hipótesis fuese cierta.tp = 1oo(.'lóJ /1Yo .. el área total sombreada (es decir.) +'noc. cuando en realidad es cierta.5 en unidades tipificadas = q9'5-:-E 60.7-2 z (60.1O y z: 2.I de la regla de decisión y la probabilidad de cometer este error es igual a 0.0358 del apartado (o). Entonces la probabilidad de rechazar la hipótesis cuando es correcta : 0.5 caras. 39. Así. (2) de otro modo. -.'| rrx'ti'\r/ /tY' \-/ \-/ \-/ \-/ \-/ La media y la desvi¿ción típica del nf¡mero de ca¡as en 100 hnzamientos vienen dadas por t. se acepta la hipótesis.CAP. .1. uo Pueeto que np o-{ffi=['r{ffi=' = _2. Según la distribución binomial. pues se habla de rechazar la hipótesis a un nivel de significación de 0. de otro modo se rechaza y se decide que la moneda no está bien hecha. la hipótesis de que una moneda está bien hecha. está representado por el área total sombreada de Ia figura.

1.96 y 1.01 . (d) Si.96.575). una posible regla de decisión es: (I ) Aceptar la hipótesis de que la moneda est:á bien hecha si Z está entre -1. Así. por ejemplo. Siguiendo el mismo procedimiento del método segundo del apartado (o ).96 y 1.(X-32)14:-1.58(4):21.bg (másexacüarnente 2. (b -1.58(4\: 42. sería el caso cuando la probabilidad de cara fuese realmente 0. -zr Fis.? en lugar de 0.5. Se puede aceptar la hipótesis cuando realmente debería rechazarse como.222 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.5) .005.t6. se ve que con probabilidad 0. El error que se comete al aceptar la hipótesis cuando debería decisión. Se puede argüir que con solo una cara más que se hubiese obtenido. Entonces.84.25.1.O.025 por simetría.96. np. (2) Rechazarla en cualquier otro caso.5000 .96 < z < 1. SiZ:1. Diseñar una regla de decisión para ensayar la hipótesis de que una moneda est. Segundo método: Con probabilidad 0.32.96_ (2) Rechazar la hipótesis en cualquier otro caso. es decir.(X-32)l¿:1-96óX:39. Estopuedetambién - el número de ca¡as se encontrará entre lr 2. en ambos casos se aceptaría la hipótesis de que la moneda está bien hecha.96yñpq lleva a Ia regla de decisión anterior.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{npq o entre 32 - 1.96(4)< (x6 32.0050 :0. 7.32 y o -= t/iw = y'6llos)(05) = = (X p)/o 4 bajo Ia hipótesis de que la moneda está bien hecha.960.4950 ! zt = 2. nótese que la media y la desviación típica de la distribución binomial exacta de caras están dadas por ! .58o. (o) Primer método: Si el nivel de significación es 0.2.96(4)< X< 32 + 1. 89. es decir.16<X< 39. Entonces. el número de ca¡as se encontrará entre ¡¡ decir. pues. ? (c) Según la regla de decisión.96. caras se encuentra entre (2) es Se rechazá la hipótesis en caso contrario.< 1. cada6rea sombreada en la Fig.01.95. Esto es lo que se debe afrontar cuando para tomar decisiones se toma cualquier línea de división. . 2. Si el nivel de signilicación es 0. cada área sombreada en la figura anterior es 0.O25O : O-4750.1.96(4) :24.966X=24.y z¡ : 1.96.5000 0.1.3.99 . Entonces el área entre 0 y zr = 0. es decir. (i ) Se acepta la hipótesis de que la moneda está bien hecha si el número de 24.76y 32+ -1.16 y 39. g2-2.84.96(4): 1.que también conducea ) obtenerse de la Tabla ?-1.23-7.7-B 2r Los valores críticos la Tabla 7-1- -1.96 equivale a .84que 32) < 1. Para mayor discusión véanse Problemas 7 rechazarse ea error del Tipo 1I de la . Entonces Z la regla de decisión resulta: = (X - 32\14.96(4).np: 64(0.Asípues.05 y (b) 0.960 y ¡J + l.96(4) la regla de decisión anüerior. se habría rechazado la hipótesis.84.58o y pt*. el área entre 0 y zr es 0.5i2:-1.á bien hecha si en una muestra de 64lanzamientos de la moneda se toma un nivel de significación de {c) 0. Tercer método: y np+1. entre 25 y 39 ambos inclusive. 7-3 es 0. 24.68 y Bz + Entonces la repla de decisión sería: (l) Aceptar la hipótesis si el nfrmero de caras se encuentra entre 22 y 42 inclusive.05.96 <(x-gz)l¿.

Se elige un ensayo de una cola.05. se concluye que los resultados del experimento anterior wn probablemente significatiuos.S. la decisión rnantiene es decir.98 es mayor que 1.25\15.33.05. 7-4 de modo que el área sombreada en la región crítica de r¡alores alüos sea 0.np = 50(0.01 ¡on altomente significatiuos. 31. Es desconocido-para el zujeto cuántas cartas rojas o azules hay en el lote. Rechazar Ia hipótesis en ca6o contraúo. lo que se hace es simplemente no rechazarla. Si la hipótesis está dado por ff6 es cierta. la regla de decisión del Problema 7. 7-4 Puesto que 32 unidades tipifrcadas (32 . Si el zujeto identifica conectamente 32 cartas' determinar si los resultados son significativos al nivel de significación de (c) 0. Para evitar este etlor. (D) Sielniveldesignificaciónes0. Esto puede también eacarse de la Tabla 7-1.omete al aceptar una hipótesis que debería ser rectrazada.5 y el sujeto tiene fuerza de E. Seglrn la üerminologfa.5 .06 son no significatiws. 7.05 y el indiüduo tiene fue¡za de E. entonces se tiene que decidir entre las dos hipótesis siguientes: Si Hoi p: 0.ar la hipótesis si el número de caras se encuentra e¡fte 22 y 42 inclusive.entonceseláreaent¡eOyzt:0. Una completa discusión de tales casos requiere l¿ consideración de errores del fipo II (véanee hoblem¿s 7.01.645.S.64:1.S.01.64: 1. Así por ejemplo.84 llegándose a Ia misma conclusión anterio¡.Puestoque32(ó 31.54 p=.5) = zb ! o=\/wq = /86(05)(-05) = ¡/Es = (a) Para un ensayo de una cola al nivel de significación de 0. Sin embargo. los resultados significativos al nivel del 0.05 y (b) 0.P.645. Fig. es decir. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 223 7. es decir. de modo que posteriores investigaciones del fenómeno están probablemente justificadas.645.4900Y2r:2.P. Algunos estadísticos adoptan la terminología de que lios resultados significativos al nivel del 0.5 üiene un valor tipificado de (31. no significativos al nivel del 0.P. la media y la desviación tfpica del número de cartas identificad¿c correcüamente 3. En un experimento sobre percepción extrasensorial (E.6. en lugar de aceptar la hipótesis.98 (ó 1. los resultados son significativos al nivel del 0.05 el individuo tiene fuerza de E.4500.S. sino en la facultad de obtener aciertos numerooos.3 que evite el enor del Tipo T? El error del Tipo I[ se c.3(b) serfa: (I ) (2) No recltzz. la regla de decisión o enaayo de significación es: (f ) Si la z observada es mayor que 1. p es la ptobabilidad de que el sujeto elija conectamente el color de una catta. Entonces el área enüre O y zt = 0.05 pero no al nivel del 0.26'). Y zr : 1.) un individuo (sujeto) en una habitación fue preguntado sobre el color (rojo o azul) en una carta elegida por otro individuo en otra habitación-de un conjunto de 50 cartas bien barajadas.23-7. los resultado¡ son totalmente casuales Ht: p ) 0.P. puesto que no se está interesado en la facultad de obtener valoree bajos. Asfrpues. en muchos ejemplos prácticos es importante decidir si una hipótesis debe eer aceptada o rech¡zada.645 los resultados Be deben a la casualidad. . se deduce que los reeultado¡ no son significaüuos al nivel de 0.06 se debe elegit z1 en la Pig.5 V el sujeto está simplemente adivinando.84) que es menor que 2. se concluye que al nivel del 0.01.cAP.4. lo que efnificarfa que ee rehuaa cualquier decisión en este caso.33. ¿Cómo se podría diseña¡ una regla de decisión en el Problema ?.5) en unidades tipificadas es 1. zl (2) Si z es menor de 1.26)13. (I) ee Adüértase que tealmente debería aplicarse una conección de continuidad. Sin embargo.5. mientras que los resulüados significativos a niveles superriores al 0. puesüo que 32 en una eecala continua está entre 31-5 y 32.01 son probablemente significotiuos.

como puede deducirse del koblema 7. o de la Tabla 7-1.Ossetienelasiguienteregladedecisión: (/) Se rec}raza 116 si la z de la media muestral está fuera del rango .84):0.r¡ = a. (2) Se acepta l/6 (o no se toma decisión alguna) en caso contrario.. si el área sombreada en la Fig. H1: ¡t* 1600horas Un ensayo bilateral debe utilizarse aquí puesto que g * 1600 incluye valores mayores y menores de 1600. en este problemapuesto quep(Z > 1.dondegvoscnlamediayladesviacióntípicadelapoblación de todos los tubos producidos por la compañía.S. altamente significatiuos (véase final del Problema ?.P.01. \/"pq = /?2ooxo.9 y la aseveración es correcta es falsa Hy: p10.7. puesto que Ee esüá interesado en determinar si la proporción de gente aliviada por la medicina es demasiado baja. por un período de 8 horas.9)(o. Entonces tre las dos hipótesis: se debe decidir Ho: p: 0.$) : 1AO y " - 7. que es mucho menor de -2. 7. (2) En caso contrario.5).33. .5(b). mediante la simetría de la curva. 7 Puesto que los niveles de significación sirven de guía en la toma de decisiones. ta probabilidad citada en-este caso 0.En una muestra de 200 individuos que tenían la alergia la medicina suministrada alivió a 160 personas.05 y (b) 0. es sobre el 3 por 100.0322 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. entoncegz¡ : -2. El estadístico bajo consideración es la media muestral X.l8O)14.0322.23. Si ¡. lt:1600 hora. El fabricante de una patente médica sostiene qu€ la misma tien'e un 9O% de efectividad en el alivio de una aler_gia.33 (en cuyo caso se rechaza H¡). la aseveración es legítima y los resultados obtenidos se deben a la casualidad (en cuyo caso Si se acepta 116 ). Asípues. es decir. con una desviación típica de 120 horas.01 . 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. Se tiene que decidir entre las dos hipótesis: Ho.01. Si se toma el nivel de significación del 0. Determinar si la aseveiación del fabricante es cierta.224 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.33. .1.96 a 1. 3. se llama a veces niuel de significación erperimental o descriptiuo.23: -4. La duración media de una muestra de 100 tubos fluorescentesproducidosporuna compañía resulta ser 15?0 horas. 7-5 es 0. (a) Paraunensayobilateralalniveldesignificaciónde0. Denótese porp la posibilidad de obtener alivio de la alergia utilizando la medicina. Ahora 16O en unidades tipificadas (160 .9 y la aseveración Se elige un ensayo unilateral. La distribución muestral de X tiene una media r¿x-Éyunades.s.96. comprobar la hipótesis ¡¡ : 1600 horas contra la hipótesis altemativa r¡ # 1600 horas con un nivel de significación de (a) 0. algunos estadísticos citan las probabilidades reales inherentes.6.viacióntípicaop:s/1/i. Se zl Fig.r es la duración media de todos los tubos producidos por la compañía. 7-5 toma como regla de decisión: (1) La aseveración no es legítima si Z es menor de -2. Por ejemplo.

01. Ilo es aceptada (o no se toma decisión alguna).33.1800 -------------ó. (1 Hs si Z es menor de -1. Al nivel de significación del 0. y hay un cambio en la resistencia Aquí debe emplearse un ensayo unilateral (véase Fig. 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. ¡.58 a 2.7 Como en el Problema de significación del 0.33. puesto que z -2.05 y (b) 0. Entonces.01 la regla de decisión es: ) Si eI valor de z es mayor que 2. basadas en ensayos de una o dos colas. no están siempre en concordancia.7(a).1600)/12 : (L570 .96 a 1. 7-5 es -2.7(b) mediante un ensayo bilateral. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 226 eneuentra fuera del rango Bajo la hipótesis I/6.s frente a la alternativa horas. se ensaya una muestra de 50 cables y se encuentra que su resistencia media es de 1850 libras.0Sysetieneque zt : Se adopta. se tiene X-p ol\n 1850 . Esto cabe. Adviértase que esta decisión es la misma que la obtenida en el Problema 7.¿ 7. se acepta Ile (o no se toma ninguna decisión) al nivel de sfinificación del 0.Ff6 (o no se toma ninguna decisión) en caso contrario.33. hay un aumento de resistencia al nivel de significación del 0.01 eI valor de z1 en la Fig. (a) Sielniveldesignificaciónes0.9. que es menor de -2. Las decisiones concernientes a hipótesis'lfe dadas. el valor de e es -2. se rechaza /16 al nivel de significación del 0.645. De aquí se deduce que los resultados son olúamente significatiuos y Ia aspiración de mejora debe ser admitida. (2) S.1600y12 : -2. ¿Puede mantenerse que. fle al nivel (b) Si el nivel de significación es de 0.01.7(a) mediante un ensayo bilateral.7. se tiene g : 1600 y o* = a/t/n = 120/\/L00 = 12.05.01. (a).01? Se tiene que decidir entre las dos hipótesis: Ho: lJ: Ht: lt > 1800 libras. Como en el Problema 7. . acepta H6 (o no se toma ninguna decisión) en caso contrario.96 en la regla de decisión del apartado (c) se sustituye por -2.50. que es menor de -1 . con los niveles de significación de (¿) 0.01. De aquí que se adopte la regla de decisión: (I ) Se rechaza H¡ si Z es menor de -2. puesto que se ensaya I/6 conha una alternativa diferente en cada caso. ensayar la hipótesis p : 1600 hora.05.05.33 los resultados son significativos al nivel de 0. laregiónsombreadadelaFig. naturalmente esperarse. se rechaza pues.50 se encuentra dentro de este rango.50. Bajo la hipótesis de que (I es rechazada. II1: ¡t{ 1600 horas. I/e es cierta. /ls al nivel de significación del 0. Puesto que / : (X . ' (b) Si el nivel de significación es 0. En el Problema 7.645. 7. Adviértase que esta decisión es idéntica a la obtenida en el Problema 7.645.50 se -l . Debe aquí utilizarse un ens¿ryo unilateral (véase Fig. el valor de z es -2.01 y.8. en efecto. el rango -1. Se ¡ecltaza 7 .T-Stieneunáreade0. ) (2) Se acepta. y realmente no hay cambio en la resistencia 1800 libras.96 a 1 .F/0 (2) De otro modo. por tanto la regla de decisión: -L.cAP. Mediante una nueva técnica en el proceso de fabricación se aspira a que esta resistencia pueda ser incrementada. se rechaza pues.33. utilizando la desviación típica muestral como una estima de o. Para ensayar esta aspiración.9 6.oo loo/v5o que es mayor de 2.58. 7-4). 7-5). Se debe < 1600 decidir entre las dos hipótesis: Ho: lJ: 1600 horas.

¿Hay una diferencia significativa entre el restfltado de las dos ciases al nivel de significación de (a) 0.5 pulgadas. En la primera clase la puntuáción media fue de 74 con una desviación típica de 8.8 pulgadas.11. es decir. Enton- Bajo ferencia de medias están dadas por Ho: ltt : llz. se deduce que los resultados son probablementesignificatiuos.hay una diferencia significativa entre las dos clases la hipótesis lls. ?. =o n*r-rr"= "? . de acuerdo con la terminología utilizada al final del Problema 7. mientras que en la segunda clase la puntuación media fue de 78 con una desviación típica de 7. Debe sin embargo ponerse de manifiesto que la hipótesis puede rechazarse al nivel de 0.la estatura media del primer gtupo ^o hay diferencia entre las estaturas mediases mayor que la del segundo ur?. I vez cada 10. Para un ensayo bilateral. Ensayar la hipótesis de que los estudiantes que participan en las pruebas atléticas son más altos que los otros.-*. Así pues. De aquí se deduce que al nivel de 0. "Z= l8r.e o1 y o2. n2 = 0. se rechaza la hipótesis lls si el valor de z fuese mayor de 1.10. 7.96.10 si se está dispuesto a correr el riesgo de tomar una decisión errónea con una probabilidad de 0.01 si Z se encuentra fuera del iritervalo -2.5. mientras que 50 estudiantes que no mostraban interés en tal participación tenían una estatura media de 67.01? ces.2 pulgadas con desviación típica d. no se puede rechazar la hipótesis a este nivel de significación.05 si Z se encuentra fuera del recorrido -1.606 donde se han utilizado las desviaciones típicas muestrales como estimas d. = o n*r-'^" = !t-". Se hizo un examen p dos clases formadas por 40 y 50 estudiantes respectivamente. ! la diferencia se debe simplemente al azar H t : Pt * ¡t2 . La estatura media de 50 estudiantes de un colegio que tomaban parte en las pruebas atléticas fue de 68. . los resultados son significativos al nivel de 0.96 a 1. - l"? . La media y la desviación típica de la di- uir-i. De aquí se deduce que al nivel de 0. p2 . Se debe decidir entre las hipótesis: Ho: llt : H t: Ft ) Bajo la hipótesis. = o*r-fr.10.645.El6 .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. ltz .05. = 1# = -2.05.01 no hay diferencias significativas entre ambas clases. !40*50 = 1. z ENSAYOS RELACIONADOS CON DIFERENCIAS DE MEDIAS Y PROPORCIONES 7.05 pero no al de 0. se tiene que Supóngase que las dos clases provienen de dos poblaciones que tienen de medias respectivas decidir entre las hipótesis: l\ y tJz.58.e 2. Entonces z= (a) (ó) Pata un ensayo bilaüeral. ambas clases provienen de la misma población.226 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [g.01.0ó hay una diferencia significativa entre las dos clases y la segunda es probablemente mejor.58 y 2.5 pulgadas con desviación típica de 2. los resultados son significativos al nivel de 0. (b) 0.4s Puesto que los resultados scin significativos al nivel de 0.lp. ft1 "8..

0648 donde se ha utilizado como estima de la proporción 65)1200 : 0. = p de curas 0. (a) o. deberá incrementarse el tamaño de cada grupo en ?8 será significativa al nivel de 0.10 se rechazaría f/e solamente si el valor de z fuese superior a 1.8 í¡ n>78 50 Así pues. urr-r'. Se administra un suero al grupo A. siendo en todo lo demás los dos grupos tratados idénticamente.7 3.05 si Yif-t'uou (b) La diferencia observada ó 1/-n=8.7 observada en las estaturas medias se tiene xt .l las diferencias observadas son debidas al az.r. Dos grupos A y B fo¡mados cada uno de 100 individuos. Entonces ry- en los dos grupos muestrales el valor (?5 * P. Ensayar la hipótesis de que el suero ayuda a curar la enfermedad al nivel de significación del (a) 0. 7. (b) 0.5¡z ¡ ".L2. (ó) De acuerdo con un ensayo unilateral (c) Si se utilizase un ensayo unilateral al nivel de significación de 0.54.7\n 3'75 La diferencia observada será significativa al nivel de 0.09 3. Se debe r! p2.70 y donde q : 1 p : 0. (b) 0. Denótese por P utiliza¡ suero. (c) 0:10.13. el suero no es efecüivo Ho: Pt : Pz. Puesto que esta condición es satisfecha. pero no al grupo B (que se llama gtupo control). se deduciría que el suero es efectivo al nivel de significación de 0.05.7 pulgadas en las estaturas medias sea significativa al nivel de significación (o) 0.tt d \/a>r2. respectivamente las proporciones poblacionales curadas ( I ) utilizando el suero . ui'!!=r.ebr(-#.05.01. padecen una enfermedad.zt.54 (c) De acuerdo con un ensayo unilateral al nivel de significación del 0.?50 - = 1.II para que la diferencia observada de 0. se tiene ._P" orr.75 n . Puesto que el valor de z es 1.33.01? Supóngase que el tamaño muestral de cada grupo eB n y qLe las desviaciones típicas manecen iguales a las de antes. ¿En cuánto deberíán incrementarse los tamaños de muestra de cada uno de los dos grupos en el Problema 7.645. Se encuentra que en los grupos Ay 8.o*r-*. H t : pt ) pz.5 ó t57 n>1b? 50 De aquí que se debería incrementar cada muestra en al menos : lO7 . 0.t.#) = 0. se debe deducir que los resultados se deben al azar a este nivel de significación.zorro.650 0.10. 14. Entonces.r-r. = o o. = 0 V p".ir_*. . (2 ) sin decidir entre las dos hipótesis: es decir. se rechazaría la hipótesis IIs solamente si z fuese mayor de 1.75/\n 0. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION 227 7. bajo la hipótesis tiI6. respectivamente se han recuperado de la enfermedad.y el suero es efectivo Bajo la hipótesis 116. = o?. se r*}lrazaría lahipótesis1116 solamente si z fuese mayor de 2."2 nn (2..28.xz 4 .CAP.0648 ro. al nivel de significación del 0."io" dos grupos per- o*r- *.75 y 65 individuos. De donde se deduce que a este nivel tambiénlas diferencias se deben al azgt./" Para la diferencia de 0.05.30.01.01 si : 28 al menos.

zol ro.56)(300) 0.48)(200)l/500:0. (b) el candidato sea preferido en el distrito A. en muchos casos es imposible el aumentar el tamaño de la muestra.70 utiliza como estima dep.195y600:0. Puesto que éste es el caso. En tales casos. l'pr-pz = donde (225 0 ú¡'.Puesto queZ:1. . se rechazaría Hs si Z estuviese fuera del in' tervalo-1 .560 dondesehautilizadocomoestimadepyqlosvalores +(0. se debe decidir entre la hipótesis (Ho : P t : pz\ y (Ht : P t * pz). se compone de 300 individuos y si se curan 225 i* : 0.sol( r*-L * r*-L ) : 0. se está forzado a toma¡ decisiones en acuerdo con la información utilizable y asÍ se tendrá que correr mayor riesgo de tomar decisiones erróneas.?S. es decir.750 y 195/300 Adviértase que en este caso la proporción de gente curada en los dos grupos son 225/300 : 0.96a1.01 de equivocación. ?.05. z=ñ= - = 2.480 = -0^0456== nivel. Esto muestra cómo al incrementarse el tamaño de la muestra aumenta la seguridad de las decisiones.05 se rechaza H¡ si Z fuese mayor de 1. Solucionar el Problema 7.472. Denótese por pr y p2 las proporciones de todos los votantes de los distritos A y B. = ú(¡D=@=00456 f(0.645.13 si cada grupo dividuos del Grupo. se puede proceder a dar el'suero a grandes grrlpos de gente solamente para obtener entonces que realmente es inefectivo.P" = rrar.228 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.. Al nivel de significación del 0. _ 1.01. ?. Por otro lado.-P.zt y 195 del grupo B. se debe decidir entre la hipótesis (f/e ). se puede rechazar la hipótesis al nivel de significación del 0.528 = z - P. decir. Entonces 0." 0.750 = ro.0374 . que están a favor del candidat<¡. Bajo la hipótesis (Ho: pt:pr ) se tiene l¡.650 0.0.15.67 es puesto que el valor de z es mayor de 2. z Adüértase que las conclusiones anteriores dependen de lo que se esté dispuesto a arriesgar de tomar una decisión erróneá. Este es un riesgo que nb siempre deseamos suponer.6b0 respectivamente.t 0. se deduce que el suero es efectivo con solo una probabilidad de 0. se puede deducir que el suero no ayuda cuando realmente sí lo hace (error del Tipo II)Tal decisión es muy importante especialmente si hay vidas humanas en juego.. que se estudia con un ensayo unilateral.0374 P. se rechaza É16 a este nivel y se deduce que el candidato es preferido en el dis' trito A .33.-t'r= se ú'G. Si los resultados se deben realmente aL azar y se toma la decisión de que son debidos al suero (error del Tipo I).encontrándosedentrodelintervalonosepuedetechazatH¡ a este (b .14.96. que se estudia con un ensayo bilateralCon un ensayo bilateral y al nivel de significación del 0. estaban a favor de un candidato dado. Sin embargo. . Bajo la hipótesis ^FIe. (¿) Si solamente se desea determinar si hay diferencia entre los distritos. respectivamente.. 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. Co¡r un ensayo unilateral y al nivel de significación del 0. Entonces = 0 or.05 ensayir la hipótesis de que (o) haya diferencia entre los distritos.528 l'75 y 1-0. que son las mismas del problema anterior. Una muestra de 300 votant€s del distrito A y 2O0 del distrito B mostró que el 66% y el 48% respectivamente.

00. y la afirmación del fabricante está justificada es falsa 1 : ¡t 1 8000 libras. Puesto que T = -3. que para 5 grados de libertad da 7') -3.01 .05.ee5. y la máquina de modo que se requiere un ensayo bilateral.4!9 ú0 -t -_. 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.F/6 si ? se encuentra dentro del intervalo --f.. y la máquina Ht: P + 0.L7¡"- 1= ?l|'!-_99rnJ . Ya que se rechaza lls al nivel 0. que para 6 Se rechaza. Puesto que ? -B .01 .25. I/6 al nivel de 0.05.05 pero no al nivel 0.00.ee.un. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Ú ENSAYOS RELACIONADOS CON LA DISTRIBUCION DE STUDENT 7. Se desea decidir entre las hipótesis Ho: lt:0. se adopta la regla de decisión (1) (2) Se acepta f/¡ : si ? es mayor de -f.050.25 a 3. 7.01. ) Para un ens¿ryo bilateral al nivel de significación del 0. se rechaza .g. ABI sería aconsejable comprobar la máquina o al menos toma¡ otra muesha.26 a 2. se acepta.36.01? Se tiene que decidir entre las hipótesis Ho:.05 se adopta la regla de decisión: (I) (2) (ó) Se acepta fle si f se encuentra dentro del intervalo-f cz¡ a f e75.01 se adopta Ia regla de decisión: (I ) (9) Se acepta .i6= = -8. se rechaza Puesto que ?: 3. se dice que lamuestraresultaproboblemente significatiua (véaee la terminología del final del Problema 7 . -1:5 gradosdelibertad da ?) -2. (b) 0. á ú. se rechaza ffs .86. : 9 grados de liber- Puesto que ?: 3.86 . . (b) 0. Se deduce que la afirmación del fabricante es extremadamente improbable que esté justificada.050. Se rechaza -1 :9 gradosde lls en caso contrario.053 pulgadas y una desviación típica de 0.050 pulgadas.00.01. H lJ: 8000 libras. se encuentra en buenas condiciones no se encuentra en buenas condiciones Bajo la hipótesis (o H¡ se tiene .17.16.86.É16 elr cáso contrario. y la afirmación del fabricante de modo que se requiere un ensayo unilateral.F/6 eri caso contrario.01.F/s.Efs al nivel 0.05. Bajo la hipótesisae se tiene (o .003 pulgadas. Para un ensayo bilateral aI nivel de significación del 0. ¿Se puede admitir la afirmación del fabricante aI nivel de significación del (a) 0. = 4---f. Ensayar la hipótesis de que la máquina está en buenas condiciones de producción al nivel de significación del (o) 0.6).05 . Se rechaza. : ) Para un et¡sayo unilateral al nivel de significación del 0. se adopta Ia regla de decisión (l) (2) (b Seacepta116 si ?esmayorde -ú. Se rechaza.o. que para 10-1 tad es el intervalo -3. . -t/n- t = 9!$-.f. lo cual para 10 libertad es eI intervalo -2. que resulta tener un grosor medio de 0. se toma una muestra de 10 arandelas. : ) Para un ensayo unilateral al nivel de significación del 0.26. En el pasado una máquina ha producido arandelas con un grosor de 0.F/e en caso contrario.cAP. Para determinar si la máquina sigue en buenas condiciones de producción.

lo cualpara n1 * nz . "tf. la mitad de ellas fueron tratadas con el fertilizante y la otra mitad no (grupo control).36 fanegadas. tiene que decidir entre las hipótesis se Ho: lt : ltz.85 Con un ensayo unilateral aI nivel de significación del 0. hay diferencia significativa entre el I. T- xt-x.y el fertilizante incrementa la producción Bajo la hipótesis I/6.44 y T= ltz - t07 9.O5 a 2.01. T= Entonces xt- X. Para ello.05. 7.3s7\n/12 + Urz = 1.2:. de los dos grupos al nivel de significación del (o) 0. ¿Puede deducirse que hay un incremento significativo en la producción de trigo por el empleo del fertilizante al nivel de significación del (a\ 7% V Q) 6%? Si ¡¡r y pt2 son las producciones poblacionales medias en los suelos tratados y no tratados. "t/U"t+ Y"2 donde o - n.01. n1*n2-2 "=!ffi (a) I 12(0. La media de trigo conseguida en las parcelas no tratadas fue de 4. no se puede rechazar Se deduce que no 116 al nivel de significación del 0.2 : 22gradosde libertad es 2. ? ?. se eligieron 24 parcelas de terreno de igual superficie.51. mientras que el L Q. y (b) 0. donde nrsl + n252.ctsa ú e75.4012 =o'397 v T= 5. (cociente de inteligencia) de 16 estudiantes de una zona de una ciudad dio una media de 107 con una desviación típica de 10. Así pues.y hay diferencia esencial entre los grupos Bajo la hipótesis lls.8 0. En una estación agrícola se deseaba ensayar el efecto deun determinado fertilizantn sobrela producción de trigo.ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. (b) Con un ensayo bilateral aI nivel de significación del 0.2 : 72 + t2 .44\/ l/16 + l/t4 = 1.Ef6 al nivel de significación del 0.1 - 4.2: 28 grados de libertad es el recorrido -2. se tiene que Ho: lt : ltz ! no hay diferencia esencial entre los grupos Hti ltt =* tlr. Q. se rechazará la hipótesisl{6 si ?se encuentra fuera del recorrido --t r¡g¡.19. de los dos grupos.01.ffi + 12(0-36)2 t/".. sé rechazará Ia hipótesis f16 si ? fuese mayor que ú.05. a ú. ¿Hay diferencia significativa entre el I.ee5. respectivamente.76. Así pues.ee. y ¡r2 las medias poblacionales del decidir entre las hipótesis I. Q.05? Si se denota por ¡l-. no se puede rechazar É16 al nivel de significación del 0.16 + 74 .y la diferencia se debe al azar H t: pt ) tt1.1 fanegadas con una desviación típica de 0. de 14 estudiantes de otrazona de la ciudad dio una media de 112 con desviación típica de 8.05. Q.40 fanegadas. se rechazará Hs si T se encuentra fuera del recorrido -t.8 fanegadas con una desviación típica de 0. . eue para n¡ I nz . eue para 28 grados de libertad es el recorrido -2. de los estudiantes de las dos zonas.01.S! + nrS! n1 -ln2-2 Entonces t6+L4-2 =9.01. Q. Todas las demás condiciones fueron las mismas. El I.?6 a 2. no se puede rechazar.45 (¿) Con r¡n ensayo bilateral al nivel de significación del 0.18. Así pues. mientras que la media en las parcelas tratadas fue de 5.

06.05. ¿Podemos concluir al nivel d-e significación del (c) 0. p. Se deduce que el incremento en la producción de trigo alttilizar el fertilizante es probablemente significoúiuo. se rechaza ^Ef6 al nivel de significación del 0.2 para 19 grados sig de I O. = E = *n@ = r. que ás igual a 36.LL para 15.Alnivel 0. Así.74 eí Entonces.Ffs al nivel de significación del 0..É16 al ni- Se deduce que la variabilitlad se ha. ¡12 fuese mayor- Mediante un enaayo unilateral.25 onzas. F.nn no podemos techazar ff6 al nivel 0. (b) Ya que f'. y cualquier va¡iabilidad observada se debe al azol Íi1: o1>. se rechaza. Y deberá efectua¡se una revisión en la máquina. lo cual para22 grados de libertad esL.32 on?T.01. Así puee. .?0. probablemente incrementado. 4 = . Entonces.máqlLlina era de 0.serechazarálahipótesisfl6si?fuesemayor que ú. vemos que tampoco podemos rechazar.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.sr.25 onzas. 24 grados de libertad (véase Apéndice F).8.32)2/(O. LaclaseA tiene lGestudiantes en tanto que la clase B tiene 25 estudiantei.e5. Una muestra aleatoria de 20 paquetes dio una desviación tipica de 0. empleando eubíndices 1 y 2 para las clasee A y B respectivamente.01? Hay que decidir entre las dos hipótesis: Ho: o :0.ee : 2.05.05. ¿Es el aparente incremento de va¡iabilidadsignificativa al nivel de signifióación del (a) 0.Por tanto . que es igual a 30.oz. f ( F.v2 = 24 tenemos del Apéndice F. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 237 (ü) Conunensayounilateralalniveldesignificacióndel 0.25 onzas.05 que la variabilidad de la clase B es mayor que la de la clase A? (o) Tenemos.EI6 al nivel de significación del 0.er:z.4.EIe al nivel de vel de significación del 0. se rechazará. pues. A y B. El número de grados de libertad para las clases son respectivamente rr¡ :16-1:lb. no se rechaza. se rechaza . sería deseable tener alguna prueba más.0 onzas. Un instructor tiene dos clases.Z5l2 = 82. Vz:26-L=24.la clase A tuvo una desviaóión típica de 9 en tanto que la clase B tuvo una desviación típica de1'2. (b) 0.01 si el valor muestral de pues.ltle al nivel 0. ENSAYOS RELACIONADOS CON LA DISTRIBUCION CHI-CUADRADO 7.05 y (b) 0. muestras en cuestión.05 Si el valor de X2 muestral fuese mayor 9ue x?gs.8g. en una asignatura específica.1 : 19 grados de libertad.cAP. ENSAYOS RELACIONADOS CON LA DISTRIBUCION ¡' 7-2L.1 para v : 20 . ya que Ad F( F .01. Sin embargo antes de sacar conclusiones definitivas referentes a la conveniencia del fertilizante. aunque no hubo diferencia significativa en medias de las calificaciones.01 paraZ¡ = L5. llenados por una. sr g.tá h.01. y los resultado¡ observados se deben alazar H 1 : o > O . En el pasado la desviación típica de los pesos de ciertos paquetes de 40. En el mismo examen._Lr'? = if Itr¡ (e)2 = 86.72. y la variabilidad se ha incrementado El valot de 12 para la muestra €8 X2 : nsz/sz :20(0. sz :12 de modo -que G? = . (o) (b) Mediante un ensayo unilateral.!4 = '*rrrr'= 1Eo Hay que decidi¡ entre las dos hipótesis : o ¡ = o2. 9tt" 4'rn.

7-6 Si la probabilidad de cara es p : 0. se acepta cuando el p = 0.Efs cuando realmente p : 0.J? neda está bien La hipótesis ff6 de que la moneda está bien hecha. es igual a 0. Esto es de esperarse ya que no estamos tratando de decidi¡ si hay una diferencia en las medias de las calificaciones.7)=70 60.90 V(100)(0.6 p-0.9' (d) P : O-4.O1).232 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP.58 = 70 y'6oo)(oJ)(0.? . 7-6. En la práctica se pue' den presentar otras dos posibilidades: (I ) Se decide sobre c (tal como O.7 39 5 caras 60.58 tipificadas = üipificadas - = = : -2.5 4. (a) Sip : 0. La probabilidad de rechazar Ffe cuando debería aceptarse (es decir. Para calcular esta área se obeerva que la distribución bajo la hipótesisp : 0.5 4. rOalculada en el Problema 7.0192 Así.66 to'l.90 4.102 -4.tO2: 0.5 caras Fig. sino solamente si hay una variabilidad en las calificaciones.? tiene una media y una desviación típica que Bon dadas por p=np=(100)(0. ?.23 si (a)p:0. Solucionar el Problema 7.22. ?-6.5 en unidades tipificadas = 39.2(ol. .ó y 60. Puesto que la media real de las calificaciones no se usó para nada en el Problema 7 . probabilidad de error del Tipo I) viene: dada por el área toüd c de la región sombreada ba. está dada por el área rayada p de la iigura. En el diagtama se ve claramente que la probabilidad de acepLr .99 60.7 (es decir. la media y la desviación típica de la distribución de caras vienen dadas por !=np=(100X0. con la regla de decisión dada hay muy poco riesgo de aceptar la hipótesis de que la moneda eetd bien hecha. (c)p :0.5 en unidades ' = : r/"pq 60.2L no inüeiresa su¡ valoree.18 yz : O.5 p=o.5 39. (b)p : 0.3) = 4. número de caras en 100 lanzamienüos se encuentra entre 39.O5 ó O. Adviértase que en este problema se tenía la regla de decisión de la que se obtenfa c y p. ¿cu6l es la probabilidad de aceptar la hipótesis de que la mohecha cuando la probabilidad real de ca¡a es p : Q.5405 Asi pues. cuando realmente P : 0.6.jo la curva normal de La izquierda en la Fig.8.7.23.¡O tn Entonces I: áteabajo la curva normal entre z --6'66 y z -2-O7 : 0. Con referencia al Problema 7 . entonces la distribución de carag en 100 lanzamientos eetá representada por la curva normal de la derecha en la Fig. probabilidad de error del Tipo II). llegando a una regla de decigión (2) Se decide sobre Q y P y después se llega a una regla de decisión.07 -6. que representa el nivel de significación del ensayo de lfe.2 es decir.2L si existe una diferencia significativaenla media de las calificaciones de las clases? Justificar su solución.6)=60 ú = lnpq = 60.6)(0. ¿Canbiarían sus conclusiones en eI ProblemaT.5 en unidades tipificadas = - 60 60 = = 0.5 en unidades 39.0358. 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. y después se calcula p.18 Entonces 9: área bajo la curva normal entre z : -4.5.7 7. pues.6.6.4) = 4.24. esta á¡ea d. CURVAS CARACTERISTICAS DE OPERACION 7.

se gla de la decisión o enoayo de hipótesis.23y 7.9642 0.4 da el miemo valor deÉq.2 0. 7-1.4 0. si realmente'p : 0.8) = 80 y o=.5 se puede interpretar p como la probabilidad de acepoar p : 0'5 cuando debiera ser aceptado. 7-z (o) El gráfico p.88 = 0.8 0.t"p:0.09ó8 al nivel de significa- En general.0000 la Tabla 7-3.1 06 0{ 0.3 02 0.6 0.1 0.0192 0. Nótese que p representa la probabilidad de aceptar la hipótesis p : 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? : = = -4.0 0.0000 muy aproximadamenüe. 1c) Comparando con (b) o por cálculo.24 construyendo un gráfico cuyos ejes sean (a\ I y p.6 0.0000 0.9 0.9 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 : 0.5405 0. Be ve que sip = 9.8.cAP.25.eedecir. (b) ( 1 p ) y p.24.5 0.5405 0.9 1. Sin embargo.5 en unidades tipificadaa 39.3 0. (b) Sip=0.5405.2 0.7 0. Esta probabilidad es igual a 1 0.6 0.0000 0.(a).1 0 0 (a) (D) Fig.88 -10..4 0. La Tabla 7-3 muestra los valores de p correspondientes a valores dados dep.0 0.8 0.9: 0 pa¡a todos los propóeitos prácticoe.12 y z -4.6.12 p: área bajo la curva normal entre z : -10./nW= 60.? 0. comolorobtenidosenlosProTabla 7-3 p B 0. p ee muestra en la Fig. .p:0.8 0. 7.3 0. (d) Porsimetríap = 0.23y7. blemas7. Interpreta¡ los gráficos obtenidos.9642 y ha eido introducida en - L-p 1.9.0000 0.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION y'(100X0-S)(0¿) 233 =¿.6 0.0358 :0.enüoncea p=np = (100)(0.5.0192 0.5 cuando realmente p tiene un valor distinto a 0.

Esta curva ae obtiene ¡encillamente invirtiendo la curva OC. en caso contrario. ? ) E gráfico (1 . suponiendo que la desviación típica de las ¡esistencias se mantiene en z4libras. Considérense las doe hipótesis (Ho: bras) Las distribuciones de las resistencias medias correspondiente¡ a estas dos hipóteeis se repreeentan. respectivamente con las distribuciones normales de la izquierda y de la derecha de la Fig. se puede hdla¡ p para loe caeor en que el . de modo que realmente ambos gráficoe aon equivalenüee. Para hallar su valor nótese que 307. I¡ cantidad (l .00.310 libras es cierta. es 7.e potencia. Constmir (a) una curva OC v (b) una cun¡a de potencira para ei Problema 7.158?. bajo la curva normal de la derecha a la izquierda de z dect.33.26.26. H t : ! -.01 si se pone dé manifiesto qu¿ debe rechazarse al ensayar 64 cuerdas. La cantidad p se llama tambiénfunción caructerístico de operoción de un ensayo.00 = 0.9qo. y (Ht: tt: 310 libras). 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.234 (D ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.33. Razonando análogamente a como se hizo en el Problem¿ 7. p ¡e muestra en la Fig.P). y el nuevo p¡oceso es mejor que el primitivo se un ensayo unilateral d nivel de significación del 0.0 libras. ¡e llama curua de potencio de la regla de decición o ensayo de hipótesis. 7. que debieran ser rechazadas.0 tb 307 tb 3r0 lb -1. puesto que indica la aptitud o potencb de un ensyo para rechazar hipóüesie que son falsas.33) =30?.26(br. Esta es Ia probabilidad de aceptar Ho: ! : 300 libras cuando realmente es la probabilidad de comeüer error del Tipo II. es decir. ?-8): (t ) Se rechaza lle si la e de la media de resistencia muest¡al es riayor que 2.Enton= "lr/ñ 24/\/u Así. Si ción (a) ! es la resistencia media. : -1.310 libras? Supóngase que la desviación típica se mantiene en z4libras. 7-9. tiene la siguiente regla de decigión (referenüe eon la Fig. ¿cuál es la probabilidad de aceptar el proceso primitivo cuando en efecto el nuevo proceso incremente la resistencia media a. Se cree que mediante un nuevo proceso de fabrica- puede inc¡ementarse la resistencia media.0 lb. (c) Diseñar una regla de decisión para rechazar el proceso primitivo al nivel de significación del 0. 7-9. 7 -7 (b). Se acepta ^Éfs en caeo contra¡io.7-9 = iren. *r. y el nuevo proceso es igud que el primitivo 300 libras. de aquí que A - 310)/3 = Fig. (b) Bajo la regla de decisión adoptada en (a). ae quiere decidir enhe las hipótesis: Ho: U: Ht: ! ) Pa¡a 300 libra¡. (2) Se'aceptqlfq pue¡to 'que z = cessi Z>2. la regla de decisión anterior se convierte en: (I ) (2) (ó) Se rechaza 116 si la reeistencia media de 64 cuerdae excede a 30?.01. Una compañía fabúca cuerdas cuyas resistencias a la rotura tienen un valor medio de 300 li bry" y una desviación típica de 24libras.27.J = 't. X>300+3(2. i 800 *sz.p) ¡e llama a menudo función d.0 libras en unidade¡ tipificadas : 300 (307.

mientras que la restricción (B) requiere que la probabilidad de error del Tipo II eea a lo sumo 0 : 0.9 0.05.7-10(b).cAP.0000 p 0.9900 L1. si el nuevo da una resistencia menor de 300 librar.¡ o. ?-10(o).01 cuando el nuevo proceeo da una media de 800 librar). en- 9: i¡ea bajo la curva normal de la derech¡ a la izquienda de z :0.7486 3r0 0.6 0. ri ¡r tonces 307. la restricción (A) impuesta requiere que la probabilidad de error del Tipo I sea a lo sumo c : 0. De la Fig.05. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 235 nuevo proceco da un¡ resistencia media ¡r igual a 306 librar. (b) La curva de potencia se ve en la Fig.7-11.1 0. límite al riesgo de error del Tipo I Por ejemplo. la curva baia ró- pidamente hacia cero.l (excepto para el nivel de significación del 0. En esta curva 6e ve que la probabilidad de seguir con el proce' so primitivo. ya que lae dog curvag eon esencialmente equivalentes. por encima del cual se rechaza la hipótesis de que p : 0.0000 296 1.8 o. se desea imponer las siguientes restricciones: (A) la probabilidad de rechazar la hipótesis cuando sea realmente conecta debe ser a lo sumo 0.0 . p : 0. se ha puesto Denótese por n el tamaño de muestra pedido y por ¡ el número de caras en los n lanzamientos.7 0. AquÍ y Tipo II.0038 320 0. La eituación planüeada se ve gtáficamente en la Fig.7-r0 (¿) La curva OC se muestra en la Fig.1 p (lb) 300 300 3to 3t5 (o) (ó) Fig. Tabla 7-4 tt 290 1.5. p > 0. y de aquí - 396 librae.1 o más (es decir.?4Eo De esüa forma se obtiene la Tabla 7-4.0 B 0. etc. Eeepués.05.5 0. de modo que no hay probabilidad de aeguir con el proceeo primitivo cuando la media de resistencia es mayor de 316 libras.6? : 0. 7.305y9 = 0. 315 librae.28. Determinar el tama¡1o mínimo de muestra necesario y enunciar la regla de decisión resultante.4) debe ser á lo sumo 0.5 en 0.6 6 p f 0..0 libra¡ en unidades tipificadas: (307.6?. 7-11 se tiene: .0000 300 305 0.05.5) mediante un número de lanzamientos de la moneda. (¡) U probabilidad de aceptar la hipótesis cuando realmentep difiera de 0. Para ensayar la hipótesis de que una moneda está bien hecha (es decir. Por ejemplo. es piácticamente.2 0.1687 316 0. sepuedenobtenerdeellalaomismasinterpretacionesque de la curva OC.

Obeérvese que tomando la probabilidad de aceptación como De(/) x . (b) Mostrar cómo se.49\/n n = o.O\4\'\/E) o Con confianza del 99 .645 ó (t) o.llamado grófico de control de colidad.egla de decisión mediante la cual se puede estar razonablemente cierto de qúe la calidad del producto esüá de acuerdo con las noÍnas requeridas.5 : . automáticamente tomarÍamos como 0.05 en el "peor de loc casos". 7'l2. es 0. Sin embargo. (o) Diseñar una. Así pues. .008 pulgadas. Se construye una máquina que pr-oducfuá cojinet€s de bolas teniendo un diámetro medio de una desviación típica de 0. también s€rá 0.el 95V". La elección en cada caso depende de la¡ circunetancias particulares del tnismo.584 pulgadasi ee supone que la máquina es a- (2) De otro modo.05. . que representan la probabilidad de error del tipo II.98.0'6n Realmente el área entre -f.9801fa- e'¡ 9-.7 BVo o brevemente lfmite¡ 3o.5.008yn=6.574 . Se sigue que el tamaño de la muestra debe ser al menos 31g.. Por tanto un promedio ponderado de todas estas probabilidades.9É!= -r.o:0.564 a 0. GRAFICOS DE CONTROL DE CALIDAD 7. Cuando un punt'o se rale de estoe límite¡ control (tal como en la tercera muestra tomada el jueves).Saladerecha a" 7 (9) El área bajo la curva normalp 09" O.05 o menoa.5 en caso contrario. es 0.re'presentaría grárticamente la regla de decisión de (a).564 y 0. pueden igualmente determlnarse otros lfmiües de confianza. Los límites de control determinadog anteriormente se llaman límites de confianza del gg.5n = 1. la máquina (b) Un registro de las medias no s€rú adecuada y habrá que buscar la razón de su ineptitud.0. la moneda al menos B1g veces. el procelo está bajo control.6. e¡ decir.. y se obsen¡a el diámetro medio de la muestra.7 3% se puede decir que la media muestral X debe estar denüro del intervalo (p¡ entre cae a m p ¡t:0.806y'-n es De (3) y (4). ? (f. En tanto que los punüoe se encuentran entre los límites 0.4s 1/A 0.5.05. se toma una muestra de 6 cojinetes ejemplo.5.96 r ó (Sl u. tales como los límitee d'el 99% o d. dentro del intervalo 0.6 r¿ * 0.524 * Puestoque De aquí que la regla de decición eea como sigue: (l ) Si la media muestral decuada para el trabajo pedido. se debe lanzar p - 0.6 n Y x - 0.49{n vnpq = '--.025. se adopta la riguiente regla de decisión: (o) Se acepta la hipótesiep:0. ¡- np :1-77 - 159. Cada vez que se observa una media muestral se representá por un punto en el gráfico.seeigueque I se encontrará entre (0. enfte 742 y 177 si el número de carac en Slg lanzamientos está dentro del recorrido 159.73% de O.x :177.236 ENsAyos DE Hrpornsls y sIGNIFrcAcroN lcAP. muestrales puede tlevarse por medio de un gráfico tal como ee muestra én la Fig.29.5\/n De 0. (b) S€ rechaza la hipótesis + 17 .5. Para determinar si la máquina esconstruida para el fin que se destina.4 a 0. L7 .n: 318.Haciendo n : 319 en (3) o (4).6.) Eláreabajolacurvanorrnalp:0. 7 0.r) - 0..6 n- 0. Para decir.014l\/6\ y (0. (o ) 3o¡) a (p¡*3o¡) con el 9€.ít/n Vnpq= "- :0.6 a la izquierda ae es 0. p = 0. hay la posibilidad de que falle algo y se precisa una invesüigación del posible fallo. (2) es una cantidad muy aproximada.584 pulgadas.6n 0.674.05 o menos cuando p tiene cualquier otro valor por fuera del recorrido 0.4r rtñ- (n. = 0.0.

cAP.2 t44 342 287 164 25 7. Tabla 7-5 Número de caras (r caras) Frecuencia esperada Frecuencia observada 38 0 1 0.494.2 ó 316 308.¿94)¡(0.1619 0.3087 2 3 ^ 0. .506)5-¡. La bondad del ajuste se estudia en eI ProblemaT.43.4 6 29 33.47 rooo Igualando las medias teóricas y real se tiene 5p da viene dada por /(r) = . Se tiene P(x caras en una serie de 5 lanzamientos) : f(¡) = sCrprqs-".30. la media del número de caras es 2fr_ / _2470=2.9 ó 162 316.7 ó 309 150.C.0294 5 6 33 161. página 178. Así pues.31.7 ó 151 29.1: np : 6p. : 2.47 6 p :0. El ajuste se observa que es bueno.30. Ajustar una distribución binomial pectivas de cara a los datos del Problema 5.0332 0. x F a os74 a a a t I a : o 0 s64 o Fis. página 163 puede ajustarse a una distribución normal.1507 0.(0.3162 0. dondep y q son las probabilidades resy sello en un solo lanzamiento de la moneda. la distribución binomial ajusta- En la Tabla 7-5 se han obtenido estas probabilidades así como las f¡ecuencias esperadas (teóricas) y las observadag. Utilizar papel gráfico de probabilidad para determinar si la dist¡ibución de frecuencias de la Tabla 5-2.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 297 Lunes Martes Miércoles Jueves Viernes $ € bD osal 1} a a t ü {. 7-12 AJUSTE DE DATOS A DISTRIBUCIONES TÉORICAS 7. La media del número de caras es ¡.. Para la distribución de frecuencias observada.

página 163.40 respectiva- La cua¡ta columna.44.70 -0. dadas en la quinta columna.238 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla [cAP.z z = . determina la bondad de ajuste de la distribución dada a la distribución normal. .35 y 5.0 92. Multiplicando lo¡ valores de la quinta columna (que representan las frecuencias relativas) por la frecuencia total n (en e¡te ceso n = 100). la distribución de frecuencia¡ dada se convierte en una di¡tribución de frecuencia¡ relativas acumuladas. en un papel. son pasadas sobre los límites reales superiores de clase. se obtienen lae frecuencias esperadas de la sexta columna. Ajustar una cunra nonnal a los datos de la Tabla 5-2.32.39 2.5 62.92 ó 39 27. 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). se rutiliz.92 pulgadas (x mente El trabajo puede organiza¡se como en la Tabla 7 -7 . De aquÍ se sacan las áreas bajo la curva normal entre los valores sucesivos de ¿. Y se pone de manifiesto que ee ajuetan ba¡tante bien con las frecuencias observadas realmente.5 66.5 7¡. 7-13.6 menor que 67. como se muestra en la Tabla 7-6.5 7L.0 65.5 oD. Después. Par:a. como se ve en la Fig. ? 76 Frecuenei¡¡ Estatun (pulgad¡¡) menor que 61.6 68.36 1. se observa que hay una distribución normal que se ajusta e¡trechamente a los daüos.5 menor que 70.tlls. Por lo anterior.t3 D 18 42 27 8 ñ.0 23.0 Io a E ql € ó a () 95 90 80 70 Q0 a (t 6 .6? 0.68 6 2l 38. las frecuencias relativa¡ acumuladas expreeadar en porcentajes. Véase o a I É to 5 o a d E 62. La¡az6¡ de esto se ve claramente con un diagrama.2068 6L65 6&68 69-71 68. 7.0413 0.43 ít 7 4. donde la media i y la desviación típica 6 se han obtenido en los Problemas 5.0743 72-74 6 4 20.6 menor que 73. La "bondad {el ajuste" de la distribución qe congidera en el Problema ?. = 61. s = 2. anotadas en la última eolumna.4177 0. El grado en que los puntoe así dibujados ee encuentran sobre una lÍnea recta.46 pulgadar.6 &tatura (pulgada¡) Fis.7L 6 28 7. que da las áreas bajo la curva normal de 0 a z se obtiene con la tabla del Apéndice C.6 Rcl¡tiv¡¡ Acumulada¡ (%) 6.5 7t.3892 0.6 ¡¡+ 0.grófico de probabilidad eepecial. caicular e de los límites reales de clase.2771 0.72 -1.a -2.E 50 40 30 20 Primero. 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 59.4920 0.41 0.6 74.32. ?-r3 hoblema ?.6 menor que 64.0 100.

47 0. véaee método 1 del Pro" blema 7.01.50 .50 pótesis de que la moneda está bien hecha al nivel de significaeión del 0. a¡í com. puesto que 4. 313 {11 = Iq"+ill En l¿ T¿ble ?-9 aparecen lae probabilidadee para 0. Entonces. Tabla 7-9 Número de accidentes.0111 4 6 6 ó Nótese que el ajuste de los datos dados a una distribución de Poiseon es bueno. respecti- xz = (o) El valor crítico (b @t:lptlz -(rz:. Para una verdadera distribución de Poisson.CAP.eo Entonces. 0 r N(rmero de dÍasr Número de días obsen¡ado 2L 18 7 3 1 {r accidentes) 0. hi' la ) El valor crítico xlso para 1 grado de libertad = 6. Las frecuencias de caras vamente. En 200 lanzamientos de una moneda se obsen'aron 115 caral¡ y 85 sellos.1.24 2. de acuerdo con la distribución de Poisson. Comparando con el valor de \ : 0. puede ser esto un indicio de la adaptabilidad de la distribución de Poison a la muestra de datos. 100 sellos) es h:2. Entonces.34. da 0.f 0l2r + : (21)(0) '50 (18X1) + (7X2) + (?liQ_l q)(a) = . El cálculo de la varianza de la distribución da' da. LA PRUEBA CHI.84.3 y 4 accidentes de esta distribución de Poisson. El número medio de accidentes es Número de I Número de accidentes.* : P(r accidentes) 1118 2 7 o.90 hallado. blemente bíen heclu. respectivamente rr = 115.33 I 2 3 18. Para conveniencia de la comparación.05.2. la varianza d : L. Las frecuencias de caras y sellos observadas son. puesto que 4. < 6.rj días. ?] ENSAYOS DE HTPOTbSIS Y SIGNIFTCACION Tabla 239 7-t 7.36.v: + (85:!00)2 = 100 h 4.0494 0..05.CUADRADO ?. la euarta columna que da los números de días observados se ha repetido. (b) 0.3659 0.4066 0.33. . La Tabla 7-8 muestra el número de días f durante un período de 50 días.30 8.84. > 3.o loe números teóricos de días en los que ee presentarán ¡ accidentes (obtenidos multiplicando las correspondientes probabilidades por 50). 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. Ensayar la hipótesis de que la moneda está bien hecha con un nivel de significación del (c) 0. np2 : tOO. Ajustar los datos a una distribución de Poisson.'12 ¡ 85.7:2 -L = l.9?. se rechaza la xlo¡ para 1 grado de libertad es 3.63.56 6 ó 20 18 8 2 1 0.63.01. Entonces y eeüos esperadas si la moneda está bien hecha son np : 100.1647 espeado 20. durante los cuales r autos tuvieron accidentes en una ciudad.60 hipótesis de que la moneda está bien hecha al nivel de significación del 0.np)z npt npz - (115__100)2 Pueeto que el número de categorías o clases (caras.

20. Método 1. (ZJ2)2 : 4. Se sigue como en el Problema 7. de modo que X2 : 5. radasen200 lanzamientosdelamonedason¡r=np=(200)(0. Solucionar el Problema 7.npr o _ (rt-np)2 . 115 o más caras equivale a 114.01.5) =100yo=1fipq=/IZOO¡O.34 mediante la aproximación normal respectivamente.34' Esto Con un nivel de significación del 0. ? 7. Esto se cumple siempre que la prueba de chiruadrado eomprende dos categorías y se aplica la corrección de Yates.2.05 y un ensayo bilateral.58.240 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. es el mismo valor de X2 obtenido en el probl. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación del 0. véase método 2 del Problema 2.34 que la hipótesis se rechaza al nivel de 0. Método 2.63 se deducen las mismas conclusiones que en el Problema ?.06. 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. a la distribución binomial.-nps)2 (ra-npe)2 < 11. Nótese que el cuadrado de este valor.7OO)17 .ema se cumple siempre que la prueba de chi-cuadrado comprende dos categoiías. Nótese que el cuadrado del valor anterior.00 20-+ n 20 Puestoqueelnúmerodecategoríasoclases(carasl.s)z = 100_ 100 tt q^< 4. Con un nivel de 0. Entonces.L2.84.00 la hipótesis de que el dado está bien hecho. Esto conduce a las mismas conclusiones que por el primer método.5 en uni: (114. Véase Problema 4. .15. (2.6)esh:6.S¡(0f)--7.5.b8 a2.93_4)' _(15-20\2 . (rz-npzl2 .96 a 1.60. no se puede rechazar Para 5 grados de libertad x%s: 1.g.5 . (rr. si el valor de z está fuera del intervato -1.01 el intervalo sería -2. 115 caras en unidades tipificadas Bajo la hipótesis de que la moneda está bien hecha.35. de nuevo en consecuencia del Problema 4.O7 : 2. De ello se sigue que la concordancia entre ambas frecuencias no es tan buena como para no dudar de Io deducido.05 pero no al de 0.5 o más caras. 7. La Tabla 7-10 muestra las frecuencias observadas y esperadas allanzat un dado 120 veces. se rechaza la hipótesis de que la moneda eetá bien hecha. ^-------::-:-. puesto que 5.05. Con la corrección para la continuidad.)z . Entonces 114.34 utilizando la corrección de yates.1.86. 7. x2 (conegida) = = (lzt - nptl nPt 1001 0'5)z + !1""- np2l npz - 0'5\2 (1115 - 100 _ 0.1.86. (rs-np¡.0.05)2 7 -37. Pa¡a una comparación con los métodos a4teriores.4. dades tipifica¿¿5 : 4.15.84 y 4. la media y la desviación tÍpica del número de caras espe- : (l1b -lOO)t7.36.07.35.5)z _ .v:h-1-:6-1:b.96. (185 _ __ 1001 Í4. solucionar el Problema 7. (23-20)2 +--lO . (rt-nptl2 .07 :2.zvb Puesto que 4'205 > 3.5)z = _100 )_ (L[.5)2 .00 > 1. es igual al valor de ¡2 corregido con la corrección de Yates p¡ra la continuidad del Problema7. (24-20\2. El valor crítico a2e5 para 5 gados de libertad es 11.2o5 < 6.86. (16_20¡z _ *--lO-+ +ñ=5.

.se esperarían fttssel = -- 312.81.zb rugosoe y verdes ft Entonces tssol = x2= (o) (b) Para v Para v (3L5 3L2. Puesto que eetos números esperados Bon menores de 5.470 Puestoquehaycuatrocategorías. Para evitar esto se agrupan las categorías de modo que los núme¡os esperados en cada categoría sea al menos 5. la aproximación de chi-cuadrado será errónea. Una tabla de números aleatorios de 250 dígitos mostró la distribución delosdígitos 0.g El valor crítico d" x. Ensayar la hipótesis de que la urna contenga proporciones iguales de los diferentes colores. Se deduce pues. ¡$5: 0. de modo que no se puede rechazar la teoría al nivel de 0.40.3 >2!3 sededucequeladistribución observada dífiere significativamente de la esperada al nivel de significación del 0. En los erperimentos de Mendel con guisantes. que la Nótese que para 3 gtados de libertad. 108lisos y verdes. .7I ENSAYOS DE HIPOTESIS Y SIGNIFICACION 241 7.. 4 amarillas y 1 verde. teoría y los reeultados del experimento están de acuerdo.2.ss= = 3. Una muestra de 12 bolas extraída aleatoriamente de la urna dio 2 rojas.38. ?. (b) 0.01.L. : 3.cAP.h=4yelnúmerodegradosdelibertadesv=4-1=3. .zS lisos y verdes Struol = frtssol 104. loe resultados obtenidoe están sujetoe a unh razonable influencia de error muestral. .'nr parav: h -1:9 gradosdelibertad es21-..4?O > 0.Qe-2512 try+ . 101 rugosos y amarillos y 32 rugosos y verdes. cabría esperar 3 bolas de cada clase en la muestra de 12 bola¡.7. estos números deberían presentarse en la proporción 9:3:3:1. De modo que aunque el acuerdo es bueno.26 rugosos y amarilloe B4.76 *W = 0. de modo que no se puede rechazar la teoría al nivel de 0.39. x2. x?ss: 11. obseryó 315 lisos y amarillos. 5 naranjas. ¿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. ?. .76\2 3t2.75lisosy amarillos tol.05. 7. r ry = 2s.05? El número total de guisantes es 315 + 108 + 101 + 32:556. Bajo la hipótesie de que la urna contiene proporciones iguales de los cuatro colores.352. amari'llo y verde. naranja.3.01. De acuerdo con su teoría.352 y X2 :0. Puesto que los números esperados están en la proporción 9:3:3:1 (y 9 * 3 + 3 + 1 : 16). Se deduce que cabe sospechar alguna tendencia no aleatoria en dicha tabla de números.como 23. ¿Hay alguna evidencia que permitadudarde su teoría al nivel de significación del (a) 0. 9 que se da en la Tabla 7-11.01. Una uma contiene un gran número de bolas de cuatro eolores dife¡entes: rojo.

no se rechazaría la hipótesis al nivel de 0.10).tz.ces P("siete") : 1/6(360):60 veces 6/36 : 1/6 y P("once") :2136: 1/18. los resultados que se obtienen utilizando la correc- ción de Yates son más dignos de confianza que los resultados no corregidos.x2l)s==3. pues con la X2 corregida. Esto se consigue en nuestro caso considerando las categorías "roja o verde" y "naranja o amarilla". 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. ¿Es el resultado consistente con la hipótesis de que el nacimiento de varón y hembra son igualmente probables? . z.05(aunque sí se puede al nivel de 0. (24-20\2 .puestoque4.) x2 _ = -6-. (4--3)2 . ? Si se desea rechazar la hipótesis. x' _ (1 -3¡:r ooo Puestoqueparav=4-1:3.81 sellegaríaalasmismasconclusionesqueantes. (5-e)z . Puesto que el número esperado en cada categoría bajo la hipótesis de iguales proporciones es 6. - e¡z -9 Parav:2-l:1.07 Parav:2-1:7. de aquí que cuando no sea aconsejable agrupar frecuencias se debe recurrir a los métodos exactos de probabilidad incluyendo la distribución multinomial.5)2 #-g*): = 3. en 360 lanzamientos cabría esperar "siete" y 1/18(360):20 veces "once".Entonces. se duda acerca de la decisión que se debe tomar. Los resultados observados pueden imaginablemente deberse al azar. empleando la corrección de Yates.0.ü.(ig:lf-!éE.05. se tiene x: = 0qj:_6Fo. .05. aun Otro método: Utilizando la corrección de Yates.Desgraciadamente.5)2 (124 - 2ol - 0. De otro modo.42. se tiene (9 ^cuando las proporciones de los colores sean iguales. Sin embargo. Un par de dados puede caer de 36 formas. se obtendría ¡2 a pesar de que las frecuencias sean dema- (2-3¡z .:?. Así pues.:-:_+r::__-::_:sis de que los dados estén X¿ 4..Asínosepuedetechazrlahipótesisalniveldesignificacióndel 0. En tales casos. para grandes muestras tales como las de aquí.05. 7. puesto que incluso el valor corregido de y2 se encuentra cerca del valor crítico.41. = siempre reduce el valor de ¡2 . Ento¡-.xjr¡. l)na encuesta sobre 320 familias con 5 niños dio la distribución que aparece en la Tabla ?-12.1. = - 60l 60 - .0?>3. = ry.10). se agrupan las categorías de forma que la evidencia en contra de Ia hipótesis se muestre claramente.65 De acuerdo.84seestaríainclinandoarechazarlahipótebien.242 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP. respectivamente. se tiene (174 (correglda. 7. "Siete" se puede presentar de 6 formas y "once" de 2 formas.r que conduce a las mismas conclusiones anteriores.84.84. Ensayar la hipótesis de que el dado esté bien hecho al nivel de significación de 0. para las que la muestra dio 3 y 9 bolas. En general. En 360 lanzamientos de un par de dados. Esto cabía esperarse puesto que la corrección de Yates Debe ponerse de manifiesto que si se emplea la aproximación de siado pequeñas. se observaron 74 veces "siete" y 24 veces "once". se rechazaría la hipótesis a algún otro nivel (tal como 0. de modo que (74-60)2 .-ss:3.rP. la aproximación ¡' para frecuencias pequeñas es pobre. Sin embargo.

La¡ condiciones del problema se presentan en la Tabla ?-13.?11.(287_308.30.os= 5. Se deduce que el ajuste de los datos es muy bueno. . 100. y los reaultados son 10. 50.1 : 4. .-.43.45..(26-29.?)2. v : k .13 *(18-2-0:68)2 *(a2:^-39=92\2-(27:3ft7rl2 *(8:?'j13)z:0. Asf'puesto que X2 = 7 .!.-r3)2 . Entonces. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla ?.959 > 0.2 : 2. Adviértaoe que ¡fo es equiyalente a afirma¡ que la recuperación eeindependie¿úe del empleo del suero.:z . 10. xL¡s:0. (4 niños y 1 niña).(342_316.---T08J.--lóo:t- .?)2 . . 100.z = 6 4.cA¡.68 38.m : 5 .1 y x.4. el ajuate no es tan bueno como pudiera = 4. De aquí (8_10)2 _.43 20.1 . .sss:15. Para v : 2 (que son la me- = 2.L .-El: . Determina¡ la bondad de ajuste de los datos del Problema 7.U Puesto que x:e5:11.serechazarálahipótesisalnivel de significación del 0.05. el ajuste no es "demaiido bueno".1 para y:61:6gtadosdelibertad.13 utilizando la prueba chi-cuadrado.?11. X?ss = 9. Pa¡a rr = 2.32..212.01. lag cla¡ificaciones 8on independientes. v = k . 2. 7.9)2 . 50.99.12 243 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 . . (88_100)2.yg:1-p:probabilidaddenacimientodehembra. Así se deduce que los reeultados son probablemente significativos y el nacimiento de varón y hembra no son probablemente iguales.Entonpiobabilidadee de (5 niños). x2. es decir. (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. Utilizar la pmeba chi-cuad¡ado para determinar la bondad de ajuste de los datos del Problema 7. pero no al 0.103.^ _ (18_10)2 (56_60)2. (110_100)2. (164-150.3.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. x.=--_a6---_Eñ-----Jó¡-----i6b--_-Ed. Bajo la hipóteeis nula lfq de que el suero no tie' ne efecto.. . puesto que X2 = 0. TABLAS DE CONTINGENCIA 7..os:0.".92 27.64 > O.1 . Seap:probabilidaddenacimientodevarón.103. Solucionar el Problema 7..1 .x2.--_-16-_¡&. "!ü Puesto que el número de parámetros utilizados para estimar las frecuencias esperads e8 m metro p de la dietribución binomial).44.= (s8_33. Para y : 4. .--I¡Ié- . cabría esperar que 70 individuos de cada uno de los grupos Be recuperase y 30 en cada grupo no se recuperase.959 7.7t 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). pectivas probabilidades anteriores por 320. BONDAD DE AJUSTE ?. Para V 1 (que er el pará- los datos es muy bueno.1y0 niño¡seobtienemultiplicandolasres' (40-50)2. x.2)2 .(L44_161.49.m : 6 .i". De aquf queel ajuste de creerse.412_ -58:t-- .---r¡If. como 8e indica en la Tabla ?-14.

vó Obteniéndose que las conclusiones del Problema 7.38 es el cuadrado del valor de z : 1.5)2 * ----TO* ?O S0 _ .30\2 (36 *ffi = 2'38 Tabla 7-16 Para determinar el número de grados de libertad. _ ¡¡ (corre(rda) = (i75 -70\. que es igual a la¡ dos dadas anteriormente. 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. ya que. ya que la corrección de Yates siempre disminuye el valor de ¡¿". Ensayar la hipótesis de que las proporciones de estudiantes suspendidos por los tres .13 FRECUENCIAS OBSERVADAS Se re.--.13.-. En la Tabla 7-16 se indican los estudiantes aprobados y suspendidos por 3 profesores: Sr. Sr. al rechaza¡ una hipótesis al nivel de 0.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. pero en la que solamente se han puesto los totales.10 uüilizando z. Y 47 L4 61 Sr.No ee recuperan cupetan TOTAL [cAP. x2)x2ss correrpondea x>x. (125-301 -0.Xz egelcua- Nótese también que yn ensayo unilateral utiliaando ¡12 equivale a un enEayo bilateral utilizando. obtenido en el Problema ?. como en la página 215 (véase Problema ?.47. Nótese que X2 : 2.5)2 .e5óx{-x.Puestoqueparalastablas2Xz. or^_. 7.¡. Tabla ?-16 FRECUENCIAS OBSIERVADAS Sr. porejemplo.84. 7.A Grupo B TOTAL 140 60 200 Puesto eue X. Asf pues.46. X Sr. Z. No se está así en condiciones de rechazar Il¡ a este nivel y se deduce o que el suero no es efectivo o se deja sin tomar decisión en espera de posteriores ensayos.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. Solucionar el Problema 7. ^.0. se deduce que lob resultados no son significativos al nivel de 0. drado Cel valor de z. En general.profesores son iguales. X. Y y Sr.45 aplicando la corrección de Yates.05 utilizando X" equivale a rechazar esta hipótesis con un ensayo unilateral al nivel de 0. 200 140 30)2 o _ (75 x-1rc-?o70)2 - 70)2 .^se sigue que X er lo mismo que z en este caso.38 < 3.54. conaidérese la Tabla 7-15. Se No ¡e recuperan recuperan TOTAL 100 100 Grupo.ss : 3.5)2 * ----?O- (i65-701 -0.!t_.84 para 1 grado de libertad y puesto que ¡2 = 2. pueeto que una vez hecho esto loq números de las restantes casiüas vienen obligados por los üotales ya indicados.51). habrían suspendido 27 lL80 : Iíc/o de los estudiantes y DO . Está claro que solamente se tiene libertad lara colocar un número en una de las cuatro casillas vacías. = I. De modo que hay un grado de libertad.05. Esto podría haberse visto rápidamente.5)r .244 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Tabla 7. ? Tabl¡ 7-14 FRECUENCTAS ESPEBADAS BAJO Ho Se re. (35-301 -0.45 son también válidas aquí.gs.

at__n_ = -nrrxJn (ór nrnsln)2 (b2.49.25 OD : didos TOTAL 55 61 9.1Xk .85)2 (56-54.48.60 64 180 64 180 Entonces o x-.99. Se deduce que el número de gtados de libertad hk . (47. . que puesto que x:eg : 4._ (50-46. Mostrar que para una tabla de contingenciah X h tad es (h . hay en este caso dos grados de libertad.40 : Aprobados Suapen- Suspen. sin embargo.ó+ Pa¡a determinar el número de grados de libertad. que es igual que la Tabla 7-L7 pero en la que solamente se han puesto los totales. no se puede rechazar I/e al nivel de 0. k > 1) el número de grados de libereg * & - 1 totales independientes de un total hÉ. todos los números restantes vienen obligados por lo8 totales. * ó1)(o1 * o2) o1*óq*a21b2 n a2b.ecuencias teóiicas.85 85V" d. Entonce8 *.10 si se está dispuesto a correr el riesgo de estar equivocado 1 vez de cada 10.25)2 .CAP.r"/" a1b2 (o.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. Así pues. ?] ENSAYOS DE HIPOTESIS Y SIGNIFICACION habrían aprobado el 86Vo de los estudiantes.zs¡ : 5.5135-547ó-----d25 9J5 --.gina 22O .40)2 (5-8. Las frecuencias esperadas bajo FI¡ se muestran en la Tabla 7-17.L5% de 55 : I5% de 6t 9.n"n¡ln\z' nrnn/n ntftl. Tabla 7-17 ITRECUENCIAS ESPERADAS RAJO Sr.-.n2nslnl2 .15)2 (8-9. 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.51. Z TOTAI.1).75 = = 51. Nótese.60-=4. 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. Pero : (ar- nrnn/n)z (a". Z TOTAL 153 27 Aprobair¡c didos TOTAL 85% de 55 : 6l 4G. se puede rechazar lfs aI nivel de 0.75\2 .(h+Ic-l) = (h-lx/ú- 1) como se requería. Puesto que x. Está claro que como cada fila y cada columna han decumplir con loü totales.61. considérese la Tabla 7-18. 7.15 61 15% de 64 8. 153 qn X Sr.05. Y St. después de lo cual.60)2 4175 -. Í4-9. los resultados esperados bajo la hipótesis nula aparecen en la Tabla 7-20. Y 85% de S¡.e 64 54. Sr. X ¿IO Tabla 7-18 Sr.núnR/n "r'. 7. Nótese que este resultado es válido si se conocen los parámetros poblacionales necegarios para obtener las fr. de otra forma se necesitan ajustes como los descritos en ( b ). pá. Hay h (fz > 1.

COEFICIENTE DE CONTINGENCIA ?.=. Sise aplica la corrección de Yates.49 da x2 = n(1aft2.=&r*a2*b1*b2. se puede escribir az-ry = ur-ry = Í2fts .P)2 nWtPrA$ .n2P2n{l .azbtl . Con referencia al Pro- (r) (2') P.52. r¿¡ = 100.P)2 que es el cuadrado del estadístico Z. - O2 l¿z' fL¡ tl' ó. nt=140. P. a1 =75.45. ns = 100. = #.49. Or--m arb2 = - a2b. se tiene p la proporción poblacional. Denótese por P1 y P2 las dos proporciones muestrales y blema 7.246 ENSAYOS DE HIPOTESIS Y SIGNIFICACION lcAP. a2=26.49 paralos datos del Problem^I. ^ (t) n /otbr-ozbt\2 n lotbr. ür : 'tL¡ = flP.ozbr\2 n /orbz-ozót\2 ml?¿B\ n n nzn¡\ n n¡r¡\ / / / n fatbr-tzDt\2 n ?zrs\ / que al simplificar..ln)? = -"r!rrrñr" 7.Pr)]2 nrnínpnq = nfri\+LlllrJ (Ya que n = nt+tt2l (Pt. entonces riI ) del Problema 7. da x' : D'- n(a. Halla¡ el coeficiente de contingencia para los datos de la tabla de contingencia del Problema 7.93 7. Dr = 65. f. ¡e tiene del Problema 7.. . Ilustrar el resultado del Problema 7. yn:2OO.Prl .45. 1-Pr .46 ¡2 (corregida) = ---ñ^"" - = - (25X65)l (140)(60X100X100) ..tn)z = 200il(?5x35) 2. de modo que (r) (4) ú1 = nlPy az = nzPz. (/ ) se remplaza por (21 "rr"r"^"" : nL2 nrnznAnB x2 (conegida¡ n(ltl. bz = nz(l- Pz) tlg = flq Utilizando (3) y (4). bz:35. C= vra = {*#fu : r/d'6112e = 0'1084 . -flg L-p l-P2 = bc -= = q = -. 7 Análogamenta Así.a2b)2 -T nrn2nAnB nrn2(Pr.38 : Empleando la corrección de Yates. r¿r(1 - Pr). dado en (IO) en la página 215. el resulüado eg el mismo que en el Problema 7.50. 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). frA=úr*az. n1=at*b¡ nz=a2*b2.4S.bq - aqb'12 donde A:&tbz-azbt. n2:60.49 x2= n(ap2.10012 = 1.51. ns = ür*ó2. EnelProblemaT.

C. = 1/@-ffi. En el problema 7.3)3+ r0Cs(0.i .? Bajo la hipótesis p P(menoc de 7 corectas) : - 1 -P(7 o mác conectas) 1 .8..3504 7.53.(+Xá) * .3..4)2+ ro0a(0.4) + 10010(0..3)2+ r0Ca(0.-60 .3)10] = 0. " x. adopta la siguiente regla de decisión: (i) si 7 o más respuestas son acertadas el estudiante no las acierta por casualidad.3) + r0Cr0(0.6)e(0. (ii) en caso contrario.L27). ee 0. 7.cAP. todor loe que tomen el suero 8e recuperarán y todor lor que no se lo tomen no Be recuperarán. en la gue el número de fil¡s y columnas eon ambas iguales a &.60)2 50 .". PROBLEMAS DIVERSOS 7.21 valor máximo de C ee presenta cuando la¡ Se recuperan No se recuperan 0 TOTAL 100 GrupoA (utilizando auero) (no utilizando . (b)P : 0. el estudiante está adivinando. Seap la probabilidad de que una pregunta sea contestada correctamente. (f) p : 0. Nótees la probabilidad de error del fipo I.7)e(0. (Véase Problema 7 . (100 . son todas igualea a 50.---80. (e) p : 0. Para ensaya¡ la hipótesis de que el estudiante acierte por car¡udidad.o.6 la probabilidad pedida será 1 - [P(? conectas) * P(8 correctas) + P(9 cotrectas) + P(10 correctas)] =|- ho0?(0.(g)p : O.6)8(0. hallar la probabilidad de aceptar la hipótesis p P : 0. (a) Sip : 0.".54.(.1?19.618 . donde g =L- p.5 (ee decir..". En el Problema 7.". para la dependencia total en uua tabla de conüingencia. Hallar el valor máximo de C para la tabla 2X 2 del Problema 7. (c)p : 0. las únicas frecuenci¡¡ de casillas que no Eon cero aparecen en la diagonal que baja de izquierda a derecha de la tabla.----80Entonceg el valor máximo de C e¡ .4)3+ roOs(0.2.ro)¿ .X. .56.t. En tal caso.[roOi(0. Un instructor hace un cuestionario forurado por 10 preguntas falso-verdadero. (d) p : O.0o)z (0 ..?1e Asi ee que ésta pues. La probabilidad de conteetar correctamenté Bajo la hipótesisp r pregunta¡ de las 10 será rcCrqqto-'. do¡ clasificaciones son perfectamente dependiente¡ o a¡ociadas..7)7(0.¡* . = 0. Esta tabla de contingencia aparece en la Tabla 7-21.7)8(0.(á) = 0..a 7.ueno) TOTAL 100 (irupo ó 0 100 100 100 100 200 .64.54.9.6)101 = 0. hallar la probabilidad de aceptar la hipótesisp = 0. Hallar la probabilidad de rechazar la hipótesis cuando es corTecta.?0?1./Zt(xz + n'l = t/ñl@6T 2oo-) = 0.5 cuando realmente = O'7' : O. el e¡tudiante acierta alazar).13.4. 7l ENSAYOS DE HIPOTESIS Y STGNIFICACION 24V 7. Pueeto que las frecueneias eeperadas. P(7 o más correctas) : P(7 correctas) * P(8 conectas) + P(9 corectae) * P(10 correctae) = .6)?(0.6.5 cuando realmente (a) p : 0.= (100 zw En general. Para taleo ca¡os.50)2 (0 . la probabiüdad de decidi¡ que el eetudiante no reeponde al aza¡ cuando es que si. D Tabl. suponiendo independencia total.55.(iX.

03 02 0.2188.57.350 0. 7-14. (c).7 hallado en el Problema 7 . Puesto que P(0 ó 6 carar): t'o+* = 0. viértase la semejanza con Problema 7-27. Aquí se desea decidir entre la¡ hipótesir (Ho: p : 0.000 0.6 0. 7. el resultado observbdo es significativo al nivel 0. 0. 7-15. pero no al 0. caraa en 6 f(x\ = P(x lanzamientos) = Entonces lae probabilidsdes de 0. por #.01 la moneda no está bien hecha? Considerar ensayos de una y dos colas.9 0. 1.1. respectivamente. la moneda está bien hecha).64.68.5).59.945 0. . 0.999 0. **.7 0. Ensayo u¡ilateral.01. Una moneda que se lanza 6 veces da 6 veces cara. Nótese que la probabilidad se denota por p (probabilidad de error del Tipo II).828 del Problema 7.03125.5)(ee decir. 4.2 0.ó) y (Ht:. ¿Puede deducirse que al nivel de significación (c) 0. Ad- la curva OC del 06 Si se hubiese dibujado (1 -p) yp.6 y 6 caras son dadas. ee puede rechazar ñfe Ensayo bilateral: al nivel 0.01). . l0 09 08 0? El gráfico pedido es el de la Fig. Sea p la probabilidad de ca¡a en un solo lanzamiento de la moneda. Puesto queP(0 ó no ee puede rec}ntzar H¡ al nivel de 1ó 5 ó 6 caras) = 2(t) = 0. Tabl¡ ?-22 p B 01 1.1 El grafico indica que la regla de decisión dada ee muy odecuado para rechazat p:0.5).¡qn. Ensayo unilateral: Aquí se deeea decidi¡ entre las hipótesis (Ho: p: 0.05.t+.54. se habría obtenido la curvo de potencia de la regla de decisión. pero no al 0.Ele al nivel 0. pero no d 0. . 2.0. Ensayo bilateral.t v i.5 0. Bajo la hipótesis (Ho: p: 0. Se ha irrcluido también el valor para p : 0.013 0 828 7.01.58.1094.05 ó 0.Puesto queP(6 caras): f¡ :0. ? Loa resultados de (b).01. como se muestra gráficamente en la di¡tribución de probabilidad de la Fig. 3.1094.trf6 llnivelde .56 para construir el gráfico de É y p obteniendo así la cun¡a característica de operación de la regla de decisión del Problema. p + 0. +i.3 0.5 cuando realmente p > 0.121 0. . 7. no se puederechazar. (g) pueden hallar¡e análogamente y se indican en la Tabla 7-22 junto con el valor correspondiente a p : 4. $oluciona¡ el Problema 7.05.248 ENSAYOS DE HIPOTESIS Y SIGNIFICACION [cAP.65.8.!¡.618 0.6) y (Ht: p > 0.8 0.01662 y P(6 ó 6 carad) = * +-# : 0.01 (es decir. Utilizar el Problema 7.989 0.06.1?19 : 0.5 dado por p : 1 .05 ó 0. se puede rechazar.05 y (b) 0. Pueeto que P(6 ó 6 earar): * + # = éa:0.4 0. si en la moneda sale 5 veces cara.

npp respectivamente. Por t¿nto reeecribimo¡ (2/ ) como (r) x2 = /t'=^')'*f"'=^'\'*.aL.tYx=at I Yr* Yz-1... (21) ea diffcil de manipular ya gue las X di¡üribuidas multinomialmenüe son dep.:í-^*f e-^ dondehemo¡uuiüzadoelhechodequept*pz+.Yz=U2r .Yt va¡iablesmutuaÍienteiñdependientes con dist¡ibución de Poisson y parámetros tr¡ : npt..Pl n(l-p)=nq TOTAL n ...62.págtna 218.*/t'-^'\' \Vrr. ..60.¡Yt=Ur Y Yt+Yz+ "' *Y¡r= P(Yr+ Yz| "' * Y¡ = n¡ e-n n¡ Entonces.l\z : npz trr : zpr respectivamente..Y2=U2. ^#--"Jpltpf2"'plk 7. tiene aproximadamente una distribución chi-cuadrado.'. + ' ' ' + Y¡ es en sí migma una va¡l¡ble de Poi¡eon con parámetro np¡ * np2 + . busc¿ndo está dada por Iadi¡üribucióncondicionalqueeetamos P(Yt.. por definición.. el numerador en (2) tiene. y2= u2. ce pueden describir las ei- ría I. Mostrrir que una prueba en chi-cuadrado que comprende dos categorías es equivalente al ensayo especial de significación para proporciones (pagina 214).. Suponga que Xt.L tu¿cione¡ por medio de la Tabla 7-23.endientec.¡p_r¡rll*l)q/ = '' \P Pq = (P-. Demostra¡ que la dist¡ibución condicional de las f dado que Yt*Yz+ "'+Yx = es precisamente la distribución multinomial de las X.np\2 -p nP [n(r - P) - n(L - Pll2 nz(P-p)z*n2(P-plz "q Pq que es el cuadrado del estadístico Z.p)z = . que Yr + Y. página 118].61. página 14?. i npn: n.Y¡=Ur I Yz* . *Y¡= n¡ = que ee la distribución multinomial de la¡ X [compárese (I6). . con frecuencias esperadas flPt...." Por tanüo (2) ee conüerte en P(Yr=Ur..23 Si P es la proporción mue¡tral para La categoes la proporción poblacional y n eo la frecuencia total.... como se define por (21).96. Xz X¡ tienen una distribución multinomial.+ph=L.cAP. Epplear el resultado del ProblemaT.... . . el Problema 7. n(P.. Pa¡a la función de probabüdad conjunta de ft l¡¡ Y tenemos (r) (21 p(y. / \V^r/ \Vrzl .nPz. Asl el denominador tiene el valor "":.. = (nP . el valor En cuanto aI denojminador. p I Frecuencb observada Frecuencia esperada nP np II n(l.. .. de acuerdo con la resüricción (221. *Y¡r= n¡ PlYr=At. yx= ax) = 19#)1-+gj..Yz=Az. Sean f. Tal como oe establece.6t pa¡a demostrar que ¡2.61 demuestra que podemos remplaza¡ las X por lae Y independienúes con dietribución de Poisson ai ae cumple que Y¡ + Y2 + " '* Y¡": ¡.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 249 7. Sin embargo. Enüoncec. Tabl¡ ?. Yr + ). (5) de la página 214. .. sabemos del hoblema 4. iYr.1'"'-.p)2 PQI'I¿ 7. .= ut. de (I ).

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

Enaayar la hipóteaie de que los dados esüén bien hechos.1 y la desviación típica fue 8. (o) ¿Qué regla de decisión ?.69. donde z : h - las bases para las reglas dadas en la página 219.66. La "demostración" anterior (que puede hacerse rigurosa) muestra incidentalmente que cada restricción lineal colocada alas Z.01. Para ensayar la hipóteeis de proporciones iguales de e¡to¡ colores.entarios ENSAYOS DE MEDIAS Y PROPORCIONES UTILIZANDO DISTRIBUCIONES NOBMALES ?'63. ee decir. En un examen dado a un gtan número de estudiantes de muchas escuelas distintas. Recientemente..67.01? Se lanza un par de dado¡ 100 veces y se observa que un total de ('siete" apa¡sce 23 veces.trLtroyo uniiateral y un nivel de significación del 0. proporción d..(o¡ : 1 s Por tanto la función . (Zr)-t/2(ze) Al dividir (8) por (9) obtenemos el resultado deseado.05 y (ó) 0. 7.. 7. Comentar la significación de este resultado al nivel de 0. Una urna contiene bolar roja. Var (W) = pr(l) * pz$) * . se quiere un nivel de significación del 0.. y que E\W\ = VE(O) + \/p2(o)+ .Of O. la puntuación medi¡ fue de 74. Un fabricante sostiené que al menos el 95% de los equipos que Euministra a una fábrica eetá de acuerdo con las especificaciones requeridas.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 26L Para evaluar el denominador de (5) notamos que la variable aleato¡ia W = lptZl * es l-p222 + . erplicando las conclusiones sacadas con estos ensa- .66 ei el nivel de significación es del 0.0. En una escuela determinada con 200 estudiantes el mismo examen dio una puntuación media de 75. 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.05? 7. Un examen sobre una muegtra de 200 de talee equipos reveló que 18 eran defectuosos. ..7 o. es decir.1i¡ ee rechaza en caso co¡rtra¡io.cAP.01 que el es ahora peor? hilo 7 .63 se desea eneayar la hipóüeeis de que hay moyo.40 onzas..9. una muestra de 36 piezas de hilo dieron una resistencia media de 8.e y azules.63 si ee quisiera que la probabitidad de rechazar la hipótesis siendo realmente conecta sea a lo sumo 0.01? (b) ¿A qué nivel de confianza ee aceptaría la hipótesis? (c) ¿Cuál ¡ería la regla de decieión si ee adoptara un nivel de significación del 0. 7.. Esüo provee Problernas suplem.ebolac rojas que de azules. normal (puesto que e8 una combinación lineal de la¡ variablee Z normaies e independientee).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. yos.01. mediante (of un ensayobilateralyla¡.OO.65.e) = p(lWl < e) - e4(0)(Z€) = 7.05 desde el punto de vista de (o) un ensayo unilateral y (b) un ensayo bilateral.64. Ensayar la afirmación del fabricante al nivel de aignificación del (o) O. ¿Se puede deducir al nivel de signüicación del (o) 0. + V!f.0ó? (d) ¿Cuál sería la regla de decisión si el nivel de significación fuera del 0. Supóngase que en el Problema ?. + {pt Zt. no cargados. y por tanto a la¡ Y o a las X reduce el número de grados de libertaá en X2 en 1. * p¡(1) = de den¡idad paraW es p(rr) : (Zr)-r/2e-u2/2.05. Discutir las razones de las posibles preferencias de uno de estoe ensayos sobre el otro.93 onzas. (ó) Interpretar gráficamente la regla de decisión y el resultado obtenido en (o). se adoptarÍa en el Problema 7. (o) Hallar la probabilidad de rechazar la hipótesis cuando en realidad aea correcta. 7'68. y Denominado¡ (. Solucionar el Problema 7. (¿) ¿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.

7 7 ensayar la hipótesis ¡¡ : 1120 horas contra la hipótesis alternativa tt diante un nivel de significación del (o) 0.05 y (b) 0. mediante un nivel de significación del (a) 0. Unamuestrade 10 análisis dio una media de contenido en cobre de 23. 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. < 1-t2O horas. 7.01 y (b) 0. Explicar las diferencias entre esto y lo que se pedía en el problema anterior.252 ENSAYOS DE HIPOTESIS Y SIGNIFICACION Solucionar el Problema 7.01. ¿Se contradicen los resultados con los del problema anterior? En un examen de ortografía en una escuela elemental.01. Análisis de 6 muestras de A dieron un pH medio de 7. Una muestra de 100 bombillas de un fabricante A dio una duración media de 1190 horas y una desviación típica de 90 horas. Un experto efieiente mantiene que introduciendo un nuevo tipo de maquinaria en un proceso de producción se puede disminuir sustancialmente el tiempo de producción. El nuevo fertilizante se aplicó a 30 de estos cuadrados y el antiguo fertilizante a los restantes.05 y (b) 0.5% y una desviación típica de 0. 0.52 con una desviación típica de 0. (b) 0.05.05 y (b) del 0.70 si el nivel de significación es del 0. exposción a la luz del sol. la puntuación media de 32 niños fue de 72 con una desviación típica de 8. Dos tipos de soluciones químicas.54 fanegadas. Una muestra de 75 bombillas de otro fabricante B dio una duración media de 1230 horas con una desviación típica de 120 horas.01 V (b) 0. A causa de lo costoso del mantenimiento de estas máquinas resulta que a menos que el tiempo 4e producción ee disminuyaen un8. Mediante unniveldesignificación del 0.83. respectivamente. con los niveles de significación de (o) 0. ensayar la hipótesis de que el nuevo fertilizante sea mejor que el antiguo. [.7L. mientras que 15 estudiantes de otra clase tuvieron una puntuación media de 74 con una des- .05 y (b) 0.76. Ensayar la hipótesis de que (o) las dos máquinas tengan diferente calidad de fabricación y (b) la máquina B sea mejor que A. Utilizando un nivel de significación del (a) 0.72 ensayar Ia hipótesis de que las bombillas del fabricante B sean mejores a las del fabricante A utilizando un nivel de significación del (o) 0.032.76. ?.01.01 las niñastengan mejor ortografía que los niños. ¿Hay diferencias entre las duraciones medias de las bombillas de los dos fabricantes al nivel de significación del (o) 0.32%. En el Problem a 7 . Análisis de 5 muestras de B dieron un pH medio de ?. En seis pruebas de este tipo se obtuvo un decrecimiento en eI tiempo de producciónde 8.01.024.24%.05. Con un nivel de significación del (a) 0.77. Ensayar la hipótesis de que la duración media de las bombillas no ha cambiado. todos ellos tenían idénticas características de suelo.73. Utilizar el nivel de significación del 7. ¿Puede deducirse al nivel de significación del (c) 0.a media y desviación tfpica correspondientes a los otros cuadrados fueron 17. determinar si los dos tipos de soluciones tienen diferentes valores de pH. mientras que la puntuación media de 36 niñas fue de 75 con una desviación tÍpica de 6. 1 .05.49 con una desviación típica de 0.05.7 8. 7 . respectivamente.01.8 y 0. una parcela de terreno se dividió en 60 cuadrados de áreas iguales.4a. A y B fueron ensayadas pa¡a ver su pH (grado de acidez de la solución).8f En el Problema 7. 7.05 y (b) 0.2 con una desviación típica de 0. Una muestra de 8 bombillasdelaproducciónactualdiouna du¡aciónmedia de 10?0 horas.O7o laintroducciónde tales máquinas en eI proceso resulta antieconómico. ? 7.05 que el producto presenta las especificaciones requeridas? ?. El número medio de fanegadas de trigo cosechadas por cuadrado en los que se utilizó el fertilizante nuevo fue de 18. ción típica de 6. me- 7. ENSAYOS EN RELACION CON LA DISTRIBUCION ú DE STUDENT 7. etc. lcAP.72.19./o con una desviación típica de 0. Muestras al azar de 200 tuercas fabricadas por la máquina A y de 100 tuercas fabricadas por la máquina B dieron 19 y 5 tuercas defectuosas. Para ensayar los efectos de un nuevo fertilizante sobre la producción de trigo.a2. 7.79 ensayar la hipótesis de que el contenido medio de cobre sea más alto que el que marcan las especificaciones. .05 ensayar la hipótesis de que las máquinas deben ser introducidas.7 4.01 y (ó) 0. En un examen de psicología de 12 estudiantes de una clase hubo una puntuación media de 78 con una desvia- 7.80.01? En el Problema 7 . Ensayar la hipótesis de que a los niveles de significación (a) del 0. ENSAYOS REFERENTES A DIFERENCIAS DEMEDIAS Y PROPORCIONES 7. Las especificaciones para Ia producción de una cierta aleación piden el 23.63 fanegadas.2% de cobre.

Con la temperatura media del día 15 de cada mes.89. mediante un nivel de significación del (a ) 0. En el Problema 7. .cAP.86. t¿ ?.87 si las dos mueetras con¡i¡ten de 60 y 120 observaciones respectivamente. (b ) 0.25 considerando Ia analogía de bolas rojas y azules con caras y sellos respectivamente. Construir (a) unacurva OC y (ó) . Alrededor del lVo de las tuercas producidas por una compañía son defectuosas. Para mantener esta calidad de producción. (b ) ¿Qué conclusiones pueden sacarse de acuerdo con Ios riesgos de error del Tipo II cuando se incrementan los támaños muestrales? 7 . En relación con el Problema 7. ¿podemos concluir que hay una diferencia significativa en la variabilidad de los valores del pH para las dos soluciones al nivel de significación del 0. Ensayar la hipótesis de que la primera varianza poblacional es mayor que la de la segunda a un nivel de significación del (o ) 0. un cierto tipo de hilo producido por un fabricante tenía una resistencia media de roüura de 8.05. ?. (c) 0.82. (e ) 0.93.27 si se eru¡ayan 400 cuerdas. Determinar los Iímites de control del (a ) 99% y (b)95% pam el número de tuercas defectuosas de cada muestra.05 y (b ) 0. ENSAYOS EN RELACION CON LA DISTBIBI'CION CHI.01? CUBVAS CARACTERISTICAS DE OPEBACION ?.7. (o ) Solucionar los Problemas 7 .27 GBAFICOS DE CONTROL DE CALIDAD 7.94.731o ó 3o. (b) 99% sobre un gráfico de control de calidad y explicar sus aplicac¡o- nes. ?. se toma cada 3 horas una muestra de 16 piezas de hilo y se determina la resistencia media. durante los 15 últimos años.90. ?. Después de introducir un cambio en el proceso de producción de estos cables. ¿Concluiría que esto no es común? Explicar. 7.28 onzas. una curva de potencia correspondientes al Problema 7.05.84. se toma una muestra cada 4 horas de 200 de las tuercas producidas. (b) (1 -p) y p.01 .92. ENSAYOS EN RELACION CON 7 LA DISTBIBUCION F . desviación típica de las temperatwas anu¡legde una ciudad en un período de 100 años fue de 16" Fahrenheit.3. Investigar la significación del aparente incremento enla variabilidad.63. Hallar los límites de control del (a) 99.E8. Para determinar si el producto está de acuerdo a estas normas.9.81 . Ensayar la hipótesis de que las temperaturas en esta ciudad presentan ahora menos variabilidad que en el pasado. La desviación típica de resistencia a la rotura de ciertos cables producidos por una compañía viene dada por 240 libras. 7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION es 263 superior al segun- viación típica de 8.6. Comparar estas curvas con las del ProblenaT . ?.64 onzas y una desviación típica de 1.85. tienen varianzas dadas por s? : 16 y s2 : 8 respectivamente. En el pasado.95. Representar gráficamente los resultados del Problema ?. Solucionar el Problema 7.CUADRADO 7. Comparar estos gráficos con los del Problema ?. Dos muestras consisten de 21 y 9 observaciones.90 construyendo un gráfico de (c)p V p.05 determinar si el primer grupo do. cuando la proporción real p de bolas rojas sea (o) 0. La resistencia a la rotura de una muestra de 8 cables dio una desviación típica de 300 libras. determinar Ia probabilidad de aceptar la hipótesis de que haya igual proporción de bolas rojas y azules. (b) 0. (b ) 0.8. (d) 0. Adviértase que en esüe caso solo son necesarios los límiúes de control super.ores. Ia desviación típica de las temperaturas anuales fue calculada como de 10o Fahrenheit.65. En el Problema 7. al nivel de significación del (a) 0. Con un nivel de significación del 0.91.77 una muestra de 20 bombilta¡ reveló una desviación típica en la duración de 150 horas. ?.26 y 7 .0f .01.

34 8.g8 pueden ser aproximados estrechamente a una distribución normal. 7.gg. Se eligieron aleatoriamente tuercas de la producción de . I 65 22 a l 10!¡ I LA PRUEBA CHI. Durante un largo período de tiempo.100. 3 4 .98. 7. Ajustar una distribución de Poiss<¡n a los datos.40% C.05. El número de defectuosas ""d" fueron 2. 114 Vier.107.05 2 rojo 0 blanco Número de extracciones con Ios esperados.rrru de 4 máquinas. 10. se anota su color y se vuelven a la urna. 9.108.e 12% A.105. Tabla 0 ? -25 I ?-101. solucionar el Problema 7. de probabilidad para determinar si los datos del Problema 5. . Un profesor nr¡evo da durante dos se_ mestres 22 A. 7 z AJUSTE DE DATOS A DISTRIBUCIONES TEORICAS -24 2 7. Ensayar esta hipótesis al nivel de significación del 0. Una urna contienc 6 bolas rojas y B blancas.r02 utirizando la corrección de yates. utilizar papel gráfico 30 62 16 l0 . . Este proceso se repite un total de 120 veces y los resultados obtenidos.66 C' 16 D y 12 F. Se lanzaron tres monedas un total de 240 vese observó cada vez el número de caras obtenido. En 10 unidades del ejército prusiano y en un período de 20 años 1875-1894. 7. las puntuaciones dadas por un grupo de profesores en un determinado curso dieron un promedio d. (b ) 0.05 si el profesor nuevo sigue las mismas nornns de puntuación que los otros. Ajustar una distribución de poisson a los datos del hoblema 2. con un nivel de significación del (o ) 0. Ensayar la hipótesis de que el número de libros sacados no dependa del día de la semana. 7. Mar.se muestran en la Tabla ?-2g.96. Se Tabla 7-28 0 rojo 2 blanco 1 rojo 1 blanco 53 si los extraen aleatoriamente dos bolas de la urna. resultados obtenidos son consistentes (. (o) Determinar las frecuencias esperadas.99. Juev. Ajustar una distribución normal a los datos del problema 5.05. Ensayar la hipótesis de que la moneda está bien hecha utilizando un nivel de significación del (o) 0. Determinar si existe entre las máquinas una diferencia significativa al nivel dc significación del 0.LB% B. (á) 0. (b) Determinar al nivel de significación del 0. 7 '97 Ajustar una distribución binomial a los datos dela Tabla 7 _24.0b. 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. 3.05.1'04. 6l ?. El número de libros sacados de una biblioteca pública durante una semana determinada viene dado en la Tabla ?-22. Delerminar al nivel de significación de 0.0r . 146 t20 7.96 y comparar con el ajuste obtenido utilizando la distribución binomial.^ 30 Frecuencia esperada )0 90 3() ?. el número de muertos por unidad y año debido a coz de caballo se dan en la Tabla ?-2b.l 1 cara 108 bien hechas. Número de libros sacados Tabla 7 -27 Lun.01.103.Lg?o D y 12% F.106.254 ENSAYOS DE HIPOTESTS Y SIGNIFICACION Tabla f 0 [car. 7. Ajustar una distribución normal a los datos del problema 5.100. 7.CUADRADO 7'102' En 60 lanzamientos de una moneda se observaron 37 caras y 23 sellos. 108 Mierc.

mientras que a otros se les dio píldoras de azúcar (aunque todoselloscreíonque suspíldoraseranparadormir). Solucionar el Problema 7. Mediante la prueba chi+uadrado determinar la bondad de ajuste de los datosde (o)Problem¡ 7.L17.100. Posteriormente. Mediante un nivel de significación del (o) 0.115. Los resultados de una encuesta hecha para determinar si la edad de los conducüores a partir de los 21 añoe. (a) Utiliza¡ la prueba chi-cuadrado para determinar la bondad de ajuste de los datos del Problema?.06. A un nivel de significación de (a) 0.98.05 V (b) 0.113. N nivel de significación del (a)0. la vacunación y esta enfermedad son independientes. Utilizar el nivel de significación del 0. (b) Problema 7. Ia Tabla 7-33 da la relación entre las notas de los estudiantes en matemáticas y física. 7.cAP. Tabla 7.05.ensayarlahipóteois de que no hay diferencia entre ambos partidos en lo que a esta decisión se refiere. los votos de los demócratas y republicanos registraron los resultados que se observan en.111.112.01 y (b)0. Tabla ?-30 Aprobados Clase 7.116. es decir.01.(b) ¿Es el ajuste "bastante bueno"? Emplear el nivel de significación del 0. ¿Es consistente el resultado de (o ) con el del problema 7 . (b)hoblema 7.96. Mediante un nivel de significación del (o) 0. IA Tabla 7 -29 muestra el resultado de un erperimenüo para investigar el efecto de vacunación de animales de laboraüorio contra una determinada enfermedad.la Tabla 7-32. 7. De un grupo de enfermos que se quejaban de que no dormían bien. Suponiendo que todos los pacientes dijeron la verdad. Mediante la prueba chicuadrado determinar la bondad de ajuste de los datos de (c) Problema ?.f09. a unos se les dio pfldoraspa¡adormi¡.05 y en cada caso determinar si el ajuste es "bastante bue.01.05 y (b) 0. A 72 64 t7 23 Clase B 7. Ensayar la hipótesis de que las notas de física sean independientes de lás obtenidas en matemáticas. medianüe un nivel de significación del (o) 0.LOg? TABLAS DE CONTINGENCIA 7 Tabla 7-29 Se . las dos claees. enfer No se maron 'enferma¡on Vacun¡dos No Vacunados I L7 42 28 ?. ¿Qué poeiblee dificultades en las t&nicas de muestreo como en otras consideraciones pueden afect¿r las conclusiones? . ensayar la hipótesis de que no haya diferencia entre los grupos vacunados y no vacunados.01 ensayarlahipóteaisdequeelnúmerodeaccidentes es independiente de la edad del conductor.112 introduciendo la corrección de Yates. 7. Sobre una decisión de importancia nacional.114.05 v (b) 0. tiene su efecto en el número de accidentes de automóvil (incluyendo todo tipo de accidentes) se indican en la Tabla 7-34.31 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. 7. Hacer el problema con y sin la corrección de Yates. 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. 7l BONDAD DE AJUSTE ENSAYOS DE HIPOTESIS Y SIGNIFICACION 265 7. Dott.0ó.99.118.101.ensayarlahipótesis de que no hay diferencia entre las píldoras de dormir y las de aziucar al nivel de significación del 0.06. ensayar la hipótesis de que no haya diferencia entre.01 y (b) 0. El resultado de sus respuestas se muestra en la Tabla 7-31. se Ies preguntó si las pastillas habían surtido efecto o no.110.

se toma una muestra de 50 bolas con remplazamiento de cada una de las urnas. Por similitud con las ideas desanolladas para tablas de contingencia h X &. diantes. es JUS:0. Xu) r¡ñY Azules No azules 49 30 8-ó 7.¡¡¡. donde n és la frecuencia total de todas las casillag.117.121.119.128. Si nI y n! denotan. COEFICIENTE DE CONTINGENCIA 7. ( sin y con coeficiente de n de yates. ? MATEMATICAS Notas altas Notas altas O CA Notas medias 71 Notas bajas L2 Dt) AO Notas medias Notas bajaa 163 42 38 85 T4 Tabl¡ 7-34 EDAD DEL CONDUCTOR 21-30 31-40 41-50 78s 51 51-60 720 66 16 5 61-70 672 50 RH HE< 0 748 74 82r 60 26 10 oz ÉE I 2 Bg z< 3l 22 6 ID 7 lMásde2 I 7. 7'.LL4.125. Demostrar el resultado (2) det Problema 7. señalando las posibles aplicaciones que pueden_tener.) 7. Dos urnas A y I contienen igual número de bolas. pero se desconocen las proporciones de boias rojas y blancas en cada una de las urnas. (b) el coeficiente COLOR DE PELO Rubio No rubio 25 96 7./n. Hallar el coeficiente de contingencia sin y con la corrección de Yates para los datos de (o) problema 7.8165aproximada- 7.121. mostrar que la frecuencia esperada para la casilla perteneciente a la fila i y a la columna j es n¡n. Demostrar que el coeficiente de contingencia máximo para una tabla fr X k es 1/1t¡ PROBLEMAS DTVERSOS . 7. (o) Demostrar eu€ ¡2 = 2@l/np.1 .49. . 20. 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.122.1L2 y (b) Problema 7.126. Demostrar que el coeficiente de contingencia máximo para una tabla 3 X 3 mente.?r para toda tabla de contingencia.11?. respecüivamente.127.266 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).L23. donde n es la frecuencia total de todas las casillas. (b) Con el resultado de (c) hacer el Problema 7. 7. ?. discutir las tablas de contingencia h X k X I. Hallar el coefieiente de contingencia para los datos del Problema ?.

138.05.54. Con una determinada marca A de gasolina.cAP. Con otra marca B. (b) 0'01. Con referencia al Problema ?. ?.134. ¿Se puede rechazar la hipótesis de que la moneda está bien hecha al nivel de significación del (o) 0.132 empleando un ensayo unilateral. Ensayar la significación de este resultado a un nivel de (a) 0. el número medio fue de 21.131. 2.140.133.10.001' (d) 0. 7.0Sinvestigarsila marca A realmente es mejor que B proporcionando mayor recorrido por galón.129.132 si salen 6 caras. Comentar cómo puede utilizarse la teoría del muestreo para investigar las proporciones de diferentes tipos de pescado presentes en un lago. Durante un período particular hubo 40 calificaciones A en un grupo de 300 estudiantes. ?. Construir gráficos análogos a los del Problema 7.01. 7.56 si el 7 en la regla de decisión del Problema 7.54 ?.4 con una desviación típica de 0. El porcentaje de calificaciones A dadas en un curso de física en una universidad determinada durante mucho tiempo fte L0%. Generalizar el resultado del Problema 7.13?. es ahora 8. Al nivel de significacióndel 0. Solucionar los Problemas 7.4?. 7 n¡ ng üt fl1 b2 . 7.05 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 8.7l ENSAYOS DE HIPOTESIS Y SIGNIFICACION 267 dando la de A 32 bolas rojas y la de B 23 bolas rojas.01? Utilizar un ensayo bilateral. A B Tabla 7-36 I &1 II A2 III dg ó3 'tLg TOTALES ?.13g. Explicar cómo podría definir interualos de confianza unilateroles y dar una posible aplicación.142. Comentar los resultados. (c) 0. Utiliza¡ el resultado del Problema 12 para el Problema ?.54. ?.23 pzra el Problema 7. Una moneda se lanza 8 veces y se obtienen ? caras. Solucionar el Problema 7.0ó. ?. (b) 0.141.140.132. el número medio de millas por galón consumido en 5 automóviles análogos bajo idénticas condiciones fue de 22.138 ¿hay mayor variabilidad en millas por galón utilizando la marca B que utilizando la marca A? Explicar.06 de que el estudiante no está contestando al azar. Demostrar que para la Tabla ?-36 y2 " n = o(l+ú+"?\ * 2a (u" +ú+ rt2 'tL2 ns/ rr o?) ns ¡\ ?t I \t¿r / -.6 con una desviación típica de 0.l4O para obtener el valor de TOTALES lr2 n . (b) 0. (c) 0.64-7. ?.05. En eI Problema ?. 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. Solucionar el Problema 7.130.55. ?.48. ?. Mediante un nivel de significación del 0. ?.135.136.

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

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

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

en cuyo caso todos los puntos-mue_strales están sobre una iecta [esto se demostrará en (26)] y hay una cotelación y regesión lineal perfecta. Por ejemplo.laparóbola de ¡nínimos cuadrados que ajusta un conjunto de puntos muestrales viene dada por ?l = a*br*cr2 (f8) donde a. -s "" n-n n Q3) sobre En términos de éstas.\ssi trul En vista de que (r . x y x2 respectivamente. si : 2(U . Es lógico que las dos rectas en (l e¡ ron diferentes al menoJ eu€ r = + 1. entonces bcl -_ t2 * b3c. REGRESION Y CORRELACION 26r Uz) n-n = >(=o)t'=.U)/s" son valores muestrales.ú)" ora 2(r . .i)2.(* o\ 8u\s"/s. página 82] .3) : a e¡) v-g : .\(U_.= entonces (14) puede escribirse como l'\ ry : . (17) Hasta ahora no hemos considerado la significación precisa del coeficiente de conelación sino so' lamente lo hemos definido en términos de las va¡ianzas y covarianza. c se determinan de las ecuaciones normales 2u : na-tb)*+c2n' Zr'u : a2r +b>r2*c)rt 2*"u -' o2*" +¿r>#+c}ra (19) Estas ecuaciones se obtienen formalmente sumando ambos lados de (18) después de multiplicar sucesivamente por 1. y están dadas por )(c . . "-.Ú) )¡ _ . En la págrna 263 se dará la significación. tipificados. 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.(Y.a\' \'| Debe notarse que en general (12) no es la misma recta que (8).¡l@-u\ 2(u . Ios resultados en (16) proveen unaiorma muy simple de récordar las rectas de regresión. RECTA DE MINIMOS CUADRADOS EN TERMINOS DE VARIANZAS Y COVARIANZAS MUESTRALDS Las varianzas y covarianzas muestrales de r. 8l CURVA DE AJUSTE. b.ú)/s" y (U . PARABOLA DE MINIMOS CUADRADOS Las ideas anteriores se amplían fácilmente.I.cAP. Í: También es de interés notar que si las dos rectas de regresión (f 6) se escriben como y c * dy respectivamente. n-r:rrt@-ü S¡ Sy Si formalmente definim os el coeficiente de correlación muestral por Icomparat (54).

s curvas de regreéión posible..c)y2 (21) tado de aplicar una definición análoga a la de la página 2sg.r)2 (22) r.262 CURVA DE AruSTE.2. entón". ó. por ejemplo. (25) de donde incidentalmente se deduce como corolario que r2 _ El error típico de la estima tiene propiedades análogas a esas de la desviación típica.' : f"(L-r') Í l. puesto que >(A U. ' Estas ecuaciones. . se hacán fácilmente. c en (20) de modo que que (20) lz = tmtb)r+ "2a 2*.23.denotamos por U". por la recta de mínimos cuadrados en términos de la varianza v del coeficiente de correlación como s?.. 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."t)z = 2¿2.r €l valor estimado de y para un valor dado de ¡. debemos hallar si n es lo suficientemente grande para que estén rectas alrededor del 68%. : a* br. con a y b dados por (4). incluyendo ecuaciones lineales y no lineales conducentes a s¿. Si r es la variable dependiente una ecuación semejante se llamarú ecuación de regresión de x sobre y. y. entonces una medida de la dispersión con respecto a la curva de regresión está suministrada por la cantidad sg. z.-' perficies de regresión en espacios tridimensionales y superiores. n¿viértase qúe pueden obtenerse formalmente de (20) multiplicando por L. x. si creemos que dos variables inaependi"áfus y. tenga la forma (20) z = a*br+cy Esta se denomina ecuación de regresión de z sobre r. Genetalizaciones a más variables. la cun¡a de o de la estima. esto es -1 < r < 1. = o2r +b>12*c)ry 2u" : "2u + b> ry 1. llamadas las ecuaciones normales correspondientes a (20). si construimos p¿ües de rectas paralelas a la recta de iegresión de y sobre r a distancias vertióales te. obtenido de la curva de regresión de y sobre r. y respectivamente y sumando. Por ejemplo.96% y 97% de los puntos muestrales res.8 REGRESION MULTIPLE Las una ces busc hay ás variables. como se emtodas la.: 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". tenemos (23) (24) También podemos expres¿u s. REGRESION Y CORRELACTON lcAP. se obtienen como resul- ERROR TIPICO DE LA ESTIMA Si.

Fórmulas equivalentes a las anteriores.r s€ comportan en una manera aleatoria o impredecible en tanto que las desviaciones /esr . : nsl .2).cAP. Esta terminología surge debido a que Ias desviaciones y -U. El coeficiente de correlación puede calcula¡se de cualquiera de los resultados Sru S¡ Sv /t6=w\/t6 )(¡ - ¡)(u -a\ -nP (2e) o (30) que para regresión lineal son equivalentes..24) (26\ 2@-ü' = 2ta -?/". De otra parte si la variación total no se puede explicar.*-u)' (27) La cantidad a la izquierda de (27) se llama la uariación total. La primera sunra a la derecha de (27) se conoce como la uarincíón no explicadc. y (en COEFICIENTE DE CORRELACION I.. Este está dado por 3r2./(n ..)2 * 2(u. algunas veces llamada coeficiente de determinación. En otras palabras. r : + 1. Por esta raz6n algunos estadísticos prefieren expresar (22) con 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. es decir.1) igualmeninsesgada del cuadrado del error típico de la estima. La fórmula (29) se conoce como la fórmuln producto-momento para correlación lineal. Si la variación total se explica totalmente por la recta de regresión. Al tratar de hacerlo notemos que de (25\ V las definiciones de sy.x"l(E (32) a. si 12 : L í. r mide qué tan bienla recta de regresión de mínimos cuadrados se ajusta a los datos muestrales. te hay una estima Las anotaciones anteriores se modifican fácilmente para Ia recta de regresión de r sobre cuyo caso el error típico de la estima se denota por s¡ r) o para regresión no lineal o multiple. que se utilizan en la práctica son M n2ry .. entonces la variación explicada es cero y así r : 0.(>rX>y) (3r) ra-ra (? .r7 se explican por Ia recta de regtesión de mínimos cuadrados y así tienden a seguir un patrón definido. En Ia práctica la cantidad 12. 8l CURVA DE AJUSTE. decimos que hay una correlación lineal perfegta (y en tal caso también regresión lineal perfecüc).2 en cambio de n en el denominador. y sy tenemos )('?-U""')' D2 = r Entonces podemos demostrar que (véase Problema 8..) .. se encuentra entre 0 y 1. mientras que la segunda suma se llama uariación explicadn. REGRESION Y CORRELACION 263 Así como hay una estima insesgada de la varianza muestral dada por 3t : nsz/(n ..

excepto en el caso de regresión lineal. (32). 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). suponga que se aplica (29) a datos no lineales y se obtiene un valor que es considerablemente menor que 1. los datos pueden clasifica¡se en orden de tamaño. En particular. y) en los datos ción graduaL La fórmula (36). (33) o (34). hallamos n2n'y'. se denomina fórmula de Spearman para la conela- . En consecuencia da el mismo número para todas las formas de curvas de regresión y no es útil como medida de ajuste. es ilógico utiliza¡ un coeficiente de conelación lineal donde los datos no son lineales. Si dos conjuntos correspondientes de valores.r. y (86) : n: diferencias entre las clasificaciones de los conespondientes número de pares de valores (r. coeficientes de correlcción múltiple. 8 Si utilizamos la transformación (9). . El signo se toma en cuenta automóticamenüe si empleamos el resultado (29). r. por generalización apropiada. 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. L'a conexión (25) entre el coeficiente de conelación y el error típico de la estima es válida para corelación no lineal. (33) se convierte en 2'r'a' (2x'2)(2y'2) que comúnmente se emplea en computacion. empleando los números t. . y se clasifican de tal forma.()r')()y') (83) que indica que r es invariante bajo una traslación de ejes. etc. puede existir vna gran correlación no lineal. esüá dado por rs¡ad donde d 6>d L-i@r_l) = . Utilizamos (35) para obtener coeficientes de correlación no lineales (que mide qué tan bien se ajusta unz cun)a de regresión no lineal a los datos) o. (31\. importancia. o cuando la precisión no puede obtenerse. si utilizamos (30) para obtener r debemos aplicar el signo apropiado. Entonces la conclusión a extraerse no es que hay poca correlación (conclusión algunas veces alcanzad. n.36.2. CORRELACION GRADUAL En cambio de utiliza¡ valores muestrales precisos.a pot aquellos laicos con los fundamentos de la teoría de correlación) sino que hay poca correlaciín lineaL En efecto. (8t) El coeficiente de correlación lineal puede ser positivo o negativo. es derivada en el Problema 8. Sin embargo. si lz : ñ. donde coincide con (30). 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. el coeficiente de conelación gradual. página 260. Puesto que un coeficiente de cortelación simplemente ¡ride qué tan bien se ajusta una cun¡a de regresión (o superficie) a los datos muestrales. . Sin embargo. denotado por rgrad o sencillamente r. la última definición.. y.264 CURVA DE AruSTE. k = A. Sin embargo.

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

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

. Ensayo de hipótesis para valores medios predichos.45.m (ao- úor\Ñ @a¡ tiene una distribución de Student con n .44. Véanse Problemas 8. Ensayo de la hipótesis p * 0.47 y 8.2 grados de libertad. 2. 2. De esta ecuación se pueden ha' llar límites de confianza para valores de población predichos. 3. Aquí utilizamos el hecho de que el estadístico f = rl/n-z \/fr (+s¡ tiene distribución de Student con n - 2 grados de libertad. En el caso de que p = O esta distribución es simétrica y se puede utiliza¡ un estadístico con distribución de Student.48..50. es decir. (i=/ : 1'1513 tos'o(1 Estos hechos pueden también utilizarse para hallar los límites de confianza para los coeficientes de correlación. es decir. REGRESION Y COBRELACION 267 tiene una distribución de Student con n . De aquí pueden hallarse los tes de confianza para valores medios poblacionales predichos. Entonces el estadístico t- su. En ese caso una transformación debida a Fisher produce un estadístico que aproximadamente tiene una dishibución normal. Véase Problema 8. lo : a * bxs.Para este propósito debemos conocer la distribución muestral de r. = ffi - (51) Z de Fish.ffi @o- a"\{n-2 Urr¡ tiene una distribución de Student con n . Denótese Por Jp el valor predicho de y conespondiente 2. Esto también puede utiliza¡se para hallar inten¡alos de confianza p¿ua coeficientes de regresión poblacionales de los valores muestrales. Véase Problema 8.46. Denótese por ¡lo el valor predicho de y conespondiente i f : ts estimado de la ecu¡ción de regtesión muestral. 1. Aquí utilizamos el hecho de que el estadístico z =*r"(i+) = r.(i#J aproximadamente tiene una distribución normal con media y desviación típica dadas por (50) -Zt" /1+p\ *.2 grados de libertad. lími TEORIA MUESTRAL DE CORRELACION Con frecuencia tenemos que estimar el coeficiente de correlación poblacional p a partir del coeficiente de correlación muestral r o ensayar la hipótesis relacionando a p.43 y 8.'\[+Fi. lo = a * bxs.2 grados de libertad. Los ensayos siguientes resumen los procedimientos involucrados. Ensayo de la hipótesis p = 0.8l CURVA DE A'USTE.. Í : Ís para la población.49 y 8.8 : to estimado de la ecuación de regresión muestral. Ensayo de hipótesis para valores predichos. fo = E(YIX = co)].cAP. Para p + Ola distribución es sesgada.1618"". Entonces el estadístico t- ú- ru. Denótese por üp elvalormedb predichodey correspondiente a x = Ío para la población [esto es. Denótese por Jo eI valor predicho de y correspondiente o. = 1. Véanse Problemas 8. Véanse Problemas 8. La transformación (60) se llama transformación /1+p\ I o/' ".er.

Zrpzr-2.yt)l@z .268 CURVA DE AJUSTE. y. ). EJEMPLO 8. y 22 conespondientes a y rz utilizando (50). Además. su distribución conjunta no se factoriza en sus distribuciones marginales). Una recta pasa por los puntos (xr. Aquí hay una independencia directa enüre X Y.1. 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.s resueltos NECTA DE MINIMOS CUADROS 8.51. La consüante b : (yz . Y variables aleatoria¡ que representsn eetaturas y pesos de individuos.. calculamos Z. 8 3.(. Pero diffcilmente diríamos que hay interdependencia düecta entre X y Y. Y tienen un coeficiente de correlación diferente a cero. 8-5. ozr-2.2. REGRESION Y CORRELACION [cAP.a ecuación de una recta es ! : a * b*. podemos utilizar una ecuación de la forma de (39) pata predecir el valor de Y a partfu del valor de X. Esto se demuestra en los ejemplos siguientes. sabemos (Teorema 3-15. Luego utilizamos el hecho de que el estadístico Zr. cuando p + O. EJEMPLO 8.a*br)-(a*br1l = b(r2-r1l Obteniendo que b : (yz . y2 ) son puntos sobre la recta yt = a+bn1. Problerna.t [.b(r-r-1\ Í2trt Uz-Ut .yt)lfz . eI coeficiente de correlación puede eer diferenüe de cero y podríamos halla¡ una ecuación de regreeión prediciendo una variable de la otra. diente de la recta. = Y nr- n^ = nt-3' nz-B (53') disbibuye norma[mente.1. Es importante acla¡a¡ que "correlación" y "dependencia" en el sentido anterior no necesariamente implica una independencia causal di¡ecta de X y Y. Por tanto (1) A2 = aibr2 u-a1 = @*br)-(a+b*t) (2\ . lt ) y ( rr.11 ) de (2) y (l pedido sustituyendo en ).¡r ) es la pen- . el resulüado se deduce. La gÉfre de la recüa . Véase Problema 8. Si X representa los s¿larios anuales de los profesores en tanüo que Y representa la cantidad de crímenes. Significado de una diferencia entre coeficientes de conelacion. yr ) V @2. página 82) que son dependientes en el sentido de probabilidad (esto es.)w-. Entonces ya que (¡r. = Pzr. CORRELACION Y DEPENDENCIA Si dos variables aleatorias X. ozr-2. Se¿n X.lLzr. Demostrar = que la ecuación de la recta es U-Ut tenemoe (Ty. (521 donde se Itzr-|.@ se mueetra en la Fig.

2 utilizando a (c) variable independiente.61. Una condición ó mfnimo (o un máximo) es necesaria para que esto sea un que aFlaa = O. 4). 8-6 .642r.. Derivar las ecuaciones nonnales (4). vé¡ee Problema 8'4 que emplea el método de mfnimos cuadrados. por ejemplo.8l 8. I 4 8 I Una rect¿ que se aproxime a los datoc se dibuja a mono olzada en la figura.cAP. (3. 2ra = a2r*b2r2 como 8e pedfa. recta de mínimos cuadrados conespondientes a 11. Refiriéndonoa a la Fig.b) = l(o * br . 8-6. Para un método que eümine la ne' eecidad de juicio individual.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. (8. 9) sobre un ¡istema de coordena' das rectangulares corno se muesha en l¡ Fig. dz: albr2-9". Ya que # = >f. aFlab = 0. (o) Dibujar loe puntos (1.. 8.7 . .1 . CURVA DE AJUSTE.g¡2.rfnSOn a*bry albr2. (9.4\. E-7 Entonces la suma de loe cuadrados de las dewiaciones e8 a?+ a3+ "' + dl = (a4'br¡-at)z * (a*br2-Uzl2* "'* (a*bnn-An)2 >d2 : )(o+br_y¡z Esto e¡ una función de o y b. 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 la recta de mínimps cuadrados. Ajustar una recta de mínimos cuadrados a los datos del Problema 8..os valores de y sobre la.rA' ")t)'6"' Fig. F(a. Las coordenadas de e¡tos puntoa tomadoc de la gráfica eon aproximadamente (0.. Entonces el Problema 8.3. f. (b) Í como variable dependiente. r como . 2).(4. 3 2 4 6 4 891114 o a t). 6 y-l=0.2.4..1 ) y (72. 8) y (14.. 7).tl' a-r =ffiO-l. (b) Para obtener la ecuación de la recta construida en (o). tales como P y 8. albnn Las dewi¡¡ciones verticales correapondientes son dt = a*br1-yt. escójarrse dos puntoe cualesquiera sobre la recta. (11. dn = a*bxn-yn Fis. (b) Hallar una ecuación para esta recta.542r ó¡ U=l+0. 8-?. página 260. es decir. Puede demostrarse que eetas realmente resultan en un mínimo. 8. 12. 6). (6.

las ecuacionee normales se convie¡ten en dedonde c=-* ó -0.60 . las ecuaciones normales son 2ru = c2y*d2a2 Entonces utilizando la Tabla 8-2. 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. Nótese que esta no es la recta obtenida en el hoblema 8.50.oso (b) Si se considera a r como la variable dependiente y a y como la variable independienüe. a = ()y)()r2) .r.()r)()ry) = (40)(524\ . Aunque la última columna no se necesita para esta parte del problema.636.2 utiPuesto que hay 8 pares de valores de. 8c*40d = 56 40ci256d = 364 Estos valoree también pueden obtenerse de ()rx)sz¡ .Ga)(. b=+ ó0. n lizando el método a mano alzadt.636 r. REGRESION Y CORRELACION [cAP.50.50 d- - = 1.CURVA DE AJUSTE. d=9 ó 1. Otro método. la ecuación de la la recta de mínimos cuadrados es ¡ : c * dy.546 + 0.)ru) c=ffi==-0. t¿s ecuaciones normalee son )Y: 2ru: an*b)r a)r*b).8 (o) La ecuación de la recta es y : o * b¡. yla rectade mínimoecuadradoopedida es S t + lrx 6 U = 0.(56X364) lt ó0'545 = 6 --lE f8-i6 g=w =qffiffiá#l )c = cnld)y = frao. 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 ó0.545. y.

Ot¡o método. más exactamente. 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.Resolviendoeimultánesmente.50y.pue¡üoque7=-*+*(6).ú). REGRESION Y CORRELACION Por tanto la ecuación pedida de la recta de mínimos cuadrados es r = 0. Lar gróficas de l¡s dos rectat.500*1. 0. ti).9. las rectas (¿) V (S) no coinciden. remplazando las constantes o.Elpunto(?.! :5. Nótese que al solucionar esta ecuación para y obtenemos y obtenida en la parte (o). b por c.ha*+É.546 + 0. llamedo el centroide. y. mfnimos cuadrados puede eecribirs€ como hocediendo como en el c¿¡o 1 intercambiando r.60 + 1. r-ñ f).50(3) = {.636 ¡ 2 0 6tl012 Fig.636 r o..E.636¡. pero ¡e intergectan en (a.546 f 0. Demostrar que una recta de mínimos cuadrados siempre pasa por el punto (i.60+1. d respectiremen' üe. 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 ). ¡ = 7 .6. ú). F = -0.8. Representar gráficamente las dos rectas obtenidas en el hoblema 8.cAP. .4.333 + 0'667 ¡' que no ee l¡ mi¡m¡ rect¡ 8. y : 0.6.6). 2. y es la varirrble independiente.8l CURVA DE AJUSTE.Í.: L2 en la recta de regresión de y sobre n.546 * 0. Por üanto la¡ rectas se interceptan en el punto (?. y E=-t+*y.60y t2 10 = y= e. = tllu-úl Nótese que en general.fi). Nótese quelas dos rectas en e¡te caso prácüicamente coinciden. 6) se encuentra en la recta U = 0. Caso 1.7. (o) Demostrar que las dos rectas de mínimos cuadrados obtenidas en el Problema 8. La recta obtenida en la parte (b) se llama la recto de regreeión de x eobre y. lo cual es un¡ indicación de que los datos están muy bien descritos po¡ una relación lineal. ¡ es la variable independiente. se indican en la Fig.66? r 8 6 1 u= 0. es (7.8-8 8.333 * 0. la recta de mínimos cuadrados puede escribirse como Q) Caso que muestra que la recta pas¿ por el punto (á. - 0. (o) El punto (?.úr.5). (b) Al remplazar x.60 y.4 intersectan en el punto (. hallamos que la recta de (5) que indica que la recta pasa por el punto (4. U = 0'646 + 0'636(12) = g'Z' (c) Al remplazary:3 enlarectaderegresiónde¡ sobre a. U = &* Lrrr. se utiliza para estimar r para valores dados de y. pueeto eue6=*+t(?). [¡secuacionee delaedosrectassona= llamos 8. (b) Estimar el valor de y cuando x: L2. {.60 * 1. ¡ ¡=-0.6)seencuenhasobrelarerfar=-++$y. (c) Estimar el valor de ¡ cuan' doY: 3' -2a40 a=T=¡-=o Luego el punto (6.

tenemos D_ 2(r n2xy .ú = b(x. g 8.(>. ¿ = ñ.Demosharque .9.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. demostrar que D--i# .e¡z demo¡tración de (12).(2r.pdgina 261. 8.7 .8.=7+h.1 -ñF-trú. Ir 2(a .10 Si en el Problema 8. u=7+tc Por üanto .(Ic)z¡ También >(r - t)(v .al r. re rigue intercambiando D - >(z::elfu. h = f.nEú (I¡X)z) ¿ru .úl = 2(rs-i:y-ir*efrl 2ra-ñ2u-ú2n1'2eú 2rU-nEú-nfrE*nitfi .tenemos .t¡z = - t )(>x)2 |ín2rz .(2r)(2r'l n2r.)(2g. y (véa¡e problema g. U - g.. sean c = d *h. y. página 260.9.8 tenemos f.t). REORESION Y CORRELACION Demostr^ar que la tecta de regresión de mínimos cuadrados de y sobre forma (8). pdgina 260. u=u'*k.12). + k.n8z 2r2 I Entonces . .272 CT'RVA DE AJUSTE.(2x')(2y'l n)s'2 .()¿X)y) n)¡z . = n8ru-(2rl()ü _ n2xz _ (2r)z Entonces ti ú = út I h.(2rlz 2(¡z-2nr*12) 2r2-2ñ2r*2i:z 2r2-2n82 lniz 2s2 . j[n2ra Por tanto (I ) oe conüerte cn 2rU t (>¿X>y)] de donde ¡e obtie¡e el resultado (S ). r puede escribirse en la (l). U . Problema 8. Tónemo¡ de 11) [eAP. h_ v- dondeh n2uU yk son constantes.-. 8.=-Ep=Ts¡t Del Problem¡ 8.n2r'a' .y. De la segunda ecuación en (5).

82 + O. (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r. REGRESION Y CORRELACION 273 Se deduce inmediatamente del Problema 8. 72 de dispersión se obtiene dibujando los r = _8. 8-9. (c) Construir un diagrama de dispersión.8l CURVA DE AJUSTE. 62 62 6{ 66 Fig.y deuna muestra de L2 padres y sus hijos mayores.849 . La gráfica de esta ecuación ¡e muest¡a en la Fig.418 Zny = 54.418b = 64.476x. de modo que y :96. 8-9. Tabla 8-3 Estatura r del padre (pulgadas) 65 63 67 64 68 62 70 66 68 67 69 7L Büatu¡a y del hijo (pulgadas) 68 66 68 65 69 66 68 65 7t 67 68 70 (o) El diagrama puntor (r./ €70 6 !a 2a'= an * ólr 2ra .82 y b = 0.a2n*b2n2 [.L07 de donde hallamoe o : 36. y ) sobre un sistema de coordenadas rectangulares como se muestra en la Fig.88+r.cAF. &11 La Tabla 8-3 muestra las respectivas estaturas lc. 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. .a recta de regresión de y sobre r está dada por y = a + b*.9 ya que 2fr' = l(c-t) y análogamente = 2r-nñ = 0 ly' = 6. de modo que lae ecuaciones normales se convierten en 9oe 2? 666 864 É¡ E 12o*800ó:811 800o*63.197 )92 = 64.086/___V (b) f.476.ae sumas se muestran en la Tabla 8.4. (c) Hallar la ¡ecta de regresión de mínimos cuadrados de r sobre y. donde o y b se obtienen resolyiendo las ecuaciones normales.

d=1.476u u . Por tanto 6?.5) - (10)z = 0.86 * 0.2y 2uY = c2Y*d2Y2 L2c Utilizando las sumae en la Tabla 8-4.07) 6 ecueción de regreeión pedida de y sobre x ea a .11 utilizando el método del Problema 8. ¿ = n>r!: (>!)l?nl = n2a2 .38*1. se convierten en -f SLld = 800 64.9.82.036y. - 68 tenemos r.á). Réstese un valor apropiado. 8-9.12.dondecydseobtienensolucionandolas 2a = cntd.476(n-66.68.6?. aparte de los enores de redondeo. (12X106) (-16)f.58 n I¡ =7*68 = -**68 = 66. y de y podrfan ser diferen- Tabla 8-5 & g' 0 l'2 t'U' 0 10 0 0 4 -3 -6 I 26 -2 0 -l -4 0 I 16 0 0 -6 2 -3 I -2 0 12 0 I I 4 0 9 36 4 4 L2 0 t) -2 0 -3 3 0 0 I 1 -l -1 I 1 I 0 I 3 0 2 0 4 I 2r'2 = lO6 6 )¡t = -16 De la tabla hallamoe b 2a' = -6 2rtg'- 47 2a'2 = 4l = U' -3l (12)!47).4?6 Larectaderegresión x:c* dy.ú de acuerdo con el Problema 8. u =7*68 = -**68 = IZ-LZ = b(u.11.Iagráficadeestaecuaciónse Otro método.68. Solucionar el Problema 8. CURVA DE AJUSTE. = delascualeshallamosc:-3.086 8. . por ejemplo 68. .849d muestr¿ en la Fig.12s¡z _ _s. y ( los números restados de r tee).67. b = dada por ry# = 0. Esto nos conduce a la Tabla 8-5. REGRESION Y CORRELACION lcAP. De una manera análoga podemos obtener l¡ ecuación de regreaión de r sobre y.38.036. y. 8 "= (c) ecuaciones normales I]4ff de¡ sobrey viene = 85.asfque¡:-3.68 = 0. esto ee a = 36.476 También ya que &' = ú .(lyX>ay) n2yz . = ñ .g8.L07 E1lc#54. de r.()y)2 1.274 Otro método. - (>¡XI=y2l. = ú - 68.

2 t9.2ry . (c) Hallar elvalorde y y C. Tabl¿ 8-7 s = logV L.0095 3. y y= logP=4.000.6 194.20-1. La tabla 8-6 da valores experimentales de la presión P de una masa de gas dada correspondiente a varios valores del volumen V.7858 1. Entonces P=antilog1.859? A = logP 1.40.4 118.40(21 =1. (c) CuandoT=100.0997 3. .1 lu = 8'7975 b )12 = 23.3 61. la última ecuación puede escribirse (r) U = oibr donde¿:logC.9479 2.6 88.8 49.()rX>u) 6=-ffi. r=logV:2 25.(b) Escribirlasecuacidnes que¡elacionan aPy V.14. REGRESION Y CORRELACION 276 ECUACIONES NO LINEALES REDUCIBLES A FORMA LINEAL 8.4 37.7943 4.074L 2.ffi¡af'=-1. De acuerdo con los principios de la termodinámica una relación de la forma PV.2077 3. La Tabla 8-? da los valores ¡.60X104 y y=1.9294 2. n.40 Luego Y = 4.0043 12 ra 3.8543 =-1.2878 2.a2r*b2r2 4. a = ()y)()rz)-(>rX:g¿l _ n2"2-1>n\z . obtenemos un punto que se dibuja en el popel log-log construido especialmente como se muestra en la Fig.4685 3.2340 2.66L7 2.20=logCy (b) Pvt.7348 1.2 PVt = C. = C. donde y y C son constantes. 8-10.cAP.40.0 10.13.7 28. P de Ia Tabla 8-6 y también indica los (l ) son 2a = on*ü)¡ de las cuales 2ry . Solucionar el Problema 8.40=-y.5 72. tenemos tomando logaritmos de base 10 cálculos involucrados en eI cómputo de la recta de mínimos cuadrados (l ).6946 1. 8. (c) EstimarPcuando V = 100.0059 2xa - 16.4Ou.20-l.log P : y.6762 1. C=1.13 dibujando los datos en un papel logJog.to = 16. debe existir entre las variables.8l CURVA DE AruSTE.2976 )r = 11. Las ecuaciones normales qorrespondientes a la recta de mínimos cuadrados logP = logC-ylogV logC ó logP*ylogV: Tomando log I/: x.40= lb/pulg2. y conespondientes a los valores de V.7910 1.b:-'1.20.1 Presión P (lb/pul2 ) Ya que 6r.4533 1.2833 1.6953 (o) Puestoqueo=4.8309 t.0 pulgadas cúbicas. Para cada pareja de valoree de la presión P y el volumen V en la Tabla 8-6.0350 3.3019 6. Tabla 8-6 Volumen V (pul3 ) 54.

. . para la parábola de mínimos cu¿dradoo.1rn ¡on olbr¡lcu!.. Por t¡nto albn2*ct/.a)(2) = de modo que logP* 1.8-r0 150 ¡00 ú t00 También ¡e indica un¡ rect¿r (dibujada a mano alzada) que re aprorima a eeto¡ puntos. Enton4. Entoncee lo¡ veloree de y ¡ob¡e moc cr¡¡dr¿dor cotrec¡rondieatet a a1.4 los100 = l.?"-al' dc = o*bu21-cú-!2.a*(1. P: 26 de la g¡lfic¿. Deriva¡ las ecuaciones nomales (I9).o*blogV ó g = o*bn Ie pendiente D.8 l0 ú' 3o {0 ü. .¡ U¡ ertfa dadar por dt = qtbx¡Ic¡. . Pa¡a obtener ¿ ¡e nece¡it¿ un punto sobre ce8 l¡ recta. logPTlle . of bur*wl l¡¡ de¡vir¡cionee de. Por ejemplo cua¡do V: 100. [¡ medida en este e¡¡o indica que D = -1. prigina 261.2. (r*uzl. REOBESION Y COBRELACION [cAP.. 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 . e2.16. m 60 so r00 Volumen Y '{l Fig. ..4. .4.!nl. y PVtl = 16O00 PARABOLA DE MINIMOS CUAI)BAI)OS E.2 a = logP-ülog7 = lo926*1. U = a*ba*crz l¡ pa¡óbol¡ de mfni- Se¡n lo¡ puntos mue¡t¡alec (a¡Ittl. . .2. . que er negatlva en e¡te ce!o.4 logV = 4. 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 .276 CURVA DE AJUSTE. (nn.Ut U2.

6 2A = an*óI¡*c2n2 [¡s (r) ecuacionec normales son 2ry = o)¡*b2r9*c2rs 2n2a = o.7 4.00 2.t2 9223.92 230.66 259.2 1.8 7.0 ?.7 12 n3 xy 6.065 t .cl = )(o I Para minimizar esta función debemo¡ tener bx * cx2 - U)z Ti=o' .08 10.066. págin¡ 261.2b + 291.971.688. b.20 c = 48.82 4t.49 92.04 1.42 - - 1449.1 t€ 14 a 4.28 38.L6 6470.27 1.1 : 8.360 + 18971.16.73 5.8 4.70 26.28 233.2110¡ arí la parábola 2.8 3.58 4.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).O.9 5.2r2].4 2r2 - Ic3 = 2276.65 185.22 rzy 6. T¡bb ü u 1.9 7. Tabl¡ u 1.8 3.o3to*óc*cr2-a)2 = )2(o+br*crr-a) k = )*a{o*br]-cnz-u)2 = 2Zr(a*brtcü2-a) aF :d. ? = )f.t=o' *=o Enüonces # = ).2ll0rt . 8.7 7.1 8.96 96.ólcs*clra H trabajn involucrado en computa¡ la¡ ¡uma¡ puede ordenarce qomo 8e mue¡ha en la Tabla 8-9.36 2ua = Zxu 291.6 2.75 117.24 9.79 s32.92c : 1449.588 de mfnimoq cuadrado¡ pedida tiene l¡ ecr¡¡- .48 19.9 7.5 6.2 )u= 46.2Ob+2275.OI 32.' 7.49 60.2 6.8 7. Ajustar una parábola de mínimos cuadrados de la forma ! Tabla 8-8.8 4.6 9.2a*2SL.1 12.83 29.6 5.61 24.42 291.36c = 230.8 2.2 1. c = {).8r 2n2g I¿= 42.20 18. REGRESION Y CORRELACION función de o.19 36?. = + 2.9 9.91 636.06 941.cAP.46 254t.19 2.0 7.40 10.70 38.8 r87.36 5?6.b.20 o + 2276.2 6.44 3.00 Puecto que n (2) Reolviendo. e¡ decir 277 F(o. c.4E 1065.7 4. lar ecurciorÉ¡ norm¡ler (I ) rc convierten en 8a I 42. o ción = 8.41 73.8l E¡t¡ ec CURVA DE A¡UsTE.93 342.6 a I bx * cr2 a los datos de la t€ D. b = : 2.62 21.12 67.04 48.

An) son respectivamenüe a*br1*ey¡ Por tanto las desviaciones de z¡. La Tabla 8-11 muestra los pesos z ala libra más cercana.762.613 6.56L 2. 8. 2d2 = 2(a* br I y la suma de los cuadrados de las desviacionee está dada por cy - z¡z Considerando esto como función de o.os resultados se muestran en la Tbbla 8-10 junto con los valores reales de y. ala pulgada más cercana y las edades y al año más cercano de 12 muchachos.5 5.página 262. las estaturas x.. 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. 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. y puede escribirse z: albnlcy Las ecuaciones normales (21). [.5 2. (ün. (b) Determina¡ los valores estimados de e de los valores dados de r. .z¡ dt = a* br1 * cUt. vienen dadas por a*bnr*cyn dn = a* bnr* cUr.065(1.0 7.640 7. Utilizar parábola de mínimos cuadrados del Problema 8.621 5.588 + 2.8 8.0. all.8 7. .18 la forma z r.).. Ue"¡ = 2.2. . Demostrar que la ecuación de regresión de mínimos cuadrados se obtiene al determinar a.8 4.19.2)2 = 4. y..9 6. . Tabl¡ 8-10 Uest 4. z. b.7 u REGRESION MULTIPLE 8. . lcAP.. c e igualando las derivadas parciales con respecto za.2 6.2110(I.762 4.962 7. Se desea estimar una variable z de las variables : Sean los puntos muestrales (ryUyzr). c de modo que satisfaga (21. pág¡na 262. Entonces los valores de z sobre el plano de regresión de mínimos cuadrados correspondientes a (r1. b y c a cero.Un. REGRESION Y CORRELACION la. Análogamente se obtienen otros valores estimados.zn\. (c) Hallar la ecuación de regresión de mínimos cuadrados de z sobre x. .741 4.2) . b.503 7.17. .16 para estimarlos valores de y de los valores dados de r. (c) Estimar el peso de un muchacho de 9 años y 54 pulgadas de estatura. las ecuaciones normales pedidas (21) en la página 262 se obtienen. . y por medio de una ecuación de regresión de a ! bx * cy.278 CURVA DE AJUSTE. (rn.. y. Pata r = 1.zt.

cAP.. REGRESION Y CORRELACION Tabla t-12 fi 64 Df 59 49 62 51 a 8 10 6 11 z. ü = 0.865r+1.= v.-brl - o-bu) . Ír.843 Utilizando esta tabla.830 2yz = 6796 2uy = 6779 48. y.8436 * 6779c = 40.! : 9 en (3).4t4 69.66+0.136 64.86? 65."r)2 2afu 2fu-o-brlz o. el peeo estimado es zest : 63.2(Ufl -a.664 78.356. denoüado8 pot valoreg Tabl¡ 8-13 2est 2 64.b2r(u -a-br) .286 66. Entonces ^. o aprorimadamente 63 lb.r=n= = 2(a-a.8l CT¡RVA DE AruSTE. 2a'- a2g n - b2rY por Ueet Loe valoreg de y ectimadoa a partir de la recta de regrerión vieneÍ'r dados = @ * ü¡. c = 1. las ecuaciones normales (I ) ee convierüen en l2a1-643b *106c (2) 643¿ = 769 * 34.7r7 68.880 106o*67?9b+976o Rerolviendo. a = 6796 = 3.920 64 7l 63 67 DD 68 77 67 66 61 76 68 (c) Remplazando ¡ : 54.6612.e resultado¡ ¡e dan en la Tabla 8-18 junto con lo¡ mueshaleg de z.8646. la ecuación de regrerión pedida es (t) (b z = 3. demos- s'?.139 34. Utilizando la ecu¿ción de regreción (3) obtenemos log valores egtimados de z.606u zesb al susti- ) tui¡ los valores correspondientes de x. ERROR TIPICO DE LA ESTIMA 8.20. Si la recta de regtesión de mínimos cuadrados de y sobre que el error típico de la estima sy.6068. =í.682 ?8.206 69.¡ €stá dado por r viene dada por ! : a * b*.168 48. 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 = 40.225 68.926 66.

!* e!\ = 2a'2 + 2y29' * nú2 . cotrespondiendo a ¡ = 65 tenemotgest:36.20 se obtiene el re¡ult¿do pedido.82 + 0.bi2r' . Demostrar que el resultado del Problema 8.r. como se obtienen de la recta de regresión. que corteeponde a empezar con l--o+bryremplazando:oporcero..b2(r.476(66) : 66.+(0.a(2U.ú = b(r .anÚ .")z = "1. E.14 -2. Catcular el error típico de la estima¡ 8¡.11(b ) la recta de regresión de y cobre x ea ! : 36. denotados por lresr.11.66 >(u-u.28 68 69 68..21.bn.62 0.24)2+(0. I üyt * r.Cuandoeehacenestoeremplazo¡enelProlos datos del Problema 8.2na-o.xpot¿-á.ó)(a . (1. 2u'=0 y ú = o*bt (que re deducen aldiüdiramboslado¡ de l¡ ecuación normal 2A = an * b)r por n¡.ú)'- b)(c n - ¡)(u - ú'l Si ¡ = r' * A.2y-an-óIr = 0 2r(a-a-br) .24 68 67 67 67.6? 70 68 69.á). Sabemo¡ que la recta de regreeión puede eecribiroe oomo blem¿ 8.o. Tabl¡ t..bñl = 2O'' .b2t'g' .bt2y' .r9)z:l-.71 69 68 68. Erto demueetra el resultado pedido.úl donde hemooutilizadolo¡re¡ultedot2r'=0.71 -0.19 2.ú = 2u'2 .bnü! = 2U'2 + nú2 .€2 + O.7L 64 66 66.76.al@ .o2(g' * fil .22. Entonce¡ del hoblema 8.19 0.b2rtgt * nú(ú . Método 2.47 6r.y. También ¡e indican lor valorea y - Uest. REGREsIoN Y coRRELAcIoN lcAP.ana .24 63 66 65.24 -0.*nú') .20 N3' = 2u2-o'2a-b2xy = 2(a' + ú)2 .98)2 12 = L64z . = 2a@-a-bt\ nll 2a2-a2a-b2ra Este ¡esultado puede extender¡e a ecuaciones de regresión no lineal.b2r'Y' = 2(a .14 ü a Uesl 65 68 66. 8 2(A-a-bn) .38 7l 68. g = A'+ ú. güe ¡e neceaitan para el cálculo de oy.2r-b2rz = 2A = on * ó)c 0 puesüo que de las ecuaciones normales 2ru .a2r * = b2u2 Entonces sí.2O puede escribirse como ^z üu.66 7l 70 69.81 0.b2(r' * ñl@' * úl = 2(y'2*2ytfi*¡z¡ .81 62 66 66.¡ Método 1.280 Pero CURvA DE AJUSTE.UpotA-ú. 2(a .28 -1.76 L.81 U - Aest 0. En la Tbbla 8-14 ee listan los valores reales de y (de la Tabla 8-3) y los valorec estimado¡ de y. 8.28 pulgadac.x = lTiltr= 1. / ." y 8t. Por ejemplo.b2r'g' .a)2 .14 66 65 67.19 67 68 67.29 -1.2¡ pará Del hoblema 8.33 0.

Entonces el porcentaje pedido es 9lL2: 7 5%. Si los puntos están distribuidos normalmente respecto a la recta de regresión.brt Q.) para 9 puntos (¡.un"J(v. Utilizando los valores - a -0.22). NOTA: Una mejor estima del error tfpico de Ia estima de la población de la cual so.28 (es decir.61 -2.82 * 0.:'. = 1/@ se tomaron las estaturas vie- COEFICIENTE DE CORRELACION LINEAL 8. 8.[t = (y . :: :. (¿) Construir dos rectas paralelas a la recta de regresión del Problema 8.23..::.abn) a . de datos.77 )(U". y-gfo". . '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.28 y 1.11 a una distancia vertical sy. = 19.25. 8l CURVA DE AJUSTE.cAP. Calcular (a) la variación explicada..y""t) * (Uost .25 1. del Problema 8.82¡z+. 8-11.g) sumando. (b) Determinar el porcentaje de puntos de datos que se encuentren enhe estas dos rectas. (o) ta recta de regresión y : 35.. = 1.. ne dada por 6r. 8-11.04 (a) Variación explicada = (b) Variación no explicada -ú)2 = (-0.t)2* )(yn"t-ú)2+ z>fu..'..61 0.13 -1. y). ts. REGRESION Y CORRELACION 28L 8.12 (o de la Tbbla 8-4.rr. Las dos rectas paralelas.rn.. + (2. ya qve ú la Thbla 8-14 podemos construir la Tabla 8-15.A)'.U""t)2 . se muestrana trazos en la Fig.30 0.476¡ obtenida en el hoblema 8.28) = 1.34 0. Entonces el porcentaje pedido es 9l12 : 7 5d.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.11. se encüentra entre -1.)(y-uu.. Il .82 -t.. cada una a una distancia vertical su.?0.13 1.nrr.a) = =Q :y. Este hubiera sido el caso aproximado si el tamaño fuera más grande.58). En el caso de regresión lineal )(v - Y'"'¡)(v" "r . ú>@ - a - bn) puesto que de las ecuaciones normales 2(a = 0.28 (véase hoblema 8. Tabla. Del último renglón de la Tabla 8-14.. la teoría predice que alrededor d. = )(U . Demostrar que >(g Elevando al cuadrado A"'r)'* 2(U*r. tenemos 2(u-ú)2 .22.08 2.t-ti) - A)" = 2(A - El resultado pedido se deduce si podemos mostrar que la última suma este es eI caso. parecen estar sobre las rectas.. (b) la variación no explicada y (c) la variación total para los datos del Problema 8.ne?.S-15 Uest : 8]-LlL2: 67.el 6812 de los puntos se encuentra entre las rectas. ya que es cero.11 se muestra sólida en la Fig.24..r 0. = tpiLo (1. Tenemos Uest de ú : 67 . Uir examen poste- 66 6l 62 Otro método.40 pulgadas.0t¡z .56 -0.:: .58 del Problema 8. 2r(u .

09 10. REGRESION Y CORRELACION lcAP. en el caso de regresión lineal.7 )y = 811 a = 8LUl2 2rt2 = 84.22 + 19.82 4.7 0.7 3.16 6.) asír--*2r'a' ffi (2x.26(b).28.92.56 0.L2 7.11.= !0.2 /?r.7027 o con dos cifrar significativas r : 0.49 1.4 .76 11. 8.6 0. la conelación ec poeitiva y por tanto escribimo¡ r : O.11. puesto que la'gt'es positiva cuando 3/ss¡ autnentá a medida que r aumenta.7 -3.4 -0.32 7t 0.68 2trtg'= 40.4 7l 67 68 70 -0.s¿.8 (c) Variación total : 2(a .82 7.3 0.34 2a'2 = 38. pero negativa cuando /est disminuye a medida que r.donde ¡2= variación explicada va¡iación no explicada 2b2r. /i84s8)?58-3t Tabla E-16 = 0. Entonces 2r'a' 40.3 a-v 0.l2at2. la expresión para r tiene automáticamente el signo conecüo asociado.66 0. Halla¡ (o) el coeficiente de determinación y (b) el coeficiente de correlación pa¡a los datos del Problema 8. ¡o )¿ = 800 i. página 264.34 \/G.?0.62 1.16 o.4 0.18 0.y. El trabajo involucrado en la computación puede organizarse como se indica en la Tabla 8-16. Entoncee. (la fórmula producto momento). Puesto que la varirable yn".6 L. trt =r- E.4 2.6 .y = EP.36 68 il 'l .3 -1.= EF.76 1.[bb tt 62 70 66 68 67 69 -4.32 1.3 -2.6 0.4e88.:800/lZ = 66..69 22.7 1.aumenta. Utiliza¡ los resultados del Problema 8.16 2. prágina263.42 -1.3 -2.'.= \Eá/ /rorl = \r¡. A partir del resultado general (30).16 6.6 0.92 0. Por tanto se sigue el reeultado pedido. tenemoa &*br 6 Ulr¡= bx.))' l) n'\ ¡ \) '\il t' jó -0. derivarel resultado (34).o.A)z = 19.66 -0.4 a'= tr'2 2. 8. E.69 0.282 CURVA DE AJUSTE.49 -2. = y -f. para el coeficiente de conelación. obtener el coeficiente de correlación lineal para los datos del Problema 8.92 10. Los resultados (b) y (c) pueden obtenerse por cálculo di¡ecto de la suma de los cuadrados. .)z \/ñtrW Sin embargo. y Ulst = U.09 7.24. del Problema 8.29 18.89 13. utilizando A.89 0. Utilizando la fórmula producto-momento.z b22r. (a) coeficientededetermir¡ación = t = '1Hi1iáf*1"io" =m= 0.7 1.' ..09 5.27.7027 u 65 63 67 B4 a 68 66 68 66 69 66 68 66 r-t -t.69 u'a' a'2 0. (D) coeficiente de conelación = r : tVñ7d58.3 2.4 ' 0. aumenta a medida que r aumenta.29 1.3 4.-0v t'.92 = 67.26. La recüa de regreeión de mínimos cuadrado¡ de y sobrer puedeescribfuse 1lest= b = 2r.25.6 3.70 = 38.f.02 1.4F7q de acuerdo con el Problema 8.68 5.96 2.A.7027.

8l CURVA DE A.nnn* v Entonces (I ) ee convierte en r(a-üz = 2a2 r : . Demostrar que el coeficiente de correlación lineal viene dado por f= En el hoblema 8. 2(a-nlz = 2(rz-2rt*r2) = 2s2 .476 d=ffi =1. págrna 261. la recta de regresión de donde A=?I.29.2ñ2r 4 ntz (2112 2(2nl' ()r)2 = 2rz = 2r2 ./ 8.(>aXIY) n :E Puesto que = (2rlln V'ú = (2Alln" Arúlogamente.036 Enroncec rz = bd. [.28.a recta de regresión de y aobre r es u=olbx Análogamente. .29 para halla¡ el coeficiente de correlación lineal para los datos del hoblema 8.30.27 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 . Demostrar el resultado (17).| ¿gl\/¿e¿\ 6 =(iiot/\al/ ' ¡=o'7o27 que está de acuerdo con lo¡ Problemae 8. Del Problema 8.cAP. REGRESION Y CORRELACION 288 8.>IY w@ : n2rA-(2r'l(2A) .26(D) y 8.TUSTE.31.11(c) respectivamente 484 ' ó=10fr=0. donde ¿=? rz r sobre y er =a*ilu 8y Entonces b¿t = 1g\ 1g) = \c"/\oy.11. Utilizar el resultado del hoblema 8. 8.11 (b) y 8.

Hallar (a) s.2g y g. hay una muy buena relación no lineal dada por la parábola del hoblema 8.) (42..4)/8 = 5.L071 = 0. y? (a ) Utilizando los cálculos de la Tabla 8-9 y agregando que 2tt2 = 290.40 8 = 1.tal =ffi=0'9822 (c) El hecho de que la parte (a) muestra un coeficienüe de correlación de solo 4. 8 8.2)r][(8X2e0.16.33. De la Tabla 8-4 r= n2ru . el error típico de la estima de y sobre I es B!.218 6 o.7027 como en los P¡oblemas 8.42) [(8)(2e1. REGRESION Y CORBELACION [cAP. variación no explicada va¡iación total (d) = l-r2 = L-0.16. paralos datos del Problema 8..32. Ubtlizar la fórmula del Problema 8.30. 8.31 para obtener el coeficiente de correlación lineal para los datos del Problema 8. como lo indica el hecho de que el coeficiente de conelación en (b) está muy cercano a 1. (d) ¿Qué porcentaje de la variación total permanece como no explicada por la suposición de la relacii.Oz variación explicada . 8." = ss\/T=F = 1. Esto puede deberse a fluctuaciones aleatorias o a una variable adicional que no se ha considerado.33 (b).34.ilz = variación explicada 21.9922 = 0. Utilizando (a) y el Problema 8.99r1)2 = 0.4O De la Tabla 8-10 Por tanto t-= = l(g""t-Al2 = 2l.52) - (40.78%de la variación total permanece no explicada.2z . (o) Del Problema 8. I del Problema 8. Sin embargo. 2(A .33 (b).n¡zi = -0. y r =0'9911 var6eió.636 ó 1.26(b).3743 indica prácticamente ninguna relación lineal entre r. hallamos r= n2ru - ()¡X)r¿) (8X230. i = (2U)/n = (46.()¡X)z) (8oo)(811) (r2)(54.64 (á) Primer método.20) - (42.ú)2 = 21.1 ¡.11.62. (b) Hallar el coeficiente de correlación no lineal entre estas variables.636y'i-(0. y (b) sr. Entonces la desviación típica de y es 8u= 2(u - ú\2 21. Entonces variación total = 2(A . COEFICIENTE DE CORRELACION GENERALTZADO 8. (c) Hallar el coeficiente de correlación lineal entre las variables r. y.80.n parabólic a entre x.16.16.284 CURVA DE AJUSTE.01?g Por tanto 7. supóniendo la relación parabólica obtenida en eI Problema 8. (c) Explicar la diferencia entre los coeficientes de correlación obtenidos en (c) y (b).4'.3?43 (b) De Ia Tabla 8-9.21(46.40.

a = = 299.8l Segundo método. [¿ media de r.19. la varianza de las desviaciones. AquÍ estamos considerando n valores de r (por ejemplo pesos) y n valores correspondientes de y (por ejem.L2(62. y.. Ya que z se determina de ¡.-.16 y el cálculo adicional 2gz 8y. z. Explicar córno determina¡ía un coeficiente de correlación múltiple para las variables en el Problema 8. pág¡na 264.218 6 0. Entonces si d¡ : r i . z gería en general diferente del valor anterior.@ "" = 0'8418 = !ffi = thffia Debe mencionarse que si fuéramos a considera¡ la regresión de eobre y.35.222-n22 48. dada en térrninos de e2r. Utilizando el Problema 8. al y el coeficiente de correlación entre grados por * - s2¿.33' variación no explicada = 0.36. REGRESION Y CORRELACION 286 Utilizando el Problema 8. Análogamenüe. tenemos 2a2-a2a-b2ra-c2n2a = 0. CURVA DE AJUSTE.37 Coeficiente de correlación múltiple de z sobre x.pl. ss t+2+. la mediaú ylavarianzasf sonigualesa(n l)12 y (n2 L)ll2 respectivamente.88 = 629. que Para obtenerlo.22 Tercer méüodo. y estamos interesados en el coeficiente de cor¡elaeíón múltiple de z sobre x.88 Va¡iación total 2(z-2\2 . ¡ sobre y.. y I va.os grados son enteros de 1 a n.25 Variación explicada Enüonces - 258. esbturas).218 ó 0. Derivar la fórmula de correlación gradual de Spearman (36).4L4\2 + "'+(68-65'920)2 = 258. vemos del Problema 8. viene a3: s?+r?-2rs¡ads"sv .l'ciñexptñat.cAP. el coeficiente de correlación de ¡ CORRELACION GRADUAL 8.139 .*n @l_ryz n*l En = mientras que la varianza es sf.I i son las desviaciones entre las graduaciones. *n2 n n(n*r)(2n*11/6 2 n2-l t2 utilizando los reeultados 1 y 2 del Apéndice A.76)z = 888'26 = 888.19 Variación no explicada = 2(z - zo"tl2 (64-64. ! ¡ el grado dado al j'ésimo valor de y ' [. Sea rr: el grado dado al j{simo valor de x. = 12-82 = 12+22*.22 8.52.

6 1 11 6 8.38.6.6 1. 66. 66.6 3 8.6.6 1.s" 0. ?. 3. 66.7. 4. 6. d d2 -1 -2 -1 1 1-1 I 1 3 I I I 2-L 4 1 -1 1 4 2d. 66. 64. Hallar el coeficiente de correlación gradual.5. 12 De igual forma.5.(J) y (4).l\ltZ . 6?. Tbmbién se incluyen dz y 2dz.6 7. 69. 10. por tanto las estatu¡as de los hijos quedan ordenadas @ Con las correspondencias 1. REeRESIoN y coRRELAcIoN lcAP. a las e¡tatura¡ de loe padres ee les aaigna los órdenes (2) (3) dio de 7 . 66.6.5. 1¡ (t) y (2).rz)/n y (l ) ge convierte en 7')/12 W @2 - * (nz 6>d2 . Calcular el coeficiente de correlación gradual para los datos del Problema 8. 10.6 10 t2 7.6 10 3. 67. 1. Análogamente. 9.7. 8 (r) h¡ecüo que 7 = fgrad = eZ+sT-af. 70.6. a los lugares 8 y 9 ae les asigna el orden 8.37.6.6. 6. la Tabla 8-B se convierte en Tabla E-19 Graduación del padre Graduación del hijo 4 2 6.286 Entoncee cuRvA DE AJUsrE. 69. Tabla 8-17 Laboratorio Teorfa 8 3I2 9510 7 r0 4 615 1873426 La diferencia de puntuaciones d en laboratorio y teorfa para cada estudiante se da en la tabla siguiente. ordenadas en forma a¡cendenüe de magnitud.66. 9.6.6. 11.6 7. 6.6 11 . 11. 69. 69. 71 Puesto que en esta ordenación loe lugares sexto y r*éptimo represenüan la misma estatura (6? pulgadas).6 t2 5 7. 69. 8 y 9 repreeentan la migma estatura (68 pulgadas). 8.c asignamos a estos doe lugares un orden medío de 6. 2.6 3.6. 3. 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.2 24 = Entonces rgrad= t-#!T = t-ir#?u = 0. Tabla 8-18 Diferencias de puntuacionee.11 y compararfos rezultados con el coeficiente de correlación obtenido por otros métodos.8s45 indicando que hay una relación entre el rendimiento en laboratorio y teorfa.5 l. 63. 70. lac estaüuras de loe hijos ordenadas en gentido creciente son 66. las estatura¡ de los padres eon (r) 62. AsÍ. 6g.5. 69. 3.7. 6g. tor \-"rttd- "3 - e¿. les asignamo¿ w orden meg [(6 + z + + 9) / 4 . le.5. %.(2d2)/n = L-nfu2] 8. 7l y puesto que los lugares 6. 6?. 6. 7.

9px.26 L2. Suponga que la ecuación de regresión Para la recta de regresión de es ! = E(YlX=r) = a*Fr mínimos cuadrados debemos considera¡ E{lY (a+ px)12} bóo¿r¡"-or utilizado = E{I(Y .Fy = p(r .6 1.26 L2.40.a) ó Fok = o*v a-tly="4tr-u*) A-Py - /'. los resultados para muestras tienen resultados análo- gos para poblaciones e inversamenüe.6 -3.(r+2y) 0<n<7.-ffi!\ = 0. lo+zo¡a. utilizando sumas.5 -2.a* pr entonces A .0 ü 12.rv) = 0.25 2. utilizando esperanzas."l Igualando estas ecuaciones a cero.P¡x.6 3. 8.px\ ^t u\ox) | Debe notarse la semejanza de la demostraeión anterior para poblaciones.26(b). con la correspondiente para muestras. los cómputos de d2 y I¡ )d se mue¡tran en la Tabla 8-20.00 2.5 -1.25 2.?466 que concuerda muy bien con el valor r = 0. .8l CURVA DE AJUSTE.zBEl(X-pi(Y -¡.P(X .5 -1. En general. Derivar (39) a partir de (37). íE = dF Denotando la última expresión por F(c. Tabla 8-20 -3.25 2. 20. p) tenemos AF u = mos -2(pv zBoi - 2oxv - 2px(pv .39.F) sea un mínimo.cAP. halla- tv = ol Ftx Por tanto si g . (b) X sobre Y.0.Fpx. Y es l\r'a) : (a | f.dlz} = El(y -pv)21 + BzEl(X-r.v)l + Gv-Ft'x-o)2 = "? * F2oI .0 1.25 6.px) .5 3. .r.px) * (pv .6 -1.pvl .6 2.ú2 E(X .60 rgrad = t-#!T: .00 d Entonces 2iP = 72.26 12. REGRESION Y CORRELACION diferencia en graduacionec d.2Boyy r (py .Fpx.25 1.o*t¡ . = f. E(Y .26 1. ) La función de densidad marginal de X es f{r) = [.}j'2l.ol.7027 obtenido en el Problema 8.5 1.26 6. La función de densidad conjunta de las variables aleatorias X.0=Y<L {o deotraforma Hallar la curva de regtesión de (c) Y sobre X. INTERPRETACION PROBABILISTICA DE REGRESION Y CORRELACION 8. lo cud es una condición necesa¡ia para que F(q.

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

.82 + 0.11 se halló que la ecuación de regresión de y sobre x eray: 35.43. hallar los límites de confianza d-ei 95'7.81 para L2 . Por tanto no podemos rechazar la hiPótesis.11 = -l/162/.9b Con un ensayo unilateral de Ia flistribucirin de Student a un nivel 0.28.t / ó (b) La recta de regresión de. Y ltr-2 donde 37e : 85..40.lrv1l_z=-.44. En el Problema 8.8I 6.cAP..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. Hallar los límites de confianza del 95'. (¿) La recta de regresión de Y sobre X es + oXY "+@ .43.82 + O.42.28 (calculcda en el Problem a 8.o+zul)arav =1 3 .476x. Escribir las rectas de regresión de mínimos cuadrados de (a) Y sobre X.180.180 si ú ) ú..11.2 : 10 grados de libertad.q\I a.los Ií¡:rites de conftanza del 95oy' para --j:lq--.- = . sx: 2.4?6 t Vlo\' t/tz.2U'L66 0'19916¡= = ya que eo.2 = l0 grados de libertad) vienen dados por 95?iparap(obteni.B4o confianza del 95% de que 6 se encuentra entre 0. 0.11).losaleolocar t=lt.23 h es decir.:2.- 2..4?6 r6 (Problema 8.o1f.-.á para el coeficiente de regresión del Problema 8.r: L.42.66 del Problema 8'11' 8. ot : ".0 y lb) 70.Of Ae que el coeficiente de regtesión de la ecuación de regtesión poblacional es tan bajo como 0. ¡rara ias estaturas yos padres tienen unas estaturas de (o) 65.'=o Í"'=o. (b) X sobre Y para el Problema 8.0818 Nótese que el coeficiente de correlación lineal es pequeño Fsto es de esperarse al observar las rectas de regresión de mínimos cuadrados obtenidos en el Problema 8.22)y 1.-- . .05 rechazaríamos Ia hipótesis de que el coeficiente es tan bajo como 0.136 y 0.2: LO grados de libertad.'lW\" . 8.nfi162\/28/Bz4 -0. de los hijos cuyp son 8.45.66 (Problema 8.2\ o. Loslímitesdeconfianzadcl F = b-+f+) ' \ñ4\82 I para 12 . 8l CURVA DE AJUSTE. REGRESION Y CORRELACION 289 (e) xY = Entonces Í. Ensayar la hipótgsis al nivel d-e significación del O.. sr.0 pulgadas' puesto qu€ t s7. r8fl .xY p = n-xÍ oxY oxoy = *-(s)(i*) = = - 1 162 0 -l/162 .476B-b t=r. se está en la ryHt\ = 0.2g para 12 . = {".r: L. 1/ .e5: 1. (+) ó a -i : - ür I x) ó -. En eI Problema 8.47G :t ' +('!!) t" / = 0.43)' y n: !2 1 r/o t r--- ..szs=!2.

0.11. = t.16 :65.0 y ?0.8 pulgadas.66.14 f es decir. es decir.elgbVo de que las estaturas de los hijos están entre 64.78. se puede esta¡ en la confianza d.01 8. 7.32.?6 pulgadas. Entonces 66. se puede estar en la confianza del 96Vo de que las estaturas de los hijos están entre 63.s1t : 2. Un coeficiente de correlación basado en una muestra de tamaño 18 resultó ser 0.E. hallar los límites de confianza del96% para las estaturas'medias de los hijos cuyas estaturas de los padres son (a) 65. hallamos [comparar con el hoblema 8.sz).09 pulgadas.11.sz\/ra-z : p l.76 1 1. es decir. t/6 al nivel 0. se puede tener confianza de 95Vo que la estatura media de todos los hijos cuyas estaturas de los padres son 65. REGRESION Y CORRELACION lcAP.' sr. se puede estar en la confianza de| g6% de que la egtatura media de todos los hi jos cuyas estaturas de Ios padres son 70.05 y (b) 0. o.45(ó)] los límites de confianza del 95%.8OOtl2r2 : 2.?6 t 3.Estoconcuerdaconlosresultados aproximados mencionados en la página 262.0. de confianza del g5% son (ro .46.48.290 CURVA DE AJUSTE. hallamos [comparar con el Problema 8.8 los límites (o) Si 16 : 65.01 que el coeficiente de corréhción poblacional es apreciablemente mayor que cero? Deseamos decidir entre las hipótesis (Ho: g :0) y (llr t = . Tarnbién.82 + 0.32 sea considerablemente mayor que cero al nivel 0. /e : 69.1/l-z = = .2óy6!2so. y¡ : 66.05.7 y 70. el valor mÍnimo de n debe ser 032{n - 2 r/i -to. TEORIA MUESTRAL DE LA CORRELACION 8. 35.14 + 5. es decir. ' (b) Si re :70.ss :7.i¡z : (?O.Bb Sobre la base de un ensayo unilateral de la distribución de Student a un nivel 0.0 pulgadas.23 donde y¡ : ffisv. los límites de confianza del 95% para Uo fo son = 2. Entonces los límites de confianza del 96Vo so¡ 69. Por tanto no podemosrechaza¡I/6 al nivel 0.?6 a 2'23 es decir.za\ = 66.23 para 1 0 grados de libertad.75 para 18 -2: L6 grados de libertad. ¿Cuál es el tamaño mínimo tal de una muestra para que podamos concluir que un coeficiente de correlación de 0. los métodos muestrales son exactos para una población normal.45 pulgadas.6 pulgadas.t)2 : (65 .0 pulgadas se encontrarán entre 65.45(c)] los límites de confianza delg1l".11).80 pulgadas (b) Si 16 : 70.07 pulgadas.47.48).2 pulgadas.69.0 pulgadas se encontra¡án entre 67. ¿Puede concluirse a un nivel de significación del (a) 0. (o) Si.476 r6 (Problema 8.? y 6?. los límites de conñanza del 95% están dados aproximadamente 8.05? A un nivel 0.66 (Problema 8.": 2.14 pulgadas. (o) (ó) Puesto que no podemos rechazar ) 0).Los métodos de este problema son válidos independiente del tamaño de n ó to .0 y (b) ?0.96sy.rcontalquero -ñnoseademasiadogrande.0. En el problema 8.o¡ para n - 2 grados de libertad . También (x¡ .6 pulgadas úo 0. rechazaríamosI/e si ú ) ú.0.1 y 7 4. ciertamente no podemos rechazarla al nivel 0.05. Nótese que para grandes valores de n.05 utilizando un ensayo unilateral de la distribución que de Student.SOO112)2 : 11. Ya que t.05. Porlo +1.O ./i=@0.

s|= l.e155. ¿Podemos rechazrir la hipótesis de que el coeficiente de conelación poblacional sea tan pequeño como (a) p (o) : 0.unrr. = Deseamos decidir entre las hipótesis = 0.69.60. Puesto que r : 0. Por tanto los límites de confianza del 95Vo para p son 0.) 0.7L. v =26. t.64 y por tanto n: 25.4620 Entonces ¡t2 tiene el intervalo de confianza del9SVo.rsr3 loc\t -.) nzr-2.05? o. Un coeficiente de correlación basado en una muestra de tamaño 24 se calculó era r : 0.05 utilizando un ensayo unilateral de la distribución normal rechazaría' mos la hipótesis solamente si z fuera mayor a 1.51.64.5606. t.b4es.6932 0. zz: r.2182 = 1.50 y tz : 0.94.49 y 0. t . Por tanto no podemos rechaza¡ la hipótesie de que el coeficiente de correlación sea tan pequeño como 0./ = 0.L613 logS:0.5366 a 1.50. El coeficiente de correlación entre las calificaciones finales de fÍsica y matemáticas para un grupo de27 estudiantes se calculó era0.72. ¿Hay una diferencia considerable entre los dos coeficientes a un nivel de 0.CURVA DE AruSTE.Portantopodemos rechazar la hipótesis de que el coeficiente de correlación poblacional sea üan pequeño como p: 0.5606.Hallarloslímitesdeconfianzadel96% paraeste coeficiente.80. t=0.30 respectivamente.tJ2:1. p : 0.9730 0. z = t. v =24./ 0.r5tz'""(+l-&. a un nivel de significación del 0. L {zt - = Z-pz oZ 0.s2\/ñ/\Flfu2p.7L. 8.80 y n = 21.50 a un nivel de significación del 0.!613*(=.60.4904- = 1.05? zr = r. 8.28z (ff3*3) = o.:) = oz= La variable tipificada ee Fz = r.B0eb #*#= Fzrl. n=26.5366' p = = L.(-) \r P.s0(-/l1 \ \y'n_B/ = 1. t--032\r26^tr=@ = 1. (Hs p2r= Fzrl I (Hi Fzr* .266e = 0.0.s5=1.L6rt*(=.9730-0. t.o.0e86 10. REGRESION Y CORRELACION Para un número Pa¡a infinito de grados de libertad.?1.16131og(++*) /r r-\ \r-'l / *t.sz\/rLtt/l-(u32Y = 1. ú. pa¡a n=2g.96oz = 1. (b) p : 0.2182:L.50.49. Entonces el tamaño mínimo de la mueetra ean:28.92.rrro.=L.6. (b) Sip:0.s|= 1. si Si pz Fz /r +"\ = l. los límites de confianza d.05. 8. para n=27.66. Dos coeficientes de correlación obtenidos de muestras de tamaños nt : 28Y rtz:35 se cdcularon como rr : 0.75. v=26.9r : 1.r6r3t"" o.5493)/O.28 A un nivel de significación del 0.5493y2:(0.50.el 95Vo püa pz vienen dados por Z=L.r¡rlb*'.

292
Bajo la hipótesis IIq,

CURVA DE AJUSTE, REGRESION Y CORRELACION

lcAP.

8

Z,

-

Zz - Qtzr- ttzrl ozr- z,

0.5493-0.3095-0
0.2669

:

0.8986

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

PROBLEMAS DIVERSOS

8.52. Demostrar la fórmula (25),

párytna 262.

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

Pero por definición,

2(u-ú12 _
¡¿ -

"l!

-z

2(r-¡:)(a-ú\ _ ---i-

o"v

y, por (6) en la página 260,

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

8.53. Demostrar que E[(y
Tenemos Entonces

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

y así

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

cero.

(o)

Para regresión lineal,

I"., = a* PX. Entonces

El(v -Y",tXY"¡r-

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

Bxz¡

porque las ecuaciones normales

E(Y
(comparar con el hoblema 8.3).

- a-

FXI

- 0,

E(XY

-

aX

-

PX2)

-

o

(b)

Para regresión parabóIica, Ycsr

= d + pX + 7X2. Entoncea

El(v -Yest)(Y"st-

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

yxz)]

cAP. 8l

CURVA DE AruSTE, REGRESION Y CORRELACION

293

debido a las ecuaciones normales

E(Y-a-pX-'tX2)

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

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

0

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

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

p2
y el resultado

='##

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

n?.*

se deduce inmediatamente.

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

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

(f)
Pero dado que Y

= a*

BX,

(21
Entonces

E[(a + pX

- Yr2l =
=
or*,

Elp26

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

BLE\(X

-

X)21

oi -;-

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

(l

) se

convierte en

(3)

p2 =

44

o

p-r*

oxY

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

oyv).

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

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

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

1950 161.1

25.2 31.4 39.8 60.2 62.9 76.0 92.0 105.7

122.8 131.7

Fuente: Bureau of the Census

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

ese año respectivamente. La ecuación de la

(f)

A = a*bx*crz

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

294

CURVA DE AJUSTE, REGRESTON Y CORRELACION

[cAP.

8

2U = on*ó)c*c2rz
(2)

2s2U

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

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

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

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

11o*110c =
110ó

886.8

=

1429.8

l10o*1958c =

9209.0

b:

13.00; de la primera

y

tercera ecuaciones,

a:76.64,c:0.8974.

(1)
donde el origen,

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

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

a
23.2

13

u4

ra
-116.0

fiz,u

-5 -4 -3 -2

si.4
39.8 50.2 62.9 76.0 92.0

I
4

-l
0
1

I
0

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

625 256
81 16
1

580.0 502.4 358.2 200.8 62.9
0

-r25.6
-119.4 -100.4

-62.9
0

0
1

I
4 o

92.0

92.0 422.8

2
3

105.7

16 81

21t.4
368.4 526.8 roD.o

t22.8
131.7 161.1

27 64

1105.2 2L07.2
3777.6

4
o

16 26

266 625

t26

)r=0
(ó)

2a=
886.8

2r2 =
110

)¿s=0

2a4

=

2aa

1958

1429.8

-

>r2a =
9209.0

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

4, 5 en (4) se mues-

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

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

g=l
1910

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

2r.6
29.2

4t.2
39.8

90.0
92.0

1r9.2 136.0 161.6

Valor real

106.7 t22.8

tlt.7

161.1

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

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

cAP.8l

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

(e)

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

se

ajusta

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

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

L952
41.85

1953 43.23

1964

1955 53.29

1956 54.L4

1957 49.12

1958
40.71

1969

hecio promedio

de

acciones (dólares) Precio promedio de obligaciones (dólares)

35.22

40.06

oo.lD

r02.48

100.93

97.43

97.81

98.32

100.07

97.08

9r.59

94.86

94.65

Fuente: New York Stock Exchange
(o

)

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

Denotando por

r,

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

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

r-r
-10.04

a-a
4.91 3.41

a'=

tr'2

%'a'

100.80 29.05 11.63

-49.30 -18.38
0.31

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

-5.39
-3.41

-0.09
0.29 0.80

-2.03
-5.20
8.03 ú.4ú 3.86

4.t2
27.04 64.48 78.85 14.90 20.70 97.81

-0.59 -4.16
20.48

2.56

-0.44

-3.91 -22.89

49.r2 40.7t

-4.55
9.89

-5.93 -2.67 -2.87

t2.t5
-28.38

oo.lo

94.65

)¿

452.64 45.26

--

2a=
975.16

2u'2 =
449.38

2t'y'=
-94.67

2a'2 =
93.69

a:
97.52

Entonces por la fórmula producto-momento,

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

=

-0.4614

(b)

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

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

296

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

[cAP.

8

t952
D

1953
6

1954
3

1

955
8

1956
q

1957
a

1958 4

1959 10
.,

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

I
10

I

I
-T

5

6

7

8

4

1

3

Diferencia de
graduación d

-9
81

0

0

-4
16

0

D

6

I

8

49

0

0

0

25

36

I

64

>d2

-

272

Entonces
Esto
se

rsrad

= ,-#!t

= t--ffi;\

=

-0.6485

compara favorablemente con el resultado del primer método.

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

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

es-

(h

o
90-99

4G49

50-59

60-69

70-79
I

8(H9
4
6 8 2

90-99
+
D

TOTALES
10

lt

,o

f¡¡
an

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

I
o

4

l6
24
2L L7

z o
C)

rf]

10
o

I

I
6 4

o t\
Fl

3 3

6

2

4t)-49 TOTALES

o 15

L2 23 20
10

7

25

100

(o

)

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

80-89 (cali-

(b)

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

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

:

47

ltOO:

47Vo,

cAP. 8l

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

297
de la

(c)

*

5

+ 2 +.4 t
(t)

LO

= 22.
Tabla 8'99

tt)
f¡¡

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

z

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

z o

o

70-79
2

?*
E2 Fl Ei
<
(d)
C)Q
f¡l

I
D

4

70-79

a2 Ftk < fr¡ oo

?x oií

50-59
6
D

ó

10

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

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

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

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

n2fru
(1)

-

(2f

"r)(2luu)

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

-

(2 |

"u,l

(2

| oun)

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

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

llama

298

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

lcAP.8

Glificaciones de matemáticas, c

r
a

44.6

64.5

64.6

74.6

84.6

94.5

Suma de

\% ¿y\
2

ft -2
-1
0
1

los núme
f vuv

fuuS

2

3

ros esqulnados en

c¡da fila
10 20 40 44

94.5 d a !

2

4

4

84.6

1

1

4

6

D

16

16

16

3l
0

Ei

I
E

74.6

0

o

10

8

I

24

0

0

r{
¡i

64.6

-1

I
3

4

I
6

D

2

2L

-2L
-34

2l
d8

-3
20

A

64.6

-2
-3

6

2

L7

Íii
3
fn ,

r͡
D

t4

44.6

t2
23 20 10

t-l
16

-36

108

33

t,
Ítut

26

2f

n=2f y )f yuy =¿=100 = -66
2f ,u"

)fyu?

2furuo

=

263

=

L26

-t4
28

-15
16

0

23

40

30

=64
2f ,ul

f"u?
Sum¡ de los
númelos cada

0

23

80

90

= =

286

{

32

3l

0

colur¡a

-1

24

39

2fu,uo
L25

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

r=

n2fu,uo

-

(2f

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

(100)(125)

-

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

=

0.7686

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

8x=cx

}f"u? /2f ,ú"\2
n \n/
uuuY

10=

13.966

(ó)

sy=a!

>fuui /2f

" -\ "

i

"\m_m

=t4.e25
,60.20

(c)

".n

=

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

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

9 respectivamente.65 utiliza¡rdo el resultado de la parte (c)' .uo+qY: 145+q'qfrEq = u= De los resulüado¡ del Problema ?o.v ts.. s!.?686. Utilizar los resultados del Problema 8.5+E#9 = ú .9 = 8.o 8. = 13.64.0). Tenemoe 8"". página 261 .. (b) SolucionarelProblema 8.0=A+##€?!)@-70.. 8xv 160. a y-6e.926 y r = 0.e).9) -69.x=L2. (b) Í sobre y para los datos rr+qW = 64. en tanto que su covari¡nza es 160.20 G&r'-áiÉfutB = o'7686 que concuerda con r hallado en el Problema 8.60. 0.64.. r a 3 6 6 8 911 234668 8.0) x-?0.7t9(u-69. (b) sr.821(o-70. Ajustar una recta de mínimos cuadrados a los datos de la Tabla 8-31 utilizando a (a\ x como la variable independiente.61 a. ParalosdatosdelProblemaS. Representar gráficamente los datos y las rectas de mínimos cuadrados utilizando el mismq conjunto de ejes coordenados. (a) (bl Ey. Escribir las ecuaciones de las rectas de regtesión de (c) y sobre del Problema 8. 0.. E.934 s.60.rlos RECTA DE MINIMOS CUADRADOS Tabla 8-31 8.cAP.s6oy'1:107686)á Problerrra.(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. Entonces utilizamos ( I 6 ).a guplementa.66 8. 8l CURVA DE AruSTE.hallar(o)losvalore$deycuenda x=6.62.64. = ¿yt/Ti-rz = = a"t/T7rz = f¿. r.966.66. 8y r-70. De la Tabla 8-30 tenemos. para los datos del Problema 8. = L4. Calcular los ertores típicos de la estima (c) er.0=q9ff##q(v-6e.61.60.e Ge. REGRESION Y CORRELACION 299 Por tanto las desviaciones típicas de las calificaciones de matemáticas y fÍsica son 14.0 y 14. para obtener las ecuaciones de las rectas de regtesión (¿) ó a-u='!w-nt. (b ) r como Ia va¡i¿ble dependiente.5¿8 8.0 = (b) 6 r-ü='?o-o¡.63.2.gZfy'f - (OfOg6P = = 9.

12 . 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. 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. I : o t bx * cx2 I Tabla 8-37 REGRESION MULTIPLE E. (c) Hallar la recta de mínimos cuadradoe que se ajuste a los daüos.t--10.y:6. Tabla 8-36 Velocidad. (o) Representar gráficamente los datoe. ¿cuál es su puntuación esperada en física? (e) Si un estudiante obtiene una puntuación de 95 en físice. (o) Hallar la ecuación de regresión lineal de mínimos cuadrados de e sobre x.(b)Ajustarunacurvademínimoscuadradosdelaforma !=abxalosdatosyexplicarporqué esta ecuación específica da buenos resultados.72. (c) Hallar la recta de regresión de írínimos cuadrados de ¡ sobre y. 54 42 30 . El número y de bacterias por unidad de volumen pres€ntes en un cultivo después de ¡ horas viene dado en la Tabla 8-36. 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.u. o + bx r a 0 1 2 ó A 5 t) ¿x?alos datos de Ia Tabla 8-3¡t.?1. con Ia escala logarítmica para yr la escala ariü- méticaparar. (c) Comparar los valores de y obtenidos de esta ecuación con los valores reales. y. Escribir las ecueciones normales para la curr¡a cúbica de mínimos cuadrados dada por dx3 .73.6 21. (D) Hallar la recta de mínimos cuadrados que se ajuste. ¿cuál es su puntuación eeperada en álgebra? Tabla 8-32 Algebra (c) Física (y) . (b\ Estimar z cuando a to 90 10 72 . y. Alustar una parábola de mínimog cuadrados. (o) Construir un diagrama de díspersión. (d) Representar gráfioamente las dos recta¡ de regresión de (b) y (c) sobre el diagrama de dispersión de (o). (d) Si un estudiante obtiene una calificación de ?5 en álgebra. (b) Hallar la recta de regresión de mínimos cuadrados de y sobre r. t.3 14.a Tabla 8-37 muestra los 3 6 o n 8 t? o t4 valores correspondientes de tres variables x.(c)Estimardcuandou:45mi/hy80mi/h. REGRESION Y CORRELACION [cAP.6 9. 8 t. utilizando a r como la variable independiente.71 rrcstrar c6mo una gráfica en papel semilogarítmico puede utilizarse para obtener la ecuación pedida sin emplear el método de los mínimos cuadrados.70. u (mi/h) Distancia de parada d(p) 20 54 30 40 138 50 60 70 90 206 292 396 E. z. (a) Representar gráficamente d. o^ 2.68.2 5. (d) Estimar el valor de y cuando r : J.a los datos.300 CURVA DE AJUSTE. (b) Ajustar una parábola de mínimoscuadradosdelaformad:oIbu*cuzalosdatos. (o) Representa¡ loe datos en papel semi-Iogaritmo. utilizando a y como la variable independiente.ID 80 ?8 93 86 65 72 87 91 7L 98 95 68 84 89 tt 82 80 72 74 E. [.8?. En el Problema 8.9 La Tabla 8-36 da las distancias de parada d (pies) de un automóvil que viaja a una velocidad u (millas por horas) en el instanüe que se observa eI peligro.I 3. y : t 8. Con referencia a Ia Tabla 8-33.74.

Tabla 8-39 x a 2 4 5 6 811 18t210875 . Calcular (o) sv. (b) utilizando la fórmula s¡s = rs¡sÍ y el resultado del Problema 8. r.68.88. halla¡ r. (o) Hallar elcoef¡cientede correlación entre E. coeficiente de correlaciónentredos variables¡. sr:2.EO.86.8f . yesr:0.t3. 8l CURVA DE AJUSTE. Demostrer que la ecuación para regresión lineal de z sobre r.Sis"=1. Si el coeficiente de correlación entre.. Hallar (o) sy ". Tabla 8. (b) r sobre y.eL2 mujeres.68(b) v (c ).cAP. Hallar los coeficientesde correlación para los datos del (o) Problema 8.81. (c) la variación explicada en y para los 8.38 lación entre muestra las edades r y la presión sanguínea y d.85. y tiene la form¿ z = A 1. los dos conjuntos de calificaciones de los exámenes del Problema 8. y. en E. 8.3E F¡lad (r) Presión Sanguínea (y) 55 49 38 42 68 r47 725 160 118 t49 t28 150 146 115 140 162 56 42 72 36 63 47 60 165 E. . (b) Obtener eI coeficiente de correlación directamente de las pendientes de las rectas de regresíón del Problema 8.i=10.89. y obtener exptesiones para los coeficientes de regresión de mfnimos cuadradoe el resultado del hoblema 8.= 3y ss : 5. ¿Hay al' t. " para los datos en el Problema 8.79.76.68 (a) dircctamente.75 para solucionar el 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. (o) Hallar el coeficiente de corre' r. (b) sr. (b) la va¡iación no explicada datos del Problema 8.00.67.7 7 a(r-¿l+b(u-úl o. Utilizar los resultados del Problema 8.E4. Hallar la covarianza para los datos del Problema 8.90.z .64. Calcular (a) la variación total en y.82. y es 0. y. Si sv.74. Multiplicar todos los valores de y por 3 y restarles 15. La Tabla 8.60.68. (b) Multiplicar todos los valores de ¡ por 2 y sumarles 6.= E. y dados en la Tabla 8-39. Utilizar 8. 8.76.81 u 8. (c) Estimar la pre- sión sanguínea de una mujer de 45 años.y para los datos del Problema 8.7t.! .80 para hallar el coeficiente de correlación entre los dos conjuntos de calificaciones de los exámenes del Problema 8. El 8.E2. ¿qué porcenüaje de la varfación total pennanece no explicada por la ecuación de regresión? 8.86. 8.50. y puede escribirse como z-2. (o) Calcular el coeficiente de correlación entre los valores correspondientes de r. E. ERROR TIPICO DE LA ESTIMA Y COEFICIENTE DE CORRELACION LTNEAL E.¡.60. explicar por qué se obüiene o no el mismo resultado que en la parte (a).68 utilizando la fórtnula producto-momento y comparar con el resultado del Problema 8.Br * Ca I Dr2 * Ery * Fyz Obtener las ecuaciones normales para los eoeficientes de regresión de mínimos cuadrados. (b) $. (b) Problema 8.r. Hallar el coeficiente de correlación entre los dos nuevos conjuntos de valores. 8. ballar las ecuaciones de la recta de regresión de (o) y sobre x. REGRESION Y CORRELACION 301 8.68. (ó) Determinar la recta de regtesión de mínimos cuadradoe de y sobre r. ú=20.8?. D.

t. ble¡ aleatoriac independientes? Explicar.96.104.págirra52. C. página t. t. (b) X eobre y. COBRELACION GRADUAL E.99. de conelación para las variabie¡ en el hoblem" g. Da¡ un ejemplo para demostrarcómo hallaría (a) el error típico de leestima. INTERPBETACION PROBABILTSTICA DE LA REGRESION Y LA CORRELACION E. (b) De. t.93. La función de den¡idad conjunta de las variables aleatorias X. ¿Ocurren algunae simplificaciones en la¡ curvas de regresión Ce Y sobre X ó X sobre Y para el caso de varia- .99. F.5g ufilizando el resultado (35). Mostra¡ cómo se puede diseñar un coeficiente de correlación múltiple. Halla¡ el coeficiente de conelación gradual y decidir eobre el acuerdo de loe jueces en su8 eleccioneg. y\.98. (b) X cobre Y para Ios datos del hoblema 2. Tabl. (o) Calcular el coeficiente de conelación múltiple pars los datos del hoblema 8. Y viene dada por f(r. tls[a¡ la recta de régresión de mínimos cuadrados de (a) Y robre X. Hallar el coeficiente de conel¡ción lineal para la¡ variableg aleatoria¡ del Problema 2.106.lo6' función de densidad conjunta (o función de probabilidad conjuñta) f(x. REGRESION Y CORRELACION [cAP.96. Hallar el coeficiente 264. t.8. lo¡ resultados se mueshan en la Tabla 8140. y para lo¡ daüo¡ del Problema 8.74.97.92. I COEFICIENTE DE CORBELACION GENEBALIZADO E'91.lOS.s. (c) el coeficiente de conelación generalizado.68 v (b) Problema 8.8.302 CURVA DE AJUSTE. Obtener el coeficiente de correlación lineal para el hoblema 8. estudiar una posible deeventaja del método de conelación gradual.y.¡ 8.rOO. variación toüal es erplicada por la ruperficie de regreeión? (b) ¿Quéporcenüajedela Demostra¡elresultado (27).(b)XaobreYparalosdatosdelhoblema2. 8. G. t.gus observaciones en (o).84. 8. t. el coeficiente de correlación gradual para loa datos del (a) Problema 8. H de acuerdo con sus preferencias.74. en el ca¡o de do¡ variablee aleatorias X.(D)larvariacionee explicaday no erplicada.90. Y con E. B. D. página 52. (o) Hallar el coef¡ciente de correlabión gradual para los datos del Problema 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. Halla¡ la recüa de regesión de mínimoe cuadrados de (a) Y sobre X. E. H¿ll¡rlacurvaderegreeiónde(a)YsobreX.lol. t.página 263.a) = [2r+3a Io o(c(L'o<Y<2 de otra form¡ Ilalla¡ la curva de regresión de (a) Y sobre X.96gina 52.paraelca¡odeunaauperficiederegresiónlinealparazsobrer.99. Hallar el error típico de la estima de z ¡obre ¡. Il¡llar t. Doa juecec en una competencia debían clasifica¡ a 8 candidato¿ A. (D) X eobre Y para el hoblema 8.102.94.

l0?hallarloslímitesdeconfianza d.(b\ 99% para y cuando ¡ : 6. En el Problema 8.30.\ es independiente de Ia elección del origen de las variables o de Ias unidades en que se expresan. que el correspondiente coeficiente de correlación poblacional es considerablemente mayor que cero? E.(b\99% pra el coeficiente de regresión.00 ¡.05.5a = 3.60 de una muestra de tamaño 28.(b)99%paralamedia'detodoslosvaloresde y correspondientesa¡ = 6. 8.211Ú 8.121.d'. para la recta de mlnimos cuadrados.cAP.50. 8. utilizando un nivel de significación del 0'05? 8. y'es eI mismo que el entre.40.0 + 2. Yvie' nen dadas por 2:r .115.tu] tan-'L rfti + si) -l E.80 y 0. donde r¡¡ !/6¡ cl¡. ConreferenciaalProblema8.!l = 2.el 95% para el coeficiente de correlación calculado en el hoblema 8.ypuedeexpresarsecomo il2 -:. Un coeficiente de correlación basado sobre una muestra de tamaño 27 se calculó como 0.70. Demostrarqueelcoeficientedecorrelaciónentre¡.10?.00 y ñ = 7.111. Solucionar el Problema 8. demuestre que el coeficiente de correlación entre r'.tes t?.05.hallarloslímitesdeconfianzadel 9fleparafo)elcoeficientederegresiónde y sobre r." = 1.00. E.c2 soll constantes arbitrarias.116.114 si el tamaño de Ia muestra es 52.(b)997oparu un coeficiente de correlación que se calculócomo 0. es (o) tan bajo como 8. Sobre la base de una muestra de tamaño 27 se encontró que la ecuación de regresión de y sobre r era t = 25.110.01.f-(1 -r2)s.I22. DemostrarqueparaelcasoderegresiónlinealelvalormÍnimodeE'{[]'-(o*¡lX)lz.50' ¿Podemosre' chazar la hipótesis de que eI coeficiente de correlación poblacional es (o) tan pequeño como p : 0. 8. Las rectas de regresión muestrales de mínimos cuadrados para un conjunto de datos involucrando X.95 respectivamente. REGRESION Y CORRELACION 303 TEORIA MUESTRAL DE LA REGRESTON 8. Demostrar que el ángulo entre dos rectas de regresión muestrales de mínimos cuadrados viene dado por .60.sx = 3.l19. Hallar los límites de confianza del (a) 957o. Un coeficiente de correlación basado sobre una muestra de tamaño 35 se calculó como 0. . y). 8l CURVA DE AJUSTE. hallar los límites de confianza del (c) 95%.11?.S4. A' = llo * c2y. .114. a un nivel de significación del 0.* : 8.123. 8. (Sugerencia: Suponga quer' = noi c1r. 8. (b) 0. Si sr. Dos coeficientes de correlación obtenidos de muestras de tamaños 23 y 28 se calcula¡on como 0.1 "l$- c2) 20.8. ¿Podemos concluir a un nivel de significación del (o) 0. En el Problema 8. 5r . Hallar el coeficiente de correlación lineal. (c) la media de lae presioñes sanguíneas de las mujeres de 45 años.84.108.112.01. página 260.00. Verificar los coeficientes (5). que hay una diferencia significativa en' tre los dos coeficientes? RESULTADOS DryERSOS 8. 8.20. Hallar los límites de confianza d. Demostrar que el cóeficiente de correlación - g. TEORIA MUESTRAL DE LA CORRELACION 8. 8.el(o)95%.10? hallar los lÍmites de confianza del (o) 957o.10? ensayar la hipótesis de que el coeficiente de regresión poblacional 1.109. (b) 0. ¿Podemos concluir a un nivel del (o) 0.118.01. (b) tan grande como p : 0. (b) tan alto como 2. (b) ta presión sanguínea de las mujeres de 45 años.113.?0. EnelProblemaS.

8.3 I 10.6 L19.3 1r 7. (e) ¿En qué año podemos esperar que el índice de costos médicos doble el del 194?1949.1 114.r. Demostrar que para regresión lineal 4 = +. 8. Con referencia a la Tabla 8-43: (o) Representar gráficamente los datos.8 102. (o)HallarlarectaderegrecióndemínimoscuadradosdeysobrerparalosdatosdelProblemaS.(ó)Estimar los pesos de doe hombres cuyas estaturas son 64 y ?2 pulgadas respectivamente.2 r20. (ó) Hallar la recta de mínimos cuadrados que se ajusta a los datos y construir su gráfica. Tabla 8. 8ü 8É ¿Es el resultado válido para regresión no lineal? 8.2 t23.L25. Hallar los límites de confianza del 96% pára el coeficiente de correlación calculado en el hoblema 8.0 113. 210-225 I . REGRESION Y CORRELACION [cAP.8 111. (b) Br. Hallar (o) s". 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 8-42.4 I14.2 Fuente: Bureau of Labor Statistics 8.125.126.8 8.8 114.6 I 10.7 114.130.5 116.2 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 101.304 CURVA DE AJUSTE.128. 19 5 o (t) e. (c) Calcular los valores de tendencia y compararlos con los valores reales. f¡¡ 32 20 t2 q . 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.5 r14. 8.1 t 10.127.l2S. Ilalla¡ el coeficiente de correlación entre las estaturas y pesos de 300 adultos dados en la tabla de frecuencias siguiente.y para loa daios del hoblema 8. (d) Predecir el Índice de precio para la asistencia médic¿ durante 1958 y compararlo con el valor verdadero (L44. - Tabla 8-42 Año Indice de precios al consumidor Indice de precios al 99.1 25.r (pulgadas) 59-62 63-66 1 67-70 71-74 75-78 9L109 110-129 !e 2 n 8 2 ! p ql 130-149 150-169 170-189 190-209 o 15 L2 4 22 63 28 10 I 1 h tt) .4).L24.129.8 111.41 ESTATURAS . El período base es de L94? 1949 : 100.5 por mayor 103.

y). del Problema 8.cAP. En el Teorema 8-1.132). (c) Calcular los valores de tendencia y compararlos con los valores reales.¿(r) es cualquier función de r para el cual estas esperanzas existen.7 21. Education 8. (Sugerencia.9 17.133. Estudiar la relación. si Ia hay. página 265. .9 ¿ind 1935 1940 1945 1950 1955 24.134. Demostrar el Teorema 8-2. (a) Representar gráficamente los datos. 8. (d) Explicar por qué la ecuación en (b) no es útil para propósitos de extrapolación.' Utilizar el Problema 8.3 16.0 1030 18.5 23.132. 8.131.página265.132 para variaciones explicadas y no explicadas.9 Welfaie 19.8l CURVA DE AJUSTE. (b) Hallar la parábola de mÍnimos cuadrados que se ajuste a Ios datos.l35. 8. REGRESION Y CORRELACION 305 8. E. Y variables a|s3fs¡i¡s con función de densidad conjunta (o función de probabilidad) f(x.6 Fuentet Department of Health. Sean X.136.¿) donde . Demostrar el Teorema 8-1. ¿es g(r) única? Explicar. Demostrar que si 9(r) = E(Y \ X = c) entonces EUY - É(x)1'!) = E{LI'- o(xl¡z¡ + Ells(x) - q(x)l.6 23. Tabla 8-44 Año Natalidad por cada 1000 habitantes 1915 1920 7925 25. Con referencia a la Tbbla 8-44.

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

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

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

de (I9) y (20) cabe esperarse que S. (3) y (8). esto es.. a-I. con tratamientos.1. .Ffs no es cierta.1) grados de liberbad. En la práctica calcula¡íamos u y uo empleando eI métódo largo. Es importante ¡ecalcar que el Teorerría g-1 es válido si se supone o no I/s . Teorema 9-2: Bajo la hipótesis nulal{0. V6 y V. Si este estadístico es considerablemente grande podemos concluir que hay una diferencia significante entre las medias de tratamiento y así rechazamos f[e.u/o2 tiene la distribución chi-cuadrado con o(b . De otra forma podemos o aceptar lfe o reservarnos el juicio dependiendo de análisis posterior. Debe advertirse que los grados de libertad para la variación total.- ¡¡z Ao s6 = o-1 u6 86 -_ s. siendo el efecto más pronunciado a medida que la discrepancia entre medias aumenta. es decir. ENSAYO ¡ PARA LA HIPOTESIS NULA DE MEDIAS IGUALES Si la hipótesis nula . y luego calcular u.: u uu. TABLAS DE ANALISIS DE VARIANZA Lo! cálculos pedidos para el ensayo anterior se resumén en la Tabla 9-2. po{emos demoshar los siguientes teoremas fundamentales relativos a las distribuciones de las va¡iaciones V. en tanto que el Teorema 9-2 sólo es válido si se supone f/0.9l ANALISIS DE VARIANZA 309 DISTRIBUCIONES DE LAS VARIACIONES Utilizando el Teorema 4-4. Teoremag-3: E] estadístico tad. 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.ab . Por otra parte. el cual es una consecuencia del Teorema 5-8.-f. Pa¡a utilizar este estadístico debemos conocer su distribución. que se denominatabla de anólisis de uarianza. Esto viene dado en el teorema siguiente. Total. es igual a la-suma de los grados de libertad para las variaciones entre tratamientos y las variaciones dentro de tratamientos. si las medias de tratamiento no son iguales. 9-1: V. Se deduce que un buen estadístico para ensayar la hipótesis -EI¡ viene dado por 3./o2yV/étienen la distribución chi-cuadrado con ¿ -1 Tenrema y ab - 1 grados de libertad respectivamente. página 161. pág¡na 116. Vt. va : b)1nt.3 r""igual a c2 independientemente de si las medias son iguales o no.a(b-L) j a\o _ l) grados de libertad a : a-L+ ut = )(er¡. Tabla 9-2 Grados de Iibertad Enüre tratamientos.13¿. (10) y (11).cAP.)2 . vemos de (23) qrr" 33 puede ser mayor eü€ o2. o el método corto.

fto respectivamente.. Tabla 9-3 Entre tratamientos. a tengan números diferentes de observaciones iguales los resultados anteriores se modifican fácilmente. ' es la suma de todas las obsen aciones. 'ú ='vt.-i. donde cada va¡iedad se cultiva en 5 parcelas diferentes.'j* -1i tL f.i')2 = 5'. fl= -2t (25) @6) 1. .. Luego se necesita un total de (4) (5) : ZO parcelas.)2 con c-1."t"t '. es la suma de todos los valores en el tratamiento j y > es la suma desde j : t hasta c.. Supóngase que un experimento agrícola consiste en examinar los rendimienüos por acre de 4 variedades diferentes de trigo. .. Por üanto se necesita¡án 5 bloques..l)u : i'k s 2 j. .k donde . pero lógicamente podríamos simplemente referirnos a ellos como factor 1.: *)2 I | *-t CLASIFICACION DOBLE O EXPERIMENTOS DE DOS FACTORES Las ideas de análisis de varianza para clasificación simple o experimentos de un factor-'pueden generalizarse. con una variedad diferente de trigo cultivado en cada parcela dent¡o de un bloque. .tt ) denota la suma sobre k desde t hastan¡ y luegosobreidesde thasta ú..310 ANALISIS DE VARIANZA lcAP. 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. ..* (d'. . . número tot¿I de observaciones en todos los tratamientos. .i)' ) n¡@¡. etn. EJEMPLO 9-2.2 con frecuencia nos referimos a las dos clasificacioneJ o factores en un experimento como tratamientos y bloques. . Por tanto obtene- mos s . ..r)2 (r¡x (24) : 1 . Ilustramos el procedimiento para clasificación doble o experimentos de doe factores. por ejemplo 4 parcelas en un bloque. La tabla de análisis de varianza para este caso viene dada en la Tabla 9-3.1. etc. ?r. . En el caso de que los tratamientos 1. Por analogía con el experimento agrícola del Ejemplo 9. factor 2. e MODIFICACIONES PARA NUMEROS DESIGUALES DE OBSERVACIONES ? ftt. Dentro de tratam n -c grados de libertad Total. o¡ = ) n¡@'¡.+'l)rt = ) 1rr. . Es conveniente en tal caso combinar las parcelas en bloques. En este caso hay dos clasificaciones o factores.).

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

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

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

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

9-l Fig. (a . y l/. El análisis de varianza con repetición se efectúa mucho más fácilmente al lsJolizar primero los valores de repetición que corresponden a tratamientos (filas) y bloques (columnas) particulares.1) (b . 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 .r A B c A C B A c C" Dr Au B6 Cuadrado Compleüa aleatoliedad Bloquee aleato¡ios Cuadrado latino Fis. 9. 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. que pueden analiza¡se como en la Tabla 9-5. El procedimiento se ilustra en el Problema 9-tr3.F de 33/0? V GfBi en cambio de esas dadas en la Tabla 9-6. Il[r) no puede rechazarse. Utilizaremos este procedimiento alterno. esto es l3*= 0 I{:}): No hay interacciones entre tratamientos y bloques. a cuatro bloques escogidos completamente al aza¡. aunque físicamente cualquier forma puede utilizarse) y asignar cada tratamiento. B.los detalles de un experimento deben planearse cuidadosamente con anterioridad. En lo que sigue damos algunos ejemplos importantes de diseño de experimentos. Supóngase que tenemos un experimento agrícola como en el Ejemplo 9. DISEÑO E)GERIMENTAL Las técnicas de análisis de varianza discutidas anterionnente se emplean despuós de que se han obtenido los resultados de un experimento.1).1. 1.l) + ab(c .2 Fig. el Las relaciones tr'en la nulas ANALISIS DE VARIANZA 31ó las hipóteeis ütima columna de la Tabla 9-6 pueden utiliza¡se para ensayar I/[t): Todas las medias de tratamiento (fila) son iguales. C. Pa¡a üseña¡ tal experimento podríamos dividir el teneno en 4 X 4 = L6 parcelas (indicadas en la Fig. Esto se denomina a veces como diseíw del experimento.9-3 grecoJatino Fig.9-l . esto es oj = 0 I{2): Todas las medias de bloque (columna) son iguales. página 306. D.4. Caso II.j'z) utilizando las relaciones .o) y-H<2. En este caso podemos concluir que las interacciones son considerabtemente grandes. Dos casos poóibles se presentan. Il[3) puede rechazarse. Sin embargo. Caso I. etc. utilizando hs íelaciones F de G?liZ v 3:63 reópectivamente como se muestra enlaTabla9-6. Completa aleatoriedad.F' de 3?/S3 de la Tabla 9. El propósito de la aleatoriedad es la de eliminar varias fuentes de enor tal como fertilidad del suelo.cAP. para ganar tanta información como sea posible. Las diferencias en los factores serían impgrtantes solamente si fueran grandes comparadas con tales interacciones. indicados por . 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. Luego podemos ensay4r H. En este caso podemos concluir que las interacciones no son muy g¡ánAes. 9-1 por cuadrados. Esto produce una tabla factor dos con valores singulares.6. Por esta razón muchos estadísticos recomiendan que se ensayen I/é'. y utilizando este valor para remplazar el denominador 3! en el ensayo F.

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

Utilizar el método largo.18 49 50 47 19 .(c) ?'.=brj. .) r:r tenemos K por Ia parte (c).2(o) en el último renglón..k abúz )"i = j. . La Tabla 9-7 muestra los rendimientos en hl/ha de una cierta va- A B C .k = )rr¡.¡.D6 I ab¡z s-? -4 ab =. Tenemos página 307. Hallar (c) el rendimiento medio para los diferentes tratamientos.18 49 48 50 49 51 50 . B.2(o) en el tercero y último renglones anteriores. )1rc = ))*r* r = abt 9.k 2r@br\ aü*: )"'n = j. )r¡.k )(rji-zx.r-r): i. -'#(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.cAP.k . Análogamente = )(¿. (b) la gran media para todos los tratamientos. riedad de trigo cultivado en un tipo particular de suelo tratado con químicos A. Verificarque(o) (d) r: úbÍt(b)..k / r'\2 rl rS/rl-zrJ.zr>ti. Verificar las fórmulas cortas (10)-(12).3.4. = 't)61't). o C.u ó un -.r b bI 1.2. (b) (c) Puesto que 7j.oi-ziri+ñ2) utilizando el Problema 9.It - 1'b' Tabla 9-? 9. + abú2 i.utilízandolanotaciónenlapágina307. i'k f¡*" . : abñ. (d) la variación entre tratamientos y (e) la va¡iación dentro de tratamientos.k . (c) la va¡iación total..ijk+ñ2\ = i.2x)r¡¡ I i.j=lk=l 'i ) )'¿r.].'*\ u u.-!+abEz -* í. el ANALISIS DE VARIANZA 317 g.2(b) en el tercer renglón y el Problema 9.t) = )(¡.-¿)t )¿i = i.

05.. = ) @¡¡-E¡.Tabla 9-8. C (b) (c) . Por tanto los rendimientos medios.4)'.01? Tenemos con-o Con referencia al hoblema 9.4)2 + (2 . de todos los datos sin afectar los valoree de las variaciones. (o) ConreferenciaalApéndiceF.6.: i(4+6+5*5) = respectivamente. =. i.g)r + (4.u = 14-8 = 6 (cl.f B+4+6+b+b¡ = Así la gran media para el conjunto original de datos es 45 * 4 : 49 hl/ha. Con referencia al Problema 9.26.05. [cAP.95:4. obtenidog al sumar 45 a éstos.4.4¡:: * (3 . Entonces obtenemoe los datos de la. (b) 0.318 ANALrsrs DE vARTANZA Para simplificar la aritmética podemos restar algún número apropiado.)2 t.conut:2yu2:9. ¿podemos rechazar la hipótesis nula de medias iguales al nivel - 1 : F=$=h = 3 6 - L : 2ya(b .96podemos techazar la hipóüesis nula de medias iguales al nivel 0. Tabla 9-E e (a) por Las medias de tratamiento (fila) para la Tabla 9-8 vienen dados respectivamente rr. eon 49.yemosqueF. 4l(4 .:l = = r'.4. = lae+A+3*B) = 5 3. B.5.¡.5)r + (d--5)! -l (5-5)r + (5-5)r 412 9. 1 = 4. 3 0. -¿). = i(B+4-f b+4+2t. ¡r. Variacióntotal 4 =.. de significación del (c) 0.¡.4)2 + (5 -.4)! + (3 .4): + (5-4¡: =14 ((l ) Variaciónentretratamientos = tr.@ir-E)2 = (3-4)r + (4-4)x + (6-¿)¿ + (4.Puesüoque^F :6)F.4)2 + (4-4): + (3 . por ejemplo 45. 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(B+4+ 5+4. .4)2 + (4- + (2 -3)2 + (4-3)2 + (:J-U + (5-4¡r + (4-4): 3)2 + (3 .k = (3. 48 y 50 hl/ha para A. (b) la variación dentro de tratamientos. (a) (b) ? 3 9.41-B.¿): + (4 -4):¿ + (6-4)2 + (5.1): 3(4-1) : I grados delibertad.¿. = b)) (é) Variacióndentrodetratamientos Otro método. = o.

. = 3+4+6*4 = 16 tz. el ANALIS$ DE VARIANZA 319 (b) ConreferenciaalApéndiceF.02.O1.= Dentro de t¡ata 0w=0-0b a -63 ^' .4-9.Pue8toqucF=6(F.vemoaqueF.cAP. = 4 +6+5*5 = 20 r = 16+12+20 = 48 Luego D6 1s-.?.a&-6 . Utilizar las fórmulas cortas (101-(12) para obtener los resultados del Problema 9.06-S8t = (b) Los totdes de las filas ¡on 206-rsz = 14 También rl. (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"?--# : . I¿ tabla de aDáli¡is de va¡ianza para loe hoblemss 9.=2+4+3*3:12 rt.6 ¡e muestran en la Tabla 9-9.4 ba'i ab 1 i062+t22+202) 0w: (^8\: te. Tabla 9-9 Gg=f.conur:2!uz:9.4. .9no podemos techazar la hipótesir nula de medias iguales al nivel 0.6:8.9 o(b-1)=(3)(3)=9 gradoe de =14-8=6 libertad 9.2/3 n con 2.n) = : 2oo 6 _ tg2 = E (c) D-Qb:14-8 . .

cinco operadores experimentados trabajan con las máquinas durante intervalos iguales. de como antes.(¡ti)] : ! Los resultados concuerdan con los obtenidos en el Problem a 9. 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. e t T: A B C 3454 2433 4655 16 256 t2 20 r14 400 ) s. = t4 800 7) = (zoe)r-9q): = u¡.'r = 206 " = ?". de todos los datos para obtener la Tebla 9-12. Tabla 9-10 T [cAP. =48 ?t.?¡ Entonces = 2356 r. 16= = zs56-246 soo = zrrL (i55 I t.ab6-1#¿. 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.ffi : - 245 := . de las máqui nas. Tabla 9-12 J Í: ). = lrsoor --. La Tabla 9-11 muestra de unid s.rooo¡ . por ejemplo 60.320 Es conveniente ordenar los datoe ANALISIS DE VARIANZA como en la Tabla 9-10.4 y a partir de este punto el análisis proce- 9'8' máquinas didiseñado para .

-¡.)! ¿'. Por tanto no podemos rechazar la hipótesis nula a un nivel 0. La Tabla 9-14 muestra la duración en horas de las muestras de tres tipos diferentes de tubos de televisión fabricados por uná compañía.87 .05.r (2 5):r -l. ".-+(8-7)z = 5): 72 -= J'K )(t..f)r!-i tÍf -f)): r t.(8 _ 8l: - .t0i Muestra 2 Muestra 3 11 409 401 406 408 405 . Es conveniente restar Tabla 9-14 Muestra 1 . Tabla 9-13 Entre tratamientos. las medias de grupo o muestrales y la gran media. directamente observando que es igual a (7--9):r-(11..fti'k ¿rr.ss: 2.(i -5r2 . .01 si hay una diferencia en los tres tipos.. Entonces tenemos .l-5rr -. Tabla 9-15 Total Muestra 1 Media 9 7trI 4 27 8 5 2 Muestra 2 Muestra 3 6 25 32 5 10868 .r.i = Gran 8 media = 84 1t En esta tabla hemos indicado los totales de fila. .05.)(r. por ejemplg 400.18-512: rl¡--5rr .8 (5X4) t: Pata 4.-i)z -3(9 ' - 7\2 36 ! 5(7 + 4(8 -- 7)! = 36 . el Formamosla Tabla 9-13. ANALISIS DE VARIANZA 321.u¡..ru r También podémos obtener 72 -- 36 .(10 8r: I í8 __ 8)r -i rG 8): -1. Utilizando el método largo.01.^.108 406 408 un número apropiado. MODIFICACIONES PARA NUMEROS DESIGUALES DE OBSERVACIONES 9.9. y obtener la Tabla 9-15.¡r .2lIl I ab-I=24 I W = tz. ?t¡ = 655 tratamientos.1 .-i. (b) 0.u-1) = 5(4) rA = I l "u ?'.102 410 .cAP.. 7):+(11 -?)2+. lógicamente tampoco la podemos rechazar al'nivel 0."..)rr¡(. 20 grados de libertad tenemos F .1456 =ZO I | =. u. ensayar al nivel de significación del (c) 0.

8 9. so:.=32. = 19= 1g 5.?.11.322 ANALISIS DE VARIANZA f. F. Tabla 9-16 [cAP.7 45 8. Soluciona¡ eI Problema 9. 72 t1. . 9.99 : 8.10. las medias de columna y la gran media. Rt=3.26..01.2 7.:25. ensayar al nivel de significación de 0.4 7.01 si (a) hay una diferencia significativa en rendimiento por acre debida a los fertilizantes. (b) hay una diferencia significativa en rendimiento por acre debido a las cosechas. Por tanto ! = n2=5. (25) V Q6l. rg. e Variación Grados de libertad Media de cuadrados F D¡=36 a-7=2 n-a=9 io.(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 9.8 o.9 utilizando las fórmulas cortas incluidas en (24). CLASIFICACION DOBLE O EXPERIMENTOS DE DOS FACTORES 9.96 : 4.9. 12t nB=4. De la Tabla 9-15.5 Enüonces para 2 y 9 grados de übertad hallamos del Apéndice F que F.4 uru so'- 18 = 36 G1=?9=4 = 4.(25)2.02. ninguna diferencia en los tres tipos de tubos) al nivel 0. como se indica en la Tabla 9-18.2 Calculamos los totales de fila y medias de fila.2 ñ"¡'.9 6.os datos pueden resumirse en la tabla de análisis de varianza. Por tanto podemos rechaza¡ la hipótesis de medias iguales (esto es. n=12. La Tabla 9-17 muestra los rendimientos por acre de cuatro go.=27. como también los totales de columna.05 pero no al nivel 0.0 5. ¡=84 = + iL2 + . 12. + 62 +8r-Q|2 = 72 a6 = ?t-.6 7. = = 36 (27)2. Tabla 9-1? Cosecha cosechas de plantas diferentes culparcelas tratadas con tres tipos diferentes de fertilizantes. I 5.. Tabla 9-16. Utilizando el método lartivadas en Cosecha I Fertilizante A Fertilizante B Fertilizante C u Cosecha III Cosecha IV 6.-.8 6.

7-6.0-6.8)2 + (5.S¡z a (7.yaque 6.8 9.5-6.cAP. Entonces.05 hay una diferencia significaüiva en el rendimienüo debida a los fstilizantes.14.6.14.8)2 + (6. Tabla 9-19 6.05 con 2.8)2 + (5.5 6.5 18.6 5.8)2 + (6.9 .8)2 + (8.6.ocz Al nivel de significación de 0.5 -6.8¡r+ (7.6 ¡'=0"2/i3=0.8)21 = 13.8)2 + (8.6. (7.5 6. .2 6.0 33. .2 8.4-6.zt gl: 2.8 Media de fila 6.9 68 5.8 -6.:5.24> 5.8)2 + (5.8)2 + (5.r. : Esto conduce al análisis de varianza en la Thbla 9-19.9 -6.6.9 columna Medias de 19.6 oi = t.6 grados de libertad.0 .2 -6.7 -6.4¡z a (6.2 .4-6. el ANALISIS DE VARIANZA Tabla 9-18 Cosecha 323 I Cosecha II Cosecha III losecha IV Totales de fila 24.3 Gran media 6.podemos rechazar la hipótesis de que las medias de fila son iguales y concluir que al nivel 0.2 23.32 U: Va¡iación total (4.3-6.0 7.58 F =G?/C?: a.7 5.86 gl: 3.3 5.8 : Variación de medias de fila con respecto a la gran media = 4U6.6 .4¡z * (7.8)z] = 2.3 .6.6. 64 7.2 2t.8 .6 columna u.8)2 = 23.68 u" : Variación de medias de columna con respecto a la gran media = 3[(6.r.8 .2-6.S12 -'.4 7.08 ue : Variación aleatoria = Lt .8)2 + (6.2 Fertilizante A Fertilizante B Fertiüzante C Totales de 4. Ya que el valor d'e F correspondiente a las diferencias en las medias de columna ea menot que 1 podemos concluir que no hay difenencia significativa en el rendimiento debido a las cosechas.8 7. Fq.8)2 + (?.8)2 -1 (9.6.9 = = 81.0 Gran total 22.6 7.7 8.

11.ut - bb4.24 ¡ (22.6 : 577. 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.k )"i T a .10 Entonces s-2 j* tt'r^ 12 ab = vr 1s-r-t' 577.88 ab = 23.n¡z (5.6)¿ = 2274. Un productor desea determinar la efectividad de cuatro tipos de máquinas A.82 = 6.82 11 = = 23.. B.324 ANALISIS DE VARIANZA las fórmulas cortas para obtener los resultados del Problema 9.68 . + 24.13. móquina y lurno. Nótese que para cada máquina se han indicado dos turnos. C. : lcAP.08 = uc Lnezln. Efectuar un análisis de varianza para ensayar al nivel de significación del 0.S¡z a (6.96 S-z Sro (24.2)2 81. Los días de la semana se pueden considerar conro réplicas o repeticiones del rendimiento de cada máquina para los dos turnos.5)2 + (18.2)2 (27-O'¡z r.88 = = 18.t2.G8 = *>t-"ti = |trozs.88 2. Utlizar Tenemos de la Tabla 9-18 i.96 bj'j. Los resultados se indican en la Tabla 9-20.2.9)2 = 1673.2¡z (19. Para llevarlo a cabo se obtiene el número de tornillos defectuosos producidos por cada máquina durante los días de una semana en cada uno de los dos turnos. D en la producción de tornillos. En esta tabla se indican los dos factores principales.2)2 ¡ + (33. e 9.05 si hay (c) una diferencia en las máquinas.2+23.58 EXPERTMENTOS DE DOS FACTORES CON REPETICION 9. ..08 de acuerdo con el Problema 9. 554.11.8+33. (b) una diferencia en los turnos.zu 'üc bb4.rol rt .(23. - 13.6 = (4.

6 - 1?9b.5 = 1861.6-51.6 = 51.1 = 6. Estos se ordenan en la Tabla 9-22. (32)2.0 'tt" = --ñ.cAP. móquino y turno. que es una tabla de dos factores con valores simples.6 rov = 8.b --5 .2 . Tabla 9-22 Primer turno Segundo 30 turno TOTALES 64 85 63 66 A B c D TOTALES 24 41 32 28 t25 44 31 38 143 268 [.-.1 Si reetamos de la variación subtotal u. (44)2. + 72 +L02-W = 1946- 1?95. (31)2.b .6 : 66.S .1795. Esta viene dada por * u" ) obtenemos la 0i = 0"-D¡.6 = 1b0.4 Para considera¡ los dos factores principales.ro ro 10 La va¡iación entre columnas viene dada por (zgq)' 40 = 1846.4 variación total para la Tabla g-22. variación debida alasinteroccion¿s entre las filas y columnas. viene dada por -..3. que llamaremos variación subtotal u".5 .0-8.(41)2.¡2912.)' + qq -ld.6 La variación enhe filas üene dada por (zee¡z 40 a' = (54)2 (85)2t' (6. (38)2 ""--6-5 .0c = 65.S . _124)2.?_1?e5.. concentremos nuestra atención al üotal de los valores de repetición correspondiente a cada combinación de factores. ZO - (126\2. (119)r_eqq\2 ? 40 - _ 180s. 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+ . (30)2.. la suma de las variaciones entre filas y columnas (u.

Ya que hay 40 valores en la üabla original 9-2i el total de gradoe de libertad es 40 1 = 39. que conduce a unava¡ianzacombinadade gL. De la Tabla 9-23 vemos que pa¡a interacción F : 0.: 4. columna e interacción (ee decir.SfSe:2. - libertad cottespondientes a cada tipo de variación. lo cual indica que la interacción no ee significante. 0c = 8'1 Interacción. ya que hay 4 filas en la Tabla g-22La variación debida a l¡s fila¡ tiene 4 . Siguiendo lae reglas de la página 315. ce debe a interacción.o Columnas (turnos). la va¡iación subtotal) ¿L U variaóiOn tot¿l u. 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).8 : 91. no podemos techazt la hipóteeio l/[zt ¿" que las columna¡ tengan medias igualee. Puesto que .entantoquelavarirrcióndebidaalae 2columnastiene 2-L= Estas va¡iacionee se indican en el análisis de varianza. Esto esequivalenüe a decir que al nivel 0.tr ¿" que lar fila¡ tienen ¡¡sdi¡¡ igualee.326 ANALISIS DE VARIANZA lcAP. u¡ = 6. Entoncee ya que F calcul¡do para lascolumna¡es 8.! : Sgradosdelibertad. Al usar este valor en cambio de 2. u= 150. Tabla 9-23. 0' = 51'0 i? = tt.61. D" = 84'8 Total. Esto es equivalente a decir que al nivel 0.o" : 150. Para hallar loe grados de übertad debidos a la interacción obeervamoe que hay 8 valores en la Tabla 9-22. B2 grados de libertad podemos rechazar la hipóüesis ll.:6. Po¡ tanto el total de gtadoe de libertad es 8 I : 7. Puesto que 3 de esos 8e deben a filas y 1 a columna¡. el reeto. Para l. 32 grados de liberüad Fn.16.05 podemos conclui¡ que las-máquinas no son igualmente efectivas. e Finalmente la variación reaidual.06 no hay diferencia iignificativa entre turnos.4-65. se halla reetando la suma de variaciones füa.5 G? = zltt Aleatoda o residual. vemos que F para las fila¡ e¿ 6. Por tanüo los grados de libertad debidos a l¡ va¡iación residual o aleatoria ee 39 7 : 32.. podemos rechaza¡ |a hipótesis flllr ¿" la pógina 315. Eeto resulta en a" = Q-(or*o"*o¡l = 7).3 y 3 + 32: 36 respectivamenüe. .8 1 grado de liberüad.42. I¡iabla también da el número de grados de Tabla 9-23 Filas (mÁquinas). Si decidimos analizar los resultados combinando las variaciones residual e interacción como lo recomiendan algunos estadísticos.06. 7 (3 + 1): 3.6 + 84.F nl: 2.6 : 84.4 Para continuar debemos determinar primero si hay alguna inüeracción significaüiva entre los facüores básicos (es decir. Aef.90 para B. hallamos para la va¡iación combinada y grados de libertad combinados u¡* u.65 para el denominador de F en la Tbbla 9-23 no afectan las conclusiones alcanzadas anteriormente. filas y columnas de la Tabla 9-22).81?. eeto es.

e0 = 7.' + (10¡z * (lT2 -@5Y 16 5769 - 6439.75 .69 16 variaciónenrretratamienros = .05.Ia variación üotal y las va¡i¡ciones para filas.4 . 4 : 5443. CUADRADOS LATINOS Tabla 9-24 9.19 (2eS1z - 5439.05 y (b) 0. Efectuar un análisis de varianza para determinar si hay una diferencia significativa entre los fertilizantes a niveles de significación de (c) 0.19 - 5439.1)¡ ff +ff + ff -5468.94 Variación entre filas .t: 4.14.06 : va¡iación entre (77\2 (74\2 (78\2 (71\2 columru lS=?rc= 4 .25 + ry .lá.47 para 3.At-ril. concluimos que al nivel 0. Ya que F . 32 grados de libertad y puesto que F para columnas es 3. C.06 = 4.25 *9'{ -(fftr = 284. = T*ry*ry 5723. D en el rendimiento de trigo. A este nivel aún no hay interacción apreciable.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. el ANALISIS DE VARIANZA 327 9. de modo que podemos proceder más al. 29. 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. Un hacendado desea ensaya¡ los efectos de cuatro fertilizantes A. donde los números indican rendimientos en dkl por unidad de área.l cAP.4 -. 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 9.06 : 329.01 las máquinas no 6on igualmente efectivas.51 para 1. Solucionar el Problema 9.01..13 si se utiliza el nivel 0. Hdlamos Va¡iacióntotal : o= (18)? + (21)2 + (25)2+'. columnas y üratamientos se obtienen común y corrienüe.49. 32 grados oe libertad y puesto que F para filas es 6.15. podemos concluir que aún al nivel 0.5439.01 no hay diferencia significativa en los turnos. B.r.01. También obtenemos el total de rendimientos para cada uno de loe fertilizantes como g€ muestra en la Tabla 9-26.06 . Ya que ¡'.

Tabla 9-28 CONDUCTORES 1234 B. denotados por o.05 hay diferencia en la fertilidad del suelo de una fila a orra.r. autos y caminos podemos emplear un cuadrado grecolotino. debemosconcluirquehay una diferencia entre fertilizantes al nivel 0. Así cada conductor tendrá la oportunidad de conducir a lo largo de cada uno de los caminos. como se indica en la Tabla 9-28. Asignamos las diferentes gasolinas A.8? (o) Puesto que F er. cuatro autos y cuatro caminos diferentes. sujetos a los mismos requisitos impuestos a las letras latinas. 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. Asignamos aleatoriamente los cuatro caminos que van a emplearse. Puesto que se incluye igual número (cuatro) de gasolinas. p.. 4. Tabla 9-2? lcAP.0 : 9. i I}¡ 9. 6.9 > 4.16.19 Residuales. D. 7. Puesto que el valor F para columnas es menor que 1. podemos aceptar la hipótesis que no hay diferencia enla fertilidad del suelo en las filas (o las columnas) al nivel de significación del 0.69 Tlatamientos.01.01.05Ia hipótesis de que hay medias de fila iguales. C.76.78. Ya que el valor de.17. Sin embargo.05.¡. Es de interés determinar si hay alguna diferencia en el kilometraje por galón entre las gasolinas A.' I A. Un aneglo posible es el dado en la Tabla 9-28. LATTNOS 9. 284. Diseñar un experimento utilizando cuatro conductores.F para tratamientos es 4?.76. C. 4. . D aleatoriamente a filas y columnas.. rechazamos al nivel 0. e Filas.328 ANALISIS DE VARIANZA El análisis de va¡ianza s€ muestra en la Tabla 9-27. 11. CUADRADOS GRECO. 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). 29. Se deduce que al nivel 0. B. concluimos que no hay diferencia en la fertilidad del suelo en las columnas. B.lJtiliza¡ el análisis de varianza para determinar si hay alguna diferencia significativa al nivel 0.19 Columnas. conductores. de modo que cada letra apatezca solamente una vez en cada fila y solamente una vez en cada columna. Supóngase que los diferentes autos se representan por las filas y los diferentes conduetores por las columnas. (b) Ya que Fgo. podemos concluir que hay diferencia entre fertilizantes.o :4.

(59)2 .60 -4096 = 111. Tabla 9-31. (62\2 -.60 ry*ff+ff+ry-ry 4 (16)'z = 4ros. (81)2 . Las filas.60 (A.60 = 6.50 4244-4096 = 148.4 . -1--4(n-1)=(n-lXn-3).60 I 4096 6. (61)2 4-4-4-4-16 4102. el ANALISIS DE VARIANZA 329 Prirpero obtenemos totdes fila y columna como ¡e indica en la Tabla 9-30. Filas: a----l---4 (64)2 .Portantolosgradosdelibertadparaelerroresn2 caso n f. 7.4-T 4 .Ennueetro .00 - 6-50 - 11r.1 para un cuadrado de n X n. (63)2 . 16+11 +11+ L4 = Dtotal: 14+16+16+16 = ctotal: 14+18+15+14 = /3 total: 16 + 16 + 2l + 15 = ytotal: 19+16+11+16 = Stotal: 15+11+16+23 = (65)2 62 81 62 61 61 68 62 66 Entonces calculamos ¡ug va¡iaciones conespondientes.00 deliberüad. Dl Caminos: (o' P.50 La variación total ee (1S¡z * (le¡z + "' + (16)2 + (2s\2 -e66\2 =' 'I | \-vt 16 16.00 de modo que la variación debida al e¡ror e¡ 148. 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. utilizando el método corto. (68)2 4 .cAP. (52)2 .60 Columnas: . 4 - (70)2 (256\2 16 Q6A)z 16 QAA¡z = 4112.os resultados se mueshan en el análi¡i¡ de varianza. ó) Ga¡olinas: (62)2 4267. E número total de gados de übertad es n2 . C. columnaE.6o-40e6 = ?. (61)2 .50 - 7. B.60 - 4096 = = 16. leüras laüinas y letras griegas cada una tienern 1 grados : 4. como eigue: Atotal: 15+16+15+16 = Btotal: 19+18+2I+ 23 = Ototal: .

El tratamiento medias de la población viene dado por p¡ Por tanto ac = 9. Por tanto podemos rqchazar lahipótesisdequelasgasolinasson igualee al nivel 0.500 :?*33=t.01. 6).C.19. ya E(v. página 308].l)oz - .= . Entonces.28 V F.*-i. (4.05 pero no al nivel 0. Demostrar que > oj = 0 [(15). 5u. Capítulo 5.60 Gasolinas. B. Derivar (c) la ecuación (17). (b) la ecuación (I6). donde Sf é define por (15).s : 29.s.} .) = bj¿E(Si) utilizando (I6) del Capftulo 5. = F* e¡.¡z > + ) (x.50 Caminos (o' É' 7.50 2.D).-*. b 3 (¿'-1"'\ -i---t\ b / = a(b .26 Tenemos F.or.a:9.". PROBLEMAS DIVERSOS 9.. = 9.3u*3" = op+\'¡ t=L i=l !:t' = (2p)/a.tz = b j=r |Lo rEr' " ' ) = ¿!s? j=1 d.so. de Ia página 308.18.r.. 6. e Columnas (conductores)..330 ANATISIS DE VARIANZA Tabla 9-31 lcAP.5. Se deduce que t=L )¡t* )"t j:r ' donde hemos utilizado la definición p )a. J=r - =. (o) Poi definición tenemos v. 111.-¡b-l ¡ es la varianza muestral para el tratamiento jr como que el tamaño de la muestra es b. 7.

+*i):-l -"ufLab J !+rr) " '' ) -LD aoz * b ) (p+ a¡)2 - o2 - s'b. Por tanto lv(x. .) + a.18.\12 lBlx¡12 E(xil : E(Xz) = Var (Í) + Pero ya que las poblaciones de traüamiento son normales.01? Si existe alguna variación debida a las repeticionee se incluye en lo que ae llama el ertor re¡idual o aleatorio. 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. puesto que las varianza¡ S! bn indep el Teorema 4-4.+auxz l=r t=L ya que (f) (21 (. con medias ¡t¡ y varianza común 02.P = (a-l)o2 * abp2 + zbp> ". = 84. esto es. En el Problema 9. tenemos dd Teoreme 6-4.) = pj = p+ai Utilizando los resultsdos (2>(7). ¡úgina 161.t) X = ( )It. página 158: ( tr) var (5) =r Var(X) = # E(X) = p (i¡. obteniendo u" . en la Tabla 9-23. los diferentes días de la semana. + > al - ob¡P (c--t)62 * b ) a.8. página 309. ¿Podemos sostener esta conclusión al nivel de signifi cación del (c) 0.21.p6gitn 116. que V-/o2 tiene dishibución chi-cuaüado cón o(b - 1) 9.20. Demostt'ar el Teorema $1. üenemos E(val = b>86?) var(i¡. en (I ) tenemos E(va) = b>[+*(¡.) / \ // /\/ ' = b>*?.-ab*z j=1 a. Como ¡e indica en el Problema 9.19(o).2 9.cAP. más el reeulüado dd hoblema 9.13 supusimos que no existían diferencias significativas en las repeticiones.05. el ANALISIS DE VARIANZA Por 331 (b) definición vt' = a ) 1*r. omitiendo el fndice de la euma.1 gradoe de libotad. Entonceo.Enloncex. bSJ/o2 tiene drado con b .bgQ7z) Entoncee para cualquier variable aleaüoria U..) (d) (7) E(Xj.-x¡z t=r aa a o = b>*i-2bx)x. (b) 0. P¡ra hallar la variación debida a larepeticiónutilizamoslostoüalegdecolumna cn la Thbla 9-21. E(U2) = Var (U) + lE(U)12. Por el Teorema 5-6..

u¡6. 0' = 0c 51'0 Columnas (turnos)..767 | -=0. La tabla final de análisis de varianza.t 2 @¡rt- ú)z que puede dividirse en siete variaciones.827 = 73. = 8'1 Repeticiones (días de la semana). 9...4)2 . denotadospor ejemplo.0g. Ao) Barupos. Ias conclusiones reliacionando máquinas y turnos son las mismas a las obtenida¡ en el Problema 9.8 114: ?8. T.rpor denota la gran media. Pero ya que Fe5: 2. Finalmente d Existirá una uarioción total dada por (l) 1) = t.4. Sigñificados análógos se dan a E¡ ¡ ! r . el número de grados de libertad asociados con esta variación es b 1 : 4.4 3 Aleatoria o residual a'" | 2.22. Reproduzca la tabla de análisis de varianza a emplearse en tal caso. ..4 De la tabla vemos que el F calculado para repeticiones es 1. Las otras variaciones son las mismas a las de la Tabla 9-23.. denota la media de valores en la clase C cuando A¡ y B:p se maitienen fijos. los días de la semana no eon significativos. Las siete variaciones en las que se puede dividir (1 ) vienen dadas por u = DA+ürJ+uc lTIAB *. g - (268)2 40 = 1807 .EIvalorenA¡. sedenotaporxjkl. C. 8r. o.k.8¡r.Elvalorú¡¡.. denotados pot 41. es decir. Estas variaciones son entre clases del mismo tipo y entre clases de diferentes tipos (inúerccciones).ú¡n< . .1795.06 (y por tanto al nivel 0. es la Tabla 9-32. es la media de valores para las clases Il y C cuando Ar es constante.*ucA-. e 1t=-+'re¡ (57\2 g (51)2 g .18. podetnos concluir que no hay variación significativa al nivel de 0. l---g 6. Tabla 9.6 = 11.7! parz 4.C".332 ANALISIS DE VARIANZA [cAP.32 Filas (máquinas)...01) debi- da a las repeticiones.2g grados de libertad. La interacción entre todas las clases se denomina como antes la uariación aleotoria o residuol."o = 11.86. (47)2 (50¡z -.. I-a variación residual después de restar la variación debida a la repetición ea ue : 84.. .4 Puesto que hay 5 repeticiones. .C{luposdenotadosporC¡. Suponemos que la clasificación se hace en A grupos.¡r. teniendo en cuenta las repeticiones. Describir cómo se pueden utilizar las técnicas de análisis de varianza para clasificación triple o experimentos con los tres factores (con factores simples). como se indica en la Tabla 9-33. El valor f.

ñ.4ñ s gl t.kc (b - 1)(c - 1)..cAP.ñ. determinar si hay una diferencia significativa en rendimientos a los niveles de significación del (a) 0.. Suponiendo que las parcelas eon de fertilidad semejante y que las variedades se asignan aleatoriamente a las parcelas.ú.BC gl 0¡s (entre grupos AvB) (o-1)(b-1) (b-lXc-1) (o - 1)(b - L).Bzcl.(a-1)(b-1Xc-1) Añ. ? (E¡.rt.ByC) u (total) (o-1)(ó-l)(c-1) abc-7 9?.ñ j*. 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 . C. ce' ) (¿..n.ri. Se efectúa un experimento para determinar el rendimiento de 5 variedades de trigo A.% (c 1)(a 1).+ i)\2 E)2 aABc = .c .Bc b-r.23.k. D. el donde U¡ ANALISIS DE VARIANZA 333 - .(a-1Xb-lXc-1) AÓ. E. . Dc ñ\2 : ab 2 @.s suplernerirta.t.c (entre grupos C) -'l Añ "c .t ...A^o 8ó^tsA.új.c)i.ñ.tt+ ñt."" a a-l - 7. B.J- er" (ñ¡¡1.. (o 1)(b 1)(c 1) gl 1) ¡ A.r.I ót s.k.- ñ¡.r+ ñ)z !ct = b > (ñ¡t..BlSA. (b) 0.01.n\r.rlos CLASIFICACION STMPLE O EXPERIMENTOS DE UN FACTOR Tabla 9-34 A B C 9.¿).+ ¿.05.* ñ. (fr..1Xó - l)(c - 1) gl os (entre grupos B) ó-1 c Ao og s "B .2r@i*t. (a - 1Xó - 1)(c - 1) gl trac (entre gru- posByC) o¿ =o=ffi= (c-1X¿-1) acA .-.+ 0nc = ".34.rTabla 9-3$ Media de cuadrados r¡ Ao -q¿=-A o-l Varíación o¿ (entre grupos A) Grados de libertad F ?1.ñ.'uc c-1.ó I Dg n rA^ Ét s^. (o - 1)(b - 1)(c - 1) sl u¿ (entre gr¡r- posCyA) (entre grupos (c - 1)(o . Q¡n rB = = . variedad y los rendimientos (en hl/ha) son los mostrados en la Tabla 9...Bc -1) 3." = uesc (o-l)(ü-lXc-1) Probletna.4ñ sA.. (a.

27. y a cada grupo se le enseña por un método diferente. 9.06. Demostra¡ la¡ fórmulas cortae (3I fl34).01 si hay alguna diferencia significativa en las marcas.334 ANALISIS DE VARTANZA [cAP. Ensayar a loe niveleg de (o) 0. diferentes. (b) 0. El fabricante desea determinar ei hay una düerencia (o) entre operarior.24. loa resultados se dan en la Tabla 9-39. Tabla 9-39 Operario Máquina A Máquina 23 34 28 1 Operario 2 Operatio 3 24 28 27 I I\láquina C 27 30 25 . B.a 9-38.28. tres grupos de 5 estudiantes se escogen aleatoriamente.05.O1 si hay una diierencia significativa en sus calificaciones entre Ssas asignaturas. Luego se da el mismo examen a todoe los estudiantes y oe obtienen las calificacionee indicadae en la Tabla 9-36. donde cada tipo ¡e ha tratado en 6 automóviles semejantes asignando los neumÁtico¡ aleatoriamente. Se efectúa un erperimento para determinar el número de artículos diarios producidoe por cada operario utilizando cada una de lac máquinas.os a¡tículo¡ fabricados por una compañfa se producen por 3 operarios utilizando 3 máquinas diferente¡.85 Tabla 9-86 9. II1. 9. para el caso en que los 4úmeror de oba¿rvaciones dean CLASIFICACTON DOBLE O EXPERIMENTOS DE DOS FACTOBES 9.29. Durante un semestre un estudiante obtuvo las calificaciones indicadas en Ia Tabl. Un profesor desea eneayar treg métodos de en¡eñanza I. Tabla 9.25.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. A 33 B 32 c 31 D 29 38 40 37 34 36 42 35 32 40 38 33 30 31 30 34 33 36 34 80 31 Método I III 76 62 7t 68 81 7g 90 81 Método tr Método 86 68 92 73 79 60 76 MODIFICACIONES PARA NUMEROS DESIGUALES DE OBSERVACTONES 9. Ensayar al nivel de (o) 0. Demo¡tra¡ el resultado (30). Dar la informaci6n deseada utilizando un nivel de oignifi' cación del 0.01 si hay una diferencia significativa en los métodos de enseñanza. [. Tabla 9-37 I\[atca. determinada de sus fibras. Demostrar los resultadoe (24). D. (25) V Q6). (b) 0. (b) entre máquinas. prÁgina 311. 9.30. Para lleva¡lo a cabo. página 310.01 si hay diferencia en lo¡ neumáticos. (D) O. Determinar al nivel de (o) 0. I'z duración de log neum6ticor. (b) 0. II. Ensayar a loe niveles (o) 0. C.06. vienen dadas (en miles de millae) en l¡ Tabla 9-36.05. La Tabla 9-37 da los números de mill¡s al galón obtenido por autornóviles semejantes utilizando 5 ma¡cas de gasolinas. página 311.26. Una compañfa deeea ensayar 4 tipos de neumáticoe A. e 9.06.81.

06 de que hay diferencia en (a ) d método de en¡eñanza.05.36. varfan significati- aleatoriamen' 5 . a ^ B {amente con (o) las diferencias del terreno (esdecir. la eegunda observación empleando una segunda clase especffica. E 18 22 2L l7 18 24 g.06 ¡i hay una diferencia en (o) lor ferüilizantes. el segundo a un estudiante de otro planüel. Determinar al nivel de 0. Solucionar el hoblema 9. / y II. Suponer que el experimentg del hoblema 9. Tabla 9-41 9. Tabla 9'4O TIPOS DE MAIZ bloque te a los hl/ha. roy"t al nivel de 0. Analizar el ex' pelinojo rubio Alto Mediano Pequeño 76 81 73 78 76 castaño 80 79 perimento al nivel de 0. 9.33. c Semill¡s de 5 tipos de mafz ee siembran en 5 bloques' Cada ue se asignan 0. ts Tabla 9-43 da el número de artículos produeidos por 4 operarios diferentes trabajando en dos tipoe de máquinas.01. EXPERIMENTOS DE DOS FACTORES CON BEPETICION T¡bla 9-42 A 9. los bloques). Solucionar el Problema 9-31 utilizando el nivel de significación del 0. dUrante díae diferentee.23 se lleva a cabo en el suroes' te de un pale y que las columnas de la Tabla 9-34 indican 4 tipoc diferentes de fertilizante.38. B C 16 18 20 15 L7 16 2l 19 18 23 19 2l 23 20 D 9. Se efectú¿ un experimento para ensayar ei el color del pelo y las estaturas de esür¡diante¡ adultos üienen algu' na incidencia en el rendimiento escoló¡tico. \4 9. Ensayar al nivel 0. Soluoiona¡ el Problema 9.8?. Solucionar el hoblema 9.41.3ó r¡tilizando el nivel de significación del 0. Ensayqr la hipótesis al nivel 0.38 al nivel 0.40 utilizando un nivel 0.12.33 utilizando el nivel de significación del 0'01.01. Ios réeultados se dan en la Tabla 9'41. y así sucesivamente.01. 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 . SLOQUpS C D E IIIUIIV t2 15 15 19 L4 18 11 16 16 l7 10 t2 16 L2 11 14 11 12 16.40.06 si hay diferrencia en (o) los tipos de neumáticos.34.24ltprirnera observación para cada tipo de neumático se hace empleando una claee espeiífica de automóvil. Suponer que en el Prpblema g. Suponer que en el Problema 9.g6.39.05 si hay diferencias signifiéativas en (c) loe operarios. lo 77 9. 9.05 ¡i lo¡ rendirnienüos en bla 9-40. doñde los números in' dican 10 en el tope de los graduados. (b) la localización.26 el primer valor para cada método de enseñanza corresponde a un estudiante de un plantel especffico.cAP.01.g2. g. (b ) en los planteles. Solucionar el hoblema 9. (b) las clases de automóviles. en tanto que en un experimento semejante efectuado en el oe¡te da los resultados en la Tabla 9'42. el ANALISIS DE VARIANZA 335 g. (b) las máquinas. y así sucesiva-E mente. (b) las diferencias en el tipo de maí2.

Tabla 9-44 efectúa un experimento para ensayar el efecto sobre el rendiniiento de 4 tratamientoe de fertilizanües A. B7 At4 Tabla 9-4ó c12 adicironal dando la sección donde naci6 el estudiante Eete.05. o. Tr AB 164 c2 Bf 181 c3 ca Ay 193 193 207 166 c4 D6 160 T. Tabla 9.r 198 D. BoG Dy l0 Ap8 c6 10 cialee. Centro. t¡ Tabla 9-48 contiene los datos sobre el moho acumulado en hierro tratado con químicos A. como se muestra en la Tabla g-46.Cz. Wt. C. w2 BB6 Dog ws Ao5 9.C1 . Wc y 4 especies d-iferentes . Efectu¡r un análisis de la varianza del experimento al nivel de significación del 0.S4 Sr.6 .05. eetableciendo cualquier conclusión a que pueda llegaree. El aumento en peso por unidad de tiempo 6e da en el cuadrado greco-latino de la Tabla 9-46. W¡ .45. B o C.38 euponer que introducimos un factor 876 c81 o73 Tabla 9-46 o78 E'76 c80 o79 c76 877 w4 CUADRADOS GRECO. 4 cantidades diferentes de dos compuestoc químicos se agregan a los ingredientes bási co¡.1. eetableciendo cualquier conclueión a que pueda llegarse. q D. 6. Det¿rmina¡ a un nivel de 0.01 si hay una diferencia significativa en los tratamientoc. Tabla 9-4t Alto Pequeño Mediano 110 95 Tabl¡ 9. Cuatrotiposdecable?¡. 9.49 105 103 118 A B 3544 4233 6465 Lt2 10? 90 115 c 108 lr2 93 104 96 L02 . D usando cuatro máquinas diferentes.46.336 CUADRADOS LATINOS ANALTSIS DE VARIANZA IcAP. y de variaciones del teneno en dos direcciones perpendiculares.Tc.05 ¡i hay una diferencia significaüiva en rendimiento académico de los e¡rudiantes debida. donde lo¡ números indican rendimiento de maÍz por unidail de á¡ea. É. .Tz. 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. Soluciona¡ el hoblema 9. Ca. miden las fortaleza¡ de los cable¡. Wz.LATINOS wr ^S.01 de que no hay diferenci¿ en (o) los fertilizanSe C8 At4 D10 Á10 c12 BL4 D16 D12 B11 811 Dt5 Á10 tee. T3 T4 c6 t7l D. Efectua¡ un análisiÉ de varianza al nivel Q.43. Con referencia al Problema 9.a diferencias en (o) ertatura.47. Se obtiene el cuadrado latino. e 9. Oes: te. Ensayar la hipótesis a un nivel del 0. (D) lae variaciones del terreno. 9. (b) colo¡ de pelo. (ó) 0. D y las del cegundo por ü.Cuatro operarior A. c16 9. (c) lugar de nacimiento.4? c. Tabla 9.Ct. T¡¡ fq¡talezas promedio obtenidas se dan en el cuadrado greco-latino de la Tabla 9-4?.48. L62 BB L45 cB 2t2 A6 112 86 Do An 188 Bq 167 c7 136 PROBLEMAS DIVERSOS 9. Para producir un tipo superior de alimenüo pnra pollos. ?a sefabricanporcadaunadecuatrocompañfas.43 utilizando un nivel 0.44. 7. C.as cantidades diferentes del primer compuecto se indican por A.05. respectivamente.05. [. Sz S¡. St. B. B.44. B. Determinar al nivel (o) 0.

51.4g. Derivar los resultados 9. En los cálculos de análisis de varianza se sabe que puede sumarse o restarse una constante apropiada dp cada valor sin afectar las conclusiones.40 suponer que un experimento adicional realizado en el noroeste produce los resultados de Ia Tabla 9-53. página 312. Veterano No veterano 90 85 Medio ril 78 I.01. Analizar la tabla al nivel de 0. (b) la localización.59.60. Con referencia a los Problemas 9.50.Q. (b) la ecuación (38).52 utilizando un nivel 0'01.05. 9. (b) 0. Tabla 9-51 Alto 9. (b)la ecuación@0). Solucionar el Problema 9.05 si hay una diferencia en los puntajes debido a diferencias en (o) el estado veterano.01 si hay alguna diferencia significativa en los I. t¿ Tabla 9-51 muestra los puntajes para una muestra de estudiantes universitarios de diferentes partes del país con diferentes I. 70 9.62.Q. página 309. ¿puede determinar si hay una diferencia significativa en el número de artículos producidos en los diferentes días de la semana? Explicar.61. Determinar eI nivel de 0.Q. Solucionar el koblema 9. 9. medias y pequeñas. Suponer que los resultados en la Tabla 9-48 del Problema 9-48 son válidos para el noroeste. en tanto que los resultados correspondientes para el oeste se dan en la Tabla 9-52. Demostrar (o)la ecuación (39). .23 y 9. Norte y centro 80 ¡D 79 g. rinden mejor' Los puntajes obtenidos se muestran en la Thbla 9-50.54 al nivel 0. 9. de estudiantes adultos de estaturas altas.05 si hay diferencia en (o) fertilizantes. Se realiza un examen para determinar si los veteranos o los no veteranos de diferentes I. 9. página 312. ¿Es ésto cierto si cada valor se multiplica o divide por una constante apro' piada? Justificar su resPuesta.53.Q. página 309.05 y establecer sus conclusiones. Los resultados se indican en la Tabla 9-49. (b) los tres lugares.Q' 9.05 si hay diferencias debido a (o) los químicos. Un experimento mide el L Q. Este Oeste Sur 88 84 86 Medio 80 78 82 Bajo 72 ¿o 9. 70 En el Problema 9-42.55. 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. 9. (b) I.Q.cAP. Tabla 9-50 Alto I.Q. Determinar al nivel (o) 0.5E. (3) y ( ). 9. Demostra¡ (o) la ecuación (37). Bajo I. Demostrar el Teorema 9-3. Demostrar el Teorema 9-2.62. Ensayar al nivel 0. Determina¡ al nivel de 0. el ANALISIS DE VARIANZA 337 g. relativo a diferencia de estaturas.ó6. página 372.54.5?.

69.338 ANALISIS DE VARTANZA Solucion¡¡ el hoblema 9. 9. las repeticionec.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. 0. 9.62 utilizando un niyol 0.21 hallamos una diferencia significaüiva en los días de la semana. lcAP. ¿es¡rer¡rf¡ encont¡ar un (o) curdrado latino de Explicar. es decir. e 9. Suponer que en el hobleme 9. De¡cribir cómo emplear las técnica¡ de análisi¡ de varianza para experimentos de tres factore¡ con repetición. 9.69.64.66. 9.67. Efectua¡ un análisis de va4ianza en el cu¿drado latino de la Tabla 9-64 a un nivel 0. Efectuar un análisig de va¡ianza en el cuadrado greco-latino de la Tabla 9-65 a un nivel 0. 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. Haga el montai dc un erpcrimenüo que conduzca al cuadrado latino Tabl¡ 9-64 FACTOR 1 de la Tabla 9-54.05 y eetablecer conclusiones.01.68. Montar y solucionar un problema que iluetre el procedimiento en el Problema 9. 9. 2X 2? (D) ¿un cuadrado greco-latino de 3 X 3? .13? Justificar sus conclusione¡.63. En ln práctica. ¿Deberíen modific¡r¡e la¡ conclu¡iones obtenidas en el hoblema 9.65.71. 816 FACTOB 2 c2r 823 416 AL8 ct4 Bt2 ct5 l á18 9. 9.

Apéndices .

.

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

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

to' ."md*=*or"' lg. Ío'"-*senbc O" = ¿ft6 a)0 c)0.APENDICE A 343 14.0=W m)0. Ío"''""n'^-rtcos2¡-¡0d.o-'"-* o" -fa-f= Y 16.o*rot+ü fl¡ = i{:e<b'-4dc''t1o """(#) o ) 0 donde erfc(u) se = r-erf(z) = t-U*f""-sa.l L-e(b'-1oc't4o I "VA tT. lB. fr' . Í. = hÍ""c-tdr a')o.or)o denomina.lafunción complementarb de enor. J_n c-<"¿*o'+c> dÍ =t1.-. p)0 o) 0 16.n)0 .

8 I.0007 .266I .0040 .3945 .1 .0833 .3847 .2516 .0020 .0171 .0002 .7257 .0042 .0007 .0002 .3989 .9 3.0004 .0297 .0303 .0 3.225I .0030 -0022 .0270 .0r 36 .0013 .0246 .0790 .3977 .3778 .0065 .0363 .0022 .0003 .0113 .0878 .2083 .r374 .0006 0004 .0283 .2989 .3605 .010? .0002 .0003 .24!r2 .0119 .0027 .0004 .2203 .3448 .0014 .3166 .0 0.0018 .0989 .24G8 .0422 .0707 .l 163 .0694 .óooó .0016 .72i6 .0002 .0005 .016:l .2227 .2966 .237r .0061 .0003 .3034 .0047 .1539 .002I .3902 .0396 .0008 .1057 .0478 .0006 .6 ¿.0508 .0056 2.0468 .Dl éo .2513 .0101 .0596 .0037 .3230 .1669 .0009 .0051 .5 2.0010 .0093 .0067 .0957 .1781 .6 o.3391 .2317 .2756 .0003 .3790 .2072 .0940 .0004 .0459 .2059 .0573 .3876 .2803 .0009 .2589 .2850 .0006 .0264 .06{4 .1826 .3352 .5 3.1127 .3572 .3251 .0003 .3956 .0804 .0449 .0060 .0039 .2t55 .3970 .1182 .1315 .0229 .r1f)7 691 .3752 .1006 .1.0084 .0002 .254r .3961 .1 .22i5 .0004 .1040 .140 .0761 .8 3.0126 .8 .0032 .0033 .0540 .3965 .058.0036 .0009 .3332 .0012 .r023 .0317 .6 l.0055 .0071 .0063 .0116 .3932 .l 2.3725 .5 0.0002 .:1825 .0194 .0058 .1518 .2 0.1 7.3951 .0025 .0005 .0498 200 .0848 .0004 .0046 .39?3 .0775 .2897 .3910 .0 1.0734 .0371 .2 .0008 .7 0.8 0.3372 .0310 .0003 .0529 .0011 .0002 .3989 .0013 .0001 .1 tQ .0004 .0003 .0404 .0050 .0017 .1849 .0073 .1919 .0008 .0008 .3668 .3 IA .3101 .1354 1.0488 .3802 .0379 .0002 3.0023 .0104 .1626 .0018 .0016 .0325 .0151 .0005 .0031 3.1989 .0198 .0608 .3986 .3980 .2685 .3485 .0258 .1334 .1895 .0925 .3079 .3697 .13 .0034 .2036 .0005 .0026 .2709 .0079 .0007 .3429 .0020 .0i21 .0184 .3467 .3538 .0224 .0003 .28i1 .0235 .3925 .3011 .0893 .0002 .0339 oe OA .0069 .7 2.1145 .2t07 .1 .0620 .0015 .0909 .0096 .3988 .1872 .0 .0.0002 .0028 .0075 .2827 .156 .3982 .0010 .0038 .0053 .331 2 3 4 D 6 7 8 o 0.0002 .0387 .2732 .0863 .9 2.0ri56 .0014 .9 .2444 .0099 .1 .0025 .0562 .1 109 092 1.1435 .1 0.3989 .3984 .3555 .3292 .0003 .2780 .0203 .0005 .3 DA .1 561 604 .oI47 .034? .2t31 .1.1771 .0519 2.0002 .12 .3894 .0002 .0355 .0219 .o024 .3?65 .0005 .0006 .3939 .2565 .0139 .0012 .0044 .r295 .5 1.3 0.0019 .0818 .07.3712 .0154 .¡ 3.16'17 .327L . ¡ .2 3.3144 I .0043 .2323 .3918 .1219 .3521 .1965 .0110 .3503 .10?4 .6 2.3637 .8 2.0081 .0208 .0129 .0180 .1 .0122 .3867 .Apéndice B Ordenadas (E) de la curva normal t ipif icada enz 0 I .3885 .3621 .1758 .3410 .0001 344 .0973 .0048 .3589 .3209 .0012 .1 804 .2637 .3836 .2396 .0213 .0632 .0332 .1415 38 .1 .0158 .0252 .0681 .1736 .0241 .l lJf]4 .0029 .9 .0277 .01?5 .0010 .3056 .0413 .2613 .00I7 .000? .I942 .0036 .0431 .2920 .u077 .2 1.3739 .0015 .3857 .3683 .01.2295 .00r1 .3187 .0088 .0189 .0091 .0086 .1582 .0132 .0167 .0290 .0669 .2420 .381 4 .0551 1.4 0.

L265 .3461 .4864 .6 0.4986 .2852 .07L4 .4887 .497L .3869 .3r 59 .6 L.5000 .44t8 .t443 .4117 .43?0 .5000 .4732 .9 1.2910 .4998 .4998 .4699 .4778 .4997 .3129 .1 .4993 .4977 .3980 .0478 .{o9t .3170 .2967 .4931 2.0359 .1406 .4949 .1844 .4996 .4678 .4999 .4984 .4357 .4495 .4664 .2088 .8 1.4332 .4999 .4992 .8 3.2486 .4999 .5000 .3 1.4999 .4564 .1591 .9 2.4896 .3508 .4977 .4 .1ts26 .4878 .4999 .4920 .0754 .4916 .4999 .3944 .4906 .4767 .4904 .4997 .4616 .4846 .4969 .4582 .4989 .4999 .1879 .4484 .4292 A25L .4998 .4319 .4918 .4962 .4922 .4999 .3849 .4988 .4993 .1915 .4625 .4925 .4997 .4982 .5000 .4222 .0080 .2 0.4505 .4988 .6 3.2 ¿-D .4998 .4901 .4854 .4981 .1985 .1103 .4995 .4984 .4750 .4997 .4927 .4978 .476t .4808 .6000 3.4875 .3 0.0438 .4986 .0871 .4997 .0987 .3810 .2704 .4608 .2642 .25t8 .3340 .4987 .4992 .4066 .4995 .4911 .2190 .4382 .4738 .4943 .4429 .4963 4973 .0 2.4999 .4999 .1 1 2 3 4 6 6 7 8 I .4981 .1 0.3078 .4997 .4970 .3554 .1368 .4049 .2549 .4997 .4995 .4082 .4959 .4838 .4999 .4999 .4032 .4982 .4967 .4015 .1987 .1L62 .4999 .4999 .4999 .4999 .4099 r.3686 .1331 .4726 .1772 .tzt7 .3238 .4599 .4975 .4998 .4999 .3749 .4994 .4999 .2734 .0793 .7 0.2996 .4997 .4306 .1141 .0199 .8 0.4997 .4192 .4803 .0319 .4881 .4706 .4998 .3413 .4999 .4980 .5 1.4591 .3186 .1026 .4990 .4996 .4 .4649 .3888 .4913 .4995 .0675 .4994 .4966 .4938 .48(.4842 .4788 .4987 .3438 .066? .3389 .5000 .4996 .4783 .4850 .4998 .4974 .4945 .4929 .4993 .4406 1.4997 .4999 .4463 .2357 .4983 .45L5 .3599 .0 1.2422 .0910 .4979 .2939 .4994 .4991 .4934 .2224 .3264 .7 2.3272 .1 .2580 .0040 .3531 .2389 .4992 .4131 .3051 .4962 .4995 .5 3.2454 .0696 .3106 .4968 .7 3.Apéndice C Areas baio la curva normal tipificada de0az 0 0.4998 .2019 .4999 .1808 .8 .4868 .1 .3665 .4995 .4474 .4985 .2258 .0279 .485? .0239 .0636 .0517 .4573 .4996 .4 0.4989 .4999 .1554 .4884 .0948 .467L .4990 .2673 .3485 .26L2 .4965 .3997 .4936 .3962 .4994 .4452 .2 D') 2.444L .3621 .229r .2t57 .3790 .4345 .3315 .1736 .4999 .4236 .2t23 .4989 .4948 .4793 .9 346 .1628 .4990 .5000 .4890 .4998 .4999 .0000 .4960 .7 1.2064 .4999 .2794 .1664 .4941 .4998 .4893 .4772 .4953 .0832 .4998 .4979 .4964 .1064 .4554 .4830 .0120 .4834 .2881 .2 1.4998 .4991 .2823 .4656 .4999 .4932 .5000 .487L .4686 .4955 .4961 .4986 .6000 .() 3.4817 .4967 .1179 .4207 .4993 .4998 .3926 .1293 .4535 .4525 .4996 .4898 .4951 .48L2 .4279 .3643 .0398 .5000 3.0 3.3577 .4956 .3907 .4719 .6 2.1480 .0160 .1517 .4999 .4909 .4976 .5 0.3830 .4394 .4974 .1?00 .4744 .3133 .4972 .4756 .4693 .4991 .2324 .3289 .4996 .4773 .4798 .4545 :4633 .)( 2.4115 .4999 .3365 .4265 .2764 .1960 .4992 .0 0.4994 .3023 .4821 .3708 .4t47 .4940 ..4946 .

861 .73 1. publicado por l.32 1.11 2.711 .868 .48 2.07 2.691 .62 2.277 .60 2.858 .70 1.17 3.33 8 9 .96 4.130 .76 L.128 .L0 2.82 2.684 .532 .883 .703 .Apéndice D Percentilrr de (tr) l¡ di¡tribsción f de Student con z grador de libertad v úss ¿oo t.00 2.76 3. Stotistícal T¿bles for Bíological.09 2.18 2.873 .128 .71 3.70 1.s.36 1.68 L.32 1.14 .68 2.70 1.257 .64 2.686 .539 .03 3.39 2.72 1.47 2.32 L.3L 2.90 2.816 1.669 .688 .50 3.92 2.563 .126 .856 .36 3.879 .33 1.530 .82 2.84 2.727 .70 2.06 2.535 .66 2. con permieo dé lo¡ autores y editorea.8?0 .81 2.854 .?18 .6?9 .66 9.532 . .846 20 I.626 .78 2.263 .267 2.94 1.727 .692 .56 2.856 .289 .07 2.258 .86 2.46 2. Edinburgh).856 .67 2.L26 .257 .42 2.266 .L27 .686 .533 t2 13 14 15 .23 2.30 L.674 .szs tse 31.04 2.73 1.869 .04 2.25 3.257 .75 L.r27 .76 1.257 .862 .00 1.33 1.t27 .60 4.66 t.62 2.92 6.978 .34 1.134 .683 .256 .856 .36 t2.584 .83 2.89 1.L27 .262 .857 .687 .906 .861 .000 .76 2.r29 .82 6.29 L.54 3.627 1.643 1.31 .L29 10 11 .98 2.t27 .r28 .842 Fuente: R.48 2.256 .685 .80 2.30 1.78 2.706 .06 2.57 2.t3 2.889 .256 .?l 1.688 .130 .92 2.27L .20 2.256 .325 .38 1.47 2..896 .255 .266 .649 .84 4.L27 .531 t.L27 .83 1.694 4 6 6 .74L .02 1.061 .96 2.45 2.727 .76 2.44 1.696 .76 2.36 2.536 .35 1.866 .L27 .02 2.542 .137 .18 63.L27 .88 2.864 .765 .zs üeo tso 3.3?6 1.37 1.7L 1.677 2.90 2.630 .77 2.74 1. 3 .14 3.256 .t42 .537 .L28 .128 .L32 .32 L.64 1.86 1.L27 .258 r.L27 .31 2.31 1.261 .920 .546 .700 .848 .256 .30 3.66 1.50 2.858 .71 t.06 2.70 1.79 2.645 t.158 .36 3.L26 .26 2.531 .534 .46 2.t6 2.34 1.32 L.sgs I .5L 2.34 1.260 t.689 .09 2.876 .80 1.71 L.683 .860 .257 16 2.259 .11 3. Fistrer y F.865 .633 .68 .683 .131 .42 1.256 .569 .690 .538 .?8 .A.01 2.28 t20 € .08 2.67 1.72 2.254 .32 2l 22 23 24 25 26 oa 28 29 30 40 60 .33 .686 .260 .540 .63 1.t2s .684 .61? .96 I7 18 19 .629 .7L 4.77 1.263 .05 2.72 2.t26 .40 1.06 2.48 úes t.36 1.531 .630 .254 .681 .L28 .72 1.32 L.r3 2.256 .98 1.53 2.t27 . Yate.31 1.ongman Group Ltd.08 1.66 2.534 .81 1.zo t. AgriculturalondMedícol Recearch. (previamente pubücado por Oliver y Boyd.31 1.532 .t2 2.941 .58 2.49 2.697 .863 6.684 .258 .255 .76 2.62 2.06 3.90 1.624 .531 .

4 86.6 74.04 10.6 90.7 29.58 6.3 99.32 2.9 23.73 3.4 83.1 16.2 67.4 100 t2.2tL .6 12.38 9.3 2L.0 L07 6.67 9.1 31.06 1.0 69.26 6.6 50.6 4.90 6.1 16.59 10.6 41.0 22.6 48.34 9.02 7.4 85.455 1.0 23.1 27.2 6t.8 43.362 l.4 40.2 16.3 27. 347 .0 33.2L6 .3 89.9 29.6 24.26 3.7 26.7 66.26 9.6 54.84 9. Biomelr:iha Tobles fo¡ Stotitticíane.5 34.82 4.6 24.37 3.? 42.6?6 ..r7 2.3 61.Apéndice E Percontilas (¡f) de l¡ di¡tribución chi-cuadrado con u grados de libertad v x.3 32.5 20.3 X.49 11.31 10.3 69.57 t.8 32:0 33.7 26.6 109 1r8 130 t28 140 t24 149 Fuente: E.6 33.4 69.94 4. t3.39 6.3 30.9 t8.7 7.1 28.8 t9.3 24.8 14.6 92.4 13.6 56.3 67.23 5.39 10.6 43.49 2.0 14.0 62.3 69.9 30.3 23.0 19.1 13.6 19.0000 .O.26 6.4 32.872 L.9 11.9 19.1 37.7 7L.4 43.2 94.0158 .0 13.3 16.40 6.8 14.9 39.0 26.6 47.2 11.9 40.9 34.4 29.3 26.9 11. Hartley.3 11.1 8.3 45.7 39.7 12.2 t3.D'ID r.2 59.9 26.7 37.4 3.1 77.3 27.1 12.7Ll 1.66 5.4 40.9 63.7 46.04 7.3 12.tl 4.56 3.3 14.8 13.0 27.7 38.35 6.3 15.8 36.7 25.6 r3.3 26.43 8.6 108 118 8.7 18.8 63.74 7.6 19.0 t2 13 18.4 23.8 20.23 8.6 66rB 56.8 20.4 12.8 48.6 17.67 3.0 r 7.4 42. 1(1966)' Tabla 8.6 12.831 .34 10.24 1.2 28.7 23.8 t7 18 19 20 2L 8.L 80.6 23 24 25 26 27 28 29 30 40 60 60 70 80 90 100 41.96 8 I 10 11 4.01 5.0 20.8 30.6 21.3 18.3 29.7 47.gg x?rn y2 ^-00e .2 14.6 30.26 7.57 4.3 79..3 49.116 .3 23.91 9.6 28.1 52.83 3.7 22.6 tt.3 13.6 32.8 28.70 3.8 40.3 49.1 12.3 35.06 3.7 14.63 7.3 t6.6 61.554 .3 32.2 44.88 10.3 29.? 37.8 45. xlo.2 '19.6 40.92 2.5 43.9 48.2 61.L 2l.56 9.3 18.34 8.79 t4.1 ttz r26 13? 64.81 6.6 16.87 6.L 30. Vol.3 13.66 2.57 7.6 14.4 37.58 8.9 13.0002 .2 35.2 66.5 24.6 43.O tt.5 16.6 13.2 11.3 22.8 9.23 5.3 39.77 4.0 36.73 2.09 2.8 14.8 79. Pear¡on y H.6 31.3 46. páginas 187 y 188.3 73.9 34.1 .86 11.63 6.S.60 3.6 36.8 14.3 17.6 24.9 2t.1 90.4 16.18 2.5 16.78 9. x'.3 61.6 26.3 19.684 1.25 7.0039 .3 42.54 L0.36 4.6 46.2L 1.L6 2.2 29. x?o".57 6.63 ?.7 2t.64 9.6 32.24 10.90 27.9 12.9 18.7 2.3 49.0010 .4 31.3 71.6 46..3 61.2 10.2 11.2 31.7 18.63 8..0 48.7 76.7 28.11 5.70 6.8 38.03 t.3 16.2 12.1 37.7r 4.3 r6.8 13.6 20.7 14.8 t7.2 88.2 62.8 12.1 40.4 20.35 7.3 16.89 10.5 20.2 24.7 60.2oo¡ xlo.3 28.39 2.l 22.2t 11.8 67.6 61.3 53.0 16.3 I 1.4 34.102 .6 15.3 .3 18.1 19.E 42.99 7..9 17.45 4.8 24.0100 .4 16.60 5.7 33.1 39.6 .9 43. con permieo de lol autore¡ y editoree.5 33.o 22.84 5.4 35.103 x?..L4 6.33 3.07L7 .5 96.1 45.t 31.0? 5.8 34.0 4L.61 2.1 13.7 34.6 14.2 36..07 3. 3 4 o I .291 .2 37.9 35.25 5.89 6.6 22.3 20.81 9.6 79.8 26.7 37.6 25.8 70.3 13.0 44.9 L6.91 7.8 16.8 55.6 36.E4 6 .6 36.8 18.3 96.0 17.6 2L.9 68.6 29.44 9. x?no X.1 10.2 74.484 .01 7.2 18.30 r6.2 26.8 24.1 27.6 46.34 1.207 .6 9.7 28.3 49.6 28.0506 .0 104 116 l4 16 16 to.2 46.15 1.64 .9 40.t7 4.7 23.9 1t.66 8.0 11.472 .3 10.8 26.6 38.8 16.6 22.26 8.O' X.3 5.1 41.3 17.4 32.35 5.7 73.0201 .7 16.07 4.4 L02 113 rt2 t24 136 98. .1 10.24 1.6 L2.0 27.0 71.7 99.1 t2.8 44.69 2.2 29.989 1.6 32.6t 6.3 22.6 88.3 2L.2 38.7 16.9 20.0 x2ot x'"0 .4 63.30 7.20 2.8 67.0 17.3 59.41 ?.3 82.1 DD.

88 4.32 1.48 3.63 6.33 2.35 2.96 1.33 3.74 8.48 2.69 2.76 4.43 1.58 2.5 19.t5 2.62 2.70 2.06 2.25 2.94 1.r8 2.25 2.99 2.68 3.46 2.02 r.4e 3.63 5.80 a.36 2.60 2.5 19.33 2.99 1.4 19.93 1. 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 18.37 2.89 1.20 2.90 1.57 3.64 1.56 4.82 4.77 4.22 2.04 3.87 r.88 4.20 2.L8 2.80 2.85 1.9L 2.30 2.01 2.46 2. S.90 2.29 2.86 1.r7 2.53 r.12 3.89 2.62 2. (1972).54 2.25 2.85 2.00 I.28 3.61 2.94 1.34 2.96 t.L5 2.17 3.66 8.24 2.36 3.22 3.90 2.54 4.6L 2.59 3.87 t.26 6.07 3.53 2.99 1.34 3.72 5.91 1.34 2.76 2.L9 2.2r 2.t9 2.40 2.01 2.01 2.61 19.59 2.66 2.73 2.r2 2.34 2.10 2.L6 2.47 2. ¡O 5.78 2.73 1.81 2.84 3.93 1.53 2.49 2.93 2.58 1.38 2.92 2.6? 3.3 19.71 2.50 4.23 2.03 4.94 8.29 3.62 2.00 5.06 t.91 1.66 1.30 3.5 19.30 L2 13 14 15 16 L7 18 19 20 2.82 2.02 2.45 2.5L 2.49 3.?3 3.96 2.57 8.91 3.34 2.84 1.57 2.09 6.69 4.40 2.20 2.39 2.84 1.7r 2.4 19.19 2.94 3.05 2.61 2.75 1.41 3.89 1.35 7.25 2.42 2.38 3.99 5.73 4.60 3.96 2.09 3.55 2.99 1.96 1.66 2.92 1.78 t.04 1.84 2.76 1.L8 2.29 3.04 1.01 4.85 8.lL 2.53 2.59 2.24 2.11 2.24 2.55 8.68 4.38 2.77 2.77 L.75 1.64 2. l'.23 2.42 2.22 1.4 19.96 2.00 2 Fuente: E.98 2.80 2.t2 4.7L 2.81 1.28 4.69 3.16 6.01 1.46 2.53 3.09 2.20 3.r3 2.93 2.79 1 a^ 1.45 2.83 t.70 I 2.96 4.?0 8.28 2.75 4.01 2.98 2.87 3.35 2.21 4.?9 r.14 3.t0 | 4.05 4.67 t.5 9.94 2.66 2.71 2.74 4.54 2.76 1.96 5.62 2.26 3.rL 2.04 1.22 3.85 2.62 4.95 4.19 4.22 2.62 8.97 1.44 3.00 3.?0 1.2r 2.67 2.27 2.27 2.20 4.96 1.92 1.46 4.94 1.90 2.29 2.1 7.37 2.8z r.59 8.45 8 I l0 11 5.39 2. .81 t.67 4.60 2.43 4.4 19.32 2. Pear¡on y H.91 5.10 2. Vol.18 2.30 2.59 1.90 1.5 19.46 2.96 1.70 2.32 2.78 2.84 3.64 3.45 2.08 2.85 2.59 6.84 40 60 t20 t.4E 2.15 4.68 2.79 2.41 3.49 2.92 1.77 2.53 2.90 1.35 2.L2 2.84 3.85 1.13 3.49 2. O.98 1.42 2.43 2.66 2.39 3.t6 2.98 1.70 1.37 2.35 4.75 2.29 2.11 3.50 3.31 2.7L 6.2q 3.90 2.27 2.61 I.84 1.49 4.61 2.60 2.34 2.85 6.09 2.03 1.34 2.89 8.76 2.06 2.30 4.42 3.32 4.57 2.l I D.16 2.41 3.07 3.49 2.79 t.91 1.64 2.66 5.18 3.88 1.53 4.37 3.26 3.76 1.05 2.42 2.92 1.5L 2. Tabla 5.31 2.95 2.31 2.87 3.06 2.03 ¿.32 2.3 4 o 6 I 19.69 1.51 2.26 2.44 2.84 1.7l 2.28 9.87 3:70 3.60 2. Hartley.15 2.08 3.39 4.00 3.69 3.84 2.20 2.41 2.09 2.37 2.7l 1.48 3.6L 2.59 5.81 8.06 4.79 L.64 2.93 1.18 2.74 2.01 1.8L 2.18 2.64 8.57 2.74 4.58 2.01 1.45 2.82 t.56 2.80 t.10 4.44 3.53 2.53 2.07 4.97 3.27 2.49 2.35 3.15 3.26 2.7 4 2:28 2.64 2.27 3.94 1.84 1.96 4.95 1.04 6.42 2.16 2.43 2.54 2.89 1.14 3.62 1.05 4.08 2.79 3.47 3.68 2.27 2.63 3.0r I | 4.47 1.Apéndice F Porcentila 95 (nivele¡ 0.70 2.76 2.0Q 2.92 2.86 5.28 2.23 2.23 4.L0 2.07 2.L2 3.5 19. Eiom etriho Toblec for Stotíaticianc.74 2.r5 2.23 2.tl 2.L2 9.46 1.38 2.12 2.92 4.4 19.06 2.79 3.22 2.85 2.r9 2.79 8.32 2.87 1.65 1.41 5.65 2.23 3.83 2.40 2.74 2.34 3.35 2.37 2.g¡.79 2.87 2. con perrniro de los autoreo y eütorea.77 t.r7 4.76 2.2L 2.03 2.13 2.95 2.54 2.30 2.42 2.24 2. parr le di¡tribución F u1 grados de libertad en el numerador /2 gfados de libertad en el denominador ><.2 19.51 3.83 2.44 3.83 2.57 r.25 2.3L 2.52 j 3.t0 2.75 1.16 2.81 3.LL 2.39 6.07 3.1L 2.6? 2.36 2.28 2.L0 2.86 3.L3 2.24 3. página 178.28 3.50 1.01 1.93 5.69 5.21 4.63 2.65 2.4 19.rL 2.86 2.08 4.92 3.12 2.2 19.DD 1.88 1.68 t.56 2.07 1.4 19.0s 1.69 1.97 r.01 8.98 2.66 2.6 10.35 3.84 1.02 1.71 3.25 2.47 2.38 2.95 1.58 3.60 4.55 2.39 t.07 2.(}51.03 1.77 2.46 2.20 2.35 2I 22 23 24 25 26 27 28 29 30 3.40 2.84 4.18 3.40 4.38 3.46 2.07 3.97 2.01 2.L5 2.74 1.0L 1.46 2.

49 5.82 4.38 2.03 2.26 6.63 3.11 2t.02 7.Ll 2.17 4.86 2.94 3.5 14.10 L2 16 20 24 30 40 60 L20 @ 4062 6000 5403 6625 5764 5859 99.31 4.0 10.42 4.50 2.5 26.52 4.49 2.32 3.68 99.46 6.63 5.69 3.51 s.08 6.18 3.67 2.61 o.06 4.63 3.63 6.80 6.43 3. gFados de libertad en el numerador v2 grados de libertad en el denominador x1 I 98.84 9.91 6.?5 8.29 6.57 2.17 3.13 2.95 4.72 5. Hartley.30 7.8 10.74 6.65 8.4 27.31 4.l 8 I 99.41 3.7? 7.63 2.86 4.t4 5.26 2.46 2.0 16.42 6.86 8.12 3.02 7.99 2..O.98 2.87 4.5 10.86 3.61 4.28 4.02 3.83 2.ó 16.3 27.6? 3.02 6.31 3.50 4.59 3.70 8.30 3.2 9.34 3.2 14.29 7.36 6.41 3.62 2.7 13.03 5.08 3.33 3.5 26.98 6.56 6.81 4.17 3.25 4.47 3.56 2.06 4.54 4.26 4.44 4.?0 1.40 8.04 3.77 4.01 3.7 10.70 6.16 3.94 4.00 2.54 2.80 2.70 3.62 3.36 3.08 3.o J 2.4 9.65 3.85 4.64 4.76 2.36 3.84 2.8 99.47 6.10 4.5 26. l4 15 16 4.r7 3.70 2.52 3.60 4.9 9.7 14.75 2.40 6.82 4.18 8.40 3.94 1.16 5.44 4.69 2.59 1.10 8.99 b.21 3.37 3.43 4.49 12 13 6.23 6.00 2.80 3.81 3.37 4.42 2.38 9.51 3. 3 4 o 6 .90 3.36 2.2 16.55 7.78 9.4.07 2.04 4.7 16.40 4.29 3.66 99.1 7.t7 2.L4 4.10 4.63 4.6 9.ó9 3.48 3.35 4.40 4.22 5.66 2.78 3.57 t2.18 5.51 3.39 3.64 6.8 99.30 3.35 2.6 13.53 3.61 6.L4 5.93 3.07 4.39 2.23 3.72 6.72 7.66 4.75 3.96 2.46 7.46 2.32 4.69 3.66 3.2 ?.00 3.07 4.33 2.52 3.39 4.31 7.5 26.09 2.31 2l 22 23 24 26 26 27 28 29 30 40 fó 4.sz 2.94 3.29 8.26 3.56 4.46 3.67 5.84 2.64 7.60 3.23.76 1.09 3.33 8.67 3.18 4.88 7.31 3.75 2.54 5.60 6.20 4.22 3.16 3.4 99.16 3.oD 8 ?. con permirc de lo¡ autoree y editoree.l 11.30 3.60 3.3L 2.78 3.60 4.64 4.13 3.0 9.42 5. Vol.46 5.64 3.15 2.5 26.66 4.38 1.26 4.81 6.29 2.3 28.34 4..86 6.2 13.?9 3.89 4. Tbbla 6.44 2.4L 2.13 3.18 3.4 99.6 5981 6023 6066 6106 615? 6209 6235 6261 6287 99.35 3.88 2.20 4.4L 4.2 18.15 8.78 3.L7 4.03 1.47 2.APENDTCE F 349 Percentila 99 (niveles 0.10 3.72 4.89 3.45 7.01 5.2 9.3 14.3? 3.65 9.03 3.72 2. F.t4 4.93 6.65 2.32 5.3 10.99 3.67 2.36 3.19 l0 99.26 4.36 4.26 3.9 99.011.83 3.03 3.72 2.62 5.7 10.54 3.56 6.89 4.06 6.63 8.87 6.68 4.91 .94 3.39 4.09 3.52 2. Biomeúiho Toblec for Statbücbnc.96 I 10 11 .26 3.58 4.07 6.68 7.30 4.70 3.92 2.61 6339 6366 99.45 s.86 3.99 5.10 3.84 6.06 2.45 3.88 2.0 15.3 L2.86 3.70 2.43 3.oo 7.76 4.59 3.99 5.10 6.L2 2.6 10.25 3.55 8.89 3.56 3.üb D.0 30.85 7. 8.36 2.9 99.58' 2.00 2.07 5.25 4.31 3.11 6.94 2.66 6.66 2.11 6.90 2.60 1.S.46 3.96 3.tL 3.72 7.20 4.5 13.42 3.00 2.93 4.56 4.89 4.3L 6.62 4.78 2.21 2.01 .89 3.97 6.87 2.00 3.19 11.10 2.41 9.96 4.03 2.51 3.46 3.42 3.7r 4.68 2.09 3.3? 3.0 9.23 5.60 2.76 3.5 34.95 7.04 3.01 6.39 6.54 20 9.78 3.82 7.78 2.4 27.95 5.82 4.20 2.67 9.93 z.21 3.01 3.01 1.73 7.65 3. 3.30 3.07 3.4 27.23 2.66 2.74 4.r3 2.89 7.68 8.56 5.17 3.80 3.63 4.67 4.71 3.93 2.5 9.67 6.2L 6.33 4.99 6.88 5. .03 2.28 4.6 14.64 2.L2 1.3 8.49 2.91 5.95 1.29 2.r 26.1 a.87 3.54 t7 18 19 4.60 '7.72 5.7 99.2L 3.96 2.59 6.65 6 .2 29.74 2.85 2.3 13.66 2. 2 (1972).2'.54 3.62 4.0s 1.12 3.2r 5.1 13.19 5.37 2. Pearron y H.2 99.02 7.31 9.02 2.50 4.19 2.12 4.4r 5.41 2.92 2.7 27.94 3.4 13.86 4.20 2.92 2.59 3. 3 4 o oot 28.35 4.b8 2.se.74 4.78 3.80 5.18 3. para ls di¡tribución F v.84 2.66 2.47 t4.64 3.37 5. página 180.22 4.16 3.55 3.4 26.43 3.4 11.00 t20 Fuente: E.79 60 2.40 2.47 5.1 6.32 2.42 2.86 1.68 3.71 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

RESPUESTAS A PIOBLEMAS SI.44.5e. (e2ia-Zie2ia-ll/"2 (a) (¿) (¿) Lr/144 (bl rr/L44 1c¡ t/iJttz (¿) (¿t) \/-LUr2 (e\ -L/L4a 0 -!rr 1 . 3.6E. 3. pz=7-. (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 3.5 3 (b) r3n/6 (a) 35112 @\ (ü \Elm.57./3s12 3. 3. Fz:3/80.46. o*=1/t5/ZO 4 (b) 2 (c) . pí=1.(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) \. pí=0. 1e/10 (¡t') 6/6 a/3 @ 1 \Ng 3. (c) 315 3. (o) 1 (b) (o) Var(X)=5.77. 3. nx=lE (al (a\ (ü) Var(X)=3/80.61.\ +(et/2+e-t/2) = cosht (ó) p=0. 3. Ft=2. 3.82.7 3. 3.79. i¿l p4=230718960 2a 3. 3/2 (bl 3e/4 (a. 3.48. (c) 1/(1¿).67. 3.ó6. 3.64.'PLEMENTARIOS CAPITULO 3 3. 3. 3. (o) (a) 1 (b) I (c) rla (c) 3.69. p¿=35 (b) pr = 0. 3. p3 =-L2lll60. (a) 1 lb) 7 (c) 6 3.43.45.60. ps: -5. 3. (a) (3r +2\/(6r*3)para0 5 ¡<i t¿l lsu+Z)/(6u*3)para 0 = a = | 3.ezt\/zt2 (D) p = 4/3. 3.54. pi= Al=0. (a) (a) 2/3 (b) 2/3 G) aB 7/a (c) @\ Als 3.66. (a\ l/2 parae>O (b) lParay>0 .55. pi= 2. 3.E4. ú= (a) h=0. 3.83'. (o) (f + 2te2t . 10.65. Fz:5.74. 3. pn=33 (c) (bk+r'st<+r)/(k* 1Xb-o) peiaa (sen (ó) [1+(-1)k](ó -a.E0. pl:L L6/3 3.78.47.72.50. 3.E1./m/L8 (d' \rzssñ8 (e) -9L/32a (Í) -sr/235 4 tb) 4/\/35 -t/tst¿. 7/0 (ó) 6/5 3. <1 (ó) p = l.62. pí= 2.68. pá: t6/5. yí= 6.62.\klzk+t(k+ll I qeiab co)/ao 3. 3/2 n (b) -2e/6 Lla !4 3. 3.

t"l .eziarlznl u) 12/6 3.105. 3.05r 3.109. (b) 2415o (ü) e (al (a) (b) 6/e (b) 1/18 (c) (et * 2e2t + Sezt)16 (d) (d) (eto + 2e2to + 3e3.5 02.94.1or. (o) 3.119. (o) 0.116.358 RESPUESTA"S A PROBLEMAS SUPLEMENTARIOS 3.[o ) 3. (o) 1 I (ü) (ó) (y'3. (o) (c) 3 (ü) 3 3.113.17 (c) 0.ze-t (D) no existe (al 2(\F-Ll/3 (b) L6t7 2 0 2 7/3 r/3 2t/2 (b) e 3. (¿) 3. ffiParao rle (b) 1 6x2*6n*L s r:< I . (al 3.114. 3.125.10a.L22.e2. (o) no eriste (ó) (c) 3 -1 (c) e-z *0 3. (o) (c) 8/16 1-+y'3 (bl v2 3. (a) 3. (¿) 1/y'5 3. (d) 1- (1/\.124. (a) x Var (Y lX) 0 5/S I 416 2 (ó) Y Var (X I Y) 0 I 2S/36 2 24t49 3.###parao < nr 5r 3.1)/4 (c) 16/81 3.r/r-tsnflo) (ó) \F@i @ tlfr.123.91.121 .118.89. . (a) (b) r/4 (b) 0. (o) (a) 3. (o) 1 3. (bl 3614 (1 @l atg (b) 2/e L (c) * 2te2t - e2')/2t2 (el -2\/fr/r6 (d) -(1 + zibe2ia . (a) 3. (a) r 2 0 (ó) 8(21/2-r)/L6 (D \.126.o)/6 (a) -7/27 (c) 2(et-l-t¡¡¿z -Z(e--l-ü¡¡"2 (e) r/136 3.85. (a\ L 3.8/2 (ü) 1/3 (c) 0 . (o) 3.103.f 6/9 7lr2 o 3.100.127. (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 3.120.90.10E.. (o) (ó) ln 2 (D) I 3.

61.08 (d) r.9962 (b) 0. (al93% 4.1127 (dl2. 641243 25 (c) 500 4. 4. 4. 57/6a Q\ 2r/32 (b) (ó) 4. -0.7123 0. 4.64.1680 (/) 0.5.77 (c) 0. 4. 4. 4.e265 (d) 0.t9.s27 1.77 (a) npq(q (o) 1.87.75 (b) -1.4 (¿) 0. 4.63.1494 0. L93t5t2 (a\ @) 32/243 (bl re2l243 k\ a01243 (dl 2421243 42 (b) 3.03eb .0838 (b) 0. (o) 0. (c) (p) 0.1342 0.726t (/) 0.86 (c) 2. 4.4% (bt 23.t"/o 0.76.93.69.849 (e) tt.8?67 (b) 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 4.0687 0.66.7% (al e5.6 (b) e (b) 72.0% (c\ 93.05610 (b) 0. 4. 11/16 (dl 518 (a\ r7lL62 (a\ (a) 5/16 (c) 4. 4.85. 4.9500 0.89.G¿s 4.7t.90.626 ó 0.3% (a) (o) (a) (o) 1.0658 4. 4.68.I RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS .66.0154 (e\ 0. 4. 359 CAPITULO 4 4.80.62.4232 (o) 0.74.91.0286 (d) 0. 84 (bl 8.15 (b) 0.2511 (b) 0.E6. 4.6404 (d) 0.5976 (c) 0.73.9495 (b) (ó) 0. 0. 4.78.1008 (c) o.67.9198 (c) 0. (a') pl (b'l npq(l - 6ps\ * 3n2p2q2 -1.7% (b\ 54.06131 . (a'¡ 6L.995 0. 4.0079 0.E8.03?5 0.82.049?e (ó) 0.0668 (a\ 20 (b) 36 (cl 227 (cl (d) 40 @) 15% 4.6826 4.2991 (c) (o) 0.0?86 (c) 0.E3.0567 (b) 0. 4.90 75.a7% 4.224r (e) 0.E1.84.550 (c) -0.0089 (o) (o) 0. 4. 4.2241 (d) 0.92.76.

(a) 2.4 ft\ *e-tn -1"-.008 = oz.LB 4. o* = 0.128.o rí.0 (d) 8.9544 5. (a) 0 4.58 5.4O 0. (c) p.160? (d) 0. 0.r03.3/8 4.13?.008 oz oz (ó) (b) pX pX = 22.0620 4.ro9. (a) (d) (el 2. ('f) (l?)/(l?) (iSX?SXtt) sla 0 (b) (ó) (ó) (ü) l(¿ocoxzoc2ol+(4oc'l(nctsl* (qoc)(ncnl)taoczo 4.s? 4. Ll4 aJLa.rr3. (a) L22. (a) 201. (o) 5/3888 (b) 5/324 4.2 zr. (a) r 4.40 o¡ ligeramente menor que 0.0000 .gs (e) z.ro2.0 (b) 4.B 4. (a) 237 22.5 (b\ 4. (a\ 3/4 .48 4.49. (a) 0.tr2. @\ 4. (a) 0.53. 22. (a) 9.47 (c) 9. (a) 4.7 (b\ 4.2 2s6.. (o) e.0918 (d) 0. (Q 4.2 (c) suponiendo áreas iguales en las dos colas.76 1.L27.BB (d) -0.1033 (c) 0.04462 (c) 0.60 3.00248 (b) 0..50.51. (a) (ile)/Q?) .138.6e64 (/) 0.t : 5.8b2 (e) 0.73 -0.Lo4.r2o.L32. (a) 4.47 (c) e. ¡2.75 2.84 (d) 4. (¿) 4.166 6. (o) sx = 22.1? v 7!r= !4. @) 2.34 2.00J8 (d) 1.005? (b) 2 (c) ninguna (dl 24 6.0e (c) (c) (c) (c) 1.l 86.s 20.40 oz.829 1.? 3/4 16. o* = 0.L4L.130.68 2.111.64.1b82 (c) 0.62 (b) CAPITULO 5 (c) 0.360 RESPUESTAS A PROBLEMAS SUPLEIVTANTARIOS 4.101. (o) B0.000948 (ó) 0. - 2.8164 (ó) 0.55.4972 (ó) 0.0 (b\ 4.71 (ó) (b) (b) 1.) 4'106' (c) 4.s5 z.0 (d\ 2. (a) ?0/429 (b) l/143 (c\ L42|L4B 4105 (.000295 4.0228 (c) 0. oi : 6.35 L7e.8 68.3 (d) (d) 55.62.r y 26. (a) 0.0 (b) (b) 4.94.75 1.L26.2 4l.136.s a8. (a) e.81 (bl2.2 (c) (c) (c) 2B.136. (a) 1.16 5. (o) 0.1 4.03 (¿tl 2.r?r.L29.40 oz.861 (.b9 84.128 (d) -1. 82S\fe (b) (ü) (b) 2(b-al4/6 e/5 113 6.00g oz oz oz.

33f0.01 y 0.91?2 6.t1 5. (o) 0.49 0.7L.3226.0316 5.8 lb.0 s ?9 5.62. (b) 0.6 (d) 10995.105.101.60. 6. 5.106.113.63. 5.0019 (ó) 0.76% S.93.326-0:328. (o) 10. 80Eo.2 6. (¿) (o) (¿) (b) (b) 0.00496 pulg. (a) 2 6 6 (b) 996 (b) (c) 218 12 5.3196.9t. 5.?4 lb I 2 (d) 126 0. (c) 0.10 5.81.01 (b) entre 0. . 0. 0.0026 6.90 5.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 5. (c) 146.1.326.72. 0.0136 0.L6 (ü) 0.67 0. 501.00 6.66.06 pero máe cerca a 0.0% 76 5.01 (b) menor que 0.2160 (b) 0. 12.33?6 pulg.92.36 (ü) (ü) 0'17 0. (a) 82 6Jo2..9596 (c) 0'1161 .1o9.33? 6.9 lb 5.0028 (b) 0.003 pulg. (a) ?99 (ü) 1000 (e) (c) 949.3%' 99.323-0.e5.5E.47 (ó) e = 5. 5.76.LL2.0. (c) 0. (o) 0.322.74.65.00?? (ó) 0. (a\ 2. O. .E6.68. 5.8869 28. 6.0482 . 5. (o) ñ = 2.0.1%. (o) (o) (ó) (ó) 11. 5. (ó) 0..01?9 5. (o) 5.tO.97.56. 78 á.104. (@) 0. (a) 24% (b\ rL% 5.20% ton.72642 pulgadas 26. . (¿) 0. (o) 0.49 (c) 0'28 5.111.99.3265.0064 (c) 0'4504 5. 8. 11.?9 0'0228 lb (b) 0.86 (ó) (c) -e1 (d) 63 . 86 5.7o. (al 4018 6.3204. 5.108.11 5.96. (c) 0. 46 (@) 0. 1199.1841 (cl (o) 118. 5. .60 0. 6 0 -1 (ü) 40 4 6 (c) (c) 288 (d) (d) 2188 (b) 0 26. .82. (a) menor que 0.6% (il 0't ts.26 5.60 5.t7.a84 5.50?.100. 6.6..94. 99. 5.73.01 (c) menor que 0.09 tons. 0.0006?6 pulgadas (b) 72.6% = 0. (a) 5. . (ó) 38.60 1'.?33 (c) 0.o% 78.6 (fl @) a6% 100 (horas) (s) 62/a00 (h) 25. 0.01.8664 (c) 0. 0.59.7349 pulg.166 ó 16. (o) 0.

362 ó.41.¡'TARTOS 5. tb9 5. -0. (a) 0.116.70 t 6.38 384 (b) al menos 221 (c) al menos 666 (d) al menos a 1.0586. = -3.18. (o) 0.34.493e (b) 5.129.36.72642 + 0. 7 RESPUESTAS A PROBLEMAS ST'PLEMEI.?0 r 0. (o) (b) 105. 0.045 0.33.124.20 (f) 7.1 ó.41. Las estimas de las media¡ de la población son 1200 hora¡ en todos los casos.0090 CAPITULO 6 e.9?.118.94 Laprimeradistribución (a) la aegunda (b) la primera 5.62 r 0. (o) 1. 0. L9.127.2464 (b) 52.88. (o) ?8.00002b pulg.045 6.86 lb reepectivamente 6.115.25.35 (e) 26.24 lb2 (c) 0.82. (o) 0. 6.38.38 (hl 22.4 4 (i) (il 706. (a) 0.123. 0.2344.22 0. (d) 032642 a 0.L2.Se (ó) ?. ms = 0.5 horas.131.30.5 lb (b) 0.000072 pulg.97. 101.69 I 0.130.43.126.000060 pulg.000025 pulC. 6. 60 y 100 tuboc son respectivamenüe.298 0.07 t 6.6.72642 t 0.09 t 0.3?.2 (b) 0.428 24. (c) 0. 6. (a) 5. (o) 0. 1193.2 106 (ü) (b) 8. (a) 1200 hr 6.241 7.36206.96 onzas t t I 0. (o) al menos 96 (ó) al menos 68 (c) al menos 16? (d) al menos 225 900 (o) al menos (o) 7.2 (d) 7158.112 .09 t 0.11 (ó) 0. 26.82 0.4 hr Las estimas de las desviacionee típicas de la población para los tamaños de muestra 30. (a) 6.29.073 i 0.09? (c) 0.36. m1 = 0.40.72ti42 t 0.62 6.122.e5 5. (ó) 11.?8 y 0. 0. 6.128.117. (b) 0.84914 6.0ab t 0.030 eegundoa (D) 0..7.7. (¿) ffiz: 0. 6. (q') (c) e2.74 5.28 (b) (s) ?8e.68 a 0. 101. (a) 11.000095 pulg. 0. m1- 89.18 tons. 0.12 hr t 0.22.298 t 0. m1 :0.125.?3 onzas onzae (ó) Z. (o) 9.38 I (a) 0.16 onzas 0.24 tons.38 (a) ?.09 t 0. 0.u (o) al menos 323 hr (b) al menos 560 (c) al menos ?66 (b) 1. 42 5. (o) 0.r5 (c) 0.72642 + 0. ó.0 y 100.39. 2.53743.31. -1r7. 0.0? (b) 0. 6.tu.000085 pulg.546 2. 6.0696 r¡¿o 560 (c\ r. (b) -4. 0. 5.12t. rn2= 5.049 segundoe 6. 6.?0 * o. (bl 0. n4= 0 -0.

63.?41 a l.06? a 1.79 kl) t2.1 horas 6.ó2. (o) a 230.269 (o) 0.01 en (o) ni en (b).56.5 (ü) 102.8 horas 6.4E. 2400 t 45 librs¡. (a) Aceptarlahipóteeissilasbolasrojarextrafdasestánent¡e22y42 rcchazarlaencasocontrario.69. (a) 63.61. .69.31 onzas 6.2606 7.65.06 (c) t2. es 7.(b)0.68.60.50.99. 139.r.15 6. en ambos nivelea. mediante un ensayo unilateral en ambos caso8. y se acepta en ceso contrario (o no se toma ninguna decisión).58 e 2.5 a CAPITULO 7 7.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 363 6.45. I _ ()rr)/r¿ 6.6 horas 2400 ! 59 libree (b) 87. Se puede rechazer la afirmación a ambos nivele¡ mediante un enaayo unilateral.00 (ó) 13.9 6. (o) t¿. 86 lb (b) 1800 t 328 lb (c) 1800 t S82 lb 6.66.9 1?0. 7 No se puede rechaza¡ la hipóteric al nivel de 0.458 a 4.9a1 a 2.67.17. 0. (c) 106. r = .. (a) 95.7O.944 (b) 0. ..8 l: 0. El re¡ulüado significativo al nivel de 0..8 (b) 0.58.519 a 7.62. 7.673 a 2.51. (a) 1800 t 6.05. (a) 6. (d) Rechazar lfe ei se extraen más de 41 bolasrojas.138 a 10.5). (b) Ensayo unilateral.58.63. rechazarla en caso contrario.8 t 0. 7.1 a 148.1 a 140. 6.Bb 6.70 6. (o) No se puede rechaza¡ Ia hipótesis al nivel de 0.5 horas (b) 88.259 a 5. (a) (IIe: p=0.) (e) t2.14 (a) 0.78 (b) 0.05. Sí. (a) 0.05 en ambos en!¡ayos.70 (b) 0. 7.6 ¡ a 1g0. (c) Rechazar 116 si se extraen más de 39 bolasrojasy acept:ula en caso contrario (o no tomar decisión alguna).46. ?.654 a 1.49.6% 105.4 horas hora¡ horas (b) 78.lre 24 y 40.02 (a) 0. (c) Aceptar la hipóterie ¡i las bola¡ rojac extrafdas esüán ent. 6.250 6.24 249 onzas lb (ó) 63. 1. kt') 0. -= 3' 2tritl "'+r3l 6.ó4.20.1 a 288. (Hi p> 0.64. (a) al menos 87.52. k = -lln - (ct. 6.5).0 4802 (ó) al menos 8321 (c) al menos 11. (b) Se puede rechazar la hipótesis d nivel de 0.

01. 3. 7.tO.2. 0. 7.05 pero no al nivel 0. pero no al nivel 0.1. f (x) = T.3. no ¡e deduce que haya diferencia de acidez.4. Mediante un ensayo bilateral al nivel de aignificación de 0.7 Un ensayo unilaüeral muegtra quc la diferencirr e eignifrcaüive eB al nivel 0.34.99. 7. bilate¡al muestra que no hay eúdencia s ni¡guno de los do¡ nivdes de que la duración media haya 7. 21.ae frecuenciae esperadas eon 1. 43.63 onzas 7.2. 7.96. no 7. es 7.E5. ?.05. 50. 4.7 respectivamente.2.6.05. Las frecuenciae esperadac 8on 1.0 respectivamente. 7. 7.87.79. 60.6t)l-r. 7. Un ensayo bilateral a ambos niveles muertra que el producto no cumple con las especificaciones.86. 5. El aparente incremento en la vai'iabilidad no es significativo a ninguno de loe dos niveles. 7.96 onzas (D) 8. (o) t 0. Un enrayo unilateral indica que no disminuye la media a ninguno de loo do¡ niveles.6 respectiVamente. 7. al eegundo. f (r) = aC"(0.76. 7.e0. 13. concluimos que el primer grupo no es superior . 23.77. pero debe introducirse si el nivel de eignificación adoptado e¡ 0.?.1.06.01 .El' 7 Un ensayo unilateral muestra que el proceso no debe inhoduci¡se si el nivel de significación adoptado es 0.32)r(0.01.64 (ü) 0. 4. pero no lo e¡ con un ensayo bilateral.81 ln 7.72.64 1 0. No podemos concluir que la primera varianza 8e¡ mayor que la segunda a ningún nivel.1O0. (b) Un ensayo unilateral muestra que I no ee mejor que A al nivel de 0.l0l.7. 66.20. Un ensayo unilateral muestra que el nuevo fertiliz¡¡¡¿ superior a ambos niveles de significación. Un ensayo cambisdo. 39.4.5.05.94. Podemos conclui¡ que la primera varianza es mayor que la regunda a ambos niveles. la¡ frecuenciae esperadar son 32.83 onzae (c) 8.71. (a) 0. [.0118 7. 7 . Un ensayo unilateral rnuestra que a ambos niveles el contenido -nedio en cobre es más alto que el señalado en las especificaciones. 15.64 + 0. E aparente decrecimiento significativo al nivel 0.8E. 14.9. 49.01.e5. Concluirfamos que el resultado no común al nivel 0.05.6. y 4. 13 y 2 respectivamente. 12.36. 7. 7.9. (o) 6 (D) 4 7. Las frecuenciae eeperadas son 41.0. (o) Un ensayo bilateral indica que no hay diferencia en la calidad de fabricación al nivel de 0.82.05 pero lo es al nivel 0.4.84.1 y 0. 7. 9.t9. 11. Un enrayo unilatetal a ar¡bos niveles de aignificación muesha que la marca B es superior a la marca A.7 respectivamente.0118 (c) 0 (d) 0 (e) 0.0. .6. E resultado es significativo a este nivel con un enar¡yo unilateral.A1 \¡¿ - lar frecuencias esperadas con 108.7ó. es ?.0.1 y 1.2.?.98. 53.3rL2 8. ?.7. Mediante un ensayo unilateral al nivel de eignificación de 0.RESPUESTAS A PROBLEMAS ST'PLEMENTARIOS 7.06.6.78. 7 (a) si (ó) no . 7.7 y 0.1.73.E3.

7.129. (c) si no si no (c) no (c) no ?.104.13?.06 pero no al nivel 0'01. 7. (El hecho de que las puntuacionea sean mejores que el promedio puede ser debido a un mejnr acierüó en las en¡eñanzaa o normaa de puntuación menos exi' gentesoaambascosas).LO2.06.RESPUESTAS A PROBLEMAS SI'PLEMENTARIOS 365 7.t25: 0. el re¡ultado er significativo al nivel 0.3863. 7.124. (b) (b) 7. Mediante un ensayo unilateral. La hipótesis no puede rechazarse a ningfin nivel. 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. La hipótesis no puede rechaza¡se a ninguno de los niveles. ?.11f es es significante al nivel 0.138.110.05 indica que á tiene una mayor proporción de bolas rojas que B. 0.118.465t 7 .109. ?. No hay razón para rechazar la hipótesis de que las monedas ¡ean hon¡adas. No al nivel 0. La hipótesis puede rechazarse al nivel 0.06. . La hipótesis puede rechaza¡se a ambos niveles. ? .134. ?. (a) 0. bueno (b) no (o) El ajuste es "muy bueno".0872. sea mejor que la B d nivel 0. No puede concluirse que la marca A 7. .1L7 . 1.1985 (conegida) (D) 0.116.132.01' 7. esto es consistente con el Problema ?.133.105. 7.05. 7 .05.0738 (corregida) 7.05.106. (o ) 10. (a) (b) (c) no ?. No hay razón para rechazar la hipóteeis a ningún nivel.05 pero no al nivel 0. La hipótesis puede rechaza¡se a ambog niveles.108. La hipótesis no puede rechaza¡se a ninguno de lo¡ nivdes.109. (o) 7. tul e no (b) 10 si (c) 10 (d) 8 7. 0.0. (b) El ajuste es bueno pero no "muy bueno". Puesüo que la dietribuciónbinomialdaunbuenajustedelosdaüos. 7. La conclusión es la misma.3179 (con conección de Yatea) 7 . (a) 0.10? . La hipótesis no puede rechazar¡e al nivel 0. (b) El ajuste es pobre al nivel 0. 7 .2205.139. 60. (o) El ajuste es muy pobre al nivel 0. (o) El ajuste 7.L23.103.05. ) Un ensayo unilateial al nivel 0. ?. El proferor nuevo no sigue las miemas nortnas que los otroe.L72. 7.05 no rechaza la hipóteris (b de proporcioneo igudes. (a) Un ensayo bilateral al nivel 0. Igual conclusión. La diferencia ?.114.05. 7.728.115.113.

81.87.13 + 0.6 1.E6.99.r1y (d) 7g 95 t.398 (ó) 192.500a (cl r = 2. (o) (ó) 2.69.40 6 A:32.77 y -. u = 6.6t-t.r10. 75/p 8.r3.64.70.6tly E. (o) 8.gBB+o.Z. Mediante un ensayo unilateral no puede rechazarse la hipótesie.96.126s 'y 0.?8 + 1.szos 8.188 ¡ (c) r32 8. E. (a) z = 3.?3S(n-B)2 6 41.20 E.66r * 2.112.14(L.68. (o) 1.6606 (ü) 0.111.?961 y (ó) 0.14(10)0.1r4.60 (ó) 17.0 a 19. (a\ u=-i+í" 6 u=.00 6 r= (¿) 1.2928 y 0.113.304 (ü) 1.968 (b.E0.00*1.89.096 o * 0. (o) E.21 0.29y 8.8861 1 t.?600 y 0. 0.67.20(r-B) +0. (a) 8.1 E.71.46¡r*l 8.60 (ó) 1.5 (b) (ó) g?.?801 y .89 * L.66.08?86 o¿ (ó) (c) t?0 ft.8.000 + 0.427Y 61.14¿0. B. 0.6 E.21r*O.91¿6 y y 0.9818 8. =0.9927 8. (a\ 0.IBB72 616 8.9 2.64y 8.0 t 5.661¡ (c) r = -14. (o) 0.s912 (ó) 0. (a) 24. (b) a = 29.115. (a) 0.92.138 t a 0.96.rz 8.28 (o) (ó) Mediante un er¡rayo unilateral puede rechazaree la hipóteaia. (cr.0 t 8.80 E.108.8961 (b) u = 8.4 si no no si E. (o) 1.74. r¡o¿ = fi -o.2 (c\ 182. - 1.24.0 8. (o) (ü) t. (¿) t 3.6633 1.oooo t 0.107.00 (c) ?.448 8.7l4r (b) "=t*lu 10.0 a (b) B?. (a) 0.0 4. (o) v=0.85.151{" ¿O ó U -92. (c) 37.9?.5t*3.60 8.408 + 0.8r*12 (b) r= 0.00 t _1. (a) 0. (¿) 0.79. (bl u = 4.88.84. ft (d) Bg? (b') A=32.109.366 CAPITULO 8 RESPUESTAS A PROBLEMAS SUPLEMENTARTOS 15o 8. (b) d 8.ss56' 8. (a) 3. 2.24 (b) 8. -0.90. 37.) 1.s72 80.00 8.

7096 y 0.42*2.24.¡es5añosconorigenen julio de 1935.129. (c) si no (ó) 8.4547 8.oy:107.1083¡*0.39. 9.34. Hay una diferencia significativa en el tipo de maíz pero no en los suelos al nivel 0.05.16-0.01. 8.7 (e)1977 1o.38. Igual al hoblema 9. flay 9. 9. 9. 9. . (o) u = 3. 9. 0.4f.05.33 r .66.44. tlay 9.38.4 (b) 116.(b)y:722.42. una diferencia significativa en sus calificaciones a ambos niveles.43.05.9653 (D) 8. 415 8. 9. 0.RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 367 8. No hay diferencia significativa en operarios o máquinas.126. No hay diferencia significativa en operarios o máquinas.30 pulg.33.43. (a\ 20. 9. (b)y:18.01.32.L27.deenerode1954.4653¡z. 9.11?.35. de julio de 1950 (d) 142. llay una diferencia significativa en neumáticos y automóviles al nivel 0. una diferencia significativa en operarios pero no en máquinas.9254 y 0.lgxsilaunidadxesLl2añoyelorigenesel ¡ es un año y el origen es el 1o.01. No hay diferencia significativa en el tipo demaíz o suelosal nivel 0. CAPITULO 9 9. No hay diferencia significativa en los sitios o fertilizantes al nivel 0.125.0. No hay diferencia significativa en el color del pelo o estatura.25.05.l31. una diferencia significativa en rendimiento a ambos niveles.4 libras 8. una diferencia significativa en marcas al nivel 0. No hay diferencia significativa en neumáüicos a ningún nivel.26. Ilay 9. 0.40: No hay diferencia significativa en neumáticos o automóüles al nivel 0.31. 9.36 lb 3.3?. No hay diferencia significativa en fertilizantes o suelos. 9. 9.dondeyeslanatalidadpor1000habitantes. 9. Igual al hoblema 9.6402 si la unidad 8. llay 9. 9.36.01 .27.7 y 173.9*4.130.6158 E.01. Flay una diferencia significativa en los métodos de enseñanza al nivel 0-05 pero no al nivel 0.05 pero no al nivel 0.128. 9.38x E. Hay una diferencia significativa en los sitios pero no en los fertilizantes aI nivel 0.120.23. No hay diferencia significativa en los métodos de enseñanza o plantelesal nivel 0.116.

9. pero las debidas al LQ. 9. pero hay diferencias debidas al I. No ha! diferencias significativas en los puntajes de los estudiantes de diferentes partes del país. . B. 9. C. color del pelo o Iugar de nacimiento.46. significativas en los puntajes de los exámenes debido al estado veterano y al I. y canüidades del primer compuesüo químico.49. No hay diferencias significativas debido a sitios o fertilizantes. significativas debido a los sitios pero no a los fertilizantes. máquinas o fortaleza de cables. fuual al hoblema 9.01 las diferencias en los puntajes del examen debidas al estado veterano no son significativas.52. 9. No hay diferencia significativa en los puntajes de I. No hay diferencia significatirra en tratamientos a cualquier nivel.62.54. 9.3.64. pero no otras dife- ' ltray diferencias significativas en tipos de cables pero no en operarios. 9.54.66. 9.61. FIay diferencias significativas debidas al factor 1 pero no al factor 2 o tratamienLos A. 9.45.63.Q. No hay diferencias significativas debido a los químicos o s¡tios. 9. al nivel 0.55. No hafl diferencias significativas debidas a los factores o tratamientos.47 No hay una diferencia significativa en rendimiento escolástico debido a diferencias en estatura. 9.Q.ó.Q. llay diferencias 9. sílo son. llay diferencias 9. 9.368 RESPUESTAS A PROBLEMAS SUPLEMENTARIOS 9. ltray diferencias signifrcatiyas en especies renciag signif icat ivas.05.4E. Al nivel 0.

324 el.348. 2. 9. 247 332. 82 cuadrados greco-latinos. 344 curua parabólica. 221-226. 83. 1 13. coeficiente de.26l múltiple.237-239 aleatoriedad. 117.242. dewiación. 344. r97.135-137. 219. 3 dimensiones o unidades. 133 . 78. principio fundameotal de. I29 aproximación normal a la. 112 de Ia distribución normal. 295. 7L. 248 decisiones estadlsticas.97-99. 25 coeficiente de conelacion. L28. 248 curuas de aproximación.244 conelación. 1 18 distribución chi-cuadrado. 258 relación de la a la distribución norrnaI.129 distribución exponencial. 112 relación de la a la distribución binomial.2L6 área bajo la. 2ó8 94. 263. E4.281-289 tabla. 268.L28 relación de la a la distribución de Poisson. 21 1 desigualdad de Chebyshev.320. número desigual de obseryaciones en 312-315 experimentos conjuntos. 85. 100. 177. 118. 296 Poisson a la. 161. 1 conjuntos medibles.333 para experimentos de un factor. 266. 264. 118. 269 ensyo chi-cuadrado Pua la. 2 constante de Boltzmann. 296 independencia y. 315. 316. 306-338 fórmulas cortas en el. 309 media y varimza de la. 46. 6O.263 covuianza. problema. 333 cociente de inteligencia. 135 teoremas sob¡e la. 11. 321. 345 ordenadas de la. 163 decilas. 118 valores de Ias percentilas de Ia. 319.315. 127. 78 diseño de experimentos.112. 47. 25-2 7 análisis de v xianza. 3O7. 92-94 teoremas sobre la. James. 31 curtosis. 163. 81. 268 r23 aproximación de la dist¡ibución de interl¡retación probabilfstica de la. 10. 218. 306- continua a la derecha. 5 completa aleatorledad. 97 también varianza) dewiación tÍpica. 119 distribución ¡'.324 cuadrados ortogonales. 168. 4 conjunto vacÍo o nulo. 47. 317. 232-236. 258-3O5 gradual. 116 reJación de la a la dist¡ibución normal. 22O. 1l uti¡izando p¡obabilidad. 139.294 generalización del. 112. 2ll. 8ó decisión. reglas de.11-13 teoremas sobre. 92- curua cuadrática.86. L27. 116 cuenta. 258. 143. 118. 83. 2a6-2a7 . 316 27 distribución binomial negativa. 40 control de caüdad. 133. 177. 316 püa de tres factores. 11O á¡eas bajo la. 3f6-321 clasificación tríp¡e o factor tres expedmentos. 213. 115. 316. ' dife¡encia de conjuntos. 24 complemento de un conjunto. 142 relación de la con la binomiál negativa. 115.163 centroide o centro de gravedad de los datos. lO9 (véase tomb i¿n distribución no¡mal) distribución geomét¡ica. lO. 117.37 Cambio de variables. 88. 84 ajuste dé datos por la.2 conjunto universal. 224. 237 dispe¡sión. 46 casillas. colección. 115. 234. 29G 292 correlación gradual. 297 poblacioml. 2 (uéose deteminación. 259 típica (uéose desviación tíPica) desiación media.169 negativa. 13 conjuntos bien definidos. 108 bloques. 164. l. 321. 2a5'247. 6 conección de Yates para la continuidad. | (uéase también conjuntos) columna de conteo. 349 distribuciones gamma. 246.310. 216.311 aleatorios. 1 77 combinaciones. 225 análisis combinato¡io. 232-236. 220.244 cuwa nomal. 118. 24O.28l-244 fórmula p¡oducto-momento para el. 265-267 coeficiente de correlación lineal. 82. 117. 135 distribución bimodal. 268 generalizando. 115. 13 2. distribución gaussiana. 6 conjunto nulo. 263. 267.112 219. 117 ¡elación con la chi-cuad¡ado y t. 26+ 246 püa datos agrupados.297 teo¡ía muest¡al de. 116. 89 282 diagramas á¡bol. 316. 266 (véose tom' bi¿n conelación y reg¡esión) curva de potencia. 28L-284 ensayo de tripótesis y significación para el. 246 muestral. 139'141 teoremas sobre la. 263. 46. 291 26r.213 Bridae. 263. 116. 306. 1 conjuntos disjuntos 3. 297 distribución de Bernoulli (uéose distribución binomial) distribución de Cauchy. 3 264. 31ó álgeb¡a de sucesos.118 distribución hipergeométrica. 1 (uéos¿ también conjuntos) clases y frecuencias de clase.78.3f6 bloques aleatorios. 11. 9. 109 de la distribución de Poison. 11. 82.322 para experimentos de dos factotes.2A2.316-321 aproxirración de Stirling a nl. 316 bondad del ajuste. 11. 315. 244 264. Bernoulli. 347 como caso especial de la distribución gamma. 134 cuilas cdacterÍsticas de operación. 316 diseño experimental. 61 disÉibución beta. 19ó coeficientes de correlación múltiple. 284.293. 264 curyas OC. 332.243. 112. 254. 118 distribución de Poisson. conelación y reg¡esión üneal perfecta.246 Datos agrupados. 129. 136. 295. 114. 217. 9. Só. 239 propiedades de la. 342 axiomas de probabilidad. cumplemos. 144 cont¡ngencia.118 propiedades de la. 345 tipificada. 47 para el caso disc¡eto.145 ajuste de datos por. 112 clasificación simple o experimentos de un factor. coeficientes de. 1 17 moda de la.269 cunas de regresión no lineal. 23A. 99 (uéase tombién distri' bución normal) áreas bajo la. 130. 198.lndice Ajuste de datos po¡ distribuciones üeóricar.125. 33O cuadrados latinos. completa. 108. 56-60 pua el caso continuo. 3 1 5 altamente significativos.97 dist¡ibución binomial. 2L7. 138. 26 4. 21 diagramas de Venn. curua de ajuste. 26 4 coeficientes de confianza. 85. 134. 183 de la distribución binomial. 328. 217 convoluciones. 109. 23. L24. 1O9 relación de la a la distribución normal. 230 coeflcientes binomiales. 1 51 contado¡ Geiger. 31O. 217. 94. 267. 1O8. 34ó cu¡va normal tipificada. 264. 311. ó conjuntos iguales. 197. cuenteo. 27. 184 categorías. 11O. 264. 30. 111 r34 distribución de Pascal. 217. 12. 119- 310. 26O clase.

94. 164 distribuciones de fiecuencia acumulada. 218. experimentos de dos faetores. 311 distribución t Student) 163 acumulada. áreas bajo mediante relaciones de varianzas. 117. 5 enfoque uiomático de ptobabiüdad. 3O8 error tfpico. 184 de medianas. 297 f¡ecuencia observada. 162.2A6 224 espacio muestral. 113 experirnentos aleatorios. (pe¡cepción ext¡as€nsorizlr.177 enfoque de la frecuencia relativa de 308. 266 para vrimzas. 206.279- 164. 43-46. 178 (uéo¿e 213 mediante la distribución f de Student. 212. 306-31O.294 fómulm de Euler. 264. 132. 161. 287. distribución f de Stud. 179 relativa. 26ó también esperanza) estadfstica Bose-Einstein. 81 fórmula de Spe¡man pa¡a la cor¡elación gradual. 160. 6 enfoque a priori de p¡obabilidad. 29A espacios muestrales infiniio no conta- fumión complementaria de error. 1O8 expamión multinomial. 117 relación de la a la chl-cuadrado y F. 306 Fistre¡. 2L4. 299 er¡ores del tipo I y del tipo II. 27 O. error típico de la (véose ettot tfpico de la estima) estimación. 214.2La. 76. 137. 114. 2I9. ó2 de funciones de vuiables aleatorias. 196. 161. 213 ensayos de una cola. 290 estima. 198. 4O. 83. 4 espacios muestrales no disretos. 163. 2L9. ó1. 278. 216 para coeficientes de regresión. 164. 61-63 distribuciones co¡iuntas.249 distribución nonnalr 109-1 11. 260. 118. 63. 109 propiedades de Ia. 198. 241 3 mediante medias.268 pua grar¡des muestras. 261. 162 INDICE efectos de tratarniento. 45 función de densidad conjunta.139-141 ¡elación de la a la distribución normal. 312 efectos de lnteracción.171173 de medias. 260 elementos o miemb¡os de los conjuntos.215.ent.226-22a mediaate la distribución chi<uadrado. 2L6. principio de. 3 7 Fisher. zLl. 40. 213. 194 (uéate estimas insesgadas) toñbién mediante diferencias de medias. 44. 267 3-2L5. 286-287 . 160. 237.216. 44. 310. 117 teoremas sobre la. R. 313-315. 238 bidimensional. 178. 289. 92. 98. 259 estimador insesgado. 312 Einstein-Bose. 163. 2ó9. 263. 138. 16ó-168.263. 25.P. 42. 43 teoremas sobre la. 138. 81. ?7 muginal. 261. 84 distribución multinomial. 186 estadlsticos muestra¡es.6 286. 324-327 variaciones pa¡a. 326 función de distribución acumulada. 262. 262. 112 de la distribución normal. pua variables aleatorias contfuruas. éxito.266. ó3. 297. 14.244.267 formas igualmente factibles. 194 estimas sesgadas. 164 acumulada. 157 función de densidad normal tipificada. 8l totales. 81. 142 distribuciones condicionales.2t6 ¡elación con la teorÍa de estimación.282. 77 (uéose dos. 43. 114 relación de la a la disEibución binomial. 215. 77. distribución de 2t6. 2L9. 44 . 80. 41 distribuciones de probabilidad discret¿.214 püa pequeñs muestras. fó8.226-228 mediante diferencias de proporciones. estadfstica. 1 de proporciones. 4ó. 81 ble. 113 distribución Maxwell. 1O8 expansión binomial.293. Futl. 41 de funcit¡nes de vadables aleatorias. probabilidad de.. 194-2LO.¡ecuencia marginal.179 distribuciones de frecuencia ¡elativa. 5.) distribución porcentual de frecuencias. 4ó para valiables aleatorias dlscrets.S. 2 interacción en el. 220. 4 esperanzar 76. 162 distribución multimodal. 113. 164 distribuciones de probabilidad.274. 111 distribución nomal bidimensional.201 esti¡nas insesgadas.lores medios predichos. 16-321 225 la. 1ó chi-cuadrado y. traslación de.178. 36 E. 64 293. 6 enfoque clásico de probabilidad. 115. 4. 47 interpretación gráfica de la. 6. 162 de difetencias y sumas. 141 probabilidad.160. l6 3 frecuencia relativa. 35 estadfstico no puamétrico. 14.22L. 28t. 290 . 159. 41 conjunta. 4 espacids muestrales continuos. 119 distribución muestral. en téminos de varimzas y del coeficiente de conelación. 199. 231 experimentos de clasificación doble (uCose experimentos de dos facúores. 1Og de la distribución de Poisson. 1O8 . 48. 86-E8 condicionel. 269. 91. 286 fórmula producto-momento para el coeficiente de cor¡elación lineal. 44. óo conti¡uas. 194 e¡aor tfpico de la estima. 4 46.312. 343 función de densidad. 83. 158. 223. 231. L4l 11 8. 92. I76. 263. 295. 113. 124-127 ajuste de datos por la. 243 ensayo de bipótesis y significación. 110 espermza matemática. 22L- experimentos de un factor. 52-56 continuas. 17?179 acumulada. 293. 156. 194 estimas po¡ puntos. 213 para va. 157 de dewiaciones típicas. 39. 262. 198. t¡ansformación Z de. 84 distibución uniforme.277 para el plaao de regreslón de mfnimos cuadrados. 44 va¡ianza pa¡a. 163. 222 escalera flor. 117. 157.4. probabilidad de.pua el coeficiente de correlación.229-231 2L con repeticiooes. t7l enfoque a posteriori de Drobabilidad. 36 función aleatoria (uécse vuiable aleatoria) función beta. 38. 111 teo¡ema de la unicidad para le. 94. dualidad. 217 ensayos de dos colas. 4 espacios muestrales inflDitos contables.196.39. 163. 342 función característica. 168- de ¡elaciones de vuiauas. 1?3-176 de varios estadísticos. 13ó función de densidad para la. 279 efectos de bloques. 1ó7. 77 espermza condiciona!. 44 dis¡etas. 49.294 pa¡a la püábola de mlnimos cuad¡a- teoremas sobre. 3 Ecuaciones norraales pua la recta de mfnimos cuad¡ados. 297 e¡rb¡ o residuo. 164 acumulada. 276. 118. 6 ensayo chi-cuadrado para bondad del ajuste. 16ó. 341 fracaso. 266. 218 frecuencia porcentual. 266. 16G162. 2r9. 164 f¡ecuencias elementales. 133 distribución Weibuü.370 media y vaxi^nza de la. 267. 31 1 experimentos de Mendel. 211267 estimas no eficientes. definicid¡ de la. 54 de sumas de variables aleatorias.318 de vuianzas. 156. 285. 2t6. 346 media y vaianza de la. 216. estadfstica (uéose estadís- tica Bose-Einstein) e1e x. 39 (uéase tambíén funciones de distribución) función de distribución conjunte. 236 mediante la distribución normal. 212. 162. 221-226 mediante proporciones. 296 derivación de la. 82 distribuciones de frecuencias. 314. 38. 216 Fermi-Di¡ac. 5. 260 ejes. 273. 194 estimas por intenralos. 194-210 eficiente. 4 espacios muesfales discretos. 99 de la distribución binomial. 117 disribución trimodal. 162. 52 distribuciones de probabilidad condicional. 116. 265 77 38. 119. 198. 6 fórmula de inve¡sión. 194. mediante la disúribuclón F.61.A. 289. 159. 199 insesgada (u¿ose estima iDsesgada) estimas de máxlma verosimilitud. 194 estimas. óó estatura de padres e hijos. 311 notación paa. 1ó espacio muest¡a] finito. 267 pua valores predlchos.47 disc¡etas.

2 pea vErian¿as. 313 polÍgono de frecuencias 179. 217 gráficos de control de caüdad. 96. 46.297 198 para rectas.266 pe¡mutaciones.234 pare propo¡ciones. 164. 21 hipótesis.237. 40. 156 parámetros de la.S. 8. 156. 162 no unicidad de la. 177. 156 población multinomial. 44. poker. f 56 alrededor de la media. 204 para medias. 158 I. 86. 97 medidas de dispersión. 39 condicional. 48 probabilidad de causas (uéos(f teorema teoremas de la. 342. 211 (uéase tombián ensayos de hipótesis y significación) hipótesis nulas. 163. ll. 36.272 función error. 11? de un conjunto de números. 2O4. 177 muestreo. 199. 79 momentos condicionales. lO9. 342 27.) mÍniinos cuadrados. funciones de densidad marginal.INDICE función de probabilidad. 38 marginal. 157 media total. 1 método de expansión. 350. ró9 población infinita. 179-183 la distribución binomial. 26L. 123 la distribución de Poisson. 76. teorema de la unicidad pea la. 269. 8 3O7. 84. 2+2. 164. 49. 2t3.50.342 función gene¡atriz de momentos. 136 gráficos de control. 1ó8. invuianza baio üanstotmacióD.23O Herencia. 27-23 población. 86 Marca de clase. 351 loterm. lnteÁ. LS7. 163. 224 niveles de significación. 41. 178 moda. 84. 19ó. 47. 1 56 partículas radioactivas. 194. 85. 200 número. 123 de la distribución chi-cuadrado. 96. 114. 259 para curvas. 19ó nivel de significación. 266- 4t.P. 165. 6. 32 parámetros poblacionales. 1ó1 grados de libe¡tad. 186. 1óó. 13ó de la distribución d€ Poisson. 164. (cociente de inteligencia). 159.179183 momelltos centüales. 217 259 236. 126. 39. 76.268 funciones de probabilidad marginrl. 1r6. 3Oo funciones de distribución marginal. r23. 63 función de Drobabilldad coqiuDts. 306. 6r 3 ley de los grandes números. 8O.179 ojivas porcentuales. 194-206 para diferenciás y sumasr 196.165. 266. gran media.293 medidas de centralización.313 ? probabilidad. 44 g¡andes muestras. L21 Jacobiano. 1ól momentosr 79. 183. 2 lntcnalos de confianza. 45. 269. 113.241 hipótesis estadísticas. 6 suma de los pa¡a la distribución chicuad¡ado. 342 fórmula asintótica de Stirling pa¡a la. 166-167. lf l. 76. 195 lÍmites fiduciales. 26.312. 97 medias de fila. 13 Iey distributiva. 69 para datos agrupados. ó4. 196 muestras aleatorias. 243 pua paábolas. 184 teorÍa de correlación y regresión. 156. 259 método de comprensión. 47 para conjuntos. 2O2. 1ló de la distribución F. 309. 163. 241 tabla de. 171. 89-91. 45. 1ó8. 3 ¡ey conmutativa. 117 modelo matemático lineal pua el análisis de va¡ianza. 111 21 E inte¡ralo semi-intercuütÍlico.84 Papel gráfico de curya normal. 6 muestras. 1ó5. 2. 61-63 conjunta. 76 de una muestra. 159 normal. (uéqs¿ rectas de mÍnitnos cuadrados) método y fórmula clave. 157 media ditmética. 37 Poisson. 155. 171. 27 . pea conjuntos. 159. 12. 342 fórmula de recunencia ptala. 84 (véose también media) media muestral. 206 semi-cerra2dO.98 de la dist¡ibución binomial. 96. 117 la distribución normal. para la convolución. grupo control. 195 (uéose tambíén lÍmites de confianza) IÍmites reales de clase. 84. 43. 42 para variables aleatorias discretas.97 (véase tanrbién esperanza) pados. 43 4O 268. 48. 4O función factorial. I 55 integrales de Fourier.221 experimental o descriptiva. para la convolución. 18O- población normal. S. 1á6 con o sin remPlazamiento. 292. 217. 224 tabla de. 98 integr¿les especiales. 1 7-2O función de la. 5ó. 2 logúitmos comunesr tabla de. 342 función gamma. . 84. 196.¡los abierto y cetrado. 96 de la dist¡ibución beta.219. 1 44 pe¡centil¿s o valores percentüa. 268 para vuiables aleatorias continuas. L22. 26O intetsección de cotiuntos. 195. 83. 3. aproximación de Sti¡ling a. 203. 197. 3O6 medias de tratamiento. 311. 264. 158. 47 Pata conjuntos. 80 teoremas sob¡e la. 227. 1 (véase también conjuntos) prábola. 111 de la distribución ú o de Student. 89'91. 205. 306. 156 tamaño de la.45. ó3 niveles de confianza. 343 central. 2 núme¡os ¡eales. 40. 155 aleatorias. 1 polÍgono de frecuencia. 99 pe¡cepción extransesorial (udase E. 15ó. 45 funciones de distribución. 1ó6. 177. 197.D. f16. ensayos de. 85. t71.49. 6 moneda b-omada. para el análisis de la varianza. para datos agru- Gas ideal. 39. 79 intenalos geml-abiertos o dos. ó6. 80. 156. 312.. 308. 312 g¡an total.297 miembros o elementos de un coqiunto. 156 196 Ley asociativa. acumulado. 311 mediana. 196. 110 eomplementaria. 23O inferencia estadística.249-292 n factorial. 8O función monotónicamente creciente. 198. f96-202 L44.44. 163. para la convolución. 96. 3 inteivalo de clase. 1O función paso. 84. 1^O. 352 números complejos.312 ordenadas. á1 lÍnea real. 214 histograma. 206 modelos matemáticos. 199-201 grupo. 112 la distribución F. 21?. 277. 95 para las pruebas de Bernoulli. 198 dist¡ibución de muestreo de la. 13 en los zucesos. 308. 212.164. 47. 259 ir¡tetcepto. 84. 1. 97 mejor cuwa o recta de ajuste. 164. 183. 13 lÍmites de confianza. 54. 221 experimental o descdptivo. 3. 55. 196 población finita. 94 función escalera. 213 números rleato¡ios. 2.5 probabilidad condicional. 179 acumuladas.Q. 1O9.166. 341. 163. 3. 83. potencia de un ensayo. ó8.2O3 para relaciones de vuianzas. 155 población binonial. 164 operaciones de coniuntos. l2 computación de la. L78 I paradoja de Russell. \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. 85. 3O6 de de de de medias de grupo. 11ó. 11 método de mínimos cuadrados. 117.22O. 79 alrededor del origen. 97. 81.5ó marginal. Ojivas. 276. 44. 112 de la distribución normal. 44 371 molécula de gas ideal. 94 moneda cargada. 17? niedia. 1 56 independientes. 1O9. 79 condicional. débil ros) (ué¿se muestras independientes. 211. 184. 3O7.

1 I O región crltica.2a5 vatiación residual o aleatoria. 26? traslación de ejes.82 de momen- mente.lasificación simple. 242. 6 suceso seguro. 26O. 11 1.249 computación de la.239 problema de la aguja de Buffon. 196 tigmpo de reacción. 195 valo¡es de tendencia. 79 tipificadas de.88. 2O1 t¡ansformación de Fourie¡.2a2. 219. 8O ¡acte¡Ística. 6 algunos teoremas importantes sobre la. I O8 distribuidas normalmente. 38. 281. 21 variación. caso donde s . 2ll (véase tombién ensayos de hipótesis y significación) vaiables aleatorias con dist¡ibución Cauchy. 63. Valores críticos. 29O curva. probabilidad empírica. 81 transformación Z de Fishe¡. 78 va¡ianza combinada.89 combinada. 114 1ó8. 37 subconjuntos.116 función (uéose función de probabilidad) geométrica. 1 14 independientes.lores esperados de las. pa¡a la función ca- vaiables aleatorias independientes. 1O8 variables aleatorias dependientes (uéose variables aleatorias independieDtes) vaiables aleatorias discretas. 49 ¡éplicas. 11O v&iables aleato¡ias dist¡ibuidas uniformemente. ó sucesos. l94 sÍmbolos de inclusión. 97-99.experimentos de dos factores. 1Og de la distribución de Poisson. 151 82 seguridad. 2a7. 15 utilizando el análisis combinatorio. grados de libertad 311 métodos cortos paa obtener las. 158. 263. 30. 289. 43 t¿blas de clasificaclón doble. entre columnas o bloques.245 en análisis de varianza. 311.115 vtianza poblacional. 143.2a4.260 pua vriables aleato¡ias distribuidas binomialmente. 26O. 264. 289 ecuación. 212. 158 de la distribución no¡mal. 63 no conelacionadas. 1 ilceso imposible. 112 de la dist¡ibución normal. 249 de vaiables aleatorias distribuidas normalmente. 81 transfomación. 49. 45. LIL.244 representación gráfica. 254.158. Tabla de probabilidad coniunta. 7. 79. f91. 160 esperanza de Ia. 264-27 4. 216 como segundo momento. 266. 131. S2 sin dimensiones. 263. 259. 22O. 212 regla de Leibniz para la de¡ivación de una integral. 341 ¡elación con las dist¡ibuciones t y F va¡iables aleatorias con dist¡ibución Gamma. 195 desconoce la. pda la función generat¡iz tos. plano. 260. para un conjunto de números. 15 sucesos elementales. 115 cuadrado. 1O9. 45. 2t9. región de.284 relaciones no lineales. 3O9 ent¡e filas o tratamienúos.372 o ¡egla de Bayes) concepto de la. tabla de. 48. 8O sesgada a Ia derecha o a la izquierda. 38. 259. 79. 281. 131 teorema o ¡egla de Bayes. 31 1 entre y dentro de tratamientos. 156 temperatura Kelvin. 5O con distribución dg Poisson. 263. 312 regresión.85. 1lO va¡iables aleatorias adimensionales. 164 dist¡ibuciones de la. 266. ó2-56. 2ó9 Sec¡etaria. 311. problema de la. 130. 258 punto muestral. asignación de las.63 vüiables aleatorias no relacionadas. 85 sesgo. problema de los. 9. 79 distribución de las.27l uperf icies. 219 en anáUsis de varianzas. invarianza bajo. 42. 117 muestral.37. 41 INDICE sobres.2a5 vaiación no explicada. 89. 26 2 teoría muestral de. 297 tammo de la muestra. para datos agrucondicional. 262.2ó9 coeficiente. 3O9 regresión múltiple. 27 I relación fineal. 112 de la distribución f'. 266. variación total. 108 pruebas de Bernoulü.98 serie de Taylor. I 1 O pila distribuciones conjuntas. 165. 1ó8. 264. 131 prueba del.273 en términos de varianza muestral v teoría de muestreo exacto.78. 324-321 residuo. 261. 123 de la distribución de Poisson. 3O8. 17-2O.284. 7.123. 83. 3O7. 4. 311. 113.259. I 18 tablas y distribuciones de frecwncias de doble v&iación. 1O8 vuiables aleatorias distribuidas de a- cuerdo con la dist¡ibución Poisson. (véase v atianza muesüral) continuas. 4. 266.161 veiables aleatorir nomalizadas. 266. 262. 9. 151 teorema de unicidad. 183 de la distribución binomial.2a4. 8 cálculo de las.4 Recorrido.94 de la distribución binomial. 322-327 tabla de c. 258. 243246 tablas de frecuencia (uéose ta¡nbién distribuciones de frecuencia) variables aleatorim distribuidas binomia¡mente. 64 probabilidades. 269.124 las. va. 6.6O teorema del límite central. 37 serie de Fourier. 79 vriables aleatorias con distribución Be- serie". I7 -2O.110 vüiables dependientes. 27 8.262 27 a. 271 referencias tipificadas. 48. 29. 15-17 p¡obablemente significativos.287-289 transformada inversa de Fourier. 46. 284.262 vüiación explicada. 89. 82 veiables aleatorias normales asintótica- ley de los grandes números paa 109. 291) universo del discurso. 5. 13O. 279 unión de conjuntos. 264. 262.115 variables aleatoiias con distribución chi- ta. 26I intersección de. 262. 25 Unidades o dimensiones.161:171 prueba de Bernoulli. 3O9. 46.86. 63.81. 263. dist¡ibución muestral de. 262. 217.2O2 interpretación probabilística de. 289. 164. 195.272 318 grados de libertad para. 29. 64 gráfica.3il1 Taylor. 306. 49. 266.266. explicadas y no explicadas. 85. 50 dist¡ibuidas unifomemente. 50 papel gráfico. 237 . 46 scesos mutuamente excluyentes. 176 velocidad efectiva (¡ms). 6. 58. 39. 3 significación. ó. 213 región de rechace.81. 3O7. 326 diag¡ama. 85. 259. 226 . 3Og pua las. 52-56. 242. 38 variables aleatorias de la distribución de Bernoulli. 194. 68 proporciones.114.294 vaianza. ó-7 sumas es¡reciales. ? sucesos independientes.39 vaiables aleatorias continuas. 108. 352 293. 269 vdiables-transf o¡madas. 14. 2AL. 269. aleatorias) 2 2 241. 31O.49. 8. 212 ensayos de. 111 vuiable estocástica (véase vuiables valores exponenciales. 23a como una función de valor real. 317. 198 rectas de mÍnimos cuadrados. 265. 22O tablas de con¿ingencia. 266. 111 de la dist¡ibución t. 223. 67.318 múltiple.159. 161. 38. 266. 48 función de densidad de. 311 tratamientos.97 semi-intercuartr-lico. 1?9-183 vriable independiente. 1 subconjuntos p¡oFiós. 260 variaciones. 30. 161. 3f 3-3f 5. 79. 78. 112. 242. 164 probabilidad geométrica. 292-294 cov^rianza. 117 de la distribución muestral de medias.285 recta. 5 condicional. 97.111. 79 pados. 26A. 81.38 discretas. 8O dist¡ibuidas binomialmente. 216 var\anza muestral. 2a9. 26-27 231. 270 va¡iables aleatorias. 3O6 triángulo de Pascal. 3O7 para . 78 unidades tipificadas.317. 20.

.

.

l .

.

.

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

Sign up to vote on this title
UsefulNot useful